CN111587430A - 用于探测物体的方法 - Google Patents
用于探测物体的方法 Download PDFInfo
- Publication number
- CN111587430A CN111587430A CN201980008218.2A CN201980008218A CN111587430A CN 111587430 A CN111587430 A CN 111587430A CN 201980008218 A CN201980008218 A CN 201980008218A CN 111587430 A CN111587430 A CN 111587430A
- Authority
- CN
- China
- Prior art keywords
- significance
- degree
- actual
- current time
- predicted
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000002245 particle Substances 0.000 claims abstract description 97
- 230000033001 locomotion Effects 0.000 claims abstract description 39
- 238000005259 measurement Methods 0.000 claims description 36
- 230000003068 static effect Effects 0.000 claims description 36
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Gyroscopes (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明描述一种用于识别在空间区域内的物体(150)的方法(400)。所述方法(400)包括:对于空间区域的多个单元(201)的每个单元:基于关于空间区域的传感器数据确定(401)对于一个单元(201)在当前时刻被占据、或未被占据或无法被占据的假设的显著程度;基于在先前时刻对于假设的实际的显著程度以及基于对于单元(201)的用于相应的多个运动假设的多个粒子(300)预测(402)在当前时刻的对于假设的预测的显著程度;并且通过将在当前时刻的测量的显著程度与预测的显著程度组合,确定(403)在当前时刻的实际的显著程度。此外所述方法(400)包括:基于对于多个单元(201)的在当前时刻的实际的显著程度确定(404)在当前时刻物体(150)在空间区域内的位置。
Description
技术领域
本发明涉及一种方法和一种相应的处理单元,其例如能够为车辆实现,基于传感器数据检测和/或跟踪在车辆的环境中的物体。
背景技术
车辆典型地具有多个不同的环境传感器,所述环境传感器设置用于关于车辆的环境检测不同的传感器数据。示例性的环境传感器是雷达传感器、超声传感器、激光雷达传感器、图像传感器等。基于车辆的所述一个或多个环境传感器的传感器数据,可以探测在车辆的环境中的一个或多个物体(例如一个或多个其他的车辆)。
发明内容
本文献涉及如下技术任务,即,提供一种方法和一种相应的处理单元,通过其能够以精确并且鲁棒的方式探测和跟踪尤其是在车辆的环境中的物体。在此,特别的关注点在于避免或减少通过暂时的遮盖引起的信息损失。
该任务通过独立权利要求解决。有利的实施形式主要在从属权利要求中说明。要指出,从属于独立权利要求的权利要求的附加的特征没有独立权利要求的特征或只结合独立权利要求的特征中的一部分可以形成单独的并且独立于独立权利要求的全部特征的组合的发明,其可以成为独立权利要求、分案申请或在后申请的主题。这以相同的方式适用于在说明书中所述的技术教导,其可以形成独立于独立权利要求的特征的发明。
按照一方面,说明用于识别在空间区域、尤其是在车辆的环境中的物体的方法。所述方法包括:对于空间区域的多个单元的每个单元:基于关于空间区域的传感器数据确定对于第一假设、即一个单元在当前时刻被占据的测量的第一显著程度和对于第二假设、即所述单元在当前时刻未被占据或(至少暂时)无法被占据的测量的第二显著程度。此外所述方法包括:对于所述多个单元的每个单元:基于在先前时刻对于第一假设的实际的第一显著程度和基于对于第二假设的实际的第二显著程度以及基于对于该单元的用于相应的多个运动假设的多个粒子来预测在当前时刻的对于第一假设的预测的第一显著程度和对于第二假设的预测的第二显著程度。此外所述方法包括:对于所述多个单元的每个单元:通过在当前时刻将测量的第一显著程度和测量的第二显著程度与预测的第一显著程度和预测的第二显著程度组合,确定在当前时刻的实际的第一显著程度和实际的第二显著程度。此外所述方法包括:基于对于所述多个单元的在当前时刻的实际的第一显著程度和实际的第二显著程度确定在当前时刻物体在空间区域内的位置。
在所述方法的范围中,因此确定包括多个单元的栅格,其中,每个单元具有用于不同的假设的实际的显著程度。在当前时刻的实际的显著程度在此通过预测基于在先前时刻的实际的显著程度并且基于粒子过滤器确定。此外进行预测的显著程度与测量的显著程度的合并和/或适配。这样能够实现空间区域的可靠的并且鲁棒的分类。尤其是可以通过在栅格中在不同时刻测量的显著程度的积累减少或避免基于空间区域的部分区域的暂时的遮盖的信息损失。
按照另一方面说明一种处理单元,所述处理单元设置用于实施在本文献中所述的方法。
按照另一方面,说明一种车辆、例如道路机动车(尤其是轿车或货车或公共汽车)和/或可移动的机器人,其具有在本文献中所述的处理单元。
按照另一方面,说明一种软件(SW)程序。所述SW程序可以设置用于在处理器(例如在车辆的控制器)上实施,并且以便由此实施在本文献中所述的方法。
按照另一方面说明一种存储介质。所述存储介质可以具有SW程序,所述SW程序设置用于以便在处理器上实施,并且以便由此实施在本文献中所述的方法。
要注意,在本文献中所述的方法、装置和系统可以不仅单独而且结合其他的在本文献中所述的方法、装置和系统使用。此外在本文献中所述的方法、装置和系统的任何方面可以以多样化的方式相互组合。尤其是权利要求的特征可以以多样化的方式相互组合。
附图说明
此外借助实施例进一步说明本发明。在此示出:
图1示出包括多个不同的环境传感器的示例性的车辆;
图2示出车辆的环境的示例性的栅格;
图3示出栅格的单元的示例性的粒子;
图4示出用于探测物体的示例性的方法的流程图;以及
图5示出用于确定用于空间区域的占据栅格的示例性的方法的流程图。
具体实施方式
如开头陈述的,本文献涉及基于一个或多个环境传感器的传感器数据探测和跟踪至少一个物体。就这点而言,图1示出包括一个或多个用于检测传感器数据的环境传感器111的车辆100。车辆100进一步具有处理单元101,所述处理单元设置用于基于传感器数据探测在车辆100的环境中的物体150。探测的物体150于是可以在车辆功能102(例如用于车辆100的半自动化的或高度自动化的行驶)中使用。
