Die Auswahl der Sensorik spielt bei autonomen Fahrzeugen eine besondere Rolle, da sich die gesamte Umfelderkennung und die Navigation auf diese Messdaten stützen. Da es keinen perfekten Sensor gibt und jedes Messverfahren mit Fehlern behaftet ist, gilt
es den für die jeweilige Anwendung günstigsten Kompromiss zwischen tolerierbarer Unvollkommenheit und spezifischen Vorteilen zu finden. Diese Problematik stellt sich im
Projekt „Artificial Intelligence Concept Car“ (kurz AICC) und wird im Kontext mit der praktischen Anwendung in dieser Bachelorarbeit näher beleuchtet. Um die Anforderungen
an die Sensorik und die sich daraus ergebenden Problemstellungen besser verstehen zu können, wird zu Beginn auf das grundlegende Konzept autonomer Umfelderkennung und Navigation eingegangen. Im Weiteren werden verschiedenste Sensoren auf deren Eignung
für den Einsatz in autonomen Fahrzeugen geprüft. Basierend auf den gewonnenen Erkenntnissen wird ein den Anforderungen des Projekts AICC angepasstes Sensorkonzept entwickelt. Abschließend wird auf die Einbindung der Sensoren am Konzeptfahrzeug
AICC eingegangen und die damit verbundenen Erkenntnisse werden ausführlich diskutiert.
Inhaltsverzeichnis
Kurzfassung
Abbildungsverzeichnis
Tabellenverzeichnis
Abkürzungsverzeichnis
Einleitung
1 Aufgabenstellung
2 Grundlegendes zur Problemstellung „Autonomes Fahren“
2.1 Positionsbestimmung im Raum - Navigation
2.2 Umfelderkennung - Wegfindung
3 Grundlegende Betrachtung verschiedener Sensortypen
3.1 Anforderungen an die Sensorik
3.2 Sensoren für die Odometrie-Datenermittlung
3.2.1 Inkrementalgeber
3.2.2 Absolutwertgeber
3.2.3 Kompass
3.2.4 Gyroskop
3.3 Sensoren für die Positionstriangulierung
3.3.1 GPS zur direkten Positionsbestimmung
3.3.2 Triangulierung der Position durch W-LAN
3.4 Sensoren für die Umfelderkennung
3.4.1 LIDAR
3.4.2 Kamerasysteme
3.4.3 RADAR
3.4.4 Infrarot-Sensoren
3.4.5 Ultraschall
4 Gegenüberstellung der Sensoren
4.1 Bewertungskriterien für Sensoren
4.2 Beschreibung der Sensoren nach Vor- und Nachteilen
4.2.1 Inkrementalgeber
4.2.2 Kompass
4.2.3 Gyroskop
4.2.4 GPS
4.2.5 WLAN
4.2.6 LIDAR
4.2.7 Kamerasysteme
4.2.8 RADAR
4.2.9 Infrarot-Sensor
4.2.10 Ultraschall-Sensor
4.3 Vergleichsübersicht der Sensoren
5 Erstellen des Sensorkonzeptes
5.1 Das Fahrzeugmodell
5.2 Sensoranordnung
5.2.1 Sensorik für die Odometrie-Datenerfassung
5.2.2 Sensorik für die Umfelderkennung
5.3 Sensor Konzept im Überblick
6 Einbinden der Sensorik am Konzeptfahrzeug AICC
6.1 Einbindung der Inkrementalgeber
6.1.1 Konzept
6.1.2 Schaltungstechnische Umsetzung
6.1.3 Programmierung
6.1.4 Erkenntnisse
6.2 Einbindung des Kompass
6.2.1 Konzept
6.2.2 Programmierung
6.2.3 Erkenntnisse
6.3 Einbindung des LIDAR
6.3.1 Konzept
6.3.2 Schaltungstechnische Umsetzung
6.3.3 Programmierung
6.3.4 Erkenntnisse
6.4 Einbindung der Ultraschall-Sensoren
6.4.1 Konzept
6.4.2 Schaltungstechnische Umsetzung
6.4.3 Programmierung
6.4.4 Erkenntnisse
6.5 Einbindung der Infrarot-Sensoren
6.5.1 Konzept
6.5.2 Schaltungstechnische Umsetzung
6.5.3 Programmierung
6.5.4 Erkenntnisse
7 Erreichte Ziele und gewonnene Erkenntnisse
Literatur- und Quellenverzeichnis
