Eine präzise Fahrzeuglokalisierung ist eine wichtige Voraussetzung für autonomes Fahren, insbesondere in städtischen Umgebungen, in denen GNSS-Signale häufig ausfallen. Um diese Herausforderung zu meistern, schätzt ein fortschrittlicher Partikelfilter die Fahrzeugposition durch die Verschmelzung von 3D-LiDAR-Daten mit ergänzenden Sensoreingaben. Die Hauptmotivation besteht darin, trotz der Komplexität städtischer Umgebungen eine Lokalisierungsgenauigkeit von wenigen Dezimetern zu erreichen.

Mehrere wichtige Änderungen überwinden bestehende Einschränkungen. Erstens wird eine hochauflösende Karte aus terrestrischen Laserscan-Punktwolken erstellt, die verallgemeinerte Modelle durch detaillierte räumliche Darstellungen städtischer Strukturen wie Gebäude und Bodenoberflächen ersetzt. Diese HR-Karte dient als robuste Referenz für den Abgleich von Scans mit Karten und erhöht die Genauigkeit des Partikelfilters.

Zweitens: Um die große Datenmenge von kostengünstigen mobilen LiDAR-Scannern zu bewältigen, werden mit einem auf Deep Learning basierenden Subsampling-Ansatz kritische Schlüsselpunkte selektiv herausgefiltert. Die Methode nutzt semantische Segmentierungsmerkmale innerhalb eines benutzerdefinierten Sampling-Modells, das die Verarbeitungszeit reduziert und gleichzeitig wesentliche geometrische Details bewahrt, die für eine präzise Lokalisierung erforderlich sind.

Drittens wird ein kamerabasierter Kooperationsmechanismus in das System integriert. Durch die Erkennung von Schlüsselpunkten umliegender Fahrzeuge und die Nutzung der damit verbundenen Unsicherheitsinformationen verfeinert das System die Ego-Pose-Schätzungen und verbessert die allgemeine Robustheit des Partikelfilters in realen Szenarien.

Das Filter-Framework verwendet Sensordaten aus einer eigenen Messkampagne zur Validierung, um abzuschätzen, inwiefern der kollaborative Ansatz die aktuellen Standards für die Lokalisierung von Stadtfahrzeugen erfüllt.