Lane and Road Marking Detection with a High Resolution Automotive Radar for Automated Driving

Die Automobilindustrie erlebt gerade einen beispiellosen Wandel, und die Fahrerassistenz und das automatisierte Fahren spielen dabei eine entscheidende Rolle. Automatisiertes Fahren System umfasst haupts\"achlich drei Schritte: Wahrnehmung und Modellierung der Umgebung, Fahrtrichtungsplanung, und Fahrzeugsteuerung. Mit einer guten Wahrnehmung und Modellierung der Umgebung kann ein Fahrzeug Funktionen wie intelligenter Tempomat, Notbremsassistent, Spurwechselassistent, usw. erfolgreich durchf\"uhren. F\"ur Fahrfunktionen, die die Fahrpuren erkennen m\"ussen, werden gegenw\"artig ausnahmslos Kamerasensoren eingesetzt. ... mehrBei wechselnden Lichtverh\"altnissen, unzureichender Beleuchtung oder bei Sichtbehinderungen z.B. durch Nebel k\"onnen Videokameras aber empfindlich gest\"ort werden. Um diese Nachteile auszugleichen, wird in dieser Doktorarbeit eine \glqq Radar\textendash taugliche\grqq{} Fahrbahnmakierungerkennung entwickelt, mit der das Fahrzeug die Fahrspuren bei allen Lichtverh\"altnissen erkennen kann. Dazu k\"onnen bereits im Fahrzeug verbaute Radare eingesetzt werden. Die heutigen Fahrbahnmarkierungen k\"onnen mit Kamerasensoren sehr gut erfasst werden. Wegen unzureichender R\"uckstreueigenschaften der existierenden Fahrbahnmarkierungen f\"ur Radarwellen werden diese vom Radar nicht erkannt. Um dies zu bewerkstelligen, werden in dieser Arbeit die R\"uckstreueigenschaften von verschiedenen Reflektortypen, sowohl durch Simulationen als auch mit praktischen Messungen, untersucht und ein Reflektortyp vorgeschlagen, der zur Verarbeitung in heutige Fahrbahnmakierungen oder sogar f\"ur direkten Verbau in der Fahrbahn geeignet ist. Ein weiterer Schwerpunkt dieser Doktorarbeit ist der Einsatz von K\"unstliche Intelligenz (KI), um die Fahrspuren auch mit Radar zu detektieren und zu klassifizieren. Die aufgenommenen Radardaten werden mittels semantischer Segmentierung analysiert und Fahrspurverl\"aufe sowie Freifl\"achenerkennung detektiert. Gleichzeitig wird das Potential von KI\textendash tauglichen Umgebungverstehen mit bildgebenden Radardaten aufgezeigt.

The automotive industry is currently undergoing an unprecedented revolution, and the advanced driver assistance and automated driving technologies are the most influencing factors that are pushing this transformation forward. Automated driving system consists mainly of three steps: environmental perception, route planning, and driving action. As the first stage of the whole system, the perception step that extracts relevant information from the driving environment, plays an essential role for the subsequent stages and the whole system performance. With a good perception, the vehicle is able to accomplish functions like Adaptive Cruise Control, Automatic Emergency Braking, Lane Change Assist, etc. ... mehrFor the lane-related functions, the video camera sensors are mainly employed in most of the production vehicles nowadays. However, such sensor works reliably only under optimal lighting conditions. When the vehicle encounters a scenario with a sudden change of the lighting strength, a low illuminated environment, or limited visibility, such video sensors may be blinded. To complement the shortcomings of the video camera sensors, this dissertation tries to find out the feasibility of lane detection with automotive radar sensor\textendash a sensor that is not influenced by any lighting conditions and is already massively equipped in production vehicles. To detect the lanes, the road marking painted with color is an important component for video camera sensors. However, such road markings are not able to provide sufficient reflection power to the radar sensors, indicating that an appropriate modification of such road marking is necessary in order to be able to detect them with radar sensors. To accomplish this task, this dissertation aims to analyze the scattering properties of various radar reflectors, both with simulation and on\textendash road measurements, and to propose the most suitable reflector type that can be integrated into the road marking or the road. As machine learning enables the vehicle to understand the environment with image\textendash like data collected by video camera sensors, this dissertation proves the capability and potential of such methods for radar data, especially for radar\textendash based lane determination.