A context-aware grid-based trust management model applied to collective perception

Abstract

Die Wahrnehmung ist der wichtigste Ansatzpunkt für die Fähigkeit eines automatisierten Fahrsystems (ADS), sich in komplexen Szenarien zurechtzufinden. Obwohl das Wissen über statische Umgebungsmerkmale mit Hilfe von hochauflösenden Karten abgerufen werden kann, bringt die Natur des Einsatzgebietes eines Fahrzeugs ein dynamisches Verhalten mit sich. Verdeckungen, Auftauchen und Verschwinden sind nur einige der Schwierigkeiten, mit denen Wahrnehmungsalgorithmen in einem städtischen Kontext konfrontiert sein können und die ihre Leistung beeinträchtigen können. Angesichts der Fallstricke, die mit der Wahrnehmung eines einzelnen Ego-Fahrzeugs verbunden sind, erweist sich der Einsatz von ADS als schwierige Aufgabe, wenn das erforderliche Sicherheitsniveau nicht erreicht wird. Um diese Mängel zu beheben, ermöglicht die kollaborative Wahrnehmung (CP) die Integration mehrerer Datenquellen, die von ADS und benachbarter Infrastruktur stammen. Obwohl die kollaborative Wahrnehmung ab einem bestimmten Schwellenwert besser ist als die Einzelfahrzeugwahrnehmung, bleibt die Frage nach der Qualität der gemeinsam genutzten Daten offen. Wir schlagen in dieser Arbeit vor, die intrinsische Qualität der Daten und den Einfluss der Umgebung zu untersuchen. Genauer gesagt, welche Vertrauensmodelle in der Literatur existieren und wie sie auf die kollaborative Wahrnehmung angewendet werden können.

Perception is the key entrance point of an automated driving system (ADS) capability to navigate complex scenarios. Although knowledge on static environment features might be retrieved using high-definition maps, the very nature of the operational domain of a vehicle entails dynamic behavior. Occlusions, appearances, and disappearances are a few of the difficulties perception algorithms may face in an urban context that canhinder their performance. Given the pitfalls associated with single ego-vehicle perception, the deployment of ADS proves to be a hard task once the required level of safety is not reached. To address these short comings, collaborative perception (CP) allows the integration of multiple sources of data coming from ADS and neighboring infrastructure. Although given a certain threshold the CP outperforms the single vehicle perception, there still an open question towards the quality of data being shared. We propose in this thesis to look to the intrinsic quality of the data and the impact of the environment. More specifically, what trust models exist in literature and how they could be applied to collaborative perception.