Institut für Kartographie und Geoinformatik Forschung Robotik
Massiv Kollaborative Erfassung von dynamischen Umgebungen und ihre Abbildung in digitalen Karten

Massiv Kollaborative Erfassung von dynamischen Umgebungen und ihre Abbildung in digitalen Karten

Leitung:  Brenner
Team:  Schachtschneider, Brenner
Jahr:  2017
Förderung:  DFG-Graduiertenkolleg i.c.sens
Laufzeit:  2016-2021 (erste Phase)

Selbstfahrende 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.

Ziel dieses Projektes ist eine aktualisierbare und erweiterbare Karte, die Veränderungen in städtischen Umgebungen berücksichtigt. Dafür werden zweiwöchentlich Messungen entlang einer etwa 20 Kilometer langen Route durch Hannover aufgenommen, welche als Input für die Modellbildung dienen. Veränderungen werden nach ihrer Lebensdauer (Tage, Wochen, Monate, Jahre) eingeteilt. Darüber hinaus wird für jedes Objekt / jeden Bereich in der Umgebung ein Konfidenzmaß ermittelt, das die Wahrscheinlichkeit angibt, ob es sich (für einen bestimmten Zeitraum) um ein statisches Objekt handelt.

Grundsätzlich können Veränderungen abrupt, allmählich oder auch periodisch wiederkehrend auftreten. Ein neues statisches Objekt kann permanent in der Umgebung verbleiben, z.B. ein neues Gebäude, es kann aber auch nur temporär vorhanden sein wie z.B. ein geparktes Auto. Objekte können beweglich sein oder ihre Erscheinung ändern; ein Beispiel hierfür sind Türen, die sich öffnen und schließen. Oberflächen nutzen sich ab und Vegetation wächst saisonal bedingt oder wird durch menschlichen Einfluss verändert.

Eine Karte wird für selbstfahrende Autos und autonome Roboter verlässlicher, wenn bekannt ist, wie sich die darin enthaltenen Objekte zeitlich verhalten. Damit ist es außerdem möglich, das zukünftige Verhalten der Objekte vorherzusagen.