Die globale Positionsbestimmung ist ein grundlegender Schritt für die Weiterentwicklung der Technologie für autonomes Fahren. Während globale Navigationssatellitensysteme (GNSS) üblicherweise als naheliegende Lösung angesehen werden, ist ihre Zuverlässigkeit in städtischen Umgebungen aufgrund von Signalblockaden und Mehrwegstörungen häufig beeinträchtigt. Daher befasst sich dieses Projekt mit dem dringenden Bedarf an einem robusten Echtzeit-Positionierungssystem, das in dicht besiedelten städtischen Gebieten eine hohe Genauigkeit (<10 cm) erreichen kann. Ein charakteristisches Merkmal unserer Methodik ist die bewusste Abkehr von High-Definition-Karten (HD-Karten), die kostspielig und rechenintensiv sind. Stattdessen nutzen wir auf Level of Detail 2 (LoD2) basierende abstrakte Karten, die eine deutlich kostengünstigere Alternative darstellen. Durch die Integration von LoD2-Modellen mit digitalen Geländemodellen (DTM), die aus offenen Daten abgeleitet wurden, erstellen wir eine umfassende abstrakte Referenzkarte. Einzigartig ist, dass wir die spärliche Datenlage dieser abstrakten Karten in einen rechnerischen Vorteil verwandeln, indem wir schnelle und effiziente Algorithmen des maschinellen Lernens einsetzen, die diese reduzierte Datendichte nutzen, um die Verarbeitungsgeschwindigkeit zu maximieren. Um diese Positionierungsstrategie zu ermöglichen, haben wir ein hochmodernes Datenerfassungssystem entwickelt. Die Sensorsuite umfasst LiDARs, Kameras und Inertial Measurement Units (IMU), um hochauflösende Umgebungsinformationen zu erfassen. Diese multimodalen Eingaben werden genutzt, um eindeutige Orientierungspunkte für die Georeferenzierung des Fahrzeugs anhand der abstrakten Referenzkarte zu identifizieren. Um die Präzision und Konsistenz des Georeferenzierungsprozesses sicherzustellen, sind wir eine Partnerschaft mit der Quality Match GmbH eingegangen. Gemeinsam haben wir einen Algorithmus für maschinelles Lernen entwickelt, der in der Lage ist, Orientierungspunkte genau zu erkennen und sie ihren Entsprechungen auf der Karte zuzuordnen. Um unseren Ansatz zu bewerten und angesichts der Komplexität dieser Aufgabe haben wir einzigartige Datenbanken auf der Grundlage realer Messungen erstellt und eine „Human-in-the-Loop“-Pipeline zur Datenannotation genutzt, um die für die Feinabstimmung und das Benchmarking unserer Algorithmen erforderlichen „Ground-Truth“-Daten zu generieren. Schließlich werden spezielle Filter eingesetzt, um die multimodalen Messungen zu glätten und zu integrieren, wodurch eine kontinuierliche und stabile Posenschätzung gewährleistet wird.

Dieses mFUND-Projekt wird vom BMDV (Bundesministerium für Digitales und Verkehr) gefördert.

Informationen zum Datenschutz gemäß Art. 13 und 14 DSGVO für die Datenerhebung im öffentlichen Raum im Rahmen des mFund-Verbundprojekt des Bundesministeriums für Digitales und Verkehr „AutoMap“ - Förderkennzeichen: 19F2256A/B finden Sie unter dem folgenden Link: AutopMAP Datenschutz