Probabilistische Methoden in der Umfeldwahrnehmung Kognitiver Automobile Probabilistic Methods for Environment Perception of Cognitive Automobiles

Zusammenfassung Durch sensorielle Wahrnehmung und Interpretation von Video- und Lidardaten erstellen sich Kognitive Automobile ein Lagebild ihrer Umgebung, welches die Grundlage für die Entscheidung und Ausführung situationsangepassten Fahrverhaltens bildet. Probabilistische Modelle erlauben dabei die konsistente Repräsentation der Sensorinformation einschließlich ihrer Unsicherheit. Symbolisches Wissen über die Verkehrsszene kann in diesem Kontext durch Markov-Logik-Netze probabilistisch formuliert und inferiert werden. Anstelle von fertigkeits- oder regelbasiertem Verhalten geben wissensbasierte Methoden Werte und Ziele vor, sodass die Verhaltensentscheidung durch Auswahl des Verhaltens erfolgt, das den größtmöglichen Zielerreichungsgrad erwarten lässt. Erste Ergebnisse umfassen neben dem Fahrzeugaufbau bereits autonome Manöver sowie die Finalteilnahme im Urban Challenge Wettbewerb.

[1]  M. Goebl,et al.  A Real-Time-capable Hard-and Software Architecture for Joint Image and Knowledge Processing in Cognitive Automobiles , 2007, 2007 IEEE Intelligent Vehicles Symposium.

[2]  S. Kammel,et al.  Cooperative Cognitive Automobiles , 2007, 2007 IEEE Intelligent Vehicles Symposium.

[3]  Paul A. Viola,et al.  Rapid object detection using a boosted cascade of simple features , 2001, Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001.

[4]  Narendra Ahuja,et al.  Gross motion planning—a survey , 1992, CSUR.

[5]  C. Stiller,et al.  Vehicle detection fusing 2D visual features , 2004, IEEE Intelligent Vehicles Symposium, 2004.

[6]  R. Nagel,et al.  An integrated simulation framework for cognitive automobiles , 2007, 2007 IEEE Intelligent Vehicles Symposium.

[7]  J. Eberspacher,et al.  Intelligent Wireless Communication for Future Autonomous and Cognitive Automobiles , 2007, 2007 IEEE Intelligent Vehicles Symposium.

[8]  M. Werling,et al.  Low-level controllers realizing high-level decisions in an autonomous vehicle , 2008, 2008 IEEE Intelligent Vehicles Symposium.

[9]  Steven M. LaValle,et al.  Planning algorithms , 2006 .

[10]  J. Schroder,et al.  Behavior Decision and Path Planning for Cognitive Vehicles using Behavior Networks , 2007, 2007 IEEE Intelligent Vehicles Symposium.

[11]  C. Duchow,et al.  Aggregating lane markings into lanes for intersection assistance , 2007, 2007 IEEE Intelligent Vehicles Symposium.

[12]  Matthew Richardson,et al.  Markov logic networks , 2006, Machine Learning.

[13]  Jens Rasmussen,et al.  Skills, rules, and knowledge; signals, signs, and symbols, and other distinctions in human performance models , 1983, IEEE Transactions on Systems, Man, and Cybernetics.

[14]  Takeo Kanade,et al.  A statistical method for 3D object detection applied to faces and cars , 2000, Proceedings IEEE Conference on Computer Vision and Pattern Recognition. CVPR 2000 (Cat. No.PR00662).

[15]  Sebastian Thrun,et al.  Robotic mapping: a survey , 2003 .

[16]  P. Zimmer,et al.  Cooperation of Cars and Formation of Cooperative Groups , 2007, 2007 IEEE Intelligent Vehicles Symposium.

[17]  Sebastian Thrun,et al.  Learning Occupancy Grid Maps with Forward Sensor Models , 2003, Auton. Robots.

[18]  Thao Dang,et al.  Self-calibration for Active Automotive Stereo Vision , 2006, 2006 IEEE Intelligent Vehicles Symposium.

[19]  M. Althoff,et al.  Online Verification of Cognitive Car Decisions , 2007, 2007 IEEE Intelligent Vehicles Symposium.

[20]  Quantitative Movement Prediction based on Qualitative Knowledge about Behavior , 2005, Künstliche Intell..