Die Erfassung von Vorgängen in der Fahrumgebung ist eine wesentliche Voraussetzung für die Realisierbarkeit zukünftiger Fahrassistenzsysteme (FAS). Solche Vorgänge können anhand verschiedener Sensoren ermittelt werden. Dabei müssen die Zuverlässigkeit dieser Information und deren Verarbeitungsmethoden, abhängig von den FAS-Anforderungen, gewährleistet sein. In diesem Zusammenhang entsteht eine wichtige Fragestellung: Wie kann die Information von diversitären und teilweise redundanten Sensoren genutzt werden, um eine maximale Leistungsfähigkeit zu erreichen? Die Sensoren müssen so kombiniert werden, dass sie kooperieren, sich ergänzen und konkurrieren können. Durch Sensordaten-Fusion und Multiple Target Tracking wird die Information unterschiedlicher Sensoren vereinigt, die Robustheit und Redundanz erhöht und 'neue' Information basierend auf Modellannahmen und Hypothesen abgeleitet. Ein weiterer wichtiger Aspekt ist, die Zuverlässigkeit der Fahrumgebungsinformation trotz Sensorfehlfunktionen zu garantieren. Sensorfehler müssen schnellstmöglich erkannt und isoliert werden. Fehlerdetektions- und Fehlerisolierungsmethoden (engl. Fault Detection and Identification-FDI) bieten verschiedene wissensbasierte Verfahren, die auf analytischen oder heuristischen Informationen beruhen. Sensordaten- Fusion und FDI-Methoden ermöglichen u.a. die Evaluierung der Fahrumgebungsinformation. Beide Ansätze können sich ergänzen und gegenseitig überwachen, da sie teilweise gemeinsame Ziele und Strategien aufweisen und sich effizient miteinander integrieren lassen. Durch die Kombination und Weiterentwicklung beider Methoden kann eine höhere Zuverlässigkeit von Fahrerassistenzsystemen erreicht werden. Das Ziel dieser Arbeit ist es, eine neue Methode zu präsentieren, die die Eigenschaften von Sensordaten- Fusion, Multiple Target Tracking und FDI- Strategien vorteilhaft nutzt. Dies soll nicht nur die Erhöhung der Zuverlässigkeit der erfassten Fahrumgebungsinformation, sondern auch die weitere Verbesserung spezifischer FAS (ACC, Bremsassistent, usw.) ermöglichen. Der vorgeschlagene Ansatz basiert auf der Analyse der erfassten Sensordaten. Aus diesen Messdaten werden relevante Merkmale extrahiert, die zu deren Klassifizierung dienen. Merkmale auf der Messwertebene werden in drei Kategorien aufgeteilt: Merkmale aus Messdaten, Merkmale aus der Vergangenheitsbetrachtungen erkannter Objekte, Merkmale aus der Vergangenheitsbetrachtungen von Sensoreigenschaften. Anhand der extrahierten Merkmale und deren Kombination werden Messdaten unterschiedlichen Hypothesen zugeordnet. Diese Zuordnung wird unterstützt durch mathematische Modelle, die bestimmte Erwartungen an das Verhalten der Daten beschreiben. Ein zeitlich zusammenhängendes Set von Eigenschaften eines Objektes (z.B. Position, Geschwindigkeit) wird als Track bezeichnet. Durch die Kombination von Messdatenhypothesen unterschiedlicher Messdaten mit den extrahierten Track-Merkmalen kann die nächste Hypothesenebene (Information ist einem Track zuordenbar; Information ist keinem Track zuordenbar) bestimmt werden. Analog zur Messdatenklassifizierung werden Symptome für Track-Hypothesen anhand mathematischer Modelle berechnet. Auf den beschriebenen Ebenen werden Hypothesen in jedem Zyklus klassifiziert, die den dynamischen Teil des vorgeschlagenen Ansatzes bilden. Im quasistationären Teil werden die Sensorfehlerhypothesen bestimmt.
Current trends in automotive industry focus on efforts to increase safety, efficiency, convenience and comfort of driving making use of intelligent advanced driver assistance systems (ADAS). An essential requirement for the implementation of such systems consists of acquiring and identifying relevant events in the driving environment. This kind of events can be acquired by sensor devices. In order to assure required quality and availability levels for several ADAS and thus a safe driver support, a sufficient reliability level of the acquired sensor information and of its processing mechanisms and methods have to be achieved. In this sense an important aspect consists of combining the information of dissimilar sensors in order to extract a maximum of their potentialities. Sensor devices have to be combined in such a form that they can cooperate, complement and supervise each other. Sensor data fusion and Multiple Target Tracking (MTT) methods can connect different sources of information, increase robustness and redundancy and derivate 'new' information according to model assumptions and hypotheses. A further relevant aspect consists of assuring a required reliability of driving environment information even in the presence of sensor anomalies. Sensor failures and faults have to be quickly identified and if possible isolated. Fault detection and identification methods (FDI) offer different knowledge-based procedures that are based on analytical and heuristic information. By means of the combination and further development of sensor data fusion and FDI strategies, driving environment information can be evaluated regarding its relevancy as well as correctness. In doing so a higher information reliability can be guaranteed for the implementation of ADAS. Both methods can complement and supervise each other due to they exhibit similar strategies, which will be explored along this thesis. The main goal of this work consists of developing and validating a concept for improving quality, integrity of the acquired driving environment information. A prerequisite is the detection and to some extent the identification of sensor faults and failures that are relevant for the reliable implementation of ADAS. For these purposes several sensor data fusion and multiple target tracking methods along with fault detection and identification techniques will be investigated, adapted and further developed. The focus of this work consists of founding a solution on how to perform the tracking of multiple targets acquired by dissimilar and to some extent redundant sensors while sensor faults and failures can be detected and identified. Thus a synergy of MTT and FDI mechanisms will be determined. Relevant is also the level of integration of both strategies and how they can cooperate in order to highlight their advantages as well as attenuate their weaknesses.
Reliability and safety improving methods for the evaluation of driving environment information. Multiple fault and target tracking for radar and lidar based sensors
Methoden zur Verbesserung von Zuverlässigkeit und Sicherheit bei der Erfassung der Information über die Fahrumgebung. Mehrfach-Fehler- und Target-Tracking für radar- und lidar-basierte Sensoren
2009
170 Seiten, Bilder, Tabellen, Quellen
Theses
English
Multiple Vehicle-like Target Tracking Based on the Velodyne LiDAR
Tema Archive | 2013
|Lidar sensors for autonomous driving
SPIE | 2020
|British Library Conference Proceedings | 2013
|Fully Adaptive Radar for Multiple Target Tracking
IEEE | 2022
|