Anhang
Kurzfassung
Die Auswahl der Sensorik spielt bei autonomen Fahrzeugen eine besondere Rolle, da sich die gesamte Umfelderkennung und die Navigation auf diese Messdaten stützen. Da es keinen perfekten Sensor gibt und jedes Messverfahren mit Fehlern behaftet ist, gilt es den für die jeweilige Anwendung günstigsten Kompromiss zwischen tolerierbarer Unvollkommenheit und spezifischen Vorteilen zu finden. Diese Problematik stellt sich im Projekt „Artificial Intelligence Concept Car“ (kurz AICC) und wird im Kontext mit der praktischen Anwendung in dieser Bachelorarbeit näher beleuchtet. Um die Anforderungen an die Sensorik und die sich daraus ergebenden Problemstellungen besser verstehen zu können, wird zu Beginn auf das grundlegende Konzept autonomer Umfelderkennung und Navigation eingegangen. Im Weiteren werden verschiedenste Sensoren auf deren Eignung für den Einsatz in autonomen Fahrzeugen geprüft. Basierend auf den gewonnenen Erkenntnissen wird ein den Anforderungen des Projekts AICC angepasstes Sensorkonzept entwickelt. Abschließend wird auf die Einbindung der Sensoren am Konzeptfahrzeug AICC eingegangen und die damit verbundenen Erkenntnisse werden ausführlich diskutiert.
Suchbegriffe: (Robotik, SLAM, Kalmanfilter, DARPA, LIDAR, RANSAC)
Summary
A vigilant choice of sensor technology is most important for autonomous vehicles, as motion planning and navigation depend on correct measuring data.
Due to the fact that there is no sensor which is convenient for all possible applications, the complicacy is to strike a balance between acceptable imperfection and specific advantages.
This particular challenge is met in context of the project “Artificial Intelligence Concept Car” aka AICC and will be further discussed within the bachelor thesis in hand.
In order to conceive the according sensor technology requirements the basic concept of autonomous motion planning and navigation is described. Consequently different types of sensors are verified and an adequate sensor concept for AICC is developed. Subsequently the implementation of sensors and the gained cognitions are exemplified.
Key words: (Robotic, SLAM, Kalman Filter, DARPA, LIDAR, RANSAC)
Abbildungsverzeichnis
Abb. 1: Quadrature Encoder (vereinfachte schematische Darstellung) [4]
Abb. 2 Inkremental- und Absolutwert- Geber [2]
Abb. 3 Honeywell 3-Axis Digital Compass IC [7]
Abb. 4 Digitaler 3-Axis Tilt Compensated Compass [6]
Abb. 5 Gyroskop mit kardanischer Aufhängung [8]
Abb. 6 Gyro-Sensor, Mini Piezo Electronic [9]
Abb. 7 GPS [11]
Abb. 8 W-LAN Lokalisationsprinzip [2]
Abb. 9 LIDAR Polarkoordinaten & Erfassung von Raumkonturen [12]
Abb. 10 3D Image [13]
Abb. 11 3D Laserscanner von FARO (Photon Laser Scanner) [13]
Abb. 12 Stereo-Vision-System [14]
Abb. 13 Sharp IR-Sensor (li), Funktionsprinzip IR-Sensor (re) [2]
Abb. 14 IR-Kennlinie [17]
Abb. 15 Sende-Empfangs-Betrieb eines Ultraschall-Systems, 40kHz [19]
Abb. 16: SRF 02 Ultraschall-Entfernungsmesser, 40kHz [17]
Abb. 17 Geräteplattform (li) und Geräteplattform mit LiPo-Akkus (re)
Abb. 18 Geräteplattform mit Sensor- und Mainboard
Abb. 19 Sensorkonzept
