DE102013018721A1 - Method for detecting parking space for motor vehicle, particularly passenger car, involves entering sensor data in cells of digital occupancy grid depending on position of motor vehicle relative to detected partial area - Google Patents

Method for detecting parking space for motor vehicle, particularly passenger car, involves entering sensor data in cells of digital occupancy grid depending on position of motor vehicle relative to detected partial area Download PDF

Info

Publication number
DE102013018721A1
DE102013018721A1 DE201310018721 DE102013018721A DE102013018721A1 DE 102013018721 A1 DE102013018721 A1 DE 102013018721A1 DE 201310018721 DE201310018721 DE 201310018721 DE 102013018721 A DE102013018721 A DE 102013018721A DE 102013018721 A1 DE102013018721 A1 DE 102013018721A1
Authority
DE
Germany
Prior art keywords
motor vehicle
detected
sensor data
parking space
groupings
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE201310018721
Other languages
German (de)
Inventor
Jürgen Dickmann
Renaud Dubé
Markus Hahn
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Daimler AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Daimler AG filed Critical Daimler AG
Priority to DE201310018721 priority Critical patent/DE102013018721A1/en
Publication of DE102013018721A1 publication Critical patent/DE102013018721A1/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9314—Parking operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9323—Alternative operation using light waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9324—Alternative operation using ultrasonic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2015/932—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles for parking operations
    • G01S2015/933—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles for parking operations for measuring the dimensions of the parking space when driving past
    • G01S2015/935—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles for parking operations for measuring the dimensions of the parking space when driving past for measuring the contour, e.g. a trajectory of measurement points, representing the boundary of the parking space

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

The method involves entering the sensor data in the cells of a digital occupancy grid (10) depending on the position of a motor vehicle relative to the detected partial area, where the sensor data is accumulated to characterize the detected echo signal. A probability is determined, with which a portion of an object is characterized by the sensor data entering in the cells. The object is located in the detected partial area of the environment. A free space not occupied with objects is entered in the occupancy grid.

Description

Die Erfindung betrifft ein Verfahren zur Erkennung wenigstens einer Parklücke für einen Kraftwagen gemäß dem Oberbegriff von Patentanspruch 1.The invention relates to a method for detecting at least one parking space for a motor vehicle according to the preamble of patent claim 1.

Derartige Verfahren zur Erkennung wenigstens einer Parklücke für einen Kraftwagen, insbesondere einen Personenkraftwagen, sind beispielsweise aus der DE 10 2001 113 719 A1 und der DE 10 2008 064 041 A1 bekannt. Bei den jeweiligen Verfahren wird wenigstens ein Teilbereich der Umgebung des Kraftwagens mittels wenigstens eines entfernungsmessenden Sensors des Kraftwagens erfasst. Der Teilbereich wird erfasst, indem mittels des entfernungsmessenden Sensors wenigstens ein Primärsignal ausgesendet wird. Ferner wird mittels des entfernungsmessenden Sensors wenigstens ein Echosignal erfasst. Das Echosignal resultiert aus einer Reflektion des Primärsignals an wenigstens einem von dem Kraftwagen unterschiedlichen und sich in der Umgebung bzw. in dem Teilbereich der Umgebung befindenden Objekt. Mit anderen Worten wird das Primärsignal an wenigstens einem Objekt, das sich in dem Teilbereich der Umgebung befindet, reflektiert. Aus dieser Reflektion ergibt sich ein Echosignal, welches von dem Sensor erfasst wird. Aus der Zeit zwischen dem Aussenden des Primärsignal und dem Empfangen des Echosignals kann die Entfernung des Objekts von dem Sensor somit von dem Kraftwagen ermittelt werden. Diese Zeit wird auch als Laufzeit bezeichnet, so dass die Entfernung zwischen dem Objekt und dem Kraftwagen mittels einer sogenannten Laufzeitberechnung ermittelt werden kann.Such methods for detecting at least one parking space for a motor vehicle, in particular a passenger car, are for example from the DE 10 2001 113 719 A1 and the DE 10 2008 064 041 A1 known. In the respective method, at least a portion of the environment of the motor vehicle is detected by means of at least one distance-measuring sensor of the motor vehicle. The partial area is detected by transmitting at least one primary signal by means of the distance-measuring sensor. Furthermore, at least one echo signal is detected by means of the distance-measuring sensor. The echo signal results from a reflection of the primary signal on at least one object different from the motor vehicle and located in the environment or in the subarea of the environment. In other words, the primary signal is reflected on at least one object located in the subregion of the environment. From this reflection results in an echo signal, which is detected by the sensor. From the time between the emission of the primary signal and the reception of the echo signal, the distance of the object from the sensor can thus be determined by the motor vehicle. This time is also referred to as running time, so that the distance between the object and the car can be determined by means of a so-called runtime calculation.

Anhand der Entfernung, das heißt in Abhängigkeit von dem erfassten Echosignal kann dann die wenigstens eine Parklücke erkannt bzw. ermittelt werden. Durch das Erkennen der Parklücke kann eine Fahrerassistenzfunktion bereitgestellt werden, mittels welcher der Fahrer des Kraftwagens beispielsweise auf eine für den Kraftwagen ausreichende Parklücke aufmerksam gemacht und/oder beim eigentlichen Einparkvorgang unterstützt wird.Based on the distance, that is, depending on the detected echo signal then the at least one parking space can be detected or determined. By recognizing the parking space, a driver assistance function can be provided, by means of which the driver of the motor vehicle is alerted, for example, to a parking space sufficient for the motor vehicle and / or assisted during the actual parking process.

Es hat sich jedoch gezeigt, dass mittels der herkömmlichen Verfahren insbesondere in komplexen Situationen eine für den Kraftwagen ausreichende Parklücke nicht immer sicher erfasst werden kann. Dies ist beispielsweise bei Kraftwagen der Fall, die mit einer 45-Grad-Orientierung bezogen auf die Fahrbahn und somit bezogen auf die Fahrtrichtung des Kraftwagens parken. Ferner hat es sich gezeigt, dass Einfahrten fälschlicherweise als Parklücken erkannt werden.However, it has been shown that by means of the conventional method, in particular in complex situations, a parking space which is sufficient for the motor vehicle can not always be reliably detected. This is the case, for example, for motor vehicles which park with a 45-degree orientation relative to the road surface and thus with reference to the direction of travel of the motor vehicle. Furthermore, it has been shown that driveways are erroneously recognized as parking spaces.

Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren der eingangs genannten Art derart weiterzuentwickeln, dass sich eine besonders sichere Erkennung der Parklücke, das heißt eine Erkennung der Parklücke mit einer sehr hohen Wahrscheinlichkeit realisieren lässt.It is therefore an object of the present invention to develop a method of the type mentioned in such a way that a particularly secure detection of the parking space, that is, a detection of the parking space can be realized with a very high probability.

Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 gelöst. Vorteilhafte Ausgestaltungen mit zweckmäßigen und nicht-trivialen Weiterbildungen der Erfindung sind in den übrigen Ansprüchen angegeben.This object is achieved by a method having the features of patent claim 1. Advantageous embodiments with expedient and non-trivial developments of the invention are specified in the remaining claims.

Um ein Verfahren der im Oberbegriff des Patentanspruchs 1 angegebenen Art zu schaffen, mittels welchem sich eine besonders sichere Erkennung wenigstens einer Parklücke realisieren lässt, ist es erfindungsgemäß vorgesehen, dass das erfasste Echosignal charakterisierende und beispielsweise vom entfernungsmessenden Sensor bereitgestellte Sensordaten in Zellen eines digitalen, den Teilbereich der Umgebung charakterisierenden Belegungsgitters in Abhängigkeit von der Position des Kraftwagens relativ zu dem erfassten Teilbereich eingetragen und akkumuliert werden. Die Sensordaten sind somit Umgebungsdaten, die den erfassten Teilbereich der Umgebung charakterisieren. Die Akkumulierung dieser Umgebungsdaten stellt die Grundlage für eine detaillierte Analyse dar.In order to provide a method of the specified in the preamble of claim 1 species, by means of which a particularly secure detection of at least one parking space can be realized, it is provided according to the invention that the detected echo signal characterizing and provided for example by the distance-measuring sensor sensor data in cells of a digital Occupancy grid characterizing part of the surrounding area is registered and accumulated as a function of the position of the motor vehicle relative to the detected partial area. The sensor data are thus environmental data characterizing the detected subregion of the environment. The accumulation of this environmental data forms the basis for a detailed analysis.

