• Zielgruppen
  • Suche
 

Projekt 1: Bestimmung und Übertragung von Beobachtungsunsicherheit mit Verfahren der Intervallmathematik (Prof. Dr.-Ing. Steffen Schön)

Intervalle (Jaulin et al 2001) können als natürliche Vorgehensweise angesehen werden, um Unsicherheiten in Navigationssystemen wie GPS, IMU oder optischen Sensoren wie Laserscanner zu beschreiben, da keine Annahmen über zugrundeliegende Wahrscheinlichkeitsverteilungen getroffen werden müssen. Die lineare Unsicherheitsfortpflanzung eignet sich insbesondere zur Betrachtung von Restsystematiken (Schön 2016, Schön und Kutterer 2006). In einem laufenden Dissertationsprojekt (Dbouk und Schön 2019) haben wir die Geometrie des Navigationsproblems genutzt und durch Schnitt von Beobachtungsintervalle mögliche Punktpositionen abgeleitet und grobe Ausreißer eliminiert, vgl. Abb. 1. Alle Ergebnisse basieren jedoch auf sinnvollen Annahmen für die Intervallgrößen.

In diesem Dissertationsvorhaben sollen in einem ersten Schritt diese Intervalle messtechnisch abgeleitet werden. Dazu sollen die Mapathon-Daten weiter ausgewertet werden sowie neue Experimente im urbanen Gebiet und Labormessungen im neuen HITEC Forschungsgebäude geplant und mit hochpräzisions wie auch typischen GPS und IMU Sensoren durchgeführt werden. Besonderes Interesse liegt auf der Einschließung von Abweichungen von GPS Code und Trägerphasenbeobachtungen. Für Inertialsensoren sollen Methoden entwickelt werden die die Intervallunsicherheit durch die Differentialgleichungen des Strap-Down Algorithmus fortpflanzt ohne die Intervalle künstlich aufzublähen.

 

Publications

Dbouk H. and Schön S. (2019): Reliability and Integrity Measures of GPS Positioning via Geometrical Constraints. Proceedings of the 2019 International Technical Meeting of The Institute of Navigation, Reston, Virginia, January 2019, pp. 730-743. DOI: 10.33012/2019.16722

Jaulin L., Kieffer M., Didrit O., Walter E. (2001): Applied Interval Analysis with Examples in Parameter and State Estimation, Robust Control and Robotics. Springer, London

Schön S. (2016): Interval-based reliability and integrity measures. Proc. ESA Navitec 2016

Schön, S., Kutterer, H. (2006): Uncertainty in GPS Networks due to Remaining Systematic Errors: The Interval ApproachJournal of Geodesy 80(3):150-162, DOI: 10.1007/s00190-006-0042-z

Projekt 2: Validation and quality assurance concepts for collaborative multi-sensor-systems (Prof. Dr.-Ing. Ingo Neumann)

Nowadays, the judgement of the quality of results (including integrity) for dynamic sensor networks is an important issue. This is of great importance when the results are used, e.g., in the context of (relative) positioning of autonomous cars. A typical example is the uncertainty of the mapped environment (point cloud) from a multi-sensor system (MSS) which is not homogeneous and depends on many different influencing factors.

Within this project a new methodology for the validation and quality assurance for collaborative interacting MSS shall be developed. Especially the gain by the collaboration for the uncertainty and integrity shall be judged. The starting point of this process is a reference product (e.g. 3D mapping information) and trajectory, which is compared with the results of the collaborative systems (backward modelling). The quality parameters of the interacting MSS are then obtained by an inverse global optimization. This includes the sensor properties, the trajectory and other relevant parameters. The obtained results can be later used for the forward quality modelling of the collaborative MSS.

The algorithms developed for the filtering of the trajectory from Sun et al. (2018) provides a basic input and the relevant quality parameters are numerically determined by the newly developed inverse method.

Publications

Stenz, U.; Hartmann, J.; Paffenholz, J.-A.; Neumann, I. (2017): A Framework Based on Reference Data with Superordinate Accuracy for the Quality Analysis of Terrestrial Laser Scanning-Based Multi-Sensor-Systems, Sensors 2017, 17(8), 1886. DOI: 10.3390/s17081886.

