DE102020125142B4

DE102020125142B4 - Controlling a vehicle

Info

Publication number: DE102020125142B4
Application number: DE102020125142.4A
Authority: DE
Inventors: Pascal Minnerup; Diego Valverde; Tom Böhnel; Halil Göcer
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2020-09-25
Filing date: 2020-09-25
Publication date: 2024-04-18
Anticipated expiration: 2040-09-26
Also published as: DE102020125142A1

Abstract

Vorrichtung (110) zur Bestimmung einer geografischen Position eines Fahrzeugs (105), wobei die Vorrichtung (110) folgende Elemente umfasst:- mehrere Sensoren (120), jeweils zur Bereitstellung einer Abtastung eines Umfelds des Fahrzeugs (105);- eine Bestimmungsvorrichtung (210) zur Bestimmung einer geografischen Position des Fahrzeugs (105) auf der Basis der Abtastungen;- einen Klassifizierer (205) zur Bestimmung der Zugehörigkeit einer Abtastung zu einer von wenigstens zwei verschiedenen vorbestimmten Klassen (220); wobei den Klassen (220) unterschiedliche Sicherheiten zugeordnet sind, mit denen die Abtastung ausreichend gut zur bestimmen geografischen Position passt; dadurch gekennzeichnet, dass der Klassifizierer (205) bestimmt, ob die Abtastung auf eine geografische Position hinweist, die nicht mehr als eine vorbestimmte Distanz von einer tatsächlichen Position des Fahrzeugs (105) abweicht.Device (110) for determining a geographical position of a vehicle (105), the device (110) comprising the following elements: - a plurality of sensors (120), each for providing a scan of an environment of the vehicle (105); - a determination device (210) for determining a geographical position of the vehicle (105) on the basis of the scans; - a classifier (205) for determining whether a scan belongs to one of at least two different predetermined classes (220); the classes (220) are assigned different certainties with which the scan fits sufficiently well to the determined geographical position; characterized in that the classifier (205) determines whether the scan indicates a geographical position that does not deviate by more than a predetermined distance from an actual position of the vehicle (105).

Description

Die Erfindung betrifft die Steuerung eines Fahrzeugs. Insbesondere betrifft die Erfindung die sichere Bestimmung einer Position des Fahrzeugs.The invention relates to the control of a vehicle. In particular, the invention relates to the reliable determination of a position of the vehicle.

Ein Fahrzeug umfasst einen oder mehrere Sensoren, die dazu eingerichtet sind, ein Umfeld des Fahrzeugs abzutasten. Eine Verarbeitungseinrichtung kann dann auf der Basis der Abtastungen eine geografische Position des Fahrzeugs bestimmen. Eine digitale Karte kann Informationen bezüglich der Position bereitstellen und das Fahrzeug kann in Abhängigkeit der Abtastungen, der Position und/oder der Informationen gesteuert werden. In einer Ausführungsform können eine Längs- und/oder Querbewegung des Fahrzeugs ohne Eingriff eines menschlichen Fahrers gesteuert werden.A vehicle includes one or more sensors configured to sense an environment of the vehicle. A processing device can then determine a geographical position of the vehicle based on the scans. A digital map can provide information regarding the position and the vehicle can be controlled depending on the scans, the position and/or the information. In one embodiment, longitudinal and/or transverse movement of the vehicle can be controlled without intervention by a human driver.

Derzeitige Systeme erlauben beispielsweise eine automatisierte Steuerung des Fahrzeugs entlang einer Fahrspur auf einer Autobahn. Dazu muss jedoch mit hoher Sicherheit bestimmt werden, auf welcher Fahrspur sich das Fahrzeug befindet. Eine falsch bestimmte Fahrspur kann, insbesondere im Bereich einer Abfahrt oder Auffahrt auf die Autobahn, zu einer erhöhten Unfallgefahr führen. Sollte die Fahrspur nicht mit ausreichender Sicherheit bestimmt werden können, so kann eine automatische Steuerung des Fahrzeugs abgeschaltet und die Verantwortung an einen Fahrer übergeben werden.Current systems allow, for example, automated control of the vehicle along a lane on a motorway. However, this requires a high degree of certainty as to which lane the vehicle is in. An incorrectly determined lane can lead to an increased risk of accidents, particularly in the area of an exit or entrance to the motorway. If the lane cannot be determined with sufficient certainty, automatic control of the vehicle can be switched off and responsibility transferred to a driver.

Zur Bestimmung, wie sicher die Position ausreichend genau der tatsächlichen Position des Fahrzeugs entspricht, können die Abtastungen auf relative Konsistenz geprüft werden. Insbesondere kann geprüft werden, ob eine Abtastung ausreichend gut zu einer bestimmten Position passt oder nicht. Ist dies nicht der Fall, so kann die Abtastung von einer weiteren Verarbeitung ausgeschlossen werden.To determine how reliably the position corresponds sufficiently to the actual position of the vehicle, the samples can be checked for relative consistency. In particular, it can be checked whether a sample fits a certain position sufficiently well or not. If this is not the case, the sample can be excluded from further processing.

DE 10 2016 202 317 A1 zeigt eine Vorrichtung zur Umfelderfassung, um mit einem Fahrzeug ein Hindernis zu umfahren. Dabei wird unter anderem die Zugehörigkeit eines Fahrzeugsensors zu einer von mehreren Klassen von Sensortypen bestimmt. EN 10 2016 202 317 A1 shows a device for detecting the environment in order to avoid an obstacle with a vehicle. Among other things, the affiliation of a vehicle sensor to one of several classes of sensor types is determined.

US 2019 / 0 291 726 A1 zeigt eine Vorrichtung zur Fahrzeugnavigation, die ein Fahrerassistenzsystem mit einer Umfeldbeobachtung umfasst. US 2019 / 0 291 726 A1 shows a device for vehicle navigation, which includes a driver assistance system with environment monitoring.

DE 10 2020 118 619 A1 und DE 10 2019 133 316 A1 zeigen weitere Vorrichtungen zur Positionsbestimmung eines Fahrzeugs, wobei der Aspekt der Zuverlässigkeit der Positionsbestimmung zumindest angesprochen wird. EN 10 2020 118 619 A1 and EN 10 2019 133 316 A1 show further devices for determining the position of a vehicle, whereby the aspect of the reliability of the position determination is at least addressed.