Das Belegungsgitter ist eine digitale Karte bzw. ein digitales Modell zumindest des erfassten Teilbereichs der Umgebung, wobei in diese digitale Karte die Sensordaten eingetragen werden.The allocation grid is a digital map or a digital model of at least the detected subregion of the environment, wherein the sensor data are entered into this digital map.

Bei dem erfindungsgemäßen Verfahren wird eine Wahrscheinlichkeit bestimmt, mit welcher zumindest ein Teil eines sich im erfassten Teilbereich der Umgebung befindenden Objekts durch die in die jeweilige Zelle eingetragenen und akkumulierten Sensordaten charakterisiert wird. Diese Wahrscheinlichkeit wird auch als Belegungswahrscheinlichkeit bezeichnet, wobei vorzugsweise für jede Zelle die Belegungswahrscheinlichkeit ermittelt wird. Mit anderen Worten ist die Belegungswahrscheinlichkeit die Wahrscheinlichkeit, mit welcher sich in einem mit der jeweiligen Zelle des Belegungsgitters korrespondierenden Bereich der erfassten Umgebung des Kraftwagens tatsächlich ein Objekt oder zumindest ein Teil eines Objekts befindet.In the method according to the invention, a probability is determined with which at least a part of an object located in the detected subregion of the environment is characterized by the sensor data entered and accumulated in the respective cell. This probability is also referred to as occupancy probability, wherein the occupancy probability is preferably determined for each cell. In other words, the occupancy probability is the probability with which an object or at least a part of an object is actually located in an area of the detected environment of the motor vehicle that corresponds to the respective cell of the occupancy grid.

Neben der Belegungswahrscheinlichkeit der jeweiligen Zelle des Belegungsgitters können auch noch eine Geschwindigkeit des Objekts, eine Reflektivität, die Anzahl an Detektionen, die Anzahl an gemachten Beobachtungen sowie der Winkel der Beobachtungsrichtung in weiteren Ebenen des Belegungsgitters gespeichert werden.In addition to the occupancy probability of the respective cell of the occupancy grid, a speed of the object, a reflectivity, the number of detections, the number of observations made and the angle of the observation direction can also be stored in further levels of the occupancy grid.

Darüber hinaus wird bei dem erfindungsgemäßen Verfahren wenigstens ein nicht mit Objekten belegter Freiraum in das Belegungsgitter eingetragen. Mit anderen Worten handelt es sich bei einem solchen Freiraum um einen Bereich des Belegungsgitters, wobei ein mit diesem Bereich des Belegungsgitters korrespondierender Bereich der tatsächlichen Umgebung des Kraftwagens frei von Objekten ist. Vorzugsweise wird der Freiraum mittels eines inversen Sensormodells in das Belegungsgitter eingetragen. Dies bedeutet, dass sowohl belegte Bereiche, in denen die Sensordaten zumindest einen Teil eines Objekts charakterisieren, als auch unbelegte Bereiche bzw. Freiräume, in denen durch die Sensordaten kein Objekt charakterisiert wird, in das Belegungsgitter eingetragen werden.Moreover, in the method according to the invention, at least one free space not occupied by objects is entered into the allocation grid. In other words, one is Such free space around a region of the occupancy grid, wherein a corresponding with this region of the occupancy grid area of the actual environment of the motor vehicle is free of objects. The free space is preferably entered into the allocation grid by means of an inverse sensor model. This means that both occupied areas, in which the sensor data characterize at least a part of an object, as well as unoccupied areas or open spaces, in which no object is characterized by the sensor data, are entered into the allocation grid.

Ferner werden bei dem Verfahren Gruppierungen von Zellen, in welchen durch die eingetragenen Sensordaten zumindest ein Teil eines sich im erfassten Teilbereich der Umgebung befindenden Objekts charakterisiert wird, mittels Schwellwertbildung extrahiert und zusammengefasst. Übersteigt beispielsweise die Belegungswahrscheinlichkeit einer jeweiligen Zelle einen vorgebbaren Schwellwert, so bedeutet dies, dass im mit dieser Zelle korrespondierenden Bereich der Umgebung mit einer sehr hohen Wahrscheinlichkeit tatsächlich ein Objekt angeordnet ist. Die mit diesem Bereich der Umgebung korrespondierende Zelle des Belegungsgitters wird somit als belegte Zelle bezeichnet, da sie sozusagen mit dem Objekt bzw. mit einem Teil des Objekts belegt ist. Durch eine Schwellwertbildung können somit Gruppierungen derartiger, belegter Zellen des Belegungsgitters extrahiert und zusammengefasst werden.Furthermore, in the method, groups of cells in which at least a part of an object located in the detected subregion of the environment is characterized by the registered sensor data are extracted and combined by means of thresholding. If, for example, the occupancy probability of a respective cell exceeds a predefinable threshold value, this means that an object is actually arranged in the area of the environment corresponding to this cell with a very high probability. The corresponding to this area of the environment cell of the occupancy grid is thus referred to as occupied cell, since it is occupied so to speak with the object or with a part of the object. By thresholding thus groupings such, occupied cells of the occupancy grid can be extracted and summarized.

Dann werden die extrahierten Gruppierungen bei dem erfindungsgemäßen Verfahren analysiert, indem anhand der Sensordaten Streuzentren, an welchen das Primärsignal reflektiert wurde, ermittelt werden. Als Streuzentren werden solche Bereiche oder Stellen der Umgebung bezeichnet, an denen es zu einer starken Reflektion des vom entfernungsmessenden Sensor ausgesendeten Primärsignals kommt. Eine ein solches Streuzentrum charakterisierende Zelle des Belegungsgitters zeichnet sich beispielsweise dadurch aus, dass in dieser Zelle durch das Eintragen und Akkumulieren der Sensordaten eine besonders hohe Anzahl an Sensordaten bzw. ein besonders hoher Wert der akkumulierten Sensordaten eingetragen ist. Somit lassen sich beispielsweise die Streuzentren in dem Belegungsgitter anhand des Werts bzw. anhand der Anzahl der in die jeweilige Zelle eingetragenen Sensordaten ermitteln. Bei einem Kraftwagen sind solche Streuzentren beispielsweise charakteristische Stellen wie Frontscheinwerfer, Rückleuchten, Nummernschilder und/oder Radkästen.The extracted groupings are then analyzed in the method according to the invention by determining scattering centers on which the primary signal was reflected on the basis of the sensor data. Scattering centers are those areas or locations of the environment where strong reflection of the primary signal emitted by the distance-measuring sensor occurs. A cell of the assignment grid characterizing such a scattering center is distinguished, for example, by the fact that in this cell, by entering and accumulating the sensor data, a particularly high number of sensor data or a particularly high value of the accumulated sensor data is entered. Thus, for example, the scattering centers in the allocation grid can be determined on the basis of the value or on the basis of the number of sensor data entered into the respective cell. In a motor vehicle such scattering centers are for example characteristic locations such as headlights, taillights, license plates and / or wheel arches.

Schließlich wird bei dem erfindungsgemäßen Verfahren die wenigstens eines Parklücke für einen Kraftwagen in Abhängigkeit von den ermittelten Streuzentren bestimmt. Das erfindungsgemäße Verfahren ermöglicht es, sich im Teilbereich der Umgebung befindende, stehende, das heißt relativ zu einem Untergrund, auf dem sich der Kraftwagen bewegt, feste Objekte bzw. Hindernisse wie parkende Kraftwagen zu erkennen, zu klassifizieren und zu vermessen.Finally, in the method according to the invention, the at least one parking space for a motor vehicle is determined as a function of the determined scattering centers. The method according to the invention makes it possible to detect, classify and measure fixed objects or obstacles, such as parked motor vehicles, in the subarea of the surroundings, standing, that is to say relative to a ground on which the motor vehicle moves.

