CN113261007A - 用于自动和自主车辆的多传感器数据融合的方法和装置 - Google Patents

用于自动和自主车辆的多传感器数据融合的方法和装置 Download PDF

Info

Publication number
CN113261007A
CN113261007A CN201980087247.2A CN201980087247A CN113261007A CN 113261007 A CN113261007 A CN 113261007A CN 201980087247 A CN201980087247 A CN 201980087247A CN 113261007 A CN113261007 A CN 113261007A
Authority
CN
China
Prior art keywords
road
measurement data
computer
state function
environmental measurement
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.)
Pending
Application number
CN201980087247.2A
Other languages
English (en)
Inventor
F·基德尔
S·劳赫
S·布朗
T·拉科斯基
A·伯恩
F·赫雷罗·卡隆
J·席赫伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Publication of CN113261007A publication Critical patent/CN113261007A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种用于基于描述道路走向的状态函数估计车辆(11)环境中的道路走向的计算机实现的方法(30)。状态函数包括回旋样条(20)。所述计算机实现的方法(30)还包括提供(31)描述车辆(11)当前位置处的道路走向的环境测量数据。环境测量数据在此包括至少一个多项式函数。计算机实现的方法(30)还包括将状态函数和环境测量数据变换(32)到共同的坐标系中并且在共同的坐标系中基于环境测量数据调整(33)状态函数。

