Referenz mittels Inertialsensorik

Die Kenntnis des aktuellen Zustands eines Fahrzeugs spielt in der Automobilforschung eine entscheidende Rolle. Informationen wie aktuelle Position, Geschwindigkeit, Kurs usw. sind wichtige Informationen für eine Vielzahl von Aufgaben in der Entwicklung und auch bei der Validierung von autonomen Fahrfunktionen. In diesen Entwicklungsstadien sind Sensoren mit hoher Genauigkeit notwendig, um die Leistungsfähigkeit der autonomen Fahrfunktionen zu bewerten. Solche Referenzsensoren müssen eine hohe Zuverlässigkeit aufweisen. Allerdings haben alle Sensoren ihre Grenzen und es muss bekannt sein, wann und in welchen Situationen die Messungen ein hohes oder niedriges Maß an Vertrauen haben. Zum Beispiel haben Sensoren, die auf den Empfang von Satellitendaten angewiesen sind, eine geringere Leistung, wenn das Fahrzeug durch einen überdachten Bereich (wie Tunnel, Brücken oder Parkplätze) gefahren wird, da keine Verbindung zu den Satelliten besteht.
Das Ziel dieses Projektes ist es, Methoden zur Analyse und Vorhersage des Vertrauensgrades von Referenzsensoren, die den aktuellen Zustand des Fahrzeugs in Echtzeit messen / schätzen, zu untersuchen. Im Projekt wird eine Inertial Measurement Unit (IMU) als Referenzsensor und Daten aus einer Vielzahl von Verkehrsszenarien auf Straßen, Outdoor- und Indoor-Teststrecken eingesetzt. Der Effekt der Anwendung verschiedener statistischer Filter und Fahrzeugmodelle in den Schätzaufgaben wird im Hinblick auf die Robustheit des prognostizierten Vertrauensgrades analysiert. Um Verkehrs- und Umweltbedingungen bei geringem Vertrauen zu erkennen, wird der Einsatz von maschinellen Lerntechniken untersucht.
Weiterhin beschäftigt sich das Projekt mit Methoden zur Verbesserung der Genauigkeit in solchen Situationen, in denen ein geringes Maß an Vertrauen vorhergesagt wird. Dazu wird die Fusion mit Daten von weiteren Sensoren, wie z.B. Geschwindigkeitssensoren oder optischen Sensoren, implementiert und ausgewertet.