Dabei ist es möglich, statische Objekte in dem Belegungsgitter zu klassifizieren. Hierzu werden beispielsweise die ermittelten Streuzentren klassifiziert, indem sie mit vorgegebenen und beispielsweise in einer Speichereinrichtung des Kraftwagens abgespeicherten Vergleichsdaten verglichen werden. Diese Vergleichsdaten werden auch als Samples bezeichnet und bilden ein sogenanntes Lern-Set. Das Lern-Set umfasst beispielsweise wenigstens zwei voneinander unterschiedliche Klassen. Eine erste der Klassen umfasst erste der Vergleichsdaten, wobei die zweite Klasse zweite der Vergleichsdaten umfasst. Die ersten Vergleichsdaten charakterisieren beispielsweise Kraftwagen, wobei die zweiten Vergleichsdaten von Kraftwagen unterschiedliche Objekte charakterisieren. Die zweite Klasse kann dabei beispielsweise durch virtuelle Vergleichsdaten, das heißt virtuelle Samples ergänzt werden, die durch ein Modell erzeugt werden.It is possible to classify static objects in the allocation grid. For this purpose, for example, the determined scattering centers are classified by being compared with predetermined and stored for example in a memory device of the motor vehicle comparison data. These comparison data are also called samples and form a so-called learning set. The learning set comprises, for example, at least two different classes. A first of the classes comprises first of the comparison data, the second class comprising second of the comparison data. The first comparative data characterize, for example, motor vehicles, the second comparative data of motor vehicles characterizing different objects. The second class can be supplemented, for example, by virtual comparison data, that is to say virtual samples which are generated by a model.

Die extrahierten Gruppierungen oder jeweils wenigstens eine vorgebbare, extrahierte Eigenschaft der jeweiligen Gruppierungen werden bzw. wird durch das Vergleichen der Streuzentren mit den Vergleichsdaten den jeweiligen Klassen zugeordnet. Wird beispielsweise eine Gruppierung der ersten Klasse zugeordnet, so charakterisiert diese Gruppierung im Belegungsgitter einen Kraftwagen. Wird die Gruppierung jedoch der zweiten Klasse zugeordnet, so charakterisiert die Gruppierung im Belegungsgitter ein von einem Kraftwagen unterschiedliches Objekt. Dadurch ist es mittels des Verfahrens möglich, statische Objekte zu erkennen, zu klassifizieren und zu vermessen und dadurch zu ermitteln, ob es sich bei diesem Objekt um einen Kraftwagen bzw. ein Automobil handelt oder nicht. Hierdurch ist es besonders sicher und definiert möglich, eine zwischen zwei Kraftwagen angeordnete Parklücke zu detektieren.The extracted groupings or in each case at least one predefinable, extracted property of the respective groupings are assigned to the respective classes by comparing the scattering centers with the comparison data. If, for example, a grouping is assigned to the first class, this grouping in the allocation grid characterizes a motor vehicle. However, if the grouping is assigned to the second class, the grouping in the allocation grid characterizes an object different from a motor vehicle. This makes it possible by means of the method to detect, classify and measure static objects and thereby determine whether this object is a motor vehicle or an automobile or not. This makes it particularly safe and defined possible to detect a parking space arranged between two cars.

Aus den extrahierten Gruppierungen können Eigenschaften bzw. Merkmale, sogenannte Features, extrahiert werden, wobei diese Eigenschaften den Klassen zugeordnet werden. Vorzugsweise werden die Gruppierungen oder die Eigenschaften mittels eines Random-Forest-Klassifikators den jeweiligen Klassen zugeordnet. Als vorteilhaft hat es sich gezeigt, wenn die Vergleichsdaten in dem Lern-Set normalisiert abgelegt werden. Dies ermöglicht später eine Orientierungsschätzung über Klassifikation, da die gewählten, extrahierten Eigenschaften bzw. Merkmale nicht rotationsinvariant sind. Mit anderen Worten kann anhand des Vergleichs der Streuzentren mit den Vergleichsdaten eine Drehstellung des erfassten Objekts relativ zum Kraftwagen ermittelt werden. So ist es möglich, die Position, Orientierung und Ausdehnung der Parklücke mit einer besonders hohen Wahrscheinlichkeit zu schätzen.From the extracted groupings properties or features, so-called features, can be extracted, these properties being assigned to the classes. Preferably, the groupings or properties are assigned to the respective classes by means of a random forest classifier. It has proven to be advantageous for the comparison data to be stored in the learning set in a normalized manner. This later allows orientation estimation via classification, since the selected extracted features are not rotationally invariant. In other words, based on the comparison of the scattering centers with the comparison data, a rotational position of the detected object relative to the motor vehicle can be determined become. It is thus possible to estimate the position, orientation and extent of the parking space with a particularly high probability.

Darüber hinaus ist es möglich, die Struktur der Parklücke zu erkennen, zu vermessen und damit ein prädiktives Einparksystem zu unterstützen. Das erfindungsgemäße Verfahren ist auch besonders robust, so dass die Robustheit und Verfügbarkeit herkömmlicher Assistenzsysteme zur Einparkunterstützung gesteigert werden kann. Insbesondere ist es möglich, auch in komplexen Situationen bzw. Szenarien Parklücken sicher erkennen zu können. Beispielsweise ist es möglich, auch in einer Parkreihe mit 45-Grad-Orientierung der Kraftwagen Parklücken erkennen zu können. Darüber hinaus kann die Gefahr einer fehlerhaften Erkennung von Parklücken besonders gering gehalten werden. Somit kann einerseits eine fehlerhafte Unterstützung des Fahrers beim Einparken vermieden werden. Andererseits kann der Fahrer im Vergleich zu herkömmlichen Verfahren bei einer wesentlich höheren Anzahl an Einparksituationen und Einparkvorgängen unterstützt werden.In addition, it is possible to detect the structure of the parking space, to measure and thus to support a predictive parking system. The inventive method is also particularly robust, so that the robustness and availability of conventional assistance systems for parking assistance can be increased. In particular, it is possible to reliably identify parking spaces even in complex situations or scenarios. For example, it is possible to detect parking spaces in a park row with 45-degree orientation of the car. In addition, the risk of incorrect detection of parking spaces can be kept very low. Thus, on the one hand erroneous support of the driver when parking can be avoided. On the other hand, the driver can be supported in a much higher number of parking situations and parking processes compared to conventional methods.

Darüber hinaus ist es mittels des erfindungsgemäßen Verfahrens möglich, auch eine solche Einparklücke zu erkennen, welche einerseits durch einen Kraftwagen und andererseits durch ein von einem Kraftwagen unterschiedliches Objekt begrenzt wird. Ferner ermöglicht das erfindungsgemäße Verfahren die Unterstützung beim Einparken in zwei aufeinanderfolgende Querparklücken, da die Parklücke mittels des Verfahrens präzise analysiert werden kann. Mittels des Verfahrens ist beispielsweise eine Parkraumüberwachung und Parkraumbewirtschaftung für alle Parkplätze in einer Stadt und nicht nur in abgesperrten Bereichen möglich. Die Parkplatzsituation in Städten kann durch das Assistenzsystem optimal ausgenutzt werden.In addition, it is possible by means of the method according to the invention to recognize such a parking space, which is limited on the one hand by a motor vehicle and on the other hand by a different object of a motor vehicle. Furthermore, the method according to the invention makes it possible to assist in parking in two consecutive transverse parking spaces, since the parking space can be precisely analyzed by means of the method. By means of the method, for example, parking space monitoring and parking space management for all parking spaces in a city and not only in closed areas is possible. The parking situation in cities can be optimally utilized by the assistance system.

Außerdem könne prädiktive Parklückendetektionen verbessert werden, da Objekte bzw. Hindernisse als parkende Kraftwagen erkannt werden können. Die Gefahr, dass beispielsweise eine Toreinfahrt als Parklücke erkannt wird, kann besonders gering gehalten werden, da in der Nähe einer solchen Toreinfahrt kein parkendes Automobil mittels des Verfahrens erkannt wird. Darüber hinaus ist eine besonders vorteilhafte Lokalisierung mittels des entfernungsmessenden Sensors darstellbar, da nicht-ortsfeste Objekte erkannt werden können und somit nicht zur Lokalisierung berücksichtig werden.In addition, predictive parking space detections can be improved because objects or obstacles can be recognized as parking cars. The risk that, for example, a gate entrance is recognized as a parking space can be kept particularly low, since in the vicinity of such a gate no parked automobile is detected by the method. In addition, a particularly advantageous location by means of the distance-measuring sensor can be displayed, since non-stationary objects can be detected and thus are not taken into account for localization.