Description

用于自动和自主车辆的多传感器数据融合的方法和装置
技术领域
本发明的实施例涉及一种用于估计道路走向的计算机实现的方法、车辆、计算机程序和装置。道路走向在此通过包括回旋样条的状态函数描述。
背景技术
在一些自动或自主驾驶车辆的控制装置中会使用用于估计道路走向的方法，此类车辆的控制装置基于这些方法做出驾驶决策。
在此可通过确定相应于状态函数的道路模型近似描述道路走向。由此，可确定尤其是相对于车辆的位置和/或定向的道路走向。道路走向的特征例如可以是宽度、方向、曲率或相邻车道的数量或车辆相对于车道的位置(例如车辆位于三个车道中的右侧、中间或左侧车道上)。
然后可这样控制车辆，使得其例如可依循道路走向、避开障碍物或改变车道。为了车辆的高度可用、安全和舒适的运行，在确定道路走向或道路模型时，可合并(融合)多个数据源的环境测量数据。合并数据源(也称为数据融合)在此是指合并多个数据源的数据。典型的数据源例如可以是传感数据源、如摄像机或数字地图上的航点。这种数字地图尤其可以是低分辨率(SD)地图或高分辨率(HD)地图。这种数据融合具有多种可能性。
文件WO2018/019454描述了一种用于确定道路模型的方法。在此通过对地图数据和观察数据的不同参数化，产生道路模型的多种假设。基于假设的置信度值选择道路模型的一种假设。在此没有考虑观察数据和摄像机数据的——确保道路走向的高度可用的确定的——数据融合方法。
其它传统控制装置通常仅使用单个数据源(摄像机、数字地图)的数据来创建道路模型。在此不能确保道路走向的高度可用的确定，因为在数据源出现故障时则不能再确定道路走向。此外，单个数据源可能会生成具有噪音或部分错误的环境测量数据，由此对道路走向的估计可能不准确。
因此，需要提供一种用于估计道路走向的计算机实现的方法，该方法确保道路走向的高度可用且精确的确定。根据独立权利要求的计算机实现的方法、装置、计算机程序和车辆满足了该需求。
发明内容
本发明的实施例提供一种用于估计车辆环境中的道路走向的计算机实现的方法、车辆、计算机程序和装置。通过将多个数据源的环境测量数据与描述道路走向的状态函数(道路模型)进行数据融合，可确保估计的高可用性和高精度。相应数据源的环境测量数据在此是道路走向测量的输出参量并且包括至少一个多项式函数。状态函数包括回旋样条(Klothoiden-Spline)。环境数据与状态函数的数据融合在此意味着通过实时滤波器根据环境测量数据调整(Anpassen)状态函数或回旋样条。例如卡尔曼滤波器已被证明是一种用于估计道路走向的有利实时滤波器。
用卡尔曼滤波器调整状态函数通常需要将状态函数从状态空间变换到测量空间。在本发明的实施例中，这可以是状态函数在不同坐标系之间的变换。在测量空间中，可借助多个数据源或传感器的环境测量数据来校正由卡尔曼滤波器预测产生的状态函数。在卡尔曼滤波器的情况下，这通常被称为新息(Innovation)。通过调整或新息而更新的状态函数相应于对道路走向的近似估计。通过时间重复地根据环境测量数据调整状态函数，持续更新估计，从而例如可精确且可靠地估计公路的道路走向。根据多个数据源的环境测量数据调整状态函数确保了在道路走向估计时的高度可用性和高精度。
本发明的第一方面涉及一种用于基于描述道路走向的状态函数估计车辆环境中的道路走向的计算机实现的方法。状态函数在此包括回旋样条。此外，所述计算机实现的方法包括提供描述车辆当前位置的特定环境中的道路走向的环境测量数据。环境测量数据在此包括至少一个多项式函数。多项式函数例如可基于多段线借助曲线回归方法生成。这种多段线描述了一系列连续的线段。计算机实现的方法还包括将状态函数和环境测量数据变换到共同的坐标系中并且在共同的坐标系中基于环境测量数据调整状态函数。
例如计算机实现的方法基于递归方法、如卡尔曼滤波器，其可具有连续的递归步骤。每个递归步骤在此可用于估计通过状态函数描述的道路走向。由于在交通道路建设中在计算道路走向时经常使用回旋曲线，因此可精确地通过连续的回旋段估计或近似重建道路走向。因此，在估计道路走向时为状态函数采用回旋样条是有利的。回旋样条在此可完全通过参数、如曲率、曲率变化、角度和y轴截距来确定。
用于估计道路走向的输入参量是环境测量数据。环境测量数据可以多项式函数或多项式样条的形式存在，所述多项式函数或多项式样条可由车辆外部和/或车辆内部的传感器的测量数据得出。环境测量数据近似表示例如车辆环境中的观察到的道路走向。
然后可将环境测量数据与状态函数进行比较。为此有利的是，状态函数和环境测量数据存在于共同的测量空间中。通常为此适合将状态函数变换到另一坐标系中。例如回旋样条可在具有曲率值和弧长的坐标系中表示，而环境测量数据则存在于具有位置坐标的坐标系中。出于这个原因，例如将测量模型应用于状态函数，以便在具有位置坐标的坐标系中至少近似地显示状态函数。通常表示为弧长的函数的回旋样条例如可通过一个或多个三次多项式或位置坐标中的参数表示近似表示。然后可在卡尔曼滤波器中借助环境测量数据更新在预测中包含的状态函数。
作为递归步骤的输出参量通常获得更新后的状态函数。对于用于确定道路走向的高度可用且精确的计算机实现的方法可能有利的是，使用多个可能不同类型的数据源或传感器的环境数据用于递归步骤的数据融合。这种数据融合称为多传感器数据融合。
在一些实施例中，环境测量数据可由至少一个摄像机检测。例如一个摄像机可作为多个传感器之一或多个摄像机用于多传感器数据融合。在此使用由所述至少一个摄像机拍摄的道路图像以用于借助适合的图像处理应用程序来检测道路走向。由图像例如可确定道路标线或道路边界的走向并通过至少一个多项式函数近似表示。所述至少一个多项式函数相应于环境测量数据。为了更精确的估计，道路走向也可通过多个连续的多项式函数逼近或者说近似。借助多个摄像机检测道路走向也有助于更精确地估计道路走向。
附加或替代地，环境测量数据可由地图提供。地图例如作为具有特定位置分辨率的数字地图存在。高分辨率地图(高清地图)的位置分辨率例如为10至25cm，这意味着其尺寸至少在一个维度上相应于相应位置分辨率的结构或物体能以位置分辨率的精度显示。例如可如此检测道路、道路边界或道路标线。可从地图中获取标记道路走向的航点。通过内插航点可确定一个多项式或如常见情况由多个多项式组成的多项式样条，这些多项式借助地图上的航点近似确定道路走向。所述多项式或多项式样条被称为地图数据。
在本发明的一些实施方式中，第一环境测量数据可由至少一个摄像机检测并且第二环境测量数据可由地图提供。借助由摄像机检测或从地图确定的环境测量数据可分别确定多项式或多项式样条，其分别近似描述车辆环境中的道路走向。在此可根据第一环境测量数据并且附加地根据第二环境测量数据调整状态函数。通过根据多种不同类型的传感器或数据源(摄像机和地图)的环境测量数据调整状态函数可在确定道路走向时实现高度可用性和提高的精度。高度可用性在此意味着即使一个数据源出现故障，仍能继续可靠地估计道路走向，从而在这种情况下车辆例如仍可被驾驶到例如安全的停车位置或车间。
在另外的实施例中，计算机实现的方法可将状态函数和环境数据变换到一个共同的具有位置坐标的坐标系中。卡尔曼滤波器的新息通常需要将状态函数变换到测量空间中，以便借助环境测量数据更新状态函数。通常，摄像机的环境测量数据已经存在于具有位置坐标的坐标系中。因此，状态函数的变换意味着借助测量模型的转换，使得可在测量空间、即具有位置坐标的坐标系中显示状态函数。在此回旋样条例如通过一个或多个三次多项式或在参数表示中通过菲涅耳积分描述。为了降低数据融合时的数值复杂度，菲涅耳积分可分别用泰勒级数近似计算。在具有位置坐标的坐标系中进行数据融合的优点是可确定车辆在道路上的定向和绝对位置。例如如此可确定车辆位于多车道道路的哪条车道上和/或它是沿着道路还是横向于道路运动。