Abb. 20 Fahrzeugmodell auf Basis des Sensorkonzeptes
Abb. 21 Blockdiagramm des Sensorkonzeptes
Abb. 22 Inkrementalgeberanbindung (li) und Mainboard Platine (re)
Abb. 23 Inkrementalgeber des Fahrantriebes
Abb. 24 PIC18F97J60 Block-Diagramm [20]
Abb. 25 Digitales Kompassmodul OS5000-US
Abb. 26 AICC mit Kompass
Abb. 27 S300 LIDAR Scanner der Firma SICK [12]
Abb. 28 Schutzfeld (1), Warnfeld (2) und Entfernungsmessbereich (3)
Abb. 29 Sensorboard-Schalteingangsauswertung (li) und Sensorbord-Platine (re)
Abb. 30 Schaltungsprinzip der RS422 Schnittstelle
Abb. 31 Pegeldefinition der RS232 Schnittstelle
Abbildung 32 Verbindung von RS422 mit RS
Abb. 33 Beispiel für Request Mode [22]
Abb. 34 Reply Telegram Listing
Abb. 35 SRF02 Ultraschall-Sensor [18]
Abb. 36 Anbindung der Ultraschall-Sensoren am Sensorboard
Abb. 37 IR Sensor GP2Y0A02 der Firma Sharp
Abb. 38 Sensorboardseitige Einbindung der IR-Sensoren
Abb. 39 Analogspannungs-Charakteristik des IR-Sensors
Abb. 40 Projekt AICC nach Fertigstellung
Tabellenverzeichnis
Tabelle 1: Odometrie-Daten / Dead Reckoning
Tabelle 2: Funkgestützte Lokalisation
Tabelle 3: Umfelderkennung
Tabelle 4: Telegram Listing
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
Einleitung
Die praxisorientierte Grundlage dieser Bachelorarbeit stellt das Projekt AICC (Artificial Intelligence Concept Car) dar.
Die Intention, welche zu Beginn hinter dem Projekt stand, war eine Teilnahme an der DARPA Challenge, ein Rennen autonomer Fahrzeuge im Maßstab 1:1, welches in periodischen Abständen in den USA ausgetragen wird.
Innerhalb des zur Verfügung stehenden Projektzeitrahmens von einem Jahr ist ein Erreichen dieses ehrgeizigen Zieles nicht realisierbar. Das Projektteam, bestehend aus Andreas Blassnig, Christopher Kaiser, Florian Prieler, Helmut Angerer und Markus Kandler, konzentriert sich daher auf die Umsetzung des Projektes in einem adaptierten Rahmen.
Das Projekt AICC baut auf einem bestehenden Projekt der FH Kärnten, dem Time Triggered CAR (kurz TT-CAR) auf. Es besteht aus einem Maßstabsmodell im Verhältnis 1:7, welches es ermöglicht, die für autonomes Fahren notwendige Technik zu testen.
Die Projektziele umfassen:
- Aufbau des Maßstabsmodells
- Erstellung eines Sensorkonzeptes
- Positionsbestimmung im Raum (Navigation)
- Aufbau eines Expertensystems[1]
- Realisierung autonomer Wegstreckenbewältigung innerhalb von Gebäuden
Aus der Erstellung des erforderlichen Sensorkonzeptes leitet sich der Titel der vorliegenden Bachelorarbeit ab. Sie beschreibt die Konzeptionierung der Sensorik für autonome, mobile Indoor-Roboter und befasst sich dabei vordringlich mit der Navigation innerhalb von Gebäuden (indoor), welche besondere Anforderungen an die Sensorik stellt.
Die Neugier steht immer an erster Stelle eines Problems, das gelöst werden will. Galileo Galilei (15.02.1564 - 08.01.1642) italienischer Physiker und Astronom
1 Aufgabenstellung
Ziel der Bachelorarbeit ist es, eine Gegenüberstellung und Evaluierung verschiedener Sensortypen im Hinblick auf die Verwendung bei autonomen Fahrzeugen durchzuführen und die im Projekt AICC getroffene Sensorauswahl zu begründen.
