In der Schifffahrt besteht derzeit ein intensives Bestreben, die Sicherheit durch Automatisierung deutlich zu erhöhen. Unfallstatistiken der Wasserschutzpolizei am Bodensee belegen, dass gerade auf Binnenseen und im Küstenbereich die Zahl der durch Unachtsamkeit verursachten Unfälle bisher unverändert hoch ist. In der Komplexität sind die Verkehrssze­narien auf Binnenseen denen im Straßenverkehr durchaus vergleichbar, zeichnen sich aber durch eine Vielzahl von Besonderheiten aus. So gibt es eine eindeutige Spurführung nur vereinzelt in Ufernähe, Manöver anderer Verkehrsteilnehmer sind häufig schwer abschätzbar bzw. vorhersagbar. Den Verkehrsraum teilen sich verschiedenste Wasser-Fahrzeugtypen, in­klusive schwimmender Personen. Gleichzeitig erschwert die durch den Wellenschlag verur­sachte Eigenbewegung der Sensorplattform eine Inter­pretation der aktuellen Verkehrs- und damit auch die Einschätzung der Gefahrenlage. Um ganz oder teilweise autonom operierende Wasserfahrzeuge realisieren zu kön­nen, ist insbesondere die zuverlässige, detaillierte und über weite Distanzen reichende Auf­nahme der aktu­ellen Szene sowie die robuste Zustandsschätzung und Klassifikation von Ob­jekten von erheblicher Bedeutung. Die Problematik der Objektdetektion sowie des Objekttrackings wird innerhalb des Projekts durch die Entwicklung eines optischen Multisensorsystems durch ein interdisziplinäres Team (siehe Abbildung 1), bestehend aus Mitarbeitern des Instituts für optische Systeme und des Instituts für Systemdynamik, angegangen.

Im Rahmen des Projekts soll die Problemstellung mit optischen Sensoren verbunden mit Lidar gelöst werden. Durch Ver­netzung unterschiedlicher Sensortypen wird ein geeignetes Abbild der komplexen dynamischen 3D-Szene erstellt (siehe Abbildung 2) und dieses dann Tracking- und Klassi­fikationsalgorithmen zur Verfügung gestellt. Die sensorspezifischen 3D-Punktwolken sind zu diesem Zeitpunkt weder zueinander registriert noch fusioniert. Zur Schätzung der einzelnen Tiefenkarten und Objektlisten mittels Machine-Learning, wird innerhalb des Projekts eine neuartige Deep-Learning Ar­chitektur entwickelt. Im Vergleich zu heutigen Convolutional Neural Networks muss diese mit den für 3D-Punktwolken typischen Messpunkten ohne feste Nachbarschaftsbezie­hungen zurechtkommen. Die Fusion er­folgt erst im nächsten Schritt, wodurch sich das Multisensorsys­tem modular auf­bauen lässt. Dies ermöglicht gleichzeitig eine sehr robuste Fusion der einzelnen Sensoren mit­tels Random-Finite-Set-Methoden auf Basis der durch das Netzwerk bereits stark vor­verarbeiteten Einzelsensordaten. Über mehrere Zeitschritte hinweg wird so der kinemati­sche Zustand der Objekte sowie deren Ausdehnung geschätzt und damit ein umfassendes Bild der Umgebung erzeugt. Dabei wird im Vergleich zu gängigen Methoden zusätzlich die Eigenbe­wegung des Bootes mittels Ego-Motion Kompensation berücksichtigt. Das im Rahmen des Projekts zu entwickelnde Sensorsystem zur autonomen 3D-Umfelderfassung auf Binnengewässern soll auf dem bereits existierenden autonomen Wasserfahrzeug „Solgenia“ installiert werden. Dabei sind zwei exemplarische Anwendungen zur Kollisionsvermeidung und automatisiertem Anlegen ange­strebt.

Das Projekt wird finanziert durch die Baden-Württemberg Stiftung gGmbH.

Assoziierte Partner:

• Katamaran-Reederei Bodensee GmbH & Co. KG
• ZF Friedrichshafen AG
• In-innovative navigation GmbH
• Robert Bosch GmbH