本发明的其它实施例还包括一种用于确定用于调整状态函数的采样点的采样方法。在多个采样点的情况下，相邻采样点之间存在恒定的曲线长度可能是有利的。例如可通过适合的数学方法确定采样点。恒定的曲线长度可用作数学方法的输入参量并且例如可预先确定或根据道路走向的特征、如道路曲率来确定。
对于通过卡尔曼滤波器的调整，如果状态函数和/或环境测量数据存在于测量空间的点空间中，则可能是有利的。这意味着，例如为了利于调整，状态函数和环境测量数据分别由多个采样点表示。借助采样点，卡尔曼滤波器可基于环境测量数据调整状态函数。通常，采样点存在于具有位置坐标的坐标系中。
可选地，仅可为状态函数确定采样点。然后例如通过与环境测量数据的多项式具有相同阶数的多项式来内插采样点。因此，可这样设计卡尔曼滤波器，使得在每个递归步骤中转换后的状态函数的多项式参数逼近环境测量数据的其它多项式参数。通过测量模型可由多项式参数确定状态函数的参数，使得具有参数的状态函数近似相应于环境测量数据。
在状态函数和环境测量数据的多个采样点的情况下，可根据采样方法这样选择采样点，使得有利于根据环境测量数据调整状态函数。在此这样选择待比较的采样点，使得它们位于状态函数或环境测量数据的相同弧长处。此外，在多个采样点的情况下，可这样选择这些采样点，使得一条曲线(状态函数、环境测量数据)的相邻采样点之间分别存在恒定的弧长。由此，可根据摄像机的环境测量数据精确地调整具有大曲率的状态函数。因此，在一些实施例中，可确保对可能高度弯曲的道路走向的可靠估计。
在另外的实施例中，计算机实现的方法可包括将状态函数和环境数据变换到具有曲率值的共同坐标系中。测量空间在此包括由曲率值和弧长确定的二维坐标系。回旋样条通常存在于该测量空间中。地图数据通常可作为多项式样条存在于具有位置坐标的坐标系中，该多项式样条可通过内插航点产生。可这样变换多项式样条，使得可根据多项式样条的弧长确定多项式样条的曲率值。由此，状态函数和多项式样条可在包括具有曲率值和弧长的坐标系的测量空间中显示。因此，对于卡尔曼滤波器状态函数的曲率值可与多项式样条的曲率值进行比较。
在本发明的一些实施例中，状态函数根据环境测量数据的调整可规定状态函数的至少一个曲率值根据环境测量数据的至少一个另外的曲率值的调整。在卡尔曼滤波器的新息中，例如状态函数和多项式样条的曲率值可作为输入参量。地图数据与卡尔曼滤波器的数据融合在此是指状态函数的一个点或多个点的曲率值根据经变换的地图数据的曲率值的调整。
本文描述的计算机实现的方法在此尤其是可设计用于确定普通公路或道路的道路走向。通常，尤其是高速公路上、类似高速公路的公路上和城市地区中的道路都设有道路标线，以便例如使车辆驾驶员能够识别道路走向。道路标线例如可用于估计道路走向。
根据另外的实施例，状态函数可标记道路的道路标线的走向。为此可由所述至少一个摄像机拍摄道路标线。借助所述至少一个摄像机对道路走向的检测通常通过图像处理应用程序进行，该图像处理应用程序可从所述至少一个摄像机的图像中确定道路标线或道路边界的走向。因此，所述至少一个摄像机的环境测量数据可标记道路标线或道路边界的走向。该估计在控制车辆时可有利于例如确定道路宽度或车辆与道路边界之间的距离。
在另外的实施例中，通过变换状态函数来确定车道中心的走向可能是有利的。在一些情况下，需要车道中心的走向来控制车辆。例如所述至少一个摄像机的环境测量数据描述道路边界或位于道路侧边的道路标线的走向。因此，可在这些环境测量数据的数据融合中估计道路标线或道路边界的走向。在道路宽度已知的情况下，则可根据该估计确定描述车道中心的走向的状态函数。通过变换和改变曲率值，可从道路标线和道路边界的走向推导描述车道中心的走向的状态函数。
可选地，在另外的实施例中，计算机实现的方法还可包括提供验证测量数据并且借助验证数据验证道路走向的估计。其它传感器、如激光雷达、雷达和/或超声波传感器可提供验证测量数据，这些验证测量数据例如借助位置坐标标记道路的周边建筑物的位置和/或走向。周边建筑物例如可以是护栏、隔音屏障或导向柱。因此，验证测量数据标记车辆的可行驶区域。在验证对道路走向的估计时，可确定状态函数是否在可行驶区域内，从而判断估计的道路走向是否可以现实。验证提高了计算机实现的方法在估计道路走向时针对错误的鲁棒性。例如在车辆控制中可不考虑错误的估计，即不位于可行驶区域内的状态函数。
本发明的第二方面涉及一种用于估计车辆环境中的道路走向的装置。该装置包括一个或多个构造用于检测环境测量数据的接口。此外，该装置还包括处理单元，该处理单元构造用于执行用于估计车辆环境中的道路走向的计算机实现的方法。
环境测量数据例如可以是地图数据或来自摄像机的环境测量数据。相应地，装置的一个接口例如是与存储介质的连接，地图数据存储在该存储介质上并且可从那里调用或传输。其它接口可以是与一个或多个提供环境测量数据的摄像机的连接。
处理单元例如可以是计算机、微控制器、处理器或可编程硬件组件，其配置用于执行计算机实现的方法。由接口检测的环境测量数据从接口传输到处理单元，从而环境测量数据作为用于估计道路走向的输入参量。
第三方面涉及一种具有用于估计车辆环境中的道路走向的装置的车辆。车辆可以是任何地面车辆、尤其是轿车、卡车、摩托车或农业机械。
附图说明
下面参照附图详细阐述实施例。附图如下：
图1示出多车道公路的示意图，车辆位于所述多车道公路上；
图2示出具有n个回旋段的回旋样条的示例；
图3示出用于估计车辆环境中的道路走向的计算机实现的方法的示意流程图；
图4示出多传感器数据融合的流程图；
图5示出回旋样条和环境测量数据的采样方法示意图；
图6示出用于逼近回旋样条的两种逼近方法的图形比较；
图7示出两种采样方法的图形比较；
图8示出通过道路标线标示的道路的示意图；
图9示出地图数据和位于道路上的车辆的视图；
图10示出具有用于估计道路走向的装置的车辆的示意图。
具体实施方式
现在参照示出一些实施例的附图更详细地说明不同实施例。在附图中，为了清楚起见，线、层和/或区域的厚度尺寸可被夸大地显示。
在自动驾驶设计领域中，对于例如自动驾驶车辆的控制而言，估计环境和道路走向可能非常重要。例如可这样控制车辆，使得其自主地在无需驾驶员干预的情况下调节转向、加速度、速度和其它车辆参数或驾驶参数，使得车辆例如安全地依循估计的道路走向和/或能够避开障碍物。
在图1中示例性示出道路14的示意性道路走向，车辆11位于其上和/或在其上运动。在此描述的本发明的实施例可设计用于在两个平移方向上、即在二个维度中估计道路走向。图1以二维俯视图示出道路。车辆11位于道路14的三个车道的中间车道上，其例如允许在一个方向或两个方向上行驶。在此描述的本发明的有利实施例中，例如可估计道路14或车道的走向。在更广泛的意义上，在本公开中道路走向既可指道路的走向也可指车道的走向。
车道的车道中心和/或车道中心的走向可通过中心线12标记。但通常公路没有中心线12，因此车道中心是不“可见的”。单个车道通常分别由道路标线、如边界线13限定。
现有技术中的常用方法例如根据基于多项式或多项式样条的道路模型确定道路走向，所述多项式或多项式样条例如可直接由摄像机的图像或数字地图产生。但在施工设计中，出于驾驶舒适性和安全性的原因，道路14通常根据连续回旋段的样条(回旋样条)来设计。道路14的这种设计优点在于道路曲率的线性变化，从而可以高度的驾驶舒适性驶过弯道并且对于非自动驾驶车辆的驾驶员可被很好地估计。由于基于回旋样条的设计，可以证明在估计道路走向时使用基于回旋样条的道路模型是有利的。例如因此可提高估计的准确性和可靠性。