Dafür ist es erforderlich, sich mit der Thematik des autonomen Fahrens auseinanderzusetzen und die an die Sensorik gestellten Anforderungen zu spezifizieren.
Anhand der applikationsspezifischen Anforderungen werden Sensoren ausgewählt, die diese bestmöglich erfüllen.
Da sich die Sensoren gegenseitig ergänzen ist es erforderlich, ein Sensorkonzept zu erstellen, welches sich mit dem Zusammenspiel der einzelnen Sensoren beschäftigt.
Die Sensor-Hardware ist in Folge auf dem Konzeptfahrzeug AICC zu implementieren und auf die Erfüllung der Konzeptvorgaben und Aufgabenstellung zu testen.
2 Grundlegendes zur Problemstellung „Autonomes Fahren“
Um die Anforderungen an die Sensorik besser verstehen zu können ist es erforderlich, sich mit den für autonome Fahr-Algorithmen benötigten Messdaten auseinanderzusetzen.
Die Sensordaten werden einerseits zur Positionsbestimmung im Raum (Navigation) und andererseits zur Umfelderkennung (Wegfindung) verwendet.
Die im weiteren Verlauf beschriebenen Verfahren wurden aus einem am MIT (Massachusetts Institute of Technology) verfassten Skriptum [1] entnommen.
2.1 Positionsbestimmung im Raum - Navigation
Um sich in einem Raum bewegen zu können, muss die aktuelle Position im Raum bekannt sein. Diese wird mit Hilfe der Sensordaten ermittelt.
Dabei ist zu beachten, dass Messdaten von Sensoren mit einem Fehler behaftet sind. Um diesen Fehler ermitteln und ausgleichen zu können, müssen dieselben Parameter mit verschiedenen Sensoren ermittelt, entsprechend der Genauigkeit des jeweiligen Sensortyps gewichtet und in Folge rechnerisch aufbereitet werden.
Dies geschieht mit verschiedenen Filtern und Gewichtungs-Algorithmen wie bspw. dem Kalmanfilter[2]. Um eine auf der Wahrscheinlichkeitsrechnung basierende Messdaten-Korrektur vornehmen zu können, benötigt der Kalmanfilter unterschiedliche Sensordaten:
- Odometrie[3]-Daten
- Landmarken
Odometrie-Daten, auch als Dead Reckoning bezeichnet, sind Daten wie Geschwindigkeit, Lenkeinschlag und die gefahrene Wegstrecke. Die vektorielle Summierung der zurückgelegten Wegstrecke und der Ausrichtung im Raum ermöglicht eine Abschätzung der eigenen Position.
Landmarken sind absolute Punkte im Raum, die als Orientierungspunkte für die Positionsbestimmung benutzt werden. Diese Landmarken ergeben sich durch die Auswertung der umfeld-erkennenden Sensorik (siehe Kapitel 2.2) und liegen meist in Form von Winkel und Abstand zu einem Hindernis vor. Algorithmen wie der RANSAC[4] Algorithmus können auf Basis dieser Daten zur Ermittlung der Landmarken herangezogen werden.
Das Resultat dieser Berechnungen ist die über Auswertung, Filterung und Gewichtung der Sensordaten ermittelte Position des Fahrzeuges im 2D-Raum, welche die Basis für das Navigieren darstellt.
2.2 Umfelderkennung - Wegfindung
Die Daten der Umfelderkennung, welche auch zur Erzeugung der Landmarken benötigt werden, fließen zudem in die Wegfindung ein.
Um die Wegfindung zu realisieren existieren verschiedene Möglichkeiten. Ein Beispiel ist die Verwendung des A*Algorithmus[5], bei dem die Daten der Umfelderkennung in eine MAP[6] eingetragen werden.
