Integration von GPS in die Kamera- und LiDAR-basierte Lokalisierung eines autonomen Rennwagens

Institut

Lehrstuhl für Fahrzeugtechnik

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

Die Indy Autonomous Challenge (IAC) ist das weltweit erste autonome Kopf-an-Kopf-Rennen mit Fahrzeugen in Realgröße. Mit Geschwindigkeiten bis zu 300 km/h treten im Oktober 2021 internationale Teams am legendären Indianapolis Motor Speedway gegeneinander an.

Um eine präzise Umfeldwahrnehmung zu ermöglichen, sind die Fahrzeuge mit verschiedenen Sensoren (LiDAR, Kamera, Radar, GNSS, IMU, …) ausgestattet. Die Signale dieser Sensoren werden fusioniert um eine möglichst exakte Positionsschätzung zu erhalten. Es besteht bereits ein Konzept, das die Lokalisierung anhand von Kamerabildern und LiDAR-Pointclouds ermöglicht.

Im Rahmen dieser Arbeit soll die Lokalisierungssoftware so erweitert werden, dass GNSS (Global Navigation Satellite System) Informationen integriert werden. Dabei sollen sowohl die erstellten Kartendaten korrigiert als auch die geschätzte Position auf einer bestehenden Karte verbessert werden.

Der Verfasser dieser Arbeit ist Mitglied im IAC-Team der TU München und hat somit die Möglichkeit, eigene Ideen und Ansätze einfließen zu lassen, die beim Rennen tatsächlich auf dem autonomen Fahrzeug laufen werden.

 

Folgende Arbeitspakete umfasst die zu vergebende Studienarbeit:

 

• Einarbeitung in die bestehende Lokalisierung und den visuellen SLAM
• Einarbeitung in bestehende Tools und den Umgang mit Sensordaten
• Analyse und Vergleich verschiedener Ansätze zur Integration des GNSS
• Umsetzung des erarbeiteten Konzepts inklusive Integration in den Gesamtsoftware Stack des TUM Autonomous Motorsport Teams
• Test und Validierung durch Sensordaten (simuliert und real)
• Dokumentation und Visualisierung der Ergebnisse

 

Voraussetzungen

• Eigeninitiative und strukturierte Arbeitsweise
• Spaß am Arbeiten im Team
• Bereitschaft sich in neue Themen einzuarbeiten
• Idealerweise Programmiererfahrung (Python, C++, Git, ROS(2))
• Idealerweise Vorkentnisse im Bereich des autonomen Fahrens

Verwendete Technologien

Python, Git, C++, ROS, SLAM

Tags

FTM Studienarbeit, FTM Fahrdynamik, FTM IVS, FTM Sauerbeck

Möglicher Beginn

sofort

Kontakt

Florian Sauerbeck, M.Sc.
Raum: MW 3508
Tel.: +49 89 289 15342
sauerbeckftm.mw.tum.de