Simultaneous Three-Dimensional Shape Estimation and Tracking in Maritime Environments

Bei der Verwendung von modernen und hochauflösenden Sensoren wie Lidar oder Radar, welche zunehmend auch in der Umfelderkennung der automatisierten bis autonomen Schifffahrt eingesetzt werden, wird eine Vielzahl von Messungen pro Zeitschritt und Objekt aufgezeichnet. Die Anzahl der Messdaten hängt dabei von der Auflösung des Sensors und dem Abstand des Sensors zum aufgezeichneten Objekt ab und kann bei modernsten Sensoren mehrere tausend Messungen pro Zeitschritt und Objekt betragen. Durch die Fusion dieser Messungen in zeitlicher Reihenfolge und die Annahme eines Bewegungsmodells, welches dem dynamischen zu verfolgenden Objekt unterstellt wird, kann die kinematische Zustandsverteilung des Objekts innerhalb eines Zustandsfilters geschätzt werden. Da die Fülle an Messdaten, welche die Sensoren generieren, im Normalfall über die Oberfläche des gesamten Objekts verteilt sind, beinhalten diese zusätzlich zu den Informationen über den kinematischen Zustand Informationen über die Ausdehnung und Form der zu verfolgenden Objekte. Die Schätzung dieser Ausdehnungs- und Forminformationen innerhalb des Messmodells eines Zustandsfilters zur Verfolgung von Objekten wird in der einschlägigen Literatur als Extended Object Tracking (EOT) bezeichnet. Diese Dissertation beschäftigt sich mit der Erstellung und Untersuchung von entsprechenden Messmodellen für Messdaten im dreidimensionalen Raum, welche speziell für Anwendungen im maritimen Bereich geeignet sind. Der Inhalt der Arbeit lässt sich dabei in drei Teile untergliedern. Im ersten Teil der Arbeit werden die theoretischen Grundlagen erarbeitet, welche für die Erstellung eines EOT-Filters benötigt werden. Dazu gehören zunächst die Herleitung gängiger nichtlinearer Filterverfahren wie des Extended- und des Linear-Regression-Kalman-Filter anhand der allgemeinen Bayes-Filter-Gleichungen und die Verarbeitung mehrerer Messdaten pro Zeitschritt innerhalb dieser Verfahren. Innerhalb der Messmodelle dieser Verfahren können nun die Systemzustände, welche aus einem kinematischen und einem Ausdehnungs- bzw. Formanteil bestehen, auf die vorhergesagte Messung abgebildet werden, welche für die Berechnung eines Residuums im Korrekturschritt des Filters benötigt wird. Da die vorhergesagte Messung sich aus einem Messrauschen mit angenommener bekannter Verteilung und einem im Allgemeinen unbekannten Punkt auf der Oberfläche des Objekts, der sogenannten Messquelle, zusammensetzt, werden im Anschluss unterschiedliche Methoden aus der Literatur zur Messquellenzuordnung hergeleitet und diskutiert. Speziell werden, ausgehend von Spatial Distribution Modellen (SDM), das sogenannte Greedy Association Modell (GAM), welches eine greedy Zuordnung der Messquelle verwendet, und das Random Hypersurface Modell (RHM) und Extrusion RHM (ERHM) als Kombination eines SDM und GAM zur Lösung des Zuordnungsproblems vorgestellt. Im Anschluss werden in zwei weiteren Abschnitten praktische Probleme beim Einsatz von EOT-Verfahren mit Realdaten behandelt. Zunächst wird ein effektiver und einfach zu implementierender Ansatz vorgestellt, um Intervallbeschränkungen anhand von beschränkten Transformationsfunktionen bei der Zustandsschätzung einzuhalten. Speziell im EOT können Intervallbeschränkungen, welche eingehalten werden sollten, auftreten, sodass beispielsweise keine negativen Längen, Breiten oder Höhen als Ausdehnungsparameter möglich sind. Ein weiteres praktisches Problem besteht darin, dass dreidimensionale reale Messdaten oftmals aufgrund der physischen Struktur der zu verfolgenden Objekte sowohl von der äußeren Hülle als auch vom Innenbereich aufgezeichnet werden. Wird in den Messmodellen allerdings davon ausgegangen, dass die Messdaten lediglich von der äußeren Hülle der Objekte generiert werden, so kann das Schätzergebnis verzerrt werden. Für die Lösung dieses Problems wird am Ende des ersten Teils ein künstliches rekursiv