Effiziente Erstellung von hochauflösenden Strassenkarten für autonomes Fahren

Hochauflösende Strassenkarten sind super wichtig für automatisierte Fahrzeugsysteme. Die bieten genaue Details über Strassen, wie deren Layout, Zustand und Beschilderung. Aber die Erstellung dieser Karten ist immer noch eine Herausforderung. Während frühere Studien hauptsächlich auf die Genauigkeit von Strassendesigns fokussiert waren, wurde jetzt eine neue Methode entwickelt, um Hochauflösende Karten in grossem Massstab zu erstellen. Diese Technik nutzt eine kleine Menge an Informationen über die Strasse und verarbeitet LiDAR-Daten in getrennten Abschnitten. Diese Abschnitte werden dann kombiniert, um einen Prozess zu schaffen, der flexibel ist und qualitativ hochwertige Ergebnisse liefert. Das Endprodukt kann in Simulationen für automatisierte Fahrfunktionen genutzt werden.

#Der Bedarf an hochauflösenden Karten

Fortschrittliche Fahrerassistenzsysteme (ADAS) haben die Automobilindustrie stark verändert. Diese Systeme zielen auf höhere Automatisierungsstufen in Fahrzeugen ab, wie zum Beispiel die Selbstfahrfähigkeiten. Mit diesen Fortschritten sind die Komplexität der Hardware- und Software-Systeme sowie deren Betriebsumgebung gestiegen. Je mehr Fahrtszenarien berücksichtigt werden, desto mehr wächst der Bedarf an rigorosen Tests und Bewertungen. Das bedeutet, dass Fahrzeuge über grosse Distanzen getestet werden müssen. Schätzungen zufolge müssen zum Beispiel Milliarden von Kilometern zurückgelegt werden, um die Sicherheit auf deutschen Autobahnen zu gewährleisten.

Angesichts dieser Anforderungen sind reale Fahrtests nicht immer praktisch. Hier kommt die Simulation ins Spiel. Damit Simulationen realistisch und zuverlässig sind, müssen sie auf realen Daten basieren. Hochauflösende Karten liefern entscheidende Informationen für diese Simulationen und sind auch wichtig für die automatisierten Funktionen von Fahrzeugen.

Trotz ihrer Bedeutung ist die Erstellung dieser Karten, besonders im grossen Massstab, immer noch ein sich entwickelndes Feld. Es gibt verschiedene Möglichkeiten, Strassen für Simulationen zu modellieren, die in vier Haupttypen unterteilt werden können. Die einfachste Methode besteht darin, Standard-Definitionskartenquellen oder Luftbilder in Formate umzuwandeln, die für Simulationen geeignet sind. Der zweite Ansatz konzentriert sich darauf, hochauflösende Karten aus mobilen Mapping-Plattformen zu erzeugen. Diese Plattformen nutzen Fahrzeuge, die mit zahlreichen Sensoren ausgestattet sind, um detaillierte Daten über ihre Umgebung zu sammeln. Die dritte Methode beinhaltet die Kombination von Standard-Daten mit Ergebnissen aus mobilen Mapping, um etwaige Schwächen in jedem Ansatz zu verbessern. Schliesslich erstellen spezialisierte Dienstleister oft hochauflösende Karten speziell für Automobilsimulationen. Diese kommerziellen Methoden sind jedoch nicht öffentlich dokumentiert, was ihre Untersuchung einschränkt.

Bei Automobilsimulationen hängt die Wahl der Kartenquelle vom spezifischen Anwendungsfall ab. Eine umfassende Bewertung von Verkehrsszenarien erfordert die Integration von Trajektorien- und Kartendaten, idealerweise indem sie gemeinsam erzeugt werden, um Abweichungen in den Messungen zu minimieren. Das unterstreicht die Bedeutung von mobilen Mapping-Daten, denn diese Plattformen ermöglichen eine flexible Datensammlung.

Dennoch gibt es nur wenig Forschung zur Erstellung hochauflösender Karten mit mobilen Mapping-Plattformen. Viele Studien basieren auf spezifischen Sensor-Setups, was die Kosten aufgrund von Equipment und Wartung in die Höhe treiben kann. Ausserdem liegt der Fokus oft mehr auf Ergebnissen als auf der Fähigkeit, Daten im grossen Massstab zu sammeln. Damit Simulationen umfassende Bewertungen liefern können, müssen hochauflösende Karten weitläufige Gebiete abdecken und sich an verschiedene Umgebungen anpassen. Das unterstreicht den Bedarf an weiterer Forschung zur grossflächigen Kartenproduktion.

#Vorgeschlagene Methode zur Generierung hochauflösender Karten

Dieses Papier präsentiert eine neue Methode zur Generierung hochauflösender Karten und berücksichtigt dabei die oben genannten Herausforderungen. Ziel ist es, eine skalierbare Lösung anzubieten, die mit minimalem externen Input Hunderte von Kilometern Daten bewältigen kann. Die Methode konzentriert sich auf die Verwendung von spärlichen LiDAR-Daten, die von Forschungsfahrzeugen gesammelt werden, was sie zu einem kosteneffektiven Ansatz macht.