Diese MAP ist in befahrbare und nicht-befahrbare Bereiche gegliedert. Anhand der MAP sucht der A*Algorithmus ausgehend vom Fahrzeug nach einer Wegstrecke von der Position des Fahrzeuges zum Ziel, welche ausschließlich befahrbare Bereiche nutzt.
Die entsprechende Aufgabenstellung „mit einer entsprechenden Genauigkeit ermitteln ob ein Bereich befahrbar ist oder nicht“ stellt hohe Anforderungen an die dafür benötigte Sensorik.
Sowohl für die Umfelderkennung als auch die Positionsbestimmung werden in den nachfolgenden Kapiteln die Anforderungen – bezogen auf das Konzeptfahrzeug AICC – spezifiziert und die zur Verfügung stehenden Sensoren anhand ihrer Charakteristik verglichen.
3 Grundlegende Betrachtung verschiedener Sensortypen
Die Informationen zum folgenden Kapitel wurden aus [2] bis [19] entnommen.
3.1 Anforderungen an die Sensorik
Wie in Kapitel 2 erläutert müssen zwei Arten von Informationen von der Sensorik bereit gestellt werden: Daten zur Positionsbestimmung und Daten zur Umfelderkennung.
Odometrie-Daten bestehen durchwegs aus Distanz- und Winkel-Änderungen. Folgende Sensoren kommen bspw. für eine entsprechende Datengewinnung in Frage:
- Inkrementalgeber zur Ermittlung der gefahrenen Wegstrecke
- Inkrementalgeber zur Ermittlung des gegenwärtigen Lenkeinschlags
- Kompass zur Ermittlung des absoluten Winkels im Raum
- Gyroskop-Sensoren zur Ermittlung des relativen Winkels im Raum
Die Odometriedaten werden ausschließlich zur Positionsbestimmung des Fahrzeuges herangezogen. Zur Bestimmung der Position können allerdings auch Daten eines GPS-Systems oder Messdaten, welche das Triangulieren der Position durch Laufzeitunterschiede von elektromagnetischen Wellen ermöglichen, verwendet werden:
- GPS zur direkten Positionsbestimmung
- Triangulierung der Position durch W-LAN
Die Daten der Umfelderkennung können mit einer Vielzahl verschiedener Sensoren ermittelt werden. Die Herausforderung besteht in der Wahl des für die Applikation am besten geeigneten Sensors. Häufig werden optische Verfahren wie z. B. Kamera- oder Lasersysteme für diesen Zweck eingesetzt, welche die Erfassung von Hindernissen im direkten Umfeld des Fahrzeuges erlauben. Folgende Sensoren werden im Detail beschrieben:
- LIDAR Sensoren
- Kamerasysteme
- RADAR Sensoren
- Infrarot-Sensoren
- Ultraschall-Sensoren
3.2 Sensoren für die Odometrie-Datenermittlung
Wie bereits erwähnt ist Odometrie die Wissenschaft von der Positionsbestimmung eines Fahrzeuges durch die Beobachtung seiner Räder und stellt ein grundlegendes Verfahren für die Navigation von Robotern [1] [2] dar. Im Folgenden werden die in Kapitel 3.1 aufgelisteten Sensoren näher beschrieben.
3.2.1 Inkrementalgeber
Als Inkrementalgeber [2] [3] werden Sensoren zur Erfassung von Lageänderungen bezeichnet, die sowohl Wegstrecke als auch Richtung erfassen können. Die Erfassung der Lageäderung kann nach verschiedenen Prinzipien erfolgen:
- Photoelektrische Abtastung
- Magnetische Abtastung
- Schleifkontakte (mechanisches Prinzip)
Jedes der drei Prinzipien hat ihr jeweiliges Anwendungsgebiet. Im Weiteren wird auf Inkrementalgeber mit optischer, photoelektrischer Abtastung eingegangen.
