Die Grundlagen für die Entwicklung von Fahrerassistenzsystemen im urbanen Bereich werden aktuell im Forschungsprojekt 'Urbaner Raum' (UR:BAN) untersucht und entwickelt. Der vorliegende Beitrag baut auf Ergebnissen und Erkenntnissen des von der Firma Continental, Division Chassis & Safety begleitenden Teilprojekts 'Umgebungserfassung und Umfeldmodellierung' auf. Das zugrunde liegende Konzept ist ausgerichtet, auch hoch komplexe Verkehrsszenarien im stätischen Umfeld zu erfassen und daraus ein Verständnis der Verkehrssituation sowie die Verkehrsregeln abzuleiten. Ein Schlüsselmerkmal an Kreuzungen sind Ampeln. Hier liegt die Problematik bei der Abgrenzung der Rotphase/Grünphase und der Abschätzung der Übergangsphase (Gelbphase). Der Algorithmus zur Echtzeiterkennung von Ampeln enthält im Speziellen das Thema der Zustandserkennung für Ampelpfeile um eine Richtungszuordnung der Ampel zu erschließen. Ampeln sind weltweit generell sehr gut definiert; in Deutschland durch die Richtlinien für Lichtsignalanlagen (RiLSA) in Bauform und Anbringung. Für die Erkennung der Ampeln wird eine Kamera eingesetzt, die mit einem Megapixel Farbimager ausgestattet ist und einen horizontalen Öffnungswinkel von ca. 50° benutzt. Die Daten der Kamera werden an einen Messtechnikrechner übertragen und dort für die prototypische Umsetzung einer Ampelerkennung verwendet. Der Algorithmus ist in folgende fünf Abschnitte gegliedert: (1) Bildvorverarbeitung, (2) Bildsegmentierung, (3) Detektion, (4) Klassifikation und (5) Tracking. Im ersten Schritt wird das von der Kamera gelieferte Bayer-Pattern Bild in ein Farbbild nach Malvar gewandelt. Die vollständig erkannte und klassifizierte Ampel wird schließlich mit einem alpabeta-Tracker verfolgt. Das Ergebnis zeigt, wie eine Ampelerkennung in Echtzeit im Fahrzeug auf einer heute schon existierenden Serienhardware möglich ist. Die durchschnittliche Rechenzeit liegt bei etwa 31 ms/Bild und damit in einem Bereich, der eine Steuergeräteimplementierung zulässt. Die Reichweite liegt aufgrund der Geometrie der verwendeten Kamera noch bei 20 m bis 30 m für die Symbole in den Ampeln und 50 m bis 70 m für die Ampeldetektion als solche (inklusive Farberkennung) in Abhängigkeit der Lichtgröße der Ampel. Eine Datenfusion zwischen Kamera und den Kartendaten wird die Performance deutlich zu erhöhen und die Robustheit der Funktion zu verbessern.
Automatisierung: Interpretation von Kreuzungen mit Ampeln
2014
16 Seiten, Bilder, Tabellen, Quellen
(nicht paginiert)
Aufsatz (Konferenz)
Deutsch
Algorithmus , autonomes Fahrzeug , Bildverarbeitung , Digitalkamera , Echtzeitdatenverarbeitung , Entscheidungstheorie , Farbbildanalyse , Fußgänger , Hardware , Kfz-Elektronik , Kfz-Software , Klassifizieren , Landkarte , lernendes System , mathematische Modellierung , Millisekundenbereich , Mustererkennung , Rechenzeit , Steuergerät , Straßenkreuzung , Straßenverkehr , Verkehrsregelung , Verkehrssignalanlage , vorausschauende Intelligenz , Zustandsschätzung
Automatisierung: Interpretation von Kreuzungen und Ampeln
Kraftfahrwesen | 2014
|Automatisierung: Interpretation von Kreuzungen mit Ampeln
British Library Conference Proceedings | 2014
|Auf dem Weg zu einer Stadt – Kreuzungen und Ampeln
Springer Verlag | 2019
|Online Contents | 1994