LiDAR-Based Object Tracking and Shape Estimation

Umfeldwahrnehmung stellt eine Grundvoraussetzung für den sicheren und komfortablen Betrieb automatisierter Fahrzeuge dar. Insbesondere bewegte Verkehrsteilnehmer in der unmittelbaren Fahrzeugumgebung haben dabei große Auswirkungen auf die Wahl einer angemessenen Fahrstrategie. Dies macht ein System zur Objektwahrnehmung notwendig, welches eine robuste und präzise Zustandsschätzung der Fremdfahrzeugbewegung und -geometrie zur Verfügung stellt.

Im Kontext des automatisierten Fahrens hat sich das Box-Geometriemodell über die Zeit als Quasistandard durchgesetzt. Allerdings stellt die Box aufgrund der ständig steigenden Anforderungen an Wahrnehmungssysteme inzwischen häufig eine unerwünscht grobe Approximation der tatsächlichen Geometrie anderer Verkehrsteilnehmer dar. ... mehrDies motiviert einen Übergang zu genaueren Formrepräsentationen.

In der vorliegenden Arbeit wird daher ein probabilistisches Verfahren zur gleichzeitigen Schätzung von starrer Objektform und -bewegung mittels Messdaten eines LiDAR-Sensors vorgestellt. Der Vergleich dreier Freiform-Geometriemodelle mit verschiedenen Detaillierungsgraden (Polygonzug, Dreiecksnetz und Surfel Map) gegenüber dem einfachen Boxmodell zeigt, dass die Reduktion von Modellierungsfehlern in der Objektgeometrie eine robustere und präzisere Parameterschätzung von Objektzuständen ermöglicht. Darüber hinaus können automatisierte Fahrfunktionen, wie beispielsweise ein Park- oder Ausweichassistent, von einem genaueren Wissen über die Fremdobjektform profitieren.

Es existieren zwei Einflussgrößen, welche die Auswahl einer angemessenen Formrepräsentation maßgeblich beeinflussen sollten: Beobachtbarkeit (Welchen Detaillierungsgrad lässt die Sensorspezifikation theoretisch zu?) und Modell-Adäquatheit (Wie gut bildet das gegebene Modell die tatsächlichen Beobachtungen ab?). Auf Basis dieser Einflussgrößen wird in der vorliegenden Arbeit eine Strategie zur Modellauswahl vorgestellt, die zur Laufzeit adaptiv das am besten geeignete Formmodell bestimmt.

Während die Mehrzahl der Algorithmen zur LiDAR-basierten Objektverfolgung ausschließlich auf Punktmessungen zurückgreift, werden in der vorliegenden Arbeit zwei weitere Arten von Messungen vorgeschlagen: Information über den vermessenen Freiraum wird verwendet, um über Bereiche zu schlussfolgern, welche nicht von Objektgeometrie belegt sein können. Des Weiteren werden LiDAR-Intensitäten einbezogen, um markante Merkmale wie Nummernschilder und Retroreflektoren zu detektieren und über die Zeit zu verfolgen.

Eine ausführliche Auswertung auf über 1,5 Stunden von aufgezeichneten Fremdfahrzeugtrajektorien im urbanen Bereich und auf der Autobahn zeigen, dass eine präzise Modellierung der Objektoberfläche die Bewegungsschätzung um bis zu 30%-40% verbessern kann. Darüber hinaus wird gezeigt, dass die vorgestellten Methoden konsistente und hochpräzise Rekonstruktionen von Objektgeometrien generieren können, welche die häufig signifikante Überapproximation durch das einfache Boxmodell vermeiden.

Environment perception is a primary prerequisite for the safe and comfortable operation of automated vehicles. In particular, moving traffic participants in the immediate proximity of an automated vehicle have significant influence on the inference of an appropriate driving policy. This motivates the demand for an object perception system that provides robust and accurate estimates of target object motion and geometry.

In the context of automated driving, the bounding box has traditionally been established as de-facto standard object model. Given the ever-increasing demands on perception systems, the box model often undesirably overapproximates the true geometry of other traffic participants, thus urging the transition to more detailed shape representations.
... mehr

This thesis proposes a probabilistic framework for the simultaneous estimation of rigid object shape and motion from LiDAR measurements. Comparing three free-form models with varying level of detail (polyline, triangle mesh and surfel map) against the baseline box model, it is shown that a reduction of geometric modelling errors allows for more robust and accurate object state estimates. Moreover, applications such as parking and evasive steering can profit from an improved knowledge about the object shape.

There are two principal factors governing the choice of an appropriate shape representation: Observability (“What level of model detail is the sensor theoretically able to populate?”) and model adequacy (“How effective is the model in representing the data?”). Therefore, an adaptive model switching strategy is proposed that selects an adequate representation at runtime, taking into account these factors.

While the majority of LiDAR-based tracking algorithms resorts to scan point observations only, two additional sources of measurement from LiDAR scans are introduced: Leveraging free-space information from LiDAR to reason about regions that must be free of object geometry as well as LiDAR intensities that allow to identify salient object features such as license plates and retroreflectors.

Extensive evaluation on more than 1.5h of object trajectories recorded in public urban and highway traffic shows that the precise modeling of object surface allows to improve the motion estimation by a margin of up to 30%-40%. Moreover, the method is able to produce consistent and high precision reconstructions of object shapes that avoid the often significant overapproximation of geometry by the simple box model.