Sun, L.; Alkhatib, H., Paffenholz, J.-A.; Neumann, I. (2018): Geo-Referencing of a Multi-Sensor System Based on Set-membership Kalman Filter. In: 21st International Conference on Information Fusion (FUSION) 2018, Cambridge, United Kingdom, July 10-13, 2018, p. 889 - 896. DOI: 10.23919/ICIF.2018.8455763, ISBN: 978-0-9964527-6-2.

Sun, L.; Alkhatib, H.; Kargoll, B.; Kreinovich, V.; Neumann, I. (2018): A new Kalman filter model for nonlinear systems based on ellipsoidal bounding. Submitted to Journal of Optimization and Theory and Applications.
arXiv: 1802.0297

Projekt 3: Integritätsmaße für die hierarchische und inkrementelle Erfassung von Kartendaten (Prof. Dr.-Ing. Monika Sester)

Die von mehreren Verkehrsteilnehmern gemeinsam erfassten Daten zeichnen sich durch unterschiedliche Detailliertheit, Genauigkeit und Vollständigkeit aus. Die Integration und Fusion dieser Informationen in eine konsistente dynamische Karte erfordert die Integration und Propagierung von Qualitäts- und Integritätsmaßnahmen auf den verschiedenen Darstellungsebenen. Das Projekt umfasst die Definition von Mehrskalen-Repräsentationen von Qualitätsmaßen sowie Mechanismen für die Propagierung dieser Massnahmen über die verschiedenen Repräsentationen hinweg, insbesondere über verschiedene Skalen. Methoden der kartographischen Generalisierung, des maschinellen Lernens und der Optimierung werden hierfür erforderlich sein.

Publications

Sester, M., Arsanjani, JJ., Klammer, R., Burghardt, D. & Haunert, JH. (2014): Integrating and Generalising Volunteered Geographic Information. Abstracting Geographic Information in a Data Rich World, Springer, 119‐155.

Schulze, M.; Brenner, C. & Sester, M. (2012): Cooperative information augmentation in a geosensor network, Advances in Geo‐Spatial Information Science, CRC Press

Hampe, M.; Sester, M. & Harrie, L. (2004): Multiple representation databases to support visualisation on mobile devices. In: Altan, O. (Hg.): XXth ISPRS Congress, Technical Commission IV, B4. XXth ISPRS Congress. Istanbul (ISPRS International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXV), S. 135–140.

Sester, M. (2005): Optimizing Approaches for Generalization and Data Abstraction, International Journal of Geographic Information Science, vol. 19 Nr. 8-9, pp. 871-897

Projekt 4: Kollaborative Navigation: Robuster gegen Ausreißer? (Prof. Dr.-Ing. Steffen Schön)

Kollaborative Navigation beinhaltet die gemeinsame Bestimmung der Pose von Verkehrsteilnehmern (Fahrzeugen, Fußgängern, etc.), die mit unterschiedlicher Navigationssenorik wie GNS, IMU, LIDAR Kameras ausgestattet sind, durch Austausch der Navigationsinformation und Messungen zwischen den Teilnehmern bzw. der Infrastruktur (Garcia and Schön 2018). Betrachtet man eine zentralistische Datenverarbeitung so kann aus allen vorliegenden Beobachtungsdaten eine optimale Posenschätzung in einem gemeinsamen Filter ausgeführt werden. Städtische Umgebung sind sehr herausfordern für Navigationssensorik beispielsweise durch Mehrwegeeffekte oder starke Satellitenabschattung bei GNSS. Als Folge wird die Geometrie des Navigationsproblems geschwächt und die Datenqualität leidet stark.

In diesem Dissertationsvorhaben sollen die Chancen und Grenzen der Kollaborativen Navigation zur Verbesserung der Qualitätsanalyse der Beobachtungen und Steigerung der Zuverlässigkeit und Integrität ausgelotet werden. In einem ersten Schritt sind dazu neue Konzepte zur Bestimmung von Zuverlässigkeit und Integrität für die kollaborative Navigation zu entwickeln und diese in Simulationsstudien zu testen. Dies beinhaltet die Nutzung partieller GNSS Informationen (weniger als 4 Satelliten), Verwendung von Atomuhren, Betrachtung des Verkehrsfluss und geparkter Fahrzeuge. Als Ergebnis werden allgemeine Aussagen erwartet zum Einfluss der Kollaboration auf die Integrität, sowie den treibenden Faktoren die diesen Einfluss bestimmen. Darüber hinaus werden neue Konzepte zur Ausreißersuche in kollaborativen Netzen (beispielsweise basierend auf Maximum Consensus) entwickelt und anhand reale Daten getestet.

