DE102018117660A1 - METHOD AND SYSTEM FOR DETERMINING A POSITION OF A VEHICLE - Google Patents
METHOD AND SYSTEM FOR DETERMINING A POSITION OF A VEHICLE Download PDFInfo
- Publication number
- DE102018117660A1 DE102018117660A1 DE102018117660.0A DE102018117660A DE102018117660A1 DE 102018117660 A1 DE102018117660 A1 DE 102018117660A1 DE 102018117660 A DE102018117660 A DE 102018117660A DE 102018117660 A1 DE102018117660 A1 DE 102018117660A1
- Authority
- DE
- Germany
- Prior art keywords
- data
- landmark
- vehicle
- factor graph
- determined
- 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- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Abstract
Die Erfindung betrifft ein Verfahren zum Bestimmen einer Position eines Fahrzeugs (1), bei dem vorläufige Positionsdaten des Fahrzeugs (1) und Umgebungsdaten erfasst werden; anhand der Umgebungsdaten Landmarken-Messdaten für detektierte Landmarken in einer Umgebung des Fahrzeugs (1) bestimmt werden; und Kartendaten erfasst werden, wobei die Kartendaten Prior-Landmarkendaten umfassen. Es wird ein Faktorgraph bestimmt, wobei der Faktorgraph Fahrzeugpositionsknoten (p0, p1, p2, p3, p4, p5, p6), die vorläufige Fahrzeug-Positionsdaten repräsentieren, und Landmarkenpositionsknoten (10, 11), die Landmarken-Positionsdaten repräsentieren, umfasst; und es wird eine Optimierung des Faktorgraphen durchgeführt, wobei optimierte Fahrzeug-Positionsdaten bestimmt werden. Anhand der optimierten Fahrzeug-Positionsdaten wird die Position bestimmt. Die Erfindung betrifft ferner ein System zum Bestimmen einer Position eines Fahrzeugs (1), umfassend eine Erfassungseinheit (2), eine Verarbeitungseinheit (3), eine Schnittstelle (6) und eine Recheneinheit (4). Dabei ist die Recheneinheit (4) dazu eingerichtet, das erfindungsgemäße Verfahren auszuführen.The invention relates to a method for determining a position of a vehicle (1), in which provisional position data of the vehicle (1) and environmental data are recorded; Landmark measurement data for detected landmarks in an environment of the vehicle (1) are determined on the basis of the environmental data; and map data is acquired, the map data including prior landmark data. A factor graph is determined, the factor graph comprising vehicle position nodes (p0, p1, p2, p3, p4, p5, p6), which represent provisional vehicle position data, and landmark position nodes (10, 11), which represent landmark position data; and an optimization of the factor graph is carried out, whereby optimized vehicle position data are determined. The position is determined on the basis of the optimized vehicle position data. The invention further relates to a system for determining a position of a vehicle (1), comprising a detection unit (2), a processing unit (3), an interface (6) and a computing unit (4). The computing unit (4) is set up to carry out the method according to the invention.
Description
Die vorliegende Erfindung betrifft ein Verfahren und ein System zum Bestimmen einer Position eines Fahrzeugs.The present invention relates to a method and a system for determining a position of a vehicle.
Viele automatische Fahrfunktionen in modernen Fahrzeugen setzen eine genaue Schätzung der aktuellen Fahrzeugpose voraus. Für dieses Problem der Lokalisierung wurden in der Vergangenheit verschiedene Ansätze entwickelt, darunter etwa die Positionsbestimmung mittels globaler Navigationssatellitensysteme (global navigation satellite system; GNSS), etwa das globale Positionsbestimmungssystem GPS (global positioning system). Die Genauigkeit derartiger Systeme ist aber typischerweise nicht ausreichend zur Verwendung in automatischen Fahrfunktionen. Alternative Systeme erfordern jedoch häufig einen übermäßig hohen Rechenaufwand und daher - bei der in Fahrzeugen typischerweise zur Verfügung stehenden Rechenleistung - zu lange Rechenzeiten für die Steuerung in Echtzeit.Many automatic driving functions in modern vehicles require an accurate estimate of the current vehicle pose. Various approaches have been developed in the past for this problem of localization, including, for example, positioning using global navigation satellite systems (GNSS), such as the global positioning system GPS (global positioning system). However, the accuracy of such systems is typically not sufficient for use in automatic driving functions. However, alternative systems often require an excessive amount of computing effort and therefore - given the computing power typically available in vehicles - too long computing times for real-time control.
In der
In der
Bei dem in der
In der
Bei dem in der
Bei dem in der
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren und ein System der eingangs genannten Art bereitzustellen, die eine Positionsbestimmung mit hoher Genauigkeit und unter effizienter Nutzung der in einem Fahrzeug zur Verfügung stehenden Ressourcen ermöglichen.The present invention is based on the object of providing a method and a system of the type mentioned at the outset which enable position determination with high accuracy and with efficient use of the resources available in a vehicle.
Erfindungsgemäß wird diese Aufgabe durch ein Verfahren mit den Merkmalen des Anspruchs 1 und ein System mit den Merkmalen des Anspruchs 9 gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den abhängigen Ansprüchen.According to the invention, this object is achieved by a method having the features of
Bei dem erfindungsgemäßen Verfahren werden vorläufige Positionsdaten des Fahrzeugs und Umgebungsdaten erfasst. Anhand der Umgebungsdaten werden Landmarken-Messdaten für detektierte Landmarken in einer Umgebung des Fahrzeugs bestimmt. Es werden Kartendaten erfasst, wobei die Kartendaten Prior-Landmarkendaten umfassen. Es wird ein Faktorgraph bestimmt, wobei der Faktorgraph Fahrzeugpositionsknoten, die vorläufige Fahrzeug-Positionsdaten repräsentieren, und Landmarkenpositionsknoten, die Landmarken-Positionsdaten repräsentieren, umfasst. Es wird eine Optimierung des Faktorgraphen durchgeführt, wobei optimierte Fahrzeug-Positionsdaten bestimmt werden. Anhand der optimierten Fahrzeug-Positionsdaten wird die Position bestimmt. Diese kann dann ausgegeben werden.In the method according to the invention, provisional position data of the vehicle and environmental data are recorded. Landmark measurement data for detected landmarks in an environment of the vehicle are determined on the basis of the environmental data. Map data is acquired, the map data comprising prior landmark data. A factor graph is determined, the factor graph comprising vehicle position nodes that represent preliminary vehicle position data and landmark position nodes that represent landmark position data. The factor graph is optimized, with optimized vehicle position data being determined. The position is determined on the basis of the optimized vehicle position data. This can then be output.
Gemäß der Erfindung wird die Bestimmung der Position beziehungsweise Pose eines Fahrzeugs als ein Optimierungsproblem behandelt. Durch die erfindungsgemäße Anwendung von Faktorgraphen wird vorteilhafterweise eine besondere intuitive und anschauliche Beschreibung des der Optimierung zugrunde liegenden Problems erreicht, welches insbesondere ein Gleichungssystem repräsentiert. Durch Optimieren des Faktorgraphen wird das dadurch repräsentierte Optimierungsproblem gelöst, wobei diese Lösung besonders effizient darstellbar und lösbar ist.According to the invention, the determination of the position or pose of a vehicle is treated as an optimization problem. The use of factor graphs according to the invention advantageously achieves a particularly intuitive and descriptive description of the problem on which the optimization is based, which represents in particular an equation system. The optimization problem represented thereby is solved by optimizing the factor graph, whereby this solution can be represented and solved particularly efficiently.
Bei dem Verfahren wird ein Faktorgraph bestimmt und dazu verwendet, ein Optimierungsproblem mit der Methode der kleinsten Quadrate mit nichtlinearen Modellfunktionen (nonlinear least squares) darzustellen. Alternativ oder ergänzend kann ein solches Optimierungsproblem direkt dargestellt werden. Der Faktorgraph wird dazu genutzt, das Problem in einer besonders übersichtlichen und einfachen Form darzustellen, die eine einfache und sichere Wartung und gegebenenfalls Fehlersuche erlaubt. Ferner sind so besonders gute Anpassungen für eine schnelle und effiziente Verarbeitung durch einen Rechner möglich. In the method, a factor graph is determined and used to represent an optimization problem using the least squares method with nonlinear least squares. As an alternative or in addition, such an optimization problem can be represented directly. The factor graph is used to present the problem in a particularly clear and simple form, which allows simple and safe maintenance and, if necessary, troubleshooting. In addition, particularly good adaptations for fast and efficient processing by a computer are possible.
Bei dem Verfahren kann ferner ein Verhältnis zwischen der Genauigkeit der Lokalisierung und der benötigten Rechenzeit angepasst und gegebenenfalls gemäß der konkreten Situation oder Konfiguration des Fahrzeugs angepasst werden. Dies kann insbesondere dadurch erfolgen, dass eine geeignete Zahl von Messungen aus der Vergangenheit berücksichtigt wird und/oder dass eine Länge der Trajektorie einstellbar ist, die zur Lokalisierung genutzt wird. Auf die Verwendung eines „sliding window“ und die Berücksichtigung einer Vielzahl von Positionen entlang einer Trajektorie wird unten näher eingegangen.In the method, a relationship between the accuracy of the localization and the required computing time can also be adapted and, if necessary, adapted according to the specific situation or configuration of the vehicle. This can be done in particular by taking into account a suitable number of measurements from the past and / or by setting a length of the trajectory that is used for localization. The use of a sliding window and the consideration of a large number of positions along a trajectory is discussed in more detail below.
