Carsten Knöppel

LaneLoc: Lane marking based localization using highly accurate maps

Precise and robust localization in real-world traffic scenarios is a new challenge arising in the context of autonomous driving and future driver assistance systems. The required precision is in the range of a few centimeters. In urban areas this precision cannot be achieved by standard global navigation satellite systems (GNSS). Our novel approach achieves this requirement using a stereo camera system and a highly accurate map containing curbs and road markings. The maps are created beforehand using an extended sensor setup. GNSS position is used for initialization only and is not required during the localization process. In the paper we present the localization process and provide an evaluation on a test track under known conditions as well as a long term evaluation on approximately 50 km of rural roads, where a precision in centimeter-range is achieved.

Lane Recognition on Country Roads

Most of the common lane recognition systems are designed to work on well structured roads and rely on the existence of markings. In this paper we present a lane recognition scheme for country roads. Our novel approach works even in the absence of markings. The parameter estimation is formulated as a maximum-a-posteriori estimation task fusing color, texture, and edges. The framework can easily be extended by additional features not considered here. The optimization is carried out by means of a particle filter. Efficient computation schemes allow running the system in video real-time using a standard PC. The proposed algorithm can cope with varying feature statistics. Practical tests prove the robustness on marked as well as unmarked roads.

Video based localization for Bertha

In August 2013, the modified Mercedes-Benz SClass S500 Intelligent Drive (“Bertha”) completed the historic Bertha-Benz-Memorial-Route fully autonomously. The self-driving 103 km journey passed through urban and rural areas. The system used detailed geometric maps to supplement its online perception systems. A map based approach is only feasible if a precise, map relative localization is provided. The purpose of this paper is to give a survey on this corner stone of the system architecture. Two supplementary vision based localization methods have been developed. One of them is based on the detection of lane markings and similar road elements, the other exploits descriptors for point shaped features. A final filter step combines both estimates while handling out-of-sequence measurements correctly.

Towards multi-cue urban curb recognition

This paper presents a multi-cue approach to curb recognition in urban traffic. We propose a novel texture-based curb classifier using local receptive field (LRF) features in conjunction with a multi-layer neural network. This classification module operates on both intensity images and on three-dimensional height profile data derived from stereo vision. We integrate the proposed multi-cue curb classifier as an additional measurement module into a state-of-the-art Kaiman filter-based urban lane recognition system. Our experiments involve a challenging real-world dataset captured in urban traffic with manually labeled ground-truth. We quantify the benefit of the proposed multi-cue curb classifier in terms of the improvement in curb localization accuracy of the integrated system. Our results indicate a 25% reduction of the average curb localization error at real-time processing speeds.

Autonomes Fahren auf der historischen Bertha-Benz-Route

Zusammenfassung Im Jahre 1888 trat Bertha Benz die erste Überlandfahrt in der Geschichte des Automobils an. 125 Jahre später wiederholte die Mercedes Benz S-Klasse S 500 Intelligent Drive diese historische Fahrt von Mannheim nach Pforzheim – selbständig, ohne Fahrereingriff und im realen Verkehr. Die Bertha-Benz-Route ist 103 km lang und zeichnet sich durch eine breite Vielfalt von zu bewältigenden Fahrsituationen aus, die repräsentativ für den heutigen Alltagsverkehr sind. Die Strecke beinhaltet die Innenstädte von Mannheim und Heidelberg sowie die Durchfahrung von 23 Ortschaften und kleineren Städten. Zu den Situationen, die ein autonomes Fahrzeug auf der Bertha-Benz-Route beherrschen muss, gehören z. B. Kreisverkehre, Kreuzungen mit und ohne Ampelanlagen, Zebrastreifen, Überholen von Radfahrern oder enge Ortsdurchfahrten mit entgegenkommendem Verkehr. Eine Besonderheit des vorgestellten Projektes war die ausschließliche Verwendung seriennaher Sensorik. Kameras und Radarsensoren in Verbindung mit einer präzisen digitalen Karte ermöglichten die Erfassung des Fahrzeugumfelds auch in komplexen Situationen. Dieser Artikel liefert eine Systemübersicht des Fahrzeugs. Er beschreibt die kamerabasierte Umgebungswahrnehmung, die verwendeten digitalen Karten und die kartenrelative Selbstlokalisierung sowie die Manöverplanung in komplexen Verkehrsszenarien.

Detektion und Bestimmung des Abstandes von Straßenfahrzeugen in großer Entfernung

In dem hier vorgestellten Beitrag wird ein zweistufiges Verfahren zur Objekterkennung und Abstandsbestimmung von Strasenfahrzeugen auf Autobahnen und Landstrasen vorgestellt. Zunachst wird eine entfernungsbasierte Bildsegmentierung unter Verwendung eines Stereokamerasystems durchgefuhrt. Hieraus werden relevante Bildbereiche extrahiert, die erhabene Objekte kennzeichnen. Diese konnen neben Strasenfahrzeugen beispielsweise auch Bruckenpfeiler, Busche oder Leitplanken sein. Um nun Strasenfahrzeuge in den extrahierten Bildbereichen zu erkennen, wird im darauffolgenden Schritt eine Klassifizierung durchgefuhrt. Mit Hilfe von Clusteralgorithmen werden typische Merkmale von Strasenfahrzeugen bestimmt. Nach diesen Merkmalen wird in den relevanten Bildbereichen gesucht, und ihre Orte mit der internen 2-D Modellvorstellung eines neuronalen Netzes verglichen. Die resultierenden Objekte werden uber die Zeit verfolgt und deren Abstand und laterale Position relativ zum eigenen Fahrzeug bestimmt. Daraus kann ihre situative Relevanz fur das eigene Fahrverhalten berechnet werden.

Robuste Erkennung von Straßenfahrzeugen im Rückraumbereich eines Straßenfahrzeuges

In diesem Beitrag wird ein Verfahren zur spurgenauen Objekterkennung und Abstandsbestimmung von Strasenfahrzeugen im Ruckraumbereich eines Strasenfahrzeuges vorgestellt. Zur Erkennung von Strasenfahrzeugen wird das Bewegungsverhalten von Objekthypothesen, die ein Stereokamerasystem aufgrund einer 3D Vermessung des Ruckraumes liefert, bewertet. Zur Unterdruckung von fehlerhaften Detektionen werden die Objekthypothesen mit einem Kaiman-Filter gestutzten Trackingalgorithmus uber die Zeit verfolgt. Die resultierenden Objekte sowie der gefahrene Weg des eigenen Fahrzeuges werden in eine lokale Karte eingetragen. Die Relevanz erkannter Objekte kann mit Hilfe dieser Karte ermittelt werden.