Verfahren für die multimodale Registrierung von Radar- und Lidarscans

Mobile Roboter halten zunehmend Einzug in den Alltag der Menschen. Damit sie sich sicher bewegen können, müssen sie in der Lage sein, die Umgebung genau zu erfassen. Teils werden mobile Roboter unter schwierigen Umgebungsbedingungen eingesetzt, in denen etablierte Sensoren nicht zuverlässig funktionieren. Beispiele hierfür sind die Erkundung unterirdischer Strukturen, die Suche nach Überlebenden in Katastrophengebieten oder das autonome Fahren bei schlechten Sichtverhältnissen. In diesen Szenarien müssen stattdessen mehrere Sensoren, die die Umgebung auf unterschiedliche Weise wahrnehmen, kombiniert werden, um eine robuste Funktion zu gewährleisten. Diese Dissertation stellt Methoden zur Kombination von Lidar- und Radardaten für die Umgebungswahrnehmung von mobilen Robotern vor. Beide Sensortypen messen die Entfernung zu umgebenden Objekten. Für eine robuste Wahrnehmung sollen die Daten der beiden Sensormodalitäten untereinander kompatibel für die Scanregistrierung verwendet werden können. Aufgrund unterschiedlicher Schärfe und Detailgrad sind punktbasierte Methoden nur begrenzt modalitätsübergreifend einsetzbar. In dieser Arbeit werden zwei merkmalsbasierte Methoden untersucht, mithilfe derer eine Registrierung von Lidar- und Radardaten ermöglicht wird. In einem ersten Ansatz wird die Verwendung geometrischer Merkmale untersucht. Hierzu werden Linien und Ebenen aus den Daten der beiden Sensormodalitäten extrahiert und anschließend modalitätsübergreifend registriert. Für Korrespondenzbildung und Optimierung ist jedoch ein initialer Parametersatz notwendig. Daher wird im zweiten Ansatz ein neuronales Netzwerk trainiert, um diese Initialisierung mithilfe von Punkt-Deskriptoren zu erzeugen. Die Ansätze werden in realen Experimenten evaluiert. Es zeigt sich, dass beide Ansätze für die Verwendung in der mobilen Robotik geeignet sind. Für den ersten Ansatz werden dabei unterschiedliche Ausbaustufen und Vorfiltermethoden untersucht, wobei gezeigt wird, dass inverse Signalfaltungs- und Rauschreduktionsmethoden die Genauigkeit der Registrierung verbessern können. Für den zweiten Ansatz kann nachgewiesen werden, dass eine Registrierung ohne initialen Parametersatz möglich ist und auch 2D-3D-Registrierungen durchgeführt werden können. Es lässt sich jedoch ableiten, dass das Verfahren, wie beim Einsatz von Methoden des maschinellen Lernens üblich, sensitiv auf die eingesetzten Sensoren und die für das Training verwendeten Umgebungen ist.