DE 10 2019 211 006 A1 zeigt eine Vorrichtung nach dem Oberbegriff des Anspruchs 1. EN 10 2019 211 006 A1 shows a device according to the preamble of claim 1.

Eine der Erfindung zugrunde liegende Aufgabe besteht darin, eine verbesserte Technik zur Bestimmung einer Sicherheit bereitzustellen, mit der eine bestimmte Position eines Fahrzeugs ausreichend genau einer tatsächlichen Position entspricht. Die Erfindung löst die Aufgabe mittels der Gegenstände der unabhängigen Ansprüche. Unteransprüche geben bevorzugte Ausführungsformen wieder.One object underlying the invention is to provide an improved technique for determining a certainty with which a specific position of a vehicle corresponds sufficiently accurately to an actual position. The invention solves the problem by means of the subject matter of the independent claims. Subclaims give preferred embodiments.

Nach einem ersten Aspekt der vorliegenden Erfindung umfasst eine Vorrichtung zur Bestimmung einer geografischen Position eines Fahrzeugs mehrere Sensoren, jeweils zur Bereitstellung einer Abtastung eines Umfelds des Fahrzeugs; eine Bestimmungsvorrichtung zur Bestimmung einer Position des Fahrzeugs auf der Basis der Abtastungen; und einen Klassifizierer zur Bestimmung der Zugehörigkeit einer Abtastung zu einer von wenigstens zwei verschiedenen vorbestimmten Klassen. Dabei sind den Klassen unterschiedliche Sicherheiten zugeordnet, mit denen die Abtastung ausreichend gut zur bestimmen Position passt.According to a first aspect of the present invention, a device for determining a geographical position of a vehicle comprises a plurality of sensors, each for providing a scan of an environment of the vehicle; a determination device for determining a position of the vehicle on the basis of the scans; and a classifier for determining whether a scan belongs to one of at least two different predetermined classes. Different certainties are assigned to the classes, with which the scan fits sufficiently well to the determined position.

Erfindungsgemäß bestimmt der Klassifizierer, ob die Abtastung auf eine geografische Position hinweist, die nicht mehr als eine vorbestimmte Distanz von einer tatsächlichen Position des Fahrzeugs abweicht.According to the invention, the classifier determines whether the scan indicates a geographic position that does not deviate more than a predetermined distance from an actual position of the vehicle.

Es wurde erkannt, dass unter Verwendung von mehr als einer positiven Klasse eine Abtastung auch dann noch zur Bestimmung der Position beitragen kann, wenn sie nicht mit sehr hoher Sicherheit gut genug zur Position passt. Beispielsweise können Klassen gebildet werden, die mit „passt sicher“, „passt wahrscheinlich“, „passt eher“, „passt eher nicht“, „passt wahrscheinlich nicht“ und „passt nicht“ bezeichnet werden können. Jeder Klasse ist eine numerische Sicherheit zugeordnet, beispielsweise 99,7 %, 95 %, 92 %, 88 % usw. Es ist zu beachten, dass die Sicherheit nicht angibt, mit welcher Sicherheit eine Abtastung der Klasse zugeordnet werden kann, also wie gut sie zu der Klasse passt, sondern wie sicher die Abtastung ausreichend gut zu der Position passt. Kann eine Abtastung keiner der vorbestimmten Klassen zugeordnet werden, so kann sie als „unsicher“ oder „unbekannt“ gelten.It has been recognized that using more than one positive class, a sample can still contribute to determining the position even if it does not fit the position well enough with very high confidence. For example, classes can be formed that can be labeled "certainly fits", "probably fits", "rather fits", "rather does not fit", "probably does not fit" and "does not fit". Each class is assigned a numerical confidence, for example 99.7%, 95%, 92%, 88%, etc. It should be noted that the confidence does not indicate with what confidence a sample can be assigned to the class, i.e. how well it fits the class, but how certain the sample is that it fits the position sufficiently well. If a sample cannot be assigned to any of the predetermined classes, it can be considered "uncertain" or "unknown".

Eine Abtastung, die nicht mit ausreichender Sicherheit ausreichend gut zur Position passt, kann von einer weiteren Verarbeitung ausgeschlossen werden. Insbesondere kann die Position auch unter Verzicht auf diese Abtastung erneut bestimmt werden.A sample that does not match the position well enough with sufficient certainty can be excluded from further processing. In particular, the position can be determined again without this sample.

Der Klassifizierer kann insbesondere bestimmen, ob die Abtastung zu Informationen passt, die auf der Basis einer Umgebungskarte an der bestimmten geografischen Position erwartet werden. Beispielsweise kann die Umgebungskarte eine Landmarke im Bereich der Position verzeichnen, und die Abtastung kann eine optische Abtastung des Umfelds umfassen. Dann kann bestimmt werden, um welches Maß die optisch erfasste Landmarke von der in der Umgebungskarte verzeichneten Landmarke unterschiedlich ist, etwa bezüglich ihrer Lage, ihres Betrachtungswinkels, ihrer Entfernung oder ihrer Größe.In particular, the classifier can determine whether the sample matches information that expected at the specific geographical position based on a map of the environment. For example, the map of the environment may record a landmark in the area of the position and the scanning may comprise an optical scan of the environment. It can then be determined to what extent the optically recorded landmark differs from the landmark recorded in the map of the environment, for example in terms of its location, its viewing angle, its distance or its size.

Der Klassifizierer kann weiter bevorzugt bestimmen, ob die Abtastung auf eine Position hinweist, die nicht mehr als eine vorbestimmte Distanz von einer tatsächlichen Position des Fahrzeugs abweicht. Die vorbestimmte Distanz kann so gewählt sein, dass sie eine falsche Bestimmung einer durch das Fahrzeug befahrenen Fahrspur ausschließt. Beispielsweise kann in einem Verkehrssystem, in welchem eine Fahrspur allgemein ca. 4 m breit ist, die Position des Fahrzeugs mit einem maximalen Fehler von ca. 2 m bestimmt werden.The classifier may further preferably determine whether the scan indicates a position that does not deviate from an actual position of the vehicle by more than a predetermined distance. The predetermined distance may be selected such that it precludes incorrect determination of a lane traveled by the vehicle. For example, in a traffic system in which a lane is generally approximately 4 m wide, the position of the vehicle may be determined with a maximum error of approximately 2 m.