Das Verfahren betrifft zudem eine kartenrelative Lokalisierung, sodass die Angabe der globalen Koordinaten in den verwendeten Kartendaten weniger kritisch ist als etwa bei bekannten RTK-GPS-Verfahren (real-time kinematic). Die Erstellung der Karten ist daher weniger aufwendig und kostengünstiger. Eine solche kartenrelative Lokalisierung kann insbesondere für automatisierte Fahrfunktionen verwendet werden, wobei bei Bedarf auch weitere Informationen aus anderen Teilen der Karte geladen werden können. Sofern die Karte jedoch global korrekt referenziert ist, kann anhand der kartenrelativen Lokalisierung gemäß der Erfindung direkt eine globale Lokalisierung durchgeführt werden, das heißt, es werden korrekte Daten über die Position beziehungsweise die Pose in einem globalen Koordinatensystem erzeugt.The method also relates to a map-relative localization, so that the specification of the global coordinates in the map data used is less critical than, for example, with known RTK-GPS methods (real-time kinematic). The creation of the maps is therefore less complex and less expensive. Such a map-relative localization can be used in particular for automated driving functions, it also being possible to load further information from other parts of the map if required. If, however, the map is correctly globally referenced, a global localization can be carried out directly on the basis of the map-relative localization according to the invention, ie correct data about the position or the pose are generated in a global coordinate system.
Im Vergleich zur weiteren Verfahren gemäß dem Stand der Technik, bei denen die von Sensoren erfassten Rohdaten verwendet werden, insbesondere ohne eine Detektion von semantischen Landmarken in der Umgebung des Fahrzeugs, werden Kartendaten mit geringerer Dateigröße benötigt, sodass Vorteile bei der Nutzung von Speicherplatz und gegebenenfalls Bandbreite beim Nachladen von Daten erreicht werden. Ferner kann die Rechenzeit verkürzt werden. Karten mit semantischen Objekten und Landmarken können außerdem besonders einfach überprüft und gewartet werden, da die entsprechenden Landmarken leicht gefunden und überprüft werden können.In comparison to the further method according to the prior art, in which the raw data acquired by sensors are used, in particular without the detection of semantic landmarks in the vicinity of the vehicle, map data with a smaller file size are required, so that advantages in the use of storage space and possibly Bandwidth can be achieved when reloading data. The computing time can also be shortened. Maps with semantic objects and landmarks can also be checked and serviced particularly easily, since the corresponding landmarks can be found and checked easily.
Bei der Nutzung von Landmarken wird eine Abstraktionsschicht zwischen den Sensor-Rohdaten und dem Lokalisierungsschritt verwendet und es können unterschiedliche Sensoren benutzt werden, um Landmarken zu detektieren. Auf diese Weise können Sensoren leichter ausgetauscht und verändert werden, etwa beim Übergang zwischen verschiedenen Produktgenerationen. Außerdem können Karten mit Landmarken besonders einfach durch Drittanbieter erstellt werden, die dazu nicht genau wissen müssen, welche Sensor-Rohdaten im Fahrzeug vorliegen. Dagegen setzen bekannte Verfahren typischerweise voraus, dass Features und Merkmale so vorgegeben werden, wie sie zum Beispiel mit einer bestimmten Kamera oder einem bestimmten Typ von Radarsensor beobachtet werden.When using landmarks, an abstraction layer is used between the raw sensor data and the localization step, and different sensors can be used to detect landmarks. In this way, sensors can be exchanged and changed more easily, for example when changing between different product generations. In addition, maps with landmarks can be created particularly easily by third-party providers who do not need to know exactly which raw sensor data is available in the vehicle. In contrast, known methods typically assume that features and characteristics are specified in the way they are observed, for example, with a specific camera or a specific type of radar sensor.
Bei dem Verfahren werden die relevanten Eingangsdaten in einem Faktorgraphen abgebildet, dieser wird optimiert und anschließend kann eine optimierte Fahrzeugposition ausgelesen werden. Das Optimierungsverfahren der Erfindung führt ferner dazu, dass die als Eingangsgrößen vorhandenen Prior-Landmarkendaten ebenfalls optimiert werden. Das heißt, auch diese Größen können je nach den erfassten Daten so angepasst werden, dass die Wirklichkeit möglichst zutreffend und genau abgebildet wird.In the process, the relevant input data are displayed in a factor graph, this is optimized and an optimized vehicle position can then be read out. The optimization method of the invention also leads to the prior landmark data present as input variables also being optimized. This means that, depending on the data collected, these sizes can also be adjusted so that reality is as accurate and accurate as possible.
Die Verwendung eines Optimierungsverfahrens hat gegenüber bekannten Partikelfilterverfahren oder EKF (extended Kalman filter) mehrere Vorteile: Optimierungsverfahren sind üblicherweise genauer als einfache Filterverfahren, die ein größeres Rauschen im System zulassen müssen, um nicht divergierende Ergebnisse zu liefern. Optimierungsverfahren wie das hier verwendete sind die deterministisch, was bei einem Monte-Carlo-Verfahren wie dem Partikelfilter nicht der Fall ist. Nicht-deterministische Verfahren werden jedoch grundsätzlich in Fragen der funktionalen Sicherheit kritisch bewertet und es scheint daher unwahrscheinlich, dass sie die Grundlage für hochautomatisierte Fahrfunktionen bilden können. Nicht-deterministische Verfahren liefern zudem schlecht reproduzierbare Ergebnisse, da sie abhängig von Zufallsgrößen sind. Dies erschwert ihre Wartung und gegebenenfalls das Auffinden von Fehlern. Ferner sind die Ergebnisse nicht-deterministischer Verfahren nicht immer identisch, das heißt, bei gleichen Eingangsgrößen kann die Qualität der bestimmten Position schwanken. Bei einem Optimierungsverfahren können dagegen bereits im Vorhinein abhängig von seinen Eingangsgrößen Grenzen dafür angegeben werden, wie gut das Verfahren funktionieren wird. The use of an optimization method has several advantages over known particle filter methods or EKF (extended Kalman filter): Optimization methods are usually more precise than simple filter methods, which have to allow greater noise in the system in order to deliver non-divergent results. Optimization methods like the one used here are deterministic, which is not the case with a Monte Carlo method like the particle filter. However, non-deterministic methods are fundamentally critically evaluated in questions of functional safety and it therefore seems unlikely that they can form the basis for highly automated driving functions. In addition, non-deterministic methods provide poorly reproducible results because they are dependent on random variables. This complicates their maintenance and, if necessary, finding errors. Furthermore, the results of non-deterministic methods are not always identical, which means that the quality of the determined position can fluctuate with the same input variables. With an optimization process, however, limits can be specified in advance depending on its input variables for how well the process will work.
Bei dem Verfahren gemäß der Erfindung können Positionen auf an sich bekannte Weise in beliebigen Koordinatensystemen angegeben werden. Insbesondere ist ein globales Koordinatensystem vorgesehen oder ein relatives Koordinatensystem, beispielsweise relativ zu dem Fahrzeug oder einem anderen Referenzpunkt. Zum Beispiel kann innerhalb eines bestimmten Gebiets ein Koordinatensystem vorgegeben werden, beispielsweise auf einem Parkplatz, in einem Parkhaus oder auf einem Privatgelände.In the method according to the invention, positions can be specified in any coordinate systems in a manner known per se. In particular, a global coordinate system is provided or a relative coordinate system, for example relative to the vehicle or another reference point. For example, a coordinate system can be specified within a certain area, for example in a parking lot, in a parking garage or on a private site.
Der Begriff „Position“ soll gemäß der Erfindung breit definiert sein und insbesondere auch Posen umfassen. Diese geben neben der Position innerhalb eines Koordinatensystems auch eine Orientierung an, insbesondere eine zwei-oder dreidimensionale Orientierung relativ zu dem Koordinatensystem. Bei Anwendungen im Bereich der Automobiltechnik sind Posen von besonderer Bedeutung, da durch diese üblicherweise auch eine Bewegungsrichtung des Fahrzeugs vorgegeben ist.According to the invention, the term “position” should be broadly defined and in particular also include poses. In addition to the position within a coordinate system, these also indicate an orientation, in particular a two-dimensional or three-dimensional orientation relative to the coordinate system. Poses are of particular importance for applications in the field of automotive technology, since they usually also dictate a direction of movement of the vehicle.
Positionsdaten umfassen daher Informationen zu der Position, gegebenenfalls auch im weiteren Sinne Informationen zur Pose des Fahrzeugs und/oder zu einem Bewegungszustand des Fahrzeugs. Diese Informationen können einen aktuellen oder früheren Zeitpunkt betreffen, insbesondere auch eine Reihe von aufeinanderfolgenden Zeitpunkten. Die Positionsdaten werden dabei auf an sich bekannte Weise erfasst beziehungsweise bereitgestellt.Position data therefore include information on the position, possibly also in a broader sense information on the pose of the vehicle and / or on a state of motion of the vehicle. This information can relate to a current or earlier point in time, in particular also a series of successive points in time. The position data are recorded or made available in a manner known per se.
Bei einer Ausbildung des erfindungsgemäßen Verfahrens umfassen die erfassten vorläufigen Positionsdaten eine globale Positionsschätzung und eine lokale Positionsschätzung. Dadurch können vorteilhafterweise unterschiedliche Aspekte der Positionsbestimmung berücksichtigt werden.In an embodiment of the method according to the invention, the recorded provisional position data comprise a global position estimate and a local position estimate. As a result, different aspects of the position determination can advantageously be taken into account.
Die Terminologie „lokal“ und „global“ beschreibt dabei insbesondere das Koordinatensystem: Lokale Posen- und Landmarken-Faktoren sind im Fahrzeugkoordinatensystem beschrieben, während globale Posen- bzw. Landmarken-Faktoren in einem globalen (Welt-)Koordinatensystem beschrieben werden.The terminology “local” and “global” describes the coordinate system in particular: local pose and landmark factors are described in the vehicle coordinate system, while global pose and landmark factors are described in a global (world) coordinate system.
