Kurzfassung

Im Rahmen dieser Arbeit wird ein Verfahren vorgestellt, mit dem der Fahrbahnzustand auf einem vorausliegenden Fahrbahnabschnitt unter Verwendung eines LiDAR-Sensors in die Kategorien trocken, nass und schneebedeckt klassifiziert wird. Hierzu wurden zunächst Messungen auf den entsprechenden Fahrbahnzuständen im Karlsruher Stadtgebiet durchgeführt. Als Versuchsfahrzeug kam der mobile Leitstand des Testfelds für Autonomes Fahren Baden-Württemberg (TAF-BW) zum Einsatz. Sämtliche Messungen wurden nachträglich annotiert und zu einem einheitlichen Datensatz zusammengeführt. Aus den Rohdaten des Datensatzes wurden anschließend eine Vielzahl an Merkmalen extrahiert. Um innerhalb dieser Menge diejenigen Merkmale zu identifizieren, mit denen ein hoher Informationsgewinn für das Klassifikationsproblem erreicht werden kann, wurden die Merkmale mit Hilfe einer Korrelationsanalyse selektiert. Die resultierenden Merkmale wurden als Eingangsgrößen für verschiedene Klassifikationsalgorithmen genutzt, die mit Hilfe des generierten Datensatzes trainiert wurden. Abschließend wurden die einzelnen Algorithmen einander gegenübergestellt und mit Hilfe geeigneter Metriken hinsichtlich ihrer Genauigkeit und Berechnungszeit bewertet.