Bei der Entwicklung von unbemannten Landfahrzeugen besteht eine der größten Herausforderungen in der Wahrnehmung der lokalen Umgebung. In dieser Arbeit wird daher ein Verfahren vorgestellt, dass mittels modellbasierter Wahrnehmung ein vollständig autonomes Fahren auch in schwierigem Gelände wie z. B. in Feldund Waldgebieten erlaubt. Der Schwerpunkt der Arbeit liegt auf der Schätzung der 3D-Lage, Dynamik und Form von Objekten in komplexen Umgebungsbedingungen und Wetterverhältnissen durch monokulares Sehen. Zusätzlich werden Möglichkeiten einer Fusion der visuellen Information mit den Daten eines LIDAR-Sensors auf Daten- und Merkmalsebene aufgezeigt. Grundlage der Wahrnehmung bildet der 4D-Ansatz (siehe Dickmanns [2007]) und dessen Formulierung durch einen Partikelfilter. Unter anderem werden neuartige Vorgehensweisen vorgestellt, die es ermöglichen, bekannte Systemgrenzen probabilistisch im Wahrnehmungsprozess zu berücksichtigen. Zusätzlich werden - im Gegensatz zu anderen Ansätzen - die Likelihood-Funktionen der Messung nicht mehr manuell vorgegeben, sondern es werden Techniken des überwachten Lernens eingesetzt, um geeignete Likelihood-Funktionen für alle an der Objektwahrnehmung beteiligten Merkmale zu finden. Letzteres ist insbesondere von Interesse, da dadurch das ansonsten sehr zeitaufwendige Tuning des Filter-Messmodells verkürzt und für beliebige Wahrnehmungsaufgaben automatisiert werden kann. Die Merkmalsextraktion der Objektwahrnehmung basiert dabei nicht nur auf Kantensignaturen, sondern auch auf punkt- und flächenartigen Signaturen in den Sensordaten, welche über ein räumlich-zeitliches Objektmodell miteinander fusioniert werden. Das vorgestellte Verfahren zur modellbasierten Wahrnehmung dient im Weiteren zur Lösung von zwei komplexen Wahrnehmungsaufgaben. Die erste Aufgabe besteht in der Wahrnehmung von Wegen und Kreuzungen in ländlichem Gebiet. Um für die Wahrnehmung eine möglichst reichhaltige Repräsentation der Umgebung zu generieren, werden die Daten einer beweglichen Kamera mit den Daten eines 3D-LIDAR fusioniert und zeitlich in einem farbigen Geländemodell akkumuliert. Zusätzlich werden topologische Informationen aus einer Karte zur Stützung der Kreuzungserkennung eingesetzt. Die zweite Aufgabe beschäftigt sich mit der Wahrnehmung von Fahrzeugen mit Hilfe einer beweglichen Kamera. Neben der Fahrzeugposition, die in allen sechs Freiheitsgraden geschätzt wird, werden auch Lenkwinkel und Geschwindigkeit des Fahrzeuges durch die monokulare Wahrnehmung bestimmt. Die Wahrnehmung ist auf dem Versuchsfahrzeug MuCAR-3 (Munich Cognitive Autonomous Robot Car, 3rd Generation) implementiert worden. MuCAR-3 ist somit in der Lage, vollständig autonom anderen Fahrzeugen auch in anspruchsvollem Gelände zu folgen und selbständig entlang von Wegenetzen zu navigieren.     «

Bei der Entwicklung von unbemannten Landfahrzeugen besteht eine der größten Herausforderungen in der Wahrnehmung der lokalen Umgebung. In dieser Arbeit wird daher ein Verfahren vorgestellt, dass mittels modellbasierter Wahrnehmung ein vollständig autonomes Fahren auch in schwierigem Gelände wie z. B. in Feldund Waldgebieten erlaubt. Der Schwerpunkt der Arbeit liegt auf der Schätzung der 3D-Lage, Dynamik und Form von Objekten in komplexen Umgebungsbedingungen und Wetterverhältnissen durch monokul...     »

The ability to perceive a robot’s local environment is one of the main challenges in the development of mobile ground robots. Here, the author presents a robust model-based approach which can be used to enable a robot to autonomously drive on rural roads (e.g. dirt roads and forest tracks) as well as off-road. Special emphasis is given to the robust estimation of the 3D-positions, dynamics and geometric forms of objects through monocular vision during demanding environmental and weather conditions. Furthermore concepts are presented to fuse the monocular perception with data gained form a high definition LIDAR sensor at data and feature level. The 4D-approach (see Dickmanns [2007]) in a particle filter formulation forms the foundation of the perception system. Among others, new methods are presented to incorporate probabilistic knowledge on state space bounds into the Bayesian state estimation. In addition, instead of tuning the likelihood functions used within the particle filters by hand, as commonly done, supervised learning techniques are applied to derive an appropriate weighting of all features used for object perception. This is especially useful as it reduces the engineering time needed to implement a new visual perception module for arbitrary objects. The feature extraction process used for object recognition is not only based on edge features but also on point and areal features extracted from raw sensor data. All features are fused using spatial and temporal object models. The proposed approach for model-based perception is then used to solve two complex perception problems. The first task deals with detection and tracking of road networks including crossings in rural terrain. To get a rich environment representation, data provided by a 3D LIDAR and an active camera platform are fused into an accumulated, colored 3D elevation map of the terrain. Additionally, commercially available map data is used to get a rough idea about the geometry of the road network ahead of the robot. This way, the system is able to dynamically adjust the geometric model used. Secondly the developed perception system is utilized to track a vehicle out of a moving vehicle using active vision. Apart from the vehicle’s position, which is estimated in all six degrees of freedom, the monocular precepition estimates the vehicles’s velocity and steering angle. The proposed algorithm for model-based perception was implemented on the ground robot MuCAR-3 (Munich Cognitive Autonomous Robot Car, 3rd Generation). Thus MuCAR-3 is able to autonomously navigate on road networks and to follow another vehicle in unstructured environments.     «

The ability to perceive a robot’s local environment is one of the main challenges in the development of mobile ground robots. Here, the author presents a robust model-based approach which can be used to enable a robot to autonomously drive on rural roads (e.g. dirt roads and forest tracks) as well as off-road. Special emphasis is given to the robust estimation of the 3D-positions, dynamics and geometric forms of objects through monocular vision during demanding environmental and weather conditio...     »