Um im täglichen Betrieb die Sicherheit und Effizienz von Logistikfahrzeugen auf dem Flughafenvorfeld zu steigern ist die Integration von Assistenzsystemen oder die Umrüstung auf autonome Fahrzeuge notwendig. Dieser Forschungsbereich ist jedoch noch im Vergleich zu anderen wie z.B. in der Automobilindustrie unterrepräsentiert. Es mangelt besonders an verfügbaren Bilddaten, die für das Trainieren und Benchmarking von KI-basierten Ansätzen unverzichtbar sind.
Um diese Lücke zu schließen, hat die Forschungsgruppe Assistive & Autonomous Systems /Center for Vision, Automation & Control einen neuen Datensatz eingeführt, der auf statische und dynamische Objekte spezialisiert ist, die häufig auf dem Flughafengelände anzutreffen sind. Hierfür haben sie effiziente Methoden für die Bildaufnahme sowie für die Annotation von Objektinstanzen und Umgebungsparametern (z.B. unterschiedliche Lichtverhältnisse, atmosphärische Effekte) entwickelt. Zusätzlich haben die Forscher:innen mehrere Varianten des Datensatzes abgeleitet, um Klassifizierungs- und Erkennungsexperimente durchzuführen. Die daraus resultierenden Modelle haben sie im Hinblick auf ihre Genauigkeit und ihre Robustheit beim Einsatz in bestimmten Umgebungsbedingungen basierend auf den definierten Umgebungsparametern bewertet.
Für zukünftige Anwendungen konnten sie ein robustes Model generieren das korrekte Vorhersagen auch bei erschwerten Bedingungen am Flughafengelände erzeugt.
Hier gehts zur Publikation:
Steininger, D., Kriegler, A., Pointner, W., Widhalm, V., Simon, J., Zendel, O. (2023). Towards Scene Understanding for Autonomous Operations on Airport Aprons. In: Zheng, Y., Keleş, H.Y., Koniusz, P. (eds) Computer Vision – ACCV 2022 Workshops. ACCV 2022.