本文献尤其是涉及车辆100的环境的一致的多传感器的建模,所述建模在不同的抽象层面上映射静态的障碍物、可驶过的区域和/或动态的物体150并且对其全面估计。在此局部的环境可以作为动态占据网格图(Dynamic Occupancy Grid Map)或栅格200估计或表示(参见图2)。关于物体150的运动的动态估计可以借助粒子过滤器进行。在此在图或栅格200内积累测量数据或传感器数据并且粒子过滤器(仅或只)结构上用于栅格200的积累的数据。这样可以阻止在遮盖时静态的环境的信息损失。此外可以这样实质上减少计算花费,因为静态的环境直接在栅格200内没有粒子地映射。基于栅格200于是可以进行可靠的并且精确的物体跟踪。
图2示出车辆100的环境的示例性的栅格200,包括多个栅格单元或简称单元201。栅格200可以将车辆100的环境或周围分成多个二维或三维的单元201。二维的单元201可以在此具有矩形形状(例如具有10cm、5cm、2cm、1cm或更少的边长)。
处理单元101可以设置用于基于对于一个或多个单元201(尤其是对于每个单元201)的传感器数据确定测量数据,所述测量数据显示,单元201在确定的时刻t是否被占据或未被占据。尤其是用于单元c 201的测量数据zc可以显示
zc=(m(SDz,t),m(Fz,t))
其中,m(SD)=m({S,D})是单元c 201通过无法明确地识别为静态或动态的物体150占据的显著性或显著程度,并且其中,m(F)是如下的显著性,即,单元c 201空出,并且因此未被物体150占据(并且因此是空出的单元201)。单元201被物体150占据的显著性可以被视为如下的物体概率或物体概率的下界限,即,单元201被物体150占据(尤其是按Dempster-Shafer理论的意义)。
典型地可以基于在确定的时刻t的在时间上分离的测量只确定显著性或显著程度m(SD),m(F),因为无法确定:物体是被静态的还是动态的物体150占据。然而可以假定,在相应的时刻序列上的一序列测量之后,在当前时刻t可以提供占据栅格所述占据栅格对于不同的单元201显示用于不同的假设的不同的显著性,
其中,m(FDt)=m({F,D}t)显示用于如下假设的显著性,即,在过去未占据的单元201在时刻t可能被动态的物体150占据。此外m(St)示出如下的显著性或显著程度,即,单元c 201在时刻t被静态的物体150占据。此外m(Dt)示出如下的显著性或显著程度,即,单元c201在时刻t被动态的物体150占据。占据栅格说明在确定的时刻t栅格200的单元201的状况或状态。占据栅格的显著性或显著程度在本文献也称为实际的显著程度。
可能的物体150的运动可以通过所谓的粒子说明。为此目的,存在和/或可能存在可运动的物体150的单元201的显著程度可以分派到多个粒子上。尤其是可以在确定的时刻t将显著程度m(Dt)和/或显著程度m(SDt)分派到多个粒子300上。在此所述粒子300可以具有不同的运动301、尤其是不同的速度和/或运动方向。例如可以利用分辨率360°/R考虑具有确定的分辨率的R个不同的运动方向和V个不同的速度,从而在单元201中初始化RxV个不同的粒子300。因此可以在初始化用于一个单元201的粒子300时假定,单元201所属的物体150可以任意运动。
m(S′t)=m(St-1),
m(SD′t)=m(SDt-1),
m(D′t)=0,
m(F′t)=0,
动态的方面可以借助粒子300来考虑。尤其是可以对于每个单元201分别确定粒子300的显著程度的总和,所述粒子在时刻t落入到相应的单元201中。基于此于是可以确定如下的显著程度,即,单元201是动态的物体150,例如
在此可以在组合中考虑时间上的不确定因素E。
动态预测的占据栅格和静态预测的占据栅格的组合可以对于兼容的假设通过显著程度的乘法进行。另一方面在矛盾的假设时存在冲突。这于是可以尤其是如下情况,即,对于单元201通过动态的预测预测显著程度并且通过静态的预测预测显著程度m(S′t)。用于该冲突解决的一种鲁棒的方案可以是,在该情况中将实际的显著程度m(St-1)用作预测的显著程度
此外在时刻t对于各个单元201提供新的测量,所述测量在被测量的占据栅格中可以组合。在此被测量的占据栅格可以对于每个单元201显示显著程度m(SDz,t)和m(Fz,t)。预测的占据栅格Mt于是可以与测量的占据栅格组合,以便确定在时刻t的实际的占据栅格即
显著程度的组合可以又通过用于兼容的假设的显著程度的乘法进行。另一方面可以在不兼容的假设时产生冲突。如果当前的测量数据显示用于未占据的单元201的显著程度、即m(Fz,t),而预测的占据栅格显示用于静态的、动态的或未明确静态的或动态的物体150的显著程度,则这样的冲突尤其是可能出现。由此产生的冲突显著程度
例如可以如下配置给不同的假设,
在测量的占据栅格的确定的范围中,典型地不确定用于假设“静态的物体”或“动态的物体”的显著程度,而是仅确定如下的显著程度m(SDz,t),即,单元201通过未进一步指定的物体150占据。作为由此的结果,在预测的占据栅格与测量的占据栅格的组合中只提高用于假设SD的显著程度,但不提高用于假设S或D的显著程度。
分派到假设SD、S和D上。在这里可以说明在该情况中用于假设SD的Dempster-Shafer显著性-组合,其中,未标准化或考虑冲突地给出预测的占据栅格和测量的占据栅格换句话说,可以说明假设的显著程度的乘法,所述假设的交集对应于所描述的假设,即,在该情况中具有静态的物体S或动态的物体D的假设的所属的组合的集合{S,D}的假设SD。
所述分派可以如下进行,
m(SDt)←λ1
m(St)←λ2
m(Dt)←fDλ3,
m(SDt)←(1-fD)λ3
其中,fD是小于一的正数,其可以取决于在考察的单元201中的粒子300的数量。备选或补充地,fD可以根据考察的单元201的径向的速度的测量值,其中,所述测量值例如可以借助雷达传感器111检测。在此fD可以随着速度上升而升高。备选或补充地,fD可以根据来自分类算法的信息、例如结构上基于图像传感器地选择。备选或补充地,fD可以取决于膨胀的物体的上级的物体跟踪,所述物体可以膨胀到多个相邻的单元201上,其中,fD在要期待的或预测的膨胀的物体的附近可以升高。
另一方面在组合对于动态的物体150的假设时已分配的显著程度也可以至少部分地再分派到假设SD上,以便考虑相应的传感器的测量模型的测量误差或错误的简化。对于用于假设D的显著程度得出,
m(Dt)←(1-γ)λ4+fDγ4
m(SDt)←(1-fD)γλ4,
其中,γ是0至1之间的设计参数。
附加于时刻t的实际的占据栅格的确定,可以更新粒子300的分布,以便构建环境的一个或多个物体150的动态的方面、尤其是运动方向的当前的图像。为此目的,用于动态的物体150的假设的显著程度、即m(Dt)可以分布到多个粒子300上。在此用于单元201的粒子300的数量可以与单元201的显著程度m(Dt)成比例。
