SLAM Lokalisierung für autonomes Fahren

Beitrag im Big Data Insider: SLAM

Sensorik für autonomes Fahren
Wirtschaftlichen Hürden mit Flottendaten begegnen

Die jambitees Dominik Jain und Julian Schauseil zeigen im Magazin Big Data Insider, wie Simultaneous Localization and Mapping (SLAM), ein Verfahren aus der Robotik, autonomes Fahren unterstützt. Der KI-Usecase beschreibt ein wichtiges Problem für Automobilhersteller, das bei der Realisierung des autonomen Fahrens aufkommt. Dominik Jain und Julian Schauseil arbeiten bei jambit in der Business Division New Business und konzentrieren sich auf Anwendungen im Bereich künstliche Intelligenz: Von Geoanalytics über Geschäftsoptimierung bis hin zu intelligenten Assistenten.

Autonomes Fahren braucht verlässliche Daten zur Routenführung. Gar nicht so einfach, denn unsere Welt unterliegt einem stetigen Wandel. Dies gilt im Besonderen für unser Straßennetz, welches aufgrund von Neubau, Umbau oder temporären Umstellungen sowohl topologischen als auch geometrischen Änderungen unterliegt. Kartenanbieter vermessen das Straßennetz über spezielle Messfahrzeuge, die mit hochgenauer Sensorik spurgenaue Straßenverläufe und relevante Umgebungselemente wie Straßenschilder unmittelbar kartieren können. Ein flächendeckender, permanenter Einsatz solcher Fahrzeuge ist jedoch nicht praktikabel, weshalb Straßenkarten bereits am Tag ihrer Veröffentlichung veraltet sind. Eine Alternative bietet die Einbeziehung der Fahrzeugflotten. Über Kameras und entsprechende Bildverarbeitungskomponenten nehmen aktuelle Fahrzeugmodelle z. B. Fahrbahnmarkierungen und -begrenzungen, Straßenschilder und Pfosten wahr. Zudem verfügen sie über GPS-Sensoren und Odometrie oder Dynamikdaten für absolute bzw. relative Lokalisierung. Die Qualität einzelner Messungen ist dabei aber nicht vergleichbar mit der eines Messfahrzeugs. Das liegt zum einen am generell begrenzten Blickwinkel und der Unfähigkeit, die Umgebung komplett zu erkunden, und zum anderen an teilweise eingeschränkter Sicht durch andere Fahrzeuge.

Mit Investitionen in Entwicklungsleistungen für künstliche Intelligenz das autonome Fahren schneller realisieren

Durch die Kombination vieler noch ungenauer und unvollständiger Daten kann man jedoch, wie Jain und Schauseil im Beitrag im Big Data Insider aufzeigen, ein konsistentes, hochgenaues und aktuelles Bild der Welt erhalten. Einen Ansatz bietet das Verfahren SLAM. Wie kann eine Umgebung kartiert werden, in der man sich bewegt und die über Sensoren wahrgenommen wird, jedoch ohne sich in dieser Umgebung lokalisieren zu können? Zum Kartierungsproblem kommt ein simultanes Lokalisierungsproblem hinzu. In ihrem Artikel kommen sie zu dem Schluss, dass neben der zunehmend besser werdenden Sensorik, auch die „algorithmische Trickkiste“ viele Potenziale für Herausforderungen der Zukunft bietet. Denn zum aktuellen Zeitpunkt ist verbesserte Sensorik für Serienfahrzeuge oft noch eine Kostenfrage. Investitionen in Entwicklungsbudgets für künstliche Intelligenz bieten damit eine wertvolle Chance für die Automobilindustrie, autonomes Fahren hinsichtlich technischer Aspekte schneller zu realisieren.

Dominik Jain bei jambit
Dr. Dominik Jain
Julian Schauseil bei jambit
Dr. Julian Schauseil

Neugierig geworden? Wir freuen uns auf Ihre Nachricht.

* Pflichtfeld

Wir verwenden Cookies, um unsere Webseite für Sie zu optimieren. Mit dem Besuch unserer Webseite erklären Sie sich damit einverstanden. // Our website is using cookies to improve your experience. By continuing to browse the site, you are agreeing to our use of cookies.

Weitere Informationen finden Sie in unserer Datenschutzerklärung. // For more information, please refer to our privacy policy.