2026-09-18T09:16:23Zhttps://elekpub.bib.uni-wuppertal.de/oai/

oai:elekpub.bib.uni-wuppertal.de:74920582024-04-05T00:00:04ZubwhsoaDoctoralThesis

vls/2603noah-balancer_mdapi1elekpub.bib.uni-wuppertal.devdAdvances in Lidar Point Cloud Segmentation for automotive applicationssegmenting outside the boxFortschritte bei der Lidar-Punktwolken-Segmentierung für AutomobilanwendungenSegmentierung außerhalb der BoxHasecke, FrederikVerfasserautKummert, Anton1959-Akademischer BetreuerdgsYang, BinAkademischer BetreuerdgsBergische Universität WuppertalGrad-verleihende InstitutiondggtextthesisTextHochschulschriftthesisdoctoralThesisgwXA-DEWuppertal2023single unitengelectronic resourceremotetext/htmltext/html1 Online-Ressource (xii, 179 Seiten) : Illustrationen, DiagrammeComputerOnline-RessourceDiese Dissertation bietet eine umfassende Studie über neuartige Lidar-Segmentierungsverfahren und ihre verschiedenen Anwendungen, gegliedert in drei Hauptabschnitte. Der erste Teil präsentiert neu entwickelte neuronale Netzwerke und heuristische Algorithmen für die Segmentierung von Lidar-Punktwolken, die signifikante Verbesserungen aufzeigen. Im zweiten Teil werden Methoden zur Datenaugmentierung und zur Domänenanpassung von Lidar-Daten vorgestellt, welche die Leistung und Widerstandsfähigkeit beliebiger Segmentierungsalgorithmen gegenüber Änderungen der Sensorkonfiguration und Umweltbedingungen wesentlich steigern. Darüber hinaus ermöglichen sie ein effektives Training und den Einsatz von Segmentierungsnetzwerken, selbst bei begrenzten oder fehlenden Annotationen. Im dritten Teil werden neue Anwendungen auf der Grundlage der Lidar-Segmentierung vorgestellt, darunter die Erstellung von Karten, eine Echtzeit-Objekterkennung sowie das Erstellen von Re-Simulationsumgebungen für Fahrerassistenzsysteme. Durch die Demonstration ihrer Anwendbarkeit und Wirkung schafft diese Arbeit die Voraussetzungen für weitere Fortschritte und Verbesserungen auf diesem Gebiet und treibt letztlich den Fortschritt bei autonomen Systemen voran.This dissertation presents a comprehensive study on novel lidar segmentation techniques and their applications, divided into three main sections. The first part presents newly developed neural networks and heuristic algorithms for the segmentation of lidar point clouds, which show significant improvements. The second part presents methods for data augmentation and domain adaptation of lidar data that significantly increase the performance and resilience of any segmentation algorithm to changes in sensor configuration and environmental conditions. Furthermore, they enable effective training and deployment of segmentation networks, even when dealing with limited or no annotations. In the third part, new applications based on lidar segmentation are presented, including the creation of maps, real-time object detection and the creation of re-simulation environments for driver assistance systems. By demonstrating its applicability and impact, this work sets the stage for further advances and improvements in this field and ultimately drives progress in autonomous systems.von Frederik Lenard HaseckeTag der Verteidigung: 08.11.2023Bergische Universität Wuppertal, Dissertation, 2023Wuppertal000urn:nbn:de:hbz:468-2-209910.25926/BUW/0-20799373848184606441Advances in Lidar Point Cloud Segmentation for automotive applicationsHasecke, FrederikDruck-AusgabeHT030712190http://dx.doi.org/10.25926/BUW/0-207https://nbn-resolving.org/urn:nbn:de:hbz:468-2-2099Open AccessCC BY 4.02023-11-08oaDoctoralThesispublicrda24032620251111100821.0CT009000222s2w-hsswupubwgerUBW:E:E.02 https://elekpub.bib.uni-wuppertal.de//domainresource/static/graphics/connectors/viewerLogo.gifWuppertal : Bergische Universität Wuppertalcc-by https://ub-wuppertal.digibib.net/search/katalog/record/(DE-605)urn%3Anbn%3Ade%3Ahbz%3A468-2-2099 https://elekpub.bib.uni-wuppertal.de/id/7492058 https://elekpub.bib.uni-wuppertal.de/i3f/v20/7492058/manifest https://elekpub.bib.uni-wuppertal.de/proto_ftsearch/7492058