Das grundlegende Funktionsprinzip ist bei den meisten Inkrementalgebern gleich [3]. Eine mit Schlitzen versehene Scheibe wird zwischen einer Lichtquelle (z. B. LED) und einem Photoelement drehbar angebracht. Durch die Rotation der Scheibe entstehen Lichtimpulse, die von einer Photozelle in Spannungsimpulse umgewandelt werden. Da die Geometrie der Scheibe bekannt ist, lässt sich aufgrund der Anzahl der Rechtecksimpulse auf die Winkeländerung bzw. Strecke schließen.
Durch das gezielte Anbringen eines weiteren Photoelements und eine Adaptierung der entsprechend kodierten, Scheibe in Segmente kann auf die Drehrichtung geschlossen werden. In Abb. 1 wird die Richtungserkennung am Beispiel des Quadrature Encoder dargestellt:
Abbildung in dieser Leseprobe nicht enthalten
Abb. 1: Quadrature Encoder (vereinfachte schematische Darstellung) [4]
Durch die sich in Abhängigkeit der Drehrichtung ändernde Reihenfolge der Rechteck-Pulse kann die Drehrichtung bspw. mit einem Mikrokontroller ermittelt werden.
Bei Inkrementalgebern muss man beachten, dass sie, wie die Bezeichnung bereits ausdrückt, mit Inkrementen arbeiten. Insofern ist es für bestimmte Anwendungen nötig, von einer definierten Referenzposition aus zu starten, da man die Positionsinformation beim Ausschalten des Gerätes verliert und eine absolute Position nicht vorliegt.
3.2.2 Absolutwertgeber
Das grundlegende Funktionsprinzip eines Absolutwertgebers ist dasselbe wie das eines Inkrementalgebers.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 2 Inkremental- und Absolutwert- Geber [2]
Im Unterschied zum Inkrementalgeber kann jedoch eine absolute Positionsinformation ermittelt werden. Dies erfolgt durch eine entsprechende Kodierung der Scheibe. Der Kode teilt sich auf mehrere Spuren auf. Jede Spur (in Abbildung 2 als Ringe dargestellt) repräsentiert ein Bit der Kodierung und wird mit einem eigenen Photoelement abgetastet.
Jedem Sektor der Scheibe kann nun ein absoluter Zahlenwert zugeordnet werden, wobei die Auflösung je nach Anwendung beinahe beliebig erhöht werden kann.
3.2.3 Kompass
Mit einem Kompass lassen sich Winkeländerungen relativ zur Lage der Erdmagnetpole ermitteln. Dieses Prinzip ermöglicht die Ermittlung eines absoluten Winkels.
Das Funktionsprinzip von sowohl digitalen als auch analogen Kompassmodulen beruht auf dem Effekt, dass sich der Ohmsche Widerstand einer Legierung unter Einfluss von elektromagnetischen Feldern ändert [19].
Bei der Produktion eines solchen Sensors wird beim Auftragen dieser Legierung auf einen geeigneten Träger ein starkes Magnetfeld parallel zu dessen Achse angelegt. Ohne externes Magnetfeld sind die Teilchen immer in Richtung dieser Achse ausgerichtet. Durch ein externes Feld, z. B. das Erdmagnetfeld, ändert sich deren Richtung und somit der Ohmsche Widerstand des Materials. In Abb. 3 ist ein solcher Sensor abgebildet:
Abbildung in dieser Leseprobe nicht enthalten
Abb. 3 Honeywell 3-Axis Digital Compass IC [7]
Die Richtungsinformation eines solchen Sensors steht also in Form von Analogspannungen zur Verfügung. Diese Analogspannungen werden bei digitalen Kompassmodulen (siehe Abb. 4) meist direkt auf den entsprechenden Winkelwert umgerechnet und auf einer entsprechenden Standardschnittstelle wie z.B. I2C, SPI, USB oder RS232 bereitgestellt.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 4 Digitaler 3-Axis Tilt Compensated Compass [6]
3.2.4 Gyroskop
Ein Kreiselinstrument oder Gyroskop ist ein schnell rotierender Kreisel, welcher sich in einem beweglichen Lager dreht [3]. Das Lager ist meist eine kardanische Aufhängung.
