Entwicklung eines Selbstdiagnosesystems für LiDAR-Sensoren

Autonome Fahrsysteme benötigen eine zuverlässige Umfelderfassung. LiDAR-Sensoren liefern präzise 3D-Punktwolken, können jedoch durch Verschmutzungen der Sensorabdeckung, z. B. Wasser, Staub, Schlamm, Salz oder Öl, beeinträchtigt werden. Dies kann Punktverluste, Intensitätsänderungen, lokale geometrische Abweichungen und kritische Fehlinterpretationen in nachgelagerten Perzeptionsmodulen verursachen.

Ziel dieser Masterarbeit ist die Entwicklung eines datengetriebenen Selbstdiagnosesystems für LiDAR-Sensorverschmutzung. Literaturrecherche zu LiDAR-Sensorverschmutzung, Point-Cloud-Korruption, Sensor-Selbstdiagnose, Anomalieerkennung und Reliability Monitoring.

• Aufbereitung eines synthetischen LiDAR-Verschmutzungsdatensatzes auf Basis vorhandener Generierungsmodelle
• Definition geeigneter Zielgrößen wie clean/contaminated, Verschmutzungsart, Verschmutzungsgrad, betroffene Frustum-Bereiche und Reliability Score
• Entwicklung eines datengetriebenen Detektionsansatzes zur Verschmutzungserkennung, z. B. auf Basis von Range-View-, Frustum-, Voxel- oder Graph-Repräsentationen.
• Quantitative Evaluation mit geeigneten Metriken, z. B. Accuracy, Precision, Recall, F1-Score, False-Alarm-Rate, Detektionslatenz und Robustheit gegenüber unterschiedlichen Szenen, Distanzen und Verschmutzungsarten
• Untersuchung des Nutzens für nachgelagerte Perzeptionsmodule und Ableitung einer Schnittstelle für Sensorreinigung, Vertrauensreduktion, Degradationsmodus oder konservative Fahrverhaltensanpassung