Schwerpunkte

Implementierung in einem DSP

SLAM für autonome Fahrzeuge

23. Januar 2020, 11:30 Uhr   |  Von Amol Borkar

SLAM für autonome Fahrzeuge
© Akarat Phasura | Shutterstock

Allein GPS reicht für autonom fahrende Automobile nicht aus. Die DSP-basierende SLAM-Systeme lösen die damit verbunden Aufgaben.

Automatisierte Fahrzeuge stützen sich viele Sensoriksysteme, um ihre exakte Position und Ausrichtung im räumlichen Umfeld zu berechnen – allein GPS reicht dafür bei weitem nicht aus. Aber DSP-basierende Simultaneous-Localization-and-Mapping-Systeme lösen die damit verbundenen Aufgaben.

Als die ersten Autos auf den Markt kamen, wurden diese nur für Transportaufgaben genutzt. Dies war revolutionär, veränderte unser Leben und es kamen weitere Innovationen hinzu. Die Autos wurden dann immer intelligenter, beginnend mit Fahrerassistenzsystemen wie Antiblockiersystemen (ABS) und Servolenkung. Inzwischen sind künstliche Intelligenz (KI) und autonomes Fahren nicht mehr fern. Ein wichtiger Aspekt für autonomes Fahren ist die Fähigkeit, den Standort und die Bewegung des Fahrzeugs zu verfolgen.

GPS-Genauigkeit reicht heute nicht mehr

Mit der Einführung der GPS-Technologie für Automobile in den 90er-Jahren wurde die Verfolgung der Bewegung deutlich vereinfacht. Diese Technologie öffnete die Türen für verschiedene Anwendungen aus den Bereichen Navigation und Routenplanung. GPS hat allerdings gewisse Einschränkungen. Es bietet nur eine Genauigkeit von einigen Metern, wodurch es nur für Anwendungen geeignet ist, in denen keine kleinen oder »Mikrobewegungen« aufgezeichnet werden müssen. Und in Bereichen, wo der Zugriff auf die GPS-Satelliten eingeschränkt ist (z.B. Städte mit hohen Gebäuden, Bergen usw.), stehen keine GPS-Daten zur Verfügung, sodass auch dort kein Einsatz möglich ist. Da Fahrzeuge immer »autonomer« werden und nun auch ihre Umgebung wahrnehmen können, ist künftig zusätzlich die Verfolgung dieser Mikrobewegungen erforderlich; und deshalb wird eine Technologie benötigt, die in dieser Hinsicht mehr bieten kann als GPS.

 SLAM umfasst die Verfolgung innerhalb von sechs Freiheitsgraden (6DoF), die sich aus drei Graden für die Position (hoch/runter, vorwärts/rückwärts, und links/rechts) und drei für die Orientierung (Gieren, Nicken und Rollen) zusammensetzen
© Cadendce

Bild 1. SLAM umfasst die Verfolgung innerhalb von sechs Freiheitsgraden (6DoF), die sich aus drei Graden für die Position (hoch/runter, vorwärts/rückwärts, und links/rechts) und drei für die Orientierung (Gieren, Nicken und Rollen) zusammensetzen.

Mit Hilfe von SLAM (Simultaneous Localization and Mapping, Simultane Positionsbestimmung und Kartenerstellung) ist eine Orientierung innerhalb weniger Zetimeter ohne eine Satellitenverbindung möglich. SLAM ist ein Berechnungsproblem, bei dem eine Karte in einer unbekannten Umgebung erstellt werden muss, während gleichzeitig kontinuierlich die Position (Standort und Orientierung) innerhalb dieser Umgebung zu ermitteln ist. SLAM umfasst die Verfolgung innerhalb von sechs Freiheitsgraden (6DoF), die sich aus drei Graden für die Position (hoch/runter, vorwärts/rückwärts und links/rechts) und drei für die Orientierung (Gieren, Nicken und Rollen) zusammensetzen, um die Position in einer Umgebung zu ermitteln (Bild 1).

Einsatzmöglichkeiten für SLAM

SLAM lässt sich vielfältig einsetzen, zum Beispiel für Mapping-Anwendungen. SLAM kann genutzt werden, um festzustellen, in welche Richtung man in einer Umgebung blickt – zum Beispiel nach Nordwesten auf eine Kreuzung; dann kann die Anwendung mitteilen, dass man nach rechts oder links abbiegen soll. Eine einfache GPS-Berechnung kann nur aussagen, dass man an einer Kreuzung steht. Die Anwendung weiß nicht, in welche Richtung man blickt. Sie kann das erst, wenn man bereits in die falsche Richtung gegangen ist.

