Vergleich von Methoden zur Echtzeit-Hinderniserkennung in Forward-Looking-Sonardaten für die Kollisionsvermeidung

Kameras sind unter Wasser nur eingeschränkt für die Hinderniserkennung einsetzbar. Die Bachelorarbeit erkundet daher die Verwendung eines Forward-Looking-Sonars (FLS) auf dem „Sonobot-5“ der Firma EvoLogics. Verglichen werden zwei klassische, ein probabilistischer und ein Deep-Learning-basierter Ansatz mit dem Ziel, eine echtzeitfähige Hinderniserkennung zur Kollisionsvermeidung zu ermöglichen.

Forward-Looking Sonar (FLS): Ein FLS sendet Schallimpulse kegel­förmig nach vorne aus; reflektierte Echos werden empfangen und als zweidimensionale Abbildung der Umgebung (Strahlenwinkel, Entfernung) dargestellt.

Ausgewählte Ansätze:

• BG-Detektor (lokales adaptives Thresholding mit Integralbildern und Vergleich von Hintergrund- und Echomaske),
• PEAK-Detektor (Suche nach lokalen Intensitätsspitzen entlang der Strahlen, Region-Growing, Rauschkompensation),
• OGM-Detektor (Übertragung in eine zellenbasierte Occupancy-Grid-Map, CFAR-Filterung, Bayes’sche Aktualisierung),
• NN-Detektor (YOLOv3-basiert; anschließende adaptive Schwellwertsegmentierung zur Konturgewinnung).

Vorgehensweise: Am Werbellinsee wurden mit dem Sonobot-5 FLS-Daten verschiedener Objekte aufgenommen. Die Ansätze wurden implementiert, parametrisiert und in ROS2 (C++) getestet. Anschließend wurden alle Verfahren in einem Praxistest am Werbellinsee hinsichtlich Erkennungsleistung und Stabilität evaluiert.

Evaluationsmetriken: TP, FP, FN sowie Precision, Recall, F1, IoU und Laufzeit (ms).

Ergebnisse:

• Der OGM-Detektor erzielt die höchste Erkennungsquote (81 %), den besten F1-Wert (0,80) und die geringste Laufzeit (0,92 ms).
• Das Deep-Learning-Verfahren liefert die präzisesten Konturen (IoU = 0,50).

Fazit: Vier Methoden zur Hinderniserkennung in FLS-Daten wurden erfolgreich implementiert. Der probabilistische Ansatz ist aufgrund geringer Laufzeit, hoher Erkennungsquote und Stabilität am besten für die Echtzeit-Hinderniserkennung geeignet. Das Deep-Learning-Verfahren zeigt eine hohe Genauigkeit bei der Konturerkennung und eignet sich potenziell eher für präzise Konturen/Klassifikation.

Kolloquium: 06.10.2025

Betreuer: Prof. Dr. Emanuel Kitzelmann, Technische Hochschule Brandenburg; Iván Santibañez Koref, EvoLogics GmbH

Download: A1-Poster, Abschlussarbeit

Lizenz: Creative Commons CC BY-NC-SA 4.0 - Namensnennung – Nicht kommerziell – Weitergabe unter gleichen Bedingungen 4.0 International

Categories: Abschlussarbeiten, AMS-Projekte

Neue Professorin für Künstliche Intelligenz am Fachbereich Informatik und Medien der TH Brandenburg

Der Fachbereich Informatik und Medien der Technischen Hochschule Brandenburg freut sich, Frau Prof. Dr.-Ing. Darya Kastsian zum 1. September als neue Professorin für Künstliche Intelligenz begrüßen zu dürfen.

Frau Prof. Kastsian bringt langjährige Erfahrung aus Forschung und Entwicklung mit. Unter anderem war sie seit 2015 in verschiedenen Funktionen bei der Siemens AG in Berlin tätig und entwickelte dabei Lösungen in Simulation, Künstlicher Intelligenz und Optimierung für den 3D-Druck.

Mit ihrer Berufung startet am Fachbereich die neue Vertiefungsrichtung „Künstliche Intelligenz (KI)/Artificial Intelligence“ im Masterstudiengang Informatik. Den Auftakt bildet die von Prof. Kastsian geleitete Veranstaltung „Deep Learning“.

Categories: Maschinelles Lernen