Modellierung von Verkehrsinfrastrukuren

Inhalt dieses Projekts ist es, basierend auf neuesten Erkenntnissen des maschinellen Lernens, genauer mit Hilfe von künstlichen neuronalen Netzen (KNNs), Verkehrsinfrastrukturen automatisiert zu modellieren. Hauptnutzen einer solchen Methode ist die Anwendung in Fahrassistenzsystemen und Systemen des autonomen Fahrens. Konkret soll die entwickelte Methode eine automatisierte Detektion und Verfolgung mehrerer Zielobjekte in Videoaufnahmen von Verkehrsszenen ermöglichen. Als Zielobjekte sind in diesem Fall alle verkehrsrelevanten Objekte, wie z.B. Ampeln, Fahrbahnmarkierungen, Verkehrszeichen und jede Art von Verkehrsteilnehmern, zu verstehen. Weiterführend werden auf Basis des vorangegangenen Objekt-Trackings in Kombination mit den gelernten Aktivitätsmustern und dem abgeleiteten Umgebungsmodell, Vorhersagen bezüglich der zukünftigen Verkehrsszenerie generiert. Diese Vorhersagen können unter anderem eine reine Prädiktion von Trajektorien oder die Prädiktion eines vollständigen Umgebungsmodells beinhalten.

Für das Anlernen und die Evaluierung eines solchen Systems nutzen wir sowohl öffentlich bereitgestellte Datensätze mit Luft- und Bodenaufnahmen, als auch einen eigenen neuaufgenommenen Datensatz. Der neue Datensatz wird in Zusammenarbeit mit dem Deutschen Zentrum für Luft- und Raumfahrt (DLR) erfasst.

Publikationen

  • Aigner, Sandra; Körner, Marco: FutureGAN: Anticipating the Future Frames of Video Sequences using Spatio-Temporal 3d Convolutions in Progressively Growing GANs. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS) (tbp), 2019 mehr…
  • König, Peter; Aigner, Sandra; Körner, Marco: Enhancing Traffic Scene Predictions with Generative Adversarial Networks. Proceedings of the IEEE Intelligent Transportation Systems Conference (ITSC), 2019 mehr…