Eine globale Positionsschätzung kann beispielsweise mittels eines globalen Navigationssatellitensystems wie GPS ermittelt werden. Das Ergebnis einer entsprechenden GPS-Messung kann Informationen über eine Position und/oder eine Pose des Fahrzeugs umfassen. Andere an sich bekannte Verfahren können alternativ oder zusätzlich verwendet werden. Bei der Optimierung des Faktorgraphen wird diese vorläufige Information zur Fahrzeugposition so berücksichtigt, dass die zu bestimmende Fahrzeugpose nahe an dieser GPS-Messung liegen soll, wobei diese Vorgabe jedoch aufgrund weiterer Faktoren im Graphen im Allgemeinen nur annähernd erfüllt wird. Es handelt sich also um einen Prior-Wert, der bereits zu Beginn des Verfahrens bekannt ist und der Optimierung zugrunde gelegt wird. Eine globale Positionsschätzung kann insbesondere zur Initialisierung verwendet werden.A global position estimate can be determined, for example, using a global navigation satellite system such as GPS. The result of a corresponding GPS measurement can include information about a position and / or a pose of the vehicle. Other methods known per se can alternatively or additionally be used. When optimizing the factor graph, this preliminary information about the vehicle position is taken into account in such a way that the vehicle pose to be determined should be close to this GPS measurement, although this requirement is generally only approximately met due to other factors in the graph. It is therefore a prior value that is known at the beginning of the method and is used as the basis for the optimization. A global position estimate can be used in particular for initialization.
Eine lokale Positionsschätzung kann beispielsweise anhand von Odometrie Verfahren ermittelt werden, beispielsweise mittels Reifenodometrie, visueller Odometrie oder anderer an sich bekannter Verfahren, etwa LIDAR-Scan-Matching oder Trägheitsnavigation. Insbesondere wird dabei für ein Koordinatensystem relativ zum Fahrzeug eine Verschiebung detektiert und quantifiziert, wodurch die Eigenbewegung gemessen werden kann.A local position estimate can be determined, for example, using odometry methods, for example by means of tire odometry, visual odometry or other methods known per se, such as LIDAR scan matching or inertial navigation. In particular, a shift relative to the vehicle is detected and quantified for a coordinate system, whereby the self-movement can be measured.
Auch die Erfassung der Umgebungsdaten erfolgt auf an sich bekannte Weise, insbesondere so, dass durch die Daten Informationen über Landmarken und weitere Merkmale in einer Umgebung des Fahrzeugs ermittelt werden können, insbesondere Informationen über die relativen Positionen von Landmarken relativ zum Fahrzeug.The acquisition of the environmental data is also carried out in a manner known per se, in particular in such a way that information about landmarks and other features in an environment of the vehicle can be ascertained, in particular information about the relative positions of landmarks relative to the vehicle.
Bei einer weiteren Ausbildung des Verfahrens werden die Umgebungsdaten anhand einer Kamera, eines Lasersensors und/oder eines Radarsensors erfasst. Gegebenenfalls kann alternativ oder zusätzlich ein Ultraschallsensor oder eine Infrarotkamera verwendet werden. Ferner können weitere an sich bekannte Detektormodule oder Sensoren des Fahrzeugs verwendet werden oder es können Daten von einer externen Quelle oder Erfassungseinrichtung empfangen werden. Dadurch können vorteilhafterweise Sensor benutzt werden, die bereits weit verbreitet und in vielen modernen Fahrzeugen kostengünstig verfügbar sind.In a further embodiment of the method, the environmental data are recorded using a camera, a laser sensor and / or a radar sensor. Optionally, an ultrasonic sensor or an infrared camera can be used alternatively or additionally. Furthermore, further known detector modules or sensors of the vehicle can be used or data can be received from an external source or detection device. As a result, sensors can advantageously be used which are already widespread and inexpensively available in many modern vehicles.
Die Positions- und Umgebungsdaten können insbesondere für eine Vielzahl von Zeitpunkten und/oder Positionen während der Bewegung des Fahrzeugs erfasst werden. In diesem Fall kann die Bewegung des Fahrzeugs entlang einer Trajektorie, das heißt entlang eines bestimmten Pfades in Abhängigkeit von der Zeit, verfolgt werden.The position and environment data can be recorded in particular for a large number of times and / or positions during the movement of the vehicle. In this case, the movement of the vehicle along a trajectory, that is, along a specific path as a function of time, can be tracked.
Das erfindungsgemäße Verfahren ist kartenbasiert, das heißt, es setzt voraus, dass Kartendaten vorhanden sind, die Prior-Landmarkendaten umfassen. Bei ähnlichen bekannten Lokalisierungsverfahren werden diese Daten vernachlässigt, was zu Nachteilen bei der Genauigkeit der Lokalisierungsergebnisse führen kann. Die Kartendaten können auf unterschiedliche Weise erfasst werden. Beispielsweise können sie von einer Speichereinheit des Fahrzeugs bereitgestellt werden, wie sie etwa von einem Navigationssystem umfasst sein kann. Sie können alternativ oder zusätzlich von einer externen Einrichtung abgerufen und empfangen werden, etwa über ein Computernetzwerk wie das Internet oder von einem lokalen Dienst, etwa einem Server, der die Kartendaten für einen Parkplatz oder ein Betriebsgelände bereitstellt. Ferner kann eine Übertragung durch ein Netzwerk von Fahrzeugen vorgesehen sein. Die Kartendaten können dabei insbesondere beim Befahren eines bestimmten geografischen Bereich erfasst werden, beispielsweise indem sie bereitgestellt werden, wenn das Fahrzeug auf einen bestimmten Abschnitt einer Straße, einen Parkplatz oder ein Betriebsgelände einfährt. Die Erfassung erfolgt dabei insbesondere ausgehend von einer initialen globalen Positionsschätzung, etwa mittels GPS. Das Erfassen der Kartendaten kann ferner auf Anweisung eines Nutzers erfolgen, etwa beim manuellen Abrufen aktualisierter Kartendaten.The method according to the invention is map-based, that is, it presupposes that map data are present that include prior landmark data. In similar known localization methods, this data is neglected, which can lead to disadvantages in the accuracy of the localization results. The map data can be recorded in different ways. For example, they can be provided by a storage unit of the vehicle, such as can be included in a navigation system. Alternatively or additionally, they can be called up and received by an external device, for example via a computer network such as the Internet, or by a local service, for example a server, which provides the card data for a parking lot or an operating site. Furthermore, a transmission through a network of vehicles may be provided. The map data can be recorded in particular when driving through a certain geographical area, for example by providing it when the vehicle enters a certain section of a road, a parking lot or an operating site. The acquisition is carried out in particular on the basis of an initial global position estimate, for example using GPS. The card data can also be recorded on the instruction of a user, for example when manually calling up updated map data.
Die von den Kartendaten umfassten Prior-Landmarkendaten werden insbesondere als globale Landmarkenfaktoren behandelt. Sie umfassen Informationen über Landmarken in einem geografischen Bereich, insbesondere deren Position, Orientierung und/oder weitere Merkmale, die zu ihrer Identifizierung und Lokalisierung verwendet werden können.The prior landmark data included in the map data are treated in particular as global landmark factors. They include information about landmarks in a geographic area, in particular their position, orientation and / or other features that can be used for their identification and localization.
Als „Landmarken“ im Sinne der Erfindung gelten in einem weiten Sinne Merkmale in einer geografischen Umgebung, denen zumindest eine Position zugeordnet werden kann. Insbesondere werden solche Merkmale als Landmarken verstanden, die als Muster mittels eines Mustererkennungsverfahrens erfasst, identifiziert und ausgewertet werden können. Landmarken können beispielsweise Fahrbahnmarkierungen und -streifen, Pfosten, Pfähle und Pfeiler, Schilder, Ecken, Kanten und Flächen von Bauwerken, Elemente einer Vegetation, künstliche Landmarken wie Barcodes oder andere Merkmale sein.“Landmarks” in the sense of the invention are, in a broad sense, features in a geographical environment to which at least one position can be assigned. In particular, such features are understood as landmarks that can be recorded, identified and evaluated as a pattern using a pattern recognition method. Landmarks can be, for example, road markings and strips, posts, piles and pillars, signs, corners, edges and surfaces of buildings, elements of vegetation, artificial landmarks such as barcodes or other features.
Bei dem erfindungsgemäßen Verfahren werden anhand der Umgebungsdaten Landmarken-Messdaten bestimmt. Dabei werden Landmarken detektiert und für die detektierten Landmarken werden weitere Informationen bestimmt, etwa ihre Position, Orientierung, Ausprägungen bestimmte Merkmalen wie Farbe, Länge, Radius oder andere. Die hierbei verwendeten Parameter hängen insbesondere vom Typ der Landmarke ab: Beispielsweise kann einer Fahrbahnmarkierung eine Anfangs- und eine Endposition zugeordnet werden, woraus sich eine Länge und Richtung gibt, ferner gegebenenfalls eine Dicke, Farbe, Form und/oder Musterung. In ähnlicher Weise können die Umgebungsdaten für weitere Landmarken und andere Typen von Landmarken ausgewertet werden.In the method according to the invention, landmark measurement data are determined on the basis of the environmental data. Landmarks are detected and further information is determined for the detected landmarks, such as their position, orientation, characteristics, certain features such as color, length, radius or others. The parameters used here depend, in particular, on the type of landmark: for example, a start and an end position can be assigned to a road marking, which gives a length and direction, and also, if appropriate, a thickness, color, shape and / or pattern. In a similar way, the environmental data can be evaluated for further landmarks and other types of landmarks.