In einer weiter bevorzugten Ausführungsform ist eine Bewertungseinrichtung vorgesehen, die dazu eingerichtet ist, eine Gesamtsicherheit zu bestimmen, mit der die auf der Basis der Abtastungen bestimmte geografische Position um mehr als die vorbestimmte Distanz von der tatsächlichen Position abweicht. Sollte die Gesamtsicherheit einen vorbestimmten Schwellenwert unterschreiten, so kann die Position des Fahrzeugs nicht ausreichend sicher mit der geforderten Genauigkeit bzw. mit einem geringeren als dem vorbestimmten maximalen Fehler bestimmt werden. Eine Steuervorrichtung zur Steuerung des Fahrzeugs, insbesondere in Längs- und/oder Querrichtung, kann dann abgeschaltet werden. Optional kann auch ein Hinweis an einen Fahrer zur Übernahme der Steuerung bereitgestellt werden.In a further preferred embodiment, an evaluation device is provided which is set up to determine an overall certainty with which the geographical position determined on the basis of the scans deviates from the actual position by more than the predetermined distance. If the overall certainty falls below a predetermined threshold value, the position of the vehicle cannot be determined with sufficient certainty with the required accuracy or with an error less than the predetermined maximum. A control device for controlling the vehicle, in particular in the longitudinal and/or transverse direction, can then be switched off. Optionally, a notification can also be provided to a driver to take over control.

Die Gesamtsicherheit kann auf der Basis des Produkts der Unsicherheiten gebildet werden, die den Klassen zugeordnet sind, denen die für die Positionsbestimmung verwendeten Abtastungen zugeordnet sind. Dabei ergänzt eine Unsicherheit eine Sicherheit zu eins, entspricht also der Gegenwahrscheinlichkeit. Betragen Sicherheiten für drei beispielhafte Sensoren 99 %, 89 % und 95 %, so kann die Gesamtunsicherheit als Produkt der Unsicherheiten zu 1% * 11 % * 5 % = 5.5 * 10^-5 bestimmt werden. Die Gesamtsicherheit ergänzt die Gesamtunsicherheit zu eins und beträgt in diesem Beispiel 1 - 5.5 * 10^-5. So kann sichergestellt sein, dass eine Abtastung, die auf eine falsch oder nicht ausreichend genau bestimmte Position hinweist, berücksichtigt wird.The overall safety can be calculated on the basis of the product of the uncertainties assigned to the classes to which the samples used for position determination are assigned. One uncertainty adds one safety to one, i.e. it corresponds to the opposite probability. If the safety for three example sensors is 99%, 89% and 95%, the overall uncertainty can be calculated as the product of the uncertainties as 1% * 11% * 5% = 5.5 * 10 ^-5 . The overall safety adds one to the overall uncertainty and in this example is 1 - 5.5 * 10 ^-5 . This ensures that a sample that indicates an incorrect or insufficiently precise position is taken into account.

Ein Klassifizierer kann auf der Basis maschinellen Lernens bereitgestellt sein. Dazu kann insbesondere ein überwachtes Lernen verwendet werden. Der Klassifizierer kann auf der Basis einer hierin beschriebenen Technik bereitgestellt werden.A classifier can be provided on the basis of machine learning. In particular, supervised learning can be used for this purpose. The classifier can be provided on the basis of a technique described herein.

Der Klassifizierer kann zur Zuordnung zu einer vorbestimmten Anzahl Klassen eingerichtet sein, wobei die Anzahl eine diskrete Zahl ist. Die Anzahl beträgt bevorzugt zwei oder mehr und kann in einem realistischen Beispiel ca. acht betragen. Wird der Klassifizierer mittels maschinellen Lernens bereitgestellt, so kann mit einer Anzahl von Testfällen, die für das Lernen verwendet werden können, eine Anzahl von möglichen Klassen, die gebildet werden können, ansteigen. Ein Maß für die Menge der Testdaten kann bezüglich einer Fahrstrecke angegeben werden, die mittels eines oder mehreren Referenzfahrzeugen zurückgelegt werden, wobei entsprechende Abtastungen aufgezeichnet werden. Für die Steuerung eines Fahrzeugs können Lerndaten von einer Fahrstrecke von beispielsweise ca. 2 Millionen km gefordert sein.The classifier may be arranged to be assigned to a predetermined number of classes, the number being a discrete number. The number is preferably two or more and may be approximately eight in a realistic example. If the classifier is provided by means of machine learning, a number of possible classes that can be formed may increase with a number of test cases that can be used for learning. A measure of the amount of test data may be given in relation to a distance travelled by one or more reference vehicles, with corresponding samples being recorded. For controlling a vehicle, learning data from a distance of, for example, approximately 2 million km may be required.

Der Klassifizierer kann die Abtastung derjenigen Klasse zuordnen, zu der die Abtastung am besten passt, falls die Abtastung besser als ein vorbestimmtes Maß zu dieser Klasse passt. Sollte die Abtastung gleich gut zu zwei verschiedenen Klassen passen, so kann die mit der geringeren Sicherheit bestimmt werden. Kann die Abtastung keiner der Klassen eindeutig zugeordnet werden, so kann die Abtastung als „unsicher“ bestimmt werden.The classifier can assign the sample to the class to which the sample best fits if the sample fits that class better than a predetermined amount. If the sample fits two different classes equally well, the one with the lower certainty can be determined. If the sample cannot be clearly assigned to any of the classes, the sample can be determined as "uncertain".

Nach einem weiteren Aspekt der vorliegenden Erfindung umfasst ein Fahrzeug eine hierin beschriebene Vorrichtung. Das Fahrzeug kann insbesondere ein Kraftfahrzeug umfassen, beispielsweise einen Personenkraftwagen, einen Lastkraftwagen, ein Kraftrad oder einen Bus.According to a further aspect of the present invention, a vehicle comprises a device described herein. The vehicle can in particular comprise a motor vehicle, for example a passenger car, a truck, a motorcycle or a bus.

