CN112204346A - 用于确定车辆位置的方法 - Google Patents

Abstract

本发明涉及一种用于定位车辆(1)的方法。根据本发明，通过比较(VLM)用车辆(1)传感器系统测定的地标物(LMS)和在地图中、特别是在地图部分(KA)中存储的地标物(LMK)，确定多个位置假设(PH)。通过分析所有位置假设(PH)并借助概率分析(PA)过滤掉所有错误信息，确定具有完整性值的位置假设(PHI)。通过根据预给定的限值的过滤(F)来确定具有以预定方式足以用于定位车辆(1)的位置精度的位置假设(PHP)。

Description

用于确定车辆位置的方法

技术领域

本发明涉及一种根据权利要求1的前序部分特征的用于确定车辆位置的方法。

背景技术

在根据US 2011/0118979 A1的现有技术中描述了一种用于确定车辆位置的方法。通过将导航系统数据和航位推算数据相组合进行位置估计。在使用至少一个基于卫星的位置和航位推算位置的情况下，结合来自地图的大量要素来确定地图匹配位置。通过将针对“地图匹配”位置和位置估计的统计计算相比较，确定位置估计完整性、即正确性。

发明内容

本发明的目的是提出一种相较于现有技术有所改进的用于确定车辆位置的方法。

根据本发明，该目的通过一种具有权利要求1的特征的用于确定车辆位置的方法来实现。

本发明的有利设计方案是从属权利要求的主题。

在根据本发明的用于确定车辆位置的方法中，将用车辆传感器系统所检测到的传感器地标物与存储在数字地图、尤其是地图部分中的地图地标物进行比较，并且通过形成在传感器地标物与地图地标物之间的地标关联来形成多个位置假设，它们代表可能作为车辆位置的位置。通过借助概率分析来分析所有位置假设及其相互之间的空间关系，可以针对每个所述位置假设确定相应的完整性值。通过根据其完整性值来过滤这些位置假设，确定由如下位置假设构成的子集，所述位置假设就其完整性值而言满足由完整性限值所预给定的车辆定位要求。

因此，本发明的方法尤其是基于地标的定位方法。在已知的方法中，将用传感器测得的地标例如标牌、桩柱和/或其它地标物与存储在高精度地图中的地标物相比较。所述已知方法始于例如借助卫星辅助定位系统(GNSS)实现的位置初始化，然后使用车辆里程表来预测位置并依照来自前述比较的各自最接近的位置假设来修正位置。不同于已知做法，所述比较在本发明的技术方案中分三个所述步骤进行。

就是说，首先进行全面的地标匹配。在这种情况下，将已通过车辆传感器系统在预给定时间段和/或预给定路线长度上测得的传感器地标物、尤其也是车辆已驶过的传感器地标物与存储在也称为地图视野的地图部分中的地图地标物相比较，即，并非仅对最接近当前位置的地标物予以考虑。因此，该比较是通过所记录的也称为签名的地标物历史来发生的。这种比较提供了多个位置假设。通过随后借助概率分析对所有位置假设的分析，针对每个所述位置假设提供相应的完整性值，即对在传感器地标物和地图地标物之间的地标关联正确性的度量，各位置假设基于所述地标关联。通过随后根据其完整性值过滤位置假设，提供由所谓的“合格假设/足够好的假设”构成的子集，即其完整性值满足预定要求的位置假设。通过这种要求规定了定位的可靠度、即完整度。换句话说，将规定：无法界定的定位误差有多大概率会是最大的。

“合格假设”在定位过滤器中被处理，该定位过滤器从“合格假设”计算车辆位置概率分布。定位过滤器例如被设计为直方图过滤器。因为只有完整信息、即可靠信息被处理，故如此算出的概率分布也是完整的。因此，它可靠说明了车辆位置处在所涉地图部分中各个地点处的概率。

因此，根据本发明的方法允许利用基于地标的定位计算出所谓的“保护限值”、即被保证的误差上限。在此，地标物可以是任何与位置相关的特征，也可以是传感器检测的较抽象表示，例如雷达簇、图像中的特征描述符或激光雷达点云的点/点簇。

但在这种方法中，不是仅对来自用传感器测定的地标(如标牌、桩柱等)的、最接近当前位置的地标关联与存储在高精度地图中的地标物加以比较，而是当在位置估算中处理前对地标物的历史记录(签名)进行概率分析。由此可以根据可计算的残留误差率来排除误导信息，残留误差率可以通过签名大小的改变来适配完整性要求。

