Vorführung „Autonomes Fahren mit einem virtuellen TAXI“



Wegweiser



Station 1: Home
Station 2: Restaurant
Station 3: Büro
Station 4: Post
Station 5: Supermarkt

Fahre mit der Maus über den Live-Stream um Vollbild zu aktivieren




Erfolge im Fachgebiet Prozessoptimierung zum Thema "Autonomes Fahren"

Audi Autonomous Driving Cup 2018 - Die Schufterei hat sich nach fünf Monaten großer Bemühungen gelohnt!

   

Trotz der starken Konkurrenz erreichte das multikulturelle Team OptILmDriveX (Optimal Ilmenau Driving X) der TU Ilmenau den 3. Platz im Finale des Audi Autonomous Driving Cup (AADC) 2018, welcher vom 12. bis 14. November im „Audi museum mobile“ in Ingolstadt stattfand.

Für Fahrzeuge zum autonomen Fahren sind zuverlässige Wahrnehmungsinformationen und intelligente Entscheidungsfähigkeiten unverzichtbar, um ein sicheres und komfortables Fahrerlebnis zu gewährleisten. Beim AADC 2018 hat das Team die Gelegenheit, seine unabhängig entwickelten Algorithmen, nämlich das NMPC-Framework (Nonlinear Model Predictive Control), an einem vorgegebenen Modellfahrzeuge in einem komplexen Verkehrsumfeld zu untersuchen.

OptILmDriveX wurde für die hervorragenden Leistungen während der akademischen Präsentation als „Best Lecture“ ausgezeichnet. Außerdem war die Jury ziemlich beeindruckt von der Einführung einer Carsharing-App des Teams während der „Open Challenge“. Diese App integriert einen situationsbezogenen personalisierten Routenplaner in das autonome Fahrzeug.

Das Team besteht aus den Mitgliedern:

  • Xujiang Huang (Doktorand im Fachgebiet Prozessoptimierung)
  • Shih-Jan Lin (Doktorand im Fachgebiet Prozessoptimierung)
  • Cedric Oberdorfer (Master der Fakultät Wirtschaftsingenieurwesen)
  • Baidurjya Choudhury (Master der Fakultät Informatik)
  • Ye Yun Khor (Bachelor der Fakultät Elektrotechnik und Informationstechnik)
 

Video

   



Audi Autonomous Driving Cup 2017 - [Finale]

Video 1: Fahraufgaben im Wettkampf

Video 2: Freie Demonstration im Wettkampf

Platz 1: Team AFILSOP gewinnt den Audi Autonomous Driving Cup 2017

   

Bei dem Wettbewerb ging es darum, ein Modellauto so zu programmieren, dass es vorgegebenen Aufgaben zuverlässig erfüllt.
Das international zusammengesetzte fünfköpfige Team der TU Ilmenau setzte sich gegen 12 Konkurrenten aus Deutschland,
Österreich und Luxemburg durch und erhielt für den Sieg ein Preisgeld von 10.000 Euro.

Audi Autonomous Driving Cup 2017 - [Qualifikation]

Acht Teams im Finale - Vorentscheid beim Testevent

   

TEAM „AFILSOP“
vom Fachgebiet Simulation und Optimale Prozesse (SOP) erreichte beim Testevent einen guten 5. Platz und hat sich somit für das Finale im November qualifiziert.

   

Drei Tage lang Programmieren, Testen und Optimieren: Anfang Oktober lud Audi die Teams des Autonomous Driving Cup zu einem gemeinsamen Testevent ein. Wie leistungsfähig die Software ist, mussten die Studierenden schließlich im Qualifying unter Beweis stellen – denn nur acht Teams treten beim finalen Wettkampf an.



Cooperative autonomous vehicles in VANET

 

- Two Audi Q2 in 1/8 scale
- Sensors: cameras, gyrosensor, encoder, Wifi modules
- Tasks: Car-following, overtaking, intersection management

C2C and C2X information through wireless interface will be integrated for cooperative driving strategies in the traffic situations, such as urban intersections, highway ramp merging and traffic jams.
Moreover, we incorporate learning-based algorithms on maneuver planning (i.e., lane following or changing, collision avoidance or emergency stop). For instance, a go/no-go decision of lane changing on highway trained with human driving data sets makes the autonomous driving experience more customized and user-friendly. In turns, the determined driving mode is used to adjust the sensitivities of on-board sensors.

Video

   



Hochautomatisiertes/autonomes Fahren

Praxisversuch: BMW-Tourenwagen-Modellauto

   
   

Hardware:

  • Antriebsmotor des drehmomentstarken Brushless-Motors (Höchstgeschwindigkeit ca. 70 Km/h)
  • 1/3“ CMOS Kamera
  • Laserscanner (270°0.1-60Meter)
  • GPS
  • Gyrometer
  • minITX-Board ( Intel Core i5, 8 GB RAM, 120 GB SSD)
  • Windows 10
 

Ziele/Aspekte der Anwendung:

  • Autobahn
    • Abstandsregelung (ACC)
    • Spurhalten
    • Spurwechsel/Referenztrajektorie
    • Ausweichmanöver/Nothalt
       
  • Landstraße
    • Gegenverkehr
    • Kreuzungen
    • Fahrbahnbreite geringer
    • Kleinere Kurvenradien
       
  • Stadt
    • Mehrere Hindernisse
    • Linienerkennung
    • Parken

Video 1: Laufbahn des Sportplatzes, Spurhalten

Video 2: Kleinere Kurvenradien, Spurhalten



Praxisversuch: Mobiler Roboter SUMMIT

Vorläufige Ergebnisse

   

Automatisches Fahren eines mobilen Roboters:

Spurhalten und Hindernisvermeiden

B1: Laserscanner für Hinderniserkennung

 

B2: Nichtlineares dynamisches Modell

 

B3: Echtzeitoptimierung der Steuerstrategie

   

Videos

Video 1
   
Video 3
Video 2