Automatisiertes Fahren im Silent-Mode (AUSM)
Die Interaktion von Testfahrzeugen mit der realen Umgebung spielt im Bereich der Automobilforschung eine wesentliche Rolle. Sie bildet eine solide Grundlage für das Testen und Verbessern verschiedener Algorithmen, die für das autonome Fahren entwickelt werden. Allerdings muss eine gut ausgestattete Test-Toolchain geschaffen werden, um das Testfahrzeug von der Teststrecke in die reale Umgebung zu bringen.
Die Grundidee des Projekts besteht darin, ein System zu entwickeln, bei dem ein Online-Trajektorienplaner eine befahrbare Trajektorie für das Testfahrzeug berechnet, während dieses manuell auf den Straßen gefahren wird.
Eine Fahrkarte für die Straßen wird anhand einer HD-Karte erstellt, bei der es sich um ein miteinander verbundenes Netzwerk von Straßenabschnitten handelt, das zusätzliche statische Umgebungsinformationen enthält. Die Karte dient als Grundlage für die Erstellung von Fahrrouten für das Testfahrzeug unter Berücksichtigung anderer Straßenmerkmale wie Geschwindigkeitsbegrenzungen, Verkehrsregeln usw. Die Lokalisierung des Testfahrzeugs erfolgt mithilfe einer inertialen Messeinheit (IMU) mit DGNSS (Differential Global Navigation Satellite System), die aktualisierte Fahrzeuginformationen wie Position, Geschwindigkeit und Beschleunigung im globalen Koordinatensystem liefert. Darüber hinaus werden Informationen über die Umgebung und andere dynamische Objekte auf den Straßen durch zusätzliche Sensoren wie Kameras gewonnen, die am Testfahrzeug installiert sind. Objektlisten liefern Informationen über den Status relevanter Objekte, einschließlich ihrer Position und Geschwindigkeit. Zu den relevanten Objekten zählen insbesondere andere Verkehrsteilnehmer. Die Rohdaten der Sensoren werden mit Hilfe von Techniken des maschinellen Lernens verarbeitet. Zur Objekterkennung und Erstellung von Objektlisten werden die Rohdaten als Input für das Training tiefer neuronaler Netze verwendet.
Die von verschiedenen Sensoren erhaltene Objektliste wird dann auf der Grundlage eines gemeinsamen Zeitstempels zusammengeführt. Diese generierten Daten werden anschließend als Eingabe für die Online-Planung der gewünschten Fahrbahn für einen zukünftigen Zeitraum verwendet. Danach kann ein Vergleich zwischen der tatsächlich gefahrenen Fahrbahn und der vom Fahrbahnplaner generierten Fahrbahn durchgeführt werden. Auf diese Weise können viele reale Verkehrsdaten gesammelt werden, die zur Verbesserung der Fahrbahnplanung von Fahrzeugen für hochautomatisiertes Fahren verwendet werden können.