Im Vergleich zu bestehenden Methoden, die auf spezifischen Sensoranordnungen basieren und auf kürzere Distanzen beschränkt sind, zielt dieser neue Ansatz auf die Genauigkeit hochauflösender Karten ab und ist gleichzeitig effizienter. In diesem Abschnitt wird erklärt, wie die Methode funktioniert, beginnend mit der Datenvorverarbeitung bis hin zur Extraktion kritischer Merkmale.

#Datenvorverarbeitung

Um genaue Informationen über Strassen zu extrahieren, müssen LiDAR-Daten auf eine spezifische Weise verarbeitet werden. Da die Kosten für LiDAR-Sensoren in den letzten Jahren gesunken sind, sind sie sowohl in Forschungs- als auch Produktionsfahrzeugen üblicher geworden. LiDAR-Sensoren können präzise Standortdaten bereitstellen und sind daher nützlich zur Identifizierung von Strassenmarkierungen.

Ein Beispiel für die genaue Datensammlung ist das JUPITER-Fahrzeug, das mit mehreren Sensoren ausgestattet ist, um detaillierte Informationen über das Verkehrsverhalten zu sammeln. Die Daten wurden auf stark befahrenen deutschen Autobahnen während der Stosszeiten erfasst, um ein realistisches Verständnis von Verkehrs mustern zu schaffen. Für diese Methode werden auch externe Datenquellen wie OpenStreetMap (OSM) verwendet, eine crowdsourced Mapping-Plattform, die umfassende Strasseninformationen bereitstellt. Die vorgeschlagene Methode benötigt nur eine kleine Menge an Vorabdaten, die speziell den Strassentyp, die Anzahl der Fahrspuren und Verbindungen zu anderen Strassen betreffen.

#Segmentgenerierung

Den Strassenextraktionsprozess in Segmente zu unterteilen hat mehrere Vorteile. Erstens ermöglicht es die parallele Verarbeitung mehrerer Abschnitte, was die Datenbearbeitung beschleunigt. Wenn ein Segment während der Verarbeitung auf Probleme stösst, muss nur dieser Abschnitt bearbeitet werden. Ausserdem können einige komplizierte Strassengeometrien leichter manuell angepasst werden, wenn sie in Abschnitte unterteilt sind.

Um diese Segmente zu erstellen, werden Strassendaten aus OSM verwendet. OSM beschreibt Strassen mit "Ways", die Teile einer Strasse mit konsistenten Attributen, wie der Anzahl der Fahrspuren, darstellen. Die Segmente werden gebildet, indem diese Ways in kleinere, handhabbare Stücke unterteilt werden. Der Zuordnungsprozess besteht darin, jedem Segment spezifische Zeitpunkte zuzuweisen, um eine genaue Darstellung in der finalen Karte zu gewährleisten.

#Extraktion von Fahrbahnmarkierungen

Mit den gesammelten Daten ist der nächste Schritt, die Fahrbahnmarkierungen aus den LiDAR-Punktwolken zu extrahieren. Dies beinhaltet die Synchronisierung der Messungen von LiDAR-Sensoren und GNSS-Systemen.

Die Punktwolken werden gefiltert, um sich auf die Strassenoberfläche zu konzentrieren, wobei unnötige Daten über dem Sensor verworfen werden. Eine Methode namens RANSAC wird verwendet, um die Bodenfläche zu schätzen, was eine Reduzierung von Ausreissern und eine Verbesserung der Datenqualität ermöglicht.

Da Fahrbahnmarkierungen dazu neigen, mehr Licht zu reflektieren als die Strasse selbst, werden sie während der Datenverarbeitung isoliert. Der Algorithmus versucht zuerst, Fahrbahnmarkierungen anhand eines Schwellenwerts für die Reflektivität zu identifizieren. Falls dieser erste Versuch keine Ergebnisse liefert, wird der Schwellenwert gesenkt und der Prozess erneut durchlaufen.

Die extrahierten Fahrbahnmarkierungen werden bewertet, um sicherzustellen, dass sie richtig ausgerichtet sind. Die Methodologie geht davon aus, dass Fahrbahnmarkierungen längs entlang der Strasse angeordnet sind, sodass sie in identifizierbare Fahrspuren gruppiert werden können.

#Generierung und Verfeinerung der Fahrbahnmarkierungen

Fortfahrend von der Extraktion der Fahrbahnmarkierungen ist der nächste Schritt, diese Segmente basierend auf der Anordnung und den Merkmalen der Markierungen zu bewerten. Der Algorithmus identifiziert aufeinanderfolgende Fahrbahnmarkierungen, um genaue Fahrbahngrenzen zu erstellen.

Die Stärke dieses Ansatzes liegt in seiner Fähigkeit, die Richtungsvektoren der Fahrbahnmarkierungen zu stabilisieren, selbst wenn er auf Unvollkommenheiten wie partielle Scans oder Sichtbehinderungen in den Daten stösst. Sobald jede Fahrbahnmarkierung identifiziert ist, werden ihre räumlichen Beziehungen zu anderen Markierungen analysiert, um eine genaue Fahrbahn zu generieren.

