27. August 2020 - Redaktion Providentia

Targetless Rotational Auto-Calibration of Radar and Camera for Intelligent Transportation Systems

Most intelligent transportation systems use a combination of radar sensors and cameras for robust vehicle perception. The calibration of these heterogeneous sensor types in an automatic fashion during system operation is challenging due to differing physical measurement principles and the high sparsity of traffic radars. We propose – to the best of our knowledge – the first data-driven method for automatic rotational radar-camera calibration without dedicated calibration targets. Our approach is based on a coarse and a fine convolutional neural network. We employ a boosting-inspired training algorithm, where we train the fine network on the residual error of the coarse network. Due to the unavailability of public datasets combining radar and camera measurements, we recorded our own real-world data. We demonstrate that our method is able to reach precise and robust sensor registration and show its generalization capabilities to different sensor alignments and perspectives.

ZUR PUBLIKATION

WEITERE AKTUELLE THEMEN

11. Mai 2022

Elektrobit: Test Lab auf stationäre Daten münzen

Elektrobit legt nicht zuletzt durch die Fortschritte in Providentia++ die Basis für Big-Data-Auswertungen von Verkehrsdaten. Simon Tiedemann von Elektrobit über die Entwicklungen im Rahmen von P++.

MEHR >

28. April 2022

„Safety Guard“: Intel nutzt Vogelperspektive zur Erforschung neuer infrastrukturbasierter Sicherheitskonzepte

Forscher bei Intel Labs nutzen den digitalen Zwilling im Forschungsprojekt Providentia++, um eine „Safety Guard“ zu entwickeln, die den Verkehr sicherer macht.

MEHR >

10. April 2022

fortiss-Echtzeitplattform: Algorithmen verteilen, bevor Engpässe auftreten

Datenfusion, Perzeption und Prädiktion waren die drei Themen, mit denen sich fortiss im Forschungsprojekt Providentia++ beschäftigt hat. Bernhard Blieninger zieht Bilanz.

MEHR >