SlideShare ist ein Scribd-Unternehmen logo
Modul: BZG4206 Technologie- und Innovationsmanagement
Autoren: Roland Bruggmann, Student BSc Informatik, brugr9@bfh.ch
Denis Olivier Roll´e, Student BSc Automobiltechnik, rolld1@bfh.ch
Dozent: Francisco Rodal, francisco.rodal@bfh.ch
Datum: 14. Dezember 2015
Berner Fachhochschule | Haute ´ecole sp´ecialis´ee bernoise | Bern University of Applied Sciences
Hinderniserkennung mit LiDAR
Aspekte des Technologie- und Innovationsmanagements
am Beispiel von autonomen Transportsystemen
Semesterarbeit
Inhaltsverzeichnis
1 Einleitung 1
2 Technologie 2
2.1 Light Detection And Ranging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Anwendungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2.1 Dichtigkeitsmessung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2.2 Turbulenzerkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2.3 Fernerkundung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.4 Geschwindigkeitsmessung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2.5 Hinderniserkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Hinderniserkennung im Transportwesen 6
3.1 Potenzial von LiDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Weitere Innovationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2.1 Architektur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2.2 Prozesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2.3 Technologien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2.4 Produkte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4 Diskussion 11
4.1 Innovationsbarrieren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2 Effekte und Impacts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2.1 Partner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2.2 Zulieferer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2.3 Kunden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Ethische Aspekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5 Fazit 14
Literaturverzeichnis 15
Bildnachweis 17
Abbildungsverzeichnis 18
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 i
1 Einleitung
Das Bed¨urfnis nach individueller Mobilit¨at ist bis anhin ungebrochen und wird auch in Zukunft von grosser Wich-
tigkeit sein. In Anbetracht der weltweit wachsenden Gesellschaft wird dieses Bed¨urfnis noch zunehmen. Dadurch
ergeben sich neue Problemgebiete wie ansteigende Verkehrsdichte und zunehmende Verkehrsleistung auf der einen
Seite. Auf der anderen Seite stehen Forderungen von Gesellschaft, Politik und Verbraucher, welche gleichzeitig eine
Verringerung von Unfallh¨aufigkeit und Unfallschwere fordern. Um diese Herausforderungen wirksam anzugehen,
bieten Fahrerassistenzsysteme einen geeigneten L¨osungsansatz.
Bei der Entwicklung von autonomen Transportsystemen spielen Fahrerassistenzsysteme eine zentrale Rolle. Auch
in der Schweiz werden autonome Systeme getestet, z.B. durch die Swisscom AG1
oder aktuell in Sitten mit Elek-
trobussen der PostAuto Schweiz AG.2
Im Bereich der Fahrzeugumfeldsensorik haben sich nebst akustischen oder
elektromagnetischen Methoden wie Ultraschall oder Radar verschiedene Systeme etabliert, die im optischen Wellen-
bereich operieren. Daten werden z.B. per Video, Infrarot oder Laser aquiriert. Mit dem Einsatz dieser Technologien
hat sich die Automobilindustrie einer vielversprechenden Zukunft ge¨offnet. Nicht nur grosse Autohersteller wie
BMW3
, Mercedes-Benz oder Tesla Motors4
dr¨angen mit Innovationen auf den Markt, sondern auch Technologie-
unternehmen wie Apple oder Google mischen kr¨aftig mit.5
Letzteres testet zur Zeit mit dem Google Driverless
Car ein Hinderniserkennungssystem aus eigener Produktion. Das Unternehmen verwendet f¨ur die Vermessung des
Fahrzeugumfeldes die Technologie Light Detection And Ranging, kurz LiDAR.
Am Beispiel von LiDAR sollen Aspekte des Technologie- und Innovationsmanagement aufgezeigt werden: Wie
wird diese Technologie heute eingesetzt? Welches Potential hat die Technologie in der Hinderniserkennung? Zu
welchen weiteren Innovationen kann die Technologie in der Hinderniserkennung f¨uhren? Auch Innovationsbarrieren
und Effekte auf Partner, Zulieferer sowie Kunden werden diskutiert. Schliesslich kommen ethische Fragen und die
Beziehung zwischen der Technologie und der Gesellschaft zur Sprache.
Der vorliegende Bericht enth¨alt f¨unf Kapitel: Auf diese Einleitung folgt eine Erl¨auterung der Technologie sowie eine
Auswahl von Anwendungen (Kapitel 2). Im Anschluss wird die Verwendung von LiDAR in Fahrerassistenzsystemen
zur Hinderniserkennung vorgestellt (Kapitel 3) und diskutiert (Kapitel 4). Mit dem Fazit werden die wichtigsten
Ergebnisse rekapituliert (Kapitel 5).
1Medienmitteilung: Swisscom zeigt das erste selbstfahrende Auto auf Schweizer Strassen. In: Website der Swisscom AG, 12. Mai 2015.
URL: https://www.swisscom.ch/de/about/medien/press-releases/2015/05/20150512-MM-selbstfahrendes-Auto.html,
Zugriff: 4. November 2015.
2ij/SDA: Dieses Postauto hat kein Bremspedal. In: Tagesanzeiger Online vom 4. November 2015. URL: http://www.tagesanzeiger.
ch/schweiz/standard/Post-testet-selbstfahrende-Busse/story/26397371, Zugriff: 4. November 2015.
3Autopilot f¨urs Auto: BMW f¨ahrt ohne Fahrer auf der Autobahn. In: Focus Online vom 27. August 2011. URL: http://www.focus.
de/auto/ratgeber/autonomesfahren/tid-23437/autopilot-fuers-auto-bmw-faehrt-ohne-fahrer-auf-der-autobahn_
aid_658883.html, Zugriff: 9. November 2015.
4Medienmitteilung: Tesla stellt Dualmotor und Autopiloten vor. In: Website von Tesla Motors, 10. Oktober 2014. URL: http://www.
teslamotors.com/de_CH/videos/tesla-unveils-dual-motor-and-autopilot, Zugriff: 9. November 2015.
5Wolfgang Gomoll: Geheimer Schlachtplan im Silicon Valley: So wollen Google und Co. die Autobranche ausstechen. In: Focus
Online vom 28. M¨arz 2015. URL: http://www.focus.de/auto/ratgeber/autonomesfahren/autoplaene -von -apple -und -google -
geheimer -schlachtplan -im -silicon -valley -so -wollen -google -und -co -die -autobranche -ausstechen id 4571105.html, Zugriff:
9. November 2015.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 1
2 Technologie
2.1 Light Detection And Ranging
Light Detection And Ranging (LiDAR) ist eine Technologie, welche mit Wellenl¨angen im optischen Bereich des
elektromagnetischen Spektrums operiert – genauer zwischen Ultraviolet und nahem Infrarot – und kann bei Tag und
Nacht eingesetzt werden. Ein LiDAR-System sendet ¨uber einen gepulsten Laser Strahlen aus, welche an Objekten
reflektiert werden und mit einem Detektor registriert werden k¨onnen. [FELex] gruppiert LiDAR-Systeme anhand
ihrer Verwendung:
ˆ R¨aumliche Erfassung von Stoffen in der Atmosph¨are und im Meer.
ˆ Erfassung von topographischen Daten mit hoher Genauigkeit.
ˆ Terrestrisches Messen von Distanz und Geschwindigkeit von Objekten.
2.2 Anwendungen
Die Technologie findet heute breite Verwendung, so kommt sie z.B. zur Dichtigkeitsmessung von Erdgasleitun-
gen, f¨ur die Turbulenzerkennung in der Luftfahrt, in der Fernerkundung, f¨ur Geschwindigkeitsmessungen sowie zur
Erfassung des Fahrzeugumfeldes zur Hinderniserkennung zum Einsatz.
2.2.1 Dichtigkeitsmessung
Herk¨ommliche Verfahren zur ¨Uberpr¨ufung der Dichtigkeit von Erdgasleitungen basieren auf Halbleitersensoren und
Flammenionisationsdetekoren. Heutzutage kommt jedoch zunehmend eine laserbasierte Detektion von Methan zur
Anwendung (vgl. [G501]). Diese Methode wird oberirdisch eingesetzt, die Ger¨ate werden dabei in Luftfahrzeugen
wie Hubschrauber oder Flugzeugen installiert. Somit k¨onnen grosse Fl¨achen in relativ kurzer Zeit kontrolliert wer-
den. Dabei k¨onnen sowohl freiliegende als auch erdverlegte Erdgasleitungen in unbebauten und sogar bebauten
Gebieten aus der Luft auf ihre Dichtheit ¨uberpr¨uft werden (siehe Abbildung 2.1). Bei dieser Ferndetektion wer-
den methanreiche Gase aufgesp¨urt. Die Messmethode wird mittels einem differentiellen Absorptions-LiDAR (DIAL)
realisiert, das mit gepulsten Laser arbeitet und somit zu den aktiven optischen Systemen z¨ahlt.
Abbildung 2.1: Nadir-Rotation: Ein DIAL-Produkt von Open Grid Europe
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 2
Die Funktionsweise kann wie folgt beschrieben werden (vgl. [WP:Lidar]):
”
Beim DIAL-Verfahren werden zwei Laserimpulse unterschiedlicher Wellenl¨ange ausgesendet. Eine
der Wellenl¨angen wird so gew¨ahlt, dass sie vom Stoff, dessen Konzentration bestimmt werden soll,
absorbiert wird (On-line-Wellenl¨ange); die andere Wellenl¨ange so, dass sie nicht oder m¨oglichst wenig
absorbiert wird (Off-line-Wellenl¨ange). Aus dem schrittweisen Vergleich der R¨uckstreusignale (jeweils
f¨ur ’on’ und ’off’) kann dann das Konzentrationsprofil des Stoffes entlang der Ausbreitungslinie der
Laserpulse berechnet werden.”
Diese Methode stellt nat¨urlich eine eher grobe Messung der Methandetektion dar, ist aber f¨ur eine initiale ¨Uberpr¨u-
fung der meistens weitl¨aufigen Gasnetze von Bedeutung. Basierend auf diesen grossfl¨achigen Abkl¨arungen erfolgen
anschliessend am Boden lokal genauere Messungen, damit Lecks schnellst m¨oglichst gefunden und die Sch¨aden
behoben werden k¨onnen.
2.2.2 Turbulenzerkennung
Trotz strahlend blauem Himmel und ruhigen Windverh¨altnissen k¨onnen Flugzeuge aprupt in die Tiefe sacken, sich
aber im n¨achsten Augenblick wieder fangen. Nicht nur ein unangenehmes Gef¨uhl in der Magengegend ist die Folge,
auch die Fracht wird kr¨aftig durchgesch¨uttelt und Gegenst¨ande k¨onnen gef¨ahrlich herumgewirbelt werden. Diese
Turbulenzen sind vor allem bei Wetter mit klaren Sichtverh¨altnissen ¨ausserst schwierig vorherzusehen. In Zukunft
sollen auf Grund des Klimawandels noch vermehrt Turbulenzen auftreten. Wie aber entstehen solche ’Luftl¨ocher’?
Das Deutsche Zentrum f¨ur Luft- und Raumfahrt [DLR] beschreibt dies wie folgt:
”
Entlang des Jetstreams entstehen h¨aufig Windscherungen – ausgedehnte Luftschichten, die sich mit
unterschiedlichen Geschwindigkeiten horizontal gegeneinander bewegen. Besonders starke Windsche-
rungen k¨onnen Wellen ausbilden, die schliesslich auch brechen k¨onnen – ganz wie eine Welle auf dem
Wasser. Der Bruch einer Welle verursacht Verwirbelungen in der Luft beziehungsweise eine Turbulenz
– die Clear Air Turbulence (CAT).”
Solche CATs sollen nun mit Hilfe von einem Lasermessger¨at basierend auf der LiDAR-Technologie entdeckt und
vorausgesagt werden k¨onnen. Dieses LiDAR-Instrument sendet in Flugrichtung kurzwellige UV-Laserstrahlen aus.
Diese werden von den Sauerstoff- und Stickstoffmolek¨ulen reflektiert. Anhand der Anzahl der zur¨uckkehrenden
Laserstrahlen wird die Dichte der Luft bestimmt. Schwankungen der Dichte geben schliesslich Auskunft ¨uber lokale
Turbulenzen. Mit einem neuen System – genannt DELICAT – wird versucht, dem Ph¨anomen entgegenzuwirken
(siehe Abbildung 2.2).
Abbildung 2.2: DELICAT mit Strahlf¨uhrung im Versuchsflugzeug PH-LAB
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 3
Um die Leistungsf¨ahigkeit von DELICAT zu erproben, haben im Zeitraum von 2013 bis 2014 Versuchsmessungen
in einem eigens daf¨ur umgebauten Flugzeug ¨uber ganz Europa stattgefunden. Die gesammelten Daten sind noch
in Auswertung. Es bleibt zu hoffen, dass diese Daten wichtige Erkenntnisse zu den Entstehungsmechanismen und
den komplexen atmosph¨arischen Prozessen liefern. In Zukunft sollen Piloten von Passagiermaschinen mit einer
rechtzeitigen Aufforderung zum Anschnallen an die Passagiere geben k¨onnen und somit Unf¨alle vermeiden.
2.2.3 Fernerkundung
Gem¨ass Baldenhofer [FELex] generiert LiDAR pr¨azise Information ¨uber die Erdoberfl¨ache und deren Charakteristik.
Ein luftgest¨utzes topographisches LiDAR kann zum erstellen von Oberfl¨achenmodellen dienen, so f¨ur Anwendungen
in der Forstwirtschaft, in der Hydrologie, f¨ur die Stadtplanung, f¨ur das K¨usteningenieurwesen u.a.m. (vgl. [ArcMap,
LIDAR-Typen]). Dabei generiert das System gem¨ass ESRI [ArcMap, Was sind LIDAR-Daten?] dreidimensionale
Punktwolken wie in Abbildung 2.3 zu sehen.
(a) (b)
Abbildung 2.3: a) Luftgest¨utzes topographisches LiDAR und b) generierte Punktwolke
Ein weiteres Feature des luftgest¨utzten topographischen LiDAR ist gem¨ass ESRI [ArcMap, LIDAR-Typen] die
M¨oglichkeit, Wasser zu durchdringen. Dabei wird die H¨ohe von Land- und Wasseroberfl¨ache mittels einem her-
k¨ommlichen Infrarot-Laser erkundet, die Wassertiefe wird mit dem sog. bathymetrischen LiDAR ermittelt – einem
zus¨atzlichen gr¨unen Laser, welcher die Wassers¨aule durchdringt. Auch Objekte auf dem Meeresgrund k¨onnen damit
aufgesp¨urt werden (ebda.).
2.2.4 Geschwindigkeitsmessung
F¨ur die Geschwindigkeitsmessung im Strassenverkehr kommen gem¨ass [ADAC] mobile LiDAR-Ger¨ate in einem PKW
oder aber station¨ar in Messs¨aulen installierte LiDARs zum Einsatz (siehe Abbildung 2.4). Mit letzterem k¨onnen
beide Fahrrichtungen kontrolliert werden. Die LiDAR-Impulse werden von der Karosserie eines vorbeifahrenden
Autos reflektiert. Die Auswertung der Lichtimpulse resultiert in einer Abfolge von dreidimensionalen Bildern. Darin
werden die Konturen der Fahrzeuge extrahiert und ein Bewegungsprofil erstellt. Aus den Differenzen der Entfernung
eines Fahrzeuges kann schliesslich dessen Geschwindigkeit errechnet werden.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 4
Abbildung 2.4: Station¨ar installiertes LiDAR-System zur Geschwindigkeitsmessung
2.2.5 Hinderniserkennung
LiDAR wird heutzutage auch bei Fahrerassistenzsystemen FAS eingesetzt. Mit dem LiDAR wird das Fahrzeugum-
feld erfasst. Dabei entsteht eine per GPS im kartesischen Koordinatensystem georeferenzierte Punktwolke (siehe
Abbildung 2.5), welche als Grundlage dient zur weiteren Datenverarbeitung mittels Methoden der Computer Vision
und der K¨unstlichen Intelligenz KI. Aufgrund der Berechnung der Differenz zwischen Punktwolken werden Objekte
extrahiert und anschliessend klassifiziert (siehe Abbildung 2.6). Diese Daten werden schliesslich in Entscheidungs-
algorithmen einbezogen.
Google Self-Driving Car Project
Monthly Report
July 2015 
Responding to things we’ve never seen before​. Teaching a self-driving car to handle every possible
situation it could encounter on the road is not feasible, as there’s an infinite number of possibilities. Instead,
our technology gives it fundamental capabilities to respond correctly to unexpected situations as they
happen, like when we encounter a dog-powered skateboard.
In this case, we didn’t have to explicitly program a “dog-powered skateboard” algorithm; instead, our vehicle
was able to understand there was a person here, and how they were moving, and then was able to slow down
and give them space.
 
