Startseite > Automotive > Assistenzsysteme > Mit Sensordatenfusion die Zukunft vorhersagen

ADAS und autonomes Fahren

Mit Sensordatenfusion die Zukunft vorhersagen

22. Mai 2023, 11:45 Uhr | Autor: Dr. Eric Richter, Redaktion: Irina Hübner

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 1

Die richtige Anzahl an Modellen

Anstelle eines Bewegungsmodells könnten andere Modelle besser geeignet sein:

Wenn die Sensordatenfusion beispielsweise abbiegende Fahrzeuge erkennen muss, sollten Modelle in Betracht gezogen werden, die die Krümmung einbeziehen, zum Beispiel das sogenannte Modell der konstanten Krümmung und Beschleunigung (Constant Curvature and Acceleration, CCA).
Wenn das gleiche Sensordatenfusionssystem auch Fußgänger erkennen soll, könnte ein Bewegungsmodell mit einem höheren Freiheitsgrad verwendet werden, zum Beispiel das Modell der konstanten Geschwindigkeit (Constant Velocity, CV).

Die Verwendung eines separaten Modells für jede Objektklasse kann die Leistung der Sensordatenfusion erheblich steigern, da die Objektvorhersagen und damit auch die Assoziation besser werden.

Hypothesen erstellen und eliminieren

Leider ist die Klasse eines Objekts dem Sensordatenfusionssystem oft nicht zuverlässig bekannt, wenn es sich um ein »neues« Objekt handelt, beispielsweise um ein Objekt, das in das Sichtfeld des Sensors eintritt. Ein Beispiel: Das Radar eines Systems erkennt das neue Objekt zuerst und liefert keine Klasseninformationen. Dann kann sich das System nicht für ein spezielles Bewegungsmodell entscheiden, da dieses falsch sein könnte und somit wiederum zu falschen Vorhersagen und Assoziationen führen würde.

Stattdessen sollte die Sensordatenfusion mehrere Hypothesen erstellen, eine für jede Klasse, die das System unterstützen soll. Eine Möglichkeit wäre eine Hypothese, die davon ausgeht, dass das Objekt ein Fahrzeug ist, unter Verwendung des CCA-Modells, und eine Hypothese, die davon ausgeht, dass das Objekt ein Fußgänger ist, unter Verwendung des CV-Modells. Dann lassen sich alle diese Hypothesen verwenden, um den Zustand des Objekts vorherzusagen.

Im Laufe der Zeit, wenn mehr Messungen eintreffen, sollte das Sensordatenfusionssystem die Mehrdeutigkeit im Modell so schnell wie möglich auflösen und damit Rechen- und Speicherressourcen sparen. Es gibt mehrere Möglichkeiten, ungültige Hypothesen zu eliminieren:

Es kann vorkommen, dass die tatsächliche Bewegung des Objekts nicht mit der Hypothese einer Bahn übereinstimmt. In einem solchen Fall können die Messungen in großem Abstand zur Hypothese erscheinen. Sensordatenfusionssysteme mit integrierter Existenzabschätzung verringern die Existenzwahrscheinlichkeit von Hypothesen, deren Messungen unwahrscheinlich sind. Wenn der Existenzwert unter einen bestimmten Wert fällt, wird die Hypothese entfernt.
Die Klasse des Objekts wird von einem Sensor, zum Beispiel einer Kamera, zu einem konkreten Zeitpunkt bestimmt. Hypothesen, die zu anderen Klassen gehören, können entfernt werden.

Zusätzlich zu dedizierten Bewegungsmodellen pro Objektklasse sollten die Erkennungs- und Messmodelle klassenspezifisch sein. Dadurch kann die Sensordatenfusion klassenspezifische Sensoreigenschaften berücksichtigen, und es können bessere Messvorhersagen ermittelt werden.

Die Leistung von Sensordatenfusionssystemen hängt von ihrer Fähigkeit ab, verschiedene Objektklassen vorherzusagen. Insbesondere sollten Sensordatenfusionssysteme klassenspezifische Bewegungsmodelle zur Berücksichtigung unterschiedlichen Objektverhaltens unterstützen sowie die Initialisierung von Objekten unter Verwendung mehrerer Hypothesen bewältigen.

Wichtig ist auch die Anwendung unterschiedlicher Sensormodelle in Abhängigkeit von der Objektklasse und die effiziente Handhabung der Hypothesen, um CPU- und Speicherressourcen zu sparen. Erst dann können Sensordatenfusionssysteme dem Gesamtsystem die richtigen Grundlagen liefern, um im Sinne einer maximalen Sicherheit die richtige automatische Fahrfunktion auszulösen.