Objekterkennung mit Hokuyo LiDAR: Unterschied zwischen den Versionen
Zur Navigation springen
Zur Suche springen
| Zeile 55: | Zeile 55: | ||
* [https://de.mathworks.com/help/stats/dbscan-clustering.html DBSCAN-Clustering] | * [https://de.mathworks.com/help/stats/dbscan-clustering.html DBSCAN-Clustering] | ||
* [https://de.mathworks.com/help/fusion/examples/track-vehicles-using-lidar.html Track Vehicles Using Lidar: From Point Cloud to Track List] | * [https://de.mathworks.com/help/fusion/examples/track-vehicles-using-lidar.html Track Vehicles Using Lidar: From Point Cloud to Track List] | ||
* [https://journals.sagepub.com/doi/full/10.1177/0278364914562237 Model-free detection and tracking of dynamic objects with 2D lidar] | |||
<references /> | <references /> | ||
Version vom 27. Mai 2020, 21:52 Uhr
Autoren: Ahmad Hassan und Alexander Schirrmeister
Einleitung
Die Gruppe Hassan/Schirrmeister bearbeiten im Sommersemester 2020 die Objekterkennung mit dem Hokuyo LiDAR. Aufgrund der aktuellen Lage rund um das Coronavirus erlaubt es nicht direkt mit dem Sensor zu arbeiten. Als Mittelweg werden hier bereits aufgezeichnete Messdaten zur Auswertung herangezogen. Aufgabe ist es anhand der vorliegenden Daten Objekte zu erkennen und zu verfolgen. Im ersten Schritt erfolgt die Auswertung der Arbeiten aus den Vorsemestern und einer Beurteilung des aktuellen Zustands der Aufgabe. Eine Auflistung von Meilensteinaufgaben ist unten ersichtlich.
- Einarbeitung in dier bestehende Software
- Softwareentwurf in MATLAB
- Meilenstein 1:
- Ansteuerung des Hokuyo LiDAR
- Koordinatentransformation polar- zu karthesisch
- Testdokumentation der KOS-Trafo
- Objektbildung (z.B. Sukzessiv Edge Following)
- Testdokumentation der Objektbildung
- Meilenstein 2:
- Objekttracking (mit Kalman-Filter)
- Testdokumentation des Objekttrackings
- Attribute schätzen: v, a, B, T, Güte (s. Schnittstellendokument)
- Testdokumentation der Attribute mit Referenz
- Dokumentation im Wiki
Anforderungen / Requirements
Fahrt auf Rundstrecke mit statischen Hindernissen
Unit-Tests
Ziele / Pflichten
Inhalt
Notizen
Bilder
Tabellen
Quelltext
Zusammenfassung
Ausblick
Offene Punkte
Literaturverzeichnis
- Fast people detection in indoor environments using a mobile robot with a 2D laser scanner
- An optimized segmentation method for a 2D Laser-Scanner applied to mobile robot navigation
- A line segment extraction algorithm using laser data based on seeded region growing
- DBSCAN-Clustering
- Track Vehicles Using Lidar: From Point Cloud to Track List
- Model-free detection and tracking of dynamic objects with 2D lidar
Getting Started
- Recherchieren Sie die Schritte der Signalverarbeitungskette. Ergebnis: Signalflussplan
- Recherchieren Sie die Elemente/Blöcke des Signalflussplans. Ergebnis: Morphologischer Kasten
- Bewerten Sie die Ergebnisse Ihrer Recherche und legen Sie sich auf ein Vorgehensweise fest.
- Setzen Sie diese anhand Ihres Signalflussplans um.
- Testen Sie die Module.
- Testen Sie das System.
- Dokumentieren Sie fortlaufend Ihre Ergebnisse im Wiki/SVN.
Weblinks
- Track Vehicles Using Lidar: From Point Cloud to Track List
- Sensor Fusion and Tracking Toolbox
- Perception with Computer Vision and Lidar
- Lidar and Point Cloud Processing
- Object Tracking with 2D LiDAR
- Objekterkennung und -tracking mit Lidar-Daten
- 3D-LIDAR Multi Object Tracking for Autonomous Driving
- Lidar Processing for Automated Driving
- Introduction to Multiple Target Tracking
→ zurück zum Hauptartikel: SDE Praktikum Autonomes Fahren