Abbildung 2.5: Fahrzeugumfeld als Punktwolke
Abbildung 2.6: Mit Methoden der Computer Vision extrahierte Objekte
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 5
3 Hinderniserkennung im Transportwesen
3.1 Potenzial von LiDAR
Wie im vorangegangenen Kapitel beschrieben, bietet LiDAR ein sehr breites Anwendungsfeld, wie zum Beispiel f¨ur
die Verarbeitung geologischer Daten bis hin zur Vorhersage von Luftverh¨altnissen.
Als Veranschaulichung kann das optische System LiDAR als technisches Pendant zum menschlichen Sehorgan
gesehen werden. LiDAR ist in der Lage, Gegenst¨ande und deren Entfernung zu erfassen. Die Analyse der vom LiDAR
erfassten Daten erfolgt ¨ahnlich zur menschlichen Verarbeitung von Bildern: Was beim Menschen im Sehzentrum
des Hirns passiert, erledigt das LiDAR mit einer Verarbeitungssoftware. Die Vermessung, welche innerhalb von
Sekundenbruchteilen stattfindet, wird zu einem 3D-Bild gerendert. Eingebettet in ein autonomes Transportsystem
handelt es sich beim LiDAR also um eine Art Sehsinn.
Die Erfassung der Umgebung mittels LiDAR ist f¨ur ein nicht station¨ares Objekt – z.B. ein Automobil – eine sehr
geeignete M¨oglichkeit, sich in der Umgebung zu orientieren. Im Vergleich zu anderen Umgebungserfassungssystemen
existieren beim LiDAR klare Vorteile:
ˆ Im Vergleich zu einem System, welches auch optisch, aber mit Kameras funktioniert, ist das LiDAR im Vorteil,
weil es auch in absoluter Dunkelheit problemlos operieren kann (vgl. [Tra12]).
ˆ Vergleicht man das LiDAR mit Sensoren im Ultraschallbereich, welche normalerweise in Fahrzeugen als Park-
sensoren verbaut werden, wird schnell ersichtlich, dass aufgrund des baubedingt beschr¨ankten Aussendewin-
kels dieser Sensoren f¨ur eine Rundumsicht mehrere dieser Ultraschallsensoren ben¨otigt werden. Beim LiDAR
hingegen reicht ein einziger Messkopf, welcher wie beim Google-Prius hoch genug auf dem Fahrzeugdach
montiert ist, um eine 360 °-Rundumsicht um das Fahrzeug zu erzeugen (vgl. [Whi14]). Ausserdem ist bei den
herk¨ommlichen Ultraschallsensoren die Reichweite gegen¨uber zum LiDAR zu gering (vgl. [Velodyne]).
ˆ Mit Hilfe von LiDAR k¨onnen die Konturen der vermessenen Objekte erkannt werden. Im Gegensatz dazu
liefert ein RADAR nur Punktinformationen (vgl. [Tra12]).
ˆ Ausserdem ist ein LiDAR-System unempfindlich auf die Anwesenheit weiterer laserbasierter LiDAR-Systeme,
was von RADAR-Systemen nicht behauptet werden kann. Bei RADAR kann es vorkommen, dass sich ver-
schiedene RADAR-Systeme gegenseitig negativ beeinflussen (vgl. [Tra12]).
ˆ Bis dato sind f¨ur das LiDAR keine gesundheitlichen Risiken f¨ur den menschlichen Organismus bekannt. Ganz
im Gegensatz zu starken RADAR-Ger¨aten, welche unter Umst¨anden sch¨adliche R¨ontgen- und Mikrowellen-
strahlen aussenden (vgl. [WP:Radar]).
ˆ LiDAR kann mittels verschiedener Reflexionsgrade von Materialoberfl¨achen sogar Materialien erkennen, welche
z.B. anhand der Verarbeitungssoftware unterschiedlich eingef¨arbt worden sind (vgl. [Cha13]).
An dieser Stelle muss jedoch vollst¨andigkeitshalber erw¨ahnt werden, dass ein LiDAR-System am optimalsten funk-
tioniert in Verbindung mit anderen u.a. schon genannten Sensorkomponenten. Obwohl sich ein LiDAR-Messkopf
sehr vielseitig einsetzten l¨asst, existieren gewisse Einschr¨ankungen basierend auf den physikalischen Eigenschaften
dieses Vermessungssystems:
ˆ Bei stark nebligen oder staubigen Wetterlagen ist die ”Sichtweite”eines LiDARs stark eingeschr¨ankt, weil die
ausgesandten Laserstrahlen durch Luftbestandteile wie Wassertr¨opfchen oder Staub stark ged¨ampft werden
und z.T. nicht zum Empf¨anger zur¨uckkehren (vgl. [Tra12]).
ˆ Das Reflexionsverm¨ogen von Gewebe mit dunklen Farbt¨onen wie dunkelblau oder schwarz ist sehr schlecht.
Somit werden solche Objekte vom LiDAR nur sehr schlecht registriert (vgl. [Kuc15]).
ˆ Die Vermessung eines Objektes mit scharfen Kanten kann unter Umst¨anden schwierig sein. Dies h¨angt wie-
derum von dem Reflexionsverm¨ogen dieses Objekts ab (vgl. [Kuc15]).
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 6
ˆ Bei Betrachtung des 3D-Renderings, welches vom LiDAR mit Hilfe der Verarbeitungssoftware erstellt wird,
f¨allt auf, dass es hinter erfassten Objekten teilweise zu signifikanten Schattenw¨urfen kommen kann, in welchen
sich u.U. weitere Objekte befinden k¨onnen. Diese bleiben dort aber unerkannt.
Mit der gewaltigen Datenmenge, welche eine LiDAR-Messeinrichtung produziert, kann mit Hilfe einer entsprechen-
den Verarbeitungssoftware eine verbl¨uffend realistische, dreidimensionale, virtuelle Landkarte erstellt werden. Dieses
Kartenmaterial ist gen¨ugend hochaufl¨osend, dass sich damit ein Fahrzeug autonom im Raum bewegen kann. Wer-
den anschliessend die ben¨otigten Ableitungen und Berechnungen get¨atigt, werden auch andere bewegliche Objekte
mitsamt deren Fortbewegungsrichtungen und ihren jeweiligen Geschwindigkeiten innerhalb des vermessenen Raum-
es erfasst. Basierend auf der Datenerfassungssoftware kann beim LiDAR genau vorgegeben werden, was registriert
werden soll – so zum Beispiel die Erfassungsgeschwindigkeit oder die Kategorisierung der Objekte.
Im Allgemeinen ist denkbar, dass Anwendungen im Fahrzeug, welche momentan vor allem mittels Radarsystemen
funktionieren, langfristig durch LiDAR-Systeme ersetzt werden. Denn die Komponenten der LiDAR-Sensorik ent-
sprechen unterdessen den hohen Anforderungen der Fahrzeugbranche und sind serienm¨assig verf¨ugbar. Dies ist
sinnvoll, da ein LiDAR-basiertes System mit nur einem Messkopf mehrere Aufgaben gleichzeitig erf¨ullen kann.
Hier sei der Fokus nicht nur auf das angestrebte, autonome Fahren gelegt, sondern auch auf die Integration und
Verbesserung von bereits vorhandenen Fahrassistenzsystemen wie dem automatischen Tempomat, dem Spurhal-
teassistenten, dem Spurwechselassistenten und der automatischen Einparkhilfe. All diese Aufgaben k¨onnten vom
LiDAR problemlos ¨ubernommen werden. Abschliessend sei hier noch erw¨ahnt, dass mit einem LiDAR die Korrelation
zwischen der Ger¨ate- und der Fahrersicht besser miteinander harmonieren (vgl. [Spi06]).
3.2 Weitere Innovationen
Oft bringt die Innovation eines neuen technischen Ger¨ates eine weitere Anzahl Neuentwicklungen und deren
Markteinf¨uhrung mit sich. Bedingt ist dies durch den Umstand, dass eine Innovation ¨uber kompatible Schnitt-
stellen verf¨ugen muss, um innerhalb eines bestehenden Systems integriert werden zu k¨onnen. Weiter muss bei
einem Sensor wie dem LiDAR die Kommunikation sichergestellt sein, damit die gesammelten Daten verarbeitet
werden k¨onnen.
3.2.1 Architektur
Der Trend der Weiterentwicklung von LiDAR-Messk¨opfen geht zur Zeit mehr oder weniger einher mit den Bed¨urf-
nissen der Fahrzeugbranche. Der am breitesten verwendete Sensor von Google ist ein HDL-64E der Firma Velodyne
mit 64 Laser und Detektoren, geb¨undelt zu 4 Bl¨ocken `a 16 Laser (vgl. [Velodyne]) und wurde von Google auf
verschiedenen Fahrzeugen wie dem Toyota Prius oder dem Lexus RX montiert. Dieses Ger¨at war ein grosser, sehr
leistungsstarker aber etwas klobiger Klotz, welcher f¨ur eine gute Rundumsicht mit Hilfe eines Dachtr¨agers in erh¨oh-
ter Position in der Mitte des Autodaches platziert wurde (siehe Titelbild). Neuere Entwicklungen sehen mehrere
LiDAR-Sensoren vor, welche ¨uber ein Fahrzeug verteilt werden, wie zum Beispiel beim aktuellen Ford Fusion (siehe
Abbildung 3.1). Damit wird eine bessere Rundumsicht durch verkleinerte tote Winkel erreicht. Auch hier kommen
Ger¨ate der Firma Velodyne zum Einsatz. Ford verfolgt die Strategie, mit aktuell verf¨ugbarer handels¨ublicher Hard-
und Software die Grenzen des autonomen Fahrens zu testen. Sie betreiben damit eine Evolution der Innovation,
um in kleinen Schritten immer weitere Fahrerassistenzkomponenten in die Fahrzeuge zu implementieren.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 7
Abbildung 3.1: LiDAR-Sensoren montiert auf dem Dach eines Ford Fusion
Eine weitere – optisch gef¨alligere – Integration findet man aktuell in der gesamten Baureihe von Volvo als Option
(vgl. [How11]). Hier sitzt ein LiDAR-Sensor hinter dem Innenspeigel und blickt durch die Frontscheibe (siehe
Abbildungen 3.2 und 3.3). Bei Volvo wird der Sensor speziell f¨ur das Feature ”City Safety” eingesetzt. Dieses
soll Auffahrunf¨alle bei Geschwindigkeiten bis zu 30 km/h durch aktive Bremseingriffe verhindern oder zumindest
drastisch abschw¨achen (vgl. [NCAP]).
Abbildung 3.2: LiDAR-Sensor montiert hinter dem Innenspeigel bei ”City Safety”von Volvo
Abbildung 3.3: Autonomes Notbremssystem ”City Safety”von Volvo
¨Ahnlich gestaltet sich die Entwicklung der Art, wie Rendering-Komponenten verstaut werden. Erste Systeme fanden
meist im Kofferraum platz, getrennt von der im Fahrzeug vorhandenen On-Board-Komponenten. Heute sind Systeme
bereits mit der On-Board-Informatik des Fahrzeuges vernetzt und nutzen gemeinsam Sensorik und Daten. In Zukunft
wird ein LiDAR-System komplett in die autonom fahrenden Fahrzeuge integriert sein, ohne dass der Desgin-affile
Betrachter markante oder gar st¨orende Bauformen wahrnehmen wird.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 8
3.2.2 Prozesse
Die Geburtsstunde der Idee zur autonomen, mobilen Fortbewegung wird gem¨ass Fenton [Fen94] der Weltausstellung
von New York im Jahre 1939 zugeschrieben. Dort wurde die Zukunftsvision des automatisierten Individualverkehrs
erstmals einer breiten ¨Offentlichkeit vorgestellt. Seit diesem Zeitpunkt wird mehr oder weniger unerm¨udlich an
dieser Vision geforscht und entwickelt. Ab diesem Zeitpunkt galt es dem Auto das ”Sehen”beizubringen, damit es
selbstst¨andig in die Lage versetzt werden konnte, seine Umgebung und seine Aktionspartner erkennen zu k¨onnen
(vgl. [Dic05]).
Zuerst galt die allgemeine, langfristige Tendenz zur Entwicklung von vollst¨andig autonomen Fahrzeugen, welche aber
meist nur auf einer begrenzten und abgesperrten Fl¨ache zuverl¨assig funktionierten. Erst seit einigen Jahren verschob
sich der Forschungsfokus mehrheitlich in Richtung der Entwicklung von technisch ausgereiften und realisierbaren
Assistenzsystemen zur Steigerung des Komfort und der Sicherheit im Individualverkehr, welche relativ einfach auf
den Markt gebracht werden konnten. Darunter f¨allt nun auch die Integration von LiDAR. Denn bis anhin fanden zwar
meist RADAR-basierte L¨osungen verbreiteten Einsatz, werden aber seit neustem vom LiDAR stark konkurrenziert.
So zum Beispiel im aktuellen Ford Focus (vgl. [Tra12]). Dort kommt ein LiDAR-Sensor im Verbindung mit dem
Notbremsassistenten zum Einsatz.
Um nun die bereits bestehenden und zuk¨unftigen L¨osungen mit Hilfe von LiDAR in einem gr¨osseren Rahmen nutzbar
zu machen, w¨are es denkbar, dass folgende Ideen umgesetzt werden:
Harmonisierung und Modifizierung von Verkehrssymbolen
Damit ein mit LiDAR best¨ucktes, autonomes Fahrzeug die verschiedenen Verkehrsschilder, welche die Verkehrsregeln
abbilden, einwandfrei identifizieren kann, w¨are es denkbar, dass die vorhandenen Verkehrsschilder durch europa-
oder sogar weltweit einheitliche Symbole ersetzt werden. Diese Schilder bilden nicht nur Symbole ab, sondern senden
dem autonomen Fahrzeug ¨uberdies dem menschlichen Betrachter nicht sichtbare Informationen zu.
Fahrbahnr¨ander
Gem¨ass Niehues [Nie13] w¨are es m¨oglich, dass eine genaue Vermessung des Fahrbahnrands mittels LiDAR eine gute
M¨oglichkeit zur Orientierung auf der Strasse darstellt. Bis jetzt wurden zwar erste Anstrengungen in diese Richtung
mit dem selbstfahrenden, weiterentwickelten Track-Trainer von BMW nur auf in sich geschlossenen Rennstrecken
unternommen. Es ist jedoch durchaus denkbar das die dort gewonnen Erkenntnisse in Zukunft auf die Serienpro-
duktion von LiDAR-basierten, autonomen Fahrzeugen Eingang finden. Dementsprechend ist es jedoch notwendig,
dass die Fahrbahnr¨ander, sowie die vorangegangenen Verkehrssignale, f¨ur eine erfolgreiche LiDAR-Vermessungen
optisch oder bautechnisch angepasst werden, was bedeutet, dass der zuk¨unftige Strassenbau dieser Entwicklung
Rechnung tragen muss.
Car-to-Car Communication
Die Idee von kommunizierenden Fahrzeugen, welche sich untereinander Daten zusenden ist nicht neu, kann aber
mit der Verwendung von LiDAR ganz neue Dimensionen einnehmen. Wenn eine stabile Kommunikationseinrichtung
in die Fahrzeuge implementiert werden kann, welche in der Lage ist die beachtlichen LiDAR-Datenmengen unter
Fahrzeugen zu ¨ubertragen, kann ein LiDAR-Fahrzeug nicht nur seine Sicht der Dinge wahrnehmen, sondern kann
Entscheidungen treffen unter Anbetracht der Aufnahmen von ganzen Horden LiDAR-Bildern von Fahrzeugen welche
sich in der N¨ahe befinden. Sozusagen, dass mittels LiDAR die Sehf¨ahigkeit vervielfacht wird, sodass im Wahrsten
Sinne des Wortes um Ecken gesehen werden kann. Weiter w¨are eine tempor¨are Aufzeichnung der LiDAR-erfassten
Daten zur Analyse von Unf¨allen denkbar, z.B. wenn ein Fahrzeug noch nicht vollst¨andig autonom unterwegs ist.
Somit k¨onnte der Fall eintreten, dass in Zukunft nicht mehr so viele Juristen, spezialisiert auf Verkehrsrecht ben¨otigt
werden. Oder dass ein Erwerben des F¨uhrerscheins gar nicht mehr n¨otig ist und somit viele Fahrlehrer arbeitslos
werden.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 9
3.2.3 Technologien
Global Positionning Systems
Eine breite Anwendung von LiDAR konnte erst beginnen, sobald ein geschlossenes Netzwerk an GPS-Satelliten in
den Erdumlaufbahnen etabliert war. Denn f¨ur eine LiDAR-Messung ben¨otigt es zwingend die genaue geografische
Position des Messkopfes. Nur so kann eine brauchbare Vermessung realisiert werden. Die Entwicklung eines globalen
Positionierungssystems geht nicht linear aus der Entwicklung des LiDARs hervor, bedeutet aber indirekt, dass es
durchaus im Interesse der LiDAR-Vorantreibenden war, dass ein breiter Zugang an ein solches ¨offentliches Positio-
nierungssystem realisiert wird, damit die Anwendungen von LiDAR ausgeweitet werden k¨onnen (vgl. [Luc14]).
Computer Vision
Die Einf¨uhrung von LiDAR-basierten Fernvermessungsmethoden stellte ganz klar einen riesigen Durchbruch im
Gebiet der Topographie dar. Denn anstatt der simpleren Erfassung und Darstellung von zusammenh¨angenden H¨o-
henlinien durch Photogrammmetrie, um eine ann¨ahrend gen¨ugend genaue Erfassung von geografischen Erhebungen
wiederzugeben, lieferten bereits fr¨uhe LiDAR-Vermessungen eine extreme Anzahl von Punktwolken, mit welchen ein
Abbild mit vorher noch nie dagewesener, hochau߬osender Genauigkeit dargestellt werden konnte. Ein ganz zentraler
Punkt einer nachfolgenden Innovation stellen die Softwarel¨osungen dar, welche ben¨otigt werden, damit die mittels
LiDAR vermessenen Daten ¨uberhaupt ausgewertet und aussagekr¨aftig dargestellt werden k¨onnen. Die Rechenlei-
tung und die Datenverarbeitungsgeschwindigkeit der Computer haben in den letzten Jahren rapide zugenommen.
Anf¨anglich blieb aber die Programminfrastruktur f¨ur eben gerade diese Datenverarbeitung lange Zeit noch dieselbe
und war nur ungen¨ugend in der Lage die ¨uberw¨altigende Datenflut von LiDAR-Vermessungen zu verarbeiten. Somit
hat die Innovation des LiDARs gezwungenermassen auch eine Innovation im Bereich der Verarbeitungssoftware
ausgel¨ost (vgl. [Rom14]).
K¨unstliche Intelligenz
Durch den weiteren grossen Schritt – n¨aher in die Richtung des selbstfahrenden Autos – werden je l¨anger je
mehr Fahrerassistenzsysteme gekoppelt. Bereits heute arbeiten Spurwechselassistenten und Notbremsassistent mit
K¨unstlicher Intelligenz. Auch ethische Aspekte werden von grosser Wichtigkeit. Nach welchen Regeln soll sich sich
ein autonom bewegendes Fahrzeug verhalten, falls eine heikle Situation eintritt (vgl. [Tr¨o11])? Die Verwendung von
Entscheidungssystemen ist bereits in verschiedenen Fachbereichen bekannt, wie etwa in der Betriebswirtschaft oder
in der Physik. Nun wird sie aber neu und in einem vorher nicht gekannten Ausmass im Gebiet der selbstfahrenden
Fahrzeuge Verwendung finden.
3.2.4 Produkte
Flash-LiDAR
Das Flash-LiDAR kann man als Weiterinnovation des LiDAR-Scanners bezeichnen. Denn anstatt dass eine Bild-
punktewolke mittels rotierenden Scanners erzeugt wird, funktioniert das Flash-LiDAR wie eine Fotokamera. Pro
Bild werden 16384 Datenpunkte in schneller Abfolge aufgenommen und erlauben hohe dynamische Anwendungen.
Die Vorteile des Solid-State-Flash-LiDAR bestehen darin, dass es keine beweglichen Komponenten besitzt, welche
verschleissen k¨onnen oder periodische Kalibrierungen ben¨otigen. Weitere Vorteile dieser Flash-Sensoren sind ihr
Gewicht und Baugr¨osse. Es existieren bereits Modelle, welche bloss 500 Gramm wiegen. Dies bedeutet im Vergleich
zum LiDAR-Scanner grosse Kostenvorteile.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 10
4 Diskussion
4.1 Innovationsbarrieren
Das Gabler Wirtschaftslexikon [Gabler] beschreibt Innovationsbarrieren als Ursachen f¨ur das Verz¨ogern bzw. Ver-
hindern von Innovationsprojekten. Als Grund wird intuitiv und z.T. irrational ablehnendes menschliches Verhalten
gegen¨uber der (Er-)Neuerung genannt, welches sich z.B. im Festhalten an Gewohnheiten und Traditionen zeigen
kann. Gerade mit dem Einwand des ablehnenden, intuitiven oder irrationalen Verhaltens der angesprochenen K¨au-
ferschaft von autonom fahrenden Fahrzeugen wird ein schwergewichtiger Punkt angesprochen, welcher sich unter
Umst¨anden zu einer grossen Innovationsbarriere entwickeln k¨onnte. Gem¨ass einer Umfrage von [statista] im Jahr
2013 betreffend den Nachteilen von autonomen Fahrzeugen nennt ¨uber die H¨alfte der Befragten (58%) als Haupt-
nachteil den Verlust vom Spass am Fahren. Unter dem Aspekt der Fahrfreude l¨asst sich eventuell auch der Punkt
der Massenflut von Daten, welche per LiDAR innert k¨urzester Zeit aufgezeichnet werden, anf¨ugen. Denn um mit
einem autonom fahrenden Fahrzeug effizient und sicher unterwegs sein zu k¨onnen, ben¨otigt dieses ein ausgekl¨ugel-
tes Rechensystem mit immenser Verarbeitungsgeschwindigkeit. Hier werden jedoch kritische Stimmen laut, welche
anmerken, dass die vorhandenen Rechenkapazit¨aten f¨ur ein fliessendes, autonomes Fahren noch nicht ausgereift
seien. Nur mit einer gen¨ugenden Verarbeitungsgeschwindigkeit kann auch ein fliessendes und geschmeidiges Fahrge-
f¨uhl realisiert werden, welches unter Umst¨anden den Verlust des eigenen Eingreifens kompensieren kann. Der Punkt
der ausgereiften Datenverarbeitung in Echtzeit leitet gleich zum n¨achsten Punkt. Nicht nur die Hardware bereitet
Probleme, auch im Bereich der Softwarel¨osungen muss weiterhin nachgebessert werden, damit die LiDAR-Daten
einfach und in wenigen Arbeitsschritten verarbeitet werden k¨onnen, so dass selbstfahrende Autos jede erdenkliche
Situation problemlos meistern k¨onnen.
Auf Seiten der Rechtsvertreter wird die Kritik der ungekl¨arten Haftungsfragen bei einem Schadenfall laut. Sollte ein
Unfall geschehen, bei welchem ein autonomes Fahrzeug involviert ist, fehlt es an notwendigen Gesetzesgrundlagen
und Richtlinien. Diese m¨ussen erst erarbeitet und sp¨ater auch erfolgreich angewendet werden. Dieser Umstand kann
sich zu einem heiss diskutierten und umk¨ampften Thema entwickeln, der eine erfolgreiche Implementierung von
LiDAR in Fahrzeugen auf l¨angere Zeit ausbremsen k¨onnte.
Die gr¨osste Innovationsbarriere f¨ur die Anwendung von LiDAR-Technologien im Zusammenhang mit autonomer
Fortbewegung geht jedoch von konkurrenzierenden Produkten der High-Tech-Branche aus – namentlich von der
”
Multi-Ray Photogrammetrie”. Dies ist eine Technologie, welche anstatt wie bei der bisher bekannten Photogram-
metrie mit zwei ¨uberlappenden Bildern einer Stereokamera dreidimensionale Bilder konstruiert, mit mehreren Bildern
gleichzeitig arbeitet. Der Vorteil bei der Multi-Ray Photogrammetrie liegt in den preiswerten Sensoren, welche massiv
g¨unstiger, kleiner, leichter und stromsparender sind als LiDAR-Scanner. Das heisst, dass diese Methode von vielen
preisbewussten K¨aufern auf dem Markt einen Vorrang geniessen wird. Ausserdem liefert diese Technologie genauere
und hochau߬osendere Bildpunktewolken als LiDAR. Sogar Microsoft ist im Bereich der Mult-Ray Photogrammetrie
t¨atig und verf¨ugt bereits ¨uber durchaus potente Verarbeitungsprogramme (siehe Abbildung 4.1).
Abbildung 4.1: Darstellung von Daten im Pix4D’s rayCloud editor, aquiriert per Multi-Ray Photogrammetrie
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 11
4.2 Effekte und Impacts
Innerhalb dieses Kapitels werden die Auswirkungen besprochen, welche die untereinander unmittelbar wirtschaftlich
verbundenen Marktteilnehmer aufeinander aus¨uben, in Anbetracht einer erfolgreichen Entwicklung hin zum seri-
enreifen und gesetzeskonformen selbstfahrenden Automobil, welches selbstverst¨andlich die ¨uberlegene Technologie