Insbesondere wird von semantischen Landmarken ausgegangen, die anhand der Umgebungsdaten als Objekte erkannt und klassifiziert werden. In diesem Fall repräsentiert eine Landmarken nicht nur ein in den Umgebungsdaten erkennbares Muster, sondern es wird ein Landmarkentyp erkannt, dem bestimmte Eigenschaften zugeordnet werden können. In diesem Fall werden also nicht die Rohdaten direkt ausgewertet, etwa anhand einer Mustererkennung in den durch einen Laserscanner erfassten Daten, sondern es wird eine Landmarke als Objekt erkannt, das zu einer bestimmten Kategorie von Landmarken gehört und bestimmte, klar definierte Eigenschaften aufweist, die mit verschiedenen Verfahren gemessen werden können. Ein Vorteil dieses Vorgehens ist, dass die in einer Karte gespeicherten Informationen über solche semantischen Landmarken besonders einfach, insbesondere auch manuell, auf ihre Korrektheit überprüft werden können. Außerdem ist es möglich, Kartendaten mit Prior-Landmarkendaten aus beliebigen Quellen zu verwenden, sodass eine besonders hohe Flexibilität erreicht wird. Dadurch, dass die semantische Beschreibung unabhängig von der konkreten Fahrzeugsensorik ist, lässt sich eine solche Karte flexibel auf verschiedensten Fahrzeugen einsetzen und die Prior-Landmarkendaten können unabhängig von der verwendeten Sensorik ausgewertet werden.In particular, semantic landmarks are assumed which are recognized and classified as objects on the basis of the surrounding data. In this case, a landmark not only represents a pattern recognizable in the surrounding data, but a landmark type is recognized, to which certain properties can be assigned. In this case, the raw data are not evaluated directly, for example on the basis of a pattern recognition in the data recorded by a laser scanner, but a landmark is recognized as an object that belongs to a certain category of landmarks and has certain, clearly defined properties that are associated with different methods can be measured. One advantage of this procedure is that the information stored in a map about such semantic landmarks can be checked for correctness particularly easily, in particular also manually. It is also possible to use map data with prior landmark data from any source, so that a particularly high degree of flexibility is achieved. Because the semantic description is independent of the specific vehicle sensor system, such a map can be used flexibly on a wide variety of vehicles and the prior landmark data can be evaluated independently of the sensor system used.
Der bei dem Verfahren bestimmte Faktorgraph besteht aus einer Menge von Knoten und Kanten, die hier Faktoren darstellen. Hierbei umfassen die Knoten Schätzgrößen, die bestimmt werden sollen, insbesondere Fahrzeugposen zu bestimmten Zeitpunkten sowie Landmarken mit ihren entsprechenden Posen. Fahrzeugposen sind parametriert als Punkte in einem Koordinatensystem sowie als Orientierung innerhalb des Koordinatensystems (zweidimensional: x,y,theta; dreidimensional: x, y, z, roll-, pitch-, yaw-Winkel). Insbesondere ist dabei ein globales Koordinatensystem vorgesehen. Die Parametrierung von Landmarkenknoten unterscheidet sich je nach Landmarkentyp, wobei Landmarken in Klassen von verschiedenen Geometrien eingeteilt werden. Landmarken, deren Position sich durch einen Punkt darstellen lässt, etwa Pfosten, sind als Punkt (zweidimensional: x,y; dreidimensional: x, y, z) in einem Koordinatensystem parametriert. Für weitere Landmarkentypen ist ebenfalls zumindest eine Position als Parameter vorgesehen, gegebenenfalls zusammen mit weiteren Parametern.The factor graph determined in the method consists of a set of nodes and edges, which represent factors here. Here, the nodes comprise estimated values that are to be determined, in particular vehicle poses at specific times and landmarks with their corresponding poses. Vehicle poses are parameterized as points in a coordinate system and as an orientation within the coordinate system (two-dimensional: x, y, theta; three-dimensional: x, y, z, roll, pitch, yaw angle). In particular, a global coordinate system is provided. The parameterization of landmark nodes differs depending on the landmark type, whereby landmarks are divided into classes of different geometries. Landmarks whose position can be represented by a point, such as posts, are parameterized as a point (two-dimensional: x, y; three-dimensional: x, y, z) in a coordinate system. For other types of landmarks, at least one position is also provided as a parameter, possibly together with other parameters.
Die Kanten beziehungsweise Faktoren verbinden die Knoten. Ein Faktor kann mit beliebig vielen Knoten verbunden sein. Insbesondere sind die Faktoren lediglich mit einem Knoten verbunden (unäre Faktoren) oder sie verbinden paarweise zwei Knoten miteinander (binäre Faktoren). Unäre Faktoren beschreiben mathematisch einen Prior, das heißt eine bereits vorbekannte Information, über die verknüpfte Schätzgröße. Bei dem Verfahren sind insbesondere zwei unäre Faktoren von zentraler Bedeutung: Sogenannte globale Posen-Faktoren und globale Landmarken-Faktoren.The edges or factors connect the nodes. A factor can be connected to any number of nodes. In particular, the factors are connected to only one node (unary factors) or they connect two nodes in pairs (binary factors). Mathematically, unary factors describe a prior, i.e. information that is already known, about the linked estimate. In particular, two unary factors are of central importance in the process: so-called global pose factors and global landmark factors.
Globale Posen-Faktoren sind mit einem Knoten verbunden, der eine Fahrzeugpose repräsentiert, und beschreiben den (mathematischen) Prior darüber, welcher Position beziehungsweise Pose dieser Knoten entspricht, was also der Schätzwert für die Fahrzeugpose bei dem Knoten ist. Dieser unäre Faktor wird etwa von einer GPS-Messung gebildet und einer Fahrzeugpose zugeordnet. Bei dem resultierenden Optimierungsproblem ist dadurch als Randbedingung vorgegeben, dass die Schätzung nah an der GPS-Messung bleiben soll.Global pose factors are connected to a node that represents a vehicle pose and describe the (mathematical) prior about which position or pose this node corresponds to, which is the estimated value for the vehicle pose at the node. This unary factor is formed by a GPS measurement and assigned to a vehicle pose. In the resulting optimization problem, the boundary condition is that the estimate should remain close to the GPS measurement.
Globale Landmarken-Faktoren beschreiben auf ähnliche Weise einen Prior über einen Landmarken-Knoten, der die zu schätzenden Parameter einer Landmarke repräsentiert. Sie werden bei dem Verfahren direkt aus den von den Kartendaten umfassten Prior-Landmarkendaten gebildet. Anschließend werden sie einem Landmarken-Knoten zugeordnet und mit diesem verknüpft. Daraus ergibt sich bei dem resultierenden Optimierungsproblem die Randbedingung, dass die Schätzung nahe an den Prior-Landmarkendaten sein soll.Global landmark factors similarly describe a prior via a landmark node that represents the parameters of a landmark to be estimated. In the method, they are formed directly from the prior landmark data included in the map data. They are then assigned to a landmark node and linked to it. With the resulting optimization problem, this results in the boundary condition that the estimate should be close to the prior landmark data.
Bei einer Weiterbildung des Verfahrens wird beim Bestimmen des Faktorgraphen eine Assoziierung von Landmarken-Messdaten durchgeführt, wobei assoziierte Landmarken-Messdaten in Abhängigkeit von einem bestimmten Zeitpunkt bestimmt werden. Insbesondere werden bei dem Verfahren mehrere, wiederholte Beobachtungen der gleichen Landmarke identifiziert. Dies erlaubt es vorteilhafterweise, den Umfang des rechnerisch zu lösenden Optimierungsproblems zu reduzieren und effizienter zu lösen, indem wiederholte Beobachtungen der gleichen Landmarke assoziiert werden. Anschließend an die Lösung des Optimierungsproblems können zudem die erhaltenen Ergebnisse mit den Prior-Informationen verglichen werden, um die Korrektheit und Konsistenz der Prior-Informationen zu prüfen.In a development of the method, an association of landmark measurement data is carried out when determining the factor graph, with associated landmark measurement data being determined as a function of a specific point in time. In particular, several repeated observations of the same landmark are identified in the method. This advantageously allows the scope of the optimization problem to be solved arithmetically and to be solved more efficiently by associating repeated observations of the same landmark. After the optimization problem has been solved, the results obtained can also be compared with the prior information in order to check the correctness and consistency of the prior information.
Bei dem Verfahren kann im Allgemeinen nicht davon ausgegangen werden, dass die Erfassung der Umgebungsdaten und der Positionsdaten stets synchron miteinander und genau zu dem Zeitpunkt erfolgt, für den eine Position geschätzt werden soll. Es können daher unterschiedliche Verfahren genutzt werden, um die Messungen für einen bestimmten Zeitpunkt verwenden zu können: Der zeitliche Versatz kann ignoriert werden, insbesondere wenn es sich um sehr kurze Zeiten handelt oder wenn bekannt ist, dass die Bewegung des Fahrzeugs so langsam ist, dass sich für den zeitlichen Versatz keine relevante Verschiebung der Position ergibt. Alternativ können die Positionsdaten, insbesondere Daten eines Odometrieverfahrens, genutzt werden, um die Verschiebung der Position während des zeitlichen Versatzes aus dem Bewegungsablauf zu extrapolieren oder zwischen zwei Zeitpunkten zu interpolieren.In general, it cannot be assumed with the method that the acquisition of the environmental data and the position data always takes place synchronously with one another and exactly at the point in time for which a position is to be estimated. Different methods can therefore be used in order to be able to use the measurements for a specific point in time: The time offset can be ignored, in particular if the times are very short or if it is known that the movement of the vehicle is so slow that there is no relevant shift in position for the time offset. Alternatively, the position data, in particular data of an odometry method, can be used to extrapolate the displacement of the position during the time offset from the movement sequence or to interpolate between two points in time.
Bei einer Ausbildung wird der Faktorgraph für Zeitpunkte bestimmt, die in regelmäßigen Intervallen aufeinanderfolgen. Insbesondere wird dabei für jeden dieser Zeitpunkt der Faktorgraphen vollständig neu bestimmt. Dadurch kann vorteilhafterweise eine Bewegung des Fahrzeugs entlang einer Trajektorie nachverfolgt werden. Die regelmäßigen Intervalle können sich dabei auf feste zeitliche Abstände beziehen. Ferner kann der Faktorgraph in regelmäßigen räumlichen Abständen erzeugt werden oder es kann ein räumlicher Mindestabstand als Bedingung für die Erzeugung eines neuen Faktorgraphen vorgesehen sein. Vor dem Bestimmen eines neuen Faktorgraphen kann ferner geprüft werden, ob Daten einer bestimmten oder mehrerer Eingangsquellen vorliegen. Insbesondere werden zu den Zeitpunkten, an denen der Faktorgraphen neu bestimmt wird, neue Schätzungen für die Position, das heißt neue Positionsknoten, erzeugt.During an apprenticeship, the factor graph is determined for points in time that follow one another at regular intervals. In particular, the factor graph is completely redetermined for each of these times. As a result, a movement of the vehicle along a trajectory can advantageously be tracked. The regular intervals can relate to fixed time intervals. Furthermore, the factor graph can be generated at regular spatial intervals or a minimum spatial distance can be provided as a condition for the generation of a new factor graph. Before determining a new factor graph, it can also be checked whether there is data from a particular input source or from several input sources. In particular, at the times when the factor graph is newly determined, new estimates for the position, that is to say new position nodes, are generated.
Bei einer weiteren Ausbildung wird eine Zuordnung von Landkarten-Messdaten und Prior-Landmarkendaten durchgeführt und die Fahrzeug-Positionsdaten und Landmarken-Positionsdaten des Faktorgraphen werden anhand der Zuordnung bestimmt. Die Zuordnung wird insbesondere lokal vorgenommen. Dadurch werden vorteilhafterweise zusammengehörige Detektionen von Landmarken und von den Kartendaten umfasste Informationen über die Landmarken identifiziert.In a further embodiment, map measurement data and prior landmark data are assigned, and the vehicle position data and landmark position data of the factor graph are determined on the basis of the assignment. The assignment is made locally in particular. As a result, associated detections of landmarks and information about the landmarks comprised by the map data are advantageously identified.
Die Zuordnung kann anhand der über die Landmarken gespeicherten Informationen beziehungsweise dieser detektierten Parameter erfolgen. Insbesondere wird eine örtliche Nähe zwischen einer detektierten Landmarke und der vorgegebenen geschätzten Position für die Zuordnung verwendet, das heißt, eine detektierte Landmarke wird anhand der Landmarken-Messdaten einer Landmarke innerhalb der Kartendaten zugeordnet, die der jeweiligen Positionsschätzung möglichst genau entspricht.The assignment can take place on the basis of the information stored via the landmarks or these detected parameters. In particular, a local proximity between a detected landmark and the predefined estimated position is used for the assignment, that is, a detected landmark is assigned to a landmark within the map data based on the landmark measurement data, which corresponds as closely as possible to the respective position estimate.
Bei einer Weiterbildung werden bei der Optimierung des Faktorgraphen für die Landmarkenpositionsknoten des Faktorgraphen optimierte Landmarken-Positionsdaten bestimmt. Dadurch werden vorteilhafterweise bei der Optimierung des Faktorgraphen auch die Positionen der Landmarken optimiert. Das Verfahren kann dazu genutzt werden, die von den Kartendaten vorgegebenen Prior-Landmarkendaten anhand von Messungen zu verbessern.In a further development, when optimizing the factor graph for the landmark position nodes of the factor graph, optimized landmark position data are determined. This advantageously also optimizes the positions of the landmarks when optimizing the factor graph. The method can be used to improve the prior landmark data given by the map data on the basis of measurements.
Insbesondere kann vorgesehen sein, dass anhand der Prior-Landmarkendaten und der optimierten Landmarken-Positionsdaten Qualitätsdaten erzeugt und ausgegeben werden. Dies erlaubt vorteilhafterweise eine Überprüfung der Qualität einer Detektion von Landmarken oder einer Qualität von Kartendaten. Beispielsweise können die Qualitätsdaten Informationen darüber umfassen, ob und in welchem Maße die tatsächlich detektierten Landmarken von den Informationen abweichen, die mit den Kartendaten bereitgestellt werden. Insbesondere kann vorgesehen sein, dass anhand der Qualitätsdaten eine Aktualisierung der Kartendaten vorgenommen wird.In particular, it can be provided that quality data is generated and output on the basis of the prior landmark data and the optimized landmark position data. This advantageously allows the quality of a detection of landmarks or a quality of map data to be checked. For example, the quality data can include information as to whether and to what extent the landmarks actually detected differ from the information that is provided with the map data. In particular, can it is provided that the map data is updated on the basis of the quality data.
Bei einer Ausbildung wird das Verfahren iterativ für mehrere Zeitpunkte wiederholt und es wird eine Trajektorie von Positionen ausgegeben, wobei jeweils ein späterer Faktorgraph, der einem späteren Zeitpunkt zugeordnet ist, anhand eines früheren Faktorgraphen, der einem früheren Zeitpunkt zugeordnet ist, bestimmt wird. Dabei wird eine Marginalisierung des Faktorgraphen so durchgeführt, dass der spätere Faktorgraph eine vorgegebene Maximalgröße nicht überschreitet. Insbesondere wird das Verfahren in regelmäßigen Zeitintervallen durchgeführt. Dadurch kann vorteilhafterweise eine Trajektorie des Fahrzeugs verfolgt werden.In the case of an embodiment, the method is repeated iteratively for several points in time and a trajectory of positions is output, a later factor graph which is assigned to a later point in time being determined on the basis of an earlier factor graph which is assigned to an earlier point in time. The factor graph is marginalized in such a way that the later factor graph does not exceed a predetermined maximum size. In particular, the method is carried out at regular time intervals. This advantageously allows a trajectory of the vehicle to be traced.
Die Maximalgröße des Faktorgraphen kann dabei auf an sich bekannte Weise definiert sein, insbesondere als Anzahl von Knoten und Kanten und/oder anhand eines Komplexitätsmaßes, das den zur Lösung des Optimierungsproblems notwendigen Rechenaufwand quantifiziert.The maximum size of the factor graph can be defined in a manner known per se, in particular as the number of nodes and edges and / or on the basis of a complexity measure which quantifies the computation effort required to solve the optimization problem.
Dabei ist vorgesehen, dass ein „sliding window“ verwendet wird, das ein festes Zeitfenster ausgehend von einem aktuellen Zeitpunkt definiert. Beispielsweise können stets sämtliche Daten des Faktorgraphen für ein bestimmtes Zeitintervall vor dem aktuellen Zeitpunkt berücksichtigt werden. Ältere Daten können dabei vollständig ignoriert werden, insbesondere wenn das Zeitintervall lang ist und die älteren Daten daher veraltet sind. Ferner kann eine Gewichtung je nach Alter der Daten vorgenommen werden, wobei insbesondere ältere Daten weniger stark gewichtet werden. Zudem können die Daten früherer Zeitpunkte zusammengefasst werden, beispielsweise zu einem einzelnen Schätzwert für einen Parameter für einen zurückliegenden Zeitraum, während jüngere Daten als Einzelmessungen berücksichtigt werden.It is envisaged that a "sliding window" is used, which defines a fixed time window based on a current point in time. For example, all the data of the factor graph can always be taken into account for a specific time interval before the current time. Older data can be completely ignored, especially if the time interval is long and the older data is therefore out of date. Weighting can also be carried out depending on the age of the data, with older data in particular being weighted less strongly. In addition, the data from earlier points in time can be combined, for example to form a single estimated value for a parameter for a previous period, while younger data are taken into account as individual measurements.
Insbesondere erfolgt bei dem Verfahren für jeden Zeitschritt eine vollständig neue Optimierung des Faktorgraphen. Dagegen werden ältere Schätzungen bei herkömmlichen Verfahren typischerweise nicht verbessert, da Fehler der Schätzung zu früheren Zeitpunkten weiter fortgeschrieben werden. Bei dem Verfahren werden also vorteilhafterweise zu jedem Zeitpunkt die Schätzungen neu optimiert, statt von den Ergebnissen vergangener Schätzungen abhängig zu sein.In particular, the method involves a completely new optimization of the factor graph for each time step. In contrast, older estimates are typically not improved in conventional methods, since errors in the estimate are continued at earlier points in time. The method therefore advantageously optimizes the estimates at any point in time instead of being dependent on the results of past estimates.
Bei dem Verfahren gemäß der Erfindung umfasst der Faktorgraph Landmarkenpositionsknoten sowie Prior-Landmarkendaten, die insbesondere durch globale Landmarken-Faktoren repräsentiert sein können. In Verfahren gemäß dem Stand der Technik werden häufig die Landmarkenpositionsknoten durch Marginalisieren entfernt. Das Marginalisieren der Landmarkenpositionsknoten kann in diesem Fall zu Fehlern führen, die durch die Approximation entstehen (Marginalisierungsfehler). Diese Art von Fehler wird bei dem Verfahren gemäß der Erfindung vermieden. Bei dem erfindungsgemäßen Verfahren werden nämlich vorteilhafterweise verbesserte Informationen über die Landmarken-Positionen erhalten. Diese können genutzt werden um die Struktur des Faktorgraphen über die Zeit auf Sinnhaftigkeit und innere Konsistenz zu überprüfen. Gegebenenfalls kann auch eine Kartenqualität bewertet werden.In the method according to the invention, the factor graph comprises landmark position nodes and prior landmark data, which can be represented in particular by global landmark factors. In prior art methods, the landmark position nodes are often removed by marginalization. In this case, the marginalization of the landmark position nodes can lead to errors that result from the approximation (marginalization errors). This type of error is avoided in the method according to the invention. The method according to the invention advantageously provides improved information about the landmarks positions. These can be used to check the structure of the factor graph over time for meaningfulness and internal consistency. If necessary, a card quality can also be assessed.
Das erfindungsgemäße System zum Bestimmen einer Position eines Fahrzeugs umfasst eine Erfassungseinheit zum Erfassen von vorläufigen Positionsdaten des Fahrzeugs und Umgebungsdaten, eine Verarbeitungseinheit zum Bestimmen von Landmarken-Messdaten für detektierte Landmarken in einer Umgebung des Fahrzeugs anhand der Umgebungsdaten sowie eine Schnittstelle zum Empfangen von Kartendaten, wobei die Kartendaten Prior-Landmarkendaten umfassen. Es umfasst ferner eine Recheneinheit, die dazu eingerichtet ist, einen Faktorgraphen zu bestimmen, wobei der Faktorgraph Fahrzeugpositionsknoten, die vorläufige Fahrzeug-Positionsdaten repräsentieren, und Landmarkenpositionsknoten, die Landmarken-Positionsdaten repräsentieren, umfasst. Sie ist ferner dazu eingerichtet, eine Optimierung des Faktorgraphen durchzuführen, wobei optimierte Fahrzeug-Positionsdaten bestimmt werden, und anhand der optimierten Fahrzeug-Positionsdaten die Position zu bestimmen und auszugeben.The system according to the invention for determining a position of a vehicle comprises a detection unit for detecting preliminary position data of the vehicle and ambient data, a processing unit for determining landmark measurement data for detected landmarks in an environment of the vehicle on the basis of the ambient data, and an interface for receiving map data, wherein the map data includes prior landmark data. It also includes an arithmetic unit that is set up to determine a factor graph, the factor graph comprising vehicle position nodes that represent preliminary vehicle position data and landmark position nodes that represent landmark position data. It is also set up to optimize the factor graph, determining optimized vehicle position data, and determining and outputting the position on the basis of the optimized vehicle position data.
Das erfindungsgemäße System ist insbesondere ausgebildet, das vorstehend beschriebene erfindungsgemäße Verfahren zu implementieren. Das System weist somit dieselben Vorteile auf wie das erfindungsgemäße Verfahren.The system according to the invention is particularly designed to implement the method according to the invention described above. The system thus has the same advantages as the method according to the invention.
Die Schnittstelle zum Empfangen von Kartendaten kann auf unterschiedliche, an sich bekannte Weisen ausgebildet sein. Zum Beispiel kann eine Schnittstelle zu einem Computernetzwerk verwendet werden, etwa dem Internet oder einem lokalen Dienst, etwa einem lokalen Server zur Bereitstellung von Kartendaten für eine bestimmte Umgebung. Alternativ oder zusätzlich kann das Fahrzeug eine Speichereinheit umfassen oder es kann eine Speichereinheit eines externen Geräts verwendet werden, wobei insbesondere auf Daten eines Navigationsgeräts zugegriffen werden kann.The interface for receiving card data can be designed in different ways known per se. For example, an interface to a computer network, such as the Internet, or a local service, such as a local server, can be used to provide map data for a particular environment. As an alternative or in addition, the vehicle can comprise a storage unit or a storage unit of an external device can be used, in particular data from a navigation device being accessible.
Bei einer Ausbildung des erfindungsgemäßen Systems umfasst die Erfassungseinheit eine Kamera, einen Ultraschallsensor, einen Lasersensor und/oder einen Radarsensor. Alternativ oder zusätzlich können weitere Sensoren und Sensortypen verwendet werden. Dadurch werden vorteilhafterweise weit verbreitete und in vielen Fahrzeugen verfügbare Sensoren genutzt, wobei das System nicht auf diese Sensoren beschränkt ist.In one embodiment of the system according to the invention, the detection unit comprises a camera, an ultrasound sensor, a laser sensor and / or a radar sensor. Alternatively or additionally, other sensors and sensor types can be used. This will be advantageous widely used sensors available in many vehicles, but the system is not limited to these sensors.
Die Erfindung wird nun anhand von Ausführungsbeispielen mit Bezug zu den Zeichnungen erläutert.
-
1 zeigt ein Fahrzeug mit einem Ausführungsbeispiel des erfindungsgemäßen Systems, -
2A zeigt ein Ausführungsbeispiel des erfindungsgemäßen Faktorgraphen, -
2B zeigt ein Ausführungsbeispiel einer Situation auf einer Straße mit dem dazugehörigen Kartenausschnitt und -
3 zeigt ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens.
-
1 shows a vehicle with an embodiment of the system according to the invention, -
2A shows an embodiment of the factor graph according to the invention, -
2 B shows an embodiment of a situation on a street with the associated map section and -
3 shows an embodiment of the method according to the invention.
Mit Bezug zu
Ein Fahrzeug
Mit Bezug zu den
Der Faktorgraph umfasst Knoten und Kanten, wobei die Kanten in dem Ausführungsbeispiel als Faktoren bezeichnet werden. Hierbei sind unäre und binäre Faktoren vorgesehen, die mit einem beziehungsweise mit zwei Knoten verbunden sind. In
Die Knoten
Die Knoten
Die lokalen Posen-Faktoren
Die globalen Posenfaktoren
Die lokalen Landmarken-Faktoren
Die globalen Landmarken-Faktoren
Bei dem in
Dargestellt ist ferner ein Ausschnitt einer Karte
Mit Bezug zu
In einem ersten Schritt
Die Eingangsdaten werden in weiteren Schritten
Zu den Eingangsdaten zählen vorläufige Positionsdaten, die bei dem Ausführungsbeispiel mittels Odometrieverfahren und als globale Posenschätzungen, insbesondere mittels GPS, erfasst werden. Im Schritt
Anhand der durch die Erfassungseinheit
Die zu Beginn erfassten Kartendaten umfassen insbesondere eine Karte mit Prior-Landmarkendaten, das heißt Informationen über Landmarken in dem von der Karte abgedeckten Bereich. Die Kartendaten können hierbei zu Beginn vollständig geladen, abschnittsweise nachgeladen, oder von einem Backend oder anderen Fahrzeugen, insbesondere mittels Fahrzeug-zu-Fahrzeug-Kommunikation (vehicle-to-vehicle/v2v) bereitgestellt werden. Die Pufferung der Kartendaten, insbesondere einer Landmarkenkarte, erfolgt im Schritt
Für die verschiedenen zu Beginn erfassten Eingangsdaten kann es mehrere Quellen geben, bei dem Ausführungsbeispiel ist jedoch für jeden Typ zumindest eine Quelle vorgesehen. Insbesondere werden mehrere Module zur Erfassung von Positionsdaten berücksichtigt und damit große Teile der Eigenschaften einer Ortungsfusion in das Verfahren integriert. Wenn nachfolgend von jeweils einer Quelle pro Eingangsdatentyp die Rede ist, so wird davon ausgegangen, dass bei mehreren Quellen die jeweiligen Verfahrensschritte pro Quelle separat ausgeführt werden.There can be several sources for the various input data recorded at the beginning, but in the exemplary embodiment at least one source is provided for each type. In particular, several modules for the acquisition of position data are taken into account and thus large parts of the properties of a location fusion are integrated into the method. If in the following there is talk of one source per input data type, it is assumed that with several sources the respective method steps per source are carried out separately.
Die Pufferung
Um einen Faktorgraphen bestimmen zu können, werden zunächst die Zeitpunkte bestimmt, zu denen die Fahrzeugpose geschätzt werden soll. Dies geschieht bei dem Ausführungsbeispiel in einem festen zeitlichen Abstand, könnte aber auch beispielsweise durch einen räumlichen Mindestabstand geschehen, den das Fahrzeug zwischen zwei Schätzungen zurücklegt. Eine weitere Möglichkeit ist es, diese Zeitpunkte an das Vorhandensein der Daten einer oder mehrerer Eingangsquellen zu knüpfen. Zu diesen Zeitpunkten werden dann Posen-Knoten, insbesondere Fahrzeugpositionsknoten, im Graphen eingefügt und es kann eine neue Posenschätzung erfolgen.In order to be able to determine a factor graph, the times at which the vehicle pose is to be estimated are first determined. In the exemplary embodiment, this takes place at a fixed time interval, but could also be done, for example, by a minimum spatial distance that the vehicle travels between two estimates. Another possibility is to link these times to the existence of the data of one or more input sources. At these times, Poznan nodes, in particular vehicle position nodes, are then inserted in the graph and a new posture estimate can be made.