在此情况下，地标可以是任何与位置相关的特征，也可以是传感器检测的较抽象表示，例如雷达簇、图像中的特征描述符或激光雷达点云的点/点簇。

本发明的方法允许在没有全球导航卫星系统情况下的完整定位。当全球导航卫星系统的卫星能见度很有限且所谓的多径效应对于其它方法、如类似于RAIM(接收器自主完整性监视)的方法而言过强时，即尤其当穿过鳞次栉比的住宅区和/或在受遮蔽环境中行驶时，这是特别有利的。

此外，该方法允许与基于全球导航卫星系统的完整性方案相结合。只有当通过两种方式所确定的位置利用保护限值(即误差上限)得到保证时，才能将它们融合以得到更具可靠性的位置。通过保护限值(即误差上限)的交集，在误报率相似的单独方法中更有助于进一步缩小误差上限。而通过将它们整合，可将误报率降低达多个数量级。

附图说明

以下，结合附图来详述本发明的实施例，其中，

图1示意性示出在地图中确定车辆位置的过程，

图2示出借助于车辆在高精度地图中的定位实现的高度自动化行驶运行的应用场合，

图3示出借助于车辆在高精度地图中的定位实现的高度自动化行驶运行的另一应用场合，

图4示意性示出在车辆位置周围的边界框，

图5示意性示出定位信息的模型分布和实际分布，

图6示出误差超限的推导，

图7示意性示出导致获得有用信息或获得误导信息的关联性，

图8示意性示出来自传感器数据的地标物与地图地标物的比较，

图9示意性示出概率分析，

图10示意性示出信息整合，

图11示意性示出实际的误差分布，

图12示意性示出假设的误差分布。

具体实施方式

在所有附图中，彼此对应的零部件配设有相同的附图标记。

以下，依据图1-12来描述用于车辆1的基于地标的定位的方法，特别是这种基于地标的定位的误差上限的确定。

高度自动化驾驶(HAF)需要高度精确的地图、尤其是地形图，作为车辆1的传感器系统的信息之补充。所述定位确定车辆1在这种地图中的确切位置并通过这种方式提供扩展的环境模型。但为了能严谨地使用这种扩展的环境模型，例如用于在避免碰撞时的目标车道分配，除了常见的精度估计(σ，标准偏差)外，定位还必须输出完整的误差上限PL。完整的误差上限PL在此表示车辆肯定处在的区域，此时“肯定”是指不超过预定的允许误差率、例如10,000,000公里上1个误差。在基于GNSS的定位方面、即在基于全球导航卫星系统的定位方面，例如在航空领域已存在类似做法。所谓的完整性监视(例如RAIM，接收器自主完整性监视)输出误差上限PL(称为保护限值)。在地基式系统中，因为卫星遮蔽和多径效应，完整性监视是较困难的。另外，在车辆构造中要考虑到成本因素以及设计因素(尤其关于要布置在车辆1上的天线)，这导致性能进一步受限。因此，用于基于地标的定位的完整性监视方案迄今为止很少见，并且未脱离异常值检测或双重/双元“质量验章”。这些方法都没有提供保护限值、即误差上限PL。

下述方法允许以基于地标的定位来计算这样的保护限值、即误差上限PL。与在传统的基于地标的定位中一样，在此将用传感器测得的传感器地标物LMS(例如标牌、桩柱等)与存储在高精度地图中且由此调用的地图地标物LMK进行比较。在此情况下，地标可以是任何与位置相关的特征，也可以是传感器检测的较抽象表示，例如雷达簇、图像中的特征描述符或激光雷达点云的点/点簇。所述比较是在传感器地标物的历史记录(签名)和地图地标物之间发生的。

在该方法中，通过比较VLM借助车辆1的传感器系统所测得的传感器地标物LMS与存储在地图中且尤其是地图部分KA中并从地图中调用的地图地标物LMK，建立在传感器地标物LMS和地图地标物LMK之间的地标关联(即确定哪些传感器地标物LMS可匹配于哪些地图地标物LMK)，并且基于可在传感器地标物和地图地标物的集合中形成的各种可能的地标关联来确定多个位置假设作为可能的车辆位置。地图部分KA也称为地图视野。通过借助概率分析PA分析所有确定的位置假设及其相互间的空间关系，针对每个位置假设确定相应的完整性值，它是对于各位置假设的可靠性的度量。针对完整性值，规定有完整性限值。通过根据位置假设的预给定的完整性值与完整性限值相关地对位置假设进行过滤F，确定由满足由完整性限值所给定的要求的位置假设构成的子集，即，从所有确定的位置假设的集合中识别出如下位置假设，所述位置假设具有足以用来完整确定车辆1位置的完整性值，在这里，由完整性限值来限定：哪个完整性值是足够的。

