29. Juli 2021
Sarah Cwalina, wissenschaftliche Mitarbeiterin des Fraunhofer Heinrich-Hertz-Instituts (HHI), ist während des diesjährigen internationalen IEEE MetroAutomotive Workshops mit dem Best Paper Award ausgezeichnet worden. Sie erhielt den Preis für die „beste wissenschaftliche Arbeit eines jungen Wissenschaftlers“ zusammen mit ihren Co-Autorinnen und Autoren. Cwalina ist in der Abteilung „Photonische Netze und Systeme“ des Instituts tätig.
Die prämierte Arbeit trägt den Titel „Fiber-based Frequency Modulated LiDAR with MEMS Scanning Capability for Long-range Sensing in Automotive Applications”. Sie stellt ein neuartiges Konzept eines faserbasierten kohärenten LiDARs (Light Detection and Ranging) vor, das im kollaborativen Fraunhofer PREPARE-Projekt MELINDA für den Einsatz in Fahrerassistenzsystemen entwickelt wurde. PREPARE ist eine Förderlinie der Fraunhofer-Gesellschaft mit dem Ziel der institutsübergreifenden, anspruchsvollen Vorlaufforschung zur Vorbereitung neuer Geschäftsfelder. Neben Sarah Cwalina waren die Fraunhofer HHI-Mitarbeiter Dr. Christoph Kottke, Dr. Volker Jungnickel, Prof. Ronald Freund, Dr. Patrick Runge und Pascal Rustige sowie Forschende des Fraunhofer FHR und Fraunhofer ISIT an der Arbeit beteiligt.
Die LiDAR-Technologie hat in der Weiterentwicklung von Fahrassistenzsystemen für hochautomatisiertes Fahren eine Schlüsselrolle inne: LiDAR-Sensoren nehmen im Zusammenspiel mit Kameras und Radarsensoren ihr Umfeld wahr, erkennen Hindernisse, messen Abstände und sorgen so für mehr Sicherheit und Effizienz im Straßenverkehr. Herausforderungen zukünftiger LiDAR-Sensoren sind unter anderem die Zuverlässigkeit bei starkem Sonnenlicht oder Nebel sowie eine höhere Auflösung über größere Entfernung.
Die ausgezeichnete Veröffentlichung adressiert diese Herausforderungen durch ein ganzheitliches Systemdesign mit kohärenter Detektion (Fraunhofer HHI), faserbasierter Optik (Fraunhofer HHI), Sparse Sensing (Fraunhofer FHR) und mikroelektromechanischem 2D-Scanner (Fraunhofer ISIT). Sparse Sensing erfasst nur ein reduziertes Bild der Umgebung. Dies verkürzt die Erfassungszeit und erleichtert die Anforderungen an den 2D-Scanner. Zur Rekonstruktion der vollständigen Szene wurden zwei Methoden (Deep Learning und Compressed Sensing) verglichen. Durch das vorgestellte System soll die Umgebungserkennung für große Reichweiten verbessert und der Betrieb von Fahrerassistenzsystemen, insbesondere bei höheren Geschwindigkeiten, sicherer gestaltet werden.
Die Auszeichnung wurde während der ersten Edition des virtuellen IEEE MetroAutomotive Workshops am 02. Juli 2021 verliehen. Auf diesem Workshop werden die neuesten Ergebnisse der wissenschaftlichen und technologischen Forschung für die Automobilindustrie präsentiert, mit besonderem Augenmerk auf Messtechnik und Sensorik im Automobil.