In der Landwirtschaft werden zunehmend autonome Fahrzeuge eingesetzt, um die Produktivität zu erhöhen. Damit ein autonomes Fahrzeug sicher betrieben werden kann, muss es seine Umgebung wahrnehmen und interpretieren können.
Das QUAD-AV-Projekt des Fraunhofer IAIS hat Sensorkombinationen untersucht, um ein Fahrzeug mit solch einem Umgebungsbewusstsein auszustatten. Insbesondere wurde das Problem der Hinderniserkennung berücksichtigt. Die Hindernisse, die auf einem Feld vorkommen können, lassen sich in vier große Kategorien einteilen: positive Hindernisse, negative Hindernisse, sich bewegende Personen/Tiere/Hindernisse und schwieriges Gelände. Im Projekt wurde das Potenzial von vier Sensor-Technologien untersucht: (Stereo)-Vision, Radar, Ladar und Thermografie.
Bei den Partnern vorhandene State-of-the-Art-Sensoren wurden angepasst und mit Schnittstellen versehen, um sie in einem landwirtschaftlichen Kontext verwenden zu können. Die Sensoren wurden auf einen Traktor montiert; in Feldexperimenten wurden damit Sensordaten in zuvor ausgewählten landwirtschaftlich relevanten Testszenarien gesammelt.
Die Forschungsarbeiten konzentrierten sich auf Merkmalsextraktion und Klassifikation unter Verwendung der verschiedenen sensorischen Eingänge. 3D-Modellierung auf Basis von Stereo-Vision (SV) erwies sich als der vielseitigste Ansatz zur Hinderniserkennung. SV liefert nicht nur eine Punktwolke, sondern auch Farbe und Textur. Durch Hinzufügen eines Thermografie-Sensors kann man sogar 3D, Farbe, Textur und Temperatur auf einmal erfassen. Darüber hinaus ist SV hochgradig anpassbar bzgl. Anzahl der Kameras, Grundlinie und Auflösung. Im Vergleich zu anderen 3D-Sensoren liefert SV einen Schnappschuss des gesamten Sichtfelds und funktioniert unter allen Lichtverhältnissen. Wenn es kein Licht gibt, kann für Beleuchtung gesorgt werden; andererseits ist SV nicht auf ein Signal angewiesen, das von der Sonne überstahlt werden könnte.