Advertisement

Fusion umfelderfassender Sensoren

  • Michael Darms
Chapter
First Online:
Part of the ATZ/MTZ-Fachbuch book series (ATZMTZ)

Zusammenfassung

Es existieren Fahrerassistenzsysteme, die ausschließlich auf Einzelsensorlösungen aufbauen. Als Beispiel lassen sich die Anwendungen Adaptive Cruise Control, die z. B. mit einem Radar- oder einem Lasersensor arbeitet, und Lane Departure Warning nennen, welche zumeist auf Videosensorik basiert.

Wie in den vorherigen Kapiteln beschrieben, haben die jeweiligen Sensortechnologien spezifische Vor- und Nachteile: So lässt sich mit einem Radarsensor der longitudinale Abstand und die Geschwindigkeit eines vorausfahrenden Fahrzeugs für die Anwendung Adaptive Cruise Control mit ausreichender Genauigkeit bestimmen (siehe Kapitel 17). Die Auswahl des relevanten Objekts zum Abstandhalten lässt sich allerdings aufgrund der lateralen Auflösung, Mehrdeutigkeiten in der Signalsauswertung und einer fehlenden Fahrbahnmarkierungserkennung nur so präzise durchführen, dass Nebenspurstörungen beim Betrieb des Systems in Kauf genommen werden müssen. Zudem ist eine Klassifikation des detektierten Objekts nur eingeschränkt möglich, sodass üblicherweise in die Regelung nur Objekte einbezogen werden, bei welchen eine Bewegung erkannt wurde.

This is a preview of subscription content, log in to check access.