Schließlich weist das Verfahren eine sehr gute Modularität und Erweiterbarkeit auf, da beispielsweise weitere Klassen wie Bordsteine, Bäume, Pfeiler, Mülltonnen etc. definiert und als Vergleichsdaten verwendet werden können, um auch solche Objekte bestimmen zu können. Als der wenigstens eine entfernungsmessende Sensor kann beispielsweise ein Lidar-Sensor, Radar-Sensor oder ein Ultraschall-Sensor oder eine Kombination dieser Sensoren verwendet werden.Finally, the method has a very good modularity and expandability, since, for example, further classes such as curbs, trees, pillars, garbage cans, etc. can be defined and used as comparative data in order to be able to determine such objects. As the at least one distance-measuring sensor, for example, a lidar sensor, radar sensor or an ultrasonic sensor or a combination of these sensors can be used.

Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung eines bevorzugten Ausführungsbeispiels sowie anhand der Zeichnungen. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen.Further advantages, features and details of the invention will become apparent from the following description of a preferred embodiment and from the drawings. The features and feature combinations mentioned above in the description as well as the features and feature combinations mentioned below in the description of the figures and / or in the figures alone can be used not only in the respectively specified combination but also in other combinations or in isolation, without the scope of To leave invention.

Die Zeichnungen zeigen in:The drawings show in:

1 eine schematische Darstellung eines Belegungsgitters, in welches Sensordaten, die ein von einem entfernungsmessenden Sensor erfassten Echosignal charakterisieren, eingetragen sind und welches im Rahmen eins Verfahrens zum Erkennen wenigstens einer Parklücke für einen Kraftwagen genutzt wird; 1 a schematic representation of an occupancy grid, in which sensor data, which characterize a detected by a distance-measuring sensor echo signal, are registered, and which is used in a method for detecting at least one parking space for a motor vehicle;

2 eine schematische Übersicht von Vergleichsdaten in Form von virtuellen Vergleichsbildern, mittels welchen im Rahmen des Verfahrens erfasste Objekte als Kraftwagen klassifiziert werden können, wobei die Vergleichsbilder einer Klasse zugeordnet sind, welche Kraftwagen charakterisiert; 2 a schematic overview of comparative data in the form of virtual comparison images, by means of which in the context of the method detected objects can be classified as a motor vehicle, the comparison images are assigned to a class that characterizes cars;

3 eine schematische Darstellung von weiteren Vergleichsdaten und weiteren Vergleichsbildern, welche einer weiteren Klasse zugeordnet sind, welche von Kraftwagen unterschiedliche Objekte charakterisiert; 3 a schematic representation of further comparative data and other comparative images, which are associated with another class that characterizes cars different objects;

4 eine schematische Darstellung einer aus dem Belegungsgitter extrahierten Gruppierung von Zellen des Belegungsgitters; 4 a schematic representation of an extracted from the occupancy grid grouping of cells of the occupancy grid;

5 schematische Darstellungen von extrahierten Gruppierungen in verschiedenen Drehstellungen, anhand denen die Orientierung, insbesondere die rotatorische Orientierung, eines im Rahmen des Verfahrens erfassten Objekts ermittelt werden kann; und 5 schematic representations of extracted groupings in different rotational positions, by means of which the orientation, in particular the rotational orientation, of an object detected in the context of the method can be determined; and

6 eine schematische Darstellung des Belegungsgitters mit belegten Bereichen und einem freien Bereich, durch welchen eine Parklücke für den Kraftwagen charakterisiert wird. 6 a schematic representation of the occupancy grid with occupied areas and a free area through which a parking space for the car is characterized.

1 zeigt ein sogenanntes Belegungsgitter 10, welches im Rahmen eines Verfahrens zur Erkennung wenigstens einer Parklücke für einen Kraftwagen, insbesondere einen Personenkraftwagen, verwendet wird. Bei dem Verfahren wird wenigstens ein Teilbereich der Umgebung des Kraftwagens mittels wenigstens eines entfernungsmessenden Sensors, beispielsweise in Form eines Radar-Sensors, eines Lidar-Sensors oder eines Ultraschall-Sensors, erfasst. Hierzu wird mittels des Sensors wenigstens ein Primärsignal ausgesendet. Ferner wird mittels des Sensors wenigstens ein aus einer Reflektion des Primärsignals an wenigstens einem von dem Kraftwagen unterschiedlichen und in dem Teilbereich der Umgebung angeordneten Objekt resultierendes Echosignal erfasst. 1 shows a so-called occupancy grid 10 , which in the context of a method for detecting at least one parking space for a motor vehicle, in particular a passenger car, is used. In the method, at least a portion of the surroundings of the motor vehicle is detected by means of at least one distance-measuring sensor, for example in the form of a radar sensor, a lidar sensor or an ultrasound sensor. For this purpose, at least one primary signal is emitted by means of the sensor. Furthermore, by means of the sensor, at least one echo signal resulting from a reflection of the primary signal on at least one object different from the motor vehicle and arranged in the partial area of the surroundings is detected.

Das Belegungsgitter 10 ist eine virtuelle bzw. digitale Karte des erfassten Teilbereichs der Umgebung. Das Belegungsgitter wird auch als „Occupancy Grid” bezeichnet und umfasst eine Mehrzahl von einzelnen Zellen. In diese Zellen werden Sensordaten eingetragen. Diese Sensordaten charakterisieren dabei die mittels des entfernungsmessenden Sensors erfassten Echosignale. Die Sensordaten werden in das Belegungsgitter 10 in Abhängigkeit von der Position des Kraftwagens eingetragen. Ferner werden die Sensordaten in den jeweiligen Zellen akkumuliert. Der Kraftwagen, der zum Durchführen des Verfahrens ausgebildet ist, wird im Folgenden auch als Ego-Kraftwagen bezeichnet, um den Ego-Kraftwagen begriffstechnisch einfach von anderen, sich im Teilbereich der Umgebung befindenden Kraftwagen unterscheiden zu können.The allocation grid 10 is a virtual or digital map of the detected part of the environment. The occupancy grid is also referred to as an "occupancy grid" and comprises a plurality of individual cells. Sensor data is entered into these cells. In this case, these sensor data characterize the echo signals detected by means of the distance-measuring sensor. The sensor data will be in the allocation grid 10 entered as a function of the position of the motor vehicle. Further, the sensor data is accumulated in the respective cells. The motor vehicle which is designed to carry out the method is also referred to below as an ego motor vehicle in order to be able to easily distinguish the ego motor vehicle from other vehicles located in the partial area of the surroundings.

Bei dem Verfahren wird auch eine Belegungswahrscheinlichkeit bestimmt und beispielsweise in das Belegungsgitter 10 eingetragen. Die Belegungswahrscheinlichkeit ist dabei eine Wahrscheinlichkeit, mit welcher zumindest ein Teil eines sich im erfassten Teilbereich der Umgebung befindenden und vom Ego-Kraftwagen unterschiedlichen Objekts durch die in die jeweilige Zelle des Belegungsgitters 10 eingetragenen Sensordaten charakterisiert wird. Mit anderen Worten wird anhand der in das Belegungsgitter 10 eingetragenen, akkumulierten Sensordaten ermittelt, mit welcher Wahrscheinlichkeit ein Objekt in einem mit der jeweiligen Zelle korrespondierenden Bereich der Umgebung angeordnet ist. Übersteigt beispielsweise die Belegungswahrscheinlichkeit einen vorgebbaren Wert, so befindet sich mit dieser Wahrscheinlichkeit ein Objekt in dem jeweiligen, mit der jeweiligen Zelle des Belegungsgitters 10 korrespondierenden Bereich der tatsächlichen Umgebung. Eine solche, ein sich in der Umgebung befindendes Objekt charakterisierende Zelle wird auch als belegte Zelle bezeichnet.The method also determines an occupancy probability and, for example, the occupancy grid 10 entered. The occupancy probability is a probability with which at least part of an object located in the detected partial area of the environment and different from the first-person motor vehicle by the vehicle in the respective cell of the occupancy grid 10 registered sensor data is characterized. In other words, using the in the occupancy grid 10 registered, accumulated sensor data determines the probability with which an object is arranged in a corresponding to the respective cell area of the environment. If, for example, the occupancy probability exceeds a predefinable value, then with this probability there is an object in the respective one, with the respective cell of the occupancy grid 10 corresponding area of the actual environment. Such a cell characterizing a surrounding object is also called an occupied cell.

