Projektbeschreibung

Für autonomes Fahren ist eine präzise und robuste Georeferenzierung erforderlich. In innerstädtischen Bereichen stoßen GNSS/IMU-Lösungen jedoch aufgrund von Abschattung, Mehrwegeeffekten und Drift an ihre Grenzen. Proprietäre HD-Karten sind zudem teuer und schwer aktuell zu halten. Daher entwickelte AutoMap ein Positionierungssystem auf Basis öffentlicher LoD2-Stadtmodelle und Digitaler Geländemodelle (DGM). Mithilfe der semantisch-geometrischen Merkmalsextraktion wurden stabile Fassaden- und Bodenflächen aus Sensordaten mit abstrahierten Karten abgeglichen. Die Projektziele wurden erreicht und eine robuste kartengeführte Lokalisierung demonstriert.

Ergebnisse und Wirkungen

Im Projekt wurde eine semantisch-geometrische Verarbeitungskette zur Nutzung offener LoD2- und DGM-Daten für die Fahrzeuglokalisierung entwickelt und validiert. Das System filterte dynamische Objekte und instabile Strukturen heraus, nutzte robuste Fassaden- und Bodenflächen und kombinierte Scan-zu-Scan-Odometrie mit einer globalen Kartenanbindung. Gegenüber der Human-in-the-Loop-Referenz wurde ein mittlerer absoluter Trajektorienfehler von 0,27 Metern erreicht. Ergänzend entstand ein hochwertiger multimodaler Datensatz mit LiDAR-, Kamera- und INS-Daten, der über offene Dateninfrastrukturen – insbesondere die Mobilithek und das Repositorium der Leibniz Universität Hannover (LUH) – bereitgestellt wurde. Die Ergebnisse stärken die Nutzung frei verfügbarer Geodaten als Alternative zu proprietären HD-Karten, erhöhen die Nachvollziehbarkeit der Forschung und fließen in die Lehre an der LUH ein. Zugleich bilden sie die Grundlage für weitere Arbeiten zur ganzheitlichen Unsicherheitsmodellierung und leisten einen Beitrag zu einer sicheren und robusten Lokalisierung in GNSS-gestörten urbanen Räumen.