Home | Impressum | Datenschutz | KIT

Prädiktion dynamischer Rasterkarten mithilfe lernbasierter Ansätze

Prädiktion dynamischer Rasterkarten mithilfe lernbasierter Ansätze
Forschungsthema:Rasterkarten, Deep Learning, Prädiktion, Free-space estimation
Typ:Masterarbeit
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. Dieses Modell soll sowohl den Zustand statischer als auch dynamischer Objekte unter Berücksichtigung der Qualität der Sensorik abbilden. 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 modellfreie Prädiktion des 2D-Belegungszustands auf Basis zurückliegender Beobachtungen. Als Eingangsdaten sollen dabei einerseits Szenen mit statischer Fahrzeugpose, andererseits Szenen mit veränderlicher, aber eigenbewegungskompensierter Fahrzeugpose verwendet werden. Die Ausgangsdaten sollen dann als Verteilungsfunktion darstellbar sein, die sich so z.B. zur Planung auf Basis von Potentialfeldern eignet.
Zunächst sollst du dir einen Überblick über aktuelle Lernverfahren verschaffen. Um einen qualitativen Vergleich zu ermöglichen, sollen mindestens zwei methodisch verschiedene Ansätze (z.B. CNN/RNN-basierte Encoder / Decoder) 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.