图2示例性示出基于回旋样条20的道路14的道路模型。回旋样条20包括回旋段21和两个回旋段21之间的过渡点22。回旋段21相应于回旋函数的一部分。
回旋函数或回旋函数的曲率值c(s)可根据弧长s通过下述表达式表示：
c(s)＝c0+c1，m·s (1)
在此c0表示初始曲率，c1,m表示弧长为s的第m个回旋段41的恒定曲率变化。从(1)可以看出，回旋函数的曲率值c(s)随c1,m线性变化。
在图2所示的回旋样条20中，附加地给出回旋段21的定向θ0和y轴截距y0。因此，一般而言，回旋样条20的每个回旋段21都可完全由参数c0、c1、θ0和y0表征。对于具有n(n∈N)个回旋段21的回旋样条20，这意味着回旋样条20可由4·n个参数描述。图2所示的回旋样条20满足回旋段21之间的连接条件，其可减少对于描述回旋样条20所需的参数数量，从而减少用于确定回旋样条20的计算量。回旋样条20例如在过渡点22处是连续的、可微分的并且两个连续的回旋段21的曲率值在过渡点22处相等。在提到的连接条件下，对于描述回旋样条20所需的参数数量可减少到n+3。因此，回旋样条20可通过减少的参数集(c0、θ0、y0和c1,1…c1,n)完全表征。
回旋样条20可以很近似地表示例如车辆11前面和后面的道路14的道路走向。为了确定回旋样条20，使用多个可能不同类型的数据源或传感器的环境测量数据。尤其是在使用不同类型的传感器时，可能需要这样确定回旋样条20，使得将不同类型的传感器的环境测量数据一同纳入回旋样条20的确定中。例如可通过图3中所示的用于估计道路走向的计算机实现的方法30的实施例来满足该需求。
用于估计车辆环境中的道路走向的计算机实现的方法30基于对描述道路走向的状态函数的确定。状态函数在此包括回旋样条20。
计算机实现的方法30包括提供31描述车辆11当前位置处的道路走向的环境测量数据。环境测量数据包括所述至少一个多项式函数。计算机实现的方法30还包括将状态函数和环境测量数据变换32到共同的坐标系中并且在共同的坐标系中基于环境测量数据调整33状态函数。
车辆自身的传感器系统、如一个摄像机或多个摄像机的环境测量数据可以如在一种实施例中那样借助多项式函数或多项式样条描述边界线13的走向或道路的车道中心12的走向。
此外，地图制造商的高清地图也可用来估计道路走向。基于可从高清地图中获取的道路上的航点可确定环境测量数据。航点例如可标记车道中心。由此产生的地图数据通常借助另一多项式样条来描述道路走向。
实时滤波器、如卡尔曼滤波器例如可借助环境测量数据更新状态函数或回旋样条20，只要状态函数和环境测量数据位于共同的坐标中系中。例如如表达式(1)所示，状态函数存在于包括曲率值的状态空间中。环境测量数据例如存在于具有位置坐标的测量空间中。状态函数可通过变换32而例如被显示在共同的坐标系中，该坐标系可包括曲率值或位置坐标。
在共同的坐标系中，卡尔曼滤波器例如可使用环境测量数据，以便根据环境测量数据调整33回旋样条20。
计算机实现的方法30例如可描述递归方法的单个递归步骤。递归方法例如包括多个连续的递归步骤，它们分别用于估计道路走向。递归方法例如可通过卡尔曼滤波器或通过其它实时滤波器来实现。在一些实施例中，卡尔曼滤波器已被证明是有利的。
各个递归步骤的输入参量是来自先前递归步骤之一的状态函数和环境测量数据，所述环境测量数据可通过借助所述至少一个摄像机和高清地图提供31环境测量数据而被检测到。检测和变换32先前递归步骤的状态函数表征卡尔曼滤波器的第一阶段。这个阶段被称为预测。
在卡尔曼滤波器的预测期间，可确定针对回旋样条20的当前状态的估计。为此可将回旋样条置于状态动态下。状态动态例如通过车辆11的运动来确定。例如如果车辆11沿着道路14运动，则回旋样条20可在车辆11的前面延长而在车辆11的后面缩短。由于回旋样条20通常由各段21组成，回旋样条20例如可不在每个递归步骤中连续延长或缩短，而仅在车辆11经过过渡点22之一的情况下才会延长或缩短。
通过在每个递归步骤中根据环境测量数据的调整33来更新先前递归步骤的状态函数。调整33相应于卡尔曼滤波器的被称为新息的第二阶段。为了调整33，例如将状态函数与环境测量数据进行比较。例如为此将状态函数的各个值与环境测量数据的其它值进行比较。根据测量空间，这些值例如可以是状态函数和环境测量数据的位置坐标或曲率值。状态函数的值通常具有模糊性，或者环境测量数据的值具有测量不确定性，它们可分别通过概率分布、如高斯分布表示。在卡尔曼滤波器的第二阶段中，可借助状态函数和环境测量数据作为输入参量来调整33状态函数。在调整33状态函数时输入参量的权重在此可取决于测量不确定性或模糊性。环境测量数据的测量不确定性越低，则例如在预测时确定的状态函数可以越接近环境测量数据。环境测量数据的测量不确定性越大，环境测量数据在调整33时的权重可越低。作为输入参量存在的状态函数的模糊性例如基于回旋样条20参数的平均值和数值分散数据(如协方差)。平均值和协方差可由先前递归步骤的参数确定。状态函数的模糊性例如可通过协方差来确定。如果协方差很高，则可为预测时检测的状态函数赋予较低的权重。相反，如果协方差低，则赋予状态函数很大的权重。因此，根据模糊性和测量不确定性，从环境测量数据和用作输入参量的状态函数产生更新的状态函数或回旋样条20。在随后的递归步骤中，可将最后更新的状态函数再次用于预测。
一些传感器(地图制造商的传感器系统和车辆自身的传感器系统)的环境数据无法精确确定道路走向。传感器的环境测量数据例如可能部分具有噪声或错误。相反，多个不同类型的传感器(数据源)的环境数据的数据融合可确保对道路走向的稳健、高度可用且不易出错的估计。多传感器数据融合的这种方案在图3中示出。
在多传感器数据融合中，多个传感器的数据、尤其是环境测量数据可被融合形成道路模型。在图4所示的实施例中，环境测量数据可借助摄像机41和高清地图43提供。
摄像机41例如可固定在车辆上并且对准行进方向。如已经提到的，可由摄像机41的图像借助图像处理应用程序以一个或多个连续多项式函数的形式近似地表示道路标线、道路边界及其走向。通常，摄像机41的有效距离或测量半径受障碍物或摄像机41的光学有效距离限制。
高清地图43通常基于地图制造商42的传感器系统的输出参量。通过内插可从高清地图获取的航点可确定一个或多个连续的多项式函数，以便近似地描述道路走向。高清地图43或相应的地图数据例如可存在于安装在车辆11上的存储介质上。替代或附加地，高清地图43或地图数据可从发送器发送到车辆11的接收模块或用于估计道路走向的装置。
通过在卡尔曼滤波器的第二阶段中调整状态函数33，例如根据多传感器数据融合40，将高清地图43和摄像机41的环境测量数据纳入道路走向或道路模型45的估计中，该道路模型可通过状态函数或回旋样条20表示。即使在此描述的实施例规定使用单个摄像机，但其它实施例也可包括多个摄像机41，这些摄像机必要时可朝向不同方向定向。
另外，可借助卡尔曼滤波器基于摄像机41的环境数据调整回旋样条20。下面借助图5所示的曲线20和50更详细地说明摄像机41的环境测量数据的数据融合44。
为了在卡尔曼滤波器的第二阶段中调整33状态函数20，状态函数20，即回旋样条20，和环境测量数据50被变换到点空间中。这意味着，不仅环境测量数据50而且回旋样条20可分别通过点空间中的多个点来描述。这些点可通过采样方法从回旋样条20和环境测量数据50确定。因此这些点也称为采样点51和52。
