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