Automatische Generierung von HD-Karten aus Lidar- und Luftbilddaten
Zum Erreichen der, gemäß SAE Standard, höchsten Automatisierungsstufen 4 und 5, ist es für das automatisierte Fahrzeug notwendig weit in die Zukunft zu planen, auch über den Wahrnehmungshorizont der Umfeldsensorik hinaus. Eine mögliche Lösung für dieses Problem stellen HD-Karten dar. Hat sich das automatisierte Fahrzeug mit Hilfe seiner Umfeldsensoren in der HD-Karte lokalisiert, können weitere Bereiche der Karte zur Ergänzung des Umfeldmodells genutzt werden. Solche Karten enthalten üblicherweise Informationen zu Straßentopologie, Verkehrselementen und ortsfesten Objekten. Das Standardverfahren zur Erzeugung der Karten und dem Eintragen der genannten Informationen in die Karte, ist die manuelle Generierung durch Menschen basierend auf aufgezeichneten Messdaten von speziell ausgerüsteten Prototypenfahrzeugen und Luftbildaufnahmen. Da dies zeitaufwendig und somit auch teuer ist, haben wir in unserer Arbeit untersucht, wie KI-basierte Ansätze für diesen Zweck genutzt und sinnvoll erweitert werden können.
Für Autobahnsituationen sind von den genannten Merkmalen vor allem Straßentopologieinformationen relevant. Um die automatisch generierten Karten effektiv nutzen zu können, bietet es sich an, die Karten in einem standardisierten Format zu erzeugen. Im Rahmen unserer Untersuchungen haben wir dafür das Lanelet2 Kartenformat gewählt. Wir beschränken uns jedoch auf die Erzeugung der physischen Schicht, in der Spurmarkierungen hinsichtlich ihrer geo-referenzierten Positionen in Form von Polygonzügen und ihrer Merkmale definiert sind. Um diese Karten automatisiert zu erzeugen, werden die Ausgangsinformationen, Lidar-Punktwolken und Orthophotos, von einem Convolutional Neural Network (CNN) prozessiert. Auf Grund der speziellen Problemdefinition und des spezifischen Netzausgangs (Polygonzüge), weist das Netz eine sehr spezielle Netzwerkarchitektur auf und weicht auch im Trainingsprozess stark von Standardverfahren, wie sie zur Objekterkennung oder Segmentierung genutzt werden, ab. Gegenüber einem Ausgangsmodell weist das von uns vorgeschlagene Verfahren einige Verbesserungen und Erweiterungen hinsichtlich der Trainierbarkeit, der prinzipiell zu erwartenden Ergebnisgüte sowie dem Ausgang in Form des Lanelet2 Standards auf. Durch einen weiteren Schritt zur Nachbehandlung des Netzwerkausgangs können die erzeugten Polygonzüge, welche den Verlauf, die Abzweigung und die Zusammenführung von Spurmarkierungen beschreiben, nochmals genauer angegeben werden. Zusätzlich prädizieren wir den Spurmarkierungstyp der jeweiligen Markierung. Weitere Ergänzungen wie die Nutzung der Spurmarkierungsfarbe zur Erkennung von Baustellenbereichen sind durch die modulare Architektur leicht möglich. Neben der Entwicklung des CNNs und der Trainingsprozedur selbst, entstanden im Rahmen der Arbeit darüber hinaus nützliche Werkzeuge zur Aufbereitung und Prozessierung der Rohdaten, die jedoch auch effizient zur schnellen manuellen Erzeugung von HD-Karten genutzt werden können.