DE10041277A1

DE10041277A1 - Verfahren und System zum Autonomen Entwickeln oder Erweitern von geografischen Datenbanken durch Verwendung unkoordinierter Messdaten

Info

Publication number: DE10041277A1
Application number: DE10041277A
Authority: DE
Inventors: Christopher Kenneth Hoo Wilson; Seth Olds Rogers; Patrick Wyatt Langley
Original assignee: DaimlerChrysler AG
Current assignee: OL Security LLC
Priority date: 1999-08-13
Filing date: 2000-08-14
Publication date: 2001-05-23
Also published as: US6385539B1

Abstract

Ein Verfahren und ein System zum Entwickeln geospatialer Informationen über ein bestimmtes Gebiet mit einer Vielzahl von unkoordinierten, sich in diesem Gebiet bewegenden Messfahrzeugen werden geschaffen. Die Messfahrzeuge sind mit einem Positionsbestimmungssystem ausgerüstet und sammeln beim Bewegen in dem Gebiet spezifische geospatiale Informationen. Diese spezifischen Informationen von den Messfahrzeugen werden über der Zeit zu einem Datensatz kombiniert. Ein Zentralprozessor analysiert den Datensatz zur Bestimmung von geospatialen Informationen höherer Qualität als die von den einzelnen Messfahrzeugen in diesem Gebiet gesammelten Informationen.

Description

HINTERGRUND UND ZUSAMMENFASSUNG DER ER FINDUNG

Die vorliegende Erfindung bezieht sich auf ein Verfahren und ein System zum autonomen Entwickeln von speziellen geospatialen Kenntnissen und insbesondere zum Entwickeln oder Erweitern einer Systemdatenbank mit geografischen Informationen durch Verwendung von wahllos gesammelten tatsächlichen Messdaten.

Mit dem Fortschritt der Informationstechnik, insbesondere der Computerverarbeitung, Kommunikation und globaler Positionierung, sind Systeme und Verfahren entwickelt worden, um diese Techniken zu nützlichen Informationen einzusetzen. Beispielsweise liefern Positioniersysteme auf Satellitenbasis, wie z. B. das amerikanische Global Positioning System (GPS) und das russische Globale Navigations-Satellitensystem (GLONASS) Positionsinforma tionen zum Gebrauch bei der Fahrzeug- und der persönlichen Navigation, wie z. B. in Flugzeugen, Wasser-, Landfahr zeugen und auch bei der Selbstnutzung durch den Einzelnen. Die GPS- und GLONASS-Systeme liefern überall auf der Erde eine absolute Position, wo wenigstens vier Satelliten deutlich beobachtet werden können. Unter Verwendung be kannter Differenziertechniken kann eine Positioniergenauig keit von einem Meter oder weniger erreicht werden.

Es ist auch bekannt, Flotten von Messfahrzeugen einzusetzen, z. B. Personen- und Lastkraftwagen, die mit differenziellen GPS (DGPS)-Empfängern ausgerüstet sind, um zwecks Überwachung des Verkehrsflusses Rohdaten auf speziellen Routen zu liefern. Ein derartiges System ist in der US-Patentschrift 5,539,645 beschrieben, wobei ein Zentralrechner gesammelte und weitergeleitete Grunddaten über zeitabhängige Größen auf bestimmten Routen empfängt. Die "Roh"-Kalibrationsdaten werden bearbeitet, um die normalen Verkehrsgeschwindigkeiten und -muster zu bestimmen, welche mit überwachten Daten verglichen werden. Abweichungen außerhalb zulässiger Variationen werden an den Zentralrechner gegeben, der dann die diversen auftretenden Verkehrsereignisse berechnen kann. Die obige Druckschrift beschreibt eine erwünschte Positioniergenauigkeit von beispielsweise 0,5 m, um zwischen Fahrspurwechseln und speziellen Fahrspuren einer befahrenen Fernstraße zu unterscheiden. Während ein derartiger bekannter DGPS-Empfänger die benötigte Genauigkeit zum Lokalisieren eines Fahrzeugs auf einer bestimmten Fahrspur aufweisen mag, so war es doch bisher nicht möglich, die Position der Fahrspuren selbst zuverläs sig zu bestimmen.

Die deutschen Patentschriften DE 195 25 291 und DE 196 50 844 beschreiben Verfahren zum Analysieren der von eine bestimmte Route fahrenden Messfahrzeugen empfangenen Informationen, um die Informationen als Attribute entsprechender Straßenabschnitte in einer digitalen Straßen karte zuzuordnen. Die Attribute liefern Navigationsin formationen für das Fahrzeug, um eine bestimmte Route abzufahren. Die Druckschrift DE 196 50 844 speichert statische und dynamische Parameter für die erfasste Route in der digitalen Karte. Diese statischen Parameter enthalten strukturelle Eigenschaften des befahrenen Wegs. Die dynamischen Parameter werden ständig an den reellen Zustand der erfassten Straßenabschnitte der Route ange passt, um eine Fahrroute für das Fahrzeug zu bestimmen. Beide Systeme versuchen, zuverlässige Informationen über Verkehrslenkung und Navigation zu liefern.

Alle oben beschriebenen bekannten Systeme verwenden DPGS-Positionsinformationen in Verbindung mit konven tionell erhaltenen digitalen Straßenkarten, um durch Be stimmung bevorzugter Routen und/oder Liefern von Verkehrsüberwachungsinformationen bei der Navigation behilflich zu sein. In der Zukunft werden verbesserte Sicherheits- und Navigationsanwendungen äußerst genaue und detaillierte digitale Karten erfordern, die in Verbindung mit den globalen Positioniersystemen nutzbar sind. Der Aufbau derartiger detaillierter digitaler Karten war bisher wegen der teuren und zeitaufwendigen manuellen Straßen vermessungen über endlose Entfernungen im Straßennetz nur schwer möglich.

Es sind auch mit automatischen Kartensystemen Versuche gemacht worden. Beispielsweise beschreibt die Druckschrift "Positioning Accuracy of the GPSvan", Proceedings of the 52^nd Annual National Technical Meeting of the Institute of Navigation, pp. 657-665, Palm Springs, Kalifornien, 1995 die speziellen arbeitsintensiven Bemühungen zum umfangreichen Vermessen eines Zielgebiets. Hierbei kombiniert ein speziell ausgerüstetes Fahrzeug in Form eines "GPSvan" zahlreiche Sensoren, einschließlich mehrerer GPS-Empfänger, Laserkameras und Stereovisions systemen, um detaillierte Informationen über die befahrenen Straßen zu erhalten. Derartige Fahrzeuge sind jedoch übermäßig teuer und fordern Fachpersonal zum Verschlüs seln der Merkmale während der Fahrt des Fahrzeugs.

Somit wird ein automatisches Verfahren zum Verfeinern und Erweitern der konventionellen digitalen Karten benötigt, um die geforderte geospatiale Genauigkeit für zukünftige An wendungsgebiete bezüglich Sicherheit, Navigation, Marke ting etc. zu liefern.

Die vorliegende Erfindung erfüllt diese Bedürfnisse durch Entwicklung geospatialer Informationen über ein bestimmtes Gebiet mit Hilfe unkoordinierter, sich in dem Gebiet bewegender Messsysteme. Das Verfahren beinhaltet die Schritte des Gewinnens spezifischer geospatialer Informa tionen des Messsystems mit geringerer Qualität aus einer Vielzahl von sich im Gebiet bewegenden Messsystemen. Dann werden die spezifischen Informationen des Mess systems über der Zeit zu einem Datensatz kombiniert. Der Datensatz wird daraufhin analysiert, um geospatiale Informationen für das spezielle Gebiet mit höherer Qualität zu bestimmen. Dieses Datenentwicklungssystem und - verfahren kann zum Entwickeln und/oder Verfeinern von digitalen Karten auf der Grundlage von Positionsmessungen (den geospatialen Informationen) benutzt werden, die von den mit globalen Positioniersystem-Empfängern mit Differenzkorrekturen ausgerüsteten Messsystemen erzeugt wurden.

Obwohl das Verfahren und das System gemäß der Erfindung unter Bezug auf Positionsmessungsinformationen liefernde Messfahrzeuge näher beschrieben wird, um käuflich er hältliche digitale Straßenkarten zu verfeinern und erweitern, ist es selbstverständlich, dass die Erfindung in allgemeinerer Weise auf die Benutzung unkoordinierter Messsysteme mit GPS-Empfängern von nur geringer oder bescheidener Qualität anwendbar ist, um geografische Datenbanken zu entwickeln, die von mittlerer bis hoher Qualität sind. Weiterhin können die Messsysteme alle bekannten Datenbanken mit einer geografischen Komponente verfeinern und erweitern, die eine geeignete Anzahl von Positionsmessungen der Messsysteme benutzen, seien es nun Fahrzeuge oder andere Einrichtungen.

Gemäß der Erfindung wird eine große Anzahl von Messfahrzeugen mit einem Positions/Zeit-Sensor ausge rüstet, um ihre Positionen und Zeitpunkte immer dann aufzuzeichnen, wenn das Fahrzeug in Bewegung ist. Andere Sensoren und Datentypen können auch mit diesen Daten kombiniert werden. Tatsächlich sind die Zeitdaten nicht einmal notwendig. Die Messfahrzeuge werden in ihrer nor malen Art gefahren, so dass über einer Zeitdauer alle möglichen Straßenrouten von wenigstens einem der Messfahrzeuge befahren werden. Die Daten der Messfahrzeuge werden zu einem Datensatz kombiniert, ent weder in Echtzeit oder in Nachbearbeitung. Dieser Daten satz wird dann statistischen und/oder anderen Analyse formen unterworfen, um bestimmte Merkmale festzustellen.

Auf Grund dieser Daten von vielen Messfahrzeugen liefert deren Kombination sehr genaue Messungen der physika lischen Umgebung. Ein Karte wird dann aus den genauen Messungen erzeugt. Dies liefert somit ein probabilistisches Verfahren zum Erzeugen einer Karte, die für autonome Fahrzeuganwendungen deshalb vorteilhaft ist, da sie be schreibt, wie sich die Fahrzeuge tatsächlich in einem Stra ßennetz verhalten. Weiter ist es vorteilhaft, dass die statistische Auswertung der Datensätze Informationen zu sätzlich zur Straßengeometrie liefert, wie beispielsweise Informationen zur Verkehrsüberwachung. Wenn die Positionsdaten mit Daten anderer Fahrzeugsensoren, wie z. B. Traktionskontrolle, Aufhängung, Anzeige von Wenden, Visionssysteme, Fahrzeugradar etc., kombiniert werden, wird es möglich, andere Umgebungsbedingungen zu lokalisieren, wie z. B. Schlaglöcher, verschmutzte Straßen, Eis auf den Straßen, Leitplanken etc.

In einer besonderen Ausführungsform erzeugt oder ver bessert die vorliegende Erfindung als Grundkarten dienende digitale Straßenkarten mit geospatial spezifischen Infor mationen durch Entwicklung großer Mengen von Positions messdaten eines differenziellen globalen Positioniersystems (GPS) von unkoordinierten Messfahrzeugen.

Beim Erzeugen der digitalen Straßenkarten dienen die anfänglichen Positionsmessdaten von den unkoordinierten Messfahrzeugen als Grundkarte, die durch die zusätzlichen Positionsmessdaten verfeinert werden. Beim Erweitern oder Verbessern einer käuflich erhältlichen digitalen Straßen karte dienen die Daten der käuflich erhältlichen digitalen Straßenkarte als Grundkarte, wobei die zusätzlichen Positionsmessdaten der unkoordinierten Messfahrzeuge die Grundkarte verfeinern.

In einer besonders vorteilhaften, hier beschriebenen Ausführungsform werden die DGPS-Messpunkte der un koordinierten Messfahrzeuge bearbeitet, um digitale Straßenkarten mit Beschreibungen der Fahrspurenstruktur einschließlich der Zahl der Fahrspuren und deren Positionen zu verbessern. Die Benutzung von unkoordinierten Messfahrzeugen erlaubt die unauffällige und wahllose Sammlung von Daten von einer Vielzahl von Fahrern, die ihren normalen Tätigkeiten nachgehen. Das System benötigt zum Sammeln der Daten keine speziellen Fahrzeuge oder teure Hardware, indem man auf mit bekannten DGPS- Systemen ausgerüstete Messfahrzeuge zurückgreift. Die resultierenden Positionsmessungen der Messfahrzeuge werden zu Kenntnissen über das Straßennetz und insbesondere über Fahrspuren für die Fahrzeuge aufbereitet.

Das System und das Verfahren gemäß der Erfindung bestimmt eine "virtuelle" Mittellinie einer Straße und bestimmt dann mit dieser virtuellen Mittellinie die tatsächlichen Straßenfahrspuren. Während die Erfindung unter Bezug auf eine "virtuelle" Straßenmittellinie beschrieben wird, ist diese virtuelle Mittellinie natürlich ein beliebiger Bezug, und jede andere Linie parallel zur Straße kann als virtuelle Mittellinie angesehen werden. Indem man mit der käuflich erhältlichen digitalen Karte als Grundlage beginnt, wird die Mittellinie aus der digitalen Karte in Übereinstimmung mit den DGPS-Messpositionen der über einen bestimmten Straßenabschnitt fahrenden Messfahrzeuge gebracht. Im allgemeinen geschieht dies durch Berechnen des "Mittelwerts" zwischen der gegen wärtigen Mittellinie und einer neuen Spur, gewichtet mit einem Vertrauensfaktor in der Mittellinie und der Spur. Wenn das System inkremental mehr Positionsmessungen in den Mittelwert einführt, werden Fehler in den Messpunkten ausgemittelt, so dass die neue Mittellinie genauer als alle der sie erzeugenden Messungen ist.

Während die ursprüngliche Mittellinie in der digitalen Karte nicht genau genug ist, um zur Berechnung von konstanten Fahrspur-"Versatzwerten" zwecks Erkennung von Fahrzeug fahrspuren benutzt zu werden, erkennt die vorliegende Erfindung, dass per Definition jede Linie parallel zu den wahren Fahrzeugfahrspuren einen bestimmten senkrechten Abstand (daher "Versatz") von den Fahrzeugfahrspuren hat. Somit ist die Bestimmung einer "virtuellen" Mittellinie - auf Grundlage der ursprünglichen Mittellinie in der digitalen Karte und der Mehrfach-Messpunkte der Messfahrzeuge - besser zur Bestimmung der Versatzwerte geeignet, um die tatsächlichen Fahrzeugfahrspuren zu identifizieren. Diese Versatzwerte sind definiert durch den senkrechten Abstand der Fahrzeugfahrspur von der virtuellen Mittellinie, da alle Fahrzeugfahrspuren parallel zueinander sind.

Durch die Annahme, dass sich die Fahrzeugführer allgemein innerhalb einer Fahrzeugfahrspur aufhalten, liefert der senkrechte Abstand der meisten Stellen des Fahrzeugs von der virtuellen Mittellinie eine Abschätzung des Versatzes für die bestimmte befahrene Fahrspur. Das Verfahren und das System berechnen somit einen Versatzwert für jede Position in der Positionsmessung. Diese Versatzwerte werden dann in Fahrspuren gruppiert und werden gemittelt, um die Mittellinie der Fahrzeugfahrspur zu finden. Ein hierarchischer agglomerativer Cluster-Algorithmus wird vorteilhafterweise dazu benutzt, um ein Modell für die tatsächlichen Fahrzeugfahrspuren darzustellen und die digitale Straßenkarte auf Grundlage der genau dargestellten virtuellen Mittellinie des Straßenabschnitts zu verfeinern. Gemäß der vorliegenden Erfindung wird die Modellbildung der Fahrspuren für einen Ziel-Straßenabschnitt S durchge führt, abgedeckt durch einen Satz von Positionsmessungen P von Messfahrzeugen, indem zunächst die genaue virtuelle Mittellinie für den Ziel-Straßenabschnitt S mit Hilfe des Satzes von Positionsmessungen P gefunden wird und dann die P-Versatzwerte von der virtuellen Mittellinie in die Fahrspurinformationen geclustert werden.

Die vorliegende Erfindung kann somit digitale Karten mit Fahrspurinformationen erzeugen oder erweitern, und ein bei allen fahrspurbezogenen Automobilanwendungen nutzbares Hilfsmittel wird gebildet. Die berechneten Fahrspurmodelle erlauben sowohl Sicherheitsanwendungen, wie z. B. Spurhalten, als auch Hilfestellungen, wie z. B. Informationen zum Fahrspurwechsel. Die große Menge von durch die Messfahrzeuge erhaltenen Positionsmessungen liefert ein preiswertes und automatisches Verfahren zum Berechnen der Fahrspurmodelle und anderer geografischer Informationen, wie z. B. Ampelanlagen, Stopp-Schilder, Höhenänderungen etc. Beispielsweise erlaubt eine kombinierte digitale Straßenkarte, aufgebaut oder verbessert mit genauen Fahrspur-Modellinformationen, in Verbindung mit einem Positioniersystem im Fahrzeug in vorteilhafter Weise: Warnung vor Abweichen von der Fahrspur, Sicherheits hinweis für Spurhalten, Navigation auf Fahrspurebene und dynamische Hinweise auf gesperrte Fahrspuren.

Bei der Warnung vor Abweichen von der Fahrspur und dem Sicherheitshinweis für Spurhalten wird ein gegenwärtiger Versatz des Fahrzeugs von der Mittellinie der Straße oder Fahrspur erfasst. Falls der Versatz größer als ein bestimmter Schwellenwert ist, wird ein Warnsignal aktiviert. Alternativ kann das Fahrzeug selbst die Kontrolle übernehmen, um mögliche Unfälle zu vermeiden. Der definierte Schwellenwert kann vorteilhafterweise auf eine Standardabweichung der Versatzwerte während typischer Fahrbedingungen bezogen sein. Bei dieser Sicherheits anwendung ist eine hohe Positioniergenauigkeit gefordert.

Die Navigation auf Fahrspurebene verbessert die konventio nelle Standard-Navigation auf Straßenebene. Die Navigation auf Fahrspurebene teilt dem Fahrer mit, welche bestimmte Fahrspur er wählen sollte, um ein bestimmtes Ziel ohne übermäßiges Wechseln in letzter Minute zu erreichen. Zusätzlich zu den Fahrspur-Modellinformationen erfordert die Navigation auf Fahrspurebene ein Modell über das Fahrzeugverhalten an Kreuzungen auf Pro-Fahrspur-Grund lage. Beispielsweise können die Positionsmessungen der Messfahrzeuge anzeigen, dass 100% der Fahrer in der linken Spur an einer bestimmten Kreuzung links abbiegen, während 50% der Fahrer in der rechten Fahrspur geradeaus fahren und 50% rechts abbiegen.

Bei den dynamischen Hinweisen auf gesperrte Fahrspuren werden Vergleiche zwischen der gegenwärtigen Fahr zeugzahl in einem Straßenabschnitt und der im vorherigen Straßenabschnitt durchgeführt, falls die zusammengefassten Fahrzeugzahlen in den Fahrspuren dynamisch über drahtlose Übermittlung verfügbar sind. Falls eine bestimmte Fahrspur unterbesetzt ist, schließt die Option der dynamischen Hinweise auf gesperrte Fahrspuren daraus, dass die Fahrspur gesperrt ist, beispielsweise wegen eines Unfalls oder einer Baustelle. Das Fahrzeug-Navigationssystem kann dies dann bei der Berechnung der Fahrzeugrouten berücksichtigen.

Natürlich können die Fahrspur-Modellinformationen auch bei anderen, hier nicht beschriebenen Sicherheits- oder Hilfsanwendungen eingesetzt werden, um dem Fahrer zu sätzlichen Nutzen zu bieten. Beispiele für Anwendungen, die durch die Kombination einer digitalen Straßenkarte mit einem Positioniersystem im Fahrzeug ermöglicht werden, sind in dem Artikel mit dem Titel "The Potential of Precision Maps in Intelligent Vehicles", Proceedings of the IEEE International Conference on Intelligent Vehicles, Seiten 419-422, Stuttgart, Deutschland, Oktober 1998 beschrieben, auf dessen Inhalt sich hier ausdrücklich bezogen wird.

Bisher bekannte Verfahren zum Bestimmen von Fahrspurgrenzen versuchen dies direkt durchzuführen, wie beispielsweise durch Verwenden von Visionssystemen im Fahrzeug zum Auffinden von Fahrspurmarkierungen im Vergleich zur Fahrzeugposition. Die vorliegende Erfindung fördert jedoch in effektiver Weise die Fähigkeit des Fahrers zum Spurhalten zum Identifizieren der Mitte der Fahrspur. Die bisherigen Verfahren hatten zahlreiche Ein schränkungen. Zunächst hatte das Visionssystem exakt kalibriert zu den erfassten Fahrspurmarkierungen zu sein. Bei einem Visionssystem werden maschinenerkennbare Merkmale eines bestimmten Typs benötigt. Zweitens ist es schwierig, falls nicht unmöglich, eine genaue Datenbank von Fahrspurmodellen nur aus Visionssystemen oder anderen relativen Erfassungsverfahren aufzubauen. Dies deshalb, da das direkte Verfahren zum Aufbau einer derartigen Datenbank die Fahrspurstrukturen in einem räumlich absoluten Bezugssystem speichert. Fahrzeuge ohne ein absolutes Erfassungsverfahren, wie z. B. mit GPS aus gerüstete Fahrzeuge, kennen keinen Weg zur räumlichen Registrierung der Daten, z. B. keinen Weg, um um Ecken herum oder über Hügel zu schauen.

Wie oben erwähnt, beruht die vorliegende Erfindung auf DGPS-Messpositionen, um die Fähigkeit des Fahrers zum Spurhalten die Mitte der Fahrspur erkennen zu lassen. Die absolute Natur dieser Daten liefert Informationen über vorkommendes Terrain, das vom Fahrzeug nicht direkt erfasst werden kann. Dadurch kann eine genaue Datenbank der Fahrspurmodelle aufgebaut werden.

In einer vorteilhaften Ausführungsform in Bezug auf die Spurhalte-Anwendungen gemäß der vorliegenden Erfindung werden Visionssysteme zusätzlich für den Fall eingebaut, dass die GPS-Genauigkeit leidet, wenn z. B. einer oder mehrere Satelliten teilweise oder vollständig abgedeckt sind. Die Benutzung lokaler Sensoren, wie z. B. Visions systeme, kann die Sichtbarkeitsprobleme der Satelliten kompensieren. Dies verbessert die Positioniergenauigkeit für das Fahrzeug, um die Spurhalte-Funktionen ausführen zu können.

Weitere Aufgaben, Vorteile und neuartige Merkmale der vorliegenden Erfindung werden aus der folgenden eingehenden Beschreibung der Erfindung im Zusammenhang mit den beigefügten Zeichnungen deutlich.

KURZE BESCHREIBUNG DER ZEICHNUNGEN

Fig. 1 ist eine allgemeine Darstellung des Systems gemäß der vorliegenden Erfindung;

Fig. 2 ist eine Aufzeichnung zweier Muster von Positionsmessungen einer GPS-Positions-Rohinformation mit einer überlagerten digitalen Karte;

Fig. 3 ist eine Darstellung eines repräsentativen Straßenab schnitts mit parallelen Fahrspuren und einer virtuellen Mittellinie;

Fig. 4 ist ein Flussdiagramm des allgemeinen Prozesses gemäß einer Ausführungsform der vorliegenden Erfindung;

Fig. 5 ist ein Flussdiagramm des Prozesses zur Bestimmung einer virtuellen Mittellinie gemäß der vorliegenden Erfindung;

Fig. 6 ist eine Darstellung des Prozesses zur Bestimmung der virtuellen Mittellinie gemäß Fig. 5;

Fig. 7 ist ein Flussdiagramm des Prozesses zur Modellbildung für die Fahrzeugfahrspuren gemäß der vorliegenden Erfindung;

Fig. 8 ist eine Aufzeichnung der Konvergenz der Mittellinien-Bestimmung durch Darstellen der Differenz zwischen der Mittellinie vor jeder Positionsmessung und der endgültigen virtuellen Mittellinie;

Fig. 9 ist eine Aufzeichnung der durchschnittlichen Genauigkeit des Cluster-Algorithmus über einer Anzahl von Positionsmessungen;

Fig. 10 ist eine Aufzeichnung der durchschnittlichen Genauigkeit des Gesamtprozesses gemäß der vorliegenden Erfindung auf Grundlage der verfügbaren Positionsmessungen; und

Fig. 11 ist eine Darstellung der Verteilung der Fahrzeug positionen auf Basis des GPS auf einer Straße.

EINGEHENDE BESCHREIBUNG DER ZEICHNUNGEN

Das Verfahren und das System zum autonomen Entwickeln und/oder Erweitern von geografischen Datenbänken durch Verwendung von unkoordinierten Messdaten werden hier unter Bezug auf eine spezielle Ausführungsform be schrieben, bei der digitale Straßenkarten zur Definition der Informationen über Fahrzeugfahrspuren, wie z. B. die Anzahl der Fahrspuren und deren Positionen, verfeinert und erweitert werden.

Indem man mit einer käuflich erhältlichen digitalen Grundkarte beginnt, werden Fahrspurmodelle zur Voraussage einer Fahrzeugfahrspur mit hoher Genauigkeit aus einer nur kleinen Anzahl von Durchfahrten von Messfahrzeugen durch einen speziellen Straßenabschnitt benutzt. Diese Messfahrzeuge werden mit Positionsbestimmungssystemen ausgerüstet, die Positionsmessungen liefern, wenn die Fahrzeuge wahllos Positionsdaten in einer unkoordinierten Weise sammeln, basierend auf den Maßnahmen des Fahrers beim Betrieb des Fahrzeugs. Diese Wegverfolgung der Messfahrzeuge beim Abtasten des Straßennetzwerks erlaubt die Bestimmung der Fahrspurstruktur ohne fehler korrigierende Rückkopplung.

Unter Bezug auf Fig. 1 wird eine Flotte von Messfahrzeugen 10, z. B. Personenkraftfahrzeuge (nur eines davon ist näher dargestellt) zwecks Abtastung des Straßennetzes mit absoluten Positionssensoren ausgerüstet, um Positions messungen bei ihren Fahrten aufzuzeichnen. Jede Aufzeich nung einer Positionsmessung umfasst die geografische Länge und Breite des Messfahrzeugs 10, und möglicherweise geschätzte Abweichungen der Länge und Breite. Die Messfahrzeuge 10 zeichnen diese Positionen in regel mäßigen Zeitabständen auf.

Jedes Messfahrzeug 10 weist zwei Hauptbauteile auf: einen genauen Positionssensor, vorzugsweise auf Basis eines GPS- Empfängers 12 (und insbesondere eines DGPS-Empfängers), gekoppelt mit einem Prozessor 14, sowie eine Kommunikationseinheit 16 zur Kommunikation mit einem Zentralrechner 20. Wie bekannt empfängt der GPS- Empfänger 12 über eine Antenne 19 die GPS-Signale von den erdumlaufenden GPS-Satelliten 18. Durch Benutzung von DGPS-Empfängern kann eine Positioniergenauigkeit von besser als ein Meter erzielt werden.

Da die Kosten von GPS-Systemen rapide abnehmen bis zu dem Punkt, an dem in den nächsten Jahren die meisten neuen Fahrzeuge mit mindestens einem GPS-Empfänger ausgerüstet sind, und wegen der schnell fortschreitenden Funktechniken für Kommunikationszwecke wird automatisch eine enorme Anzahl von Messfahrzeugen 10 verfügbar, so dass eine Datenbank von Roh-Positionsmessungen unter minimalen Kosten aufgebaut werden kann.

Die Messfahrzeuge 10 erzeugen Positionsmessungen, wenn sie sich im Straßennetz bewegen. Fig. 2 stellt zwei Muster von Positionsmessungen in einem tatsächlichen Straßennetz in der Gegend von San Francisco dar. Diese Positions messungen 22, 24 werden einer käuflich erhältlichen (z. B. von Navigation Technologies, Inc. in Rosemont, Illinois) digitalen Rohkarte 26 überlagert. Solche digitalen Karten teilen das Straßennetz in Straßenteile zwischen zwei Kreuzungen auf, Abschnitte genannt. Beispielsweise schließen an einem Kreuz von Fernstraßen die Abschnitte den Teil der Fernstraßen vor der Ausfahrt, den Teil zwischen der Ausfahrt und der Einfahrt und den Teil nach der Einfahrt ein.

Jeder Abschnitt hat eine eindeutige Identifikation und zuge ordnete Attribute einschließlich den Abschnitten, mit denen jedes Ende verbunden ist, zusammen mit einer groben Annäherung der Abschnittsform. Diese grobe digitale Karte kann als Grundkarte für den Prozess gemäß der vorliegenden Erfindung eingesetzt werden. Wie man in Fig. 2 ersehen kann, überlappen sich die beiden Muster von Positions messungen 22, 24 an Teilen ihres Wegs und sind an anderen Teilen getrennt.

Um die Informationen von Interesse zu bestimmen, d. h. die Fahrzeugfahrspuren des Straßennetzes, wird eine "virtuelle" Mittellinie eines bestimmten Straßenabschnitts bestimmt, und dann werden "Versatzwerte" der Positionsmessungen von dieser Mittellinie geclustert, um die Fahrzeug fahrspuren zu bestimmen. Die Benutzung einer virtuellen Mittellinie nutzt die Tatsache, dass Fahrzeugfahrspuren per Definition auf parallel zueinander und zur Abschnitts mittellinie anzusehen sind. Fig. 3 stellt einen repräsenta tiven Straßenabschnitt und dessen parallele Fahrspuren dar. Anstatt zu versuchen, jede Fahrspur unabhängig zu modellieren, wird die virtuelle Mittellinie des Stra ßenabschnitts über das Straßenmodell bestimmt, und jede Fahrspur davon wird als konstanter Versatz von der Mittellinie beschrieben. Bei einer genauen Darstellung der Mittellinie des Straßenabschnitts sollte der Versatz (d. h. die senkrechte Entfernung zwischen Fahrzeugfahrspur und Mittellinie) konstant sein. Somit wird eine Fahrzeug fahrspur mit einem einzigen Wert dargestellt, wodurch die räumliche Dimensionalität der Fahrspurmodelle erheblich reduziert wird.

Bisher war es nicht möglich, eine hinreichend genaue Mittellinie eines Straßenabschnitts zu finden. Die Informationen über die Form von Straßenabschnitten in käuflich erhältlichen digitalen Karten werden als eine groß beabstandete Folge von Längen- und Breitenpunkten dar gestellt, mit einer angegeben Genauigkeit von 15 m. Die Punkte werden mit Liniensegmenten verbunden und bilden so die Mittelliniengeometrie der Straßenabschnitte. Ver suche, die Fahrzeugfahrspuren mit einer so mit diesen stückweisen geraden Verbindungen von Punkten erzeugten Straßenmittellinie zu bestimmen und dann die Versatzwerte der Positionsmessungen zu berechnen, welche zusammen geclustert werden, um die Fahrzeugfahrspuren zu be stimmen, haben wegen der Ungenauigkeit der digitalen Karte keine zufriedenstellenden Ergebnisse gezeigt. Experi mentelle Untersuchungen haben gezeigt, dass Fahrzeugfahrspuren tatsächlich weit davon entfernt sind, parallel zur durch Verbindung der Punkte der Forminformationen erhaltenen linearen Kurve zu sein. Beispielsweise zeigt eine Analyse eines Musters von Positionsmessungen, bei denen kein Spurwechsel vorkommt, Versatzwerte von -20 bis 10 m von der Mittellinie der digitalen Karte, wobei diese Versatzwerte weit außerhalb aller bekannten Fahrspur konfigurationen liegen.

Obwohl die Mittellinien von käuflich erhältlichen digitalen Karten nicht genau genug sind, um konstante Fahr spurversatzwerte zwecks Bestimmung der tatsächlichen Fahrzeugfahrspuren zu berechnen, erkennt die vorliegende Erfindung, dass jede zu den wahren Fahrzeugfahrspuren parallele Linie per Definition einen konstanten Abstand von den tatsächlichen Fahrzeugfahrspuren hat (im Hinblick darauf, dass die Fahrzeugfahrspuren als parallel zueinander anzusehen sind). Das Verfahren und das System bringen somit die aus der digitalen Karte erzeugte Mittellinie in Ausrichtung mit den Positionsmessungen der Messfahrzeuge. Ein Mittelwert zwischen einer aktuellen Mittellinie und einer neuen Positionsmessung, gewichtet mit einem Ver trauensfaktor in die Genauigkeit dieser Mittellinie und der Positionsmessung, wird dann berechnet. Wenn das System inkremental mehr Positionsmessungen einbringt, werden Fehler in den Positionsmessungen ausgemittelt, um eine virtuelle Mittellinie genauer als alle Positionsmessungen zu finden, die in deren Entwicklung eingingen. Für diese Mittellinienverfeinerung, wobei ein Fahrspurenmodell für einen Zielabschnitt S gefunden wird, abgedeckt von einem Satz von Positionsmessungen, ist in Fig. 10 gezeigt, dass zunächst unter Benutzung von P die genaue virtuelle Mittellinie S gefunden wird und dann die P-Versatzwerte von der virtuellen Mittellinie in Fahrzeugfahrspuren geclustert werden (Schritt 44). Jeder dieser Vorgänge wird unten genauer beschrieben.

I. BESTIMMUNG EINER GENAUEN VIRTUELLEN STRASSEN-MITTELLINIE

Die existierenden digitalen Karten stellen die Mittelliniengeometrie eines Straßenabschnitts als groß beabstandete Folge von mit Liniensegmenten verbundenen Längen/Breiten-Punkten (mit einer Genauigkeit von ca. 15 m) dar. Dies dient als anfängliche Grundinformation. Diese bekannte Grundinformation wird linear interpoliert, um die Mittelliniengeometrie mit höherer Dichte (in der Größen ordnung von 10 m) zwecks feinerer Steuerung darzustellen. Die Benutzung der linearen Interpolation ist für Fernstraßen mit wenig Kurven ausreichend. Sind jedoch mehr Kurven vorhanden, können Interpolationen höherer Ordnung eingesetzt werden, um die Genauigkeit zu verbessern oder die Speicheranforderungen des Systems zu reduzieren.

Der Vorgang der Verfeinerung der Mittelliniengeometrie verbessert die Straßengeometrie eines Abschnitts iterativ, indem mit jeder Positionsmessung ein gewichteter Durchschnitt an der digitalen Karte gebildet wird. Fig. 5 ist ein Flussdiagramm dieses Vorgangs 42 (siehe Fig. 4). Bei Schritt 44 erhält der Prozess von der digitalen Karte die aktuelle Mittellinie eines Straßenabschnitts. Danach wird eine Positionsmessung eines Messfahrzeugs erhalten, die diesem Straßenabschnitt entspricht (Schritt 46). Aus der aktuellen Beschreibung der Straßenabschnittsmittellinie und der Positionsmessung an diesem Straßenabschnitt wird eine neue Straßenabschnittsmittellinie erzeugt (Schritte 48-62).

Die Prozessschritte zum Erhalten der neuen Mittellinie werden unter Bezug auf die Darstellung in Fig. 6 beschrieben. Dort ist eine Fernstraße 64 physikalisch mit einer Anzahl von Fahrspuren (FAHRSPUREN 1-3) dargestellt. Die ursprüngliche Mittellinie der digitalen Karte wird durch Punkte m im Abstand von zehn (10) Metern dargestellt. Diese Punkte m werden durch Interpolation der Grundinformationen erhalten. Eine Positionsmessung 66 eines Messfahrzeugs 10 wird durch seine GPS-Positionen "x" definiert. Für jeden Kartenpunkt m mit der Stan dardabweichung m_σ findet der Prozess durch lineare Interpolation zwischen den GPS-Messpositionen x zunächst den nächsten Punkt n in den Positionsmessungen 66 (Schritt 48 von Fig. 5). Die Standardabweichung n_σ ist der gewichtete Mittelwert der Standardabweichungen der umge benden GPS-Positionen x. Ein neuer Kartenpunkt p wird durch den Mittelwert von m und n, gewichtet mit m_σ und n_σ, bestimmt (Schritt 50), wobei die neue Standardabweichung durch folgende Gleichung angegeben wird:

Wie in Fig. 6 gezeigt, wird somit durch Interpolation zwischen den neuen Kartenpunkten p (Schritt 52 von Fig. 5) eine neue Mittellinie 68 gebildet. Da diese neue Mittellinie in der Praxis nicht die reelle Mittellinie der Fernstraße 64 darstellt, wird sie "virtuelle" Mittellinie genannt.

Die Nettowirkung dieser Berechnungen ist für jeden Punkt in der digitalen Karte ein gewichteter "Mittelwert" der Grunddaten aus der Karte und der Positionsmessungen. Falls das Mittel der Fehlerverteilung für das Messfahrzeug wie angenommen Null ist, wird der gewichtete Mittelwert genauer, wenn die Zahl der Positionsmessungen zunimmt. Wie oben angemerkt, berechnet diese Prozedur nicht die tatsächliche Mittellinie der Straße, sondern wichtet stattdessen die Mittellinie zur meist befahrenen Fahrspur hin und erzeugt so die virtuelle Mittellinie. Falls beispielsweise die meisten Fahrzeuge in einem Straßen abschnitt auf FAHRSPUR 1 und nur wenige in FAHRSPUR 2 fahren, wird die virtuelle Mittellinie näher an FAHRSPUR 1 liegen. Da die virtuelle Mittellinie immer noch parallel den tatsächlichen Fahrzeugfahrspuren ist, kommt es nicht darauf an, dass es nicht die tatsächliche Mittellinie der Straße ist.

Sobald die neue Mittellinie vorliegt, wird eine Abfrage gestartet (Schritt 54), ob die neue, mit den Positions messungen erzeugte Mittellinie um einen bestimmten Schwellenwert von der vorherigen Mittellinie abweicht. Falls ja (Pfeil 56), wiederholt sich der Prozess für zusätzliche Positionsmessungen, unter Benutzung der neuen Kartenpunkte p als Grund-Kartenpunkte m. Falls nicht (Pfeil 58), wird die zuletzt berechnete Mittellinie als virtuelle Mittellinie festgelegt, die eine ausreichende Genauigkeit (Schritt 60) zur Verwendung bei der nächsten Bestimmung der Fahrzeugfahrspuren aufweist.

II. CLUSTER-VERSATZWERTE VON DER VIRTUELLEN MITTELLINIE ZU DEN FAHRZEUGSPUREN

Um das Fahrspurmodell eines bestimmten Straßenabschnitts zu bestimmen, benutzt das System die genaue geometrische Darstellung der virtuellen Mittellinie der Straße, wie oben ermittelt. Als Annahme wird getroffen, dass alle Fahrspurmittellinien parallel zur virtuellen Mittellinie sind. Falls die Parallelannahme nicht korrekt ist, wird das aus der folgenden Analyse klar, in welchem Fall der Straßenab schnitt unterteilt werden kann, bis die Annahme gültig ist. Alternativ kann das Modell geändert werden. Wenn die Fahrzeugfahrspuren parallel sind, ist der einzige Parameter für jede Fahrspur der senkrechte Abstand des Fahrers von der virtuellen Mittellinie, als "Versatz" bezeichnet.

Dieser senkrechte Abstand liefert eine Abschätzung des Versatzes für die Fahrspur. Es wird angenommen, dass Fahrer sich allgemein in der Fahrspur aufhalten. In der Praxis sind die Fahrer aber nicht immer in der Mitte der Fahrspur. Weiterhin unterliegt das GPS Rauscheffekten. Somit ergibt der Mittelwert vieler Messungen eine genauere Abschätzung für den wahren Versatz. Das Flussdiagramm in Fig. 7 stellt den Prozess der Bestimmung der tatsächlichen Straßenfahrspuren auf Grundlage der bestimmten virtuellen Mittellinie dar. Beginnt man mit Schritt 44, wird eine Positionsmessung des Messfahrzeugs 10 erhalten (Schritt 70). Das System berechnet dann einen Versatz für jede Position in den Positionsmessungen (Schritt 72). Diese Versatzwerte werden dann in Fahrzeugfahrspuren gruppiert und ausgemittelt, um die Fahrspurmittellinie zu finden (Schritt 74). Fig. 11 stellt die Verteilung der Fahrzeug positionen auf GPS-Basis auf einer Straße dar, ermittelt aus den Fahrzeugversatzwerten von der Straßenmittellinie bei einer vierspurigen Straße. Da die Versatzwerte auf Grund lage einer genauen virtuellen Mittellinie berechnet werden, kann die Clusterbildung zum Auffinden der Fahrzeugfahr spuren mit dem hierarchischen agglomerativen Cluster- Algorithmus durchgeführt werden. Diese Arten von Algorithmen sind gut bekannt und werden beispielsweise beschrieben in "Clustering Algorithms, Wiley Series in Probability and Mathematical Studies", Wiley, New York, 1975 von John A. Hardigan.

In einer Ausführungsform findet ein Kartenanpassmodul, der die Positionsmessungen und die digitale Karte aufnimmt, die wahrscheinlichste Folge der vom Fahrzeug eingenommenen Abschnitte, zusammen mit den Punkten der Positions messungen, wo das Fahrzeug von einem Abschnitt in einen anderen überging. Der Modul nutzt einen modifizierten Algorithmus des kürzesten Wegs, um einen Weg mit ge ringstem Fehler von der nächsten Anfangskreuzung bis zur nächsten Endkreuzung zu finden. Der Fehler im Weg an jeder Kreuzung ist der kleinste Abstand zwischen der Kreuzung und den Positionsmessungen.

Der Kartenanpassmodul erlaubt dem System, sich zu einem bestimmten Zeitpunkt auf einen einzelnen Abschnitt zu fokussieren. Um die Fahrspurstruktur für diesen bestimmten Abschnitt zu modellieren, wird die Cluster-Technik zum Trennen der Fahrzeugpositionen in Fahrspuren benutzt, unter der Annahmen, dass Fahrzeuge in der Mitte unter schiedlicher Fahrspuren immer um einen definierten Abstand voneinander getrennt sind. Die räumliche Clusterung der Positionen geschieht mit dem hierarchischen agglomerativen Cluster-Algorithmus. Diese Art von Algorithmus kann bestimmte Wahrscheinlichkeiten nutzen, beispielsweise wenn (1) zwei Punkte weniger als eine halbe Fahrspur auseinander sind, sind sie wahrscheinlich in der gleichen Fahrspur, und wenn (2) ein Punkt sich innerhalb einer halben Fahrspur von jedem Punkt in einem Fahrspurcluster befindet, befindet er sich wahrscheinlich in dieser Fahrspur. Auf Grund dieser Voraussage ist es möglich, Fahrspuren aufzubauen, indem jeder Punkt anfänglich als seine eigene Fahrspur genommen wird, und dann Fahrspuren zusammen zuführen, wenn ein Punkt einer Fahrspur sich innerhalb einer halben Fahrspur eines Punktes der anderen befindet. Vorteilhafterweise nutzt der Algorithmus weiterhin die Erkenntnis, dass die Fahrzeugfahrspuren parallel zueinander sein sollen.

