Catalogus : Details

Norman Mattern

Multi-Sensor Vehicle Localization in Urban Environments using Image Prediction

ISBN:

978-3-8440-3692-3

Reeks:

Forschungsberichte der Professur Nachrichtentechnik
Uitgever: Prof. Dr.-Ing. Gerd Wanielik
Chemnitz

Volume:

Trefwoorden:

Aerial Images; Bayesian Filtering; Digital Maps; Image Prediction; Landmarks; Vehicle Localization; Vehicle Positioning

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

168 pagina's

Gewicht:

248 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

48,80 € / 61,00 SFr

Verschijningsdatum:

Juni 2015

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		36,60 EUR
	Acties		Tonen en kopen van het bestand - 7,9 MB (8324826 Byte)
	Acties		Kopen en downloaden van het bestand - 7,9 MB (8324826 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 136 kB (138855 Byte)
	Acties		downloaden van het bestand - 136 kB (138855 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

The work describes novel measurement models for the localization of vehicles in urban environments. The system utilizes different sensors which are mounted to a vehicle: A gray scale camera, vehicle motion sensors and a GPS receiver. Moreover, digital maps are used as additional source of information. The innovation of the presented method is in the novel kind of incorporation of the image data delivered by a camera sensor into the process of estimating the vehicle's position. In contrast to state-of-the-art approaches, the models proposed by the author are able to include entire image areas instead of only distinct features limited in terms of space. The approaches use different means of representing the digital map data. On the one hand, data equivalent to standardized map databases can be utilized. On the other hand, aerial images can be used as well.

The presented approaches are evaluated using real-world data. For this purpose, measurements were provided by a test vehicle and an extensive test drive. The results of the algorithm are compared to a ground-truth reference. It is shown that the approach proposed by the author can achieve lane-level accuracy of the position information in urban environments using the given sensors. This enables new kinds of applications, at the same time keeping the costs for such system feasible.