用于单元201的粒子300的密度例如可以选择为
并且可以因此根据用于动态的物体D的显著程度以及根据通过当前的测量提高的也许可以对应于动态的物体的显著程度m(SD)选择。补充地,也可以考虑用于静态的物体S的显著程度,其中,较高的显著程度m(St)减少粒子300的密度,因为粒子300对应于动态的物体的假设。所述密度可以与对于一个单元201的粒子300的最大值相乘,以便确定对于单元201的自适的数量的粒子300。备选地,在一个单元中的粒子的数量可以独立于显著程度选择并且例如定义为恒定的固定的值。可供使用的粒子300的至少一部分可以从在先前时刻(t-1)的预测的粒子300导出,所述预测的粒子已预测到相应的单元201中。这样可以进行沿物体150的运动方向的过滤。此外可以生成(相对低的)数量的随机分布的新的粒子300。这样可以提高用于更新实际的占据栅格的迭代的方法的鲁棒性。单元201的整个动态的显著程度m(Dt)可以均匀地分派到单元201的全部粒子300上,从而单元201的所有粒子300的显著程度的总和∑oχ对应于单元201的动态的显著程度m(Dt)。更新的粒子300于是可以又用于,确定用于后续时刻t+1的动态预测的占据栅格
图5形象地说明用于基于一个或多个环境传感器111的传感器数据501更新(实际的)占据栅格的迭代的方法500(所述占据栅格对于栅格200的每个单元201包括实际的显著程度m(St),m(Dt),m(SDt),m(Ft),m(FDt)。所述方法500可以对于时刻t-1,t,t+1,t+2,....的序列重复,例如以1Hz,10Hz,100Hz或更高的重复率或扫描频率重复。在当前时刻t,可以基于传感器数据501确定测量的占据栅格(所述占据栅格对于栅格200的每个单元201具有测量的显著程度m(SDz,t)、m(Fz,t))。测量的占据栅格可以与预测的占据栅格组合504。在此预测的占据栅格可以通过静态预测的占据栅格和动态预测的占据栅格的组合510来确定。静态预测的占据栅格可以通过映射过程506由在先前时刻(t-1)的(实际的)占据栅格来预测或确定。动态预测的占据栅格可以通过粒子跟踪过程由在先前时刻(t-1)的各个单元201的实际的D显著程度m(Dt-1)确定。在此粒子跟踪过程可以具有重采样步骤507,在所述重采样步骤中,单元201的实际的D显著程度m(Dt-1)分布到旧的和/或新的粒子300上。基于这些粒子300的运动301,于是可以将在栅格200内的粒子显著程度的运动和/或分布预测508到当前时刻t。由在当前时刻t的粒子显著程度的分布于是可以确定509各个单元201的动态预测的D显著程度(例如基于在相应的单元201中的粒子显著程度的总和)。
图4示出用于识别在空间区域内的物体150的一种示例性的方法400的流程图。所述空间区域例如可以是车辆100的周围或环境。所述空间区域可以分配到包括多个单元201的栅格200上。所述方法400可以通过评估单元101、尤其是车辆100实施。
所述方法400包括:对于空间区域的多个单元201的一个单元201(尤其是对于每个单元201):基于关于空间区域的传感器数据确定401对于第一假设、例如对于SD假设、即所述单元201在当前时刻t被占据的测量的第一显著程度、例如m(SDz,t)。此外可以基于传感器数据确定对于第二假设、例如用于F假设、即所述单元201在当前时刻t未占据或不可能占据的测量的第二显著程度、例如m(Fz,t)。
所述传感器数据可以借助一个或多个环境传感器111检测。在此可以利用确定的时间上的采样率(例如1Hz,10Hz,100Hz或更多)检测测量值。因此可以在一序列的时刻上分别提供传感器数据。所述方法400可以迭代地对于所述序列的时刻重复。测量的第一显著程度和测量的第二显著程度可以分别单独地基于相应的时刻的传感器数据确定。典型地,可以基于这样在时间上分开的测量只确定,单元201是空出(F假设)还是占据(SD假设)。通常无法确定,单元201是被静态的物体150还是被动态的物体150占据。通过在当前时刻t的测量可以因此确定显著程度m(SDz,t)和(Fz,t)。未来确定显著程度,可以进行环境传感器111的不同的类型的传感器数据的合并。
一般地,对于第一假设的第一显著程度可以包括对于“被静态占据”的、简称S假设的S显著程度m(S),所述S假设代表:单元201被静态的物体150占据。备选或补充地,对于第一假设的第一显著程度可以包括对于“被动态占据”的、简称D假设的D显著程度m(D),所述D假设代表:单元201被运动的、动态的物体150占据。备选或补充地,对于第一假设的第一显著程度可以包括对于“被未知地占据”的、简称SD假设SD显著程度m(SD),所述SD假设代表:单元201被物体150占据,对于所述物体未知其是静态还是动态的。
一般地,对于第二假设的第二显著程度可以包括对于“空出”的、简称F假设的F显著程度m(F),所述F假设代表:没有物体150处于所述单元201中。备选或补充地,对于第二假设的第二显著程度可以具有对于“短暂空出”的、简称FD假设的FD显著程度m(FD),所述FD假设代表:单元201未被占据或只暂时被动态的物体150占据。FD假设例如可以在如下情况中适合,即,之前空出的单元201被物体150遮盖,并且因此无法明确确定,单元201是空出还是被动态的物体150占据。
尤其是在确定的时刻t的单元201的状态可以通过实际的S显著程度m(St)、实际的D显著程度m(Dt)、实际的SD显著程度m(SDt)、实际的F显著程度m(Ft)和/或实际的FD显著程度m(FDt)描述。在此各个显著程度典型地标准化为0至1之间的值。此外显著程度典型地这样定义,即,对于不同的假设的显著程度的总和小于或等于一。剩余的显著程度可以称为剩余显著程度m(Θt),并且可以显示未配置或无法配置给任何所述假设的显著程度、例如上级的集合Θ={S,D,F}。各个显著程度可以显示如下的可能性,即,相应的假设对于单元201适合。所述显著程度可以以Dempster-Shafer的显著性理论作为依据。
此外所述方法400包括在或到当前时刻t预测402对于第一假设、例如SD假设、S假设和/或D假设的预测的第一显著程度、例如和/或以及对于第二假设、例如F假设和/或FD假设的预测的第二显著程度、例如和/或
在当前时刻t的预测的第一和第二显著程度可以在此基于在先前时刻(t-1)的对于第一假设、例如对于SD假设、S假设和/或D假设的实际的显著程度、例如m(SDt-1)、m(St-1)和/或m(Dt-1)和对于第二假设、例如对于F假设和/或用于FD假设的实际的第二显著程度、例如m(Ft-1)和/或m(FDt-1)预测。
此外在对预测的第一和第二显著程度的预测402中可以考虑对于所述单元201的用于相应的多个运动假设的多个粒子300。所述运动假设可以在此是单元201的关于运动方向和/或关于运动速度的假设。
