Autonomes Überqueren von Straßen mit Navigationsrobotern für Innenstädte
Zusammenfassung der Projektergebnisse
Mobile Outdoor-Roboter haben das Potenzial, die Art und Weise, wie wir leben, arbeiten und uns in unseren Städten bewegen, zu revolutionieren. Dank ihrer fortschrittlichen Fähigkeiten können mobile Roboter eine Vielzahl von Aufgaben übernehmen, von der Auslieferung von Personen und Waren über die Überwachung des Verkehrs bis hin zur Reinigung von Straßen und der Inspektion von Gebäuden. Städtische Umgebungen stellen jedoch enorme Herausforderungen für Navigationsroboter in Städten dar. Städtische Umgebungen sind durch komplexe Topologien, dichten Verkehr und eine Vielzahl sich bewegender Akteure gekennzeichnet. Daher müssen autonome Bodenroboter, die in städtischen Umgebungen operieren, immense Herausforderungen bewältigen. Sie können mit verschiedenen Arten von Akteuren wie Fußgängern, Radfahrern, Autos, Bussen oder Lastwagen in Kontakt kommen und mit ihnen interagieren. Darüber hinaus erfordern die engen und häufigen Interaktionen mit menschlichen Akteuren in städtischen Umgebungen eine sorgfältige Bewertung der Szene und ihrer möglichen zukünftigen Zustände, um das Risiko zu minimieren, menschliche Akteure zu verletzen oder Güter zu zerstören. Eines der schwierigsten Probleme in diesem Zusammenhang ist die Aufgabe des autonomen Überquerens von Straßen. Um Straßen sicher und effizient überqueren zu können, müssen sich autonome Bodenroboter ihrer Umgebung bewusst sein. Das Verständnis der Umgebung umfasst zum einen statische Merkmale wie die Lage von Straßen, Gehwegen und verkehrsregelnder Infrastruktur (Ampeln und Verkehrsschilder). Andererseits geht es um die Erkennung dynamischer Objekte wie fahrende Fahrzeuge, Fußgänger und Hindernisse, die mit hoher Genauigkeit erkannt werden müssen. Die sichere und effiziente Planung zukünftiger Pfade durch solche stadtischen Umgebungen ist eine besondere Herausforderung, da nicht nur der aktuelle Zuständ der Umgebung erkannt werden muss, sondern auch eine Vorhersage über zukünftige Zustände der Umgebung gemacht werden muss und diese Vorhersagen in die Planung des zukünftigen Pfades des Roboters einbezogen werden müssen. In diesem Projekt verwenden wir die Aufgabe der autonomen Straßenüberquerung als anspruchsvolle reale Benchmark-Aufgabe für mobile Roboter, um die Zuverlässigkeit unserer Methoden zu bewerten. In mehreren Teilaufgaben zum autonomen Überqueren von Straßen haben wir den aktuellen Stand der Technik evaluiert, neue Ideen entwickelt und diese in realen Systemen umgesetzt. In mehreren Aufgaben konnten wir den Stand der Technik erweitern und neue Erkenntnisse gewinnen, die für jeden autonom operierenden Roboter im Freien relevant sind. Um einige unserer Ergebnisse zusammenzufassen, schlagen wir neuartige Methoden für selbstüberwachtes Lernen und multimodales Lernen im Kontext der autonomen Navigation vor. Konkret schlagen wir neuartige Methoden für eine robuste und dateneffiziente Wahrnehmung in stadtischen Umgebungen vor, einschließlich neuartiger Methoden zur semantischen Segmentierung und Hinderniserkennung, neuartiger Methoden zur Schätzung von Fahrspurgraphen und neuartiger Methoden zur autonomen Fahrzeugerkennung und -verfolgung. Darüber hinaus sehen wir die Schätzung von Fahrspurkurven als eine wichtige Voraussetzung für den Einsatz von Robotern in stadtischen Umgebungen. Wir stellen mehrere neue Ansätze vor, die darauf abzielen, die Schätzung von Fahrspurgraphen zu lösen und autonome Roboter in die Lage zu versetzen, über die abstrakte topologische Struktur von Straßen und Straßenkreuzungen nachzudenken.
Projektbezogene Publikationen (Auswahl)
-
HeatNet: Bridging the Day-Night Domain Gap in Semantic Segmentation with Thermal Images. 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 8461-8468. IEEE.
Vertens, Johan; Zurn, Jannik & Burgard, Wolfram
-
Lane Graph Estimation for Scene Understanding in Urban Driving. IEEE Robotics and Automation Letters, 6(4), 8615-8622.
Zürn, Jannik; Vertens, Johan & Burgard, Wolfram
-
Self-Supervised Visual Terrain Classification From Unsupervised Acoustic Feature Learning. IEEE Transactions on Robotics, 37(2), 466-481.
Zürn, Jannik; Burgard, Wolfram & Valada, Abhinav
-
Self-Supervised Moving Vehicle Detection From Audio-Visual Cues. IEEE Robotics and Automation Letters, 7(3), 7415-7422.
Zürn, Jannik & Burgard, Wolfram
-
TrackletMapper: Ground Surface Segmentation and Mapping from Traffic Participant Trajectories. In: 6th Annual Conference on Robot Learning. 2022
Jannik Zürn*, Sebastian Weber* & Wolfram Burgard
-
Learning and Aggregating Lane Graphs for Urban Automated Driving. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 13415-13424. IEEE.
Büchner, Martin; Zürn, Jannik; Todoran, Ion-George; Valada, Abhinav & Burgard, Wolfram
-
AutoGraph: Predicting Lane Graphs From Traffic Observations. IEEE Robotics and Automation Letters, 9(1), 73-80.
Zürn, Jannik; Posner, Ingmar & Burgard, Wolfram