Durch die Ermöglichung einer Standorterkennung hat SLAM schnell eine wichtige Rolle im Bereich »Embedded Vision« eingenommen. Mit SLAM kann ein Fahrzeug nicht nur verfolgen wohin es fährt oder in welche Richtung (Orientierung), sondern auch wie es sich innerhalb seines Umfelds (Position, Geschwindigkeit und Höhe) bewegt.

Berechnungen für SLAM wurden typischerweise mit Kamerasensoren als einziger Form der Dateneingabe durchgeführt. Dies wurde als »Visual SLAM« (VSLAM) bezeichnet. Da aber in den letzten Jahren weitere Sensoren verfügbar wurden, kam es bei SLAM zu einer Verschmelzung mit zusätzlichen Sensoreingängen.
Ein SLAM-System arbeitet über die Verfolgung einer Reihe von Punkten in aufeinander folgenden Kameraframes sowie mit anderen Sensordaten. Mittels Triangulation wird die 3D-Position der Kamera ermittelt, wobei gleichzeitig diese Information genutzt wird, um die Orientierung der Kamera (oder eines anderen Sensors) zu ermitteln. Solange eine ausreichende Anzahl von Punkten vorhanden ist, die durch die Frames verfolgt werden können, lässt sich sowohl die Orientierung der Sensoren als auch die Struktur der physischen Umgebung schnell erfassen.

Autonome Fahrzeuge müssen viele Sensoren und Kameras nutzen, um ihre Umgebung wahrzunehmen
© Cadendce

Bild 2. Autonome Fahrzeuge müssen viele Sensoren und Kameras nutzen, um ihre Umgebung wahrzunehmen.

Beispielsweise nutzt bei einer Implementierung in einem Auto das SLAM-System eine Kombination von einer oder mehreren vorwärtsblickenden Kameras, Radar, Lidar oder Trägheitsmesseinheiten (IMU, Innertial Measurement Unit). Letztere stellen die Daten von Beschleunigungsmessern und Gyroskopen als Eingangsdaten zur Verfügung, um die Orientierung des Sensors abzuschätzen. SLAM wird für die Bestimmung der Bewegung eines Fahrzeugs in seiner Umgebung genutzt. Und wenn GPS-Daten verfügbar sind, können diese verwendet werden, um die Positionsschätzung zu bestärken.

Bild 2 zeigt ein Beispiel, bei dem eine Vielzahl von Sensoren, wie z.B. Kamera, Lidar und Radar, um das Fahrzeug herum montiert sind, und als Eingabe für SLAM verwendet werden können.

Einige ganz typische SLAM-Anwendungen

SLAM ist eine wichtige Komponente in vielen Anwendungen, die für eine Fahrerunterstützung und autonom fahrende Fahrzeuge genutzt werden. Einige dieser Anwendungen sind:

  • Spurhalteassistent (und Warnung beim Verlassen der Spur): Neben der Erkennung von Fahrbahnmarkierungen wird SLAM auch dafür eingesetzt, das Fahrzeug sicher innerhalb der Spur zu halten, und um einen sicheren Spurwechsel durchzuführen.
  • Navigation: Durch die Erkennung der Umgebung in Kombination mit einer geplanten Route und GPS-Daten kann sich das Fahrzeug mittels SLAM selbst zu seinem Bestimmungsort leiten.

Vorausschauende Kollisionswarnung: In Kombination mit SLAM können der Pfad oder die Bahn des aktuellen Fahrzeugs für eine robustere Kollisionswarnung genutzt werden.

Seite 1 von 2

1. SLAM für autonome Fahrzeuge
2. Markttrends bei SLAM

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Vier Megatrends beeinflussen die Entwicklung von Bauelementen
5G-Kommunikationstechnik für den chinesischen Markt
Kinto als neue Marke für Mobilitätsdienste in Europa
Socionext Remote Display-Controller für sicherere Anwendungen
First Sensor kooperiert mit LeddarTech
Sichere Vernetzungslösungen im Fokus

Verwandte Artikel

Cadence Design Systems GmbH