ForschungBig Data und Machine Learning
Klassifizieren und Detektieren von Verkehrsteilnehmern mittels Neuronalen Netzen und Active Shape Modellen

Klassifizieren und Detektieren von Verkehrsteilnehmern mittels Neuronalen Netzen und Active Shape Modellen

Leitung:  Bodo Rosenhahn (TNT), Claus Brenner, Steffen Busch (IKG)
Team:  Xiaoyu Jiang
Jahr:  2019
Ist abgeschlossen:  ja

Autonome Fahrzeuge interpretieren ihre Umgebung auf Grundlage ihrer Sensordaten. 360° Laserscanner bieten dabei umfassende und hoch genau Informationen über die Entfernung von Objekten. Die Vorhersage des Verhaltens von Verkehrsteilnehmern unterscheidet sich zwischen PKW, LKW/Bussen, Radfahrern und Fußgängern. Die exakte Position der verschiedenen Verkehrsteilnehmer ist dabei abhängig von ihrer Ausrichtung und ihren geometrischen Ausmaßen. Active Shape Modelle bieten die Möglichkeit den Mittelpunkt der Objekte durch die Schätzung von deformierbaren Modellen, auf der Basis von CAD-Plänen und unter Berücksichtigung ihrer Ausrichtung, zu schätzen. Diese Arbeit ist Teil des Automatisierungsprozesses, um aus Daten des täglichen Verkehrs spurgenaue Karten zu erstellen. Dazu werden Verkehrsteilnehmer klassifiziert und ihre exakte Position in komplexen Kreuzungs-Szenarien bestimmt. Die Verkehrsteilnehmer werden mittels eines neuronalen Netzes detektiert und klassifiziert und anschließend unter Verwendung von Active Shape Modellen exakt positioniert. Ziel der Arbeit ist es, eine robuste Detektion von Verkehrsteilnehmern auf 360° Laserscans zu implementieren.