即，首先进行全面的地标匹配。在此，将在预给定的时间段内和/或在预给定的路线长度上已由车辆1的传感器系统测得的所有传感器地标物LMS、特别是车辆1已驶过的传感器地标物LMS与存储在地图部分KA中的地图地标物LMK相比较。因此，所述比较VLM是通过传感器地标物LMS的历史记录(签名)来发生的。该比较VLM提供大量位置假设。通过随后借助概率分析PA对所有位置假设的分析，针对每个所述位置假设提供相应的完整性值、即用于评估地标关联(基于地标关联形成了各位置假设)的正确性的值。通过随后根据位置假设的完整性值与预给定的完整性限值相关地对位置假设进行过滤F，提供由以下称之为“合格假设”的位置假设构成的子集。“合格假设”是其完整性至少相当于完整性限值的假设。通过完整性限值来规定：对用于车辆1完整定位的位置假设提出哪些要求。

从代表可能车辆位置集合的“合格假设”集合中，在例如被设计为直方图过滤器的定位过滤器II中计算车辆位置概率分布。因为在定位过滤器中仅处理完整信息，故计算出的概率分布也是完整的。因此，它可靠说明车辆位置处于所涉地图部分的各地点处的概率。

该方法因此允许以基于地标的定位来计算保护限值、即误差上限PL。

以下将再次详细说明该方法的背景及其过程。首先关于该方法的背景：

该方法尤其可被用于执行车辆1的高度自动化行驶运行。在这种高度自动化驾驶(HAD)期间，车辆1需要详细了解前方路段以便能相应计划所需驾驶操作/行驶机动。但是，可通过车辆1的传感器系统确定的相应环境信息在作用范围上很有限。

因此，该环境信息由高精度地图提供，在高精度地图中该环境信息以与位置有关的方式被存储。但只有当车辆1可在地图中被正确定位时，该车辆才能从地图中获取正确的环境信息。出于实际考虑，尤其是出于现有存储空间和/或所需处理成本的考虑，在车辆1中仅提供地图的有限的地图部分KA，也称其为视野或地图视野。该地图视野与车辆1的位置一起提供了完善传感器感测的环境模型。

为了在地图中定位，确切说在地图部分KA中定位，例如作为基于全球导航卫星系统(GNSS)的定位的替代或者补充，车辆1可比较预限定的地图地标物LMK(例如路边物体、车道标、桩柱等结构及地图内的车道属性)与由车辆1的传感器系统所感测的相应的传感器地标物LMS，并由此确定车辆1在地图中的位置。

图1示出这种在地图中确定车辆1的位置PFK的过程。输入数据是车辆1的传感器系统的传感器数据SD和局部地图部分KA。从传感器数据SD中确定可能的传感器地标物LMS。从地图部分KA中确定记录在地图中的地图地标物LMK。现在，执行对这些地标物LMS、LMK的比较VLM。由此确定多个位置假设PH。这些位置假设PH和车辆1的行驶状态FZ在概率过滤器PF中被处理，并且确定车辆1在地图中的位置PFK作为处理结果。

图2和图3示出借助于在高精度地图中定位车辆1实现的高度自动化的行驶运行的示例性应用场合。在根据图2的例子中已经在地图中进行正确定位。由此实现正确预测车辆1在过弯时驶经的车道2，由此允许成功避免车辆1撞到弯道中的障碍物3。

图3示出车辆1在地图中错误定位的可能后果。由此导致了错误预测车辆1在过弯时驶过的车道2，由此存在车辆1撞上障碍物3的风险。

对于这种应用场合，需要关于定位质量的可靠完整信息。σ值、即常见的精度估算值仅反映当前数据拟合精度，但定位信息P常常是模棱两可的和/或多峰的，错误结果可能与估值具有任何大小的偏差。因此需要在估计位置gP周围的可靠的边界框4，该边界框至少在预给定的允许误差率内肯定包含真实位置，如图4所示。在此示出了车辆1、车辆1的估计位置gP、估计的σ值gSW(标准偏差)和可靠的边界框4。

对于基于GNSS的方法、即基于全球导航卫星系统的方法，已存在有经过考验的用于监测定位完整性的方法。其中几个方法仅需要接收器数据，例如接收器自主完整性监视(RAIM)。由此得到的可靠的边界框4被称为保护限值、即误差上限PL。

