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 Testingin 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.

Beispiel für eine zusammengesetzte Punktwolke. Datenordner: Sonne_ein_H0Meter_E50M_200Lux

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

Hier können Sie einen Beispieldatensatz sehen