The primary aim of Advanced Driver Assistance Systems (ADAS) is to aid in improving the safety and performance of assisted driving. This is achieved using a suite of integrated sensors to detect, identify and track targets within the environment. The map of target objects is then used to form the situational awareness for highly assisted (and in the future autonomous) driving operations. Since traffic participants are monitored by heterogeneous sensors with different capabilities and different fields of view, target tracking algorithms within ADAS are required to deal with randomly varying numbers of targets with various properties in presence of unknown data association and spatial registration. A rigorous mathematical foundation for dealing such scenarios has been developed, which is called 'Random Finite Set statistic (RFS)'. The RFS framework eliminates the need for pedigree tracking and data association required by traditional Bayesian techniques, but achieves this at the expense of being a conservative (or sub-optimal) estimate. This thesis has considered the traditional tracking problems in ADAS, which essentially concerns the 'Improve the performance of heterogeneous sensor integration for highly assisted driving functionality based on random finite set framework'. Several applications are developed as individual subsystems including localization, visual odometry and lane detection. In contrast to the traditional approaches, the proposed framework avoids the requirements of explicit data association and high precision calibration (i.e. registration) of the sensors. All the implementations developed for this thesis were published in international conferences and journals, indicating the credibility and novelty of the work.     «

The primary aim of Advanced Driver Assistance Systems (ADAS) is to aid in improving the safety and performance of assisted driving. This is achieved using a suite of integrated sensors to detect, identify and track targets within the environment. The map of target objects is then used to form the situational awareness for highly assisted (and in the future autonomous) driving operations. Since traffic participants are monitored by heterogeneous sensors with different capabilities and different f...     »

Das wichtigste Ziel von Fahrerassistenzsystemen ist die Verbesserung der Sicherheit und Leistungsfähigkeit des assistierten Fahrens. Möglich wird dies durch die Verwendung integrierter Sensor-Sets, mit denen Ziele in der Umgebung detektiert, identifiziert und verfolgt werden können. Eine so generierte Karte, die identifizierten Zielobjekte enthält, ist die Basis für die in der Zukunft für hoch automatisierte Fahrerassistenzsysteme notwendige Umgebungswahrnehmung. Da Verkehrsteilnehmer durch heterogene Sensorsets detektiert werden, welche über unterschiedliche Stärken, Schwächen und Sichtfelder verfügen, muss die Umgebungserfassung in der Lage sein die unterschiedlichen Messwerte der verschiedenen Sensoren in Einklang zu bringen. Dies beinhaltet die Auflösung scheinbarer Widersprüche in Messdaten, die korrekte Zuordnung von Messdaten zu den jeweiligen Zielobjekten, sowie die Eliminierung systematischer Fehler. So könnten unterschiedliche Sensoren unterschiedliche zufällig variierte Mengen und Positionen von Zielen melden und unterschiedliche Sensortypen unterschiedliche Zieleigenschaften erkennen. Eine rigorose mathematische Basis für den Umgang mit solchen Szenarien sind 'Random Finite Set Statistic (RFS)'. Das RFS-Framework beseitigt die Notwendigkeit für die Verfolgung von Objekttrajektorien und Datenzuordnung, die für traditionelle Bayesianische Methoden, zum Preis von konservativen statt optimalen Ergebnissen. In dieser Arbeit wurden traditionelle Szenarien für Objekt-Verfolgung für Fahrerassistenzsysteme untersucht, mit dem Ziel die Leistungsfähigkeit heterogener Sensor-Sets durch die Verwendung des Random Finite Set Frameworks zu verbessern. Mehrere Anwendungskonzepte wurden entwickelt und demonstriert. Die entwickelten Konzepte umfassen Szenarien zur Lokalisierung, visuellen Odometrie und Fahrspurerkennung. Im Unterschied zu traditionellen Ansätzen, beseitigen die neu entwickelten Ansätze die Notwendigkeit korrekter Messdatenzuordnung und hoch präziser Sensor Kalibrierung (Sensor Registrierung). Die entwickelten Konzepte und Implementierungen wurden jeweils auf internationalen Konferenzen und in Journals publiziert.     «

Das wichtigste Ziel von Fahrerassistenzsystemen ist die Verbesserung der Sicherheit und Leistungsfähigkeit des assistierten Fahrens. Möglich wird dies durch die Verwendung integrierter Sensor-Sets, mit denen Ziele in der Umgebung detektiert, identifiziert und verfolgt werden können. Eine so generierte Karte, die identifizierten Zielobjekte enthält, ist die Basis für die in der Zukunft für hoch automatisierte Fahrerassistenzsysteme notwendige Umgebungswahrnehmung. Da Verkehrsteilnehmer durch het...     »