Login
- Originaltitel:
- Deep Learning-based Radar, Camera, and Lidar Fusion for Object Detection
- Übersetzter Titel:
- Deep Learning-basierte Fusion von Radar-, Kamera- und Lidardaten zur Objekterkennung
- Autor:
- Nobis, Felix Otto Geronimo
- Jahr:
- 2022
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Lienkamp, Markus (Prof. Dr.)
- Gutachter:
- Lienkamp, Markus (Prof. Dr.); Dietmayer, Klaus (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- VER Technik der Verkehrsmittel
- TU-Systematik:
- VER 020
- Kurzfassung:
- Detecting objects in the environment is a prerequisite for autonomous driving. To increase the detection performance and robustness of current object detection methods - for example in severe weather - low-level data fusion methods for radar, camera, and lidar data are developed. On a public data set, two of the developed radar-centric low-level fusion methods show higher detection scores than the respective baseline methods not using radar data as part of the input.
- Übersetzte Kurzfassung:
- Das Erkennen von Objekten in der Umgebung ist eine Grundvoraussetzung für autonomes Fahren. Um die Güte und Robustheit von Detektionsalgorithmen zu verbessern, werden low-level Sensorfusionsmethoden für Radar-, Kamera- und Lidardaten entwickelt. Auf einem öffentlichen Datensatz zeigen zwei der entwickelten Methoden durch die Fusion von Radardaten als Teil der Eingangsdaten höhere Objektdetektionsgüten als die Basismethoden, die keine Radardaten verwenden.
- WWW:
- https://mediatum.ub.tum.de/?id=1631640
- Eingereicht am:
- 09.11.2021
- Mündliche Prüfung:
- 26.04.2022
- Dateigröße:
- 13743870 bytes
- Seiten:
- 130
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220426-1631640-1-1
- Letzte Änderung:
- 17.05.2022
BibTeX