Call number:
S 99.0139(346)
In:
Wissenschaftliche Arbeiten der Fachrichtung Vermessungswesen der Universität Hannover
Type of Medium:
Series available for loan
Pages:
Illustrationen, Diagramme. Karten
,
152 Seiten
ISSN:
0174-1454
Series Statement:
Wissenschaftliche Arbeiten der Fachrichtung Vermessungswesen der Universität Hannover Nr. 346
Language:
German
,
English
Note:
Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2018
,
1. Einleitung
1.1. Motivation
1.2. Ziel der Arbeit
1.3. Struktur derArbeit
2. Grundlagen
2.1. Laserscanning
2.1.1. Distanzmessung
2.1.2. Scanmechanismus
2.1.3. Mobile Mapping
2.1.4. Registrierung von Punktwolken
2.1.5. Räumliche Datenstrukturen
2.1.6. Segmentierung in Punktwolken
2.2. Maschinelles Lernen
2.2.1. K-Means-Algorithmus
2.2.2. Bewertung einer Klassifizierung
2.2.3. Random Forests
2.2.4. Neuronale Netze
2.3. Filterverfahren zurLokalisierung
2.3.1. Bayessche Filter
2.3.2. Kalman-Filter
2.3.3. Extended Kalman-Filter
3. Stand der Forschung
3.1. Detektion dynamischer Objekte
3.1.1. Änderungsdetektion in Punktwolken
3.1.2. Klassifizierung dynamischer Objekte
3.2. Fahrzeuglokalisierung
3.2.1. Feinlokalisierung
3.2.2. Globale Positionsbestimmung
4. Verwendete Sensoren und Daten
4.1. Mobile-Mapping-System Riegl VMX-250
4.2. Valeo Scala
4.3. Oxford Robotcar Dataset
4.4. Velodyne VLP-16
4.4.1. Kalibrierung des Systems
4.5. Vergleich der verwendeten Laserscanner
5. Detektion dynamischer Objekte
5.1. Anderungsdetektion
5.2. Klassifizierung dynamischer Objekte
5.2.1. Klassifizierung von Vegetation
5.2.2. Klassifizierung dynamischer Objekte in einzelnen Zeilenscans
5.2.3. Klassifizierung dynamischer Objekte in Scanbildern
6. Fahrzeug-Lokalisierung durch Automotive-Laserscanner
6.1. Verwendung stangenförmiger Objekte undEbenen
6.1.1. Erstellung der Referenzkarte
6.1.2. Extraktion der Landmarken aus den Messungen eines horizontal montierten
Automotive-Zeilenscanners
6.1.3. Extraktion der Landmarken aus den Messungen eines vertikal montierten
Automotive-Laserscanners
6.1.4. Landmarken-Muster
6.2. Sequenzanalyse zur globalen Lokalisierung
6.2.1. Reduzierung der Dimension durch einen Autoencoder
6.2.2. Clustering der Daten
6.2.3. Bestimmung der Position
6.3. Scanbildkorrelation zur hochgenauen Lokalisierung
6.3.1. Automotive Daten eines Einzeilenscanners
6.3.2. Verwendung der Daten des Velodyne VLP-16
7. Ergebnisse der Fahrzeug-Lokalisierung
7.1. Verwendung stangenförmiger Objekte und Ebenen zur Fahrzeug-Lokalisierung
7.1.1. Valeo Scala
7.1.2. Velodyne VLP-16
7.1.3. Auswertung der Zuordnung überLandmarken-Muster
7.1.4. Laufzeitbetrachtung
7.2. Sequenzanalyse
7.2.1. Automotive-Daten eines Einzeilen-Laserscanners
7.2.2. Oxford Robotcar Dataset
7.2.3. Velodyne VLP-16
7.2.4. Verwendung eines Filteransatzes
7.2.5. Laufzeitbetrachtung
7.3. Scanbildkorrelation
7.3.1. Automotive-Daten eines Einzeilen-Laserscanners
7.3.2. Velodyne VLP-16
7.3.3. Laufzeitbetrachtung
7.4. Diskussion der Ergebnisse
8. Zusammenfassung und Ausblick
8.1. Zusammenfassung
8.2. Ausblick
Anhang
A. Ergebnisse der Lokalisierungüber stangenförmige Objekte und Ebenen
B. Ergebnisse der Sequenzanalyse durch einen Velodyne VLP-16
Abbildungsverzeichnis
Tabellenverzeichnis
Literaturverzeichnis
Lebenslauf
Danksagung
,
Deutsche und englische Zusammenfassung
Location:
Lower compact magazine
Branch Library:
GFZ Library
Permalink