Die kardanische Aufhängung lässt sich anhand Abb. 5 erläutern. In einen Ring (Gyroskope-Frame) sind zwei weitere, um 90° versetzte Kardanringe (Gimbal) drehbar gelagert. Der Kreisel (Rotor) wird in der Mitte, ebenfalls drehbar, angebracht.
Aufgrund der Massenträgheit der so gelagerten Kreisel behalten diese auch bei Bewegung ihre Orientierung im Raum bei. Anhand der Drehgeschwindigkeit und der Auslenkung der Kardanringe lässt sich auf die Winkeländerung schließen.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 5 Gyroskop mit kardanischer Aufhängung [8]
Anwendung finden Gyroskope auch im Modellbau. Da klassische Gyroskope jedoch für diese Anwendung zu schwer sind, nutzt man hier einen anderen physikalischen Effekt: Die Corioliskraft[7], welche zur Familie der Trägheitskräfte zählt.
Um nun diesen Effekt zu nutzen, wird ein Piezoelement in hochfrequente Schwingungen versetzt. Dieses Element produziert bei Einwirkung von äußeren Beschleunigungskräften eine geringe Analogspannung, die proportional zu den auftretenden Beschleunigungs-kräften ist.
Dieses Funktionsprinzip erreicht nicht die Präzision von hochpräzisen klassischen Gyroskopen, die Geräte sind jedoch wesentlich leichter, kompakter und kommen gänzlich ohne rotierende Komponenten aus. In Abb. 6 ist ein solcher Sensor dargestellt:
Abbildung in dieser Leseprobe nicht enthalten
Abb. 6 Gyro-Sensor, Mini Piezo Electronic [9]
3.3 Sensoren für die Positionstriangulierung
Dieses Prinzip kann mit einer Vielzahl von Verfahren realisiert werden. Die im Kapitel 3.1 gelisteten Beispiele – GPS für den Outdoor-Einsatz und W-LAN für den Indoor-Einsatz – werden im Rahmen dieser Arbeit beschrieben.
3.3.1 GPS zur direkten Positionsbestimmung
Wie in Abb. 7 ersichtlich nutzt GPS [10] das Prinzip der Positionstriangulation über Satelliten. Bei der Übertragung des Funksignales vom Satelliten zum Empfänger ergeben sich Laufzeitunterschiede. Da die Ausbreitungsgeschwindigkeit der elektromagnetischen Welle des Funksignals bekannt ist, kann die Position des Empfängers berechnet werden.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 7 GPS [11]
Dieses Messverfahren erfordert direkten Sichtkontakt zu mindestens drei Satelliten, wobei zusätzlich deren Abstand zueinander bekannt sein muss. Um die Genauigkeit zu steigern, werden meist mehrere Satelliten verwendet. Damit lässt sich eine Position auf ca. +/- 15m genau ermitteln.
Diese Genauigkeit ist für die meisten Anwendungen ausreichend. Sind aber wie in der Vermessungstechnik oder auch bei der Outdoor-Navigation autonomer Fahrzeuge genauere Messergebnisse gefordert ist es notwendig, Reflexionen und andere Übertragungseffekte, welche die Genauigkeit beeinflussen, zu korrigieren.
Das Differential-GPS (kurz DGPS) nutzt dazu ein terrestrisches Netz von Sendestationen, welche ein Korrektursignal aussenden. Ein entsprechend optimierter GPS-Empfänger kann dieses zusätzliche Signal auswerten und den bei der Übertragung entstandenen Fehler korrigieren. Mit DGPS lassen sich Genauigkeit von ca. +/- 3m erreichen.
Da sich das Projekt AICC mit der Navigation in Gebäuden – also der Indoor-Navigation – beschäftigt, scheiden diese satellitengestützten Verfahren zur Positionierung auf Grund des nicht vorhandenen Sichtkontaktes aus.
3.3.2 Triangulierung der Position durch W-LAN
Eine weitere Option besteht in der Nutzung einer gebäude-internen W-LAN Infrastruktur. Analog zur Positionierungsbestimmung mittels GPS kann hier aus den Laufzeitunterschieden und Signalstärken der W-LAN Access Points auf die Position geschlossen werden.
