Herausforderungen und Lösungen
Sensorik und Sicherheitssysteme bei widrigen Wetterbedingungen
Widrige Wetterbedingungen stellen eine große Herausforderung für die Sensorik autonomer Fahrzeuge dar. Aktive Sicherheitssysteme, wie der automatische Notbremsassistent (AEB), müssen in entscheidenden Situationen zuverlässig und sicher funktionieren, selbst bei Regen, Nebel und anspruchsvollen Lichtverhältnissen.
Um die Robustheit und Sicherheit von ADAS/AD-Fahrzeugen zu verbessern, entwickelt AVL Software and Functions in Roding das sogenannte „Roding Weather Dataset“ (RWD). Dieser Datensatz beinhaltet typische Fahrszenarien wie z.B. Cut-In-Szenarien bei definierten, quantifizierten Wetter- und Lichtverhältnissen sowie ungewöhnliche Objekte wie z.B. Auspuffrohre, Reifen in diesen widrigen Wettersituationen.
Hochmodernes Indoor-Labor zur ADAS/AD-Sensorvalidierung in Roding
Unsere Daten wurden im „AVL Center for Mobility and Sensor Testing“ in Roding gesammelt, einer hochmodernen Einrichtung, in der spezielle Wetterbedingungen für die Validierung von ADAS/AD-Sensoren nachgestellt werden können. Das einzigartige Indoor-Labor erstreckt sich über 1.600 m², einschließlich einer 1.000 m² großen Regen- und Nebelanlage. Dies ermöglicht eine präzise Wettersimulation für Zertifizierungs- und Leistungstests. Ein fortschrittliches Wasserrecycling-System sorgt für ökologische Nachhaltigkeit. Das Zentrum kann kritische Lichtverhältnisse wie Dämmerung und Morgengrauen simulieren, indem es die Beleuchtungsstärke und die Farbe der Hintergrundbeleuchtung kontinuierlich variiert.

1. Sensorik Setup
Die Datenerfassung erfolgte mit dem AVL „AutBus“, einem wichtigen Bestandteil eines Kooperationsprojekts für autonomen öffentlichen Verkehr. Der VW T6.1 wurde mit dem AVL „Dynamic Ground Truth (DGT)“-System, das alle notwendigen Sensoren integriert, zu einem autonomen Fahrzeug umgebaut. Unser Datensatz umfasst umfangreiche Daten von einer Kamera und drei LiDAR-Sensoren.

2.1 Kamera
Wir verwenden eine hochauflösende Dalsa Genie Nano C4030 Pinhole-Kamera. Die RGB-Bilder sind als PNG-Dateien verfügbar.
2.2 Lidar
Der LiDAR-Aufbau umfasst drei LiDARe von Velodyne: ein VLS128 und zwei VLP16-Geräte. Die Daten werden bei der Nachbearbeitung zusammengefügt und als PCD-Dateien bereitgestellt. Letztere enthalten 3D-Koordinaten (x, y und z) in Millimetern.
2.3 Synchronisierung der Sensoren
Die Sensoren werden mit GPS-Zeitstempeln synchronisiert, die mit 10 Hz arbeiten. Jede Datei wird mit dem Zeitstempel des UTC-Rahmens benannt.
2.4 Sensorkalibrierung
Die Kalibrierung wird im AVL „Center for Mobility and Sensor Testing“ in Roding durchgeführt. Die Kalibrierungsdateien sind im Ordner „calibrations“ verfügbar, die projizierten Punktwolken im Ordner „projected_point_cloud“. Die Kalibrierung basiert auf dem zentralen LiDAR VLS128, gefolgt von der Ausrichtung auf den Mittelpunkt der Hinterachse des Ego-Fahrzeugs gemäß den ISO 8855-Normen.

Testdatensätze zum Download verfügbar
Die Szenarien aus der untenstehenden Tabelle stehen Ihnen zum Download zur Verfügung. Zusätzlich bieten wir auch eine kostenlose Testversion an. Bei Interesse senden Sie uns bitte eine E-Mail über den untenstehenden Button. Gerne stellen wir Ihnen einen Download-Link zur Verfügung.
Übersicht über die Hauptszenarios
Number | Name | Description |
---|---|---|
1 | P_E-stopps | Pedestrian is placed 5m out of rain area and ego vehicle moves towards pedestrian and stopps before reaching pedestrian |
2 | P_E-stopps | Pedestrian with umbrella is placed 2m inside rain area and ego vehicle moves towards pedestrian and stopps before reaching pedestrian |
3 | T_E-stopps | Ego vehicle moves towards target vehicle and stopps behind |
4 | T_E-stopps_tunnel-exit | Ego vehicle stopps behind target vehicle at tunnel exit |
5 | T_E-avoids_tunnel-exit | Ego vehicle avoids target vehicle at tunnel exit |
6 | C_E-avoids | Ego vehicle avoids cyclist |
Naming Example:
T_E-stopps_tunnel-exit
T: Target vehicle
E_stopps: ego vehicle stopps behind target vehicle
tunnel_exit: light scenario as at a tunnel exit
Namings:
P Pedestrian
E Egovehicle
T Target vehicle
C Cyclist