Christoph Hinniger 
 M. Sc. Wirtschaftsingenieurwesen Maschinenbau 
 

Lidar Hinderniserkennung

Im Zuge dieses Projektes wurde ein Programm geschrieben, mit dem Lidar Punktwolken von automatisierten Fahrzeugen analysiert werden. Diese Analyse beinhaltet zum einen das Filtern der Punktwolke, das Segmentieren von Objekten und befahrbarer Straße und das Clustern von den Objekten, einschließlich Ziehen von Bounding Boxen. Die daraus gewonnenen Informationen können anschließend in das Umfeldmodell einfließen. Ein Video des Ergebnisses, sowie eine detailliertere Beschreibung folgen unten.

 

 Video


 

 


Für die Untersuchung der Punktwolke wurde ein Programm mittels C++ geschrieben. Zum Laden und Untersuchen der Messpunkte wurde die Bibliothek "Point Cloud Libary" genutzt. Die Messpunkte beinhalten Werte zur Lokalisierung im dreidimensionalen Raum (X,Y,Z), sowie einen Wert, der die Intensität des reflektierten Signals beschreibt.


 


Nach dem Laden der Messpunkte wurde die Punktwolke gefiltert. Dies war sinnvoll, da die Dichte die Laufzeit stark einschränkte und - vor allem in Fahrzeugnähe - nicht so hochauflösend benötigt wurde. Hierbei wurden zunächst Messpunkte entfernt, die seitlich des Fahrzeugs und außerhalb der Straßenbreite lagen, wie zum Beispiel Hauswände. Anschließend wurde eine Voxel Grid Filterung implementiert. Hierbei wird ein dreidimensionales Gitternetz über die Punktwolke gelegt und es wird nur ein Messpunkt aus jedem Voxel übernommen.




 

Die gefilterte Punktwolke wurde durch Implementierung des RANSAC Algorithmus in zwei kleinere Wolken aufgeteilt: eine mit den Messpunkten der befahrbaren Straße und eine mit den Messpunkten von Objekten auf der Straße. Der Algorithmus ermöglichte das Auffinden von Messpunkten, die auf einer Plane lagen, auch wenn viele Ausreißer (wie zum Beispiel Autos) existierten. Nach zufälliger Auswahl dreier Punkte aus der Punktwolke wurde anschließend mit dem Algorithmus eine Plane durch diese gelegt. Danach folgte die Überprüfung, welchen Abstand alle anderen Punkte zur Plane hatten. Dieser Prozess wurde iterativ so lange durchgeführt, bis die beste Plane ermittelt war.

 




Zum Unterteilen der einzelnen Verkehrsteilnehmer in der Objektpunktwolke wurde ein euklidischer Clusteralgorithmus angewendet. Hierbei wurde jeder Punkt in der Punktwolke in einer Schleife eingearbeitet. Wurde ein Punkt nicht vorher betrachtet, musste ein neues Cluster erstellt und eine Funktion zum Berechnen der Nähe anderer Punkte aufgerufen werden, wofür ein KD-Tree genutzt wurde. In einer weiteren Schleife wurde durch diese nahen Punkte iteriert, und die Funktion wurde rekursiv aufgerufen. Als Ergebnis erhielt man für jedes Fahrzeug auf der Straße ein neues Cluster.




Zuletzt werden Bounding Boxen um die gefundenen Objekte gezogen. Diese repräsentieren den Bereich, bei dem es zu einer Kollision kommen kann.