如上所述，对于基于地标的定位，用于完整性监视、即用于完整性监测的方法迄今很少见，并且未脱离异常值检测或双重“质量验章”的范畴。这些方法都没有提供保护限值、即误差上限PL。

利用在此所述的方法和系统，可以为单纯基于地标的定位方法计算可靠的边界框4、即误差上限PL。与现有方案相比，这具有两个明显的优势。在基于GNSS的方法不可用的场景和/或环境中，可以实现在地图中的可靠定位。此外，可以实现与基于GNSS的完整性监视的组合，以获得更小和/或更可靠的边界框4。在这种组合中，可以通过两个误差上限PL的交集来获得具有相似误报率的较小边界框4。通过将两个误差上限PL融合，确定略微更大的边界框4，但其误报率明显低于用单一方法可达到的误报率。

以下描述用于执行该方法的前提条件。基于地标的定位必须能够以尽可能少的损失来纳入并跟踪所有的定位信息P，包括不确定性和模糊性在内。因此，该方法优选以概率过滤器PF形式实现。概率过滤器使用正确信息分布模型和误导信息分布模型来评估位置假设，并且确定：相比于其与误导信息分布模型的一致性，位置假设与正确信息分布模型的一致性程度有多高。该评估基于以下想法，即，以空间邻近聚集方式分布的位置假设基于正确的地标关联、即基于正确信息，而与此分布方式不符的位置假设基于错误的地标关联、即基于误导信息。所述确定的结果是完整性值。完整性值越高，与同误导信息分布模型的一致性相比，位置假设与正确信息分布模型越发一致。

仅当实际分布tV在后段分布区域hB中也对应于模型分布MV时，才应使用例如呈高斯概率分布(正态分布或高斯分布)形式的、定位信息P的参数表示。图5示出关于路程x的、定位信息P的模型分布MV和实际分布tV。在其他情况下，应优选非参数的表示，例如通过将完整分布近似成直方图。

只有这样，才能如图6所示通过对所得分布rV积分，直到累积概率接近1.0，来推导出误差超限。接近1.0的程度取决于误差上限PL的预定允许误差率，即取决于在实际位置超出误差上限PL的情况下的允许百分比。

在图7中示出了导致获得有用信息或获得误导信息的关系。在此，所示字段有以下含义：

F1事件：有地标物。

F2事件：遮挡。

F3事件：地图中地标物的错误信息。

F4：地图中地标物的正确信息。

F5：由传感器测得的地标物的正确信息。

F6事件：来自传感器检测的错误信息。这包括对在地图上未记录的每个地标物的检测，也包括对实际存在的地标物的检测。

F7：由错误信息产生的地图中地标物与由传感器系统正确测得的地标物相匹配。

F8：由正确信息产生的地图中地标物与由传感器系统正确测得的地标物相匹配。

F9：由正确信息产生的地图中地标物与由传感器系统正确测得的错误地标物相匹配。

F10：由正确信息产生的地图中地标物和由来自传感器检测的错误信息产生的地标物相匹配。

F11：获得有用信息。

F12：获得误导信息。

以下描述如何应对误导信息。问题是，只要概率过滤器的统计数据被正确建模并且数据集在统计上是相关的，概率过滤器PF就能对付不确定性和误导信息。但是，因为地标物LMS、LMK的稀少性，误导信息所占份额对于每个场景可能是截然不同的。这使得难以计算并不庞大的误差上限PL。

该问题的解决之道在于切勿立即纳入新信息，而是要一直跟踪所有情况，直到有足够大的样本组可用为止，并且反复分析在传感器地标物和地图地标物之间的所有可能一致性，以确定其“可能是有害信息”的概率。

如上所述，该方法因此包括三个步骤。在第一步中，如图8所示，对来自传感器数据SD的传感器地标物LMS与来自地图的地图地标物LMK进行比较VLM。为此，从车辆1的传感器系统的传感器数据SD中确定在车辆1的路程xF上的传感器地标物LMS的空间图案。从地图部分KA中确定在同一空间框架内在地图路程xK上的地图地标物LMK的空间图案。现在，进行对这些地标物LMS、LMK的比较VLM，确切说是对地标物LMS、LMK的图案的比较VLM。由此确定多个位置假设PH。至此，该方法有利地至少与如图1所示和所述的方法基本相同，在这里，有利地考虑由车辆1的传感器系统测得的所有传感器地标物LMS、特别是已由车辆1驶过的传感器地标物LMS。因此在比较VLM时考虑传感器地标物LMS的历史记录。

在所述比较VLM中考虑所有可能的地标关联，而不仅仅是最接近的地标物，因此确定多个位置假设PH。每个位置假设PH都具有基于测量噪声、地图误差和里程表不确定性(一些观测值可能会远远落后)的空间不确定性。