des LiDARs in diesen Prozess einspannt.
4.2.1 Partner
Das System der Partnerschaften in der Automobil-Branche wird sich durch eine Weiterentwicklung in die Richtung
von selbstfahrenden Autos unserer Ansicht nach nicht grundlegend ver¨andern. Denn langj¨ahrige Partnerschaften
zwischen Automobilherstellern wie zum Beispiel zwischen Renault und Nissan seit 1999 (vgl. [WP:Renault-Nissan])
oder wiederkehrende Entwicklungszusammenarbeiten wie bei Fiat und General Motors (vgl. [CV02, S. 335 ff.])
werden auch in Zukunft von hoher Bedeutung sein. Zusammenarbeit sowie marken¨ubergreifende Forschung und
Entwicklung sind wichtige Faktoren, um effizient Innovationen umzusetzen, welche durch aufgeteilte Investitionen
und Entwicklungsarbeit innerhalb einer marktgerechten Zeitspanne realisiert werden k¨onnen. Es ist aber durchaus
denkbar, dass anstelle reiner Automobilhersteller-Kooperationen eine gemischtere Zusammenarbeitsstruktur entste-
hen kann. Denn gem¨ass Steinberger [Ste07] ist k¨unftig ein Ausgleich des Machtgef¨alles zwischen Fahrzeughersteller
und Zulieferern zu erwarten. Die Dominanz der grossen Automarken wird langfristig von den heranwachsenden
und an Bedeutung zunehmenden Zulieferbetrieben egalisiert. Dies ist der Fall dank dem Trend, dass zunehmend
Produkt- und Systeminnovationen entweder an die Zulieferer gewissermassen
”
outgesourced”werden oder von die-
sen im Sinne eigener Marktstrategie selbst gepusht werden. Somit ist davon auszugehen, dass sich innerhalb der
n¨achsten Dekade die Gesch¨aftsbeziehungen in eine eher partnerschaftliche Richtung entwickeln. Als Aufh¨anger sei
hier zum Beispiel der namhafte Hersteller von LiDAR-Scannern, Velodyne zu nennen, der die meisten der heutigen
Prototypen und seriennahen selbstfahrenden Fahrzeuge mit seinen Bauteilen ausstattet (vgl. [Hil14]).
Einerseits zeigt unter dem Aspekt der Entwicklung von selbstfahrenden Fahrzeugen eine neue Interessengruppe im
Wirtschaftssektor Automobilbau viel Interesse und Enthusiasmus in der Mitbestimmung dieser j¨ungeren Forschungs-
richtung, so z.B. High-Tech Unternehmen wie Google oder Apple. Andererseits haben die Wettbewerbsveranstal-
tungen, wie sie etwa von der US-Amerikanischen Defense Advanced Research Projects Agency DARPA mit viel
Medienpr¨asenz veranstaltet werden, gezeigt, dass auch technische Hochschulen und Universit¨aten das Know-How
besitzen, im Bereich der autonomen Zukunft des Automobils kr¨aftig mitzumischen. Es ist denkbar, dass Hersteller
in Zukunft die Zusammenarbeit mit angesehenen Bildungsst¨atten intensivieren.
4.2.2 Zulieferer
Das Beschaffungswesen der Automobilindustrie stand in den letzten Jahren einem fortw¨ahrenden Wandlungsprozess
gegen¨uber, der noch eine gewisse Zeit andauern wird (vgl. [Ste07]). Denn seit einiger Zeit ist bei den Zulieferern
der Autohersteller eine Tendenz zur wachsenden Mitbestimmung im Markt sowie auch in der Entwicklung der
Technologien auszumachen. Begr¨undet liegt diese Tendenz in der Tatsache, dass die Zulieferer je l¨anger je mehr
dazu neigen, wirtschaftlich gesehen, eine immer gr¨ossere Marktmacht und auch Einfluss zu erlangen. Denn wo es
fr¨uher f¨ur dasselbe oder ein ¨ahnliches Produkt viele Mitbewerber gab, sind es heute meist nur noch wenige, aber
daf¨ur umso gr¨ossere Unternehmen wie z.B. die Robert Bosch AG oder Continental um nur zwei der Grossen zu
nennen. Das heisst, langfristig gesehen wird die vorherrschende Marktmacht der Automobilhersteller zugunsten der
Zulieferer sinken.
Betrachten wir nun im speziellen Zulieferer im Bezug des autonomen Fahrens, l¨asst sich festhalten, dass die re-
nommierten Zulieferbetriebe zwar dort selbstverst¨andlich versuchen ein starkes Standbein aufzubauen, jedoch von
anderen, eigentlich branchenfremden Unternehmungen zunehmend konkurriert werden. Wie bereits im vorangegan-
genen Punkt angesprochen ist hier die Rede von Unternehmen wie zum Beispiel Google oder Apple (vgl. [Sin15]),
welche keine Fahrzeughersteller sind und sich selber in Zukunft auch nicht als Fahrzeughersteller sehen, sondern
viel mehr als Innovationsf¨orderer und Lieferanten von bahnbrechenden Technologiekonzepten f¨ur die Verwirklichung
der f¨uhrerlosen Mobilit¨at (vgl. [Hal15]). Hier wird es in Zukunft spannend, ob diese Firmen eigene Sparten gr¨unden
und sich als Zulieferer behaupten werden oder darauf hoffen, dass von ihnen entwickelte Technologien von anderen
Firmen aufgekauft werden, welche im Automobilbereich ¨uber ein gr¨osseres Know-How verf¨ugen.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 12
4.2.3 Kunden
Unter dem Aspekt
”
Kunden”ist es an dieser Stelle n¨otig, zwischen zwei verschiedenen Kategorien zu unterscheiden.
Auf der einen Seite ist mit dem Begriff
”
Kunde” der K¨aufer der Technologie des LiDARs gemeint, der Hersteller
des autonomen Fahrzeuges. Auf der anderen Seite der Endverbraucher, der K¨aufer und Fahrer eines Fahrzeuges,
welches sich autonom fortbewegen kann dank der Implementierung von LiDAR.
Beginnend beim Fahrzeughersteller als Kunde, der die Technologie einkauft, um sie in sein Produkt einzubauen,
ist die Tendenz zurzeit so, dass grosses Interesse an der LiDAR-Technologie herrscht. Wie bereits aufgef¨uhrt, nut-
zen verschiedene Hersteller bereits erfolgreich LiDAR-Ger¨ate f¨ur die Realisierung ihrer teil- oder vollautonomen
Fahrzeugen und Prototypen. Unter dem Aspekt, dass nat¨urlich die LiDAR-Technologie bei weitem nicht die einzig
verwendete Technologie darstellt, um einem Fahrzeug das Sehen beizubringen, ist sie dennoch eine der Herzkom-
ponenten, welche nebst dem RADAR, die gr¨osste Sichtreichweite besitzt. So gesehen ist der Markt f¨ur LiDAR
basierte Systeme zurzeit sehr attraktiv. Mit dem Hype des autonomen Fahrzeuges, der langfristig nicht abzuflachen
scheint, werden die Automobilbauer wahrscheinlich noch ein wenig Zeit ben¨otigen, um eigene L¨osungen pr¨asentie-
ren zu k¨onnen, die die Umwelt rund um ein Fahrzeug vermessen kann. Diese Variante sch¨atzen wir aber als gering
ein, da schon L¨osungen existieren, welche sehr interessant sind weiterzuverfolgen und dadurch die Zusammenar-
beit mit Herstellern wie zum Beispiel Velodyne zu intensivieren und eine Art Partner- oder Zuliefererbeziehung zu
etablieren.
Wenn wir nun die zweite Kategorie des Kunden betrachten, ist auch hier die Zukunft der autonomen Mobilit¨at rosig,
so scheint es. Denn der Markt produziert schliesslich gem¨ass den Bed¨urfnissen der Kunden. Geht man von einem
Kundenstamm von betagten K¨aufern aus, oder solchen mit physischen oder sogar psychischen Einschr¨ankungen,
dann ist eine autonome Mobilit¨at durchaus w¨unschenswert. Denn so k¨onnten auch diese bisher ausgeschlossenen
Gruppen am individuellen Strassenverkehr teilnehmen und von dessen Vorz¨ugen profitieren. Setzt man den Fokus
jedoch etwas genereller an, bemerkt man eine gewisse Reserviertheit gegen¨uber der Thematik der sich
”
wie von
Geisterhand”bewegenden Autos. Diese n¨uchterne bis ablehnende Haltung gegen¨uber solchen Fahrzeugen hat nichts
mit r¨uckschrittlichem Gedankengut oder gar feindlichen Einstellungen gegen jeglichen Fortschritt zu tun, sondern
keimt bei der Frage nach der ethischen Grundlage solcher Systeme auf. Denn im Allgemeinen wiederstrebt es dem
menschlichen Naturell ein Verlust von Kontrolle freudenstrahlend hinzunehmen und von einer Maschine ersetzt
zu werden. Sicherheitsgedanke hin oder her. Denn wenn kein menschlicher Fahrer hinter dem Lenkrad sitzt und
Entscheide trifft, welche nach g¨ultigem Recht geregelt sind, wer kann belangt werden, wenn ein Unrecht oder
Schaden, verursacht durch ein autonomes Fahrzeug, angerichtet wird (vgl. [arXiv15a])?
4.3 Ethische Aspekte
Grunds¨atzlich kann mit Spannung erwartet werden, wie sich die Menschen auf autonome Transportsysteme einstellen
werden – sei es nun als Fahrzeugbesitzer oder aber auch als Passagiere. Wie wird sich aber das Verhalten von
autonomen Transportsystemen etablieren, konkret deren Entscheidungsverhalten im Strassenverkehr? Kann ein
solches System einem pl¨otzlich auf die Strasse rennenden Kind ausweichen, auch wenn dabei ein anderes Auto
touchiert wird (vgl. [arXiv15b])?
Betreffend Fahrerassistenzsystemen mit LiDAR zur Hinderniserkennung im speziellen stellt sich zumindest die Fra-
ge, ob sich die Unfallstatistiken dadurch tats¨achlich verbessern werden. Zudem ist absehbar, dass Lenker solcher
Fahrzeuge speziell geschult werden m¨ussen. Der Beruf des Fahrlehrers wird sich in Zukunft bestimmt komplexer
gestalten.
Sollten sich autonome Transportsysteme auf dem Markt durchsetzen, stellen sich aber auch Fragen mit gesell-
schaftlicher Tragweite. Werden ganze Berufsgruppen im Transportwesen wie etwa Fernfahrer, Lastwagenfahrer,
Buschauffeure und Taxifahrer ihre Arbeitsstelle verlieren (vgl. [Tr¨o11])?
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 13
5 Fazit
Bis autonome Transportsysteme ausgereift sind, werden sicher noch einige Jahre vergehen. Hinderniserkennung mit
LiDAR wird jedoch bereits heute f¨ur Fahrerassistenzsysteme erfolgreich eingesetzt. Die Technologie wird laufend
verbessert, sei es ihre bauliche Architektur oder aber auch die verwendete Software. Der Einsatz von LiDAR zur
Fahrzeugumfeldvermessung verspricht grosse Ver¨anderungen im Strassenverkehr. Vorallem beim Einsatz in auto-
nomen Fahrzeugen tr¨agt die LiDAR-Technologie hin zu einer von Entscheidungsalgorithmen gepr¨agten Fahrweise
bei.
Der Fahrzeugindustrie und deren Zulieferer versprechen diese Neuerungen eine gute Zukunft – die Technologie wird
Bed¨urfnisse schaffen und den wirtschaftlichen Motor am laufen halten. Mit weitreichenden gesellschaftlichen Kon-
sequenzen ist aber bei Transportunternehmen zu rechnen. Ganze Berufsgruppen wie Fernfahrer, Taxichauffeure und
andere m¨ussen sich auf Ver¨anderungen einstellen – u.U. bis hin zum Verschwinden ihres angestammten Berufes.
Mit Spannung werden wir die Entwicklung sowohl der LiDAR-Technologie als auch der autonomen Transportsysteme
und der damit verbundenen Innovationen aufmerksam weiterverfolgen.
Abbildung 5.1: Der Bieler Dominic Schumacher in seinem Knightrider K.I.T.T. Supercar
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 14
Literaturverzeichnis
[ADAC] ADAC e.V.
”
Geschwindigkeitsmessungen mit Lidar – ADAC-Checkliste“. In: Verkehrspolitik
und Verbraucherschutz (VEP). 29. Juli 2015. URL: https://www.adac.de/_mmm/pdf/
Geschwindigkeitsmessung-mit-Lidar_35827.pdf (besucht am 13. 12. 2015).
[ArcMap] ESRI. ArcMap Dokumentation. URL: https://desktop.arcgis.com/de/desktop/
latest/manage-data/las-dataset/ (besucht am 11. 12. 2015).
[arXiv15a] Emerging Technology From the arXiv.
”
Why Self-Driving Cars Must Be Programmed to Kill“.
In: MIT Technology Review Online. 22. Okt. 2015. URL: http://www.technologyreview.
com / view / 542626 / why - self - driving - cars - must - be - programmed - to - kill/
(besucht am 12. 12. 2015).
[arXiv15b] Emerging Technology From the arXiv.
”
How to Help Self-Driving Cars Make Ethical Decisi-
ons“. In: MIT Technology Review Online. 29. Juli 2015. URL: http://www.technologyreview.
com/news/539731/how-to-help-self-driving-cars-make-ethical-decisions/
(besucht am 13. 12. 2015).
[Cha13] Norman Chan. What Google’s Self-Driving Car Sees. Tested. 20. Apr. 2013. URL: http:
//www.tested.com/tech/455172-what-googles-self-driving-car-sees/ (besucht
am 23. 11. 2015).
[CV02] A. Camuffo und G. Volpato.
”
Partnering in the global auto industry: Fiat-GM strategic
alliance“. In: Int. J. Automotive Technology and Management. Bd. 2. 2002.
[Dic05] E. D. Dickmanns. Sehende autonome Fahrzeuge in nat¨urlicher Umgebung. Koblenz, Vor-
tragsumdruck, 2005.
[DLR] Deutsches Zentrum f¨ur Luft- und Raumfahrt (DLR). Mehr Sicherheit im Flugverkehr: Turbu-
lenzen rechtzeitig erkennen. 5. Aug. 2013. URL: http://www.dlr.de/dlr/desktopdefault.
aspx/tabid-10261/371_read-7615/ (besucht am 19. 10. 2015).
[FELex] Kurt G. Baldenhofer. Lexikon der Fernerkundung, Eintrag Lidar. 8. Mai 2015. URL: http:
//www.fe-lexikon.info/ (besucht am 19. 10. 2015).
[Fen94] R. Fenton.
”
Driving into the Future“. In: IEEE Control Systems Magazine. Bd. 14. 1994.
[G501] Luftgest¨utzte Gasferndetektionsverfahren. Merkblatt G501. Deutscher Verein des Gas- und
Wasserfaches e.V., Mai 2012. URL: http://www.dvgw.de/ (besucht am 26. 10. 2015).
[Gabler] Gabler Wirtschaftslexikon. Lemma Innovationsbarrieren. URL: http://wirtschaftslexikon.
gabler.de/Definition/innovationsbarrieren.html (besucht am 04. 12. 2015).
[Hal15] Stephen Hall.
”
Google has no intentions on becoming a car manufacturer“. In: 9to5Google.
15. Sep. 2015. URL: http : / / 9to5google . com / 2015 / 09 / 15 / google - has - no -
intentions-on-becoming-a-car-manufacturer-european-executive-says/ (be-
sucht am 12. 12. 2015).
[Hil14] Morgan Hill.
”
Velodyne LiDAR, Leader in Autonomous Vehicle Technology, To Be Featured
in Back-to-Back Events in S.F. Bay Area“. In: prweb. 9. Juli 2014. URL: http://www.
prweb.com/releases/2014/07/prweb12002203.htm (besucht am 10. 12. 2015).
[How11] Bill Howard. Technology 1, distracted drivers 0: Volvo City Safety cuts accidents by 27%.
ExtremeTech. 20. Juli 2011. URL: http://www.extremetech.com/extreme/90470-
technology-1-distracted-drivers-0-volvo-city-safety-cuts-accidents-by-
27 (besucht am 23. 11. 2015).
[Kuc15] M. Kucera. Navigation Systems. Skript. Pr¨asentation im Modul BTE5474. Berner Fach-
hochschule Technik und Informatik BFH-TI, Abteilung Elektrotechnik, 12. Okt. 2015.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 15
[Luc14] Matteo Luccio.
”
LiDAR innovations“. In: Apogeo Spatial. 26. Feb. 2014. URL: http://
apogeospatial.com/lidar-innovations/ (besucht am 02. 12. 2015).
[NCAP] Sonderauszeichnungen 2010: Volvo City Safety. Autonomes Notbremssystem. European
New Car Assessment Programme NCAP. 2010. URL: http://www.euroncap.com/de/
bewertungen-u-auszeichnungen/euro-ncap-sonderauszeichnungen/2010-volvo-
city-safety/ (besucht am 01. 12. 2015).
[Nie13] Daniel Niehues. Hochgenaue Positionsbestimmung von Fahrzeugen als Grundlage autonomer
Fahrregime im Hochgeschwindigkeitsbereich. TU Dresden. 10. Juni 2013. URL: http://
nbn-resolving.de/urn:nbn:de:bsz:14-qucosa-138506 (besucht am 23. 11. 2015).
[Rom14] Mark E. Romano.
”
Innovation in Lidar Processing Technology“. In: Photogrammetric Engi-
neering & Remote Sensing. Bd. 11. 2014.
[Sin15] Sarwant Singh.
”
Will Apple Become A Car Manufacturer Or A Platform/Content Aggre-
gator?“ In: Forbes Online. 16. Feb. 2015. URL: http : / / www . forbes . com / sites /
sarwantsingh/2015/02/16/apple-auto-industry-vehicle-manufacturer/ (be-
sucht am 12. 12. 2015).
[Spi06] H. Spiess. Automobile Lidar Sensorik: Stand, Trends und zuk¨unftige Herausforderungen.
2006.
[statista] statista – Das Statistik-Portal. Welche Probleme sehen Sie bei autonomen Fahrzeugen? Sep.
2013. URL: http://wirtschaftslexikon.gabler.de/Definition/innovationsbarrieren.
html (besucht am 04. 12. 2015).
[Ste07] Franz Steinberger. Entwicklungskooperationen in der Automobilindustrie. 1. Aufl. Bremen/Ham-
burg: CT Salzwasser-Verlag GmbH & Co, 2007.
[Tra12] Toralf Trautmann. Fachvortrag Umfeldsensorik mit dem Lidar: Vor- und Nachteile gg¨u.
Radar. Dresden, Hochschule f¨ur Technik und Wirtschaft. 19. Nov. 2012. URL: http://
www.htw-mechlab.de/index.php/fachvortrag-umfeldsensorik-mit-dem-lidar-
vor-und-nachteile-ggu-radar/ (besucht am 23. 11. 2015).
[Tr¨o11] Christian Tr¨oster.
”
Autonomes Fahren: Geister-Taxis ohne Chauffeur“. In: Spiegel Online.
20. Aug. 2011. URL: http://www.spiegel.de/auto/aktuell/autonomes-fahren-
geister-taxis-ohne-chauffeur-a-780907.html (besucht am 13. 12. 2015).
[Velodyne] Velodyne. Products: HDL-64E Velodyne LiDAR. URL: http://velodynelidar.com/hdl-
64e.html (besucht am 23. 11. 2015).
[Whi14] Ryan Whitwam. How Google’s self-driving cars detect and avoid obstacles. ExtremeTech.
8. Sep. 2014. URL: http://www.extremetech.com/extreme/189486-how-googles-
self-driving-cars-detect-and-avoid-obstacles (besucht am 23. 11. 2015).
[WP:Lidar] Wikipedia. Lidar. URL: https://de.wikipedia.org/wiki/Lidar (besucht am 19. 10. 2015).
[WP:Radar] Wikipedia. Gesundheitssch¨aden durch milit¨arische Radaranlagen. URL: https : / / de .
wikipedia.org/wiki/Gesundheitssch%C3%83%C2%A4den_durch_milit%C3%83%
C2%A4rische_Radaranlagen (besucht am 23. 11. 2015).
[WP:Renault-Nissan] Wikipedia. Renault-Nissan. URL: https://de.wikipedia.org/wiki/Renault-Nissan
(besucht am 10. 12. 2015).
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 16
Bildnachweis
Titelbild: In 2009, we started testing our self-driving technology with the Toyota Prius on freeways in California.
In: Google Self-Driving Car Project, On the road (bearbeitet mit GIMP).
URL: http://www.google.com/selfdrivingcar/, Zugriff: 19. Oktober 2015.
Abbildung 2.1: NADIR-Rotation.
In: Open Grid Europe, Alleinstellungsmerkmale im Einzelnen (Videostill, bearbeitet mit GIMP).
URL: http://www.open-grid-europe.com/cps/rde/oge-internet/hs.xsl/Alleinstellungsmerkmale -CHARM -sup
-sup -600.htm, Zugriff: 26. Oktober 2015.
Abbildung 2.2: DELICAT Lidarsystem.
In: [DLR].
Abbildung 2.3, a): Ohne Bildunterschrift.
In: Andersen, Hans-Erik u.a.: LIDAR Overview.
URL: http://forsys.cfr.washington.edu/JFSP06/lidar_technology.htm, Zugriff: 19. Oktober 2015.
Abbildung 2.3, b): Ohne Bildunterschrift.
In: [ArcMap, Was sind LIDAR-Daten?].
Abbildung 2.4: Ohne Bildunterschrift.
In: [ADAC].
Abbildung 2.5: Ohne Bildunterschrift.
In: Google Self-Driving Car Project, Monthly Report July 2015.
URL: http://www.google.com/selfdrivingcar/reports/, Zugriff: 19. Oktober 2015.
Abbildung 2.6: Google ¨uberblickt alles. Jetzt auch die Verkehrslage.
In: Reinartz, Philipp: Wagen, hol schon mal den Harry. Zeit Online, 1. M¨arz 2015.
URL: http://www.zeit.de/kultur/2015-02/selbstfahrende-autos-google-car-apple/, Zugriff: 13.
Dezember 2015.
Abbildung 3.1: Ford.
In: Damon Lavrinc: Ford Unveils Its First Autonomous Vehicle Prototype. weird.com, 12. Dezember 2013.
URL: http://www.wired.com/2013/12/ford-fusion-hybrid-autonomous/, Zugriff: 1. Dezember 2015.
Abbildung 3.2: Le syst`eme City Safety freine la voiture automatiquement en-dessous de 30 km/h s’il d´etecte un
obstacle.
In: Nicolas Meunier: Volvo V40 : nouvelle victoire de la Su`ede. challenges.fr, 25. Juni 2012.
URL: http://automobile.challenges.fr/essais/20120621.LQA2983/volvo-v40-nouvelle-victoire-de-la-suede.html,
Zugriff: 1. Dezember 2015.
Abbildung 3.3: Ohne Bildunterschrift.
In: [NCAP].
Abbildung 4.1: Pix4D’s rayCloud editor combines the 3D points of a point cloud with the original input images,
resulting in this image of a quarry.
In: [Luc14]
Abbildung 5.1: 6/6 An der Tuning World Bodensee zeigte der Bieler seinen 245-PS-starken Knightrider K.I.T.T.
Supercar.
In: 20minuten Online, 25. Juni 2012.
URL: http://www.20min.ch/diashow/diashow.tmpl?showid=133297, Zugriff: 13. Dezember 2015.
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 17
Abbildungsverzeichnis
2.1 Nadir-Rotation: Ein DIAL-Produkt von Open Grid Europe . . . . . . . . . . . . . . . . . . . . . . 2
2.2 DELICAT mit Strahlf¨uhrung im Versuchsflugzeug PH-LAB . . . . . . . . . . . . . . . . . . . . . . 3
2.3 a) Luftgest¨utzes topographisches LiDAR und b) generierte Punktwolke . . . . . . . . . . . . . . . . 4
2.4 Station¨ar installiertes LiDAR-System zur Geschwindigkeitsmessung . . . . . . . . . . . . . . . . . . 5
2.5 Fahrzeugumfeld als Punktwolke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.6 Mit Methoden der Computer Vision extrahierte Objekte . . . . . . . . . . . . . . . . . . . . . . . . 5
3.1 LiDAR-Sensoren montiert auf dem Dach eines Ford Fusion . . . . . . . . . . . . . . . . . . . . . . 8
3.2 LiDAR-Sensor montiert hinter dem Innenspeigel bei ”City Safety”von Volvo . . . . . . . . . . . . . 8
3.3 Autonomes Notbremssystem ”City Safety”von Volvo . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.1 Darstellung von Daten im Pix4D’s rayCloud editor, aquiriert per Multi-Ray Photogrammetrie . . . . 11
5.1 Der Bieler Dominic Schumacher in seinem Knightrider K.I.T.T. Supercar . . . . . . . . . . . . . . 14
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 18
Selbst¨andigkeitserkl¨arung
Wir best¨atigen, dass wir die vorliegende Arbeit selbstst¨andig und ohne Benutzung anderer als der im Literaturver-
zeichnis angegebenen Quellen und Hilfsmittel angefertigt haben. S¨amtliche Textstellen, die nicht von uns stammen,
sind als Zitate gekennzeichnet und mit dem genauen Hinweis auf ihre Herkunft versehen.
Ort, Datum: Biel/Bienne, 14. Dezember 2015
Vorname, Name: Roland Bruggmann
Unterschrift: ......................................
Vorname, Name: Denis Olivier Roll´e
Unterschrift: ......................................
Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 19