通过粒子300,可以描述单元201的动态的响应。例如可以在先前时刻(t-1)将各个单元201的实际的第一显著程度、尤其是m(Dt-1)分别分布到多个粒子300上,其中,各个粒子300可以具有至少部分不同的运动301、尤其是运动方向和/或运动速度(用于不同的运动假设)。所述粒子300可以在先前时刻(t-1)至当前时刻t之间的时间间隔内按照分别定义的运动301运动。所述多个单元201的粒子300的至少一部分于是可以在当前时刻t处于确定的单元201中。用于预测402确定的单元201的预测的第一和第二显著程度的多个粒子300可以是如下粒子300,其在先前时刻(t-1)已定义并且基于运动301在当前时刻t落入到确定的单元201中。
为了预测的第一和第二显著程度的预测402可以因此考虑在先前时刻(t-1)的实际的显著程度和粒子300,其中,通过粒子300描述空间区域的动态的方面。
此外,所述方法400包括通过一方面在当前时刻t的测量的第一显著程度(例如m(SDz,t))和测量的第二显著程度(例如m(Fz,t))和另一方面在当前时刻t的预测的第一显著程度(例如和/或)和预测的第二显著程度(例如和/或)的组合504确定403在当前时刻(t)的实际的第一显著程度(例如m(SDt)、m(St)和/或m(Dt))和实际的第二显著程度(例如m(Ft)和/或m(FDt))。
所述显著程度的组合可以包括显著程度的相乘。尤其是测量的第一显著程度可以与预测的第一显著程度、测量的第一显著程度可以与预测的第二显著程度、测量的第二显著程度可以与预测的第一显著程度并且测量的第二显著程度可以与预测的第二显著程度相乘,以便将来自预测的显著程度和来自测量的显著程度组合。这样组合的显著程度于是可以分配给实际的第一或第二显著程度,以便确定单元201的当前的状态。
在显著程度的组合的范围中,可以出现关于组合的显著程度的分配的冲突。
尤其是所述方法400可以包括:确定对于相互矛盾的假设的组合的冲突显著程度。所述冲突显著程度于是可以按照确定的规则分配给第一和/或第二假设。这样能实现实际的显著程度的鲁棒的确定。
通过所述方法400的步骤401,402,403,可以以可靠并且鲁棒的方式确定在一序列的时刻t对于空间区域的栅格200的各个单元201的状态。为此目的,所述方法400可以迭代地用于相继的时刻重复。在此可以在所述方法400的范围中通过考虑粒子300对于在不同的时刻之间的过渡来考虑空间区域内的动态的活动性。此外通过考虑用于静态的物体150的特别的S显著程度,可以即使在遮盖时也保持关于这样的静态的物体150的信息。此外FD显著程度的考虑能够实现,阻止基于遮盖的信息损失。
所述方法400此外可以包括:基于对于所述多个单元201的在当前时刻t的实际的第一显著程度(例如m(SDt)、m(St)和/或m(Dt))和基于实际的第二显著程度(例如m(Ft)和/或m(FDt)),确定404在当前时刻t在空间区域内的物体150的位置。尤其是可以通过考虑在一序列相继的时刻上的实际的显著程度,实施物体150的可靠的、精确并且鲁棒的跟踪。
在当前时刻t的实际的显著程度的预测402的范围中,可以基于在或来自先前时刻(t-1)的实际的第一显著程度(例如m(SDt-1)、m(St-1)和/或m(Dt-1))预测在当前时刻t的静态预测的第一显著程度(例如m(SD′t)、m(S′t)和/或m(D′t))(例如借助映射过程506)。在此静态预测的第一显著程度可以由在前的实际的显著程度预测(不考虑动态的显著程度或粒子300)和/或以静态的预测为依据。此外可以基于多个粒子300,确定在当前时刻t的动态预测的第一显著程度(例如)(例如借助粒子跟踪过程507,508,509)。粒子300可以与粒子显著程度关联,并且动态预测的第一显著程度(例如)的确定可以包括在单元201中的多个粒子300的粒子显著程度的合计。
因此预测402可以对于静态和对于动态的方面单独进行。这样可以阻止或减少在从先前时刻到当前时刻的预测的范围中的静态的方面的信息损失。对于第一假设(例如SD假设、S假设和/或D假设)的预测的第一显著程度(例如和/或)于是可以通过静态预测的第一显著程度(例如m(SD′t)、m(S′t)和/或m(D′t))和动态预测的第一显著程度(例如)的组合510确定。
在确定单元201的当前的状态之后,可以进行粒子300的更新,以用于考虑动态的方面。在此在当前时刻t单元201的实际的第一显著程度(例如m(SDt)和/或m(Dt))可以分布到多个更新的粒子300上。尤其是可以进行实际的第一显著程度、例如m(Dt)到单元201的不同的粒子300上的均匀的分布。
单元201的多个更新的粒子300可以至少部分地包括在先前时刻(t-1)的粒子300,所述粒子在当前时刻t落入到单元201中。这样可以过滤或标识出支配的运动。
备选或补充,所述多个更新的粒子300可以至少部分地包括具有不同的运动301(例如不同的运动方向和/或运动速度)的新的粒子300。在此可以进行可能的运动301的均匀的覆盖。这样可以考虑新的物体150的新的运动和/或运动方向的改变。
所述方法400可以包括基于在先前时刻(t-1)的实际的S显著程度m(St-1)确定在当前时刻t的静态预测的S显著程度m(S′t)(例如借助映射过程506)。尤其是可以设置m(S′t)=m(St-1)。此外所述方法400可以包括基于多个粒子300的粒子显著程度的总和确定动态预测的D显著程度所述粒子在当前时刻t落入到单元201中或引导至单元201(例如基于粒子跟踪过程507,508,509)。于是可以基于静态预测的S显著程度m(S′t)和动态预测的D显著程度确定冲突显著程度,例如通过静态预测的S显著程度m(S′t)和动态预测的D显著程度的乘法。冲突显著程度于是可以至少部分或完全地分配给在当前时刻t的预测的S显著程度这样可以引起单元201的状态的鲁棒的确定。
所述方法400可以包括基于在先前时刻(t-1)的实际的FD显著程度m(FDt-1)、实际的F显著程度m(Ft-1)和实际的D显著程度m(Dt-1)确定在当前时刻t的静态预测的FD显著程度m(FD′t)。所述静态预测的FD显著程度m(FD′t)可以尤其是作为确定。这样可以引起,即使在动态的物体150离开单元201之后,也继续保留有对如下的提示,即,单元201可能被动态的物体150占据(尤其是当F假设还未通过传感器数据的具体的测量确认时)。通过上述公式的分母可以保证,作为空出已测量并且在后来的时刻短时被动态的物体150占据(这可以必要时单纯地基于粒子300的预测没有所属的占据测量地进行)的单元在后来的时刻再次大致获得来自最初的F测量的FD显著程度的在前的值。作为由此的结果保留有如下的提示,即,该单元可被驶过。这典型地不直接由D显著程度导出,而是只由测量的F显著程度导出。
在当前时刻t的预测的FD显著程度于是可以基于在当前时刻t的静态预测的FD显著程度m(FD′t)确定。这样能够实现在空间区域内的空出空间的鲁棒的并且可靠的估计(即使在被动态的物体150的暂时的遮盖或占据时)。
