Home | Impressum | Datenschutz | KIT

Erweiterung von Information in Rasterkarten mithilfe lernbasierter Ansätze

Erweiterung von Information in Rasterkarten mithilfe lernbasierter Ansätze
Forschungsthema:Rasterkarten, Deep Learning, Umfeldmodellierung, Free-space estimation
Typ:Bachelorarbeit
Datum:bereits vergeben!
Betreuer:

M.Sc. Sascha Wirges

Voraussetzung:

Kenntnisse in Python;
Kenntnisse maschineller Lernverfahren;
Strukturiertes, gewissenhaftes und eigenständiges Arbeiten

 

       

Für das automatische Fahren ist ein präzises Modell der Fahrzeugumgebung notwendig. In Rasterkarten (Grid Maps) wird das Fahrzeugumfeld durch die Belegungswahrscheinlichkeit eines Raumbereichs (Zelle) modelliert. Rasterkarten haben unter anderem den Vorteil, dass Messungen verschiedener Sensoren (Laserscanner, Multiple View Kamera-Setups, Radar) einheitlich fusioniert werden können.
Grundlegendes Ziel dieser Arbeit ist die Vervollständigung der aktuellen, statischen Szene durch ein gelerntes Umfeldmodell. Dabei soll die Beobachtung zum aktuellen Zeitpunkt in Form einer Rasterkarte als Eingang dienen. Der Ausgang soll eine vervollständigte Rasterkarte zum aktuellen Zeitpunkt darstellen, der z.B. den Sichtbereich des Sensors künstlich erweitert.
Zunächst sollst du dir einen Überblick über aktuelle Lernverfahren verschaffen. Um einen qualitativen Vergleich zu ermöglichen, sollen mindestens zwei methodisch verschiedene Ansätze (z.B. Autoencoder / Adversariale Netze) implementiert und evaluiert werden. Optional können hierbei auch Zeitreihen betrachtet werden. Weiterhin sollen grundlegende Verfahren zur Verbesserung der methodischen Ansätze (korreliertes Dropout, Auflösungsveränderungen) beschrieben, implementiert und evaluiert werden. Schließlich könnte ein geeignetes Verfahren auf unserem Versuchsfahrzeug implementiert und validiert werden.

Gerne beantworten wir dir unverbindlich Fragen zur Thematik, Referenzliteratur oder sonstigen Themen.