Neben der Belegungswahrscheinlichkeit, das heißt zusätzlich zu der Wahrscheinlichkeit für eine Belegung wird auch wenigstens ein nicht mit Objekten belegter Freiraum in das Belegungsgitter 10 eingetragen. In diesem Freiraum des Belegungsgitters 10 wird durch die Sensordaten kein Objekt charakterisiert, so dass davon ausgegangen wird, dass in dem mit dem Freiraum korrespondierenden Bereich der tatsächlichen Umgebung kein Hindernis für den Kraftwagen angeordnet ist.In addition to the occupancy probability, that is to say in addition to the probability of an occupancy, at least one free space not occupied by objects is also introduced into the occupancy grid 10 entered. In this free space of the allocation grid 10 No object is characterized by the sensor data, so that it is assumed that in the area corresponding to the free space of the actual environment, no obstacle for the car is arranged.

Bei dem Verfahren werden ferner Gruppierungen von Zellen, in welchen durch die eingetragenen Sensordaten zumindest ein Teil eines sich im erfassten Teilbereich befindenden Objekts charakterisiert wird, mittels Schwellwertbildung extrahiert und zusammengefasst. Diese Gruppierungen sind in 1 mit 12 bezeichnet. Die Gruppierungen 12 werden aus dem Belegungsgitter 10 extrahiert und detailliert untersucht, das heißt analysiert, indem anhand der Sensordaten Streuzentren ermittelt werden. Diese Streuzentren stellen dabei Stellen oder Bereiche der tatsächlichen Umgebung dar, an denen das ausgesendete Primärsignal bzw. ausgesendete Primärsignale besonders stark reflektiert wurden. Durch das Eintragen und Akkumulieren der Sensordaten in die jeweiligen Zellen wird beispielsweise ein solches Streuzentrum durch solche Zellen charakterisiert, in denen eine hohe Anzahl an das Echosignal bzw. Echosignale charakterisierende Sensordaten eingetragen sind, so dass diese Zellen beispielsweise einen vorgebbaren Schwellwert überschreitenden Wert beinhalten.Furthermore, in the method, groupings of cells in which at least a part of an object located in the detected subarea is characterized by the registered sensor data are extracted by means of thresholding and combined. These groupings are in 1 With 12 designated. The groupings 12 be out of the allocation grid 10 extracted and examined in detail, that is analyzed by using the sensor data scattering centers are determined. These scattering centers represent points or areas of the actual environment at which the emitted primary signal or emitted primary signals were particularly strongly reflected. By entering and accumulating the sensor data in the respective cells, for example, such a scattering center is characterized by those cells in which a high number of sensor data characterizing the echo signal or echo signals are entered, so that these cells include, for example, a value that exceeds a predefinable threshold value.

Anhand der ermittelten Streuzentren können für den Ego-Kraftwagen ausreichende Parklücken ermittelt werden. Eine solche für den Ego-Kraftwagen ausreichende Parklücke zeichnet sich dadurch aus, dass sie beispielsweise eine solche ausreichende Breite aufweist, dass der Kraftwagen in die Parklücke hineinbewegt und dort abgestellt werden kann, ohne dass es zu Kollisionen kommt. Um beispielsweise zu ermitteln, ob es sich bei dem jeweiligen, durch die jeweiligen Gruppierungen 12 charakterisierten Objekte um Kraftwagen bzw. Automobile oder davon unterschiedliche Objekte handelt, werden wenigstens zwei Klassen eines sogenannten Lern-Sets verwendet. Eine erste dieser Klassen ist in 2 erkennbar und umfasst erste Vergleichsdaten in Form von ersten Vergleichsgruppierungen 14. Die jeweiligen Vergleichsgruppierungen 14 charakterisieren dabei Kraftwagen bzw. Automobile. Die zweite Klasse umfasst beispielsweise in 3 dargestellte, zweite Vergleichsdaten in Form von zweiten Vergleichsgruppierungen 16, die von Kraftwagen unterschiedliche Objekte charakterisieren. Somit wird die erste Klasse beispielsweise als Auto-Klasse bezeichnet, wobei die zweite Klasse als Nicht-Auto-Klasse bezeichnet wird. Die Nicht-Auto-Klasse kann beispielsweise durch virtuelle Vergleichsdaten, welche auch als Samples bezeichnet werden, ergänzt werden, die durch ein Modell erzeugt wurden.On the basis of the determined spreading centers sufficient parking spaces can be determined for the ego motor vehicle. Such a sufficient for the ego cars parking space is characterized by the fact that it has, for example, such a sufficient width that the cars moved into the parking space and can be parked there, without causing collisions. For example, to determine if it is at the respective, by the respective groupings 12 characterized objects are cars or automobiles or different objects, at least two classes of a so-called learning set are used. A first of these classes is in 2 recognizable and comprises first comparison data in the form of first comparison groups 14 , The respective comparison groups 14 characterize cars or automobiles. The second class includes, for example, in 3 shown, second comparison data in the form of second comparison groups 16 which characterize different objects of motor vehicles. Thus, for example, the first class is called an auto class, the second class is called a non-auto class. The non-auto class can for example be complemented by virtual comparison data, which are also referred to as samples, which were generated by a model.

Aus den extrahierten Gruppierungen 12 werden Eigenschaften oder Merkmale, sogenannte Features extrahiert. Diese extrahierten Features werden mittels eines Random-Forest-Klassifikators den jeweiligen, definierten Klassen des Lern-Sets zugeordnet. Beispielsweise wird ein großes Feature-Set einer Diskriminanzanalyse unterzogen und nur die relevanten Features zur Klassifikation ausgewählt, so dass eine besonders geringe Ausführungszeit des Klassifikators erreicht werden kann.From the extracted groupings 12 Properties or features, so-called features are extracted. These extracted features will be assigned to the respective, defined classes of the learning set by means of a random forest classifier. For example, a large feature set is subjected to a discriminant analysis and only the relevant features are selected for classification, so that a particularly low execution time of the classifier can be achieved.

Vorzugsweise ist es vorgesehen, dass die Vergleichsdaten in dem Lern-Set normalisiert abgelegt werden. Dies ermöglicht eine Abschätzung der Orientierung des jeweiligen Objekts über Klassifikation, da die gewählten Merkmale (Features) nicht rotationsinvariabel sind.Preferably, it is provided that the comparison data are stored in the learning set normalized. This allows an estimation of the orientation of the respective object via classification, since the selected features are not rotationally invariable.

Im Rahmen des Verfahrens werden also die extrahierten Gruppierungen 12 mit den Vergleichsgruppierungen 14, 16 verglichen. Stimmt beispielsweise eine der Gruppierungen 12 mit einer der Vergleichsgruppierungen 14 zumindest im Wesentlichen überein, so wird diese Gruppierung 12 der Auto-Klasse zugeordnet. Dadurch kann ermittelt werden, dass es sich bei dem erfassten und durch diese Gruppierung 12 charakterisierten Objekt um ein Automobil handelt. Stimmt die Gruppierung 12 jedoch mit einer der Vergleichsgruppierungen 16 überein, so wird diese Gruppierung 12 der Nicht-Auto-Klasse zugeordnet. Dadurch kann ermittelt werden, dass es sich bei dem erfassten und durch die Gruppierung 12 charakterisierten Objekt nicht um ein Automobil sondern um ein anderes Objekt handelt.As part of the process, therefore, the extracted groups 12 with the comparison groups 14 . 16 compared. For example, is one of the groupings 12 with one of the comparison groups 14 at least in essence, so will this grouping 12 assigned to the car class. As a result, it can be determined that it is at the detected and by this grouping 12 characterized object around an automobile. Is the grouping correct 12 however with one of the comparison groups 16 match, so will this grouping 12 assigned to the non-car class. As a result, it can be determined that it is at the detected and by the grouping 12 characterized object is not an automobile but a different object.

