Robotik
-
Massiv Kollaborative Erfassung von dynamischen Umgebungen und ihre Abbildung in digitalen KartenSelbstfahrende Autos und autonome Roboter benötigen hochgenaue Modelle ihrer Umgebung, um über lange Zeit sicher agieren zu können. Doch natürliche Umgebungen wie Straßenzüge enthalten dynamische Objekte und verändern sich mit der Zeit: Gebäude werden neu gebaut, Bäume gepflanzt und Autos unterschiedlich geparkt Da solche Umgebungen nicht permanent erfasst werden können und es immer eine erste Fahrt in einer veränderten Umgebung geben wird, wird ein Umgebungsmodell benötigt, welches mögliche Veränderungen berücksichtigt.Leitung: BrennerTeam:Jahr: 2017Förderung: DFG-Graduiertenkolleg i.c.sensLaufzeit: 2016-2021 (erste Phase)
![]()
![]()
-
Erstellung dynamischer Karten durch kooperative FahrzeugeBereits heute sind viele Fahrzeuge mit Sensoren versehen, wodurch eine sehr große Menge sensorieller Daten über den Straßenraum zur Verfügung steht. Bisher werden diese Sensordaten nur individuell von jedem Fahrzeug ausgewertet. Beispielsweise werten Assistenzsysteme die Lage aus und leiten daraus ihr unmittelbares Verhalten (z.B. Notbremsung) ab. Das abgeleitete Wissen steht jedoch anderen Verkehrsteilnehmern nicht zur Verfügung. Dies hat den Nachteil, dass ein Aufbau von Wissen, beispielsweise über gefahrenträchtige Orte, nicht stattfindet.Team:Jahr: 2017Förderung: Deutsche Forschungsgemeinschaft (DFG)
![]()
![]()
-
Semantic Segmentation of Point Clouds using Semi Supervised Transfer LearningSemantic segmentation in 3d describes a point wise classification of point clouds. We think this task is challenging because on one side it is hard for humans to annotate the necessary data, because objects may appear ambiguous and labelling in 3d can be time consuming. On the other hand it appears that there is still no preferred way of how the data should be processed in order to use it with deep neural networks.Leitung: BrennerTeam:Jahr: 2017Förderung: DFG-Graduiertenkolleg i.c.sens
![]()
![]()