如已经在上面陈述的,所述方法400可以包括基于在先前时刻(t-1)的实际的S显著程度m(St-1)确定在当前时刻t的静态预测的S显著程度m(S′t)。此外所述方法400可以包括基于在先前时刻(t-1)的实际的SD显著程度m(SDt-1)确定在当前时刻t的静态预测的SD显著程度m(SD′t),尤其是作为m(SD′t)=m(SDt-1)确定。此外如已经在上面陈述的,在当前时刻t的静态预测的FD显著程度m(FD′t)可以基于在先前时刻(t-1)的实际的FD显著程度m(FDt-1)、实际的F显著程度m(Ft-1)和实际的D显著程度m(Dt-1)确定。此外如上面陈述的,所述方法400可以包括基于多个粒子300的粒子显著程度的总和确定动态预测的D显著程度
为了对预测的第一和/或第二显著程度进行预测,一方面静态预测的S显著程度m(S′t)、静态预测的SD显著程度m(SD′t)和/或静态预测的FD显著程度m(FD′t)与另一方面动态预测的D显著程度可以组合(例如通过成对的相乘)。这样以鲁棒和可靠的方式,不仅静态的而且动态的方面可以从在先前时刻(t-1)传输至当前的状态t。在此出现的冲突可以如下面陈述地解决。
所述方法400可以包括在一方面在当前时刻t的预测的S显著程度预测的D显著程度和/或预测的SD显著程度和另一方面在当前时刻t的测量的F显著程度m(Fz,t)之间的冲突显著程度的确定。所述冲突显著程度可以尤其是确定为
此外所述方法400可以包括冲突显著程度向在当前时刻t的实际的S显著程度m(St)和/或实际的F显著程度m(Ft)的分配。所述分配可以尤其是如下进行,即,按照
这样可以基于当前的传感器数据引起在空间区域内的可用的空出面的可靠并且快速的更新。
对于占据的未分类的显著程度于是可以至少部分地分配给在当前时刻t的实际的S显著程度m(St)和/或实际的D显著程度m(Dt)。尤其是可以进行分配m(St)←λ2,以便在多个时刻的多个测量的SD显著程度m(SDz,t)时通过在通过个单元201内的占据的由此接着的积累取得向静态的物体150的收敛。这样可以引起,测量的SD显著程度m(SDz,t)分布导S和/或D显著程度,以便能够实现静态的和/或动态的物体150的探测和分类。
所述方法400可以包括基于测量的第一显著程度m(SDz,t)和测量的第二显著程度m(Fz,t)的总和确定在当前时刻t的测量的剩余显著程度m(Θz,t)。尤其是测量的剩余显著程度m(Θz,t)可以这样确定,使得所有的测量的显著程度(包括测量的剩余显著程度)的总和为一。以相应的方式,所述方法400可以包括基于预测的第一显著程度(例如和/或)和预测的第二显著程度(例如和/或)的总和确定在当前时刻t的预测的剩余显著程度尤其是预测的剩余显著程度m(Θz,t)可以这样确定,使得所有的预测的显著程度(包括预测的剩余显著程度)的总和为一。
于是可以基于在当前时刻t的测量的剩余显著程度m(Θz,t)、预测的剩余显著程度预测的SD显著程度和测量的SD显著程度m(SDz,t)确定对于占据的未分类的显著程度。尤其是可以作为对于占据的未分类的显著程度确定和/或
对于占据的未分类的显著程度于是可以至少部分地分配给在当前时刻t的实际的S显著程度m(St)、实际的D显著程度m(Dt)和/或实际的SD显著程度m(SDt)。这可以尤其是基于:m(SDt)←λ1,m(Dt)←fDλ3和/或m(SDt)←(1-fD)λ3进行,其中,fD是分派系数。这样可以结合λ2的分配引起,当测量重复地显示占据时,被占据的单元201可靠地收敛至静态占据的单元201。此外可以这样引起,重新占据的单元201可以(首先)作为动态占据的单元201考察。因此可以允许静态的和动态的物体150的可靠并且鲁棒的识别。
分派系数fD可以取决于在单元201中的粒子300的数量和/或密度。典型地,fD随着数量和/或密度上升而升高。备选或补充地,分派系数fD可以取决于关于单元201的运动速度的传感器数据(例如沿径向关于测量的环境传感器111的运动方向)。所述传感器数据例如可以由雷达传感器提供。分派系数fD可以随着运动速度上升而升高和/或如在本文献中描述的那样确定大小。例如分派系数可以取决于来自物体跟踪和/或分类算法的信息。这样进一步改善分派到实际的S显著程度m(St)和实际的D显著程度m(Dt)上的精确性,这导致静态的和动态的物体150的识别的提高的精确性。
所述方法400可以包括可能的动态的显著程度的确定。可能的动态的显著程度可以基于在当前时刻t的预测的FD显著程度和测量的SD显著程度m(SDz,t)确定,尤其是基于或作为可能的动态的显著程度可以至少部分地分配给在当前时刻t的实际的SD显著程度m(SDt)和/或实际的D显著程度m(Dt)。所述分配可以尤其是基于或按照m(Dt)←(1-γ)λ4+fDγλ4和/或m(SDt)←(1-fD)γλ4进行,其中,γ是0至1之间的可改变的参数。这样可以考虑,暂时占据的单元201典型地被动态的物体150占据。因此可以进一步提高物体150的识别的鲁棒性和品质。
因此可以在当前时刻t基于(例如车辆100)的一个或多个环境传感器111的传感器数据确定(例如车辆100)的环境的栅格200的多个单元201的状态。所述环境或空间区域可以分成包括栅格单元201的二维的(2D)栅格200,其中,所述栅格单元201可以具有例如10cmx10cm或20cmx20cm的大小。
所述状态可以包括在当前时刻t的上述的实际的显著程度。对于单元201的显著程度可以显示对此的物体概率,即,单元201、205、206被(静态的和/或动态的)物体251,253占据。所述物体概率可以在此取决于显著性或显著程度m(St)、m(Dt)和/或m(SDt)。此外可以基于单元201的粒子300确定单元201的单元速度vc。所述单元速度在此可以例如具有在笛卡尔坐标系中的数值和运动方向和/或速度分量。以相应的方式,对于栅格200的多个(尤其是所有)单元201的状态可以通过相应的显著程度和/或单元速度描述。
所述一个或多个环境传感器111例如可以包括一个或多个雷达传感器、一个或多个超声传感器、一个或多个激光雷达传感器、一个或多个图像传感器等。多个环境传感器111的传感器数据可以叠加或组合,以便基于所述方法400确定栅格200的单元201的状态。
所述方法400可以包括对如下占据概率的确定,即,确定的单元201被物体150占据,其中,物体150已经在先前时刻(t-1)被探测到。在此占据概率(必要时仅)基于在先前时刻(t-1)的物体150的状态确定。尤其是可以在确定占据概率时对当前时刻t的栅格200单元201的实际的显著程度不加考虑。
基于在先前时刻(t-1)对于栅格200的单元201的传感器数据,可以确定在先前时刻(t-1)的物体150的单元201的状态。由物体150的单元201的状态可以再次确定物体150的状态。物体150的状态例如可以通过一个或多个接着的状态参数描述:物体150的基准点的位置(xτ,yτ);目标速度vτ的数值;物体150的取向φτ;(膨胀的)物体150的宽wτ和长度lτ(例如物体150的盒模型的宽度wτ和长度lτ);物体150的加速度aτ和/或物体150的转速ωτ。
