Impulsprojekt 10: Lokalisierung und Steuerung in kombinierten Indoor- und Outdoor-Szenarien (KASINO)

Der steigende Automatisierungsgrad moderner Fahrzeuge erfordert eine präzise und zuverlässige Fahrzeuglokalisierung in unterschiedlichen Umgebungen. Während im Außenbereich satellitengestützte Systeme eingesetzt werden, sind in Innenräumen wie Tunneln oder Parkhäusern alternative Lösungen notwendig. Besonders in Übergangsbereichen ist eine durchgängige Positionierung entscheidend.

Im ersten Teilprojekt wurden Anforderungen an Indoor  und Outdoor Positioniersysteme definiert. Als geeignete Lösung erwies sich die Kombination eines INS Systems (iNAT M300) mit einem ultrabreitbandbasierten Indoor System (VIPS). Nach Integration und ersten Vorversuchen in die bestehende Infrastruktur der THI, wurden Fahrtests beim Projektpartner AVL durchgeführt, ergänzt durch LiDAR  und kamerabasierte Lokalisierungsmethoden der THI sowie ein Referenzsystem von iMAR zur Genauigkeitsbewertung.

Darüber hinaus hat der Projektpartner iMAR GmbH ein weiteres Referenzsystem zur Verfügung gestellt, um die Systeme hinsichtlich ihrer Genauigkeit bei Übergängen zwischen Innen- und Außenbereichen zu evaluieren. Dabei zeigte die LiDAR-basierte Methode die höchste Genauigkeit, während die GNSS/IMU/VIPS Kombination in Übergangsszenarien noch Einschränkungen aufwies.

Im zweiten Teilprojekt wurde eine Architektur zur Vernetzung realer und virtueller Testkomponenten weiterentwickelt. Dafür wurde ein Bewertungs- und Vergleichsschema für Fahrszenarien erstellt, das die Wahrnehmung des Fahrzeugs mit Simulationsdaten (Ground Truth) abgleicht. Somit ließen sich zusätzlich zu einem realen Ego-Fahrzeug und Fußgänger-Dummy deren virtuelle Gegenstücke innerhalb einer CARLA-Simulationsumgebung steuern, wodurch die Umsetzung gemischter Fahrszenarien mit unterschiedlichen Realitätsgraden ermöglicht wurde. Auf dieser Basis wurden unterschiedliche Fahrszenarien real, rein virtuell sowie gemischt real-virtuell (Mixed-Reality) durchgeführt.

Ergebnis: Die Ergebnisse zeigen Unterschiede im Fahrverhalten zwischen realen und virtuellen Tests, bedingt durch Modellvereinfachungen. Während reale und gemischte Szenarien eine hohe Übereinstimmung in der Objekterkennung aufwiesen, traten bei rein virtuellen Szenarien größere Abweichungen auf.