Drohende Zusammenstöße von fliegenden Drohnen oder Autos im Verkehr vorab
berechnen und damit vermeiden: Das ist das Ziel von Darius Burschka. Dafür
verfolgt der Professor der Technischen Universität München (TUM) jeden
Punkt eines Bildes, das die Kameras einer Drohne in der Luft oder eines
Fahrzeugs auf der Straße macht. Prinzipiell geht er genau so vor, wie es
Seefahrer mit der stehenden Peilung schon immer gemacht haben.
Das Facettenauge einer Wespe brachte Burschka auf eine Idee. Dadurch, dass
das Insekt seinen Körper horizontal hin- und herschwenkt, sondiert sie,
welche Gegenstände nah sind und welche weiter weg. So baut sie ihre
mentale Landkarte auf, wenn sie unterwegs ist.
Luftraum und Straßenverkehr: 60 Messungen pro Sekunde für mehr Sicherheit
Ähnlich funktioniert eine Lösung, mit der Burschka, Co-Head für Perzeption
im Munich Institute of Robotics and Machine Intelligence (MIRMI) der TUM
herausfindet, ob Drohnen oder Autos ein Zusammenstoß mit anderen Objekten
droht. 60 Mal pro Sekunde checkt sein Computersystem die Bildpunkte einer
Kamera und bestimmt die „Kollisionsverhältnisse“. „Wir verfolgen bis zu
einer Million Pixel eines Bildes in Echtzeit“, erläutert Burschka. Für die
Berechnung dieses so genannten optischen Flusses braucht er keinen
Supercomputer, sondern „nur“ einen sehr leistungsfähigen Grafikprozessor,
der die Bildverarbeitung übernimmt und einen weiteren Prozessor, der die
Kollisionswege auswertet und eine Kamera. „Wir sehen uns die Merkmale im
Bild an, die detektierbar sind und schauen, wie sie sich über das Bild
bewegen“, beschreibt Burschka.
Zweidimensionale Bilder als Grundlage: Wie bei der stehenden Peilung in
der Schifffahrt
Der TUM-Professor benötigt für die Berechnung der aktuellen Gefahr einer
Kollision nur zweidimensionale Bilder aus einer Perspektive, wie die
Wespe, die einzelne Punkte fixiert und deren Veränderung wahrnimmt. Oder
wie ein Seemann, der nach der stehenden Peilung vorgeht. Ein Schiff ist
nach Definition der „stehenden Peilung“ dann auf Kollisionskurs, wenn sich
bei Annäherung der Fahrzeuge die Peilung nicht oder nur geringfügig
ändert. „Ein Zusammenstoß ist dann am besten detektierbar, wenn man darauf
achtet, welche Objekte um einen herum sich nicht bewegen“, sagt Burschka.
Der Wissenschaftler der TUM berechnet, wo und in welcher Entfernung
Objekte an der Kamera vorbeifliegen, also die „Beobachtungsebene
durchstoßen“. Herkömmlicherweise nutzen etwa Experten für das autonome
Fahren mehrere Kameras, die die Abstände zu anderen Objekten über Vektoren
im Nahbereich berechnen. „Wenn die Objekte weit von der Kamera entfernt
sind, liefert das 3-D-Verfahren keine zuverlässigen Ergebnisse mehr“,
erläutert Burschka. Dann ist die Bewegung der einzelnen Punkte zwischen
den Bildern nicht mehr wahrnehmbar.
Paradigmenwechsel: Time to Interaction löst die metrische
Zustandsbestimmung ab
Mit der neuen Methode werden Objekte, die noch weit weg sind, aber dem
Betrachtenden sehr schnell direkt entgegenkommen, als gefährlicher erkannt
als andere, die augenblicklich näher sind, sich aber in die gleiche
Richtung wegbewegen. „Damit wird die Priorisierung nicht aufgrund der
Bewegung, sondern aufgrund der dynamischen Kollisionsverhältnisse
durchgeführt“, so Burschka. Sämtliche „Merkmale“ im Bild sind nun unter
Beobachtung und die potenziell gefährlichen lassen sich entsprechend
kennzeichnen. „Wir messen die Time to Interaction“, sagt Burschka, also
die Zeit, die vergeht, bis es zu einer Kollision kommt. Die neue Methode
erlaubt es den Wissenschaftler:innen Bewegungen mit einer einzelnen Kamera
zu analysieren, wobei sich die Kamera ebenso bewegt wie das Objekt. “Im
Gegensatz zur metrischen Rekonstruktion ist dieser Ansatz deutlich
günstiger und robuster“, ist Burschka überzeugt. Der Einsatz der Time to
Interaction wäre also ein Paradigmenwechsel für die Forschung. Einsetzen
will der Professor seine Erfindung bei Drohnen, in vernetzten Fahrzeugen
und in der Servicerobotik.