Anhand von 4 ist die Bestimmung der Belegungswahrscheinlichkeit veranschaulicht. 4 zeigt eine der Gruppierungen 12. Ein Diagramm 18 zeigt einen Verlauf 20 der Belegungswahrscheinlichkeit entlang der Abszisse (x-Achse) der Gruppierung 12. Ein Diagramm 21 zeigt anhand eines Verlaufs 22 die Belegungswahrscheinlichkeit entlang der Ordinate (y-Richtung).Based on 4 the determination of the occupancy probability is illustrated. 4 shows one of the groupings 12 , A diagram 18 shows a course 20 the occupancy probability along the abscissa (x-axis) of the grouping 12 , A diagram 21 shows by a gradient 22 the occupancy probability along the ordinate (y-direction).

Um beispielsweise die rotatorische Orientierung, das heißt die Drehstellung des jeweiligen erfassten Objekts relativ zum Ego-Kraftwagen zu ermitteln, wird die jeweilige, extrahierte Gruppierung 12 rotiert. Dies ist in 5 veranschaulicht. Mit 12 ist dabei eine der extrahierten Gruppierungen 12 bezeichnet, die in 5 in ihrer ursprünglichen Orientierung gezeigt ist. Mit 12', 12'' und 12''' ist die gegenüber ihrer ursprünglichen Stellung rotierte Gruppierung 12 bezeichnet. Mit anderen Worten wird das Bild der Gruppierung 12 rotiert. 5 zeigt ferner ein Diagramm 24, auf dessen Abszisse 26 der Rotationswinkel der Gruppierung 12 aufgetragen ist. Auf der Ordinate 28 des Diagramms 24 ist die Wahrscheinlichkeit aufgetragen, mit der es sich bei der Gruppierung 12 um einen Kraftwagen bzw. ein Automobil handelt. Ein in das Diagramm 24 eingetragener Verlauf 30 charakterisiert somit diese Wahrscheinlichkeit in Abhängigkeit von dem Rotationswinkel.In order to determine, for example, the rotational orientation, that is to say the rotational position of the respective detected object relative to the ego motor vehicle, the respective, extracted grouping becomes 12 rotates. This is in 5 illustrated. With 12 is one of the extracted groupings 12 referred to in 5 is shown in its original orientation. With 12 ' . 12 '' and 12 ''' is the grouping rotated in relation to its original position 12 designated. In other words, the picture becomes the grouping 12 rotates. 5 further shows a diagram 24 , on the abscissa 26 the rotation angle of the grouping 12 is applied. On the ordinate 28 of the diagram 24 the probability with which it is grouped is plotted 12 is a car or an automobile. One in the diagram 24 registered history 30 thus characterizes this probability as a function of the angle of rotation.

Wie aus 5 erkennbar ist, handelt es sich bei der rotierten Gruppierung 12'' mit einer sehr hohen Wahrscheinlichkeit um einen Kraftwagen, wobei demgegenüber die Wahrscheinlichkeit, dass es sich bei der rotierten Gruppierung 12' und bei der rotierten Gruppierung 12''' um einen Kraftwagen handelt, wesentlich geringer ist. Dies bedeutet, dass durch die Rotation der extrahierten Gruppierung 12 oder der aus der jeweiligen Gruppierung 12 extrahierten Merkmale mit Hilfe des Klassifikators auch die Orientierung des jeweiligen Objekts bestimmt werden kann. Nun können Parklücken zwischen erkannten und klassifizierten Kraftwagen und demgegenüber anderen Hindernissen ermittelt und vermessen werden. Diese Parklückenvermessung wird im Belegungsgitter 10 durchgeführt, indem beispielsweise mit Hilfe eines einem Flood-Fill-Algorithmus ähnlichen Algorithmus die Begrenzung der jeweiligen Parklücke bestimmt wird. Genau ein erkanntes und klassifiziertes Automobil reicht aus, um die Orientierung einer Parklücke zu bestimmen. Die Größe der Parklücke ergibt sich aus der Hindernissituation. Durch die Klassifizierung der extrahierten Gruppierungen 12 bzw. deren Merkmale ergibt sich somit eine genaue und präzise Erkennung von Automobilen, so dass auch ein prädiktives Einparksystem ermöglicht wird, da Hindernisse auch vorausschauend klassifiziert werden können.How out 5 is recognizable, is the rotated grouping 12 '' with a very high probability of a car, whereas the probability that it is in the rotated grouping 12 ' and at the rotated grouping 12 ''' is a car, is much lower. This means that by rotating the extracted grouping 12 or from the respective grouping 12 extracted features using the classifier, the orientation of each object can be determined. Now parking spaces between detected and classified cars and other obstacles can be determined and measured. This parking space measurement is in the allocation grid 10 performed by, for example, using an algorithm similar to a flood-fill algorithm, the limitation of the respective parking space is determined. Exactly one recognized and classified automobile is sufficient to determine the orientation of a parking space. The size of the parking space results from the obstacle situation. By classifying the extracted groupings 12 or their characteristics thus results in an accurate and accurate detection of automobiles, so that a predictive parking system is made possible because obstacles can also be classified with foresight.

6 zeigt das Belegungsgitter 10. Anhand des Belegungsgitters 10 gemäß 6 können belegte Bereiche 32 identifiziert werden. Dies bedeutet, dass die mit den Bereichen des Belegungsgitters 10 korrespondierenden Bereiche der tatsächlichen Umgebung mit einem Hindernis belegt sind, so dass der Ego-Kraftwagen in diese Bereiche nicht bewegt werden kann. Ferner kann anhand des Belegungsgitters gemäß 6 ein nicht-belegter Bereich 34 in Form einer Parklücke 34 ermittelt werden. Dies bedeutet, dass in dem mit dem Bereich korrespondierenden Bereich der tatsächlichen Umgebung eine für den Ego-Kraftwagen ausreichende Parklücke existiert, in die der Ego-Kraftwagen kollisionsfrei hineinbewegt werden kann. 6 shows the occupancy grid 10 , Based on the allocation grid 10 according to 6 can occupied areas 32 be identified. This means that with the areas of the occupancy grid 10 corresponding areas of the actual environment are covered with an obstacle, so that the first person car can not be moved into these areas. Furthermore, based on the occupancy grid according to 6 an unoccupied area 34 in the form of a parking space 34 be determined. This means that in the region corresponding to the area of the actual environment there is a parking space which is sufficient for the ego motor vehicle and into which the ego motor vehicle can be moved without collision.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

1010
Belegungsgitteroccupancy grid
12, 12', 12'', 12'''12, 12 ', 12' ', 12' ''
Gruppierunggrouping
1414
Vergleichsgruppierungencomparison groups
1616
Vergleichsgruppierungencomparison groups
1818
Diagrammdiagram
2020
Verlaufcourse
2020
Verlaufcourse
2121
Diagrammdiagram
2222
Verlaufcourse
2424
Diagrammdiagram
2626
Abszisseabscissa
28 28
Ordinateordinate
3030
Verlaufcourse
3232
BereichArea
3434
BereichArea

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

  • DE 102001113719 A1 [0002] DE 102001113719 A1 [0002]
  • DE 102008064041 A1 [0002] DE 102008064041 A1 [0002]

Claims (8)