Publications

 

Garcia-Fernandéz N., Schön S. (2018). Evaluating a LKF Simulation Tool for Collaborative Navigation Systems, Proceedings of IEEE/ION PLANS. DOI:10.1109/plans.2018.8373539

Projekt 5: Erkennung und kollaborative Verfolgung von Fahrzeugen unter Einbeziehung UAV-basierter Luftaufnahmen (apl. Prof. Dr. tech. Franz Rottensteiner)

In diesem Dissertationsprojekt wird der Beitrag untersucht, den von UAVs aufgenommene Luftbilder zur kollaborativen Positionierung von Fahrzeugen liefern können. Ein UAV nimmt Luftbilder des Straßenraums auf, in denen Fahrzeuge abgebildet werden, die untereinander und mit dem UAV kommunizieren können. Die Fahrzeuge haben Stereokameras und können sich damit relativ zu einander positionieren. Diese relativen Posen können zwar die Relativgenauigkeit der Positionierung erhöhen, es ist aber durch Sichteinschränkungen mit einer ungünstigen Konfiguration des so erhaltenen Blocks zu rechnen. Die Luftbilder können die Blockgeometrie wegen der besseren Übersicht stützen. Zu diesem Zweck müssen geeignete Verfahren gefunden werden, um die in einem UAV-Bild sichtbaren Fahrzeuge zu erkennen und deren Geometrie zu rekonstruieren. Die Eckpunkte der so rekonstruierten Fahrzeugpunkte können einerseits als Verknüpfungspunkte für die Positionierung von Fahrzeugmodellen im Objektraum dienen; andererseits kann auf diese Weise noch das Fahrzeugmodell aus der gesamten verfügbaren Information (Stereobilder aus den Fahrzeugen, UAV-Bilder) konsistent geschätzt werden. Gleichzeitig soll auch eine kollaborative Verfolgung der Objekte über die Zeit, die sie vom UAV aus beobachtet werden können, erfolgen. Im Vergleich zu dem im Rahmen von i.c.sense bereits entwickelten Verfahren zur Fahrzeugrekonstruktion liegt die Herausforderung im Fehlen der Stereo-Information sowie in der für die Nutzung vortrainierter Klassifikatoren ungünstigen Blickrichtung von oben. Desweiteren ist das Problem des kollaborativen Tracking zu lösen. Zur Evaluierung sollen im Rahmen der Experimentierstube reale Daten mit einem UAV und mehreren mit Stereokameras ausgerüsteten Fahrzeugen an Straßenkreuzungen erfasst werden.

 Publications

Molina, P.; Blázquez, M.; Cucci, D.A.; Colomina, I. (2017). First Results of a Tandem Terrestrial-Unmanned Aerial mapKITE System with Kinematic Ground Control Points for Corridor Mapping. Remote Sens. 2017, 9, 60.

Coenen, M.; Rottensteiner, F.; Heipke, C. (2018). Recovering the 3D pose and shape of vehicles from stereo images.. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences IV-2, pp. 73-80, 2018.

Projekt 6: Kollaborative Positionierung mittels Bildsensoren (Prof. Dr.-Ing. Christian Heipke)

In diesem Dissertationsprojekt wird untersucht, wie für die integre, kollaborative Positionierung mit GNSS und Bildsensoren in dynamischen Sensornetzen, in denen sich die Knoten gegenseitig erkennen und über ihren Zustand austauschen, die ursprünglichen Sensordaten (z. B. Grauwerte), daraus abgeleitete Größen (z. B. Bildmerkmale) und die relativen Posen am besten kombiniert werden können. Grundlage des Projekts sind Ansätze der photogrammetrischen Punktbestimmung mittel Bündelausgleichung, die geeignet zu erweitern sind. Dabei muss die Archi­tektur der Gesamtlösung (zentral vs. dezentral) und die prinzipielle Bestimmbarkeit einer Lösung inklusive deren Qualität auch unter eingeschränkten Bedingungen berücksichtigt wer­den. Unter Nutzung der digitalen Karte ist durch Simulationen und mit echten Daten für verschiedene Szenarien der Experimentierstube, wie z.B. eine dicht befahrene Straße mit GNSS-Abschattung, zu untersuchen, in welchem Umfang durch die Kollaboration eine ausreichend genaue und zuverlässige Positionierung auch in Bereichen möglich wird, in denen kein ausreichende GNSS-Information vorhanden ist.

