Ground surface pattern recognition for enhanced navigation

Schweigler, Martin; Kowalewski, Stefan (Thesis advisor); Abel, Dirk (Thesis advisor)

Aachen : RWTH Aachen University (2021)
Buch, Doktorarbeit

In: Aachener Informatik-Berichte 2021-07
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen, Diagramme, Karten

Dissertation, RWTH Aachen University, 2021

Kurzfassung

Mit den seit 2005 kontinuierlich zunehmenden Absatzzahlen elektrisch unterstützter Fahrräder ist europaweit auch ein signifikanter Anstieg von Fahrradunfällen mit zum Teil schwerwiegenden Folgen zu verzeichnen. Gleichzeitig wurden in demselben Zeitraum jedoch kaum relevante Fahrerassistenzsysteme vorgestellt, welche diesem Anstieg entgegenwirken könnten, obwohl die Elektrifizierung der sogenannten Pedelecs deren Entwicklung grundsätzlich ermöglicht. Die vorliegende Arbeit kann daher als erster Schritt auf dem Weg zur Realisierung aktiver positions- und situationsabhängiger Sicherheitssysteme angesehen werden, indem die Fahrzustandsbestimmung von Fahrradnavigationssystemen verbessert wird. Im Kern der Arbeit wird ein Positionsschätzer entwickelt, welcher Fahrbahnabschnitte mit signifikanten Oberflächenstrukturen nutzt, um die Positionierungsgenauigkeit eines herkömmlichen GNSS/INS zu stützen. Dabei erkennt das System einzelne, in der Fahrbahnoberfläche befindliche Spots, wie z.B. Kanalabdeckungen oder Schlaglöcher, anhand der vertikalen Beschleunigung, welche beim Überfahren auf das Pedelec wirken. Konkret werden dazu die einzelnen Beschleunigungsprofile mit einem Smartphone aufgezeichnet und offline mit Hilfe von kontinuierlichen Hidden-Markov-Modellen statistisch modelliert. Im Online-Modus werden die trainierten Modelle dann verwendet, um die Spots anhand der Beschleunigungsprofile einzelner Straßenabschnitte beim erneuten Überfahren zuerkennen. Anschließend wird mittels einer inertialen Berechnung der in der Zeit zwischen der Erkennung und Bestimmung des Spots zurückgelegten Wegstrecke die Position des Pedelecs relativ zu dessen globalen Koordinaten bestimmt. Das System verwendet somit statistische Modelle, um die absolute Position des Pedelecs zu schätzen, und wird daher Statistical Absolute Position Estimator oder auch SAPE genannt. Im zweiten Teil der Arbeit wird SAPE verwendet, um ein Navigationssystem zu entwickeln, welches das Potenzial der Bodenflächenmustererkennung aufzeigt. Dazu werden die SAPE-Positionsschätzungen analog zu den GNSS-Messungen unter Verwendung eines Extended Kalman Filters mit einem inertialen Navigationssystem fusioniert. Da die vom Smartphone bereitgestellte inertiale Sensorik keine ausreichende Genauigkeit bietet um ein Stand-Alone-INS zu implementieren, wird die Navigationslösung zusätzlich durch eine Odometrie am Pedelec unterstützt. Das daraus entstehende GNSS, SAPE und Odometrie-gestützte INS wird schließlich mit Hilfe eines RTK GNSS evaluiert und dessen Genauigkeit mit dem eines unter Verwendung der gleichen Low-Cost-Hardwareerstellten herkömmlichen Odometrie-gestützten GNSS/INS verglichen.