In einem solchen, wie in Abb. 8 skizzierten System kann man die Funksender, also die Access Points, mit den für die GPS-Navigation erforderlichen Satelliten vergleichen.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 8 W-LAN Lokalisationsprinzip [2]
In Hinsicht auf das Projekt AICC wurde ein derartiges System nicht in Betracht gezogen, da man von einer flächendeckenden W-LAN Struktur abhängig ist.
3.4 Sensoren für die Umfelderkennung
Wie bereits in den Kapiteln 2 erwähnt, ist die Umfelderkennung für die Wegfindung autonomer Fahrzeuge essentiell. Nachfolgend werden die Sensor-Typen wie in Kapitel 3.1 gelistet detaillierter beschrieben.
3.4.1 LIDAR
Diese Messmethode [16] verwendet ein dem RADAR ähnliches Prinzip, wobei bei diesem Verfahren ein Laserstrahl abgestrahlt wird.
Aufgrund der Laufzeit und Intensität des reflektierten Lichtes kann die Distanz ermittelt bzw. auf die Oberfläche des Objektes geschlossen werden. Dieser Laserstrahl wird über ein rotierendes Prisma in einer Ebene bewegt.
Dadurch ist ein, je nach Anwendung vertikaler oder wie in unserer Applikation horizontaler Schnitt durch den Raum möglich. Jedem Winkelwert kann durch die Laufzeitverschiebung eine entsprechende Distanz zugeordnet werden. Somit haben die erhaltenen Daten Polarkoordinaten-Charakteristik.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 9 LIDAR Polarkoordinaten & Erfassung von Raumkonturen [12]
Diese Technik eignet sich zur Erfassung von Hindernissen jeder Art, besonders zur Erfassung von Raumkonturen, wie in Abb. 9 verdeutlicht wird.
Der Nachteil dieser Technologie besteht darin, dass in der gescannten Ebene jeder Winkel nur von einem Punkt repräsentiert wird. Dies hat zur Folge, dass bei einem Messfehler der gesamte, von diesem Winkelabschnitt betroffene Bereich fehlerhaft ist.
Erschwerend kommt hinzu, dass sich, wie in Abb. 9 ersichtlich, mit steigender Distanz zum Hindernis die Auflösung entsprechend reduziert.
Weiters liegt die aufgenommene Information in einer sehr schmalen Ebene vor, was die Erfassung von Hindernissen ausschließlich in einer Höhe ermöglicht.
Aufgrund des angewandten Messverfahrens erweisen sich stark reflektierende Oberflächen als problematisch, da sie das Licht an ihrer Oberfläche streuen und dieses daher nicht direkt an das Photoelement des Sensors reflektiert wird.
[...]
[1] Expertensysteme sind ein Teilgebiet der künstlichen Intelligenzforschung
[2] Ein für Echtzeitanwendungen optimierter, stochastischer Algorithmus für Zustandsvorhersagen (1960 von Rudolf Kálmán entwickelt)
[3] Odometrie ist die Positionsbestimmung eines Fahrzeuges durch die Beobachtung der Räder
[4] Algorithmus zur ausreißertoleranten Modellermittlung bzw. -anpassung
[5] Der „A-Stern“ Algorithmus dient zur Wegfindung
[6] Landkarte (abgeleitet vom englischen Begriff)
[7] Benannt nach Gaspard Gustave de Coriolis, führt zu einer seitlichen Ablenkung von Bewegungen, welche zusätzlich zur Drehbewegung auftreten.
- Arbeit zitieren
- Florian Prieler (Autor:in), 2009, Sensor-Systeme und deren Anwendung in autonomen Fahrzeugen am Beispiel des Artificial Intelligence Concept Car, München, GRIN Verlag, https://www.grin.com/document/125325
-
-
-
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen. -
-
Laden Sie Ihre eigenen Arbeiten hoch! Geld verdienen und iPhone X gewinnen.