Ein Vortrag von Gokhan Koca, Koluman Automotive Industry
Im Mittelpunkt dieses Projekts stand die Entwicklung eines autonomen Kehrfahrzeugs, das für die Ausführung vordefinierter Reinigungsaufgaben innerhalb eines kontrollierten und geschlossenen Einsatzgebiets konzipiert wurde. Das Hauptziel des Systems bestand darin, dem Fahrzeug die autonome, zuverlässige und sichere Ausführung seiner Kehraufgaben zu ermöglichen, ohne dass während des Betriebs eine ständige Steuerung durch den Fahrer erforderlich ist. Da das Fahrzeug eher für Reinigungsarbeiten bei niedrigen Geschwindigkeiten als für den Straßenverkehr bei hohen Geschwindigkeiten vorgesehen war, wurde die Systemarchitektur speziell auf die betrieblichen Anforderungen einer Kehrmaschine zugeschnitten.
Eines der wichtigsten Merkmale dieses Fahrzeugs ist, dass seine Fortbewegung durch ein hydrostatisches Antriebssystem erfolgt. Mit anderen Worten: Das Fahrzeug nutzt keine herkömmliche Pedal-by-Wire-Architektur für die autonome Bewegungssteuerung. Stattdessen wird seine Bewegung bei niedrigen Geschwindigkeiten durch den hydrostatischen Fahrmodus erreicht, der sich besonders für Kehrarbeiten eignet, da er eine sanfte, kontrollierte und präzise Bewegung ermöglicht. Diese Art von Antriebssystem ist besonders vorteilhaft in Anwendungen, bei denen sich das Fahrzeug gleichmäßig und präzise bei relativ niedrigen Geschwindigkeiten, typischerweise etwa 10 bis 15 km/h, bewegen muss, während es kontinuierlich eine Reinigungsaufgabe ausführt. Aus diesem Grund bildete die hydrostatische Struktur die Grundlage für die autonome Bewegungsfähigkeit des Fahrzeugs.
Damit sich der Lkw innerhalb eines geschlossenen Bereichs autonom bewegen konnte, musste er zunächst in der Lage sein, zu jedem Zeitpunkt zu erkennen, wo er sich befand. Dies wurde durch ein Lokalisierungssystem erreicht, das auf einer zuvor erstellten Punktwolkenkarte des Einsatzgebiets basierte. Eine Punktwolke lässt sich als dreidimensionale digitale Darstellung der Umgebung beschreiben, die aus einer sehr großen Anzahl von räumlichen Punkten erstellt wird. Jeder Punkt entspricht einem realen Objekt oder einer Oberfläche in der Umgebung, wie beispielsweise der Straße, Bordsteinen, Wänden, Absperrungen oder umgebenden Strukturen. Wenn alle diese Punkte zusammengeführt werden, bilden sie eine detaillierte 3D-Karte des Arbeitsbereichs. Diese Karte dient als Referenzmodell, anhand dessen das Fahrzeug während des Betriebs seinen Standort erkennen kann.
Um seine aktuelle Umgebung mit dieser Referenzkarte abzugleichen, wurde das Fahrzeug mit LiDAR-Sensoren ausgestattet, die sowohl an der Vorder- als auch an der Rückseite angebracht waren. LiDAR-Sensoren messen Entfernungen, indem sie Laserstrahlen aussenden und die von umgebenden Objekten reflektierten Signale erfassen. Während des Betriebs scannten diese Sensoren kontinuierlich die Umgebung und erzeugten räumliche Echtzeitdaten. Die Live-LiDAR-Scans wurden dann mit der zuvor erstellten Punktwolkenkarte abgeglichen. Einfach ausgedrückt verglich das System ständig das, was das Fahrzeug in diesem Moment „sah“, mit der Karte, die es zuvor bereits gelernt hatte. Durch die Ermittlung der besten Übereinstimmung zwischen dem Live-Scan und der gespeicherten Karte konnte das System den aktuellen Standort des Fahrzeugs innerhalb des geschlossenen Bereichs bestimmen. Dieser Lokalisierungsprozess wurde durch die Integration zusätzlicher Bewegungs- und Positionsdaten weiter verbessert. Die IMU lieferte Informationen zu Beschleunigung, Drehung und Ausrichtung des Fahrzeugs. Der GNSS-Sensor trug zur Positionsbestimmung bei, während die direkt vom Lkw erfassten Fahrzeuggeschwindigkeitsdaten dabei halfen, abzuschätzen, wie weit sich das Fahrzeug im Laufe der Zeit bewegt hatte. Jeder dieser Sensoren hat für sich genommen seine Grenzen, doch in Kombination ergeben sie eine wesentlich zuverlässigere Lokalisierungslösung. Durch diese Multisensor-Struktur war das System in der Lage, die Position und die Wegbewegung des Fahrzeugs innerhalb der vordefinierten Betriebszone robuster zu berechnen. Neben der Kenntnis seines Standorts musste das Fahrzeug auch seine Umgebung auf aussagekräftigere Weise erfassen. Zu diesem Zweck wurde eine Stereokamera an der Vorderseite des Lkw installiert. Eine Stereokamera nutzt zwei visuelle Eingänge, um Tiefe wahrzunehmen und die vor ihm liegende Szene besser zu interpretieren. Mit diesem Sensor konnten Umgebungsmerkmale analysiert und segmentiert werden, was bedeutete, dass das System relevante Teile der Umgebung effektiver trennen und identifizieren konnte. Dies half dem Fahrzeug, den Einsatzbereich nicht nur als rohe geometrische Daten, sondern auch als strukturierte visuelle Informationen zu interpretieren. Um die allgemeine Wahrnehmungsleistung zu verbessern, wurden die Ausgabedaten der Stereokamera mithilfe von Sensorfusionstechniken mit den LiDAR-Daten kombiniert. Dieser Ansatz ermöglichte es dem System, die Stärken beider Sensortypen zu nutzen. LiDAR lieferte genaue räumliche und Entfernungsinformationen, während die Stereokamera zu einem umfassenderen visuellen Verständnis der Umgebungsmerkmale beitrug. Durch die Zusammenführung dieser beiden Quellen erlangte das Fahrzeug ein zuverlässigeres und vollständigeres Verständnis des Arbeitsbereichs. Dies verbesserte sowohl die Lokalisierungsqualität als auch das Umgebungsbewusstsein während des autonomen Betriebs.
Durch die Kombination von hydrostatischer Steuerung für Fahrzeuge mit niedriger Geschwindigkeit, LiDAR-basiertem Kartenabgleich, IMU/GNSS/fahrzeuggeschwindigkeitsgestützter Lokalisierung, und Kamera-LiDAR-Sensorfusion war der Kehrwagen in der Lage, seine vordefinierte Kehraufgabe innerhalb des geschlossenen Bereichs autonom, reibungslos und kontrolliert auszuführen. Das Fahrzeug konnte seine Position ständig erfassen, die Umgebung interpretieren und seine Reinigungsaufgabe mit hoher Stabilität und ohne Betriebsbelastung fortsetzen. Damit hat das Projekt gezeigt, dass ein hydrostatischer Kehrwagen durch die Integration von Kartierungs-, Lokalisierungs-, Wahrnehmungs- und Sensorfusionstechnologien erfolgreich für Reinigungsarbeiten in kontrollierten Bereichen autonomisiert werden kann.