在先前时刻(t-1)的物体150的状态可以用于预测,栅格200的哪个单元201在当前时刻t被物体150占据。换句话说,可以确定,物体150以何种占据概率占据确定的单元201。栅格200的单元201被确定的物体150的占据概率可以对于栅格200的多个单元201(必要时对于所有单元201)确定。
所述方法400于是可以包括单元201向确定的物体150的分配,这取决于物体概率(或根据实际的第一显著程度)并且取决于占据概率。尤其是单元201在如下情况可以分配给物体150,即,物体概率或实际的第一显著程度显示单元201被物体150(一般地)占据的相对高的概率,并且占据概率显示单元201被特定的物体150占据的相对高的概率。
通过考虑一个或多个已经之前探测的物体150的状态,可以改善空出空间的识别和/或在空间区域、尤其是在车辆100的环境中的(动态的或静态的)物体150的识别。
所述方法400此外可以包括:基于在当前时刻t的实际的第一显著程度(例如m(SDt)、m(St)和/或m(Dt))和/或基于实际的第二显著程度(例如m(Ft)和/或m(FDt))运行车辆100的功能。备选或补充地,车辆100的功能可以根据探测的物体150、尤其是根据物体150的所确定的位置运行。车辆100的功能例如可以包括用于至少部分地自动化地实施车辆100的纵向引导和/或横向引导的功能。尤其是所述功能可以包括车辆100的部分自动化、高自动化或全自动化的引导。在本文献中所述的方法400能够实现,通过对车辆100的环境的改善的检测提高车辆100的自动化的行驶功能的可用性和可靠性。此外可以同时(通过所需的粒子300的显著减少的数量)减少计算花费。
本发明不限制于示出的实施例。尤其是要注意,说明书和附图只应该说明提出的方法、装置和系统的原理。
Claims (17)
1.用于识别在空间区域内的物体(150)的方法(400),其中,所述方法(400)包括:对于空间区域的多个单元(201)的每个单元,
-基于关于空间区域的传感器数据确定(401)对于第一假设(SD)、即一个单元(201)在当前时刻(t)被占据的测量的第一显著程度(m(SDz,t))和对于第二假设(F)、即该单元(201)在当前时刻(t)未被占据或无法被占据的测量的第二显著程度(m(Fz,t));
-基于在先前时刻(t-1)对于第一假设(SD,S,D)的实际的第一显著程度(m(SDt-1),m(St-1),m(Dt-1))和基于对于第二假设(F,FD)的实际的第二显著程度(m(Ft-1),m(FDt-1))以及基于对于该单元(201)的用于相应的多个运动假设的多个粒子(300)来预测(402)在当前时刻(t)对于第一假设(SD,S,D)的预测的第一显著程度和对于第二假设(F,FD)的预测的第二显著程度并且
-通过将在当前时刻(t)的测量的第一显著程度(m(SDz,t))和测量的第二显著程度(m(Fz,t))与预测的第一显著程度和预测的第二显著程度组合,确定(403)在当前时刻(t)的实际的第一显著程度(m(SDt),m(St),m(Dt))和实际的第二显著程度(m(Ft),m(FDt));并且
其中,所述方法(400)此外包括:
-基于对于所述多个单元(201)在当前时刻(t)的实际的第一显著程度(m(SDt),m(St),m(Dt))和实际的第二显著程度(m(Ft),m(FDt))确定(404)在当前时刻(t)物体(150)在空间区域内的位置。
4.按照上述权利要求之一所述的方法(400),其中,
-粒子(300)描述一个单元(201)的实际的第一显著程度(m(SDt),m(Dt))的一部分的运动(301)、尤其是运动方向和运动速度;和/或
-该单元(201)的所述多个粒子(300)是如下粒子(300),所述粒子在先前时刻(t-1)对于所述多个单元(201)中的至少一个单元已定义并且所述粒子基于其运动(301)落入到该单元(201)中。
5.按照上述权利要求之一所述的方法(400),其中,
-所述方法(400)包括:将该单元(201)在当前时刻(t)的实际的第一显著程度(m(SDt),m(Dt))分派到多个更新的粒子(300)上;
-所述多个更新的粒子(300)至少部分地包括先前时刻(t-1)的落入到所述单元(201)中的粒子(300);和/或
-所述多个更新的粒子(300)至少部分地包括具有不同的运动(301)的新的粒子(300)。
6.按照上述权利要求之一所述的方法(400),其中,
-将显著程度标准化为0至1之间的值;
-对于第一假设的第一显著程度和对于第二假设的第二显著程度的总和小于或等于一;和/或
-显著程度的组合包括显著程度的相乘。
7.按照上述权利要求之一所述的方法(400),其中,所述显著程度的组合包括:
-确定对于相互矛盾的假设的组合的冲突显著程度;并且
-将各个冲突显著程度分配给第一和/或第二假设。
8.按照上述权利要求之一所述的方法(400),其中,所述对于第一假设的第一显著程度包括:
-对于“被静态占据”的、简称S假设(S)的S显著程度(m(S)),所述S假设代表:单元(201)被静态的物体(150)占据;
-对于“被动态占据”的、简称D假设(D)的D显著程度(m(D)),所述D假设代表:单元(201)被正在运动的、动态的物体(150)占据;和/或
-对于“被未知地占据”的、简称SD假设(SD)的SD显著程度(m(SD)),所述SD假设代表:单元(201)被如下物体(150)占据,对于所述物体未知其是静态还是动态的;并且
其中,对于第二假设的第二显著程度包括:
-对于“空出”的、简称F假设的F显著程度(m(F)),所述F假设代表:没有物体(150)处于所述单元(201)中;和/或
-对于“短暂空出”的、简称FD假设(FD)的FD显著程度(m(FD)),所述FD假设代表:单元(201)未被占据或只暂时被动态的物体(150)占据。
11.按照权利要求8至10之一所述的方法(400),其中,所述预测(402)包括:
-基于在先前时刻(t-1)的实际的S显著程度(m(St-1))确定在当前时刻(t)的静态预测的S显著程度(m(S′t));
-基于在先前时刻(t-1)的实际的SD显著程度(m(SDt-1))确定在当前时刻(t)的静态预测的SD显著程度(m(SD′t)),尤其是作为m(SD′t)=m(SDt-1)来确定;
-基于在先前时刻(t-1)的实际的FD显著程度(m(FDt-1))、实际的F显著程度(m(Ft-1))和实际的D显著程度(m(Dt-1))确定在当前时刻(t)的静态预测的FD显著程度(m(FD′t));
14.按照权利要求8至13之一所述的方法(400),其中,所述方法(400)具有
-基于测量的第一显著程度(m(SDz,t))和测量的第二显著程度(m(Fz,t))的总和确定在当前时刻(t)的测量的剩余显著程度(m(Θz,t));
-将对于占据的未分类的显著程度至少部分地分配给在当前时刻(t)的实际的S显著程度(m(St))、实际的D显著程度(m(Dt))和/或实际的SD显著程度(m(SDt)),尤其是基于m(SDt)←λ1,m(Dt)←fDλ3和/或m(SDt)←(1-fD)λ3分配;其中,fD是分派系数。