 Publications

Molina, P.; Blázquez, M.; Cucci, D.A.; Colomina, I. (2017). First Results of a Tandem Terrestrial-Unmanned Aerial mapKITE System with Kinematic Ground Control Points for Corridor Mapping. Remote Sens. 2017, 9, 60.

Yu H., Li H., Yang Z. (2019). Collaborative Visual SLAM Framework for a Multi-UAVs System Based on Mutually Loop Closing, Wireless and Satellite Systems. In: 10th EAI International Conference, WiSATS 2019, Harbin, China, January 12–13, 2019, Proceedings, Part I – LNCS, Springer.

Projekt 7: Integrity contained navigation based on vehicle data and constrained colaborative information (Prof. Dr.-Ing. Ingo Neumann)

The positioning and navigation of vehicles is usually based on the combination of global navigation satellite systems (GNSS) and additional inertial sensors (IMU). I.e. for long periods, the results rely mainly on the GNSS measurements. This means, that in case of GNSS interruptions and also outliers the positioning and navigation is not a process with integrity any more. This applies i.e. to difficult town environments and indoor application. To overcome this problem, a new methodology was developed which introduces constrained information to the vehicle data. Examples are vertical facades and horizontal street surfaces within a given tolerance zone. This information acts as inequality constraints in a trajectory estimation (Vogel et al. 2018). The determination of the facades and their geometric characteristic can e.g. be determined by high-end mobile mapping systems or by a collaborative mapping from a large number of autonomous vehicles. Furthermore, construction standards from ISO are available to judge the tolerance values of the buildings.

Within the new project, this methodology is extended to constrained collaborative positioning and navigation in difficult environments. Furthermore, the algorithms are transferred to mass date. The main extension lies in the integrity checking of the network. Each vehicle and their sensors together with their collaborative observations are checked within a constrained network. The methods and algorithms shall be applied to the Mapathon data. This implies the judgement of the usability of the façade information for the above task.

 Publications

Schön, S.; Brenner, C.; Alkhatib, H.; Coenen, M.; Dbouk, H.; Garcia-Fernandez, N.; Fischer, C.; Heipke, C.; Lohmann, K.; Neumann, I.; Nguyen, U.; Paffenholz, J.-A.; Peters, T.; Rottensteiner, F.; Schachtschneider, J.; Sester, M.; Sun, L.; Vogel, S.; Voges, R.; Wagner, B. (2018): Integrity and Collaboration in Dynamic Sensor Networks, In: Sensors 2018, 18(7), 2400, p.21.
DOI: 10.3390/s18072400

Vogel, S.; Alkhatib, H.; Neumann, I. (2018): Iterated Extended Kalman Filter with Implicit Measurement Equation and Nonlinear Constraints for Information-Based Georeferencing, In: 21st International Conference on Information Fusion (FUSION) 2018, Cambridge, United Kingdom, July 10-13, 2018, p. 1209-1216.

Projekt 8: Lokalisierung und Kartierung mittels Maximum Consensus Techniken (apl. Prof. Dr.-Ing. Claus Brenner)

Für mobile Systeme ist die robuste Lokalisierung und Kartierung von überragender Bedeutung. Oftmals werden für die Repräsentation von Unsicherheiten parametrische Verteilungen verwendet, sowohl für die Pose der mobilen Systeme, als auch für die Umgebungskarte. Sie können zwar effizient berechnet werden, sind jedoch nicht in der Lage, Abweichungen von der gewählten Verteilungsfunktion zu modellieren. Eine häufig auftretende Quelle derartiger Abweichungen stellen Fehlzuordnungen im Rahmen von Lokalisierungs- und Kartierungsproblemen dar. Diese treten z.B. aufgrund von fehlerhaften Messungen, falschen Annahmen über die Eigenposition oder veränderlichen Umgebungen auf. Werden sie nicht als Ausreißer erkannt, führen sie zu einer fehlerhaften Schätzung des Systemzustands, die oft nur schwer aufgedeckt werden kann.

