Die Wahrnehmung von dynamischen Objekten in komplexen Szenarien ist eine der Grundvoraussetzungen für das autonome Fahren. Unter dynamischen Objekten versteht man Objekte deren Eigenschaften zeitabhängig sind, wie bspw. Personen, Autos und Fahrradfahrer. Beispielhafte zeitabhängige Eigenschaften sind dabei die Position und die Geschwindigkeit des Objektes. Diese Arbeit beschäftigt sich mit dem sogenannten Tracking von dynamischen Objekten, einem Teilbereich der Wahrnehmung, bei dem Objekte mittels einer eindeutigen Identifikationsnummer über die Zeit verfolgt sowie die kinematischen Eigenschaften und Formeigenschaften der Objekte geschätzt werden.
Der Hauptfokus dieser Arbeit liegt auf dem gleichzeitigen Tracking von mehreren dynamischen Objekten, dem sogenannten Multi-Objekt-Tracking. Dabei ist die Datenassoziation, d. h. die Zuordnung einer Messung zum Objekt, eine große Herausforderung. In dieser Arbeit werden neuartige rekursive Multi-Objekt-Tracking-Algorithmen, basierend auf Dirichlet-Prozessen [Ferguson, 1973], vorgestellt. Diese lösen das Datenassoziationsproblem auf probabilistische Weise ohne die Anzahl der Objekte in der Szene im Voraus zu definieren. Die rekursive Lösung des Problems wird
hierbei mit zwei verschiedenen Algorithmen vorgestellt. Zum einen verwendet das Greedy-Dirichlet-Process-Filter einen sogenannten Greedy-Algorithmus, basierend auf [Wang et al., 2011]. Zum anderen wird beim Variational-Inference-Dirichlet-Process-Filter eine variationelle Methode, die Variationelle-Inferenz [Blei et al., 2017], als Inferenzmethode verwendet. Darüber hinaus wird eine Methode für die robuste Erkennung von signifikanten statischen Objekten, sogenannten Landmarken, basierend auf dem Greedy-Dirichlet-Process-Filter, vorgestellt.
Des Weiteren wird in dieser Arbeit eine neuartige Methode zur gleichzeitigen Schätzung von kinematischen Eigenschaften und Formeigenschaften, das sogenannte Tracking von ausgedehnten Objekten, vorgestellt. Dieses basiert auf Non-Uniform-Rational-B-Splines (NURBS) [Coons, 1967], wobei NURBS eine gewichtete Erweiterung von B-Splines sind.
Als Messungen werden die 3D-Punkte eines Light Detection And Ranging (LiDAR)-Sensors, den Velodyne HDL-64 S2, verwendet. Die verwendete Sensorfrequenz von 10 Hz liefert eine dichte Punktwolke der Umgebung. Durch diese dichte Punktwolke ist jedoch die Laufzeiteffizienz der einzelnen Algorithmen entscheidend, um keine Messungen zu verlieren. Daher werden in dieser Arbeit Vorverarbeitungsschritte von Punktwolken, welche die Effizienz des nachgelagerten Trackings wesentlich verbessern können, erläutert und neue Konzepte im Bereich der Punktwolkenrepräsentation und der Berechnung des umhüllenden Quaders einer zu einem Objekt gehörenden Punktwolke, dem sogenannten Bounding-Box-Fit, vorgestellt.
Jede neu entwickelte Methode wird in realen Szenarien mit dem aktuellen Stand der Technik verglichen sowie qualitativ und quantitativ untersucht. Es zeigt sich, dass die in dieser Arbeit entwickelten Methoden bezüglich Laufzeiteffizienz und Genauigkeit der Ergebnisse einen Beitrag für die robusteWahrnehmung von dynamischen Objekten in LiDAR-Punktwolken darstellen.