Hochgenaues Kartenmaterial eröffnet eine Vielzahl neuer Möglichkeiten bei der Entwicklung zukünftiger Fahrerassistenzsysteme. Insbesondere autonome Fahrfunktion - wie das autonome Fahren auf Autobahnen - können von einer exakten Beschreibung der Straßen profitieren. Neben einem iterativem GraphSLAM-Verfahren zum kollektiven Erlernen von hochgenauen merkmalsbasierten Karten wurde eine Sensordatenfusion von Satelliten- und Landmarkennavigation - gestützt durch die zuvor generierten Karten - zur hochgenauen Eigenlokalisierung für autonome Fahrfunktion vorgestellt. Anhand eines Autobahntunnel- Szenarios wurde sowohl die Funktionsfähigkeit des GraphSLAM-Kartierungsverfahrens, als auch der Online-Eigenlokalisierung demonstriert.
Hochgenaue Fahrzeugeigenlokalisierung und kollektives Erlernen hochgenauer digitaler Karten
Precise vehicle self localization and collective learning of precise digital maps
2012
23 Seiten, 13 Bilder, 9 Quellen
Aufsatz (Konferenz)
Deutsch
Hochgenaue Fahrzeuglokalisierung und kollektives Erlernen hochgenauer digitaler Karten
Kraftfahrwesen | 2012
|Kollektives Erlernen hochgenauer Strassenmodelle
Kraftfahrwesen | 2013
|Automatische Aktualisierung digitaler Karten für die hochgenaue Lokalisierung autonomer Fahrzeuge
TIBKAT | 2020
|Kollektives Erlernen eines hochgenauen Straßenmodells
Europäisches Patentamt | 2022
|