Verfahren zur Erkennung wenigstens einer Parklücke für einen Kraftwagen, bei welchem wenigstens ein Teilbereich der Umgebung des Kraftwagens mittels wenigstens eines entfernungsmessenden Sensors des Kraftwagens erfasst wird, indem mittels des Sensors wenigstens ein Primärsignal ausgesendet und wenigstens ein aus einer Reflektion des Primärsignals an wenigstens einem von dem Kraftwagen unterschiedlichen Objekt resultierenden Echosignals erfasst wird, gekennzeichnet durch die Schritte: – Eintragen von das erfasste Echosignal charakterisierenden Sensordaten in Zellen eines digitalen, den Teilbereich der Umgebung charakterisierenden Belegungsgitters (10) in Abhängigkeit von der Position des Kraftwagens relativ zum erfassten Teilbereich und Akkumulieren der Sensordaten, – Bestimmen einer Wahrscheinlichkeit, mit welcher zumindest ein Teil eines sich im erfassten Teilbereich der Umgebung befindenden Objekts durch die in die jeweilige Zelle eingetragenen Sensordaten charakterisiert wird, – Eintragen wenigstens eines nicht mit Objekten belegten Freiraums in das Belegungsgitter (10), – Extrahieren und Zusammenfassen von Gruppierungen (12) von Zellen, in welchen durch die eingetragenen Sensordaten zumindest ein Teil eines sich im erfassten Teilbereich der Umgebung befindenden Objekts charakterisiert wird, mittels Schwellwertbildung, – Analysieren der extrahierten Gruppierungen (12), indem anhand der Sensordaten Streuzentren, an welchen das Primärsignal reflektiert wurde, ermittelt werden, – Bestimmen der wenigstens einen Parklücke für den Kraftwagen in Abhängigkeit von den ermittelten Streuzentren.A method for detecting at least one parking space for a motor vehicle, wherein at least a portion of the environment of the motor vehicle is detected by at least one distance measuring sensor of the motor vehicle by at least one primary signal emitted by the sensor and at least one of a reflection of the primary signal to at least one of the Motor vehicle different object resulting echo signal is detected, characterized by the steps: - Entering the detected echo signal characterizing sensor data in cells of a digital, the partial area of the environment characterizing occupancy grid ( 10 ) depending on the position of the motor vehicle relative to the detected partial area and accumulating the sensor data, - determining a probability with which at least a part of an object located in the detected partial area of the environment is characterized by the sensor data entered in the respective cell, - register at least of a space not occupied by objects in the allocation grid ( 10 ), - extract and summarize groupings ( 12 ) of cells in which at least part of an object located in the detected subregion of the environment is characterized by the registered sensor data, by means of thresholding, - analyzing the extracted groupings ( 12 ), by determining based on the sensor data scattering centers at which the primary signal was reflected, - Determining the at least one parking space for the car depending on the determined scattering centers. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zum Bestimmen der wenigstens eine Parklücke die ermittelten Streuzentren klassifiziert werden, indem die ermittelten Streuzentren mit vorgegebenen Vergleichsdaten (14, 16) verglichen werden.A method according to claim 1, characterized in that for determining the at least one parking space the determined scattering centers are classified by the determined scattering centers with predetermined comparison data ( 14 . 16 ). Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die Vergleichsdaten (14, 16) einer ersten Klasse zugeordnete, erste Vergleichsdaten (14) und einer zweiten Klasse zugeordnete, zweite Vergleichsdaten (16) umfassen, wobei die extrahierten Gruppierungen (12) oder jeweils wenigstens eine vorgebbare, extrahierte Eigenschaft der Gruppierungen (12) den jeweiligen Klassen zugeordnet werden.Method according to Claim 2, characterized in that the comparison data ( 14 . 16 ), a first class associated, first comparison data ( 14 ) and a second class, second comparison data ( 16 ), the extracted groupings ( 12 ) or in each case at least one predefinable, extracted property of the groupings ( 12 ) are assigned to the respective classes. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Gruppierungen (12) oder die jeweilige Eigenschaft mittels eines Random-Forest-Klassifikators den jeweiligen Klassen zugeordnet werden.Method according to claim 3, characterized in that the groupings ( 12 ) or the respective property can be assigned to the respective classes by means of a random forest classifier. Verfahren nach einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass die Vergleichsdaten (14, 16) normalisiert in einer Speichereinrichtung gespeichert sind.Method according to one of claims 2 to 4, characterized in that the comparison data ( 14 . 16 ) are stored normalized in a memory device. Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass anhand des Vergleichs eine Drehstellung des Objekts ermittelt wird.Method according to one of claims 2 to 5, characterized in that based on the comparison, a rotational position of the object is determined. Verfahren nach einem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass anhand des Vergleichs das Objekt als Kraftwagen klassifiziert wird.Method according to one of claims 2 to 6, characterized in that based on the comparison, the object is classified as a motor vehicle. Kraftwagen, insbesondere Personenkraftwagen, welcher zum Durchführen eines Verfahrens nach einem der vorhergehenden Ansprüche ausgelegt ist.Motor vehicle, in particular passenger car, which is designed to carry out a method according to one of the preceding claims.
DE201310018721 2013-11-08 2013-11-08 Method for detecting parking space for motor vehicle, particularly passenger car, involves entering sensor data in cells of digital occupancy grid depending on position of motor vehicle relative to detected partial area Withdrawn DE102013018721A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE201310018721 DE102013018721A1 (en) 2013-11-08 2013-11-08 Method for detecting parking space for motor vehicle, particularly passenger car, involves entering sensor data in cells of digital occupancy grid depending on position of motor vehicle relative to detected partial area

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE201310018721 DE102013018721A1 (en) 2013-11-08 2013-11-08 Method for detecting parking space for motor vehicle, particularly passenger car, involves entering sensor data in cells of digital occupancy grid depending on position of motor vehicle relative to detected partial area

Publications (1)

Publication Number Publication Date
DE102013018721A1 true DE102013018721A1 (en) 2014-06-18

Family

ID=50821487

Family Applications (1)

Application Number Title Priority Date Filing Date
DE201310018721 Withdrawn DE102013018721A1 (en) 2013-11-08 2013-11-08 Method for detecting parking space for motor vehicle, particularly passenger car, involves entering sensor data in cells of digital occupancy grid depending on position of motor vehicle relative to detected partial area

Country Status (1)

Country Link
DE (1) DE102013018721A1 (en)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014017863A1 (en) 2014-12-03 2016-06-09 Daimler Ag Method for carrying out a parking operation of a vehicle, device for carrying out the method and vehicle with such a device
DE102016003261A1 (en) 2016-03-16 2016-09-29 Daimler Ag Method for self-localization of a vehicle in a vehicle environment
DE102015207804A1 (en) 2015-04-28 2016-11-03 Robert Bosch Gmbh Method for detecting parking areas and / or open spaces
DE102015214743A1 (en) * 2015-08-03 2017-02-09 Audi Ag Method and device in a motor vehicle for improved data fusion in an environment detection
DE102016209810A1 (en) 2016-06-03 2017-12-07 Robert Bosch Gmbh Method for detecting at least one parking space for a vehicle
DE102016210534A1 (en) * 2016-06-14 2017-12-14 Bayerische Motoren Werke Aktiengesellschaft Method for classifying an environment of a vehicle
CN108732573A (en) * 2018-06-20 2018-11-02 深圳市路畅智能科技有限公司 A kind of parking stall detection method and parking place detecting system
WO2018232851A1 (en) * 2017-06-23 2018-12-27 深圳市盛路物联通讯技术有限公司 Vehicle management method and system based on wireless geomagnetic detection
DE102018214510A1 (en) 2017-09-06 2019-03-07 Robert Bosch Gmbh Parking ticket generation on the street
US10288733B2 (en) 2015-04-28 2019-05-14 Robert Bosch Gmbh Method for forecasting parking area availability of a street section
DE102019209206A1 (en) 2018-06-29 2020-01-02 Robert Bosch Gmbh PARKING CARDS REFINING USING AN OCCUPATIONAL BEHAVIOR ANOMALY DETECTOR
DE102019209204A1 (en) 2018-06-29 2020-01-02 Robert Bosch Gmbh DETECTING LOCALIZATION OF AVAILABLE PARKING SPACE USING SHIFT BASED ON HISTORICAL AGGREGATION
WO2021069137A1 (en) 2019-10-08 2021-04-15 Robert Bosch Gmbh Method and driver assistance system for classifying objects in the surroundings of a vehicle
US20210270633A1 (en) * 2018-07-30 2021-09-02 Chiba Institute Of Technology Map generation system and mobile object
DE102020215253A1 (en) 2020-12-03 2022-06-09 Continental Automotive Gmbh Method for detecting parking spaces using ultrasonic sensors
DE102020215298A1 (en) 2020-12-03 2022-06-09 Robert Bosch Gesellschaft mit beschränkter Haftung Method and system for driver assistance, wherein free parking spaces are detected in a vehicle environment
US20220207277A1 (en) * 2020-12-30 2022-06-30 Continental Automotive Systems, Inc. Image semantic segmentation for parking space detection
EP4030195A1 (en) * 2021-01-18 2022-07-20 Guangzhou Xiaopeng Autopilot Co., Ltd. Obstacle detection method and system, computer device, and storage medium

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008064041A1 (en) 2008-12-19 2010-06-24 Valeo Schalter Und Sensoren Gmbh Parking process assisting method for passenger car, involves controlling driving speed of vehicle by controller based on distance measured by front sensor arrangement and rear sensor arrangement provided at vehicle