Weitere ähnliche Inhalte

Ähnlich wie Hinderniserkennung mit LiDAR

Whitepaper: Indoor Positionsbestimmung in Industrie & Logistik
Whitepaper: Indoor Positionsbestimmung in Industrie & LogistikWhitepaper: Indoor Positionsbestimmung in Industrie & Logistik
Whitepaper: Indoor Positionsbestimmung in Industrie & Logistik
infsoft GmbH
 
Final Opentrans 2.0 Rfq
Final Opentrans 2.0   RfqFinal Opentrans 2.0   Rfq
Final Opentrans 2.0 Rfqguest6f1fb4
 
Algorithmen und Applikationen zur interaktiven Visualisierung und Analyse ch...
Algorithmen und Applikationen zur interaktiven  Visualisierung und Analyse ch...Algorithmen und Applikationen zur interaktiven  Visualisierung und Analyse ch...
Algorithmen und Applikationen zur interaktiven Visualisierung und Analyse ch...
Frank Oellien
 
Masterarbeit / Fakultät für Mathematik und Informatik / Lehrgebiet Datenverar...
Masterarbeit / Fakultät für Mathematik und Informatik / Lehrgebiet Datenverar...Masterarbeit / Fakultät für Mathematik und Informatik / Lehrgebiet Datenverar...
Masterarbeit / Fakultät für Mathematik und Informatik / Lehrgebiet Datenverar...
Melanie Eibl
 
Whitepaper Indoor Positionsbestimmung im Gesundheitswesen
Whitepaper Indoor Positionsbestimmung im GesundheitswesenWhitepaper Indoor Positionsbestimmung im Gesundheitswesen
Whitepaper Indoor Positionsbestimmung im Gesundheitswesen
infsoft GmbH
 
User-centered Design für Telemedizin-App
User-centered Design für Telemedizin-AppUser-centered Design für Telemedizin-App
User-centered Design für Telemedizin-App
Roland Bruggmann
 
Bachelorarbeit paul gerber.pdf
Bachelorarbeit paul gerber.pdfBachelorarbeit paul gerber.pdf
Bachelorarbeit paul gerber.pdf
wissem hammouda
 
Diplomarbeit
DiplomarbeitDiplomarbeit
Diplomarbeitphedax
 
Whitepaper: Indoor Positionsbestimmung in Büros & intelligenten Gebäuden
Whitepaper: Indoor Positionsbestimmung in Büros & intelligenten GebäudenWhitepaper: Indoor Positionsbestimmung in Büros & intelligenten Gebäuden
Whitepaper: Indoor Positionsbestimmung in Büros & intelligenten Gebäuden
infsoft GmbH
 
Berliner Open-Data-Strategie
Berliner Open-Data-StrategieBerliner Open-Data-Strategie
Berliner Open-Data-Strategie
Projekt Zukunft Berlin
 
[DE] Records Management: Prinzipien, Standards & Trends | Dr. Ulrich Kampffme...
[DE] Records Management: Prinzipien, Standards & Trends | Dr. Ulrich Kampffme...[DE] Records Management: Prinzipien, Standards & Trends | Dr. Ulrich Kampffme...
[DE] Records Management: Prinzipien, Standards & Trends | Dr. Ulrich Kampffme...
PROJECT CONSULT Unternehmensberatung Dr. Ulrich Kampffmeyer GmbH
 
Diplomarbeit
DiplomarbeitDiplomarbeit
Diplomarbeit
Thorsten Grün
 
Projektkommunikation: Leseprobe
Projektkommunikation: LeseprobeProjektkommunikation: Leseprobe
Projektkommunikation: Leseprobe
vdf Hochschulverlag AG
 
Master thesis pascal_mueller01
Master thesis pascal_mueller01Master thesis pascal_mueller01
Master thesis pascal_mueller01guest39ce4e
 
Handbuch CONSIDEO Modeler V 5.0
Handbuch CONSIDEO Modeler V 5.0Handbuch CONSIDEO Modeler V 5.0
Handbuch CONSIDEO Modeler V 5.0
Detlef Kahrs
 
Groups 2010.09: Free/Open Spectrum (Digital Sustainability)
Groups 2010.09: Free/Open Spectrum (Digital Sustainability)Groups 2010.09: Free/Open Spectrum (Digital Sustainability)
Groups 2010.09: Free/Open Spectrum (Digital Sustainability)
Marcus Dapp
 
Feinspezifikation
FeinspezifikationFeinspezifikation
Feinspezifikation
sreejithyes
 
OSG Volume Rendering
OSG Volume RenderingOSG Volume Rendering
OSG Volume Rendering
Roland Bruggmann
 

Ähnlich wie Hinderniserkennung mit LiDAR (20)

Whitepaper: Indoor Positionsbestimmung in Industrie & Logistik
Whitepaper: Indoor Positionsbestimmung in Industrie & LogistikWhitepaper: Indoor Positionsbestimmung in Industrie & Logistik
Whitepaper: Indoor Positionsbestimmung in Industrie & Logistik
 
Final Opentrans 2.0 Rfq
Final Opentrans 2.0   RfqFinal Opentrans 2.0   Rfq
Final Opentrans 2.0 Rfq
 
Algorithmen und Applikationen zur interaktiven Visualisierung und Analyse ch...
Algorithmen und Applikationen zur interaktiven  Visualisierung und Analyse ch...Algorithmen und Applikationen zur interaktiven  Visualisierung und Analyse ch...
Algorithmen und Applikationen zur interaktiven Visualisierung und Analyse ch...
 
Masterarbeit / Fakultät für Mathematik und Informatik / Lehrgebiet Datenverar...
Masterarbeit / Fakultät für Mathematik und Informatik / Lehrgebiet Datenverar...Masterarbeit / Fakultät für Mathematik und Informatik / Lehrgebiet Datenverar...
Masterarbeit / Fakultät für Mathematik und Informatik / Lehrgebiet Datenverar...
 
Whitepaper Indoor Positionsbestimmung im Gesundheitswesen
Whitepaper Indoor Positionsbestimmung im GesundheitswesenWhitepaper Indoor Positionsbestimmung im Gesundheitswesen
Whitepaper Indoor Positionsbestimmung im Gesundheitswesen
 
User-centered Design für Telemedizin-App
User-centered Design für Telemedizin-AppUser-centered Design für Telemedizin-App
User-centered Design für Telemedizin-App
 
Bachelorarbeit paul gerber.pdf
Bachelorarbeit paul gerber.pdfBachelorarbeit paul gerber.pdf
Bachelorarbeit paul gerber.pdf
 
Diplomarbeit
DiplomarbeitDiplomarbeit
Diplomarbeit
 
Whitepaper: Indoor Positionsbestimmung in Büros & intelligenten Gebäuden
Whitepaper: Indoor Positionsbestimmung in Büros & intelligenten GebäudenWhitepaper: Indoor Positionsbestimmung in Büros & intelligenten Gebäuden
Whitepaper: Indoor Positionsbestimmung in Büros & intelligenten Gebäuden
 
Berliner Open-Data-Strategie
Berliner Open-Data-StrategieBerliner Open-Data-Strategie
Berliner Open-Data-Strategie
 
[DE] Records Management: Prinzipien, Standards & Trends | Dr. Ulrich Kampffme...
[DE] Records Management: Prinzipien, Standards & Trends | Dr. Ulrich Kampffme...[DE] Records Management: Prinzipien, Standards & Trends | Dr. Ulrich Kampffme...
[DE] Records Management: Prinzipien, Standards & Trends | Dr. Ulrich Kampffme...
 
