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.


    Zugriff

    Zugriff über TIB

    Verfügbarkeit in meiner Bibliothek prüfen

    Bestellung bei Subito €


    Exportieren, teilen und zitieren



    Titel :

    Hochgenaue Fahrzeugeigenlokalisierung und kollektives Erlernen hochgenauer digitaler Karten


    Weitere Titelangaben:

    Precise vehicle self localization and collective learning of precise digital maps


    Beteiligte:
    Rauch, Sebastian (Autor:in) / Savkin, Artem (Autor:in) / Schaller, Thomas (Autor:in) / Hecker, Peter (Autor:in)


    Erscheinungsdatum :

    2012


    Format / Umfang :

    23 Seiten, 13 Bilder, 9 Quellen



    Medientyp :

    Aufsatz (Konferenz)


    Format :

    Print


    Sprache :

    Deutsch




    Hochgenaue Fahrzeuglokalisierung und kollektives Erlernen hochgenauer digitaler Karten

    Rauch,S. / Savkin,A. / Schaller,T. et al. | Kraftfahrwesen | 2012


    Kollektives Erlernen hochgenauer Strassenmodelle

    Rauch,S. / Aeberhard,M. / Hecker,P. et al. | Kraftfahrwesen | 2013




    Kollektives Erlernen eines hochgenauen Straßenmodells

    RAUCH SEBASTIAN | Europäisches Patentamt | 2022

    Freier Zugriff