Selbstlokalisierung und Inferenz dynamischer Umgebungen

Für den Betrieb mobiler Agenten ist die Kenntnis ihrer Positionen und ihrer Umgebung eine wichtige Voraussetzung. Ziel des beantragten Projekts ist die Entwicklung verbesserter Modelle und Inferenz- methoden für das simultaneous localization and mapping (SLAM) Problem, d.h. die Lokalisierung der Agenten und gleichzeitig die Erstellung einer Karte der Umgebung, wobei sich die Umgebung laufend ändern kann. Wir schlagen vor, die verschiedenen Teile der Umgebung durch sogenannte extended objects (EOs) zu beschreiben. Dieser Ansatz verspricht einen besseren Kompromiss zwischen Genauigkeit und Skalierbarkeit als existierende Kartenmodelle. Für die statistische Beschreibung der EOs schlagen wir eine neue Kombination von endlichen Zufallsmengen (EZM) und nichtparametrischer Bayesscher (NPB) Modellierung vor. Dabei werden die zeitabhängigen kinematischen Zustände der Agenten und EOs z.B. die Positionen durch EZM beschrieben, während die zeitunabhängigen Eigenschaften der EOs z.B. die geometrischen Ausdehnungen durch NPB-Markierungen, die den EZM-Elementen zugeordnet sind, beschrieben werden. Aufbauend auf diesem EZM-NPB-Modell schlagen wir weiters eine Methodik für SLAM- Inferenz vor, die durch Ausnützung einer inhärenten Klassenstruktur der Umgebung eine Verbesserung der Leistungsfähigkeit oder eine Verringerung der Komplexität erzielt. Die EO-Klassen müssen dabei nicht bekannt sein, denn ihre Anzahl und Eigenschaften werden kontinuierlich gelernt, und statistische Verteilungen der EO-Klassenzugehörigkeiten werden kontinuierlich geschätzt. Wir erwarten, dass dieses statistische Wissen über die EO-Klassenzugehörigkeiten zu einer verbesserten SLAM-Inferenz führen wird. Das Hauptziel des Projekts ist die Entwicklung von sequentiellen SLAM-Inferenzmethoden basierend auf dem neuen EZM-NPB-Modell. Für Netze von mobilen Agenten wollen wir sowohl zentralisierte als auch verteilte, kooperative Algorithmen entwickeln. Wir erwarten, dass diese Algorithmen eine bessere Genau- igkeit, Effizienz, Robustheit, Skalierbarkeit und/oder Flexibilität erzielen werden als herkömmliche SLAM-Methoden. Einige mögliche Anwendungen unserer Ergebnisse sind autonome Fahrzeuge, intelli- gente Verkehrssysteme, Überwachung, Logistik, betreutes Wohnen, Erkundung, Landwirtschaft sowie Such- und Rettungseinsätze. Das Projekt wird durch Kooperationspartner in Österreich und in den USA unterstützt. Die beteiligten Forscher besitzen langjährige Erfahrungen in projektrelevanten Wissenschafts- bereichen.

Im Zeitalter von autonomen Autos, Drohnen und mobilen Robotern ist die zuverlässige Kenntnis der Positionen und anderer Eigenschaften mobiler Objekte eine wichtige Aufgabe. Ein Schwerpunkt des FWF-Projekts "Selbstlokalisierung und Inferenz dynamischer Umgebungen" war daher das Problem der Multiobjektverfolgung. Ziel der Multiobjektverfolgung ist es, die Zustände - etwa Positionen und Geschwindigkeiten - von sich bewegenden Objekten im Zeitverlauf zu schätzen, basierend auf Messwerten, die von Sensoren wie Radar, Sonar, Lidar oder Kameras bereitgestellt werden. Dieses Problem ist von großer Bedeutung in einer Vielzahl von Anwendungen wie z.B. Flugsicherung, Meeresüberwachung, autonomes Fahren, Umweltbeobachtung, Robotik und biomedizinische Analyse. Eine wesentliche Schwierigkeit besteht jedoch darin, dass neben den Zuständen der Objekte meist auch die Anzahl der Objekte und ihre Zuordnung zu den Sensormesswerten unbekannt sind. Wir entwickelten neue Methoden zur Multiobjektverfolgung, die durch den Einsatz fortschrittlicher statistischer Verfahren eine hervorragende Leistung bei moderatem Rechenaufwand erzielen. Ein wichtiges Ergebnis des Projekts war eine Methode zur simultanen Lokalisierung und Kartierung, die die Positionen mehrerer mobiler Objekte und bestimmter Merkmale der Umgebung schätzt. Ein anderes wichtiges Ergebnis war eine neue Methodik für die "klassengestützte" Multiobjektverfolgung, bei der eine unbekannte Klassenstruktur der Objekte zur Verbesserung der Verfolgungsgenauigkeit genutzt wird. Des Weiteren entwickelten wir Methoden zur Multiobjektverfolgung, die die Fusion von Sensormesswerten mit Kontextinformationen oder mit den Ergebnissen eines Klassifikators ermöglichen. Ein beträchtlicher Teil unserer Forschungsarbeiten zur Objektverfolgung hatte verteilte Methoden für den Einsatz in dezentralen Sensornetzen zum Gegenstand. Verteilte Methoden haben den Vorteil, dass sie keine zentrale Instanz zur Datenerfassung und -verarbeitung und keine Kommunikation zwischen weit entfernten Sensoren benötigen. Für die Verfolgung einzelner Objekte entwickelten wir eine verteilte Methode, die ein fortschrittliches Konsensusverfahren zur Fusion der von den Sensoren gelieferten statistischen Informationen verwendet. Für die Multiobjektverfolgung entwickelten wir verteilte Methoden, bei denen die statistischen Informationen durch endliche Zufallsmengen dargestellt werden. Des Weiteren entwickelten wir verteilte statistische Verfahren zur konsistenten Zuordnung von Objektidentitäten im gesamten Sensornetz. Ein weiterer Forschungsschwerpunkt war die Schätzung des optischen Flusses in Bildfolgen, ein wichtiges Problem in der Bildverarbeitung mit einem breiten Spektrum von Anwendungen wie z.B. autonome Navigation und medizinische Diagnose. Wir entwickelten eine vereinheitlichte statistische Methodik zur Schätzung des optischen Flusses, die auf einer variationellen Analyse beruht. Unser Ansatz ist mit ultraschallspezifischen statistischen Modellen vereinbar und eignet sich daher gut für die Ultraschallbildgebung. Die Ergebnisse dieses Projekts wurden in einem Buchkapitel, in 13 Artikeln in hochrangigen Fachzeitschriften und in fünf Artikeln in den Tagungsbänden internationaler Konferenzen veröffentlicht. Die Projektergebnisse führten weiters zur Beantragung zweier FWF-Projekte und eines Erwin Schrödinger-Stipendiums.