借助回旋样条20的通常表达式(1)无法确定采样点51或采样点51的位置坐标。因此需要变换32回旋样条20。为了变换32回旋样条20，可确定测量模型，借助该测量模型可将回旋样条20变换到环境测量数据50的测量空间中，从而可通过位置坐标显示回旋样条20。
在此有多种测量模型用于变换32回旋样条20，以便通过使用位置坐标而不是(1)中的弧长和曲率值来显示回旋样条。下面应示例性参照图6所示的图示60-1和60-2说明可用于变换32回旋样条20的两个测量模型。
用于变换32回旋样条20的第一测量模型通过以三次多项式62逼近回旋段21规定回旋样条20的近似表达式。这种表达式在图示60-1中示出。三次多项式62可表示如下：
y(x)＝ax3+bx2+cx+d (2)
a、b、c和d相应于确定多项式62形式的参数。为了近似表示回旋段21，参数a、b、c和d可以用回旋段21的参数c0、c1,m、θ0和y0以下述方式代替：
a＝cm，1，b＝c0，c＝atan(θ0)，d＝y0 (3)
通过代入根据(3)的参数例如得到多项式62，其近似地表示回旋曲线或例如回旋段21的走向。采样点61因此近似相应于采样点51。通过用(2)和(3)近似表示回旋段21，可以为每个采样点61分配位置坐标。通过在此描述的第一测量模型，回旋样条20可在卡尔曼滤波器中以点空间表示。以点空间的采样点61和采样点52作为输入参量，卡尔曼滤波器可将多项式62逼近环境测量数据50。在此可确定回旋样条20的参数c0、θ0和y0和c1,1…c1,n的值。通过代入这些值可确定道路走向的估计，所述估计通过根据摄像机41的环境测量数据50调整33回旋样条20而产生。
回旋段21在小的曲率下可很好地通过所描述的根据(2)和(3)的测量模型近似表示。在大的曲率下，根据(2)和(3)的回旋样条20的近似表示的精度可能不足以确保用于根据环境测量数据50调整33回旋样条20的高精度。
为了在大曲率下更好地近似表示，代替第一测量模型可将第二测量模型用于回旋样条20。例如回旋段21可通过回旋函数的参数表示来表示。这在图示60-2中示出。在例如回旋段21的参数表示中，每个采样点63以向量表示来表示。这种采样点63的向量例如包括可用菲涅耳积分表示的两个分量。为了减少菲涅耳积分的数值计算量，可使用菲涅耳积分的例如五阶泰勒展开来代替菲涅耳积分。从回旋段21的这种逼近，例如可产生函数64，该函数64基于五阶泰勒展开相应于泰勒多项式64。如在图6中可以看出，该多项式64相对精确地描述回旋段21的走向。借助第二测量模型确定的采样点63即使在大曲率的情况下也以很好地近似描述回旋段21和/或回旋样条。
通过第二测量模型生成的采样点63尤其是可在大曲率下比通过第一测量模型生成的采样点61更近似地表示回旋样条20。因此使用第二测量模型通常可比使用第一测量模型更准确地确定道路走向。总的来说，两种测量模型都可用于估计道路走向。
为了确定相应测量模型的采样点61和63以及环境测量数据50的采样点52，可使用不同的采样方法。图7示出采样方法的两种可能性。在第一种常见的采样方法中(在图7的左侧)，可这样选择采样点61、63和52，使得沿x方向上的采样点之间的距离是恒定的。已经表明，当使用卡尔曼滤波器调整33回旋样条20或多项式62和64时，这种采样方法对于高度弯曲的道路走向不是最佳的。在这种采样方法中，由于基于几何条件的系统误差，在道路走向高度弯曲时采样点61或63与采样点52之间的距离可能相对较大，尽管多项式62或64近似相应于环境测量数据50。然后，在产生新息时卡尔曼滤波器会“太多”移动回旋样条20。例如在图7左侧图示所示的示例中，回旋样条20将向下偏移太多，因为采样点61或63与采样点52之间的距离d相对较大。
通过在其它实施例的意义上选择第二种采样方法(在图7的右侧)可减少这种系统误差。在图7的右图所示的采样方法中这样选择采样点61、63和52，使得在相应多项式62、64或环境测量数据50的相邻采样点61、63和52之间存在恒定的弧长Δs。以此方式，即使在道路走向高度弯曲时采样点61、63和52的位置也使得采样点61或63与采样点52之间的距离d例如小于图7中左侧的图示。相应地，回旋样条20通过卡尔曼滤波器例如向下移动较小幅度。与使用第一种采样方法的调整33相比，使用第二种采样方法借助卡尔曼滤波器调整33回旋样条20可达到更高的精度。第二种采样方法此外也对卡尔曼滤波器的函数具有稳定作用并且因此也对车辆控制时的侧向引导特性具有稳定作用，因为在使用第二种采样方法时在调整33时稍微校正回旋样条20。因此，在单个递归步骤中状态函数可能不那么“强烈”地被调整，因此被称为“更稳定”。
在一些实施例中，摄像机41可检测道路标线12或13的走向并且图像处理应用程序可设计用于检测这种道路标线12或13并且通过多项式或多项式样条近似地描述它们。道路标线13在此标记道路的道路边界。道路标线12标记道路的在一些情况下不可见的中心线。由道路标线12和13标记的道路的示意图在图8中示出。基于道路标线12和/或13的走向，可例如借助适合的图像处理应用程序从摄像机41的图像确定道路宽度或车道宽度。在一些情况下，道路走向的估计可相应于道路标线13的走向。这对于控制车辆可能是有利的。由向左和向右限定道路的两条道路标线13的走向例如可确定车道宽度或从中推导出中心线12的走向。
在控制车辆时，可能需要确定车道中心的走向。在没有中心线12的情况下，则不能通过摄像机的环境测量数据50的数据融合44直接确定车道中心的走向。在这种情况下，可借助数据融合44确定道路标线或道路边界13的走向并且基于此在考虑车道宽度的情况下推导车道中心或中心线12的走向。待确定道路的车道宽度要么可以从存在于车辆的数据记录中获取要么可以根据道路标线13的走向来确定。为了确定中心线12的走向，可这样变换例如描述车道中心走向的回旋样条20，使得变换后的回旋样条描述道路标线13之一的走向，以便能够根据摄像机的环境测量数据调整33回旋样条20。在调整33回旋样条20之后，可通过逆变换确定再次标记车道中心走向的回旋样条。出于几何原因，以平移方式、即在x和y方向上移动回旋样条20对于变换和逆变换来说可能是不够的。为此例如还可能需要借助数学方法这样调整参数c0、c1,m，使得变换后的回旋样条相应于中心线12的走向并且因此平行于道路边界13延伸。
作为替代方案，为了调整33回旋样条20，在考虑车道宽度的情况下可这样变换摄像机的环境测量数据，使得变换摄像机的环境测量数据近似地标记车道中心的走向。然后卡尔曼滤波器可根据变换后的测量数据调整33回旋样条20。
为了在图4中示意性示出的多传感器数据融合，通常使用来自另一不同于摄像机的数据源的环境测量数据。在图4中所示的实施例中，为此使用高清地图43的地图数据。这种地图数据的一种示例在图9中示出。地图制造商42的传感器系统提供位于车辆11的车道上的航点91。这些航点可通过内插在考虑其它连接条件的情况下连接。在内插情况下航点例如可通过多项式92连接。因此可由多个多项式函数92生成一个多项式样条90。该多项式样条90例如可相应于地图数据。
在在此描述的本发明的一些实施例中，多项式样条90可表示为以位置坐标的函数。在数据融合44中可通过卡尔曼滤波器根据多项式样条90调整的回旋样条20在此通常也作为参数y0、θ0、c0和c1,1、...、c1,n的参数集存在，这些参数可借助由(1)得到的曲率值c(s)表示回旋样条20。
与摄像机41的环境测量数据50相比，地图数据可在摄像机41可检测道路之前很久就已经确定。因此，例如可根据高度弯曲和/或不可见的转弯来估计道路14的道路走向。因此，地图数据例如可用于在车辆11之前很远处很好地近似确定道路走向。