Diplomarbeit
DiplomarbeitDiplomarbeit
Diplomarbeit
 
Mocek Thesis
Mocek ThesisMocek Thesis
Mocek Thesis
 
Projektkommunikation: Leseprobe
Projektkommunikation: LeseprobeProjektkommunikation: Leseprobe
Projektkommunikation: Leseprobe
 
Master thesis pascal_mueller01
Master thesis pascal_mueller01Master thesis pascal_mueller01
Master thesis pascal_mueller01
 
Handbuch CONSIDEO Modeler V 5.0
Handbuch CONSIDEO Modeler V 5.0Handbuch CONSIDEO Modeler V 5.0
Handbuch CONSIDEO Modeler V 5.0
 
Da Hanno Rabe
Da Hanno RabeDa Hanno Rabe
Da Hanno Rabe
 
Groups 2010.09: Free/Open Spectrum (Digital Sustainability)
Groups 2010.09: Free/Open Spectrum (Digital Sustainability)Groups 2010.09: Free/Open Spectrum (Digital Sustainability)
Groups 2010.09: Free/Open Spectrum (Digital Sustainability)
 
Feinspezifikation
FeinspezifikationFeinspezifikation
Feinspezifikation
 
OSG Volume Rendering
OSG Volume RenderingOSG Volume Rendering
OSG Volume Rendering
 

Mehr von Roland Bruggmann

Fingerprint Analysis – Preprocessing and Feature Extraction
Fingerprint Analysis – Preprocessing and Feature ExtractionFingerprint Analysis – Preprocessing and Feature Extraction
Fingerprint Analysis – Preprocessing and Feature Extraction
Roland Bruggmann
 
Unreal Engine IoT Project: Heartbeat
Unreal Engine IoT Project: HeartbeatUnreal Engine IoT Project: Heartbeat
Unreal Engine IoT Project: Heartbeat
Roland Bruggmann
 
3D Content for Dream-like VR
3D Content for Dream-like VR3D Content for Dream-like VR
3D Content for Dream-like VR
Roland Bruggmann
 
OSG Volume Rendering - Presentation
OSG Volume Rendering - PresentationOSG Volume Rendering - Presentation
OSG Volume Rendering - Presentation
Roland Bruggmann
 
Swiss National Supercomputing Centre CSCS
Swiss National Supercomputing Centre CSCSSwiss National Supercomputing Centre CSCS
Swiss National Supercomputing Centre CSCS
Roland Bruggmann
 
Sprechen als Handeln
Sprechen als HandelnSprechen als Handeln
Sprechen als Handeln
Roland Bruggmann
 
Numerische Methoden: Approximation und Integration
Numerische Methoden: Approximation und IntegrationNumerische Methoden: Approximation und Integration
Numerische Methoden: Approximation und Integration
Roland Bruggmann
 
Multicore and GPU Programming
Multicore and GPU ProgrammingMulticore and GPU Programming
Multicore and GPU Programming
Roland Bruggmann
 
Unity® Volume Rendering - Abstract
Unity® Volume Rendering - AbstractUnity® Volume Rendering - Abstract
Unity® Volume Rendering - Abstract
Roland Bruggmann
 
Unity® Volume Rendering - Benutzerhandbuch
Unity® Volume Rendering - BenutzerhandbuchUnity® Volume Rendering - Benutzerhandbuch
Unity® Volume Rendering - Benutzerhandbuch
Roland Bruggmann
 
Serious Game "Virtual Surgery" - Game Design Document
Serious Game "Virtual Surgery" - Game Design DocumentSerious Game "Virtual Surgery" - Game Design Document
Serious Game "Virtual Surgery" - Game Design Document
Roland Bruggmann
 
Digitale Kamera und Modulationstransferfunktion
Digitale Kamera und ModulationstransferfunktionDigitale Kamera und Modulationstransferfunktion
Digitale Kamera und Modulationstransferfunktion
Roland Bruggmann
 
Quadriken im Raum
Quadriken im RaumQuadriken im Raum
Quadriken im Raum
Roland Bruggmann
 
Ondes stationnaires
Ondes stationnairesOndes stationnaires
Ondes stationnaires
Roland Bruggmann
 
Passwords Safe
Passwords SafePasswords Safe
Passwords Safe
Roland Bruggmann
 
Stehende Wellen
Stehende WellenStehende Wellen
Stehende Wellen
Roland Bruggmann
 
TOGAF Architecture Content Framework
TOGAF Architecture Content FrameworkTOGAF Architecture Content Framework
TOGAF Architecture Content Framework
Roland Bruggmann
 
Cultural Dimensions
Cultural DimensionsCultural Dimensions
Cultural Dimensions
Roland Bruggmann
 
Quadriken im Raum
Quadriken im RaumQuadriken im Raum
Quadriken im Raum
Roland Bruggmann
 
TOGAF Architecture Content Framework
TOGAF Architecture Content FrameworkTOGAF Architecture Content Framework
TOGAF Architecture Content Framework
Roland Bruggmann
 

Mehr von Roland Bruggmann (20)

Fingerprint Analysis – Preprocessing and Feature Extraction
Fingerprint Analysis – Preprocessing and Feature ExtractionFingerprint Analysis – Preprocessing and Feature Extraction
Fingerprint Analysis – Preprocessing and Feature Extraction
 
Unreal Engine IoT Project: Heartbeat
Unreal Engine IoT Project: HeartbeatUnreal Engine IoT Project: Heartbeat
Unreal Engine IoT Project: Heartbeat
 
3D Content for Dream-like VR
3D Content for Dream-like VR3D Content for Dream-like VR
3D Content for Dream-like VR
 
OSG Volume Rendering - Presentation
OSG Volume Rendering - PresentationOSG Volume Rendering - Presentation
OSG Volume Rendering - Presentation
 
Swiss National Supercomputing Centre CSCS
Swiss National Supercomputing Centre CSCSSwiss National Supercomputing Centre CSCS
Swiss National Supercomputing Centre CSCS
 
Sprechen als Handeln
Sprechen als HandelnSprechen als Handeln
Sprechen als Handeln
 
Numerische Methoden: Approximation und Integration
Numerische Methoden: Approximation und IntegrationNumerische Methoden: Approximation und Integration
Numerische Methoden: Approximation und Integration
 
Multicore and GPU Programming
Multicore and GPU ProgrammingMulticore and GPU Programming
Multicore and GPU Programming
 
Unity® Volume Rendering - Abstract
Unity® Volume Rendering - AbstractUnity® Volume Rendering - Abstract
Unity® Volume Rendering - Abstract
 
Unity® Volume Rendering - Benutzerhandbuch
Unity® Volume Rendering - BenutzerhandbuchUnity® Volume Rendering - Benutzerhandbuch
Unity® Volume Rendering - Benutzerhandbuch
 
Serious Game "Virtual Surgery" - Game Design Document
Serious Game "Virtual Surgery" - Game Design DocumentSerious Game "Virtual Surgery" - Game Design Document
Serious Game "Virtual Surgery" - Game Design Document
 
Digitale Kamera und Modulationstransferfunktion
Digitale Kamera und ModulationstransferfunktionDigitale Kamera und Modulationstransferfunktion
Digitale Kamera und Modulationstransferfunktion
 
Quadriken im Raum
Quadriken im RaumQuadriken im Raum
Quadriken im Raum
 
Ondes stationnaires
Ondes stationnairesOndes stationnaires
Ondes stationnaires
 
Passwords Safe
Passwords SafePasswords Safe
Passwords Safe
 
Stehende Wellen
Stehende WellenStehende Wellen
Stehende Wellen
 
TOGAF Architecture Content Framework
TOGAF Architecture Content FrameworkTOGAF Architecture Content Framework
TOGAF Architecture Content Framework
 
Cultural Dimensions
Cultural DimensionsCultural Dimensions
Cultural Dimensions
 
Quadriken im Raum
Quadriken im RaumQuadriken im Raum
Quadriken im Raum
 
TOGAF Architecture Content Framework
TOGAF Architecture Content FrameworkTOGAF Architecture Content Framework
TOGAF Architecture Content Framework
 

Hinderniserkennung mit LiDAR

  • 1. Modul: BZG4206 Technologie- und Innovationsmanagement Autoren: Roland Bruggmann, Student BSc Informatik, brugr9@bfh.ch Denis Olivier Roll´e, Student BSc Automobiltechnik, rolld1@bfh.ch Dozent: Francisco Rodal, francisco.rodal@bfh.ch Datum: 14. Dezember 2015 Berner Fachhochschule | Haute ´ecole sp´ecialis´ee bernoise | Bern University of Applied Sciences Hinderniserkennung mit LiDAR Aspekte des Technologie- und Innovationsmanagements am Beispiel von autonomen Transportsystemen Semesterarbeit
  • 2. Inhaltsverzeichnis 1 Einleitung 1 2 Technologie 2 2.1 Light Detection And Ranging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2.2 Anwendungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2.2.1 Dichtigkeitsmessung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2.2.2 Turbulenzerkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2.3 Fernerkundung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.2.4 Geschwindigkeitsmessung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.2.5 Hinderniserkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 3 Hinderniserkennung im Transportwesen 6 3.1 Potenzial von LiDAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3.2 Weitere Innovationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.2.1 Architektur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.2.2 Prozesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 3.2.3 Technologien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.2.4 Produkte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 4 Diskussion 11 4.1 Innovationsbarrieren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 4.2 Effekte und Impacts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 4.2.1 Partner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 4.2.2 Zulieferer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 4.2.3 Kunden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 4.3 Ethische Aspekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 5 Fazit 14 Literaturverzeichnis 15 Bildnachweis 17 Abbildungsverzeichnis 18 Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 i
  • 3. 1 Einleitung Das Bed¨urfnis nach individueller Mobilit¨at ist bis anhin ungebrochen und wird auch in Zukunft von grosser Wich- tigkeit sein. In Anbetracht der weltweit wachsenden Gesellschaft wird dieses Bed¨urfnis noch zunehmen. Dadurch ergeben sich neue Problemgebiete wie ansteigende Verkehrsdichte und zunehmende Verkehrsleistung auf der einen Seite. Auf der anderen Seite stehen Forderungen von Gesellschaft, Politik und Verbraucher, welche gleichzeitig eine Verringerung von Unfallh¨aufigkeit und Unfallschwere fordern. Um diese Herausforderungen wirksam anzugehen, bieten Fahrerassistenzsysteme einen geeigneten L¨osungsansatz. Bei der Entwicklung von autonomen Transportsystemen spielen Fahrerassistenzsysteme eine zentrale Rolle. Auch in der Schweiz werden autonome Systeme getestet, z.B. durch die Swisscom AG1 oder aktuell in Sitten mit Elek- trobussen der PostAuto Schweiz AG.2 Im Bereich der Fahrzeugumfeldsensorik haben sich nebst akustischen oder elektromagnetischen Methoden wie Ultraschall oder Radar verschiedene Systeme etabliert, die im optischen Wellen- bereich operieren. Daten werden z.B. per Video, Infrarot oder Laser aquiriert. Mit dem Einsatz dieser Technologien hat sich die Automobilindustrie einer vielversprechenden Zukunft ge¨offnet. Nicht nur grosse Autohersteller wie BMW3 , Mercedes-Benz oder Tesla Motors4 dr¨angen mit Innovationen auf den Markt, sondern auch Technologie- unternehmen wie Apple oder Google mischen kr¨aftig mit.5 Letzteres testet zur Zeit mit dem Google Driverless Car ein Hinderniserkennungssystem aus eigener Produktion. Das Unternehmen verwendet f¨ur die Vermessung des Fahrzeugumfeldes die Technologie Light Detection And Ranging, kurz LiDAR. Am Beispiel von LiDAR sollen Aspekte des Technologie- und Innovationsmanagement aufgezeigt werden: Wie wird diese Technologie heute eingesetzt? Welches Potential hat die Technologie in der Hinderniserkennung? Zu welchen weiteren Innovationen kann die Technologie in der Hinderniserkennung f¨uhren? Auch Innovationsbarrieren und Effekte auf Partner, Zulieferer sowie Kunden werden diskutiert. Schliesslich kommen ethische Fragen und die Beziehung zwischen der Technologie und der Gesellschaft zur Sprache. Der vorliegende Bericht enth¨alt f¨unf Kapitel: Auf diese Einleitung folgt eine Erl¨auterung der Technologie sowie eine Auswahl von Anwendungen (Kapitel 2). Im Anschluss wird die Verwendung von LiDAR in Fahrerassistenzsystemen zur Hinderniserkennung vorgestellt (Kapitel 3) und diskutiert (Kapitel 4). Mit dem Fazit werden die wichtigsten Ergebnisse rekapituliert (Kapitel 5). 1Medienmitteilung: Swisscom zeigt das erste selbstfahrende Auto auf Schweizer Strassen. In: Website der Swisscom AG, 12. Mai 2015. URL: https://www.swisscom.ch/de/about/medien/press-releases/2015/05/20150512-MM-selbstfahrendes-Auto.html, Zugriff: 4. November 2015. 2ij/SDA: Dieses Postauto hat kein Bremspedal. In: Tagesanzeiger Online vom 4. November 2015. URL: http://www.tagesanzeiger. ch/schweiz/standard/Post-testet-selbstfahrende-Busse/story/26397371, Zugriff: 4. November 2015. 3Autopilot f¨urs Auto: BMW f¨ahrt ohne Fahrer auf der Autobahn. In: Focus Online vom 27. August 2011. URL: http://www.focus. de/auto/ratgeber/autonomesfahren/tid-23437/autopilot-fuers-auto-bmw-faehrt-ohne-fahrer-auf-der-autobahn_ aid_658883.html, Zugriff: 9. November 2015. 4Medienmitteilung: Tesla stellt Dualmotor und Autopiloten vor. In: Website von Tesla Motors, 10. Oktober 2014. URL: http://www. teslamotors.com/de_CH/videos/tesla-unveils-dual-motor-and-autopilot, Zugriff: 9. November 2015. 5Wolfgang Gomoll: Geheimer Schlachtplan im Silicon Valley: So wollen Google und Co. die Autobranche ausstechen. In: Focus Online vom 28. M¨arz 2015. URL: http://www.focus.de/auto/ratgeber/autonomesfahren/autoplaene -von -apple -und -google - geheimer -schlachtplan -im -silicon -valley -so -wollen -google -und -co -die -autobranche -ausstechen id 4571105.html, Zugriff: 9. November 2015. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 1
  • 4. 2 Technologie 2.1 Light Detection And Ranging Light Detection And Ranging (LiDAR) ist eine Technologie, welche mit Wellenl¨angen im optischen Bereich des elektromagnetischen Spektrums operiert – genauer zwischen Ultraviolet und nahem Infrarot – und kann bei Tag und Nacht eingesetzt werden. Ein LiDAR-System sendet ¨uber einen gepulsten Laser Strahlen aus, welche an Objekten reflektiert werden und mit einem Detektor registriert werden k¨onnen. [FELex] gruppiert LiDAR-Systeme anhand ihrer Verwendung: ˆ R¨aumliche Erfassung von Stoffen in der Atmosph¨are und im Meer. ˆ Erfassung von topographischen Daten mit hoher Genauigkeit. ˆ Terrestrisches Messen von Distanz und Geschwindigkeit von Objekten. 2.2 Anwendungen Die Technologie findet heute breite Verwendung, so kommt sie z.B. zur Dichtigkeitsmessung von Erdgasleitun- gen, f¨ur die Turbulenzerkennung in der Luftfahrt, in der Fernerkundung, f¨ur Geschwindigkeitsmessungen sowie zur Erfassung des Fahrzeugumfeldes zur Hinderniserkennung zum Einsatz. 2.2.1 Dichtigkeitsmessung Herk¨ommliche Verfahren zur ¨Uberpr¨ufung der Dichtigkeit von Erdgasleitungen basieren auf Halbleitersensoren und Flammenionisationsdetekoren. Heutzutage kommt jedoch zunehmend eine laserbasierte Detektion von Methan zur Anwendung (vgl. [G501]). Diese Methode wird oberirdisch eingesetzt, die Ger¨ate werden dabei in Luftfahrzeugen wie Hubschrauber oder Flugzeugen installiert. Somit k¨onnen grosse Fl¨achen in relativ kurzer Zeit kontrolliert wer- den. Dabei k¨onnen sowohl freiliegende als auch erdverlegte Erdgasleitungen in unbebauten und sogar bebauten Gebieten aus der Luft auf ihre Dichtheit ¨uberpr¨uft werden (siehe Abbildung 2.1). Bei dieser Ferndetektion wer- den methanreiche Gase aufgesp¨urt. Die Messmethode wird mittels einem differentiellen Absorptions-LiDAR (DIAL) realisiert, das mit gepulsten Laser arbeitet und somit zu den aktiven optischen Systemen z¨ahlt. Abbildung 2.1: Nadir-Rotation: Ein DIAL-Produkt von Open Grid Europe Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 2
  • 5. Die Funktionsweise kann wie folgt beschrieben werden (vgl. [WP:Lidar]): ” Beim DIAL-Verfahren werden zwei Laserimpulse unterschiedlicher Wellenl¨ange ausgesendet. Eine der Wellenl¨angen wird so gew¨ahlt, dass sie vom Stoff, dessen Konzentration bestimmt werden soll, absorbiert wird (On-line-Wellenl¨ange); die andere Wellenl¨ange so, dass sie nicht oder m¨oglichst wenig absorbiert wird (Off-line-Wellenl¨ange). Aus dem schrittweisen Vergleich der R¨uckstreusignale (jeweils f¨ur ’on’ und ’off’) kann dann das Konzentrationsprofil des Stoffes entlang der Ausbreitungslinie der Laserpulse berechnet werden.” Diese Methode stellt nat¨urlich eine eher grobe Messung der Methandetektion dar, ist aber f¨ur eine initiale ¨Uberpr¨u- fung der meistens weitl¨aufigen Gasnetze von Bedeutung. Basierend auf diesen grossfl¨achigen Abkl¨arungen erfolgen anschliessend am Boden lokal genauere Messungen, damit Lecks schnellst m¨oglichst gefunden und die Sch¨aden behoben werden k¨onnen. 2.2.2 Turbulenzerkennung Trotz strahlend blauem Himmel und ruhigen Windverh¨altnissen k¨onnen Flugzeuge aprupt in die Tiefe sacken, sich aber im n¨achsten Augenblick wieder fangen. Nicht nur ein unangenehmes Gef¨uhl in der Magengegend ist die Folge, auch die Fracht wird kr¨aftig durchgesch¨uttelt und Gegenst¨ande k¨onnen gef¨ahrlich herumgewirbelt werden. Diese Turbulenzen sind vor allem bei Wetter mit klaren Sichtverh¨altnissen ¨ausserst schwierig vorherzusehen. In Zukunft sollen auf Grund des Klimawandels noch vermehrt Turbulenzen auftreten. Wie aber entstehen solche ’Luftl¨ocher’? Das Deutsche Zentrum f¨ur Luft- und Raumfahrt [DLR] beschreibt dies wie folgt: ” Entlang des Jetstreams entstehen h¨aufig Windscherungen – ausgedehnte Luftschichten, die sich mit unterschiedlichen Geschwindigkeiten horizontal gegeneinander bewegen. Besonders starke Windsche- rungen k¨onnen Wellen ausbilden, die schliesslich auch brechen k¨onnen – ganz wie eine Welle auf dem Wasser. Der Bruch einer Welle verursacht Verwirbelungen in der Luft beziehungsweise eine Turbulenz – die Clear Air Turbulence (CAT).” Solche CATs sollen nun mit Hilfe von einem Lasermessger¨at basierend auf der LiDAR-Technologie entdeckt und vorausgesagt werden k¨onnen. Dieses LiDAR-Instrument sendet in Flugrichtung kurzwellige UV-Laserstrahlen aus. Diese werden von den Sauerstoff- und Stickstoffmolek¨ulen reflektiert. Anhand der Anzahl der zur¨uckkehrenden Laserstrahlen wird die Dichte der Luft bestimmt. Schwankungen der Dichte geben schliesslich Auskunft ¨uber lokale Turbulenzen. Mit einem neuen System – genannt DELICAT – wird versucht, dem Ph¨anomen entgegenzuwirken (siehe Abbildung 2.2). Abbildung 2.2: DELICAT mit Strahlf¨uhrung im Versuchsflugzeug PH-LAB Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 3
  • 6. Um die Leistungsf¨ahigkeit von DELICAT zu erproben, haben im Zeitraum von 2013 bis 2014 Versuchsmessungen in einem eigens daf¨ur umgebauten Flugzeug ¨uber ganz Europa stattgefunden. Die gesammelten Daten sind noch in Auswertung. Es bleibt zu hoffen, dass diese Daten wichtige Erkenntnisse zu den Entstehungsmechanismen und den komplexen atmosph¨arischen Prozessen liefern. In Zukunft sollen Piloten von Passagiermaschinen mit einer rechtzeitigen Aufforderung zum Anschnallen an die Passagiere geben k¨onnen und somit Unf¨alle vermeiden. 2.2.3 Fernerkundung Gem¨ass Baldenhofer [FELex] generiert LiDAR pr¨azise Information ¨uber die Erdoberfl¨ache und deren Charakteristik. Ein luftgest¨utzes topographisches LiDAR kann zum erstellen von Oberfl¨achenmodellen dienen, so f¨ur Anwendungen in der Forstwirtschaft, in der Hydrologie, f¨ur die Stadtplanung, f¨ur das K¨usteningenieurwesen u.a.m. (vgl. [ArcMap, LIDAR-Typen]). Dabei generiert das System gem¨ass ESRI [ArcMap, Was sind LIDAR-Daten?] dreidimensionale Punktwolken wie in Abbildung 2.3 zu sehen. (a) (b) Abbildung 2.3: a) Luftgest¨utzes topographisches LiDAR und b) generierte Punktwolke Ein weiteres Feature des luftgest¨utzten topographischen LiDAR ist gem¨ass ESRI [ArcMap, LIDAR-Typen] die M¨oglichkeit, Wasser zu durchdringen. Dabei wird die H¨ohe von Land- und Wasseroberfl¨ache mittels einem her- k¨ommlichen Infrarot-Laser erkundet, die Wassertiefe wird mit dem sog. bathymetrischen LiDAR ermittelt – einem zus¨atzlichen gr¨unen Laser, welcher die Wassers¨aule durchdringt. Auch Objekte auf dem Meeresgrund k¨onnen damit aufgesp¨urt werden (ebda.). 2.2.4 Geschwindigkeitsmessung F¨ur die Geschwindigkeitsmessung im Strassenverkehr kommen gem¨ass [ADAC] mobile LiDAR-Ger¨ate in einem PKW oder aber station¨ar in Messs¨aulen installierte LiDARs zum Einsatz (siehe Abbildung 2.4). Mit letzterem k¨onnen beide Fahrrichtungen kontrolliert werden. Die LiDAR-Impulse werden von der Karosserie eines vorbeifahrenden Autos reflektiert. Die Auswertung der Lichtimpulse resultiert in einer Abfolge von dreidimensionalen Bildern. Darin werden die Konturen der Fahrzeuge extrahiert und ein Bewegungsprofil erstellt. Aus den Differenzen der Entfernung eines Fahrzeuges kann schliesslich dessen Geschwindigkeit errechnet werden. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 4
  • 7. Abbildung 2.4: Station¨ar installiertes LiDAR-System zur Geschwindigkeitsmessung 2.2.5 Hinderniserkennung LiDAR wird heutzutage auch bei Fahrerassistenzsystemen FAS eingesetzt. Mit dem LiDAR wird das Fahrzeugum- feld erfasst. Dabei entsteht eine per GPS im kartesischen Koordinatensystem georeferenzierte Punktwolke (siehe Abbildung 2.5), welche als Grundlage dient zur weiteren Datenverarbeitung mittels Methoden der Computer Vision und der K¨unstlichen Intelligenz KI. Aufgrund der Berechnung der Differenz zwischen Punktwolken werden Objekte extrahiert und anschliessend klassifiziert (siehe Abbildung 2.6). Diese Daten werden schliesslich in Entscheidungs- algorithmen einbezogen. Google Self-Driving Car Project Monthly Report July 2015  Responding to things we’ve never seen before​. Teaching a self-driving car to handle every possible situation it could encounter on the road is not feasible, as there’s an infinite number of possibilities. Instead, our technology gives it fundamental capabilities to respond correctly to unexpected situations as they happen, like when we encounter a dog-powered skateboard. In this case, we didn’t have to explicitly program a “dog-powered skateboard” algorithm; instead, our vehicle was able to understand there was a person here, and how they were moving, and then was able to slow down and give them space.   Abbildung 2.5: Fahrzeugumfeld als Punktwolke Abbildung 2.6: Mit Methoden der Computer Vision extrahierte Objekte Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 5
  • 8. 3 Hinderniserkennung im Transportwesen 3.1 Potenzial von LiDAR Wie im vorangegangenen Kapitel beschrieben, bietet LiDAR ein sehr breites Anwendungsfeld, wie zum Beispiel f¨ur die Verarbeitung geologischer Daten bis hin zur Vorhersage von Luftverh¨altnissen. Als Veranschaulichung kann das optische System LiDAR als technisches Pendant zum menschlichen Sehorgan gesehen werden. LiDAR ist in der Lage, Gegenst¨ande und deren Entfernung zu erfassen. Die Analyse der vom LiDAR erfassten Daten erfolgt ¨ahnlich zur menschlichen Verarbeitung von Bildern: Was beim Menschen im Sehzentrum des Hirns passiert, erledigt das LiDAR mit einer Verarbeitungssoftware. Die Vermessung, welche innerhalb von Sekundenbruchteilen stattfindet, wird zu einem 3D-Bild gerendert. Eingebettet in ein autonomes Transportsystem handelt es sich beim LiDAR also um eine Art Sehsinn. Die Erfassung der Umgebung mittels LiDAR ist f¨ur ein nicht station¨ares Objekt – z.B. ein Automobil – eine sehr geeignete M¨oglichkeit, sich in der Umgebung zu orientieren. Im Vergleich zu anderen Umgebungserfassungssystemen existieren beim LiDAR klare Vorteile: ˆ Im Vergleich zu einem System, welches auch optisch, aber mit Kameras funktioniert, ist das LiDAR im Vorteil, weil es auch in absoluter Dunkelheit problemlos operieren kann (vgl. [Tra12]). ˆ Vergleicht man das LiDAR mit Sensoren im Ultraschallbereich, welche normalerweise in Fahrzeugen als Park- sensoren verbaut werden, wird schnell ersichtlich, dass aufgrund des baubedingt beschr¨ankten Aussendewin- kels dieser Sensoren f¨ur eine Rundumsicht mehrere dieser Ultraschallsensoren ben¨otigt werden. Beim LiDAR hingegen reicht ein einziger Messkopf, welcher wie beim Google-Prius hoch genug auf dem Fahrzeugdach montiert ist, um eine 360 °-Rundumsicht um das Fahrzeug zu erzeugen (vgl. [Whi14]). Ausserdem ist bei den herk¨ommlichen Ultraschallsensoren die Reichweite gegen¨uber zum LiDAR zu gering (vgl. [Velodyne]). ˆ Mit Hilfe von LiDAR k¨onnen die Konturen der vermessenen Objekte erkannt werden. Im Gegensatz dazu liefert ein RADAR nur Punktinformationen (vgl. [Tra12]). ˆ Ausserdem ist ein LiDAR-System unempfindlich auf die Anwesenheit weiterer laserbasierter LiDAR-Systeme, was von RADAR-Systemen nicht behauptet werden kann. Bei RADAR kann es vorkommen, dass sich ver- schiedene RADAR-Systeme gegenseitig negativ beeinflussen (vgl. [Tra12]). ˆ Bis dato sind f¨ur das LiDAR keine gesundheitlichen Risiken f¨ur den menschlichen Organismus bekannt. Ganz im Gegensatz zu starken RADAR-Ger¨aten, welche unter Umst¨anden sch¨adliche R¨ontgen- und Mikrowellen- strahlen aussenden (vgl. [WP:Radar]). ˆ LiDAR kann mittels verschiedener Reflexionsgrade von Materialoberfl¨achen sogar Materialien erkennen, welche z.B. anhand der Verarbeitungssoftware unterschiedlich eingef¨arbt worden sind (vgl. [Cha13]). An dieser Stelle muss jedoch vollst¨andigkeitshalber erw¨ahnt werden, dass ein LiDAR-System am optimalsten funk- tioniert in Verbindung mit anderen u.a. schon genannten Sensorkomponenten. Obwohl sich ein LiDAR-Messkopf sehr vielseitig einsetzten l¨asst, existieren gewisse Einschr¨ankungen basierend auf den physikalischen Eigenschaften dieses Vermessungssystems: ˆ Bei stark nebligen oder staubigen Wetterlagen ist die ”Sichtweite”eines LiDARs stark eingeschr¨ankt, weil die ausgesandten Laserstrahlen durch Luftbestandteile wie Wassertr¨opfchen oder Staub stark ged¨ampft werden und z.T. nicht zum Empf¨anger zur¨uckkehren (vgl. [Tra12]). ˆ Das Reflexionsverm¨ogen von Gewebe mit dunklen Farbt¨onen wie dunkelblau oder schwarz ist sehr schlecht. Somit werden solche Objekte vom LiDAR nur sehr schlecht registriert (vgl. [Kuc15]). ˆ Die Vermessung eines Objektes mit scharfen Kanten kann unter Umst¨anden schwierig sein. Dies h¨angt wie- derum von dem Reflexionsverm¨ogen dieses Objekts ab (vgl. [Kuc15]). Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 6