15.按照权利要求14所述的方法(400),其中,所述分派系数fD根据
-在单元(201)中的粒子(300)的数量和/或密度;和/或
-关于单元(201)的运动速度的传感器数据;和/或
-来自物体跟踪和/或分类算法的信息。
17.按照上述权利要求之一所述的方法(400),其中,所述方法(400)包括:
-确定如下的占据概率,即,单元(201)在当前时刻(t)被物体(150)占据,所述物体在先前时刻(t-1)已经被探测出;其中,基于在先前时刻(t-1)物体(250)的状态确定所述占据概率;并且
-根据第一显著程度并且根据占据概率将单元(205)分配给物体(250)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018200683.0 | 2018-01-17 | ||
DE102018200683.0A DE102018200683A1 (de) | 2018-01-17 | 2018-01-17 | Verfahren zur Detektion eines Objektes |
PCT/DE2019/100022 WO2019141311A1 (de) | 2018-01-17 | 2019-01-11 | Verfahren zur detektion eines objektes |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111587430A true CN111587430A (zh) | 2020-08-25 |
CN111587430B CN111587430B (zh) | 2024-04-09 |
Family
ID=65363019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980008218.2A Active CN111587430B (zh) | 2018-01-17 | 2019-01-11 | 用于探测物体的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11409841B2 (zh) |
CN (1) | CN111587430B (zh) |
DE (1) | DE102018200683A1 (zh) |
WO (1) | WO2019141311A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018215288A1 (de) * | 2018-09-07 | 2020-03-12 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Verarbeitungseinheit zur Verfolgung eines Objektes |
CN108983213B (zh) * | 2018-09-07 | 2021-01-01 | 百度在线网络技术(北京)有限公司 | 障碍物静止状态的确定方法、装置、设备及存储介质 |
WO2020146447A1 (en) * | 2019-01-08 | 2020-07-16 | Aptiv Technologies Limited | Field theory based perception for autonomous vehicles |
DK180694B1 (en) * | 2019-01-08 | 2021-12-02 | Motional Ad Llc | FIELD THEORY-BASED PERCEPTION FOR AUTONOMIC VEHICLES |
DE102019213929A1 (de) * | 2019-09-12 | 2021-03-18 | Zf Friedrichshafen Ag | Plausibilitätsprüfung angehaltener vormals dynamischer Objekte mit Hilfe von Belegungsrastern |
US11120280B2 (en) | 2019-11-15 | 2021-09-14 | Argo AI, LLC | Geometry-aware instance segmentation in stereo image capture processes |
DE102021112349A1 (de) | 2020-05-12 | 2021-11-18 | Motional Ad Llc | Fahrzeugbetrieb unter verwendung eines dynamischen belegungsrasters |
US20200326721A1 (en) * | 2020-06-26 | 2020-10-15 | Intel Corporation | Occupancy verification device and method |
GB2606139A (en) * | 2021-04-21 | 2022-11-02 | Mercedes Benz Group Ag | A method for generating a current dynamic occupancy grid map for analyzing the surroundings of a motor vehicle as well as a corresponding assistance system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101283387A (zh) * | 2005-09-09 | 2008-10-08 | 国立计算机与自动化研究所 | 车辆驾驶辅助方法及改进的相关装置 |
US20090192962A1 (en) * | 2008-01-30 | 2009-07-30 | Rigdon Debra A | Intelligent threat assessment module, method and system for space situational awareness system |
US20090238473A1 (en) * | 2008-03-19 | 2009-09-24 | Honeywell International Inc. | Construction of evidence grid from multiple sensor measurements |