Nach noch einem weiteren Aspekt der vorliegenden Erfindung umfasst ein erstes Verfahren zur Bestimmung der geografischen Position eines Fahrzeugs Schritte des Bereitstellens von Abtastungen eines Umfelds des Fahrzeugs mittels mehrerer Sensoren; des Bestimmens einer Position des Fahrzeugs auf der Basis der Abtastungen; und des Bestimmen der Zugehörigkeit einer Abtastung zu einer von wenigstens zwei verschiedenen vorbestimmten Klassen. Dabei sind den Klassen unterschiedliche Sicherheiten zugeordnet, mit denen die Abtastung zur bestimmen Position passt.According to yet another aspect of the present invention, a first method for determining the geographical position of a vehicle comprises steps of providing scans of an environment of the vehicle using a plurality of sensors; determining a position of the vehicle on the basis of the scans; and determining whether a scan belongs to one of at least two different predetermined classes. Different certainties are assigned to the classes with which the scan matches the determined position.

Erfindungsgemäß wird dabei bestimmt, ob die Abtastung auf eine geografische Position hinweist, die nicht mehr als eine vorbestimmte Distanz von einer tatsächlichen Position des Fahrzeugs abweicht.According to the invention, it is determined whether the scanning indicates a geographical position that does not deviate by more than a predetermined distance from an actual position of the vehicle.

Nach wieder einem weiteren Aspekt der vorliegenden Erfindung umfasst ein zweites Verfahren zum Bereitstellen eines Klassifizierers zur Bestimmung einer Sicherheit, mit der eine Abtastung eines Umfelds eines Fahrzeugs ausreichend gut zu einer vorbestimmten geografischen Position des Fahrzeugs passt, Schritte des Bereitstellens von Abtastungen eines Umfelds des Fahrzeugs; des Bestimmens, wie sicher die Abtastungen ausreichend gut zu der vorbestimmten Position passen; des Trainierens des Klassifizierers, die Abtastungen vorbestimmten Klassen zuzuordnen, denen jeweils eine Sicherheit zugeordnet ist, mit der die Zuordnung erfolgt; und des Anwendens eines statistischen Tests zur Bestimmung, dass eine falsche Zuordnung einer Abtastung zu einer Klasse mit einem geringeren als einem vorbestimmten Risiko erfolgt.According to yet another aspect of the present invention, a second method comprises for providing a classifier for determining a certainty with which a scan of an environment of a vehicle matches a predetermined geographical position of the vehicle sufficiently well, steps of providing scans of an environment of the vehicle; determining how certain the scans match the predetermined position sufficiently well; training the classifier to assign the scans to predetermined classes, each of which is associated with a certainty with which the assignment is made; and applying a statistical test to determine that an incorrect assignment of a scan to a class occurs with a lower than a predetermined risk.

Der statistische Test kann aus einem reichhaltigen Repertoire bekannter statistischer Werkzeuge für diskrete Ereignisse gewählt werden. Das Risiko kann hierbei eine korrespondierende Sicherheit zu eins ergänzen. Kann beispielsweise eine Zuordnung mit einer Sicherheit von 99 % erfolgen, so kann ein Risiko einer falschen Zuordnung von 1 % bestehen.The statistical test can be chosen from a rich repertoire of well-known statistical tools for discrete events. The risk can complement a corresponding certainty to one. For example, if an assignment can be made with a certainty of 99%, there can be a risk of incorrect assignment of 1%.

Der statistische Test kann derart angelegt sein, dass ein Risiko, dass eine Abtastung, die der Klassifizierer einer Klasse zuordnet, die eine geringere als die der Klasse zugeordnete Sicherheit aufweist, geringer als ein vorbestimmtes Maß ist. Dieses Maß kann kleiner als das Risiko sein, insbesondere um wenigstens eine Größenordnung. Beträgt das Risiko beispielsweise ca. 1 %, so kann das vorbestimmte Maß ca. 0,1 % betragen.The statistical test can be designed such that a risk that a sample that the classifier assigns to a class that has a lower certainty than that assigned to the class is less than a predetermined level. This level can be smaller than the risk, in particular by at least an order of magnitude. If the risk is, for example, approximately 1%, the predetermined level can be approximately 0.1%.

Das Trainieren kann derart erfolgen, dass eine Belohnung für die korrekte Zuordnung einer Abtastung zu einer Klasse mit einer hohen Sicherheit größer als für die Zuordnung der Abtastung zu einer Klasse mit einer geringeren Sicherheit ist. Beispielsweise kann die Belohnung für eine Zuordnung für die Klasse mit der höheren Sicherheit ca. zweimal so hoch sein wie für die Klasse mit der geringeren Sicherheit.Training can be done in such a way that a reward for correctly assigning a sample to a class with a high degree of certainty is larger than for assigning the sample to a class with a lower degree of certainty. For example, the reward for assigning the class with the higher degree of certainty can be approximately twice as high as for the class with the lower degree of certainty.

Das Trainieren kann derart erfolgen, dass Kosten für die fehlerhafte Zuordnung einer Abtastung zu einer Klasse mit einer hohen Sicherheit größer als für die Zuordnung der Abtastung zu einer Klasse mit einer geringeren Sicherheit sind. Beispielsweise können die Kosten für eine Zuordnung für die Klasse mit der höheren Sicherheit ca. 100 mal so hoch sein wie für die Klasse mit der geringeren Sicherheit.Training can be done in such a way that the cost of incorrectly assigning a sample to a class with a high degree of certainty is greater than the cost of assigning the sample to a class with a lower degree of certainty. For example, the cost of assigning a sample to the class with the higher degree of certainty can be approximately 100 times greater than the cost of assigning a sample to the class with the lower degree of certainty.

