DE102020125142B4 - Controlling a vehicle - Google Patents
Controlling a vehicle Download PDFInfo
- Publication number
- DE102020125142B4 DE102020125142B4 DE102020125142.4A DE102020125142A DE102020125142B4 DE 102020125142 B4 DE102020125142 B4 DE 102020125142B4 DE 102020125142 A DE102020125142 A DE 102020125142A DE 102020125142 B4 DE102020125142 B4 DE 102020125142B4
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- classifier
- scan
- certainty
- class
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000000528 statistical test Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G01C21/38—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
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- 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
- G01C21/3837—Data obtained from a single source
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
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.
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
-
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
Beispielhaft sind in
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
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
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
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
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
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
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
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
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
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
Der Klassifizierer 205 kann bevorzugt mittels maschinellen Lernens bereitgestellt werden. Ein zweites beispielhaftes Verfahren zum Bereitstellen eines Klassifizierers 205 ist in
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
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
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
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 (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020125142.4A DE102020125142B4 (en) | 2020-09-25 | 2020-09-25 | Controlling a vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020125142.4A DE102020125142B4 (en) | 2020-09-25 | 2020-09-25 | Controlling a vehicle |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102020125142A1 DE102020125142A1 (en) | 2022-03-31 |
DE102020125142B4 true DE102020125142B4 (en) | 2024-04-18 |
Family
ID=80624408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020125142.4A Active DE102020125142B4 (en) | 2020-09-25 | 2020-09-25 | Controlling a vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020125142B4 (en) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016202317A1 (en) | 2016-02-16 | 2017-08-17 | Continental Teves Ag & Co. Ohg | METHOD FOR CONTROLLING VEHICLE FUNCTIONS THROUGH A DRIVER ASSISTANCE SYSTEM, DRIVER ASSISTANCE SYSTEM AND VEHICLE |
DE102016009763A1 (en) | 2016-08-11 | 2018-02-15 | Trw Automotive Gmbh | Control system and control method for determining a trajectory and generating associated signals or control commands |
DE102018006218A1 (en) | 2018-08-07 | 2019-01-24 | Daimler Ag | Passive marker for the classification of obiekten |
US20190212749A1 (en) | 2018-01-07 | 2019-07-11 | Nvidia Corporation | Guiding vehicles through vehicle maneuvers using machine learning models |
US20190291726A1 (en) | 2018-03-20 | 2019-09-26 | Mobileye Vision Technologies Ltd. | Systems and methods for navigating a vehicle |
DE102019211006A1 (en) | 2019-07-25 | 2021-01-28 | Zf Friedrichshafen Ag | Evaluation of sensor data from a vehicle |
DE102019133316A1 (en) | 2019-12-06 | 2021-06-10 | Bayerische Motoren Werke Aktiengesellschaft | Determining a position of a vehicle |
DE102020118619A1 (en) | 2020-07-15 | 2022-01-20 | Bayerische Motoren Werke Aktiengesellschaft | controlling a motor vehicle |
-
2020
- 2020-09-25 DE DE102020125142.4A patent/DE102020125142B4/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016202317A1 (en) | 2016-02-16 | 2017-08-17 | Continental Teves Ag & Co. Ohg | METHOD FOR CONTROLLING VEHICLE FUNCTIONS THROUGH A DRIVER ASSISTANCE SYSTEM, DRIVER ASSISTANCE SYSTEM AND VEHICLE |
DE102016009763A1 (en) | 2016-08-11 | 2018-02-15 | Trw Automotive Gmbh | Control system and control method for determining a trajectory and generating associated signals or control commands |
US20190212749A1 (en) | 2018-01-07 | 2019-07-11 | Nvidia Corporation | Guiding vehicles through vehicle maneuvers using machine learning models |
US20190291726A1 (en) | 2018-03-20 | 2019-09-26 | Mobileye Vision Technologies Ltd. | Systems and methods for navigating a vehicle |
DE112019001421T5 (en) | 2018-03-20 | 2021-02-18 | Mobileye Vision Technologies Ltd. | SYSTEMS AND PROCEDURES FOR NAVIGATING A VEHICLE |
DE102018006218A1 (en) | 2018-08-07 | 2019-01-24 | Daimler Ag | Passive marker for the classification of obiekten |
DE102019211006A1 (en) | 2019-07-25 | 2021-01-28 | Zf Friedrichshafen Ag | Evaluation of sensor data from a vehicle |
DE102019133316A1 (en) | 2019-12-06 | 2021-06-10 | Bayerische Motoren Werke Aktiengesellschaft | Determining a position of a vehicle |
DE102020118619A1 (en) | 2020-07-15 | 2022-01-20 | Bayerische Motoren Werke Aktiengesellschaft | controlling a motor vehicle |
Also Published As
Publication number | Publication date |
---|---|
DE102020125142A1 (en) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3491339B1 (en) | Method, device and computer-readable storage medium with instructions for determining the lateral position of a vehicle relative to the lanes of a road | |
EP3490862B1 (en) | Method and device for determining a roadway model for the surroundings of a vehicle | |
WO2019223931A1 (en) | Method for controlling a vehicle system of a vehicle, designed to perform an automated driving operation, and device for carrying out said method | |
EP3526546B1 (en) | Method and system for the localisation of a vehicle | |
EP2562735A1 (en) | Method and device for analysing a route section to be driven by a vehicle | |
EP3465090A1 (en) | Method for providing vehicle trajectory information and method for determining the location of a pothole | |
DE102015213517A1 (en) | Method and device for warning other road users of a wrong-moving vehicle | |
EP3646184A1 (en) | Method, apparatus and computer-readable storage medium having instructions for cancelling a redundancy of two or more redundant modules | |
DE102020118629B4 (en) | Computer-implemented method for determining the validity of an estimated position of a vehicle | |
WO2017186385A1 (en) | Method and device for a motor vehicle for comparing surrounding area map data with surrounding area sensor data in order to ascertain the passability of a road object | |
DE102020200169B3 (en) | Method for merging several data sets for the generation of a current lane model of a roadway and device for data processing | |
EP3609755A1 (en) | Driver assistance system for a vehicle | |
DE102020125142B4 (en) | Controlling a vehicle | |
WO2019223833A1 (en) | Control of a motor vehicle | |
EP3688659A1 (en) | Method for automatically identifying parking areas and/or non-parking areas | |
DE102019211006B4 (en) | Evaluation of sensor data from a vehicle | |
DE102016202317A1 (en) | METHOD FOR CONTROLLING VEHICLE FUNCTIONS THROUGH A DRIVER ASSISTANCE SYSTEM, DRIVER ASSISTANCE SYSTEM AND VEHICLE | |
DE102020118628A1 (en) | Method and device for determining a position of a vehicle | |
DE112020007559T5 (en) | Driving assistance control device and driving assistance control method | |
DE102019218078A1 (en) | Determination of a situation in the environment of a motor vehicle | |
DE102019210129A1 (en) | Method for checking a calibration of several sensors and a motor vehicle with several sensors | |
EP3428682A1 (en) | Method for detecting an obstacle in the vicinity of a motor vehicle, evaluation unit, driver assistance system and motor vehicle | |
DE102018205146A1 (en) | Test method for high-resolution headlamps using AI | |
EP3644582B1 (en) | Method, device and central device for detecting a concept shift in the data and / or feature distribution of input data | |
DE102016124060A1 (en) | Car-to-infrastructure parking space detection system for a motor vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division |