Zusammenfassung
Mit der steigenden Automatisierung von Fahrerassistenzsystemen wachsen auch die Anforderungen an die eingesetzten Verfahren zur Umfeldmodellierung. Soll sich ein Fahrzeug weitgehend selbstständig in einem vorab unbekannten und undefinierten Umfeld bewegen, so ist eine genaue Kenntnis der Aufenthaltsorte von statischen sowie dynamischen Objekten von hoher Relevanz, um Assistenzfunktionen, wie Kollisionsvermeidung oder Pfadplanung, durchführen zu können. Die Problematik der Umfeldmodellierung ist in der Robotik seit vielen Jahren ein bekanntes Problem und gut untersucht [7]. Demnach ist es bereits eine hochkomplexe Aufgabe, wenn ein autonomer Roboter in einem gut strukturierten Gebäude interagiert, die Zeit hat Messungen in ein Umfeldmodell zu integrieren und in der Lage ist, seine Bewegung einzustellen, um Messungen verwerten [5].
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
[1]Heigele, C.; Mielenz, H.; Heckel, J.; Schramm, D., (2012): GridTiles: A method for modelling a spation unconstraint environment, in: Intelligent Computer Communication and Processing (ICCP), 2012 IEEE International Conference on, S. 31-35, Aug. 30 2012-Sept. 1 2012
[2]Heigele, C.; Mielenz, H.; Heckel, J.; Schramm, D. (2013), Multi level modeling and loop closing with GridTiles, Methods and Models in Automation and Robotics (MMAR), 2013 18th International Conference on, S. 724-729, 26-29 Aug. 2013
[3]Triebel, R.; Pfaff, P.; Burgard, W. (2006), Multi-Level Surface Maps for Outdoor Terrain Mapping and Loop Closing, Intelligent Robots and Systems, 2006 IEEE/RSJ International Conference on, S. 2276-2282, 9-15 Oct. 2006
[4]A. Hornung, K.M. Wurm, M. Bennewitz, C. Stachniss, and W. Burgard (2013), OctoMap: An Efficient Probabilistic 3D Mapping Framework Based on Octrees, in Autonomous Robots, 2013
[5]Sebastian Thrun, Learning Maps for Indoor Mobile Robot Navigation, 1997
[6]A. Elfes (1989), Using Occupancy Grids for Mobile Robot Perception and Navigation, Computer 22, S. 46-57, 6. Juni 1989
[7]Sebastian Thrun (2003), Robotic mapping: a survey, In Exploring artificial intelligence in the new millennium, Morgan Kaufmann Publishers Inc., San Francisco, CA, USA 1-35.
[8]Mikolajczyk, K.; Schmid, C. (2005), A performance evaluation of local descriptors, Pattern Analysis and Machine Intelligence, IEEE Transactions on, S.1615-1630, Oct. 2005
[9]Brechtel, S.; Gindele, T.; Dillmann, R. (2010), Recursive importance sampling for efficient grid-based occupancy filtering in dynamic environments, Robotics and Automation (ICRA), 2010 IEEE International Conference on, S. 3932-3938, 3-7 May 2010
[10]Vandorpe, J.; Van Brussel, H.; Xu, H. (1996), Exact dynamic map building for a mobile robot using geometrical primitives produced by a 2D range finder, Robotics and Automation, 1996. Proceedings., 1996 IEEE International Conference on, S. 901-908 vol.1, 22- 28 Apr 1996
[11]Schütz, M.; Wiyogo, Y.; Schmid, M. und Dickmann, J. (2012), Laser-Based Hierarchical Grid Mapping for Detection and Tracking of Moving Objects, Advanced Microsystems for Automotive Applications 2012, S. 167-176.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2015 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Heigele, C., Mielenz, H., Heckel, J., Schramm, D. (2015). Effiziente Umfeldmodellierung für Fahrerassistenzsysteme im Niedergeschwindigkeitsbereich. In: Proff, H. (eds) Entscheidungen beim Übergang in die Elektromobilität. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-09577-2_12
Download citation
DOI: https://doi.org/10.1007/978-3-658-09577-2_12
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-09576-5
Online ISBN: 978-3-658-09577-2
eBook Packages: Business and Economics (German Language)