Die Belohnung und die Kosten können in einem vorbestimmten Verhältnis zueinanderstehen. Beispielsweise kann die Kostenfunktion stärker ansteigen als die Belohnungsfunktion. Zwischen zwei benachbarten Klassen können die Funktionen beispielsweise einen Faktor von ca. 50 aufweisen, wie in den obigen Beispielen der zweifachen Belohnung bei gleichzeitig 100-fachen Kosten. So kann sichergestellt sein, dass nur Abtastungen mit sehr hoher Qualität der Klasse mit der hohen Sicherheit zugeordnet werden.The reward and the costs can be in a predetermined relationship to each other. For example, the cost function can increase more than the reward function. Between two neighboring classes, the functions can, for example, have a factor of around 50, as in the above examples of double the reward and 100 times the cost. This ensures that only samples with very high quality are assigned to the class with high confidence.

Hierin beschriebene Verfahren können jeweils mittels einer hierin beschriebenen Vorrichtung ganz oder teilweise ausgeführt werden. Dazu kann die Vorrichtung einen programmierbaren Mikrocomputer oder Mikrocontroller umfassen. Die Verfahren können jeweils in Form eines Computerprogrammprodukts mit Programmcodemitteln vorliegen. Das Computerprogrammprodukt kann auf einem computerlesbaren Datenträger abgespeichert sein. Merkmale oder Vorteile der Verfahren können untereinander oder auf die Vorrichtung übertragen werden oder umgekehrt.Methods described herein can each be carried out in whole or in part by means of a device described herein. For this purpose, the device can comprise a programmable microcomputer or microcontroller. The methods can each be in the form of a computer program product with program code means. The computer program product can be stored on a computer-readable data carrier. Features or advantages of the methods can be transferred to one another or to the device, or vice versa.

Die Erfindung wird nun mit Bezug auf die beigefügten Zeichnungen genauer beschrieben, in denen:

1 ein System mit einem Fahrzeug;
2 eine Vorrichtung an Bord eines Fahrzeugs;
3 ein Ablaufdiagramm eines ersten Verfahrens; und
4 ein Ablaufdiagramm eines zweiten Verfahrens; und

illustriert.The invention will now be described in more detail with reference to the accompanying drawings, in which:

1 a system with a vehicle;
2 a device on board a vehicle;
3 a flow chart of a first method; and
4 a flow chart of a second method; and

illustrated.

1 zeigt ein System 100 mit einem Fahrzeug 105, insbesondere einem Kraftfahrzeug, in einem Umfeld 110. An Bord des Fahrzeugs 105 ist eine Vorrichtung 115 zur Positionierung des Fahrzeugs 105 vorgesehen. Die Vorrichtung 115 umfasst einen oder mehrere Sensoren 120, eine Verarbeitungseinrichtung 125 und einen optionalen Kartenspeicher 130. Zur Bereitstellung von Ergebnissen sind eine erste Schnittstelle 135 und eine zweite Schnittstelle 140 vorgesehen, die in einer anderen Ausführungsform auch miteinander integriert ausgeführt sein können. 1 shows a system 100 with a vehicle 105, in particular a motor vehicle, in an environment 110. A device 115 for positioning the vehicle 105 is provided on board the vehicle 105. The device 115 comprises one or more sensors 120, a processing device 125 and an optional map memory 130. A first interface 135 and a second interface 140 are provided for providing results, which in another embodiment can also be designed to be integrated with one another.

Beispielhaft sind in 1 als Sensoren 120 eine linke Kamera, eine rechte Kamera und ein Empfänger für Signale eines satellitengestützten Navigationssystems dargestellt. Andere oder zusätzliche Sensoren 120, beispielsweise ein Radarsensor, ein LiDAR Sensor, ein Ultraschallsensor oder ein Drehzahlsensor für ein Rad des Fahrzeugs 105, können ebenfalls eingesetzt werden. Jeder Sensor 120 ist dazu eingerichtet, eine Abtastung des Umfelds 110 bereitzustellen, die Informationen enthält, die auf eine Position des Fahrzeugs 105 hinweisen.Examples include 1 A left camera, a right camera and a receiver for signals from a satellite-based navigation system are shown as sensors 120. Other or additional sensors 120, for example a radar sensor, a LiDAR sensor, an ultrasonic sensor or a speed sensor for a wheel of the vehicle 105, can also be used. Each sensor 120 is configured to provide a scan of the environment 110 that contains information indicative of a position of the vehicle 105.

Die Verarbeitungseinrichtung 125 umfasst bevorzugt einen Mikrocomputer und ist dazu eingerichtet, auf der Basis von Abtastungen mittels der Sensoren 120 eine geografische Position des Fahrzeugs 105 zu bestimmen und an der ersten Schnittstelle 135 bereitzustellen. Ferner ist die Verarbeitungseinrichtung 125 dazu eingerichtet, zu bestimmen, mit welcher Sicherheit die bestimmte Position um weniger als eine vorbestimmte Distanz von einer tatsächlichen Position des Fahrzeugs 105 abweicht. Diese Distanz kann ungefähr die Hälfte der Breite einer Fahrspur 145 betragen, auf der sich das Fahrzeug 105 befindet. Die bestimmte Sicherheit kann mittels der zweiten Schnittstelle 140 bereitgestellt werden.The processing device 125 preferably comprises a microcomputer and is configured to determine a geographical position of the vehicle 105 on the basis of scans by means of the sensors 120 and to provide it at the first interface 135. Furthermore, the processing device 125 is configured to determine with what certainty the determined position deviates by less than a predetermined distance from an actual position of the vehicle 105. This distance can be approximately half the width of a lane 145 on which the vehicle 105 is located. The determined certainty can be provided by means of the second interface 140.

Eine nicht dargestellte Steuereinrichtung zur Steuerung des Fahrzeugs 105, insbesondere in Längs- und/oder Querrichtung, kann mit einer oder beiden Schnittstellen 135, 140 verbunden werden, um eine Bewegung des Fahrzeugs 105 in Abhängigkeit der bestimmten Position zu steuern. Sollte die Position in einer vorbestimmten Genauigkeit nicht mit einer vorbestimmten Sicherheit bestimmbar sein, so kann die automatische Steuerung des Fahrzeugs 105 beendet werden.A control device (not shown) for controlling the vehicle 105, in particular in the longitudinal and/or transverse direction, can be connected to one or both interfaces 135, 140 in order to control a movement of the vehicle 105 depending on the determined position. If the position cannot be determined with a predetermined accuracy and a predetermined degree of certainty, the automatic control of the vehicle 105 can be terminated.

2 zeigt eine schematische Darstellung der Vorrichtung 115 in einer Ausführungsform. Einer oder mehrere der dargestellten Funktionsblöcke können durch die Verarbeitungseinrichtung 125 gebildet sein. Es wird von einer Ausführungsform mit N Sensoren 120 ausgegangen, wobei in 2 nur der erste und der N-te Sensor 120 dargestellt und weitere mögliche Sensoren 120 durch eine unterbrochene Linie angedeutet sind. 2 shows a schematic representation of the device 115 in an embodiment. One or more of the illustrated functional blocks can be formed by the processing device 125. An embodiment with N sensors 120 is assumed, wherein in 2 only the first and the Nth sensor 120 are shown and further possible sensors 120 are indicated by a broken line.

Jedem Sensor 120 ist ein Klassifizierer 205 zugeordnet. Außerdem ist ein Positionierer 210 vorgesehen, der dazu eingerichtet ist, eine Position des Fahrzeugs 105 auf der Basis der von den Sensoren 120 bereitgestellten Abtastungen zu bestimmen. Ein Ergebnis des Positionierers 210 kann über die erste Schnittstelle 135 bereitgestellt werden.Each sensor 120 is assigned a classifier 205. In addition, a positioner 210 is provided, which is configured to determine a position of the vehicle 105 on the basis of the scans provided by the sensors 120. A result of the positioner 210 can be provided via the first interface 135.

Ein Klassifizierer 205 arbeitet auf der Basis der Abtastung eines zugeordneten Sensors sowie bevorzugt der bestimmten Position und Karteninformationen, die aus dem Kartenspeicher 130 entnommen sein können. Der Klassifizierer 205 bestimmt eine Sicherheit, mit der eine Abtastung ausreichend gut zu einer Position, insbesondere der bestimmten Position, oder zu Abtastungen der anderen Sensoren 120 passt. Bestimmte Sicherheiten mehrerer Klassifizierer 205 können mittels einer Bewertungseinrichtung 215 zusammengefasst werden, um eine Gesamtsicherheit zu bestimmen, mit der die bestimmte Position um nicht mehr als eine vorbestimmte Distanz von der tatsächlichen Position des Fahrzeugs 105 abweicht.A classifier 205 operates on the basis of the scanning of an associated sensor and preferably the specific position and map information that can be taken from the map memory 130. The classifier 205 determines a certainty with which a scanning matches a position, in particular the specific position, or scans from the other sensors 120 sufficiently well. Certain certainties of several classifiers 205 can be combined by means of an evaluation device 215 in order to determine an overall certainty with which the specific position does not deviate from the actual position of the vehicle 105 by more than a predetermined distance.

Der Klassifizierer 205 ist dazu eingerichtet, eine Abtastung einer von mehreren vorbestimmten Klassen 220 zuzuordnen. Dargestellte Klassen 220.1 bis 220.6 tragen beispielhaft die Bezeichnungen „passt sicher“, „passt wahrscheinlich“, „passt vielleicht“, „passt vielleicht nicht“, „passt wahrscheinlich nicht“ und „passt sicher nicht“. Zur Zuordnung bewertet der Klassifizierer 205, mit welcher Sicherheit die Abtastung darauf hinweist, dass die Position korrekt ist, also von der tatsächlichen Position um nicht mehr als ein vorbestimmtes Maß abweicht. Dazu kann bewertet werden, ob die Abtastung besser als ein vorbestimmtes Maß zur Position passt. Diese Bewertung kann einen Vergleich von Informationen umfassen, die aus der Abtastung und aus Karteninformationen im Bereich der bestimmten Position gewonnen sind.The classifier 205 is set up to assign a scan to one of several predetermined classes 220. Classes 220.1 to 220.6 shown are labeled, for example, "certainly fits", "probably fits", "maybe fits", "maybe doesn't fit", "probably doesn't fit" and "certainly doesn't fit". To assign the scan, the classifier 205 evaluates the degree of certainty with which the scan indicates that the position is correct, i.e. does not deviate from the actual position by more than a predetermined amount. For this purpose, it can be evaluated whether the scan fits the position better than a predetermined amount. This evaluation can include a comparison of information obtained from the scan and from map information in the area of the specific position.

Jeder Klasse 220 ist eine Sicherheit zugeordnet, mit der eine zugeordnete Abtastung zur bestimmten Position korrespondiert. Die Bewertungseinrichtung 215 kann ein Produkt der Sicherheiten bestimmen, die den Klassen 220 zugeordnet sind, denen die Abtastungen der Sensoren 120 bezüglich eines gemeinsamen Zeitpunkts oder Zeitabschnitts zugeordnet wurden. So kann die Bewertungseinrichtung 215 eine Gesamtsicherheit bestimmen, mit der die bestimmte Position um nicht mehr als ein vorbestimmtes Maß von der tatsächlichen Position des Fahrzeugs 105 abweicht. Ein Ergebnis der Bewertungseinrichtung 215 kann über die zweite Schnittstelle 140 bereitgestellt werden.Each class 220 is assigned a certainty with which an associated scan corresponds to the specific position. The evaluation device 215 can determine a product of the certainties that are assigned to the classes 220 to which the scans of the sensors 120 were assigned with respect to a common point in time or time period. The evaluation device 215 can thus determine an overall certainty with which the specific position does not deviate from the actual position of the vehicle 105 by more than a predetermined amount. A result of the evaluation device 215 can be provided via the second interface 140.

3 zeigt ein Ablaufdiagramm eines ersten Verfahrens zum Bestimmen einer Sicherheit, mit der eine bestimmte Position eines Fahrzeugs 105 um nicht mehr als ein vorbestimmtes Maß von seiner tatsächlichen Position abweicht. 3 shows a flow chart of a first method for determining a certainty with which a certain position of a vehicle 105 does not deviate from its actual position by more than a predetermined amount.

