Brenner - Forschungsprojekte

Laserscanning

  • Localization and mapping using maximum consensus
    The long-term goal of this research topic is the creation of a localization and mapping algorithm, which is robust against outliers and disturbances. The research project is embedded in the Research Training Group “Integrity and Collaboration in Dynamic Sensor Networks (i.c.sens)” and primarily aims at improving integrity measures. The research is devided into two steps. In the first step, the localization considering the map as known is examined. In the second step, the problem will be extended treating the map as unknown as well.
    Leitung: Brenner
    Team: Axmann
    Jahr: 2020
    Förderung: DFG Graduiertenkolleg i.c.sens
    Laufzeit: 2016-2024
  • Incremental Map Refinement
    For autonomous systems, an accurate and precise map of the environment is of importance. Such precise maps can be gained from information acquired by distributed sensors. Then they have to be integrated and aggregated, taking the respective accuracies and sensor characteristics into account.
    Leitung: Sester, Monika
    Team: Zou, Qianqian
    Jahr: 2020
    Förderung: DFG-Graduiertenkolleg i.c.sens
    Laufzeit: 2016-2024
  • LiDAR Mobile Mapping
    Für die dichte und genaue Erfassung der Umgebung vom Boden aus können heute Mobile Mapping Fahrzeuge eingesetzt werden. Im Vergleich zu früheren Verfahren, bei denen Messsysteme an mehreren Stellen aufgebaut werden mussten, kann so die Erfassung im fließenden Verkehr stattfinden. Bei den LiDAR (Light Detection and Ranging) Systemen wurde die Scangeschwindigkeit in den letzten Jahren zudem um den Faktor 20 verbessert. So werden heute Erfassungsraten von mehr als einer Million 3D Punkte pro Sekunde erreicht. Das ikg verfügt über ein Mobile Mapping System der Firma Riegl, welches in der Regel auf einem VW Bus eingesetzt wird. Im Vergleich zu Systemen, welche ausschließlich auf Kameras beruhen, bietet LiDAR den Vorteil der sehr dichten, detaillierten und genauen Erfassung. Neben der Fahrbahnoberfläche lassen sich auch Objekte des Straßenraums direkt in 3D erfassen, z.B. Schilder, Ampeln, Beleuchtungsmasten, Oberleitungen sowie die Vegetation.
    Leitung: Brenner
    Team: Brenner, Schachtschneider, Peters
    Jahr: 2017
    Laufzeit: Kontinuierlich
  • Massiv Kollaborative Erfassung von dynamischen Umgebungen und ihre Abbildung in digitalen Karten
    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.
    Leitung: Brenner
    Team: Schachtschneider, Brenner
    Jahr: 2017
    Förderung: DFG-Graduiertenkolleg i.c.sens
    Laufzeit: 2016-2021 (erste Phase)

Robotik

  • Erstellung dynamischer Karten durch kooperative Fahrzeuge
    Bereits 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: Busch, Brenner
    Jahr: 2017
    Förderung: Deutsche Forschungsgemeinschaft (DFG)
  • Massiv Kollaborative Erfassung von dynamischen Umgebungen und ihre Abbildung in digitalen Karten
    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.
    Leitung: Brenner
    Team: Schachtschneider, Brenner
    Jahr: 2017
    Förderung: DFG-Graduiertenkolleg i.c.sens
    Laufzeit: 2016-2021 (erste Phase)

3D-Visualisierung

  • Bubble Slide
    3D Punktwolken erlauben eine völlig neue Visualisierungsmöglichkeit, indem eine Ansicht von oben mit einer Seitenansicht kombiniert werden kann. Dies wird erreicht, indem in der Vogelperspektive, in der beispielsweise nur Gebäudedächer, aber keine Fassaden zu sehen sind, die Fassaden längs der Straße mit einer virtuellen Kugel nach außen gedrängt werden.
    Leitung: Brenner, Claus
    Team: Brenner
    Jahr: 2017

Projektseminar

  • Projektseminar 2012/2013: Mobile Mapping
    Ziel des Projektseminars war zum einen die Berechnung einer GNSS/INS-Integration, zum anderen die Verbesserung der Trajektorie gegenüber den Ergebnissen, die mit kommerzieller Software erzielt werden können, sowie schließlich die Ableitung von Gebäudemerkmalen für die Automatisierte Kaufpreissammlung (AKS).
    Leitung: Brenner, Alkhatib, Hofmann, Vennebusch, Weitkamp
    Team: Steven Curs, Johanna Göbel, Corinna Harmening, Steffen Hinze, Tammo Ibershoff, Toomaj Madinejad, Tobias Ott
    Jahr: 2012