Abschlussvortrag: Entwicklung und Evaluation von Segmentierungsmodellen zur Fahrspurerkennung

Betreuer: Prof. Dr. Jörn Schneider

Kurzfassung:
Die robuste Erkennung von Fahrbahnmarkierungen ist eine zentrale Komponente der Umgebungswahrnehmung für die sichere Querführung automatisierter Fahrsysteme. Besondere Herausforderungen entstehen dabei durch widrige Witterungsbedingungen, Verdeckungen und Sensordegradation, wie sie unter anderem in der ISO 21448 (SOTIF) für die funktionale Sicherheit adressiert werden. 
Diese Bachelorarbeit präsentiert die Entwicklung und Evaluierung einer Deep-Learning-basierten Fahrspurerkennungspipeline mit anschließender Erprobung auf Videoaufzeichnungen aus dem Fahrsimulator FaSiMo der Hochschule Trier. Um den Kompromiss zwischen Segmentierungsgüte und Inferenzzeit systematisch zu analysieren, wurden drei Netzwerkarchitekturen - ein etabliertes CNN U-Net, ein hybrides TransUNet sowie ein extrem ressourceneffizientes CNN (SimpleCNN U-Net) - auf dem multimodalen A2D2-Datensatz trainiert. Eine im Rahmen der Arbeit entwickelte Post-Processing-Routine, bestehend aus distanzbasiertem Clustering, B-Spline-Interpolation und zeitlicher Glättung, überführt die Segmentierungsmasken in kontinuierliche, fahrbare Trajektorien für die Ego-Fahrspur.
Die abschließende Evaluation erfolgte auf Basis von Videodaten aus dem Fahrsimulator, welche durch das Abfilmen einer Projektionsleinwand gezielt photometrische und geometrische Störungen aufweisen (Real-to-Sim Domain Gap). Die quantitativen Ergebnisse zeigen, dass das TransUNet und das Basis-CNN auf regulären Daten ein nahezu identisches Leistungsniveau (Dice-Score von ca. 0,87) erreichen. Die methodische Stärke des globalen Aufmerksamkeitsmechanismus des TransUNets offenbarte sich erst in der qualitativen Analyse der Edge Cases, wie simuliertem dichten Nebel, bei dem es den rein faltungsbasierten Ansätzen überlegen war. Darüber hinaus demonstriert das entworfene SimpleCNN U-Net mit einer stark verringerten Parameteranzahl ein immenses Potenzial für den latenzkritischen Einsatz auf eingebetteter Hardware. Zur wissenschaftlichen Einordnung deckt die Arbeit jedoch zwingende methodische Limitationen auf - insbesondere die geometrisch stark idealisierten Fahrbahnmarkierungen der Simulationsumgebung, welche reale strukturelle Degradationen kaum abbilden, sowie Einschränkungen der SOTIF-Evaluation durch physikalische Display-Artefakte - und bietet somit eine ehrliche und fundierte Basis für zukünftige Closed-Loop-Anwendungen.