geschätztes Messrauschen für Messdaten aus dem Innenbereich eingeführt, welches diese Verzerrungen reduziert und dabei auf kein Vorwissen angewiesen ist, da die Korrekturgrößen anhand der aufgezeichneten Messdaten geschätzt werden. Diese beiden Verfahren werden im Laufe der Arbeit auf alle neu vorgestellten Messmodelle angewendet. Aufbauend auf diesen theoretischen Grundlagen werden im zweiten Teil der Arbeit drei unterschiedliche Kategorien von Messmodellen für 3D-EOT von maritimen Objekten vorgestellt, diskutiert und zunächst in statischen simulierten Szenarien untersucht. Dabei wird bei der Definition dieser Messmodelle die charakteristische Eigenschaft von Messdaten im maritimen Bereich berücksichtigt, bei der davon auszugehen ist, dass in den meisten Szenarien hauptsächlich Messungen der Mantelfläche der Objekte aufgezeichnet werden. Messdaten der Ober- und Unterseite sind oftmals aufgrund von Verdeckungen durch das Wasser und die Montageposition der Sensoren spärlich. Formrepräsentationen in zylindrischen Koordinaten berücksichtigen diese charakteristische Eigenschaft durch die Definition der Form anhand der Mantelfläche. Ausgehend von einer vorherigen Klassifizierung der Objekte werden daher in einem ersten Kapitel zwei Messmodelle in zylindrischen Koordinaten, welche parametrische Formrepräsentationen verwenden, vorgestellt. Dabei werden unterschiedliche Messmodelle, welche die Form eines Motorboots mit einem elliptischen Zylinder und die Form eines Segelboots mit einem elliptischen Kegel approximieren, vorgestellt und untereinander verglichen. Um die Objektverfolgung ohne vorgelagerte Klassifizierung verbessern zu können, werden in einem weiteren Kapitel unterschiedliche Varianten an Messmodellen vorgestellt und untersucht, welche eine flexible Reihenentwicklung, zusammengesetzt aus einer Fourier- und einer Chebyshevreihe, als Formrepräsentation in zylindrischen Koordinaten verwenden. Die Schätzung der Reihenkoeffizienten innerhalb eines EOT-Filters ermöglicht dann die Anpassung der Form an die vorliegenden Messdaten. Aufgrund der nur schwer vorhersagbaren Anzahl an Formkoeffizienten, die für diesen Ansatz benötigt werden, werden in einem letzten Kapitel unterschiedliche Varianten eines Messmodells, welches eine flexible parametrische Formrepräsentation basierend auf Superellipsen verwendet, vorgestellt und untereinander verglichen. Diese ermöglichen beispielsweise die Unterscheidung zwischen einer elliptischen und einer rechteckigen Grundform innerhalb eines einzelnen Modells, welches nur wenige Formparameter benötigt, was für viele Anwendungen bereits ausreichend sein kann. Der dritte Teil der Arbeit beschäftigt sich mit einer vergleichenden Untersuchung der vorgestellten Messmodelle in unterschiedlichsten dynamischen Szenarien. Im maritimen Bereich werden die Modelle, welche für Motorboote geeignet sind, mithilfe der \textit{Solgenia}, eines Forschungsboots der HTWG Konstanz, als Referenzobjekt getestet. In dieser Untersuchung wird ein CAD Modell der \textit{Solgenia} innerhalb einer Simulation für die Messdatengenerierung und in der Simulation, sowie einem Realdatenexperiment als Formreferenz eingesetzt. Eine solche Untersuchung ist einzigartig in der bisherigen Literatur. Die Messmodelle, welche speziell für Segelboote erstellt wurden, werden in diesem Kapitel anhand von Realdaten eines Segelboots aus einer Regatta validiert. Um die Generalisierbarkeit der Messmodelle zu untersuchen, werden diese in einem letzten Schritt unter Verwendung des berühmten KITTI-Datensatzes untersucht. Dabei werden etwa 1200 Szenarien mit unterschiedlichen Objektklassen für die erarbeiteten Messmodelle sowie Vergleichsmodelle der Literatur ausgewertet und verglichen. Die Ergebnisse aller Untersuchungen untermauern die Effektivität und gleichzeitige Effizienz der in dieser Dissertation erarbeiteten Modelle. Offene Fragen, die in dieser Arbeit nicht beantwortet werden konnten, werden am Ende der Arbeit vorgestellt und diskutiert.