借助地图数据有时不能确定或不能精确确定车辆的定向。车辆11相对于道路14的定向通常不能由车辆11的位置数据和多项式样条90确定，因为不能从中产生对于车辆11定向的指示。
因此，通常在卡尔曼滤波器中不使用地图数据的位置坐标来根据地图数据调整回旋样条20。在此可使用另一测量模型，其中地图数据在测量空间中被显示，该测量空间包括具有曲率值的坐标系。
对于包括具有曲率值的坐标系的测量空间中的上述数据融合44有利的是，例如根据(1)显示回旋样条20。因此，样条曲线20的状态空间可以已经相应于测量空间。
由高清地图43提供的多项式样条90通常作为具有位置坐标的坐标系中的表达式存在。在在此公开的本发明的有利实施方式中，因此可能需要将地图数据变换32到包括具有曲率值的坐标系的测量空间中。地图数据的适合表示例如可以是地图数据的弧长s的函数，在此根据弧长s产生地图数据的曲率值k。
为了根据多项式样条90调整33回旋样条20，例如在卡尔曼滤波器产生新息中，使回旋样条20的曲率值逼近多项式样条90的曲率值k。例如为此考虑地图数据航点处的曲率值k。调整33可通过调整参数y0、θ0、c0和c1,1、...、c1,n来进行。
所描述的基于曲率值k的数据融合44的一个优点是该数据融合44相对于角度和偏移误差具有鲁棒性。假设定位确定了车辆11实际所在的车道，则例如可借助曲率值k精确估计道路走向，即使车辆11并不正好位于车道中心或不平行于中心线12定向。
在在此公开的本发明的有利实施方式中，计算机实现的方法可包括多传感器数据融合40。在此可从环境测量数据50和地图数据的多传感器数据融合40中产生优势。
在环境测量数据的数据融合44中，例如可确定车辆11相对于道路14的位置和定向。因此，当控制车辆11时，例如可防止车辆11离开道路14。
借助地图数据的数据融合44可在很早地预先确定道路走向，使得对车辆11的控制例如可足够早地降低车辆的速度，以便安全通过不可见的高度弯曲的转弯。此外，数据融合44在道路走向的估计中相对于角度和偏移误差具有鲁棒性，由此可减少估计中的测量误差。
计算机实现的方法30可用于控制任何地面车辆11。这种车辆11的一种示例在图10中示出。车辆11在此可配备有用于估计道路走向的装置100。装置100包括处理单元(在此未示出)和用于检测环境测量数据的多个接口。这样的一个接口例如可以是处理单元和一个或多个摄像机41之间的连接。摄像机41例如可朝向行进方向、逆着行进方向或朝向侧面定向并且可提供31环境测量数据50。其它接口可将处理单元连接到存储介质103、如硬盘驱动器或光存储器，并且附加或替代地连接到接收单元102。地图数据90的提供31可通过地图数据90在存储介质103上可用或由接收单元102接收并提供给处理单元来实现。例如地图数据可由发送器110发送到接收单元。借助环境测量数据50和地图数据，装置100可通过执行计算机实现的方法10来确定道路走向的估计。
为此处理单元设计用于执行回旋样条20和环境测量数据50和/或地图数据的变换32。此外，处理单元设计用于根据环境测量数据调整33回旋样条20。处理单元例如可以是处理器、微控制器、现场可编程门阵列(FPGA)、计算机或可编程硬件组件。
结合一个或多个先前的详细示例和附图描述的方面和特征也可与一个或多个其它示例组合，以替换另一示例中的相同特征或将该特征额外引入另一示例。
示例还可以是具有程序代码的计算机程序，该程序代码用于执行一个或多个上述方法或当该计算机程序在计算机或处理器上执行时与之相关。上述各种方法的步骤、操作或过程可由编程的计算机或处理器来执行。示例还可涵盖程序存储装置、如数字数据存储介质，它是机器、处理器或计算机可读的并编码机器可执行、处理器可执行或计算机可执行的指令程序。这些指令执行上述方法的一些或全部步骤或导致其执行。程序存储装置例如可包括或可以是数字存储器、磁性存储介质、如磁盘和磁带、硬盘驱动器，或光可读数字数据存储介质。其它示例还可包括为执行上述方法的步骤而编程的计算机、处理器或控制单元，或为执行上述方法的步骤而编程的(现场)可编程逻辑阵列((F)PLA)或(现场)可编程门阵列((F)PGA)。
说明和附图仅表示本公开的原理。此外，本文列出的所有示例原则上明确仅用于说明目的，以帮助读者理解本公开的原理和发明人为改进技术而贡献的设计方案。在此关于本公开的原理、方面和示例及其具体示例的所有陈述包括它们的等效物。
被称为“用于执行特定功能的装置”的功能块可以指构造用于执行特定功能的电路。因此，“用于某物的装置”可实现为“构造用于某物或适合于某物的装置”，如构造用于或适合于相应任务的组件或电路。
附图中所示的不同元件的功能，包括被称为“装置”、“用于提供信号的装置”、“用于产生信号的装置”等的每个功能块的功能可以专用硬件的形式实现、如“信号提供者”、“信号处理单元”、“处理器”、“控制装置”等以及被实现为能够结合相关软件执行软件的硬件。当由处理器提供时，功能可由单个专用处理器、单个共享处理器或多个独立处理器提供，它们中的一些或全部可以共享。但术语“处理器”或“控制装置”绝不限于只能执行软件的硬件，而是可包括数字信号处理器硬件(DSP硬件)、网络处理器、特定应用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储设备。其它硬件，常规的和/或客户特定的也可包括在内。
框图例如可表示实现本公开的原理的粗略电路图。类似地，流程图、顺序图、状态转换图、伪代码等可表示各种过程、操作或步骤，它们例如基本上在计算机可读介质中显示并因此由计算机或处理器执行，无论是否明确示出这种计算机或处理器。在说明书或权利要求中公开的方法可由一个组件实现，该组件包括用于执行这些方法的每个步骤的装置。
不言而喻，除非明确或隐含地另行说明，例如出于技术原因，否则说明书或权利要求中公开的多个步骤、过程、操作或功能不应解释为按特定顺序进行。因此，多个步骤或功能的公开并不将它们限制为特定顺序，除非这些步骤或功能因技术原因不能互换。此外，在一些示例中，单个步骤、功能、过程或操作可包括和/或被分解成多个子步骤、功能、过程或操作。除非明确排除，否则这些子步骤可包括在内并构成该单个步骤公开的一部分。
此外，下述权利要求由此纳入详细说明书中，每项权利要求可独立作为单独的示例。虽然每项权利要求都可独立作为单独的示例，但应注意，虽然权利要求中的从属权利要求可涉及与一个或多个其它权利要求的特定组合，但其它示例也可包括从属权利要求与任何其他从属或独立权利要求的技术方案的组合。除非指出不考虑特定的组合，否则在此明确提出这些组合。此外，一项权利要求的特征也应包括在任何其它独立权利要求中，即使该权利要求没有直接引用该独立权利要求。
附图标记列表
11 车辆
12 中心线
13 道路边界
14 道路
20 回旋样条
21 回旋段
22 过渡点
30 计算机实现的方法
31 提供环境测量数据
32 变换状态函数和环境测量数据
33 调整状态函数
40 多传感器数据融合
41 摄像机
42 地图制造商的传感器系统
43 高清地图
44 数据融合
45 道路模型
50 摄像机的环境测量数据
51 回旋样条的采样点
52 摄像机的环境测量数据的采样点
60-1 第一种采样方法图示
60-2 第二种采样方法图示
61 多项式的采样点
62 多项式
63 泰勒多项式的样本点
64 泰勒多项式
90 多项式样条
91 航点
92 多项式函数
100 装置
102 接收单元
103 存储介质
110 发送器

