KI-Algorithmen für autonome Rasenmähroboter

Im Rahmen dieses multidisziplinären Projekts wird ein Rasenmähroboter weiterentwickelt, der sehr große Rasenflächen autonom abfahren und mähen soll. Hierfür werden KI-Algorithmen aus den Bereichen des autonomen Fahrens sowie der Raumfahrt angepasst und auf den Roboter übertragen. Insbesondere wird durch unsere Arbeitsgruppe eine hochpräzise absolute Lokalisierung mithilfe einer Multi-Sensor-Fusion umgesetzt. Dabei werden die Messwerte eines Real Time Kinematik (RTK) gestützten GNSS-Empfägers, einer inertialen Messeinheit (IMU) sowie weiterer Sensoren probabilistisch in einem Kalman-Filter fusioniert. Außerdem wird durch die Projektpartner eine Pfadplanung, die Hindernisse und nicht befahrbare Zonen vermeidet, sowie eine Motorenregelung des Roboters implementiert.

Publikationen:

PRORETA 5 – urbAn drIving

PRORETA ist eine interdisziplinäre Forschungskooperation zwischen Universitäten und Continental AG. Das Ziel dieser Kooperation ist die Entwicklung von Fahrerassistenzsystemen (ADAS) und Funktionen für autonomes Fahren (AD), um Verkehrunfälle zu verhindern.
Der Name PRORETA wurde in Anlehnung an das gleichnamige Mitglied der römischen Kriegsflotte gewählt. Der Proreta stand am Bug des Schiffes (Prora) und warnte vor Untiefen und anderen Gefahren.
Das Ziel des Forschungsprojekts PRORETA 5 ist die Untersuchung von Methoden der künstlichen Intelligenz für das autonome Fahren. Fokus dabei sind Situationsverständnis und Bewegungsplanung für autonomes Fahren im Stadtverkehr. Zu diesem Zweck kooperiert Continental mit dem Institut für Fahrzeugtechnik (FZD) und dem Fachgebiet Regelungsmethoden und Robotik (rmr) der technischen Universität Darmstadt, dem Institut für kognitive Neuroinformatik (CNI) der Universität Bremen und der Faculty of Automatic Control and Computer Engineering (FACCE) der TU Iaşi. 

Publikationen:

Odometrie im urbanen Raum

Ein wesentlicher Bestandteil im autonomen Fahren stellt eine präzise Odometrie des Fahrzeugs dar. Im Gegensatz zur absoluten Positionsbestimmung mittels GNSS-Verfahren berechnet die Odometrie die relative Bewegung des Fahrzeugs in Abhängigkeit vom Startpunkt. Die Position und Orientierung sowie die Geschwindigkeit des Fahrzeugs werden für diverse Algorithmen des autonomen Fahrens benötigt. Innerhalb dieses Projekts werden verschiedene Methoden untersucht über eine Multi-Sensor-Fusion die Odometrie des Fahrzeugs hochfrequent und sprungfrei zu bestimmen. Im Vordergrund steht die Nutzung einer inertialen Messeinheit (IMU) sowie der Bildfluss einer Kamera.

Der finale Odometriealgorithmus verwendet die IMU sowie den Bildfluss einer Kamera. Außerdem werden Messungen des Lenkwinkels und der Fahrzeuggeschwindigkeit unter Anwendung bestimmter kinematischer Modelle benutzt. Sämtliche Sensorinformationen werden in einem Unscented Kalman Filter (UKF) zu einem finalen Odometrieergebnis fusioniert. Es findet eine lose Kopplung der Kamera- und IMU-Daten statt. 

Publikationen:

Menschen bewältigen alltägliche Aufgaben mit Leichtigkeit. Sie manipulieren Objekte in ihrer Umwelt und können mit unvollständigen Informationen (z.B. Instruktionen) umgehen. Der Sonderforschungsbereich EASE untersucht, wie Roboter befähigt werden können, alltägliche Aufgaben im Haushalt mit ähnlicher Leichtigkeit zu meistern. Das Unterprojekt H1 untersucht, wie Menschen deren sensomotorisches Verhalten flexibel an die vielfältigen Bedingungen und Kontexte der Alltagsszenarien anpassen. Diese Anpassung erstreckt sich über mehrere Ebenen und reicht von Aufgabenbedingungen über Objekt- und Werkzeugeigenschaften bis hin zu spontanen Anpassungen sensomotorischer Parameter. Kausale Beziehungen sind für diese adaptiven Eigenschaften wesentlich.

Weiterlesen ...

Ziel des Vorhabens ist es, einen autonomen Shuttlebus-Betrieb zu installieren. Dabei soll das Fahrzeug auf einer festgelegten Route Passagiere an verschiedenen Haltestellen völlig autonom aufnehmen und absetzen können. Der Fahrbetrieb wird jederzeit von einem Safety Control Center überwacht und ausgewertet. Im Falle eines unvorhergesehenen Ereignisses können mittels des Safety Control Centers Steuersignale an das Fahrzeug gesendet werden, um die Situation aufzulösen.

Weiterlesen ...

Das Projekt OPA³L - "Optimal Assistierte, hoch Automatisierte, Autonome und kooperative Fahrzeugnavigation und Lokalisation" verfolgt das Ziel, autonome Shuttle-Fahrten in bekannten Umgebungen im suburbanen Raum anzubieten. Im Projekt wird hierzu ein mit zusätzlichen Sensoren ausgerüstetes Forschungsfahrzeug genutzt. Radsensoren, GNSS, sowie ein Inertialsensor dienen zu Bestimmung des Fahrzeugzustands; LiDAR, Kamera und Radar zur Wahrnehmung der Umgebung. Der Fokus der Arbeitsgruppe Kognitive Neuroinformatik liegt auf der Fusion der vorhandenen Sensordaten, um eine robuste Schätzung des Fahrzeugzustandes sowieso der Umgebung zu erhalten, zudem auf der Routenplanung um auch bei mehreren Passagieren mit unterschiedlichen Start- und Endpunkten eine effiziente Beförderung zu gewährleisten.

Weiterlesen ...