nach oben

Erschienen in:

2015 | OriginalPaper | Buchkapitel

25. Repräsentation fusionierter Umfelddaten

verfasst von : Klaus Dietmayer, Prof. Dr.-Ing., Dominik Nuß, Dipl.-Ing., Stephan Reuter, Dipl.Ing.

Erschienen in: Handbuch Fahrerassistenzsysteme

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Unter einer Fahrzeugumgebungsrepräsentation, häufig auch als Fahrzeugumfeldmodell bezeichnet, versteht man eine dynamische Datenstruktur, in der alle relevanten Objekte und Infrastrukturelemente in der Nähe des eigenen Fahrzeugs möglichst korrekt in Ort und Zeit in einem gemeinsamen Bezugssystem enthalten sind. Die Erfassung und zeitliche Verfolgung der Objekte und Infrastrukturelemente erfolgen hierbei fortlaufend durch geeignete, in der Regel fusionierte bordeigene Sensoren wie Kameras und Radare (siehe Kap. 17–21). Zukünftig werden in diese Fusion vermehrt Informationen hochgenauer, attribuierter digitaler Karten sowie ggf. auch externe Informationen, basierend auf Car2x-Kommunikation, einfließen können. Abb. 25.1 zeigt beispielhaft Komponenten, die eine Fahrumgebungsrepräsentation enthalten können.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Fusion umfelderfassender Sensoren

Nächstes Kapitel Datenfusion für die präzise Lokalisierung

BarShalom, Y., Fortmann, T.: Tracking and Data Association. Academic Press, Boston (1988)

Thrun, S.: Probabilistic Robotic. The MIT Press, Cambridge MA 02142-1209, USA (2005)

Mahler, R.: Multitarget Bayes filtering via first‐order multitarget moments. IEEE Transactions on Aerospace and Electronic Systems 39.4, 1152–1178 (2003)CrossRef

Kalman, R.: A new approach to linear filtering and prediction problems. Transactions of the ASME. Journal of Basic Engineering 82, 35–45 (1960)CrossRef

Julier, S., Uhlmann, J., Durrant-Whyte, H.: A new method for the nonlinear transformation of means and covariances in filters and estimators. IEEE Transactions on Automatic Control 45.3, 477–482 (2000)CrossRefMathSciNet

Bar-Shalom, Y., Tse, E.: Tracking in a cluttered environment with probabilistic data association. Automatica 11, 451–460 (1975)CrossRefMATH

Musicki, D., Evans, R.: Joint Integrated Probabilistic Data Association. JIPDA, IEEE Transactions on Aerospace and Electronic Systems 40.3, 1093–1099 (2004)CrossRef

Munz, M.: Generisches Sensorfusionsframework zur gleichzeitigen Zustands‐ und Existenzschätzung für die Fahrzeugumfelderfassung. PhD Thesis. Ulm University, Ulm (2011)

Mahler, R.: Statistical Multisource‐Multitarget Information Fusion. Artech House, Boston (2007)MATH

10.

Reuter, S., Wilking, B., Wiest, J., Munz, M., Dietmayer, K.: Real‐time multi‐object tracking using random finite sets. IEEE Transactions on Aerospace and Electronic Systems 49.4, 2666–2678 (2013)CrossRef

11.

Vo, B.-T., Vo, B.-N., Cantoni, A.: The cardinality balanced multi‐target multi‐Bernoulli filter and its implementations. IEEE Transactions on Signal Processing 57.2, 409–423 (2009)MathSciNet

12.

Reuter, S., Meissner, D., Wilking, B., Dietmayer, K.: Cardinality balanced multi‐target multi‐Bernoulli filtering using adaptive birth distributions. In: Proceedings of the 16th International Conference on Information Fusion, S. 1608–1615. (2013)

13.

Stiller, C., Puente León, F., Kruse, M.: Information Fusion for automotive applications – an overview. Information Fusion 12.4, 244–252 (2011)CrossRef

14.

Vo, B.-T., Vo, B.-N.: Labeled Random Finite Sets and Multi‐Object Conjugate Priors. IEEE Transactions on Signal Processing 61, 3460–3475 (2013)CrossRefMathSciNet

15.

Reuter, S., Vo, B.-T., Vo, B.-N., Dietmayer, K.: The Labeled Multi‐Bernoulli Filter IEEE Transactions on Signal Processing. (2014)

16.

Skog, I., Handel, P.: In‐Car Positioning and Navigation Technologies: A Survey. IEEE Transactions on Intelligent Transportation Systems 10.1, 4–21 (2009)CrossRef

17.

Levinson, J., Thrun, S.: Robust vehicle localization in urban environments using probabilistic maps IEEE International Conference on Robotics and Automation (ICRA)., S. 4372–4378 (2010)

18.

Mattern, N., Schubert, R., Wanielik, G.: High‐accurate vehicle localization using digital maps and coherency images. In: IEEE Intelligent Vehicles Symposium, Bd. IV, S. 462–469. (2010)

19.

Schindler, A.: Vehicle self‐localization with high‐precision digital maps. In: Intelligent Vehicles Symposium Workshops, Bd. IV Workshops, S. 134–139. (2013)

20.

