Sensordatenfusion & Lokalisierung/Mapping

Die Teilnehmenden sind in der Lage, die Möglichkeiten der Fusion verschiedener Sensordaten zur Umfeldwahrnehmung zu analysieren und zu beurteilen. Aufbauend hierauf können sie bewerten, wie ein autonom fahrendes Fahrzeug eine eigene Karte seines Umfelds erstellt und sich hierin lokalisiert.

1. Sensordatenfusion zeitvarianter und zeitinvarianter Größen

1.1 Datenfusion zeitinvarianter Größen

1.2 Zustandsraumbeschreibung zeitvarianter Größen

1.3 Klassisches und adaptives Kalman-Filter (ROSE-Filter)

1.4 Nichtlineare-Filter (Spezielle Gauß-Filter, Partikelfilter)

1.5 Erweitertes Kalman-Filter

2. SLAM: (Simultaneous) Localization and Mapping

2.1 Motivation Lokalisierung und Mapping für automatisiertes Fahren

2.2 Taxonomien

2.3 Problemstellung Feature based SLAM

2.4 SLAM und Kalman-Filter (z. B. EKF SLAM)

2.5 SLAM und Partikelfilter (z. B. FastSLAM)

2.6 Grid Mapping