  • 9. ˆ Bei Betrachtung des 3D-Renderings, welches vom LiDAR mit Hilfe der Verarbeitungssoftware erstellt wird, f¨allt auf, dass es hinter erfassten Objekten teilweise zu signifikanten Schattenw¨urfen kommen kann, in welchen sich u.U. weitere Objekte befinden k¨onnen. Diese bleiben dort aber unerkannt. Mit der gewaltigen Datenmenge, welche eine LiDAR-Messeinrichtung produziert, kann mit Hilfe einer entsprechen- den Verarbeitungssoftware eine verbl¨uffend realistische, dreidimensionale, virtuelle Landkarte erstellt werden. Dieses Kartenmaterial ist gen¨ugend hochaufl¨osend, dass sich damit ein Fahrzeug autonom im Raum bewegen kann. Wer- den anschliessend die ben¨otigten Ableitungen und Berechnungen get¨atigt, werden auch andere bewegliche Objekte mitsamt deren Fortbewegungsrichtungen und ihren jeweiligen Geschwindigkeiten innerhalb des vermessenen Raum- es erfasst. Basierend auf der Datenerfassungssoftware kann beim LiDAR genau vorgegeben werden, was registriert werden soll – so zum Beispiel die Erfassungsgeschwindigkeit oder die Kategorisierung der Objekte. Im Allgemeinen ist denkbar, dass Anwendungen im Fahrzeug, welche momentan vor allem mittels Radarsystemen funktionieren, langfristig durch LiDAR-Systeme ersetzt werden. Denn die Komponenten der LiDAR-Sensorik ent- sprechen unterdessen den hohen Anforderungen der Fahrzeugbranche und sind serienm¨assig verf¨ugbar. Dies ist sinnvoll, da ein LiDAR-basiertes System mit nur einem Messkopf mehrere Aufgaben gleichzeitig erf¨ullen kann. Hier sei der Fokus nicht nur auf das angestrebte, autonome Fahren gelegt, sondern auch auf die Integration und Verbesserung von bereits vorhandenen Fahrassistenzsystemen wie dem automatischen Tempomat, dem Spurhal- teassistenten, dem Spurwechselassistenten und der automatischen Einparkhilfe. All diese Aufgaben k¨onnten vom LiDAR problemlos ¨ubernommen werden. Abschliessend sei hier noch erw¨ahnt, dass mit einem LiDAR die Korrelation zwischen der Ger¨ate- und der Fahrersicht besser miteinander harmonieren (vgl. [Spi06]). 3.2 Weitere Innovationen Oft bringt die Innovation eines neuen technischen Ger¨ates eine weitere Anzahl Neuentwicklungen und deren Markteinf¨uhrung mit sich. Bedingt ist dies durch den Umstand, dass eine Innovation ¨uber kompatible Schnitt- stellen verf¨ugen muss, um innerhalb eines bestehenden Systems integriert werden zu k¨onnen. Weiter muss bei einem Sensor wie dem LiDAR die Kommunikation sichergestellt sein, damit die gesammelten Daten verarbeitet werden k¨onnen. 3.2.1 Architektur Der Trend der Weiterentwicklung von LiDAR-Messk¨opfen geht zur Zeit mehr oder weniger einher mit den Bed¨urf- nissen der Fahrzeugbranche. Der am breitesten verwendete Sensor von Google ist ein HDL-64E der Firma Velodyne mit 64 Laser und Detektoren, geb¨undelt zu 4 Bl¨ocken `a 16 Laser (vgl. [Velodyne]) und wurde von Google auf verschiedenen Fahrzeugen wie dem Toyota Prius oder dem Lexus RX montiert. Dieses Ger¨at war ein grosser, sehr leistungsstarker aber etwas klobiger Klotz, welcher f¨ur eine gute Rundumsicht mit Hilfe eines Dachtr¨agers in erh¨oh- ter Position in der Mitte des Autodaches platziert wurde (siehe Titelbild). Neuere Entwicklungen sehen mehrere LiDAR-Sensoren vor, welche ¨uber ein Fahrzeug verteilt werden, wie zum Beispiel beim aktuellen Ford Fusion (siehe Abbildung 3.1). Damit wird eine bessere Rundumsicht durch verkleinerte tote Winkel erreicht. Auch hier kommen Ger¨ate der Firma Velodyne zum Einsatz. Ford verfolgt die Strategie, mit aktuell verf¨ugbarer handels¨ublicher Hard- und Software die Grenzen des autonomen Fahrens zu testen. Sie betreiben damit eine Evolution der Innovation, um in kleinen Schritten immer weitere Fahrerassistenzkomponenten in die Fahrzeuge zu implementieren. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 7
  • 10. Abbildung 3.1: LiDAR-Sensoren montiert auf dem Dach eines Ford Fusion Eine weitere – optisch gef¨alligere – Integration findet man aktuell in der gesamten Baureihe von Volvo als Option (vgl. [How11]). Hier sitzt ein LiDAR-Sensor hinter dem Innenspeigel und blickt durch die Frontscheibe (siehe Abbildungen 3.2 und 3.3). Bei Volvo wird der Sensor speziell f¨ur das Feature ”City Safety” eingesetzt. Dieses soll Auffahrunf¨alle bei Geschwindigkeiten bis zu 30 km/h durch aktive Bremseingriffe verhindern oder zumindest drastisch abschw¨achen (vgl. [NCAP]). Abbildung 3.2: LiDAR-Sensor montiert hinter dem Innenspeigel bei ”City Safety”von Volvo Abbildung 3.3: Autonomes Notbremssystem ”City Safety”von Volvo ¨Ahnlich gestaltet sich die Entwicklung der Art, wie Rendering-Komponenten verstaut werden. Erste Systeme fanden meist im Kofferraum platz, getrennt von der im Fahrzeug vorhandenen On-Board-Komponenten. Heute sind Systeme bereits mit der On-Board-Informatik des Fahrzeuges vernetzt und nutzen gemeinsam Sensorik und Daten. In Zukunft wird ein LiDAR-System komplett in die autonom fahrenden Fahrzeuge integriert sein, ohne dass der Desgin-affile Betrachter markante oder gar st¨orende Bauformen wahrnehmen wird. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 8
  • 11. 3.2.2 Prozesse Die Geburtsstunde der Idee zur autonomen, mobilen Fortbewegung wird gem¨ass Fenton [Fen94] der Weltausstellung von New York im Jahre 1939 zugeschrieben. Dort wurde die Zukunftsvision des automatisierten Individualverkehrs erstmals einer breiten ¨Offentlichkeit vorgestellt. Seit diesem Zeitpunkt wird mehr oder weniger unerm¨udlich an dieser Vision geforscht und entwickelt. Ab diesem Zeitpunkt galt es dem Auto das ”Sehen”beizubringen, damit es selbstst¨andig in die Lage versetzt werden konnte, seine Umgebung und seine Aktionspartner erkennen zu k¨onnen (vgl. [Dic05]). Zuerst galt die allgemeine, langfristige Tendenz zur Entwicklung von vollst¨andig autonomen Fahrzeugen, welche aber meist nur auf einer begrenzten und abgesperrten Fl¨ache zuverl¨assig funktionierten. Erst seit einigen Jahren verschob sich der Forschungsfokus mehrheitlich in Richtung der Entwicklung von technisch ausgereiften und realisierbaren Assistenzsystemen zur Steigerung des Komfort und der Sicherheit im Individualverkehr, welche relativ einfach auf den Markt gebracht werden konnten. Darunter f¨allt nun auch die Integration von LiDAR. Denn bis anhin fanden zwar meist RADAR-basierte L¨osungen verbreiteten Einsatz, werden aber seit neustem vom LiDAR stark konkurrenziert. So zum Beispiel im aktuellen Ford Focus (vgl. [Tra12]). Dort kommt ein LiDAR-Sensor im Verbindung mit dem Notbremsassistenten zum Einsatz. Um nun die bereits bestehenden und zuk¨unftigen L¨osungen mit Hilfe von LiDAR in einem gr¨osseren Rahmen nutzbar zu machen, w¨are es denkbar, dass folgende Ideen umgesetzt werden: Harmonisierung und Modifizierung von Verkehrssymbolen Damit ein mit LiDAR best¨ucktes, autonomes Fahrzeug die verschiedenen Verkehrsschilder, welche die Verkehrsregeln abbilden, einwandfrei identifizieren kann, w¨are es denkbar, dass die vorhandenen Verkehrsschilder durch europa- oder sogar weltweit einheitliche Symbole ersetzt werden. Diese Schilder bilden nicht nur Symbole ab, sondern senden dem autonomen Fahrzeug ¨uberdies dem menschlichen Betrachter nicht sichtbare Informationen zu. Fahrbahnr¨ander Gem¨ass Niehues [Nie13] w¨are es m¨oglich, dass eine genaue Vermessung des Fahrbahnrands mittels LiDAR eine gute M¨oglichkeit zur Orientierung auf der Strasse darstellt. Bis jetzt wurden zwar erste Anstrengungen in diese Richtung mit dem selbstfahrenden, weiterentwickelten Track-Trainer von BMW nur auf in sich geschlossenen Rennstrecken unternommen. Es ist jedoch durchaus denkbar das die dort gewonnen Erkenntnisse in Zukunft auf die Serienpro- duktion von LiDAR-basierten, autonomen Fahrzeugen Eingang finden. Dementsprechend ist es jedoch notwendig, dass die Fahrbahnr¨ander, sowie die vorangegangenen Verkehrssignale, f¨ur eine erfolgreiche LiDAR-Vermessungen optisch oder bautechnisch angepasst werden, was bedeutet, dass der zuk¨unftige Strassenbau dieser Entwicklung Rechnung tragen muss. Car-to-Car Communication Die Idee von kommunizierenden Fahrzeugen, welche sich untereinander Daten zusenden ist nicht neu, kann aber mit der Verwendung von LiDAR ganz neue Dimensionen einnehmen. Wenn eine stabile Kommunikationseinrichtung in die Fahrzeuge implementiert werden kann, welche in der Lage ist die beachtlichen LiDAR-Datenmengen unter Fahrzeugen zu ¨ubertragen, kann ein LiDAR-Fahrzeug nicht nur seine Sicht der Dinge wahrnehmen, sondern kann Entscheidungen treffen unter Anbetracht der Aufnahmen von ganzen Horden LiDAR-Bildern von Fahrzeugen welche sich in der N¨ahe befinden. Sozusagen, dass mittels LiDAR die Sehf¨ahigkeit vervielfacht wird, sodass im Wahrsten Sinne des Wortes um Ecken gesehen werden kann. Weiter w¨are eine tempor¨are Aufzeichnung der LiDAR-erfassten Daten zur Analyse von Unf¨allen denkbar, z.B. wenn ein Fahrzeug noch nicht vollst¨andig autonom unterwegs ist. Somit k¨onnte der Fall eintreten, dass in Zukunft nicht mehr so viele Juristen, spezialisiert auf Verkehrsrecht ben¨otigt werden. Oder dass ein Erwerben des F¨uhrerscheins gar nicht mehr n¨otig ist und somit viele Fahrlehrer arbeitslos werden. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 9
  • 12. 3.2.3 Technologien Global Positionning Systems Eine breite Anwendung von LiDAR konnte erst beginnen, sobald ein geschlossenes Netzwerk an GPS-Satelliten in den Erdumlaufbahnen etabliert war. Denn f¨ur eine LiDAR-Messung ben¨otigt es zwingend die genaue geografische Position des Messkopfes. Nur so kann eine brauchbare Vermessung realisiert werden. Die Entwicklung eines globalen Positionierungssystems geht nicht linear aus der Entwicklung des LiDARs hervor, bedeutet aber indirekt, dass es durchaus im Interesse der LiDAR-Vorantreibenden war, dass ein breiter Zugang an ein solches ¨offentliches Positio- nierungssystem realisiert wird, damit die Anwendungen von LiDAR ausgeweitet werden k¨onnen (vgl. [Luc14]). Computer Vision Die Einf¨uhrung von LiDAR-basierten Fernvermessungsmethoden stellte ganz klar einen riesigen Durchbruch im Gebiet der Topographie dar. Denn anstatt der simpleren Erfassung und Darstellung von zusammenh¨angenden H¨o- henlinien durch Photogrammmetrie, um eine ann¨ahrend gen¨ugend genaue Erfassung von geografischen Erhebungen wiederzugeben, lieferten bereits fr¨uhe LiDAR-Vermessungen eine extreme Anzahl von Punktwolken, mit welchen ein Abbild mit vorher noch nie dagewesener, hochaufl¨osender Genauigkeit dargestellt werden konnte. Ein ganz zentraler Punkt einer nachfolgenden Innovation stellen die Softwarel¨osungen dar, welche ben¨otigt werden, damit die mittels LiDAR vermessenen Daten ¨uberhaupt ausgewertet und aussagekr¨aftig dargestellt werden k¨onnen. Die Rechenlei- tung und die Datenverarbeitungsgeschwindigkeit der Computer haben in den letzten Jahren rapide zugenommen. Anf¨anglich blieb aber die Programminfrastruktur f¨ur eben gerade diese Datenverarbeitung lange Zeit noch dieselbe und war nur ungen¨ugend in der Lage die ¨uberw¨altigende Datenflut von LiDAR-Vermessungen zu verarbeiten. Somit hat die Innovation des LiDARs gezwungenermassen auch eine Innovation im Bereich der Verarbeitungssoftware ausgel¨ost (vgl. [Rom14]). K¨unstliche Intelligenz Durch den weiteren grossen Schritt – n¨aher in die Richtung des selbstfahrenden Autos – werden je l¨anger je mehr Fahrerassistenzsysteme gekoppelt. Bereits heute arbeiten Spurwechselassistenten und Notbremsassistent mit K¨unstlicher Intelligenz. Auch ethische Aspekte werden von grosser Wichtigkeit. Nach welchen Regeln soll sich sich ein autonom bewegendes Fahrzeug verhalten, falls eine heikle Situation eintritt (vgl. [Tr¨o11])? Die Verwendung von Entscheidungssystemen ist bereits in verschiedenen Fachbereichen bekannt, wie etwa in der Betriebswirtschaft oder in der Physik. Nun wird sie aber neu und in einem vorher nicht gekannten Ausmass im Gebiet der selbstfahrenden Fahrzeuge Verwendung finden. 3.2.4 Produkte Flash-LiDAR Das Flash-LiDAR kann man als Weiterinnovation des LiDAR-Scanners bezeichnen. Denn anstatt dass eine Bild- punktewolke mittels rotierenden Scanners erzeugt wird, funktioniert das Flash-LiDAR wie eine Fotokamera. Pro Bild werden 16384 Datenpunkte in schneller Abfolge aufgenommen und erlauben hohe dynamische Anwendungen. Die Vorteile des Solid-State-Flash-LiDAR bestehen darin, dass es keine beweglichen Komponenten besitzt, welche verschleissen k¨onnen oder periodische Kalibrierungen ben¨otigen. Weitere Vorteile dieser Flash-Sensoren sind ihr Gewicht und Baugr¨osse. Es existieren bereits Modelle, welche bloss 500 Gramm wiegen. Dies bedeutet im Vergleich zum LiDAR-Scanner grosse Kostenvorteile. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 10
  • 13. 4 Diskussion 4.1 Innovationsbarrieren Das Gabler Wirtschaftslexikon [Gabler] beschreibt Innovationsbarrieren als Ursachen f¨ur das Verz¨ogern bzw. Ver- hindern von Innovationsprojekten. Als Grund wird intuitiv und z.T. irrational ablehnendes menschliches Verhalten gegen¨uber der (Er-)Neuerung genannt, welches sich z.B. im Festhalten an Gewohnheiten und Traditionen zeigen kann. Gerade mit dem Einwand des ablehnenden, intuitiven oder irrationalen Verhaltens der angesprochenen K¨au- ferschaft von autonom fahrenden Fahrzeugen wird ein schwergewichtiger Punkt angesprochen, welcher sich unter Umst¨anden zu einer grossen Innovationsbarriere entwickeln k¨onnte. Gem¨ass einer Umfrage von [statista] im Jahr 2013 betreffend den Nachteilen von autonomen Fahrzeugen nennt ¨uber die H¨alfte der Befragten (58%) als Haupt- nachteil den Verlust vom Spass am Fahren. Unter dem Aspekt der Fahrfreude l¨asst sich eventuell auch der Punkt der Massenflut von Daten, welche per LiDAR innert k¨urzester Zeit aufgezeichnet werden, anf¨ugen. Denn um mit einem autonom fahrenden Fahrzeug effizient und sicher unterwegs sein zu k¨onnen, ben¨otigt dieses ein ausgekl¨ugel- tes Rechensystem mit immenser Verarbeitungsgeschwindigkeit. Hier werden jedoch kritische Stimmen laut, welche anmerken, dass die vorhandenen Rechenkapazit¨aten f¨ur ein fliessendes, autonomes Fahren noch nicht ausgereift seien. Nur mit einer gen¨ugenden Verarbeitungsgeschwindigkeit kann auch ein fliessendes und geschmeidiges Fahrge- f¨uhl realisiert werden, welches unter Umst¨anden den Verlust des eigenen Eingreifens kompensieren kann. Der Punkt der ausgereiften Datenverarbeitung in Echtzeit leitet gleich zum n¨achsten Punkt. Nicht nur die Hardware bereitet Probleme, auch im Bereich der Softwarel¨osungen muss weiterhin nachgebessert werden, damit die LiDAR-Daten einfach und in wenigen Arbeitsschritten verarbeitet werden k¨onnen, so dass selbstfahrende Autos jede erdenkliche Situation problemlos meistern k¨onnen. Auf Seiten der Rechtsvertreter wird die Kritik der ungekl¨arten Haftungsfragen bei einem Schadenfall laut. Sollte ein Unfall geschehen, bei welchem ein autonomes Fahrzeug involviert ist, fehlt es an notwendigen Gesetzesgrundlagen und Richtlinien. Diese m¨ussen erst erarbeitet und sp¨ater auch erfolgreich angewendet werden. Dieser Umstand kann sich zu einem heiss diskutierten und umk¨ampften Thema entwickeln, der eine erfolgreiche Implementierung von LiDAR in Fahrzeugen auf l¨angere Zeit ausbremsen k¨onnte. Die gr¨osste Innovationsbarriere f¨ur die Anwendung von LiDAR-Technologien im Zusammenhang mit autonomer Fortbewegung geht jedoch von konkurrenzierenden Produkten der High-Tech-Branche aus – namentlich von der ” Multi-Ray Photogrammetrie”. Dies ist eine Technologie, welche anstatt wie bei der bisher bekannten Photogram- metrie mit zwei ¨uberlappenden Bildern einer Stereokamera dreidimensionale Bilder konstruiert, mit mehreren Bildern gleichzeitig arbeitet. Der Vorteil bei der Multi-Ray Photogrammetrie liegt in den preiswerten Sensoren, welche massiv g¨unstiger, kleiner, leichter und stromsparender sind als LiDAR-Scanner. Das heisst, dass diese Methode von vielen preisbewussten K¨aufern auf dem Markt einen Vorrang geniessen wird. Ausserdem liefert diese Technologie genauere und hochaufl¨osendere Bildpunktewolken als LiDAR. Sogar Microsoft ist im Bereich der Mult-Ray Photogrammetrie t¨atig und verf¨ugt bereits ¨uber durchaus potente Verarbeitungsprogramme (siehe Abbildung 4.1). Abbildung 4.1: Darstellung von Daten im Pix4D’s rayCloud editor, aquiriert per Multi-Ray Photogrammetrie Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 11
