Crowdsourced HD map learning & maintenance for automated driving

Abstract: Automated driving promises increased safety, efficiency and comfort. High-definition maps (HD maps) may be used for localization, to augment the vehicle’s environment perception, extend the foresight and provide a backup strategy in case of sensor failures. However, as the world changes continuously due to construction sites, newly built roads or other developments, the maps must be constantly updated. This is challenging with state-of-the-art methods relying on dedicated measuring vehicles equipped with high-cost sensors that can only examine a small fraction of the road network every month. Using floating car data collected from vehicles already on the road provides greater coverage and faster update frequencies. The contribution of this thesis is to provide a full stack solution to (i) learn an HD map from this kind of data on a large scale from scratch, and (ii) efficiently keep this map up to date with a change detection system, patching the map only where necessary. In this work, we focus on the localization layer of the map consisting of georeferenced semantic point landmarks such as traffic lights, traffic signs or arrows and line landmarks such as lane markings or road boundaries
Abstract: Automatisiertes Fahren verspricht erhöhte Sicherheit, Effizienz und Komfort. Hochgenaue digitale Karten (HD-Karten) können dabei für die Lokalisierung, zur Vervollständigung der Fahrzeug Umgebungserfassung, für eine erweiterte Voraussicht oder als Rückfallebene bei Sensorausfällen einen entscheidenden Beitrag leisten. Allerdings verändert sich die Welt ständig, zum Beispiel durch den Bau neuer oder die Umgestaltung bestehender Straßen, so dass die Karten kontinuierlich aktualisiert werden müssen. Das ist mit herkömmlichen Methoden, die dedizierte Messfahrzeuge nutzen, schwierig. Weil diese Messfahrzeuge mit teuren Sensoren ausgestattet werden müssen, betreiben Kartenhersteller nur vergleichsweise kleine Flotten von Messfahrzeugen, die wiederum nur einen kleinen Teil des Straßennetzes pro Monat erfassen können. Hingegen bieten anonymisierte Flottendaten, gesammelt von Fahrzeugen, die täglich bereits aus anderen Gründen auf der Straße unterwegs sind, eine deutlich größere Abdeckung und ermöglichen dadurch schnellere Aktualisierungszyklen. Der Beitrag der vorliegenden Dissertation ist die Bereitstellung eines kompletten Lösungssatzes für (i) das Lernen einer großflächigen HD-Karte basierend auf dieser Art von Flottendaten und (ii) die effiziente Instandhaltung dieser Karte mit einer Änderungserkennung, die veraltete Kartenabschnitte identifiziert und gezielt aktualisiert. In dieser Arbeit fokussieren wir uns auf die Lokalisierungsschicht der Karte, bestehend aus georeferenzierten semantischen Punktlandmarken wie Ampeln, Verkehrsschildern oder Pfeilen und Linienlandmarken wie Straßenmarkierungen oder Fahrbahnbegrenzungen

Angaben zum Objekt

• Standort: Deutsche Nationalbibliothek Frankfurt am Main
• Umfang: Online-Ressource
• Sprache: Englisch
• Anmerkungen: Universität Freiburg, Dissertation, 2021

Klassifikation und Themen

• Schlagwort: Maintenance ; SLAM-Verfahren ; Karte ; Autonomes Fahrzeug ; Änderungserkennung ; Digitale Karte ; GPS ; GNSS

Beteiligte, Orts- und Zeitangaben

• Ereignis: Veröffentlichung
• (wo): Freiburg
• (wer): Universität
• (wann): 2022
• Urheber: Pannen, David
• Beteiligte Personen und Organisationen: Burgard, Wolfram ; Burgard, Wolfram ; Knoll, Alois ; Albert-Ludwigs-Universität Freiburg. Fakultät für Angewandte Wissenschaften

Weitere Informationen

• DOI: 10.6094/UNIFR/227864
• URN: urn:nbn:de:bsz:25-freidok-2278643
• Rechteinformation: Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
• Letzte Aktualisierung: 25.03.2025, 13:54 MEZ