在该方法的第二步骤中，如图9所示，执行概率分析PA。在此，通过分析所有位置假设PH而针对每个位置假设PH分别确定相应的完整性值。为此，利用位置假设PH、误导信息分布模型VII和正确信息分布模型VKI进行概率分析PA。由此得到具有完整性值的位置假设PHI。

错误信息遵循与正确信息不同的分布，通常与实际位置截然无关，例如相等的空间分布。非异常值一致性必然与实际位置相关联，并在其周围形成每个可能的空间形状，例如高斯分布。如果彼此相关地分析所有位置假设PH，则将估算出“其中每一个位置假设都来自这两个分布之一”的概率和进而其“是误导信息”的概率。

如图10所示，在该方法的第三步骤中进行信息合并。通过根据其完整性值的大小与预给定的完整性限值相关地过滤F该位置假设PHI，确定由如下位置假设PHP构成的子集，所述位置假设具有确定车辆1位置所需的完整性。即，该子集的所有位置假设PHP都具有至少相当于预给定的完整性限值的完整性值。该子集的单个位置假设分别代表车辆位置的单独概率分布。接着，从这些单独概率分布的集合、即整个位置假设子集中确定对应于该整个子集的车辆位置概率分布。然后通过在该概率分布上积分II来确定误差上限PL。在此如图6所示地进行误差上限PL的确定。在那里示出的边界框4相当于误差上限PL。

具有完整性值的位置假设PHI根据“其是误导信息”的几率被过滤。阈值取决于设定的允许错误率。阈值越低，越少的具有完整性值的位置假设PHI被视为足够好、即被视为具有足够的位置精度，这限制了定位的可用性。当仅使用“好的”信息时将会确保：计算出的位置不确定性分布曲线未低估实际误差。最终，这允许从该不确定性分布曲线中推导出误差上限。

最后还要说明误差上限PL。图11示出在负误差上限和正误差上限PL之间的未知实际误差分布。μ是平均值，而σ是与平均值偏差的归一化总和的方根。图12示出假定的误差分布。

所规定的精度是与实际值的典型偏差，即实际分布的σ。所指定的误差限值PL是边界框4，它包含实际的车辆位置，允许的残留误差(例如每公里10e-7个误差)除外。所规定的可用性是在其中系统能提供误差上限PL的时间的百分比。

大多数情况下，精度都可以用大量的测试样本组和基本参考真值进行验证。在线优化软件也会生成σ值以指明估计精度，但这基于误差模型分布，其可能与实际分布截然不同。因此，这不是真正的精度并且不足以确定误差上限PL，因此需要额外的监视。与此不同，可以通过上述方法确定误差上限PL。

Claims (5)

1.一种用于定位车辆(1)的方法，其特征是，

-通过将借助该车辆(1)的传感器系统检测到的传感器地标物(LMS)与存储在地图、特别是地图部分(KA)中的地图地标物(LMK)相比较(VLM)，形成所述传感器地标物(LMS)和所述地图地标物(LMK)之间的关联，依据所述关联，确定多个位置假设(PH)作为车辆位置的假设，

-通过对所述位置假设(PH)的概率分析(PA)，针对每个位置假设(PHI)确定相应的完整性值，

-通过根据位置假设的完整性值对所述位置假设(PHI)的过滤(F)，来确定由完整性值满足预给定要求的位置假设(PHP)构成的子集，

-从由位置假设(PHP)构成的子集中确定车辆位置的概率分布。

2.根据权利要求1所述的方法，其特征在于，从所确定的车辆位置概率分布和预给定的允许误差率，确定车辆的最高概率位置作为车辆位置，并确定针对车辆位置的误差上限(PL)。

3.根据权利要求1或2所述的方法，其特征在于，为了比较(VLM)所述传感器地标物(LMS)和所述地图地标物(LMK)，也采用该车辆(1)已驶经的传感器地标物(LMS)。

4.根据前述权利要求中任一项所述的方法，其特征在于，为了比较(VLM)所述传感器地标物(LMS)和所述地图地标物(LMK)，采用借助该车辆(1)的传感器系统在预给定的时间段内和/或在预给定的路线长度上所测得的传感器地标物(LMS)。

5.根据前述权利要求中任一项所述的方法，其特征在于，将所确定的车辆位置连同所确定的车辆位置误差上限(PL)在内与借助全球导航卫星系统所确定的、该车辆(1)的位置连同该位置的误差上限在内相互合并。

Images