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008064041A1 (en) 2008-12-19 2010-06-24 Valeo Schalter Und Sensoren Gmbh Parking process assisting method for passenger car, involves controlling driving speed of vehicle by controller based on distance measured by front sensor arrangement and rear sensor arrangement provided at vehicle

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014017863A1 (en) 2014-12-03 2016-06-09 Daimler Ag Method for carrying out a parking operation of a vehicle, device for carrying out the method and vehicle with such a device
US10288733B2 (en) 2015-04-28 2019-05-14 Robert Bosch Gmbh Method for forecasting parking area availability of a street section
CN106097755B (en) * 2015-04-28 2021-01-29 罗伯特·博世有限公司 Method for identifying parking spaces and/or free spaces
DE102015207804A1 (en) 2015-04-28 2016-11-03 Robert Bosch Gmbh Method for detecting parking areas and / or open spaces
CN106097755A (en) * 2015-04-28 2016-11-09 罗伯特·博世有限公司 For identifying the method parked place and/or vacate place
DE102015207804B4 (en) * 2015-04-28 2017-03-16 Robert Bosch Gmbh Method for detecting parking areas and / or open spaces
US9747791B2 (en) 2015-04-28 2017-08-29 Robert Bosch Gmbh Method for identifying parking areas and/or free spaces
DE102015214743A1 (en) * 2015-08-03 2017-02-09 Audi Ag Method and device in a motor vehicle for improved data fusion in an environment detection
EP3332400B1 (en) * 2015-08-03 2024-02-14 Volkswagen Aktiengesellschaft Method and device in a motor vehicle for improved data fusion in an environment detection
US11348342B2 (en) 2015-08-03 2022-05-31 Volkswagen Aktiengesellschaft Method and device in a motor vehicle for improved data fusion in an environment detection
DE102016003261A1 (en) 2016-03-16 2016-09-29 Daimler Ag Method for self-localization of a vehicle in a vehicle environment
DE102016209810A1 (en) 2016-06-03 2017-12-07 Robert Bosch Gmbh Method for detecting at least one parking space for a vehicle
US10712445B2 (en) 2016-06-03 2020-07-14 Robert Bosch Gmbh Method for detecting at least one parking space for a vehicle
DE102016210534A1 (en) * 2016-06-14 2017-12-14 Bayerische Motoren Werke Aktiengesellschaft Method for classifying an environment of a vehicle
WO2018232851A1 (en) * 2017-06-23 2018-12-27 深圳市盛路物联通讯技术有限公司 Vehicle management method and system based on wireless geomagnetic detection
DE102018214510A1 (en) 2017-09-06 2019-03-07 Robert Bosch Gmbh Parking ticket generation on the street
US10762782B2 (en) 2017-09-06 2020-09-01 Robert Bosch Gmbh On-street parking map generation
CN108732573A (en) * 2018-06-20 2018-11-02 深圳市路畅智能科技有限公司 A kind of parking stall detection method and parking place detecting system
DE102019209204A1 (en) 2018-06-29 2020-01-02 Robert Bosch Gmbh DETECTING LOCALIZATION OF AVAILABLE PARKING SPACE USING SHIFT BASED ON HISTORICAL AGGREGATION
US11093764B2 (en) 2018-06-29 2021-08-17 Robert Bosch Gmbh Available parking space detection localization using historical aggregation shifting
US11137256B2 (en) 2018-06-29 2021-10-05 Robert Bosch Gmbh Parking area map refinement using occupancy behavior anomaly detector
DE102019209206A1 (en) 2018-06-29 2020-01-02 Robert Bosch Gmbh PARKING CARDS REFINING USING AN OCCUPATIONAL BEHAVIOR ANOMALY DETECTOR
US20210270633A1 (en) * 2018-07-30 2021-09-02 Chiba Institute Of Technology Map generation system and mobile object
US11802779B2 (en) * 2018-07-30 2023-10-31 Chiba Institute Of Technology Map generation system and mobile object
WO2021069137A1 (en) 2019-10-08 2021-04-15 Robert Bosch Gmbh Method and driver assistance system for classifying objects in the surroundings of a vehicle
DE102020215253A1 (en) 2020-12-03 2022-06-09 Continental Automotive Gmbh Method for detecting parking spaces using ultrasonic sensors
DE102020215298A1 (en) 2020-12-03 2022-06-09 Robert Bosch Gesellschaft mit beschränkter Haftung Method and system for driver assistance, wherein free parking spaces are detected in a vehicle environment
US20220207277A1 (en) * 2020-12-30 2022-06-30 Continental Automotive Systems, Inc. Image semantic segmentation for parking space detection
US11783597B2 (en) * 2020-12-30 2023-10-10 Continental Autonomous Mobility US, LLC Image semantic segmentation for parking space detection
EP4030195A1 (en) * 2021-01-18 2022-07-20 Guangzhou Xiaopeng Autopilot Co., Ltd. Obstacle detection method and system, computer device, and storage medium

Similar Documents

Publication Publication Date Title
DE102013018721A1 (en) Method for detecting parking space for motor vehicle, particularly passenger car, involves entering sensor data in cells of digital occupancy grid depending on position of motor vehicle relative to detected partial area
DE102009006335A1 (en) Method for assisting the driver of a motor vehicle
EP3250943B1 (en) Method for object acquisition in the environment of a vehicle by verifying a spatial deviation of measurement points, control device, driver assistance system and vehicle
DE102017221691A1 (en) Method and device for self-localization of a vehicle
DE102015115012A1 (en) Method for generating an environment map of an environment of a motor vehicle based on an image of a camera, driver assistance system and motor vehicle
DE102009019024A1 (en) Method for preventing collisions during opening of doors of vehicle, has determining detected positions and/or dimensions of objects with respect to predetermined position of vehicle under inclusion of sensor data of vehicle sensor system
DE102015213558A1 (en) Device and method for merging two obstacle cards for environment detection
DE102014204309A1 (en) Device and method for operating a vehicle
DE102010025552A1 (en) Method for detecting environment of motor car to determine possible parking spaces using environment sensor system, involves receiving echoes as high obstruction based on measuring position
DE102014202497A1 (en) Estimation of geometric parameters of a roadway-fixed lateral object
DE102011113325A1 (en) Method for object recognition by image data, involves recognizing objects in vicinity of vehicle and differentiating objects in object types, where distance in Y-direction is determined for all objects recognized in vicinity
DE102011103743A1 (en) Method for detecting vehicle environment e.g. underground parking space, involves determining three-dimensional (3D) environment map using collected environmental data, and determining contour of parking space based on 3D environment map
EP2261084A1 (en) Control device and method for localising a parking space for a vehicle
DE102018121158A1 (en) Ground sensing point method and driver support system configured to perform such a method
DE102015122413A1 (en) Method for operating an ultrasonic sensor of a motor vehicle, ultrasonic sensor device, driver assistance system and motor vehicle
DE102019001043A1 (en) A method for classifying static objects in a vehicle environment of a motor vehicle
WO2021104805A1 (en) Method for operating a surroundings sensing device with grid-based evaluation and with fusion, and surroundings sensing device
DE102019211459B4 (en) Method and device for checking a calibration of environmental sensors
DE102014118035B4 (en) Method for detecting shadowing of a sensor device of a motor vehicle by an object, computing device, driver assistance system and motor vehicle
DE102016119592A1 (en) Method for detecting objects in an environmental region of a motor vehicle taking into account sensor data in the infrared wavelength range, object recognition device, driver assistance system and motor vehicle
DE102020121108A1 (en) Method for detecting road users in the vicinity of a vehicle based on measurements from a radar sensor by identifying interference detections, and computing device
DE102020131766A1 (en) Vehicle system and method for determining a parking area for a vehicle
DE102020202256A1 (en) METHOD OF DETECTING WRONG DRIVING SITUATIONS OF A VEHICLE, METHOD OF DETECTING ONE-WAY TRAVELING SITUATIONS OF A VEHICLE, AND VEHICLE
DE102009013326A1 (en) Vehicle controlling method, involves producing image of object, determining object data and surrounding data from image of object, and classifying object using object data and surrounding data
DE102017126183A1 (en) Method for detecting and classifying an object by means of at least one sensor device based on an occupancy map, driver assistance system and motor vehicle

Legal Events

Date Code Title Description
R230 Request for early publication
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee