Kontextabhängig Anomaliedetektion zur visuellen Hinderniserkennung für automatisierte PKW im End-of-Line-Bereich

• Context dependent anomaly detection for visual obstacle detection in automated cars at the end of production line

Wenning, Marius Julian; Schuh, Günther (Thesis advisor); Burggräf, Peter (Thesis advisor)

1. Auflage. - Aachen : Apprimus Verlag (2022, 2023)
Buch, Doktorarbeit

In: Ergebnisse aus der Produktionstechnik 37/2022
Seite(n)/Artikel-Nr.: XIII, 154 Seiten : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2022

Kurzfassung

Die automatisierte Fahrt von PKW auf dem Werksgelände des Herstellers erfordert einen Personenschutz auf Basis der Seriensensorik. Verbaute Monokameras können bislang nicht für die Aufgabe der Hinderniserkennung Verwendung finden, da die existierenden Bildverarbeitungsalgorithmen keine zuverlässige Erkennung von Hindernissen erlauben. Durch die Analyse der Bildverarbeitungsmethoden können Anforderungen an eine neuartige Hinderniserkennung formuliert werden. Die Anomaliedetektion stellt eine Algorithmenklasse dar, die verfahrensbedingte Vorteile gegenüber existierenden Methoden aufweist. Der Stand der Wissenschaft beinhaltet vielversprechende Grundlagen, zeigt jedoch auch, dass das Verfahren bislang nicht im Anwendungsfall erprobt wurde. So lautet die Zielstellung der vorliegenden Arbeit eine geeignete Anomaliedetektion zu entwerfen und diese im Anwendungsfall zu erproben. Dazu werden zwei Datensätze entwickelt. Der Simulationsdatensatz wird verwendet, um zunächst eine leistungsfähige Anomaliedetektion zu entwickeln und diese mit ausgewählten Benchmark-Algorithmen in Anwendungsfallspezifischen Testfällen zu vergleichen. Der Realdatensatz ermöglicht die Validierung der Simulationsergebnisse und stellt die Praxistauglichkeit unter Beweis. Durch Analyse des Einflusses entscheidender Designoptionen werden implizite Gestaltungsregeln abgeleitet. Durch das Einbeziehen des räumlichen und zeitlichen Kontextes kann die Klassifikationsgüte verbessert werden. Im Vergleich mit dem Stand der Technik liefert die Anomaliedetektion konkurrenzfähige Ergebnisse bei erheblich reduziertem Trainingsaufwand. In Szenen mit erhöhter Komplexität durch Beleuchtungsunterschiede, Fahrbahnverschmutzungen oder Qualm zeigt sie eine höhere Robustheit als die Semantische Segmentierung und die Tiefenbildprädiktion. Die Testergebnisse auf dem Realdatensatz bestätigen die Simulationsergebnisse und zeigen die praktische Anwendbarkeit.