Anschließend werden in einem Schritt
In einem Schritt
Auch die im Schritt
Ferner werden im Schritt
Die lokale Assoziierung im Schritt
Zusätzlich dazu werden sie in einem Schritt
Es wird ähnlich vorgegangen wie oben für den Fall beschrieben, bei dem Hypothesen gebildet werden, um mehrere Detektionen der gleichen detektierten Landmarke zuzuordnen. Das Ergebnis dieses Schrittes
Im Schritt
Es kann ferner vorkommen, dass ein lokaler Landmarken-Faktor
Anhand der Zuordnungen zwischen lokalen Landmarken-Faktoren
Zum Zeitpunkt des Schrittes
Bei dem Ausführungsbeispiel werden dazu die ältesten Knoten und Faktoren außerhalb des Zeitfensters entfernt. Alternativ dazu können nur die Knoten und Faktoren des Faktorgraphen entfernt werden, die den geringsten Informationsgehalt aufweisen. Bei beiden Strategien ist zu bedenken, wie das „Entfernen“ am besten umgesetzt werden soll. Eine erste Möglichkeit ist das einfache Löschen von Knoten und Faktoren. Dies hat eine niedrige Komplexität und kann bei einem großen Faktorgraphen ausreichend sein. Eine weitere, bei dem Ausführungsbeispiel bevorzugte Möglichkeit ist das Marginalisieren von Informationen. Hierfür wird die dem Faktorgraphen zugrundeliegende Systemmatrix des Optimierungsproblems mit dem Schur-Komplement marginalisiert. Dieses Verfahren ist an sich bekannt, etwa aus dem wissenschaftlichen Artikel „Information-theoretic compression of pose graphs for laser-based SLAM“, H. Kretzschmar und C. Stachniss, International Journal of Robotics Research, 2012, Bd. 31, S. 1219-1230.In the exemplary embodiment, the oldest nodes and factors are removed outside the time window. Alternatively, only the nodes and factors of the factor graph that have the least information content can be removed. With both strategies, it is important to consider how the "removal" should best be implemented. A first option is to simply delete nodes and factors. This is of low complexity and can be sufficient for a large factor graph. Another option preferred in the exemplary embodiment is the marginalization of information. For this purpose, the system matrix of the optimization problem on which the factor graph is based is marginalized with the Schur complement. This method is known per se, for example from the scientific article “Information-theoretical compression of pose graphs for laser-based SLAM”, H. Kretzschmar and C. Stachniss, International Journal of Robotics Research, 2012, Vol. 31, p. 1219 -1230.
Im nächsten Schritt
Bei dem oben beschriebenen Ausführungsbeispiel wird eine initiale Pose mittels GPS- Messung oder anhand vergleichbarer Daten bestimmt. Vorher kann der Faktorgraph zwar aufgebaut werden, seine Optimierung bringt aber für die meisten Anwendungsfälle keine sinnvollen Resultate, insbesondere wenn die Zuordnung zu den Kartenlandmarken nicht erreicht werden kann. In diesem Fall kann alternativ vorgesehen sein, dass die letzte Fahrzeugpose bei Abstellen des Motors gespeichert und zur Initialisierung genutzt wird. Als weitere Alternative kann eine festgelegte Position genutzt werden, die beispielsweise ab Werk oder ab einem Parkplatz bei Unternehmensfahrzeugen eingestellt ist, oder die konfigurierbar vorgegeben werden kann, etwa eine Position in einer Garage bei Privatpersonen. Das Verfahren ist in diesem Fall unabhängig von GPS-Messungen und die initiale Pose kann besonders einfach bestimmt werden.In the exemplary embodiment described above, an initial pose is determined by means of GPS measurement or on the basis of comparable data. The factor graph can be built up beforehand, but optimizing it does not produce any useful results for most applications, especially if the assignment to the map landmarks cannot be achieved. In this case, it can alternatively be provided that the last vehicle pose is stored when the engine is switched off and is used for Initialization is used. As a further alternative, a fixed position can be used, which is set, for example, ex works or from a parking space for company vehicles, or which can be configured in a configurable manner, for example a position in a garage for private individuals. In this case, the procedure is independent of GPS measurements and the initial pose can be determined particularly easily.
Bei dem Verfahren können zudem weitere Landmarken integriert werden, falls sie entsprechend geometrisch repräsentiert werden können und eine Fehlerfunktion für sie angegeben werden kann. Dies kann für gängige Landmarken mit an sich bekannten Verfahren umgesetzt werden, etwa für Pfosten, Fahrbahnmarkierungen, Kanaldeckel, Häuserflächen, Häuserkanten, Tunneleinfahrten, Verkehrsschilder, Ampeln, Kreisverkehr-Mittelpunkte, Abflüsse, Bordsteine und ähnliche Landmarken.Additional landmarks can also be integrated in the method if they can be represented geometrically and an error function can be specified for them. This can be implemented for common landmarks with methods known per se, for example for posts, lane markings, manhole covers, house surfaces, house edges, tunnel entrances, traffic signs, traffic lights, roundabout centers, drains, curbs and similar landmarks.
Die bei dem Verfahren bestimmten globalen Landmarken-Faktoren
BezugszeichenlisteLIST OF REFERENCE NUMBERS
- 11
- Fahrzeugvehicle
- 22
- Erfassungseinheitacquisition unit
- 33
- Verarbeitungseinheitprocessing unit
- 44
- Recheneinheitcomputer unit
- 55
- Navigationssystemnavigation system
- 66
- Schnittstelleinterface
- 77
- Antriebs- und LenkmittelDrive and steering means
- 88th
- Steuereinheitcontrol unit
- 1010
- Externer ServerExternal server
- 2121
- Straße (real)Street (real)
- 2222
- Fahrbahnmarkierung (real)Road marking (real)
- 2323
- Leitpfosten (real)Guide post (real)
- 2424
- Fahrzeugvehicle
- 3030
- Kartemap
- 3131
- Straße (Karte)Street (map)
- 3232
- Fahrbahnmarkierung (Karte)Road marking (map)
- 3333
- Leitpfosten (Karte)Guide post (map)
- m0, m1 m 0 , m 1
- globale Landmarkenfaktorenglobal landmark factors
- l0, l1 l 0 , l 1
- Landmarkenpositionsknoten; LandmarkenknotenLandmark position node; Landmark nodes
- g0, g1, g2, g3 g 0 , g 1 , g 2 , g 3
- lokale Landmarkenfaktorenlocal landmark factors
- p0, p1, p2, p3, p4, p5, p6 p 0 , p 1 , p 2 , p 3 , p 4 , p 5 , p 6
- Fahrzeugpositionsknoten; PosenknotenVehicle position node; Posen node
- o0, o1, o2, o3, o4, o5 o 0 , o 1 , o 2 , o 3 , o 4 , o 5
- lokale Posenfaktorenlocal pose factors
- a0, a1 a 0 , a 1
- globale Posenfaktorenglobal pose factors
- S10S10
- Erfassung und VorverarbeitungAcquisition and preprocessing
- S21S21
- Puffer für globale PosenGlobal pose buffer
- S22S22
- Puffer für OdometriedatenBuffer for odometry data
- S23S23
- Landmarken (Detektionen)Landmarks (Detections)
- S24S24
- Landmarken (Karte)Landmarks (map)
- S31S31
- lokale Assoziierunglocal association
- S32S32
- Kartenzuordnungcard association
- S33S33
- zeitlicher Abgleichtemporal comparison
- S41S41
- Bestimmung von globalen PosenfaktorenDetermination of global pose factors
- S42S42
- Bestimmung von lokalen PosenfaktorenDetermination of local pose factors
- S43S43
- Bestimmung von lokalen LandmarkenfaktorenDetermination of local landmark factors
- S44S44
- Bestimmung von globalen LandmarkenfaktorenDetermination of global landmark factors
- S50S50
- Graphenaufbaugraph structure
- S60 S60
- Graphenoptimierunggraph optimization
- S70S70
- Ausgabe der PositionOutput of the position
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 documents listed by the applicant has been generated automatically and is only included 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 PatentliteraturPatent literature cited
- DE 102013208521 A1 [0003]DE 102013208521 A1 [0003]
- DE 102016205193 A1 [0004]DE 102016205193 A1 [0004]
- DE 102015214338 A1 [0005]DE 102015214338 A1 [0005]
- DE 102014209340 A1 [0006]DE 102014209340 A1 [0006]
- DE 102015218041 A1 [0007]DE 102015218041 A1 [0007]
- US 2017/0004379 A1 [0008]US 2017/0004379 A1 [0008]
Claims (10)
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018117660.0A DE102018117660A1 (en) | 2018-07-20 | 2018-07-20 | METHOD AND SYSTEM FOR DETERMINING A POSITION OF A VEHICLE |
CN201980061621.1A CN113330279A (en) | 2018-07-20 | 2019-07-18 | Method and system for determining the position of a vehicle |
PCT/EP2019/069442 WO2020016385A1 (en) | 2018-07-20 | 2019-07-18 | Method and system for determining a position of a vehicle |
EP19749243.2A EP3824247A1 (en) | 2018-07-20 | 2019-07-18 | Method and system for determining a position of a vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018117660.0A DE102018117660A1 (en) | 2018-07-20 | 2018-07-20 | METHOD AND SYSTEM FOR DETERMINING A POSITION OF A VEHICLE |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018117660A1 true DE102018117660A1 (en) | 2020-01-23 |
Family
ID=67539439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018117660.0A Withdrawn DE102018117660A1 (en) | 2018-07-20 | 2018-07-20 | METHOD AND SYSTEM FOR DETERMINING A POSITION OF A VEHICLE |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3824247A1 (en) |
CN (1) | CN113330279A (en) |
DE (1) | DE102018117660A1 (en) |
WO (1) | WO2020016385A1 (en) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112577496A (en) * | 2020-11-25 | 2021-03-30 | 哈尔滨工程大学 | Multi-source fusion positioning method based on self-adaptive option |
