Im Rahmen dieses Beitrags wurde das Umfelderfassungssystem des Urban Challenge Fahrzeugs der TU-Braunschweig vorgestellt. Das System ist als hybride Lösung in eine objektbasierte und ortsbasierte Umfeldmodellierung aufgeteilt, um die Vorteile beider Ansätze für die Fahrzeugführung nutzbar zu machen. Als Schwerpunkt dieses Beitrags wurde das objektbasierte Teilsystem beschrieben, das auf Basis klassischer Trackingansätze entstanden ist. Das zugrunde liegende Objektmodell wurde für eine Beschreibung komplexer Strukturen im urbanen Umfeld angepasst und durch eine Freiform-Polygondarstellung beschrieben. Ein serieller Datenfusionsansatz auf Basis des Extended Kalmanfilters unter Verwendung zweier Bewegungsmodelle (Switched Model Kalmanfilter) wird verwendet, um aus den redundanten Messdaten der Sensoren ein einheitliches, objektbasiertes Umfeldmodell zu erzeugen. Die Algorithmen des Kalmanfilters wurden an die Freiform-Modellierung der Objektprimitive angepasst, um eine Realisierung in Echtzeit zu ermöglichen. Eine Kombination mit dem ortsbasierten Teilsystem zur Fahrbereichsanalyse wird ferner verwendet, um unerwünschte Bodenreflexionen durch die Lasersysteme im Bereich von Geländeabschnitten mit starken Gefälleunterschieden auszublenden. Das System bildet gemeinsam mit der Fahrbereichsanalyse die Basis der Umfelderfassung des Urban Challenge Versuchsfahrzeugs, dass im Rahmen der Wettbewerbsteilnahme im November 2007 seine Leistungsfähigkeit durch die Finalteilnahme unter den besten elf Teilnehmern des ursprünglich über 100 Wettbewerber umfassenden Feldes bewiesen hat. Einige Verbesserungen sind dennoch für die weiteren Forschungsaktivitäten wünschenswert. Eine weitergehende Kombination von objekt- und ortsbasierter Umfeldmodellierung ist vielversprechend, da mit bestehenden Sensorsystemen aufgrund der Vielzahl eingehender Falschmessungen das Objektmodell oft keine optimale Lösung darstellt und die Messdaten im Rahmen der Datenzuordnung und Trackinitialisierung nicht eindeutig zugewiesen werden können. Der statistische Charakter der Messdaten bezüglich deren Existenzwahrscheinlichkeit ist im Objektmodell nicht modellierbar, so dass auch eine Quantifizierung der Existenzwahrscheinlichkeit der modellierten Ziele in der künstlichen Fahrzeugumgebung schwer fällt. Das probabilistische Umfeldmodell der ortsbasierten Darstellung eröffnet hier eine neue Dimension, so dass eine direkte Kostenfunktion für das Befahren des Umfeldes unter Berücksichtigung unscharfer Sensordaten erfolgen kann. Eine Kombination beider Verfahren, beispielsweise durch die Definition lokaler ortsbasierter Kartendarstellungen um die Ziele des objektbasierten Ansatzes könnte hier die Vorteile beider Verfahren geeignet kombinieren. In der Fernlösung ist auch die Weiterentwicklung dynamischer ortsbasierter Karten interessant, deren Umsetzung zum gegenwärtigen Zeitpunkt noch an der Realisierbarkeit im Echtzeitbetrieb scheitert. Für die Modellierung der Objektbeschreibung auf Basis der Freiform-Konturen gilt es, aus den zur Verfügung stehenden Konturdaten weitere Zielklassifikationen abzuleiten (z.B. Pkw, Lkw etc.), was beispielsweise durch Fusionierung zusätzlicher Bildverarbeitungssysteme erfolgen kann. Weiterhin ist die Stabilisierung der Konturmerkmale über die Beobachtungsdauer durch die Sensorsysteme hinaus von Interesse, so dass eine Kombination der klassischen Objektprimitive und der Freiformmodellierung interessant erscheint. Mit Hilfe der stabilisierten Konturpunkte, die durch die Verfahren dieses Beitrags erhalten werden ließen sich unter Verwendung einer Primitivdatenbank im Zuge einer erweiterten Form-Klassifikation entsprechend stabile Merkmale gewinnen.