In einem Schritt 305 wird das Umfeld des Fahrzeugs 105 abgetastet. Dieser Schritt 305 kann parallel für je einen der mehreren Sensoren 120 durchgeführt werden, wie durch die mehrfach dargestellte Box dieses Schritts 305 grafisch angedeutet ist. Dabei stellt jeder Sensor 120 eine Abtastung bereit, die sich auf eine Position des Fahrzeugs 105 zu einem vorbestimmten Zeitpunkt bezieht.In a step 305, the surroundings of the vehicle 105 are scanned. This step 305 can be carried out in parallel for each of the several sensors 120, as is graphically indicated by the multiple boxes of this step 305. Each sensor 120 provides a scan that relates to a position of the vehicle 105 at a predetermined point in time.

In einem Schritt 310 kann auf der Basis der Abtastungen eine Position des Fahrzeugs 105 bestimmt werden. Die Position kann auch anderweitig bestimmt werden, beispielsweise auf der Basis anderer Informationen oder unter Verwendung nur einiger oder gar keiner der Abtastungen. Bezüglich der bestimmten Position können in einem Schritt 315 Karteninformationen bestimmt werden. Diese betreffen bevorzugt Informationen im Umfeld 110 des Fahrzeugs 105, die aus Abtastungen eines Sensors 120 an der bestimmten Position entnommen werden können. Eine beispielhafte Karteninformation betrifft eine Landmarke wie ein Gebäude, ein Geländemerkmal oder ein Element einer Infrastruktur. Aus der bestimmten Position müsste die Landmarke unter einem bestimmten Betrachtungswinkel erscheinen. Der Betrachtungswinkel der Landmarke kann auf der Basis der Abtastung bestimmt und mit dem erwarteten Betrachtungswinkel verglichen werden. Eine Abweichung der Betrachtungswinkel sollte nicht mehr als ein vorbestimmtes Maß betragen, um sicherzustellen, dass die bestimmte Position ausreichend genau bestimmt ist.In a step 310, a position of the vehicle 105 can be determined on the basis of the scans. The position can also be determined in another way, for example on the basis of other information or using only some or none of the scans. In a step 315, map information can be determined with regard to the determined position. This preferably relates to information in the environment 110 of the vehicle 105, which can be taken from scans of a sensor 120 at the determined position. An example of map information tion concerns a landmark such as a building, a terrain feature or an element of infrastructure. From the determined position, the landmark should appear at a certain viewing angle. The viewing angle of the landmark can be determined on the basis of the sampling and compared with the expected viewing angle. A deviation of the viewing angles should not be more than a predetermined amount to ensure that the determined position is determined with sufficient accuracy.

In einem Schritt 320 kann die Abtastung klassifiziert werden, indem bestimmt wird, welcher der vorbestimmten Klassen 220 sie zugeordnet werden kann. Jede Klasse 220 steht für eine vorbestimmte Sicherheit, mit der eine Abtastung ausreichend gut zu der bestimmten Position passt. Auch dieser Schritt kann je einmal für jede der Abtastungen der Sensoren 120 durchgeführt werden.In a step 320, the scan can be classified by determining which of the predetermined classes 220 it can be assigned to. Each class 220 represents a predetermined certainty with which a scan sufficiently matches the determined position. This step can also be carried out once for each of the scans of the sensors 120.

In einem Schritt 325 können Sicherheiten miteinander multipliziert werden, die den Klassen 220 zugeordnet sind, denen jeweils eine der Abtastungen zugeordnet wurden. Das Ergebnis kann als Gesamtsicherheit bereitgestellt werden.In a step 325, securities associated with the classes 220 to which each of the samples has been assigned may be multiplied together. The result may be provided as total security.

Der Klassifizierer 205 kann bevorzugt mittels maschinellen Lernens bereitgestellt werden. Ein zweites beispielhaftes Verfahren zum Bereitstellen eines Klassifizierers 205 ist in 4 in Form eines Ablaufdiagramms dargestellt.The classifier 205 may preferably be provided by machine learning. A second exemplary method for providing a classifier 205 is described in 4 presented in the form of a flow chart.

In einem Schritt 405 wird eine Abtastung eines Sensors 120 bereitgestellt. In einem Schritt 410 wird bestimmt, mit welcher Sicherheit die Abtastung ausreichend gut zu einer Position passt, an der sich das Fahrzeug 105 zu diesem Zeitpunkt befindet, beziehungsweise zu einer Position, die auf der Basis der Abtastung bestimmt wurde. Die Position kann insbesondere auf der Basis von Abtastungen weiterer Sensoren 120 bestimmt sein.In a step 405, a scan of a sensor 120 is provided. In a step 410, it is determined with what certainty the scan matches a position at which the vehicle 105 is located at this time or a position that was determined on the basis of the scan. The position can be determined in particular on the basis of scans from other sensors 120.

In einem Schritt 415 kann der Klassifizierer 205 mittels überwachten Lernens trainiert werden, die Abtastung korrekt einer der Klassen 220 zuzuordnen. Das Trainieren kann unter Verwendung einer Belohnungsfunktion und/oder einer Kostenfunktion erfolgen. Eine oder beide können so gestaltet sein, dass eine Zuordnung einer Abtastung zu einer Klasse mit einer höheren zugeordneten Sicherheit eine größere Belohnung, aber auch größere Kosten als die Zuordnung zu einer Klasse mit einer niedrigeren zugeordneten Sicherheit bedeutet. Die Schritte 405 bis 415 werden bevorzugt sehr oft ausgeführt, um den Klassifizierer 205 ausreichend gut anzulernen.In a step 415, the classifier 205 can be trained using supervised learning to correctly assign the sample to one of the classes 220. The training can be done using a reward function and/or a cost function. One or both can be designed such that assigning a sample to a class with a higher associated certainty means a greater reward but also a greater cost than assigning it to a class with a lower associated certainty. The steps 405 to 415 are preferably carried out very often in order to train the classifier 205 sufficiently well.

In einem Schritt 420 kann ein statistischer Test angesetzt werden, um zu bestimmen, dass der Klassifizierer 205 eine falsche Zuordnung einer Abtastung zu einer vorbestimmten Klasse 220 mit einem Risiko durchführt, das nicht größer als ein vorbestimmtes Maß ist, beispielsweise ca. 1 %. Dabei ist der statistische Test bevorzugt derart angelegt, dass eine Wahrscheinlichkeit, mit welcher irrtümlich nicht bestimmt wird, dass der Klassifizierer 220 schlechter als vorbestimmt arbeitet, geringer als ein vorbestimmtes Maß ist, beispielsweise ca. 0,1 %.In a step 420, a statistical test may be applied to determine that the classifier 205 incorrectly assigns a sample to a predetermined class 220 with a risk that is not greater than a predetermined level, for example, approximately 1%. The statistical test is preferably designed such that a probability of erroneously not determining that the classifier 220 is performing worse than predetermined is less than a predetermined level, for example, approximately 0.1%.

BezugszeichenReference symbols

100100: Systemsystem
105105: Fahrzeugvehicle
110110: UmfeldEnvironment
115115: Vorrichtungcontraption
120120: Sensorsensor
125125: VerarbeitungseinrichtungProcessing facility
130130: KartenspeicherCard storage
135135: erste Schnittstelle (Position)first interface (position)
140140: zweite Schnittstelle (Sicherheit)second interface (security)
145145: Fahrspur Lane
205205: KlassifiziererClassifier
210210: PositioniererPositioner
215215: BewertungseinrichtungAssessment facility
220220: KlasseClass
220.1220.1: erste Klasse („passt sicher“)first class (“surely fits”)
220.2220.2: zweite Klasse („passt wahrscheinlich“)second class (“probably fits”)
220.3220.3: dritte Klasse („passt vielleicht“)third class (“maybe it’s OK”)
220.4220.4: vierte Klasse („passt vielleicht nicht“)fourth grade (“maybe not fit”)
220.5220.5: fünfte Klasse („passt wahrscheinlich nicht“)fifth grade (“probably not suitable”)
220.6220.6: sechste Klasse („passt sicher nicht“) sixth grade (“definitely doesn’t fit”)
300300: erstes Verfahrenfirst procedure
305305: Umfeld abtastenScan the environment
310310: Position bestimmenDetermine position
315315: Karteninformationen bestimmenDetermine map information
320320: Abtastung klassifizierenClassify sampling
325325: Gesamtsicherheit bestimmen Determine overall safety
400400: zweites Verfahrensecond procedure
405405: Abtastung bereitstellenProvide scanning
410410: Bestimmungssicherheit bestimmenDetermine certainty of determination
415415: Klassifizierer trainierenTraining classifiers

Claims

Device (110) for determining a geographical position of a vehicle (105), the device (110) comprising the following elements: - a plurality of sensors (120), each for providing a scan of an environment of the vehicle (105); - a determination device (210) for determining a geographical position of the vehicle (105) on the basis of the scans; - a classifier (205) for determining whether a scan belongs to one of at least two different predetermined classes (220); the classes (220) are assigned different certainties with which the scan fits sufficiently well to the determined geographical position; characterized in that the classifier (205) determines whether the scan indicates a geographical position that does not deviate by more than a predetermined distance from an actual position of the vehicle (105).

Device (110) according to Claim 1 , wherein the classifier (205) determines whether the sample matches information expected based on an environmental map at the determined geographic location.

Device (110) according to Claim 2 , wherein the classifier (205) determines the extent to which an optically scanned landmark differs from a landmark recorded in the environmental map in the area of the geographical position with regard to its location, its viewing angle, its distance or its size.

Device (110) according to Claim 3 , further comprising an evaluation device (215) for determining an overall certainty with which the geographical position determined on the basis of the scans deviates from the actual position by more than the predetermined distance.

Device (110) according to Claim 4 , wherein the overall certainty is formed on the basis of a product of the uncertainties associated with the classes (220) to which the samples used for position determination are assigned.

Apparatus (110) according to any one of the preceding claims, wherein the classifier (205) is provided on the basis of machine learning.

Device (110) according to one of the preceding claims, wherein the classifier (205) is arranged to assign to a number of classes (220), wherein the number is a discrete number.

Apparatus (110) according to any one of the preceding claims, wherein the classifier (205) assigns the sample to the class (220) to which the sample best matches if the sample matches that class (220) better than a predetermined amount.

Vehicle (105) comprising a device (110) according to one of the preceding claims.

Method (300) for determining a geographical position of a vehicle (105), the method (300) comprising the following steps: - providing (305) scans of an environment of the vehicle (105) by means of a plurality of sensors (120); - determining (310) a position of the vehicle (105) on the basis of the scans; - determining (315) the membership of a scan to one of at least two different predetermined classes (220); wherein the classes (220) are assigned different certainties with which the scan matches the determined position; characterized in that it is determined whether the scan indicates a geographical position that does not deviate by more than a predetermined distance from an actual position of the vehicle (105).

Method (400) for providing a classifier (205) for determining a certainty with which a scan of an environment of a vehicle (105) matches a predetermined geographical position of the vehicle (105) sufficiently well, the method (400) comprising the following steps: - providing (405) scans of an environment of the vehicle (105); - determining (410) how certain the scans match the predetermined geographical position sufficiently well; - training (415) the classifier (205) to assign the scans to predetermined classes (220), each of which is assigned a certainty with which the assignment is made; - applying (420) a statistical test to determine that an incorrect assignment of a scan to a class (220) occurs with a lower than a predetermined risk.

Procedure (400) according to Claim 11 , wherein the statistical test is designed such that a risk that a sample which the classifier (205) assigns to a class (220) having a lower certainty than the certainty assigned to the class (220) is less than a predetermined level.

Procedure (400) according to Claim 11 or 12 , whereby the training is carried out in such a way that a reward a reward for correctly assigning a sample to a class (220) with a high certainty is greater than a reward for assigning the sample to a class (220) with a lower certainty.

Method (400) according to one of the Claims 11 until 13 , wherein the training (415) is carried out such that costs for incorrectly assigning a sample to a class (220) with a high certainty are greater than costs for assigning the sample to a class (220) with a lower certainty.

Procedure (400) according to Claims 13 and 14 , where the cost function increases more than the reward function.