Echtzeitfähige Schätzung generischer Linienzüge für das kartenlose automatisierte Fahren mittels Deep Learning

Im automatisierten Fahren werden üblicherweise hochgenaue Karten eingesetzt, um die Wahrnehmung zu unterstützen und zu ergänzen. Diese Karten sind aufwändig zu erstellen und veralten schnell, da sich die Verkehrswelt stets ändert. Daher wird die Karte immer mehr von Wahrnehmungsmodulen ergänzt oder ersetzt. Dies stellt neue Anforderungen an die Wahrnehmung: Um die Kartenschnittstelle eines automatisierten Systems durch Detektionen aus Sensordaten zu ersetzen, muss ein Wahrnehmungsmodul die Kartenmerkmale detektieren können. Bisher gibt es im Forschungsfeld keine geeigneten Ansätze, um insbesondere linienförmige Kartenelemente im urbanen Raum zu detektieren. Hier wird meist auf zu einfache Repräsentationen zurückgegriffen, die insbesondere Kreuzungen nicht abbilden können. Eine korrekte Fahrstreifenschätzung ist jedoch die essenzielle Grundvoraussetzung, um langfristig Karten zu ersetzen.

Diese Arbeit präsentiert einen Ansatz, der diese Lücke schließt. Dazu wird ein vorwärtsgerichtetes, neuronales Netz präsentiert, das beliebige Linienzüge durch eine Gitterstruktur diskretisiert in Echtzeit schätzen kann. Mit dieser Repräsentation lassen sich Fahrstreifenränder, Markierungen aber auch implizite Merkmale wie Mittellinien von Fahrstreifen detektieren. ... mehrDies war in einer vorwärtsgerichteten Netzarchitektur bisher nicht möglich.

Die breite Anwendbarkeit des Ansatzes wird auf Fahrstreifenmittellinien, Fahrstreifenrändern sowie den Markierungen sowohl auf Autobahnen als auch im innerstädtischen Bereich gezeigt. Mithilfe der Klassifikation jedes Liniensegments können verschiedenste Kartenmerkmale gleichzeitig identifiziert werden: Markierungen können nach ihrer Bedeutung (gestrichelt oder durchgezogen) klassifiziert oder Mittellinien von Fahrstreifenrändern unterschieden und gemeinsam prädiziert werden.

Der in dieser Arbeit vorgestellte Ansatz ermöglicht nicht nur aktuell relevante Anwendungen der Kartenwahrnehmung, Kartierung und Lokalisierung. Auch in zukünftigen, möglicherweise vollständig gelernten Systemen, behält die diskretisierte Darstellung von Kartenelementen ihre Relevanz.