Motiviert durch den Bedarf autonomer Fahrzeuge deren Umgebung wahrzunehmen und zu verstehen, entwickelt diese Arbeit maschinelle Lernverfahren zur Klassifizierung von Sens-ordaten. Derzeit wird diese Aufgabe hauptsächlich von Kamera- oder Lidarbasierten Ver-fahren realisiert, deren Abbildungsfähigkeit jedoch von schlechten Wetterbedingungen ne-gativ beeinflusst wird. Aufgrund dessen fokussiert sich die vorliegende Arbeit auf die se-mantische Segmentierung von Radarpunktwolken, da die Funktionsweise dieser Sensor-technologie nur geringfügig von den herrschenden Umweltbedingungen beeinflusst wird. Es werden verschiedene Feedforward und rekurrente neuronale Netze bewertet, um den aktuellen Stand der Technik zur Segmentierung von Punktwolkendaten abzubilden. Aus-gehend davon wird ein Feedforward-Netzwerk auf Basis der Kernel Point Convolution (KPConv) Operation entwickelt. Ebendiese Operation wird in eine modifizierte long short-term memory (LSTM) Zelle integriert, um die Zeitinformation ungeordneter Radardaten mit variabler Detektionsanzahl nutzbar zu machen. Verschiedene Varianten dieser Netzwerk-architekturen werden auf dem öffentlich verfügbaren nuScenes Datensatz trainiert und mit dem aktuellen Stand der Technik verglichen. Es kann gezeigt werden, dass die Segmentie-rung am besten für die Unterscheidung dynamischer Objekte funktioniert, wohingegen eine Generalisierung hinzu mehreren statischen Objekten zu einer niedrigeren Segmentie-rungsgüte führt. Darüber hinaus weisen die Ergebnisse auf eine starke Abhängigkeit zwi-schen der Modellgüte und den zugrundeliegenden Daten hin. Aufgrund dessen werden nicht nur die Modelarchitekturen an sich, sondern auch der verwendete nuScenes Daten-satzes diskutiert und schlussendlich der Bedarf nach einem geeigneten Datensatz zur Segmentierung von Radarpunktwolken deutlich gemacht. Ein Ausblick zur weiteren Ver-besserung der Netzwerkarchitekturen wird gegeben.
«
Motiviert durch den Bedarf autonomer Fahrzeuge deren Umgebung wahrzunehmen und zu verstehen, entwickelt diese Arbeit maschinelle Lernverfahren zur Klassifizierung von Sens-ordaten. Derzeit wird diese Aufgabe hauptsächlich von Kamera- oder Lidarbasierten Ver-fahren realisiert, deren Abbildungsfähigkeit jedoch von schlechten Wetterbedingungen ne-gativ beeinflusst wird. Aufgrund dessen fokussiert sich die vorliegende Arbeit auf die se-mantische Segmentierung von Radarpunktwolken, da die Funktionswe...
»