Die Verfeinerung ist ein fortlaufender Prozess für die Fahrbahnmarkierungen. Der Algorithmus stellt sicher, dass die Fahrbahnmarkierungen korrekt verbunden und nach ihrem Typ, wie durchgezogene oder gestrichelte Linien, klassifiziert sind. Die Spezifikationen für Fahrbahnmarkierungen werden basierend auf den lokalen Vorschriften aus der externen Datenquelle angepasst.

#Berechnung der Referenzlinie

Ein Schlüsselkomponente bei der Generierung der hochauflösenden Karte ist die Berechnung der Referenzlinie. Die Genauigkeit der Referenzlinie bestimmt die Qualität der OpenDRIVE-Datei.

Die Methode beginnt damit, die extrahierten Fahrbahninformationen mit den externen Daten von OSM abzugleichen. Bekannte regulatorische Anforderungen für die Strasse werden berücksichtigt, was eine Schätzung der Abweichungen in den Fahrbahnmarkierungen im Vergleich zur Referenzlinie ermöglicht.

Für Strassen in Deutschland wird die Referenzlinie typischerweise in der Mitte der linken Fahrspur festgelegt. Diese Standardisierung vereinfacht den Umgang mit Fahrspuren und sorgt für Konsistenz im gesamten Mapping-Prozess. Während der Algorithmus die Fahrbahnmarkierungen identifiziert, berechnet er die notwendigen Anpassungen, um eine genaue Darstellung der Strasse im OpenDRIVE-Format zu erstellen.

#Export nach OpenDRIVE

Nach der Verarbeitung aller Segmente ist der letzte Schritt der Export ins OpenDRIVE-Format. Dieser Prozess erfordert die Integration aller segmentierten Daten, die nacheinander zusammengefasst werden müssen.

Alle Segmente, die keine brauchbaren Ergebnisse liefern, werden manuell überprüft. Eine kontinuierliche Referenzlinie wird erstellt, um Lücken zu vermeiden und sicherzustellen, dass der finale Export den OpenDRIVE-Standards entspricht.

Für jedes Segment wird ein einzelnes Strassenelement generiert, um Redundanzen in den Daten zu minimieren. Ausserdem werden geometrische Übergänge zwischen verschiedenen Fahrspurtypen sorgfältig verwaltet. Wenn Fahrspuren wechseln, erstellt der Algorithmus einen fliessenden Übergang innerhalb der Karte, sodass alle Segmente logisch verbunden sind.

#Ergebnisse und Diskussion

Die Effektivität der Methode kann durch verschiedene Metriken in Bezug auf Genauigkeit und Anwendbarkeit in realen Szenarien bewertet werden.

#Quantitative Analyse

Um die generierten OpenDRIVE-Dateien mit bestehenden hochauflösenden Karten zu vergleichen, wurden Genauigkeitsmessungen über grosse Entfernungen durchgeführt. Die vorgeschlagene Methode weist eine Erfolgsquote von über 90 % auf, wenn es darum geht, aufgezeichnete Daten in verwendbare Kartenformate zu übersetzen.

Die Verarbeitungszeit ist ebenfalls bemerkenswert, da der Algorithmus typischerweise mit einer Geschwindigkeit arbeitet, die mit der tatsächlichen Fahrzeit für jedes Segment vergleichbar ist.

#Qualitative Analyse

Um sicherzustellen, dass die generierten OpenDRIVE-Karten effektiv in Simulationen verwendet werden können, wurde eine zusätzliche Datei für Verkehrsszenarien erstellt. Diese Datei enthält Daten über verschiedene Verkehrsteilnehmer, die realistische Fahrkontexte darstellen.

Die Visualisierung dieser Szenarien zeigt die Fähigkeit der Methode, Fahrzeuge genau auf den Fahrspuren zu platzieren und ihre Bewegungen zu replizieren. Selbst in stark befahrenen Verkehrssituationen halten die generierten Karten ein hohes Detailniveau.

Insgesamt bestätigen die Ergebnisse, dass der vorgeschlagene Ansatz effektiv Flexibilität und Genauigkeit kombiniert, was für die Zukunft von automatisierten Fahrsystemen und deren Bewertung durch robuste Simulationen entscheidend ist.

#Fazit

Mit der steigenden Nachfrage nach hochauflösenden Strassenkarten in der automatisierten Fahrtechnologie bietet diese neue Methode eine vielversprechende Lösung. Durch den Fokus auf skalierbare Verarbeitung ermöglicht der Algorithmus die effiziente Erstellung hochauflösender Strassenrepräsentationen aus realen Fahrdaten. Das erfüllt nicht nur die steigenden Bedürfnisse der Automobilindustrie, sondern fördert auch weitere Fortschritte in der Bewertung von Fahrfunktionen durch Simulationen. Zukünftige Arbeiten werden sich darauf konzentrieren, die Methode zu verfeinern und zusätzliche Anwendungen für die generierten Karten in verschiedenen Kontexten zu erkunden.