Literatur

  1. [1]
    Darms, M.: Eine Basis‐Systemarchitektur zur Sensordatenfusion von Umfeldsensoren für Fahrerassistenzsysteme Fortschrittberichte VDI: Reihe 12, Bd. 653. (2007). DissertationGoogle Scholar
  2. [2]
    Holt, V.v.: Integrale multisensorielle Fahrumgebungserfassung nach dem 4D‐Ansatz. Diss. Univ. der Bundeswehr, München 2004 (Online Publikation), URL: urn:nbn:de:bvb:706–1072, 2005Google Scholar
  3. [3]
    Stüker, D.: Heterogene Sensordatenfusion zur robusten Objektverfolgung im automobilen Straßenverkehr. Diss. Univ. Oldenburg, (Online Publikation), URL: http://deposit.d‐nb.de/cgi‐bin/dokserv?idn=972494464, 2004Google Scholar
  4. [4]
    Becker, J.-C.: Fusion der Daten der objekterkennenden Sensoren eines autonomen Straßenfahrzeugs. VDI‐Verl., Düsseldorf (2002)Google Scholar
  5. [5]
    Bender, E., et al.: Antikollisionssystem PRORETA – Teil 1: Grundlagen des Systems. ATZ 4, 337–341 (2007)Google Scholar
  6. [6]
    Schopper, M., Henle, L., Wohland, T.: Intelligent Drive Vernetzte Intelligenz für mehr Sicherheit. ATZExtra (5), 106–114 (2013). Springer Automotive MediaCrossRefGoogle Scholar
  7. [7]
    Steinberg, A., Bowman, C., White, F.: Revisions to the JDL Data Fusion Model. 3rd NATO/IRIS Conference, Quebec City (1998)Google Scholar
  8. [8]
    Klein, L.A.: Sensor and data fusion concepts and applications, 2. Aufl. Bd. 35. SPIE, Bellingham, Wash (1999)Google Scholar
  9. [9]
    Dietmayer, K., Kirchner, A., Kämpchen, N.: Fusionsarchitekturen zur Umfeldwahrnehmung für Zukünftige Fahrerassistenzsysteme. In: Mauerer, M. (Hrsg.) Fahrerassistenzsysteme mit maschineller Wahrnehmung, S. 59–87. Springer, New York (2005)CrossRefGoogle Scholar
  10. [10]
    Lou, R.C., Kay, M.K.: Multisensor Integration and Fusion in Intelligent Systems. In: Autonomous Mobile Robots, Bd. 1, IEEE Computer Society Press, Los Alamitos (1991)Google Scholar
  11. [11]
    Joerg, K.-W.: Echtzeitfähige Multisensorintegration für autonome Mobile Roboter. BI‐Wiss.‐Verl., Mannheim, etc. (1994)Google Scholar
  12. [12]
    Bar‐Shalom, Y.; Li, X.‐R.: Multitargetmultisensor tracking – principles and techniques. [Storrs, Conn.]: YBS, 1995Google Scholar
  13. [13]
    Hall, D.L.: Handbook of multisensor data fusion. CRC Press, Boca Raton (2001). The electrical engineering applied signal processing series URL: http://www.electricalengineeringnetbase.com/ejournals/books/book_km.asp?id=49, 2001Google Scholar
  14. [14]
    Klaus, F.: Einführung in Techniken und Methoden der Multisensor‐Datenfusion. Habil.‐Schr. Univ. Siegen, Online‐Publikation, URL: urn:nbn:de:hbz: S. 467–575, 2004Google Scholar
  15. [15]
    Hall, D.L., McMullen, S.A.: Mathematical techniques in multisensor data fusion, 2. Aufl. Artech House, Boston (2004)MATHGoogle Scholar
  16. [16]
    Streller, D.: Multi‐Hypothesen‐Ansatz zur Erkennung und Verfolgung von Objekten in Verkehrsszenen mit Laserscannern. VDI‐Verl., Düsseldorf (2006)Google Scholar
  17. [17]
    Kämpchen, N.; Dietmayer, K.: Data synchronization strategies for multi‐sensor fusion. In: 10th World Congress on Intelligent Transport Systems. Band Proceedings of ITS 2003 Madrid, Spain, September 2003Google Scholar
  18. [18]
    Hall, D.; Llinas, J.: An introduction to multisensor data fusion. Proceedings of the IEEE, 85 Nr. 1, S. 6–23, 1997Google Scholar
  19. [19]
    Darms, M.; Rybski, P.; Urmson, C.: Vehicle Detection and Tracking for the Urban Challenge, AAET 2008, 9th Symposium, 13./14. Februar 2008 Braunschweig, 2008Google Scholar
  20. [20]
    Bar-Shalom, Y., Li, X.-R., Kirubarajan, T.: Estimation with applications to tracking and navigation – theory, algorithms and software. Wiley, New York, NY (2001)CrossRefGoogle Scholar
  21. [21]
    Hänsler, E.: Statistische Signale: Grundlagen und Anwendungen, 2. Aufl. Springer, Berlin [u. a.] (1997)CrossRefMATHGoogle Scholar
  22. [22]
    Lunze, J.: Regelungstechnik Mehrgrößensysteme, digitale Regelung, Bd. 2. Springer, Berlin [u. a.] (2006)MATHGoogle Scholar
  23. [23]
    Föllinger, O.: Regelungstechnik – Einführung in die Methoden und ihre Anwendung, 6. Aufl. Hüthig Buch Verlag, Heidelberg (1990)Google Scholar
  24. [24]
    Mayr, R.: Regelungsstrategien für die automatische Fahrzeugführung: Längs‐ und Querregelung, Spurwechsel‐ und Überholmanöver. Springer, Tokio (2001)CrossRefGoogle Scholar
  25. [25]
    Starke, G.: Effektive Software‐Architekturen – Ein praktischer Leitfaden, 2. Aufl. Hanser, Wien (2005)Google Scholar
  26. [26]
    Vogel, O.: Software‐Architektur – Grundlagen – Konzepte – Praxis, 1. Aufl. Elsevier, Spektrum, Akad. Verl., München [u. a.] (2005)MATHGoogle Scholar
  27. [27]
    Robinson, G.; Aboutalib, A.: Trade‐off analysis of multisensor fusion levels. Proceedings of the 2nd National Symposium on Sensors and Sensor Fusion, Nr. 2, S. 21–34, 1990Google Scholar
  28. [28]
    Narbe, B., et al.: Datennetzkonzepte für die Sensordatenfusion – Teil 1. Elektronik Automotive 4, 54–59 (2003)Google Scholar
  29. [29]
    Narbe, B., et al.: Datennetzkonzepte für die Sensordatenfusion – Teil 2. Elektronik Automotive 5, 40–44 (2003)Google Scholar
  30. [30]
    Mauthener, M., et al.: Out‐of‐Sequence Measurements Treatment in Sensor Fusion Applications: Buffering versus Advances Algorithms. In: Stiller, C., Maurer, M. (Hrsg.) 4. Workshop Fahrerassistenzsysteme, FAS2006, S. 20–30. fmrt, Karlsruhe (2006)Google Scholar
  31. [31]
    Bar‐Shalom, Y.: Update with out‐of‐sequence measurements in tracking: exact solution. Aerospace and Electronic Systems, IEEE Transactions on, 2002 Nr. 3, S. 769–777, 2002Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2015

Authors and Affiliations

  • Michael Darms
    • 1
  1. 1.Continental AGLindau am BodenseeDeutschland

Personalised recommendations