CN106289283A (zh) * | 2015-06-25 | 2017-01-04 | 现代自动车株式会社 | 利用激光扫描仪写入占用网格地图的系统和方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009007395B4 (de) | 2008-03-25 | 2015-11-26 | Volkswagen Ag | Verfahren zur kartenbasierten Umfelddarstellung eines Fahrzeugs |
DE102014208009A1 (de) | 2014-04-29 | 2015-10-29 | Bayerische Motoren Werke Aktiengesellschaft | Erfassen von statischen und dynamischen Objekten |
IL250382B (en) * | 2017-01-31 | 2021-01-31 | Arbe Robotics Ltd | A radar-based system and method for real-time simultaneous positioning and mapping |
-
2018
- 2018-01-17 DE DE102018200683.0A patent/DE102018200683A1/de active Pending
-
2019
- 2019-01-11 CN CN201980008218.2A patent/CN111587430B/zh active Active
- 2019-01-11 WO PCT/DE2019/100022 patent/WO2019141311A1/de active Application Filing
- 2019-01-11 US US16/961,311 patent/US11409841B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101283387A (zh) * | 2005-09-09 | 2008-10-08 | 国立计算机与自动化研究所 | 车辆驾驶辅助方法及改进的相关装置 |
US20090192962A1 (en) * | 2008-01-30 | 2009-07-30 | Rigdon Debra A | Intelligent threat assessment module, method and system for space situational awareness system |
US20090238473A1 (en) * | 2008-03-19 | 2009-09-24 | Honeywell International Inc. | Construction of evidence grid from multiple sensor measurements |
CN106289283A (zh) * | 2015-06-25 | 2017-01-04 | 现代自动车株式会社 | 利用激光扫描仪写入占用网格地图的系统和方法 |
Non-Patent Citations (1)
Title |
---|
GEORG TANZMEISTER等: "Evidential Grid-Based Tracking and Mapping", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, vol. 18, no. 6, pages 1454, XP011651026, DOI: 10.1109/TITS.2016.2608919 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019141311A1 (de) | 2019-07-25 |
US11409841B2 (en) | 2022-08-09 |
US20210073321A1 (en) | 2021-03-11 |
CN111587430B (zh) | 2024-04-09 |
DE102018200683A1 (de) | 2019-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111587430B (zh) | 用于探测物体的方法 | |
CN113646771B (zh) | 用于确定物体的尺寸的方法和处理单元 | |
EP3293670B1 (en) | Lidar object detection system for automated vehicles | |
US10867191B2 (en) | Method for detecting and/or tracking objects | |
CN102248947B (zh) | 使用3-d激光测距仪的目标和车辆检测及跟踪 | |
CN105096340B (zh) | 用于检测静态和动态对象以及控制车辆的方法和系统 | |
CN110471064B (zh) | 广义三维逆传感器模型 | |
CN108216249B (zh) | 用于车辆的周围环境检测的系统和方法 | |
US10286901B2 (en) | Map of the surroundings for driving areas with random altitude profile | |
US10449956B2 (en) | Object tracking by unsupervised learning | |
JP2014219403A (ja) | 複数オブジェクトを追跡する方法及び装置 | |
CN110481559B (zh) | 映射环境的方法和用于映射车辆上的环境的系统 | |
CN113008296A (zh) | 用于通过在点云平面上融合传感器数据来检测汽车环境的方法和汽车控制单元 | |
JP7037672B2 (ja) | 自動車用レーダセンサによる静的レーダ目標の認識方法 | |
JP5168134B2 (ja) | 環境地図生成プログラム、環境地図生成方法及び移動ロボット | |
CN111806421A (zh) | 车辆姿态确定系统和方法 | |
WO2022078342A1 (zh) | 动态占据栅格估计方法及装置 | |
CN115249066A (zh) | 分位数神经网络 | |
CN114114239A (zh) | 组对象跟踪 | |
JP6747461B2 (ja) | 対応付け装置、物体追跡装置、及びプログラム | |
CN114624460B (zh) | 用于映射载具环境的系统和方法 | |
CN115937817A (zh) | 一种目标检测方法、系统及挖掘机 | |
CN116533999A (zh) | 自动驾驶控制系统及其规避碰撞控制方法,可读存储介质 | |
JP2022052875A (ja) | 自動運転装置 | |
KR102275671B1 (ko) | 객체 형태 검출 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |