Erkennung ego-relevanter verdeckter Bereiche in Verkehrsszenarien für automatisiertes Fahren

Automatisierte Fahrzeuge müssen in Szenarien mit eingeschränkter Sicht sicher agieren. Verdeckungen durch parkende Fahrzeuge, Gebäude, Vegetation oder dynamische Verkehrsteilnehmer erzeugen Bereiche, die vom Ego-Fahrzeug aktuell nicht direkt beobachtet werden können, aber für die weitere Fahrt sicherheitsrelevant sein können. Ziel dieser Masterarbeit ist die Entwicklung eines Wahrnehmungsmoduls zur Erkennung solcher ego-relevanter verdeckter Bereiche in einer BEV-Repräsentation (Bird’s-Eye-View). Die Arbeit kann rein kamerabasiert oder als Kamera-LiDAR-Fusion umgesetzt werden. Im Fokus stehen Sichtbarkeit, Verdeckung und Relevanz der verdeckten Räume, nicht die klassische Detektion bereits sichtbarer Objekte.

• Literaturrecherche zu occlusion-aware perception, Sichtbarkeitsmodellierung, BEV-Occupancy und Sensorfusion
• Definition ego-relevanter verdeckter Bereiche, z. B. abhängig von Fahrkorridor, Freiraum, Sichtfeld und semantischem Kontext
• Implementierung eines geometrischen Baseline-Verfahrens zur Sichtbarkeits- und Verdeckungsanalyse mit Kamera-, Tiefen- und/oder LiDAR-Daten
• Entwicklung und Vergleich eines lernbasierten oder hybriden Ansatzes zur Schätzung verdeckter Bereiche in BEV
• Quantitative und qualitative Evaluation auf simulierten oder realen Verkehrsszenen, z. B. mit IoU, Precision/Recall, Laufzeit und Relevanz entlang der Ego-Trajektorie
• Optional: Integration in eine ROS2-Pipeline und Bereitstellung einer Risikokarte für nachgelagerte Planung oder Szenenbewertung