Claims (13)

1.一种用于基于描述道路走向的状态函数估计车辆(11)环境中的道路走向的计算机实现的方法(30)，该状态函数包括回旋样条(20)，所述方法(30)包括：
提供(31)描述车辆(11)当前位置处的道路走向的环境测量数据，该环境测量数据包括至少一个多项式函数；
将状态函数和环境测量数据变换(32)到共同的坐标系中；并且
在共同的坐标系中基于环境测量数据调整(33)状态函数。
2.根据权利要求1所述的计算机实现的方法(30)，其中，由至少一个摄像机(41)检测所述环境测量数据(50)。
3.根据权利要求1所述的计算机实现的方法(30)，其中，由地图(43)提供所述环境测量数据。
4.根据权利要求1所述的计算机实现的方法(30)，其中，由至少一个摄像机(41)检测第一环境测量数据(50)并且由地图(43)提供第二环境测量数据。
5.根据前述权利要求中任一项所述的计算机实现的方法(30)，其中，所述共同的坐标系包括位置坐标。
6.根据前述权利要求中任一项所述的计算机实现的方法(30)，其中，状态函数的调整(33)包括用于确定采样点(51)、(52)、(61)和(63)的采样方法，其中，在相应多个采样点的情况下在相邻采样点之间存在恒定的曲线长度。
7.根据前述权利要求中任一项所述的计算机实现的方法(30)，其中，所述共同的坐标系包括曲率值。
8.根据前述权利要求中任一项所述的计算机实现的方法(30)，其中，根据环境测量数据对状态函数的调整(33)规定根据环境测量数据的至少一个另外的曲率值对状态函数的至少一个曲率值的调整。
9.根据前述权利要求中任一项所述的计算机实现的方法(30)，其中，所述状态函数表征道路的道路标线(12)、(13)的走向。
10.根据权利要求9所述的计算机实现的方法(30)，还包括通过所述状态函数的变换来确定车道中心(12)的走向。
11.根据前述权利要求中任一项所述的计算机实现的方法(30)，其中，所述计算机实现的方法(30)还包括提供验证测量数据并且借助验证数据验证道路走向的估计。
12.一种用于估计车辆(11)环境中的道路走向的装置(100)，包括：
一个或多个构造用于检测环境测量数据的接口；
处理单元，其构造用于执行根据权利要求1至11所述的计算机实现的方法。
13.车辆(11)，包括根据权利要求12所述的装置(100)。
CN201980087247.2A 2019-02-06 2019-10-21 用于自动和自主车辆的多传感器数据融合的方法和装置 Pending CN113261007A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102019102922.8A DE102019102922A1 (de) 2019-02-06 2019-02-06 Verfahren und Vorrichtung zur Multi-Sensor-Datenfusion für automatisierte und autonome Fahrzeuge
DE102019102922.8 2019-02-06
PCT/EP2019/078606 WO2020160796A1 (de) 2019-02-06 2019-10-21 Verfahren und vorrichtung zur multi-sensor-datenfusion für automatisierte und autonome fahrzeuge