DE102019216722A1 (en) * | 2019-10-30 | 2021-05-06 | Zf Friedrichshafen Ag | Method for locating a vehicle on a digital map |
DE102020115718A1 (en) | 2020-06-15 | 2021-12-16 | Man Truck & Bus Se | Method for determining a type of use of a landmark pattern for self-localization of a vehicle, as well as electronic self-localization system for a vehicle |
DE102021117744A1 (en) | 2021-07-09 | 2023-01-12 | Cariad Se | Self localization of a vehicle based on an initial pose |
WO2023156085A1 (en) * | 2022-02-18 | 2023-08-24 | Bayerische Motoren Werke Aktiengesellschaft | Method and device for detecting a problem when determining a travel path |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019119000B4 (en) * | 2019-07-12 | 2022-02-10 | Bayerische Motoren Werke Aktiengesellschaft | determining a lane boundary |
DE102019123538A1 (en) * | 2019-09-03 | 2021-03-04 | Bayerische Motoren Werke Aktiengesellschaft | Method and device for determining a trajectory of a vehicle |
CN112595330B (en) * | 2020-11-13 | 2021-10-15 | 禾多科技(北京)有限公司 | Vehicle positioning method and device, electronic equipment and computer readable medium |
WO2023198090A1 (en) * | 2022-04-14 | 2023-10-19 | The Hong Kong Polytechnic University | 3d vision aided gnss real-time kinematic positioning for autonomous systems in urban canyons |
CN115183778A (en) * | 2022-07-01 | 2022-10-14 | 北京斯年智驾科技有限公司 | Image building method, device, equipment and medium based on pier stone pier |
DE102022207829A1 (en) | 2022-07-29 | 2024-02-01 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method for adding one or more anchor points to a map of an environment |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013208521A1 (en) | 2013-05-08 | 2014-11-13 | Bayerische Motoren Werke Aktiengesellschaft | Collective learning of a highly accurate road model |
DE102014209340A1 (en) | 2014-05-16 | 2015-11-19 | Siemens Aktiengesellschaft | Arrangement and method for sensor fusion |
US20170004379A1 (en) | 2015-06-30 | 2017-01-05 | Mitsubishi Electric Research Laboratories, Inc. | On-road stereo visual odometry without explicit pose determinations |
DE102015214338A1 (en) | 2015-07-29 | 2017-02-02 | Volkswagen Aktiengesellschaft | Determining an arrangement information for a vehicle |
DE102015218041A1 (en) | 2015-09-21 | 2017-03-23 | Bayerische Motoren Werke Ag | Method and device for providing data for a geometry map for autonomous or automated driving of a vehicle |
DE102016205193A1 (en) | 2016-03-30 | 2017-10-05 | Volkswagen Aktiengesellschaft | Marginalize a posse graph |
WO2018071416A1 (en) * | 2016-10-11 | 2018-04-19 | Kaarta, Inc. | Laser scanner with real-time, online ego-motion estimation |
US20180161986A1 (en) * | 2016-12-12 | 2018-06-14 | The Charles Stark Draper Laboratory, Inc. | System and method for semantic simultaneous localization and mapping of static and dynamic objects |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO20082337L (en) * | 2008-05-22 | 2009-11-23 | Modulprodukter As | Method of producing road maps and use of the same, as well as road map system |
JP6776513B2 (en) * | 2015-08-19 | 2020-10-28 | ソニー株式会社 | Vehicle control device, vehicle control method, information processing device, and traffic information provision system |
US10083606B2 (en) * | 2016-08-22 | 2018-09-25 | Allstate Insurance Company | Glare detection systems and methods for automated vehicular control |
-
2018
- 2018-07-20 DE DE102018117660.0A patent/DE102018117660A1/en not_active Withdrawn
-
2019
- 2019-07-18 WO PCT/EP2019/069442 patent/WO2020016385A1/en unknown
- 2019-07-18 EP EP19749243.2A patent/EP3824247A1/en active Pending
- 2019-07-18 CN CN201980061621.1A patent/CN113330279A/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013208521A1 (en) | 2013-05-08 | 2014-11-13 | Bayerische Motoren Werke Aktiengesellschaft | Collective learning of a highly accurate road model |
DE102014209340A1 (en) | 2014-05-16 | 2015-11-19 | Siemens Aktiengesellschaft | Arrangement and method for sensor fusion |
US20170004379A1 (en) | 2015-06-30 | 2017-01-05 | Mitsubishi Electric Research Laboratories, Inc. | On-road stereo visual odometry without explicit pose determinations |
DE102015214338A1 (en) | 2015-07-29 | 2017-02-02 | Volkswagen Aktiengesellschaft | Determining an arrangement information for a vehicle |
DE102015218041A1 (en) | 2015-09-21 | 2017-03-23 | Bayerische Motoren Werke Ag | Method and device for providing data for a geometry map for autonomous or automated driving of a vehicle |
DE102016205193A1 (en) | 2016-03-30 | 2017-10-05 | Volkswagen Aktiengesellschaft | Marginalize a posse graph |
WO2018071416A1 (en) * | 2016-10-11 | 2018-04-19 | Kaarta, Inc. | Laser scanner with real-time, online ego-motion estimation |
US20180161986A1 (en) * | 2016-12-12 | 2018-06-14 | The Charles Stark Draper Laboratory, Inc. | System and method for semantic simultaneous localization and mapping of static and dynamic objects |
Non-Patent Citations (3)
Title |
---|
C. Merfels and C. Stachniss: "Pose fusion with chain pose graphs for automated driving," 2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Daejeon, 2016, pp. 3116-3123. * |
D. M. Rosen, M. Kaess and J. J. Leonard, "RISE: An Incremental Trust-Region Method for Robust Online Sparse Least-Squares Estimation," in IEEE Transactions on Robotics, vol. 30, no. 5, pp. 1091-1108, Oct. 2014. * |
H. Chiu et al.: "Robust vision-aided navigation using Sliding-Window Factor graphs," 2013 IEEE International Conference on Robotics and Automation, Karlsruhe, 2013, pp. 46-53. * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019216722A1 (en) * | 2019-10-30 | 2021-05-06 | Zf Friedrichshafen Ag | Method for locating a vehicle on a digital map |
DE102020115718A1 (en) | 2020-06-15 | 2021-12-16 | Man Truck & Bus Se | Method for determining a type of use of a landmark pattern for self-localization of a vehicle, as well as electronic self-localization system for a vehicle |
CN112577496A (en) * | 2020-11-25 | 2021-03-30 | 哈尔滨工程大学 | Multi-source fusion positioning method based on self-adaptive option |
CN112577496B (en) * | 2020-11-25 | 2024-03-26 | 哈尔滨工程大学 | Multi-source fusion positioning method based on self-adaptive weight selection |
DE102021117744A1 (en) | 2021-07-09 | 2023-01-12 | Cariad Se | Self localization of a vehicle based on an initial pose |
WO2023156085A1 (en) * | 2022-02-18 | 2023-08-24 | Bayerische Motoren Werke Aktiengesellschaft | Method and device for detecting a problem when determining a travel path |
Also Published As
Publication number | Publication date |
---|---|
CN113330279A (en) | 2021-08-31 |
EP3824247A1 (en) | 2021-05-26 |
WO2020016385A1 (en) | 2020-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018117660A1 (en) | METHOD AND SYSTEM FOR DETERMINING A POSITION OF A VEHICLE | |
EP3491417B1 (en) | Method and system for detecting landmarks in a traffic environment of a mobile unit | |
DE102013208521B4 (en) | Collective learning of a highly accurate road model | |
EP3695244B1 (en) | Method and device for creating an inverse sensor model and method for detecting obstacles | |
DE102016214030A1 (en) | Method and system for detecting a traffic environment of a mobile unit | |
DE102016214470B4 (en) | Method and system for capturing a traffic environment of a mobile unit | |
EP3814720B1 (en) | Localization system and method for operating same | |
DE102015214338A1 (en) | Determining an arrangement information for a vehicle | |
DE102016214028A1 (en) | Method and system for determining a position of a mobile unit | |
DE102013107861A1 (en) | Tracking of road vehicles with sensors of different types | |
DE102014223363A1 (en) | Method and device for localizing a motor vehicle in a fixed reference card | |
DE102017105086A1 (en) | Updating a landmark map | |
DE102018203583B4 (en) | Method, driver assistance system and motor vehicle for the prediction of a position or a trajectory by means of a graph-based environment model | |
DE102018133441A1 (en) | Method and system for determining landmarks in the surroundings of a vehicle | |
DE102016214045A1 (en) | Method and device for determining a roadway model for a vehicle environment | |
DE102021114724A1 (en) | IMPROVED VEHICLE OPERATION | |
DE102018123393A1 (en) | Detection of parking areas | |
EP3440433B1 (en) | Method for determining a pose of an at least partially autonomously moving vehicle using specially selected landmarks transmitted from a back end server | |
DE102019203623A1 (en) | Method of providing a card | |
DE102022000849A1 (en) | Method for generating an environment representation for a vehicle | |
DE102021103153A1 (en) | SYSTEM AND METHOD FOR END-TO-END PREDICTION OF TRACK DETECTION UNCERTAINTY | |
EP3671125B1 (en) | Position determining system and method for operating a position determining system for a mobile unit | |
DE102022106248A1 (en) | System for controlling a camera to support human verification of sensor information | |
DE102023111700A1 (en) | ALGORITHM FOR GENERATING PLANNING-BASED ATTENTION SIGNALS | |
DE102021207418A1 (en) | Method of thinning a SLAM graph, method of operating a mobile device, and mobile device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G01C0021280000 Ipc: G01C0021040000 |
|
R016 | Response to examination communication | ||
R082 | Change of representative |
Representative=s name: REITSTOETTER KINZEBACH, DE |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |