Von Riadh Dhaoui (infoteam Software AG)
Der motorisierte Transport hat unser Leben verändert. Autonome Fahrzeuge stehen kurz davor, dies noch einmal zu tun. Die Evolution unseres Transports – von Pferden und Kutschen über Autos hin zu fahrerlosen Fahrzeugen – treibt technologische Innovationsfaktoren voran.
Die autonome Navigation ist eine wesentliche Voraussetzung für die Funktionalität eines fahrerlosen Fahrzeugs. Um selbstständig navigieren zu können, muss das Fahrzeug mithilfe eines sogenannten Schätzers (engl. Estimator) seine Position einschätzen und seine Umgebung wahrnehmen.
Die Zustandsschätzung
Die Zustandsschätzung umschreibt den Prozess, aus einer physikalischen Menge typischerweise verrauschter Messungen den besten Wert zu bestimmen. Messungen bezeichnet man als verrauscht, weil Sensoren nicht perfekt bzw. nichtlinear sind: Werden Messungen wiederholt in gleicher Anzahl durchgeführt, erhält man nicht jedes Mal die gleichen Messwerte. Aus der Kombination all dieser verrauschten Messungen lässt sich im Rahmen der Zustandsschätzung die wahre Sensormessung ableiten. Für jedes Gerät, das mindestens einen Sensor beinhaltet, ist die Zustandsschätzung also von grundlegender Bedeutung. Diese Schätzung kann mithilfe des SLAM-Algorithmus erfolgen.
Simultaneous Localization and Mapping (SLAM)
In den vergangenen fünf bis zehn Jahren hat SLAM als Forschungsthema für praktische Anwendungsfälle im Bereich der Robotik und des autonomen Fahrens für Aufsehen gesorgt.SLAM liegen zwei Aufgaben zugrunde: das Mapping und die Lokalisierung. Mapping meint die in Echtzeit stattfindende Integration von Informationen in eine spezifische schematische Darstellung der Umgebung. Es ist intuitiv durch die Frage „Wie sieht die Welt um mich herum aus?“ beschreibbar. Zentrale Aspekte beim Mapping sind die grafische Wiedergabe der Umgebung und die Interpretation der Sensordaten. Bei der Lokalisierung geht es hingegen darum, die Position des Fahrzeugs innerhalb der Karte zu schätzen. Mit anderen Worten: Das Fahrzeug muss die Frage „Wo bin ich?“ beantworten. Diese beiden Aufgaben können nicht unabhängig voneinander, sondern nur in Kombination gelöst werden. In den vergangenen Jahren wurden mehrere Ansätze zur Lösung des SLAM-Problems und zur exakteren Ermittlung der Schätzwerte entwickelt. Dazu gehören Kalman-Filter, Partikel-Filter und Graph-basiertes SLAM.
Optimierung der Zustandsschätzung: Sensorfusion
Um einen möglichst genauen Schätzer zu erstellen, sollte das Fahrzeug mit vielen verschiedenen Sensortypen ausgestattet sein, zumal Sensoren verschiedene Arten von Daten in unterschiedlichen Geschwindigkeiten liefern. Um nun die bestmögliche Einschätzung des Fahrzeugzustands zu erhalten, müssen die verschiedenen Informationen aller Sensoren kombiniert werden. Dieser als Sensorfusion bezeichnete Prozess ist eine der wichtigsten Techniken für selbstfahrende Fahrzeuge. Im Rahmen der Sensorfusion werden die Ergebnisse einzelner oder mehrerer dynamischer Lokalisierungssysteme algorithmisch fusioniert, d. h. zusammengeführt, um eine vollständige und genaue Zustandsschätzung zu erhalten. Um die Vorteile der Redundanz bei der Zustandsschätzung zu nutzen, muss der Input jedes Sensors zum geschätzten Gesamtzustand in Abhängigkeit von der Genauigkeit des Sensors und des vorherigen Zustandswissens quantifiziert werden.
Fokus auf Kundenanforderungen
infoteam treibt die Entwicklung des automatisierten und autonomen Fahrens voran. Um die Funktionale Sicherheit zu gewährleisten, werden die für das komplexe Thema relevanten spezifischen Kundenanforderungen akribisch analysiert und unter Beachtung der jeweils gültigen Normen softwareseitig umgesetzt.
Hier geht´s zum Artikel in der OEM&Lieferant.
Foto: ©kinwun - stock.adobe.com