Publications (1)

Publication Number Publication Date
CN113261007A true CN113261007A (zh) 2021-08-13

Family

ID=68318888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980087247.2A Pending CN113261007A (zh) 2019-02-06 2019-10-21 用于自动和自主车辆的多传感器数据融合的方法和装置

Country Status (4)

Country Link
US (1) US20220101637A1 (zh)
CN (1) CN113261007A (zh)
DE (1) DE102019102922A1 (zh)
WO (1) WO2020160796A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021116286A1 (de) * 2021-06-23 2022-12-29 Bayerische Motoren Werke Aktiengesellschaft Fahrzeug, Vorrichtung, Computerprogramm, Verfahren zum zumindest teilweisen Kompensieren eines Beobachtungsfehlers beim Schätzen eines Fahrbahnverlaufs
CN118025207A (zh) * 2022-11-07 2024-05-14 罗伯特·博世有限公司 驾驶员辅助系统及其安全性监控单元和方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080183419A1 (en) * 2002-07-15 2008-07-31 Automotive Systems Laboratory, Inc. Road curvature estimation system
CN102649430A (zh) * 2011-02-28 2012-08-29 通用汽车环球科技运作有限责任公司 用于容错车辆侧向控制器的冗余车道感测系统
WO2018019454A1 (de) * 2016-07-29 2018-02-01 Bayerische Motoren Werke Aktiengesellschaft Verfahren und vorrichtung zum ermitteln eines fahrbahnmodells für ein fahrzeugumfeld

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6718259B1 (en) * 2002-10-02 2004-04-06 Hrl Laboratories, Llc Adaptive Kalman filter method for accurate estimation of forward path geometry of an automobile
US8762046B2 (en) * 2008-10-01 2014-06-24 Navteq B.V. Creating geometry for advanced driver assistance systems
DE102010020984A1 (de) * 2010-04-20 2011-10-20 Conti Temic Microelectronic Gmbh Verfahren zur Bestimmung des Fahrbahnverlaufes für ein Kraftfahrzeug
EP2525303A1 (en) * 2011-05-17 2012-11-21 Harman Becker Automotive Systems GmbH Lane tracking
DE102012107885A1 (de) * 2012-08-27 2014-02-27 Continental Teves Ag & Co. Ohg Verfahren zur Bestimmung eines Fahrspurverlaufs für ein Fahrzeug
DE102013002889A1 (de) * 2013-02-19 2014-08-21 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur Modellierung eines Fahrbahnrandes und Fahrzeug mit einer solchen Vorrichtung
DE102014200638A1 (de) * 2014-01-16 2015-07-30 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zum Schätzen eines Fahrspurverlaufs
JP6285321B2 (ja) * 2014-08-25 2018-02-28 株式会社Ｓｏｋｅｎ 道路形状認識装置
JP6363518B2 (ja) * 2015-01-21 2018-07-25 株式会社デンソー 区画線認識装置
JP6412460B2 (ja) * 2015-04-14 2018-10-24 株式会社Ｓｏｋｅｎ 走行路推定装置
DE102015013085A1 (de) * 2015-10-08 2016-03-31 Daimler Ag Verfahren zum Bestimmen eines Soll-Fahrspurverlaufs eines Kraftfahrzeugs
DE102016211730A1 (de) * 2016-06-29 2018-01-04 Continental Teves Ag & Co. Ohg Verfahren zur Vorhersage eines Fahrbahnverlaufs einer Fahrbahn
DE102017209346A1 (de) * 2017-06-01 2019-01-10 Robert Bosch Gmbh Verfahren und Vorrichtung zur Erstellung einer fahrspurgenauen Straßenkarte

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080183419A1 (en) * 2002-07-15 2008-07-31 Automotive Systems Laboratory, Inc. Road curvature estimation system
CN102649430A (zh) * 2011-02-28 2012-08-29 通用汽车环球科技运作有限责任公司 用于容错车辆侧向控制器的冗余车道感测系统
WO2018019454A1 (de) * 2016-07-29 2018-02-01 Bayerische Motoren Werke Aktiengesellschaft Verfahren und vorrichtung zum ermitteln eines fahrbahnmodells für ein fahrzeugumfeld

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MANOLIS TSOGAS等: "Using digital maps to enhance lane keeping support systems", 2007 IEEE INTELLIGENT VEHICLES SYMPOSIUM, pages 149 - 153 *

Also Published As

Publication number Publication date
US20220101637A1 (en) 2022-03-31
WO2020160796A1 (de) 2020-08-13
DE102019102922A1 (de) 2020-08-06

Similar Documents

Publication Publication Date Title
US20220169280A1 (en) Method and Device for Multi-Sensor Data Fusion For Automated and Autonomous Vehicles
CN107451521B (zh) 车辆车道图估算
US11173953B2 (en) System and method for calibrating a steering wheel neutral position
EP3056861B1 (en) Method and system in a vehicle for improving prediction results of an advantageous driver assistant system
US9283967B2 (en) Accurate curvature estimation algorithm for path planning of autonomous driving vehicle
US8558679B2 (en) Method of analyzing the surroundings of a vehicle
US20200049511A1 (en) Sensor fusion
US9255989B2 (en) Tracking on-road vehicles with sensors of different modalities
RU2735567C1 (ru) Способ хранения предысторий движения, способ для выработки модели пути движения, способ для оценки локальной позиции и устройство хранения предысторий движения
CN109477728B (zh) 用于确定车辆相对于路面行车道的横向位置的方法和装置
US20170082454A1 (en) Method and Device for Operating a Vehicle and Driver Assistance System
US11087147B2 (en) Vehicle lane mapping
JP6790638B2 (ja) 走行制御方法および走行制御装置
CN113498519A (zh) 用于识别拐入车辆或拐出车辆的方法及控制单元
KR20220068710A (ko) 차량 측위 방법 및 장치
CN113261007A (zh) 用于自动和自主车辆的多传感器数据融合的方法和装置
CN114761758A (zh) 多车道道路表征和跟踪算法
EP2047213B1 (en) Generating a map
KR20150019184A (ko) 조향 휠 제어 방법 및 이를 위한 위한 시스템
JP6747157B2 (ja) 自己位置推定方法及び自己位置推定装置
JP6804268B2 (ja) 駐車制御装置の姿勢推定方法、及び姿勢推定装置
US20200172099A1 (en) Vehicle and method of controlling the same
JP5460413B2 (ja) 自車位置認識装置
CN113327456A (zh) 一种车道结构检测方法及装置
US20240067211A1 (en) Method and apparatus for operating a vehicle for highly automated driving, and vehicle for highly automated driving

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