  • 14. 4.2 Effekte und Impacts Innerhalb dieses Kapitels werden die Auswirkungen besprochen, welche die untereinander unmittelbar wirtschaftlich verbundenen Marktteilnehmer aufeinander aus¨uben, in Anbetracht einer erfolgreichen Entwicklung hin zum seri- enreifen und gesetzeskonformen selbstfahrenden Automobil, welches selbstverst¨andlich die ¨uberlegene Technologie des LiDARs in diesen Prozess einspannt. 4.2.1 Partner Das System der Partnerschaften in der Automobil-Branche wird sich durch eine Weiterentwicklung in die Richtung von selbstfahrenden Autos unserer Ansicht nach nicht grundlegend ver¨andern. Denn langj¨ahrige Partnerschaften zwischen Automobilherstellern wie zum Beispiel zwischen Renault und Nissan seit 1999 (vgl. [WP:Renault-Nissan]) oder wiederkehrende Entwicklungszusammenarbeiten wie bei Fiat und General Motors (vgl. [CV02, S. 335 ff.]) werden auch in Zukunft von hoher Bedeutung sein. Zusammenarbeit sowie marken¨ubergreifende Forschung und Entwicklung sind wichtige Faktoren, um effizient Innovationen umzusetzen, welche durch aufgeteilte Investitionen und Entwicklungsarbeit innerhalb einer marktgerechten Zeitspanne realisiert werden k¨onnen. Es ist aber durchaus denkbar, dass anstelle reiner Automobilhersteller-Kooperationen eine gemischtere Zusammenarbeitsstruktur entste- hen kann. Denn gem¨ass Steinberger [Ste07] ist k¨unftig ein Ausgleich des Machtgef¨alles zwischen Fahrzeughersteller und Zulieferern zu erwarten. Die Dominanz der grossen Automarken wird langfristig von den heranwachsenden und an Bedeutung zunehmenden Zulieferbetrieben egalisiert. Dies ist der Fall dank dem Trend, dass zunehmend Produkt- und Systeminnovationen entweder an die Zulieferer gewissermassen ” outgesourced”werden oder von die- sen im Sinne eigener Marktstrategie selbst gepusht werden. Somit ist davon auszugehen, dass sich innerhalb der n¨achsten Dekade die Gesch¨aftsbeziehungen in eine eher partnerschaftliche Richtung entwickeln. Als Aufh¨anger sei hier zum Beispiel der namhafte Hersteller von LiDAR-Scannern, Velodyne zu nennen, der die meisten der heutigen Prototypen und seriennahen selbstfahrenden Fahrzeuge mit seinen Bauteilen ausstattet (vgl. [Hil14]). Einerseits zeigt unter dem Aspekt der Entwicklung von selbstfahrenden Fahrzeugen eine neue Interessengruppe im Wirtschaftssektor Automobilbau viel Interesse und Enthusiasmus in der Mitbestimmung dieser j¨ungeren Forschungs- richtung, so z.B. High-Tech Unternehmen wie Google oder Apple. Andererseits haben die Wettbewerbsveranstal- tungen, wie sie etwa von der US-Amerikanischen Defense Advanced Research Projects Agency DARPA mit viel Medienpr¨asenz veranstaltet werden, gezeigt, dass auch technische Hochschulen und Universit¨aten das Know-How besitzen, im Bereich der autonomen Zukunft des Automobils kr¨aftig mitzumischen. Es ist denkbar, dass Hersteller in Zukunft die Zusammenarbeit mit angesehenen Bildungsst¨atten intensivieren. 4.2.2 Zulieferer Das Beschaffungswesen der Automobilindustrie stand in den letzten Jahren einem fortw¨ahrenden Wandlungsprozess gegen¨uber, der noch eine gewisse Zeit andauern wird (vgl. [Ste07]). Denn seit einiger Zeit ist bei den Zulieferern der Autohersteller eine Tendenz zur wachsenden Mitbestimmung im Markt sowie auch in der Entwicklung der Technologien auszumachen. Begr¨undet liegt diese Tendenz in der Tatsache, dass die Zulieferer je l¨anger je mehr dazu neigen, wirtschaftlich gesehen, eine immer gr¨ossere Marktmacht und auch Einfluss zu erlangen. Denn wo es fr¨uher f¨ur dasselbe oder ein ¨ahnliches Produkt viele Mitbewerber gab, sind es heute meist nur noch wenige, aber daf¨ur umso gr¨ossere Unternehmen wie z.B. die Robert Bosch AG oder Continental um nur zwei der Grossen zu nennen. Das heisst, langfristig gesehen wird die vorherrschende Marktmacht der Automobilhersteller zugunsten der Zulieferer sinken. Betrachten wir nun im speziellen Zulieferer im Bezug des autonomen Fahrens, l¨asst sich festhalten, dass die re- nommierten Zulieferbetriebe zwar dort selbstverst¨andlich versuchen ein starkes Standbein aufzubauen, jedoch von anderen, eigentlich branchenfremden Unternehmungen zunehmend konkurriert werden. Wie bereits im vorangegan- genen Punkt angesprochen ist hier die Rede von Unternehmen wie zum Beispiel Google oder Apple (vgl. [Sin15]), welche keine Fahrzeughersteller sind und sich selber in Zukunft auch nicht als Fahrzeughersteller sehen, sondern viel mehr als Innovationsf¨orderer und Lieferanten von bahnbrechenden Technologiekonzepten f¨ur die Verwirklichung der f¨uhrerlosen Mobilit¨at (vgl. [Hal15]). Hier wird es in Zukunft spannend, ob diese Firmen eigene Sparten gr¨unden und sich als Zulieferer behaupten werden oder darauf hoffen, dass von ihnen entwickelte Technologien von anderen Firmen aufgekauft werden, welche im Automobilbereich ¨uber ein gr¨osseres Know-How verf¨ugen. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 12
  • 15. 4.2.3 Kunden Unter dem Aspekt ” Kunden”ist es an dieser Stelle n¨otig, zwischen zwei verschiedenen Kategorien zu unterscheiden. Auf der einen Seite ist mit dem Begriff ” Kunde” der K¨aufer der Technologie des LiDARs gemeint, der Hersteller des autonomen Fahrzeuges. Auf der anderen Seite der Endverbraucher, der K¨aufer und Fahrer eines Fahrzeuges, welches sich autonom fortbewegen kann dank der Implementierung von LiDAR. Beginnend beim Fahrzeughersteller als Kunde, der die Technologie einkauft, um sie in sein Produkt einzubauen, ist die Tendenz zurzeit so, dass grosses Interesse an der LiDAR-Technologie herrscht. Wie bereits aufgef¨uhrt, nut- zen verschiedene Hersteller bereits erfolgreich LiDAR-Ger¨ate f¨ur die Realisierung ihrer teil- oder vollautonomen Fahrzeugen und Prototypen. Unter dem Aspekt, dass nat¨urlich die LiDAR-Technologie bei weitem nicht die einzig verwendete Technologie darstellt, um einem Fahrzeug das Sehen beizubringen, ist sie dennoch eine der Herzkom- ponenten, welche nebst dem RADAR, die gr¨osste Sichtreichweite besitzt. So gesehen ist der Markt f¨ur LiDAR basierte Systeme zurzeit sehr attraktiv. Mit dem Hype des autonomen Fahrzeuges, der langfristig nicht abzuflachen scheint, werden die Automobilbauer wahrscheinlich noch ein wenig Zeit ben¨otigen, um eigene L¨osungen pr¨asentie- ren zu k¨onnen, die die Umwelt rund um ein Fahrzeug vermessen kann. Diese Variante sch¨atzen wir aber als gering ein, da schon L¨osungen existieren, welche sehr interessant sind weiterzuverfolgen und dadurch die Zusammenar- beit mit Herstellern wie zum Beispiel Velodyne zu intensivieren und eine Art Partner- oder Zuliefererbeziehung zu etablieren. Wenn wir nun die zweite Kategorie des Kunden betrachten, ist auch hier die Zukunft der autonomen Mobilit¨at rosig, so scheint es. Denn der Markt produziert schliesslich gem¨ass den Bed¨urfnissen der Kunden. Geht man von einem Kundenstamm von betagten K¨aufern aus, oder solchen mit physischen oder sogar psychischen Einschr¨ankungen, dann ist eine autonome Mobilit¨at durchaus w¨unschenswert. Denn so k¨onnten auch diese bisher ausgeschlossenen Gruppen am individuellen Strassenverkehr teilnehmen und von dessen Vorz¨ugen profitieren. Setzt man den Fokus jedoch etwas genereller an, bemerkt man eine gewisse Reserviertheit gegen¨uber der Thematik der sich ” wie von Geisterhand”bewegenden Autos. Diese n¨uchterne bis ablehnende Haltung gegen¨uber solchen Fahrzeugen hat nichts mit r¨uckschrittlichem Gedankengut oder gar feindlichen Einstellungen gegen jeglichen Fortschritt zu tun, sondern keimt bei der Frage nach der ethischen Grundlage solcher Systeme auf. Denn im Allgemeinen wiederstrebt es dem menschlichen Naturell ein Verlust von Kontrolle freudenstrahlend hinzunehmen und von einer Maschine ersetzt zu werden. Sicherheitsgedanke hin oder her. Denn wenn kein menschlicher Fahrer hinter dem Lenkrad sitzt und Entscheide trifft, welche nach g¨ultigem Recht geregelt sind, wer kann belangt werden, wenn ein Unrecht oder Schaden, verursacht durch ein autonomes Fahrzeug, angerichtet wird (vgl. [arXiv15a])? 4.3 Ethische Aspekte Grunds¨atzlich kann mit Spannung erwartet werden, wie sich die Menschen auf autonome Transportsysteme einstellen werden – sei es nun als Fahrzeugbesitzer oder aber auch als Passagiere. Wie wird sich aber das Verhalten von autonomen Transportsystemen etablieren, konkret deren Entscheidungsverhalten im Strassenverkehr? Kann ein solches System einem pl¨otzlich auf die Strasse rennenden Kind ausweichen, auch wenn dabei ein anderes Auto touchiert wird (vgl. [arXiv15b])? Betreffend Fahrerassistenzsystemen mit LiDAR zur Hinderniserkennung im speziellen stellt sich zumindest die Fra- ge, ob sich die Unfallstatistiken dadurch tats¨achlich verbessern werden. Zudem ist absehbar, dass Lenker solcher Fahrzeuge speziell geschult werden m¨ussen. Der Beruf des Fahrlehrers wird sich in Zukunft bestimmt komplexer gestalten. Sollten sich autonome Transportsysteme auf dem Markt durchsetzen, stellen sich aber auch Fragen mit gesell- schaftlicher Tragweite. Werden ganze Berufsgruppen im Transportwesen wie etwa Fernfahrer, Lastwagenfahrer, Buschauffeure und Taxifahrer ihre Arbeitsstelle verlieren (vgl. [Tr¨o11])? Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 13
  • 16. 5 Fazit Bis autonome Transportsysteme ausgereift sind, werden sicher noch einige Jahre vergehen. Hinderniserkennung mit LiDAR wird jedoch bereits heute f¨ur Fahrerassistenzsysteme erfolgreich eingesetzt. Die Technologie wird laufend verbessert, sei es ihre bauliche Architektur oder aber auch die verwendete Software. Der Einsatz von LiDAR zur Fahrzeugumfeldvermessung verspricht grosse Ver¨anderungen im Strassenverkehr. Vorallem beim Einsatz in auto- nomen Fahrzeugen tr¨agt die LiDAR-Technologie hin zu einer von Entscheidungsalgorithmen gepr¨agten Fahrweise bei. Der Fahrzeugindustrie und deren Zulieferer versprechen diese Neuerungen eine gute Zukunft – die Technologie wird Bed¨urfnisse schaffen und den wirtschaftlichen Motor am laufen halten. Mit weitreichenden gesellschaftlichen Kon- sequenzen ist aber bei Transportunternehmen zu rechnen. Ganze Berufsgruppen wie Fernfahrer, Taxichauffeure und andere m¨ussen sich auf Ver¨anderungen einstellen – u.U. bis hin zum Verschwinden ihres angestammten Berufes. Mit Spannung werden wir die Entwicklung sowohl der LiDAR-Technologie als auch der autonomen Transportsysteme und der damit verbundenen Innovationen aufmerksam weiterverfolgen. Abbildung 5.1: Der Bieler Dominic Schumacher in seinem Knightrider K.I.T.T. Supercar Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 14
  • 17. Literaturverzeichnis [ADAC] ADAC e.V. ” Geschwindigkeitsmessungen mit Lidar – ADAC-Checkliste“. In: Verkehrspolitik und Verbraucherschutz (VEP). 29. Juli 2015. URL: https://www.adac.de/_mmm/pdf/ Geschwindigkeitsmessung-mit-Lidar_35827.pdf (besucht am 13. 12. 2015). [ArcMap] ESRI. ArcMap Dokumentation. URL: https://desktop.arcgis.com/de/desktop/ latest/manage-data/las-dataset/ (besucht am 11. 12. 2015). [arXiv15a] Emerging Technology From the arXiv. ” Why Self-Driving Cars Must Be Programmed to Kill“. In: MIT Technology Review Online. 22. Okt. 2015. URL: http://www.technologyreview. com / view / 542626 / why - self - driving - cars - must - be - programmed - to - kill/ (besucht am 12. 12. 2015). [arXiv15b] Emerging Technology From the arXiv. ” How to Help Self-Driving Cars Make Ethical Decisi- ons“. In: MIT Technology Review Online. 29. Juli 2015. URL: http://www.technologyreview. com/news/539731/how-to-help-self-driving-cars-make-ethical-decisions/ (besucht am 13. 12. 2015). [Cha13] Norman Chan. What Google’s Self-Driving Car Sees. Tested. 20. Apr. 2013. URL: http: //www.tested.com/tech/455172-what-googles-self-driving-car-sees/ (besucht am 23. 11. 2015). [CV02] A. Camuffo und G. Volpato. ” Partnering in the global auto industry: Fiat-GM strategic alliance“. In: Int. J. Automotive Technology and Management. Bd. 2. 2002. [Dic05] E. D. Dickmanns. Sehende autonome Fahrzeuge in nat¨urlicher Umgebung. Koblenz, Vor- tragsumdruck, 2005. [DLR] Deutsches Zentrum f¨ur Luft- und Raumfahrt (DLR). Mehr Sicherheit im Flugverkehr: Turbu- lenzen rechtzeitig erkennen. 5. Aug. 2013. URL: http://www.dlr.de/dlr/desktopdefault. aspx/tabid-10261/371_read-7615/ (besucht am 19. 10. 2015). [FELex] Kurt G. Baldenhofer. Lexikon der Fernerkundung, Eintrag Lidar. 8. Mai 2015. URL: http: //www.fe-lexikon.info/ (besucht am 19. 10. 2015). [Fen94] R. Fenton. ” Driving into the Future“. In: IEEE Control Systems Magazine. Bd. 14. 1994. [G501] Luftgest¨utzte Gasferndetektionsverfahren. Merkblatt G501. Deutscher Verein des Gas- und Wasserfaches e.V., Mai 2012. URL: http://www.dvgw.de/ (besucht am 26. 10. 2015). [Gabler] Gabler Wirtschaftslexikon. Lemma Innovationsbarrieren. URL: http://wirtschaftslexikon. gabler.de/Definition/innovationsbarrieren.html (besucht am 04. 12. 2015). [Hal15] Stephen Hall. ” Google has no intentions on becoming a car manufacturer“. In: 9to5Google. 15. Sep. 2015. URL: http : / / 9to5google . com / 2015 / 09 / 15 / google - has - no - intentions-on-becoming-a-car-manufacturer-european-executive-says/ (be- sucht am 12. 12. 2015). [Hil14] Morgan Hill. ” Velodyne LiDAR, Leader in Autonomous Vehicle Technology, To Be Featured in Back-to-Back Events in S.F. Bay Area“. In: prweb. 9. Juli 2014. URL: http://www. prweb.com/releases/2014/07/prweb12002203.htm (besucht am 10. 12. 2015). [How11] Bill Howard. Technology 1, distracted drivers 0: Volvo City Safety cuts accidents by 27%. ExtremeTech. 20. Juli 2011. URL: http://www.extremetech.com/extreme/90470- technology-1-distracted-drivers-0-volvo-city-safety-cuts-accidents-by- 27 (besucht am 23. 11. 2015). [Kuc15] M. Kucera. Navigation Systems. Skript. Pr¨asentation im Modul BTE5474. Berner Fach- hochschule Technik und Informatik BFH-TI, Abteilung Elektrotechnik, 12. Okt. 2015. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 15
  • 18. [Luc14] Matteo Luccio. ” LiDAR innovations“. In: Apogeo Spatial. 26. Feb. 2014. URL: http:// apogeospatial.com/lidar-innovations/ (besucht am 02. 12. 2015). [NCAP] Sonderauszeichnungen 2010: Volvo City Safety. Autonomes Notbremssystem. European New Car Assessment Programme NCAP. 2010. URL: http://www.euroncap.com/de/ bewertungen-u-auszeichnungen/euro-ncap-sonderauszeichnungen/2010-volvo- city-safety/ (besucht am 01. 12. 2015). [Nie13] Daniel Niehues. Hochgenaue Positionsbestimmung von Fahrzeugen als Grundlage autonomer Fahrregime im Hochgeschwindigkeitsbereich. TU Dresden. 10. Juni 2013. URL: http:// nbn-resolving.de/urn:nbn:de:bsz:14-qucosa-138506 (besucht am 23. 11. 2015). [Rom14] Mark E. Romano. ” Innovation in Lidar Processing Technology“. In: Photogrammetric Engi- neering & Remote Sensing. Bd. 11. 2014. [Sin15] Sarwant Singh. ” Will Apple Become A Car Manufacturer Or A Platform/Content Aggre- gator?“ In: Forbes Online. 16. Feb. 2015. URL: http : / / www . forbes . com / sites / sarwantsingh/2015/02/16/apple-auto-industry-vehicle-manufacturer/ (be- sucht am 12. 12. 2015). [Spi06] H. Spiess. Automobile Lidar Sensorik: Stand, Trends und zuk¨unftige Herausforderungen. 2006. [statista] statista – Das Statistik-Portal. Welche Probleme sehen Sie bei autonomen Fahrzeugen? Sep. 2013. URL: http://wirtschaftslexikon.gabler.de/Definition/innovationsbarrieren. html (besucht am 04. 12. 2015). [Ste07] Franz Steinberger. Entwicklungskooperationen in der Automobilindustrie. 1. Aufl. Bremen/Ham- burg: CT Salzwasser-Verlag GmbH & Co, 2007. [Tra12] Toralf Trautmann. Fachvortrag Umfeldsensorik mit dem Lidar: Vor- und Nachteile gg¨u. Radar. Dresden, Hochschule f¨ur Technik und Wirtschaft. 19. Nov. 2012. URL: http:// www.htw-mechlab.de/index.php/fachvortrag-umfeldsensorik-mit-dem-lidar- vor-und-nachteile-ggu-radar/ (besucht am 23. 11. 2015). [Tr¨o11] Christian Tr¨oster. ” Autonomes Fahren: Geister-Taxis ohne Chauffeur“. In: Spiegel Online. 20. Aug. 2011. URL: http://www.spiegel.de/auto/aktuell/autonomes-fahren- geister-taxis-ohne-chauffeur-a-780907.html (besucht am 13. 12. 2015). [Velodyne] Velodyne. Products: HDL-64E Velodyne LiDAR. URL: http://velodynelidar.com/hdl- 64e.html (besucht am 23. 11. 2015). [Whi14] Ryan Whitwam. How Google’s self-driving cars detect and avoid obstacles. ExtremeTech. 8. Sep. 2014. URL: http://www.extremetech.com/extreme/189486-how-googles- self-driving-cars-detect-and-avoid-obstacles (besucht am 23. 11. 2015). [WP:Lidar] Wikipedia. Lidar. URL: https://de.wikipedia.org/wiki/Lidar (besucht am 19. 10. 2015). [WP:Radar] Wikipedia. Gesundheitssch¨aden durch milit¨arische Radaranlagen. URL: https : / / de . wikipedia.org/wiki/Gesundheitssch%C3%83%C2%A4den_durch_milit%C3%83% C2%A4rische_Radaranlagen (besucht am 23. 11. 2015). [WP:Renault-Nissan] Wikipedia. Renault-Nissan. URL: https://de.wikipedia.org/wiki/Renault-Nissan (besucht am 10. 12. 2015). Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 16
  • 19. Bildnachweis Titelbild: In 2009, we started testing our self-driving technology with the Toyota Prius on freeways in California. In: Google Self-Driving Car Project, On the road (bearbeitet mit GIMP). URL: http://www.google.com/selfdrivingcar/, Zugriff: 19. Oktober 2015. Abbildung 2.1: NADIR-Rotation. In: Open Grid Europe, Alleinstellungsmerkmale im Einzelnen (Videostill, bearbeitet mit GIMP). URL: http://www.open-grid-europe.com/cps/rde/oge-internet/hs.xsl/Alleinstellungsmerkmale -CHARM -sup -sup -600.htm, Zugriff: 26. Oktober 2015. Abbildung 2.2: DELICAT Lidarsystem. In: [DLR]. Abbildung 2.3, a): Ohne Bildunterschrift. In: Andersen, Hans-Erik u.a.: LIDAR Overview. URL: http://forsys.cfr.washington.edu/JFSP06/lidar_technology.htm, Zugriff: 19. Oktober 2015. Abbildung 2.3, b): Ohne Bildunterschrift. In: [ArcMap, Was sind LIDAR-Daten?]. Abbildung 2.4: Ohne Bildunterschrift. In: [ADAC]. Abbildung 2.5: Ohne Bildunterschrift. In: Google Self-Driving Car Project, Monthly Report July 2015. URL: http://www.google.com/selfdrivingcar/reports/, Zugriff: 19. Oktober 2015. Abbildung 2.6: Google ¨uberblickt alles. Jetzt auch die Verkehrslage. In: Reinartz, Philipp: Wagen, hol schon mal den Harry. Zeit Online, 1. M¨arz 2015. URL: http://www.zeit.de/kultur/2015-02/selbstfahrende-autos-google-car-apple/, Zugriff: 13. Dezember 2015. Abbildung 3.1: Ford. In: Damon Lavrinc: Ford Unveils Its First Autonomous Vehicle Prototype. weird.com, 12. Dezember 2013. URL: http://www.wired.com/2013/12/ford-fusion-hybrid-autonomous/, Zugriff: 1. Dezember 2015. Abbildung 3.2: Le syst`eme City Safety freine la voiture automatiquement en-dessous de 30 km/h s’il d´etecte un obstacle. In: Nicolas Meunier: Volvo V40 : nouvelle victoire de la Su`ede. challenges.fr, 25. Juni 2012. URL: http://automobile.challenges.fr/essais/20120621.LQA2983/volvo-v40-nouvelle-victoire-de-la-suede.html, Zugriff: 1. Dezember 2015. Abbildung 3.3: Ohne Bildunterschrift. In: [NCAP]. Abbildung 4.1: Pix4D’s rayCloud editor combines the 3D points of a point cloud with the original input images, resulting in this image of a quarry. In: [Luc14] Abbildung 5.1: 6/6 An der Tuning World Bodensee zeigte der Bieler seinen 245-PS-starken Knightrider K.I.T.T. Supercar. In: 20minuten Online, 25. Juni 2012. URL: http://www.20min.ch/diashow/diashow.tmpl?showid=133297, Zugriff: 13. Dezember 2015. Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 17
  • 20. Abbildungsverzeichnis 2.1 Nadir-Rotation: Ein DIAL-Produkt von Open Grid Europe . . . . . . . . . . . . . . . . . . . . . . 2 2.2 DELICAT mit Strahlf¨uhrung im Versuchsflugzeug PH-LAB . . . . . . . . . . . . . . . . . . . . . . 3 2.3 a) Luftgest¨utzes topographisches LiDAR und b) generierte Punktwolke . . . . . . . . . . . . . . . . 4 2.4 Station¨ar installiertes LiDAR-System zur Geschwindigkeitsmessung . . . . . . . . . . . . . . . . . . 5 2.5 Fahrzeugumfeld als Punktwolke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.6 Mit Methoden der Computer Vision extrahierte Objekte . . . . . . . . . . . . . . . . . . . . . . . . 5 3.1 LiDAR-Sensoren montiert auf dem Dach eines Ford Fusion . . . . . . . . . . . . . . . . . . . . . . 8 3.2 LiDAR-Sensor montiert hinter dem Innenspeigel bei ”City Safety”von Volvo . . . . . . . . . . . . . 8 3.3 Autonomes Notbremssystem ”City Safety”von Volvo . . . . . . . . . . . . . . . . . . . . . . . . . 8 4.1 Darstellung von Daten im Pix4D’s rayCloud editor, aquiriert per Multi-Ray Photogrammetrie . . . . 11 5.1 Der Bieler Dominic Schumacher in seinem Knightrider K.I.T.T. Supercar . . . . . . . . . . . . . . 14 Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 18
  • 21. Selbst¨andigkeitserkl¨arung Wir best¨atigen, dass wir die vorliegende Arbeit selbstst¨andig und ohne Benutzung anderer als der im Literaturver- zeichnis angegebenen Quellen und Hilfsmittel angefertigt haben. S¨amtliche Textstellen, die nicht von uns stammen, sind als Zitate gekennzeichnet und mit dem genauen Hinweis auf ihre Herkunft versehen. Ort, Datum: Biel/Bienne, 14. Dezember 2015 Vorname, Name: Roland Bruggmann Unterschrift: ...................................... Vorname, Name: Denis Olivier Roll´e Unterschrift: ...................................... Hinderniserkennung mit LiDAR, Version 1.0, 14. Dezember 2015 19