Zur Schätzung von Zuständen wurden in der jüngeren Vergangenheit insbesondere Maximum Consensus Techniken diskutiert. Sie sind sehr robust gegenüber Ausreißern, führen jedoch in der Regel zu einem hohen Rechenaufwand. Für Systeme mit hohen Integritätsanforderungen können sie jedoch eine interessante Lösung darstellen, nicht nur aufgrund ihrer Robustheit, sondern auch, weil sie die Identifikation von fehlerhaften Informationsquellen erlauben.

In diesem Dissertationsprojekt soll die Anwendbarkeit derartiger Techniken für Probleme der Filterung, Glättung und Ausgleichung betrachtet werden, insbesondere im Hinblick auf die Lokalisierung von mobilen Sensoren unter Verwendung von Umgebungskarten. Zur Modellierung der Abhängigkeiten bieten sich probabilistische graphische Modelle an, zur Inferenz entsprechend Message Passing Ansätze. Als Rechenmodell kann die parallele Berechnung, zum Beispiel auf massiv parallelen Clustern oder auf GPUs, betrachtet werden. Auch die Verwendung von maschinellen Lernverfahren, insbesondere von Deep Learning, kann untersucht werden, Beispielsweise zur Ableitung von Gütemaßen für Konsenssituationen.

 Publications

Li, H. (2009). Consensus set maximization with guaranteed global optimality for robust geometry estimation. In: IEEE international conference on computer vision (ICCV), pp. 1074–1080.

T.-J. Chin and D. Suter (2017). The maximum consensus problem: recent algorithmic advances. Synthesis Lectures on Computer Vision (Eds. Gerard Medioni and Sven Dickinson), Morgan & Claypool Publishers, San Rafael, CA, U.S.A.

Projekt 9: Kombination von probabilistischer und intervallbasierter Fehlermodellierung zur Sensordatenfusion auf mobilen Robotern (Prof. Dr.-Ing. Bernardo Wagner)

Um die Ergebnisse verschiedener Verfahren (z.B. Lokalisation, Kartierung, Hinderniserkennung usw.) verlässlich einzugrenzen, werden in der mobilen Robotik Verfahren, die auf der Intervallarithmetik basieren, eingesetzt. Diese Verfahren berechnen ein Intervall, bestehend aus einer unteren und oberen Schranke, das die tatsächliche Lösung enthält. Ein solches Intervall ist jedoch oft nicht genau genug, um einen Punkt darin zu definieren, der beispielsweise als Eingabe für einen Regler dienen kann.

Nichtsdestotrotz bieten Ansätze, die auf der Intervallarithmetik beruhen, viele Vorteile gegenüber probabilistischen Ansätzen (beispielsweise können Ergebnisse unter gegebenen Annahmen garantiert werden, systematische Fehler modelliert werden und Linearisierungsfehler vermieden werden). Zusätzlich können diese Ansätze verwendet werden, um falsche Ergebnisse auszuschließen, ohne dabei eine Aussage darüber zu treffen, an welcher Stelle in dem Intervall sich die tatsächliche Lösung befindet. Als einfache punktuelle Näherung kann aber beispielsweise der Mittelpunkt eines Intervalls dienen.

Andererseits werden häufig probabilistische Ansätze für verschiedene Probleme im Bereich der mobilen Robotik verwendet. Diese berechnen punktuelle Ergebnisse, die jedoch nicht garantiert werden können und aufgrund systematischer Fehler oder Linearisierungsfehlern möglicherweise erheblich von der tatsächlichen Lösung abweichen. Das Ziel dieses Projekts ist es, probabilistische und intervallbasierte Verfahren zu kombinieren, um auf der einen Seite die Integrität der Lösung gewährleisten zu können und zum anderen punktuelle Ergebnisse zu liefern, die für weitere Berechnungen genutzt werden können.

 Publications

L. Jaulin, M. Kieffer, O. Didrit, and É. Walter (2001), Applied Interval Analysis. Springer London, 2001.

R. Neuland, R. Maffei, L. Jaulin, E. Prestes, and M. Kolberg (2014). Improving the precision of AUVs localization in a hybrid interval-probabilistic approach using a set-inversion strategy, Unmanned Systems, vol. 02, no. 04, pp. 361–375, 2014.

M. Langerwisch and B. Wagner. Guaranteed mobile robot tracking using robust interval constraint propagation, Lecture Notes in Computer Science, pp. 354–365, 2012. DOI:dx.doi.org/10.1007/978-3-642-33515-0_36.