Konrad, M., Nuss, D., Dietmayer, K.: Localization in Digital Maps for Road Course Estimation using Grid Maps. In: IEEE Intelligent Vehicles Symposium, Bd. IV, S. 87–92. (2012)

21.

Elfes, A.: Using occupancy grids for mobile robot perception and navigation. IEEE Computer 22.6, 46–57 (1989)CrossRef

22.

Nuss, D., Wilking, B., Wiest, J., Deusch, H., Reuter, S., Dietmayer, K.: Decision‐Free True Positive Estimation with Grid Maps for Multi‐Object Tracking. In: IEEE Conference on Intelligent Transportation Systems (ITSC), S. 28–34. (2013)CrossRef

23.

Petrovskaya, A., Perrollaz, M., Oliveira, L., Spinello, L., Triebel, R., Makris, A., Yoder, J.-D., Laugier, C., Nunes, U., Bessiere, P.: Awareness of road scene participants for autonomous driving. Handbook of Intelligent Vehicles. Ed. Springer, London, S. 1383–1432 (2012)

24.

Scaramuzza, D., Fraundorfer, F.: Visual odometry [tutorial]. Robotics and Automation Magazine, IEEE 18(4), 80–92 (2011)CrossRef

25.

Mayr, R.: Regelungsstrategien für die automatische Fahrzeugführung. Springer, Berlin Heidelberg (2001)CrossRef

26.

Shafer, G.: A Mathematical Theory of Evidence. Princeton University Press, Princeton (1976)MATH

27.

Zou, Y., Yeong, K.H., Chin, S.C., Xiao, W.Z.: Multi‐ultrasonic sensor fusion for autonomous mobile robots. Sensor Fusion: Architectures, Algorithms and Applications IV Proceedings of SPIE, Bd. 4051., S. 314–321 (2000)

28.

Effertz, J.: Sensor Architecture and Data Fusion for Robotic Perception in Urban Environments at the 2007 DARPA Urban Challenge Conference on Robot Vision (RobVis). Springer, Berlin Heidelberg, S. 275–290 (2008)

29.

Nuss, D., Reuter, S., Konrad, M., Munz, M., Dietmayer, K.: Using grid maps to reduce the number of false positive measurements in advanced driver assistance systems. In: IEEE Conference on Intelligent Transportation Systems (ITSC), S. 1509–1514. (2012)

30.

Konrad, M., Szczot, M., Schüle, F., Dietmayer, K.: Generic grid mapping for road course estimation. In: IEEE Intelligent Vehicles Symposium, Bd. IV, S. 851–856. (2011)

31.

Schmid, M.R., Mählisch, M., Dickmann, J., Wünsche, H.-J.: Dynamic level of detail 3d occupancy grids for automotive use. In: IEEE Intelligent Vehicles Symposium, Bd. IV, S. 269–274. (2010)

32.

Coué, C., Pradalier, C., Laugier, C., Fraichard, T., Bessiere, P.: Bayesian Occupancy Filtering for Multitarget Tracking: an Automotive Application. International Journal of Robotics Research 25.1, 19–30 (2006)CrossRef

33.

Baig, Q., Perrollaz, M., Nascimento, J.B.D., Laugier, C.: Using fast classification of static and dynamic environment for improving Bayesian occupancy filter (BOF) and tracking. In: International Conference on Control Automation Robotics Vision (ICARCV), S. 656–661. (2012)

34.

Gindele, T., Brechtel, S., Schroder, J., Dillmann, R.: Bayesian occupancy grid filter for dynamic environments using prior map knowledge. In: IEEE Intelligent Vehicles Symposium, Bd. IV, S. 669–676. (2009)

35.

Wang, C.-C., Thorpe, C., Thrun, S., Hebert, M., Durrant-Whyte, H.: Simultaneous localization, mapping and moving object tracking. International Journal of Robotics Research 26.9, 889–916 (2007)CrossRef

36.

Bouzouraa, M., Hofmann, U.: Fusion of occupancy grid mapping and model based object tracking for driver assistance systems using laser and radar sensors. In: IEEE Intelligent Vehicles Symposium, Bd. IV, S. 294–300. (2010)

37.

Nuss, D., Stuebler, M., Dietmayer, K.: Consistent Environmental Modeling by Use of Occupancy Grid Maps, Digital Road Maps, and Multi‐Object Tracking. In: IEEE Intelligent Vehicles Symposium, Bd. IV. (2014)

38.

Deusch, H., Nuss, D., Konrad, P., Konrad, M., Fritzsche, M., Dietmayer, K.: Improving Localization in Digital Maps with Grid Maps. In: IEEE Conference on Intelligent Transportation Systems (ITSC), S. 1522–1527. (2013)CrossRef

Titel: Repräsentation fusionierter Umfelddaten
verfasst von: Klaus Dietmayer, Prof. Dr.-Ing.
Dominik Nuß, Dipl.-Ing.
Stephan Reuter, Dipl.Ing.
Verlag: Springer Fachmedien Wiesbaden
Buch: Handbuch Fahrerassistenzsysteme
Print ISBN: 978-3-658-05733-6

Electronic ISBN: 978-3-658-05734-3

Copyright-Jahr: 2015
DOI: https://doi.org/10.1007/978-3-658-05734-3_25

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Premium Partner