Zukünftige Fahrerassistenzsysteme verfolgen die Vision, ein stressfreies und unfallfreies Autofahren zu ermöglichen. Dafür muss die von Sensoren erfasste Umfeldinformation, insbesondere die Information über andere Teilnehmer auf Straßen, zu einer korrekten Wahrnehmung der Fahrerassistenzsysteme verarbeitet werden. Diese wichtige Aufgabe übernimmt die Objektverfolgung. Eine zuverlässige Objektverfolgung ist die Grundlage einer umfangreichen Funktionalität der Fahrerassistenzsysteme. Die in aktuellen Fahrerassistenzsystemen eingesetzten Sensoren können allein stehend jedoch nicht die Objektinformation liefern, die notwendig ist, um die Anforderungen an die Objektverfolgung hinsichtlich Präzision und Größe des Erfassungsbereichs zu erfüllen. Die vorliegende Arbeit beschreibt eine neuartige Objektverfolgung durch Fusion von Radar- und Monokameradaten auf Merkmalsebene. Diese Merkmale sind beim Radar der gemessene Radialabstand, die gemessene Radialgeschwindigkeit und der grob geschätzte Lateralwinkel eines Objekts vor dem Radar. Bei der Monokamera sind es der gemessene Lateralwinkel und die gemessene Breite eines Objekts im Bild. Da diese Merkmale durch das Messverfahren bedingt verrauscht sind, werden in dieser Arbeit zuerst statistische Fehlermodelle der beiden Sensoren analysiert und nachgebildet. Weiterhin wird ein fahrzeugfestes, globales Koordinatensystem hergeleitet, um die Bewegung eines Objekts im Fahrzeugumfeld optimal zu beschreiben. Dieses wird mit existierenden Koordinatensystemen hinsichtlich der Performanz und der Eignung für eine Implementierung in einem Kfz-Steuergerät bewertet. Anschließend wird ein neues Assoziationsverfahren auf Basis der Probabilistic Data Association (PDA)-Methodik untersucht. Mit dem Verfahren wird die vom Radar wahrgenommene räumliche Information eines Objekts zusammen mit der von der Monokamera wahrgenommenen optischen Information diesem Objekt korrekt zugeordnet. Allerdings lässt sich die schnell veränderliche Objektdynamik auf einer realen Straße nicht durch ein einfaches Probabilistic Data Association Filter (PDAF) beschreiben. Daher werden in dieser Arbeit zwei Bewegungsmodelle in einem Interacting Multiple Model Filter (IMMF) mit einer vollständigen, adaptiven Modellierung der Objektdynamik in Längs- und Querrichtung verknüpft. Schließlich wird die Thematik Objektklassifikation sowie Gassenbreiteschätzung zwischen zwei Objekten, die für eine zuverlässige Kollisionserkennung eine große Bedeutung hat, beleuchtet. Die vorgestellte Objektverfolgung wurde in ein Versuchsfahrzeug integriert und kann in Echtzeit die im System geschätzte Position und Ausdehnung eines Objekts auf einem im Fahrzeug angebrachten Monitor demonstrieren. Die Testergebnisse vom Testplatz und auf realen Straßen belegen, dass die neu entwickelte Objektverfolgung einen wichtigen Beitrag liefert, um die hohen Anforderungen zukünftiger Fahrerassistenzsysteme in realen Verkehrssituationen erfüllen zu können.
Future driver assistance systems pursue the vision of making it possible to drive free of stress and without accidents. Therefore the environment information collected by sensors, particularly the information about other participants on streets and obstacles close to the road side, must be processed for a correct interpretation of the driver assistance systems. Object tracking takes over this important task. A reliable object tracking is the basis for extensive functions of the driver assistance systems. To fulfill the requirements of the object tracking with regard to precision and the size of the field of view, only a multiple sensor system can provide sufficient object information. The present work describes a new object tracking by fusion of data coming from a radar sensor and mono camera at feature level. Regarding the radar sensor, preprocessed features are the radial distance, measured radial velocity and roughly estimated lateral angle of an object in front of the radar. With the mono camera the preprocessed features are the lateral angle and measured width of an object in the camera image. During the measurement procedure these features are interfered by several noises. Therefore statistical error models of both sensors are analyzed and simulated. Furthermore a vehicle-fixed, global coordinate system is derived to describe the movement of an object in the vehicle environment optimally. This is evaluated with existing coordinate systems with regard to the performance and the applicability in an electronic control unit. Afterwards a new association method is developed on the basis of Probabilistic Data Association (PDA). With this method both the spatial information collected by the radar and the optical information gained by the mono camera is matched to this object correctly. Since the object dynamics on real streets are quickly changing, it cannot be described by a simple PDA filter. Therefore, two dynamic models are combined together in this work in a Interacting multiple model filter (IMMF) with an adaptive modeling of the object dynamics in the longitudinal direction and the lateral direction. Finally, object classification as well as estimation of the gap width between obstacles is researched which has quite an importance for reliable collision detection. The presented object tracking was integrated into a test vehicle and can demonstrate the appropriate estimation of position and dimension of an object. The results from experiments on a test area and on real streets prove that the developed object tracking does an important contribution to fulfill the high requirements of future driver assistance systems in real traffic situations.
Objektverfolgung durch Fusion von Radar- und Monokameradaten auf Merkmalsebene für zukünftige Fahrerassistenzsysteme
2010
149 Seiten, Bilder, Tabellen, 51 Quellen
Theses
German
GWLB - Gottfried Wilhelm Leibniz Bibliothek | 2010
|Radar basiertes ACC und weitere zukünftige Fahrerassistenzsysteme
Tema Archive | 2002
|