Zwei wichtige Eigenschaften des agglomerativen Cluster- Verfahrens sind, dass (1) niemals zwei Fahrspuren zu einer verschmolzen werden, da der Vorgang abbricht, wenn die nächsten Cluster weiter auseinander sind als die minimale Fahrspurbreite, und (2) keine vorherigen Annahmen über die Anzahl der Fahrspuren der Straße getroffen werden.

Das System baut vorzugsweise die Fahrspurmodelle inkremental aus derselben virtuellen Mittellinie auf. Da durch wird die Geschwindigkeit des Algorithmus für jede Iteration (welche sonst relativ langsam ist) drastisch erhöht, indem die Ergebnisse der vorherigen Positions messungen benutzt werden. Falls die vorherige Iteration m Versatzwerte bearbeitete und N Fahrspuren fand, mit N << m, und die gegenwärtige Iteration n Versatzwerte bearbei tet, bildet der inkrementale Algorithmus eine Fahrspur für die N bekannten Fahrspuren und die n neuen Punkte. Dadurch werden im wesentlichen zwei Versatzwerte in die Fahrspurstruktur integriert. Um die Entwicklung unechter Fahrspuren zu vermeiden (z. B. wegen sehr verrauschter Positionsdaten), muss jeder Cluster einen bestimmten Prozentsatz der Gesamtdaten darstellen, wie z. B. einen Wert von 1 Prozent.

III. TESTBEISPIEL

Um die Algorithmen zu testen und ihr Verhalten empirisch zu untersuchen, wurden vierundvierzig (44) Positions messungen entlang einem 15 km langen Abschnitt des Interstate Highway 280 zwischen Redwood City und Palo Alto, Kalifornien, gesammelt. Die Positionen wurden zweimal pro Sekunde von einem differenziellen GPS-System mit einem Novatel-Empfänger und einer differenziellen CSI- Korrektureinheit berechnet, die Korrekturen vom Netzwerk der US-Küstenwache erhielt. Die Daten wurden dann an die käuflich erhältliche digitale Karte zur Feststellung angepasst, welche Abschnitte jede Positionsmessung durchlief. Da die Positionsmessungen nicht dem gleichen Weg folgten, erhielten unterschiedliche Abschnitte unter schiedliche Anzahlen von Durchfahrten. Jeder der insgesamt 42 Abschnitte des Interstate 280 im Zielgebiet erhielt zwischen 9 und 35 Durchfahrten. Der unterschiedliche. Abdeckungsgrad wird nicht als entscheidend angesehen, so dass die Ergebnisse über alle Abschnitte gemittelt wurden. Alle Abschnitte hatten vier Fahrspuren, aber nicht alle vier Fahrspuren waren in einigen Abschnitten von einer Positionsmessung abgedeckt. Die Positionsmessungen blieben während der gesamten Dauer im allgemeinen in einer Fahrspur, und jeder Punkt wurde mit der jeweiligen Fahrspur markiert, einer ganzen Zahl zwischen 1 und 4.

A. Auswertung der Testergebnisse

Die Testergebnisse wurden durch einzelnes Betrachten jedes Prozesses wie auch durch die Gesamtwirkung ausgewertet.

1. Nur Verfeinerung der virtuellen Mittellinie

Da die Fahrspurvoraussage zwei konkurrierende Prozesse beinhaltet, wurde jeder Prozess zunächst getrennt getestet. Die Verfeinerung der virtuellen Mittellinie ist der schwierigste auszuwertende Algorithmus. Die einzige objektive Auswertung ist ein Vergleich mit der wahren (reellen) Mittellinie, aber es gibt keine Mittel, diese Mittellinie zu messen. Die traditionelle Beobachtung ist bei belebten öffentlichen Straßen nicht praktikabel. Luft- oder Satellitenaufnahmen sind alternative Quellen von Rohdaten, aber diese Daten können sehr verrauscht sein, und die visionsverarbeitenden Algorithmen sind nicht sehr zu verlässig. Bauzeichnungen sind verfügbar, aber es gibt keine Garantie, dass die Straße tatsächlich völlig nach Plan gebaut worden ist. Darüber hinaus messen alle diese Alternativen den Mittelpunkt des Straßenbelags, während der erfinderische Prozess eine virtuelle Mittellinie erzeugt, die zur meistbenutzten Fahrspur hin "gewichtet" ist. Selbst wenn die unabhängige Mittellinienmessung sehr unterschiedlich von der virtuellen Mittellinie ist, braucht dies für die Durchführung der Gesamtaufgabe keine Rolle zu spielen.

Neben der endgültigen Genauigkeit der virtuellen Mittel linie liefert die Konvergenzrate nützliche Informationen. Da das System inkremental ist, kann es zu jedem Zeitpunkt den Unterschied zwischen der gegenwärtigen Mittellinie und einer Bezugsmittellinie messen. Eine Darstellung des durchschnittlichen Unterschieds zwischen der gegenwärtigen und der Bezugsmittellinie für jeden Schritt liefert eine Lernkurve, die beschreibt, wie schnell die Mittellinie sich dem Bezug annähert. Diese Information wird zum Ab schätzen der Anzahl von notwendigen Durchfahrten in einem bestimmten Abschnitt benutzt, bis sich die virtuelle Mittel linie nicht mehr stark ändert. Idealerweise wäre die Bezugs mittellinie die wahre Mittellinie der Straße, aber da die wahre Mittellinie nicht zur Verfügung steht, ist eine Annäherung notwendig. Die beste verfügbare Annäherung ist die endgültige virtuelle Mittellinie, die sich nach Verar beitung aller Positionsmessungen ergibt. Die Konvergenz rate beschreibt in diesem Fall, wie schnell die Mittellinie sich dem endgültigen Ergebnis annähert.

Fig. 8 stellt den Unterschied zwischen der Mittellinie vor jeder Positionsmessung und der endgültigen virtuellen Mittellinie für einen repräsentatives Fernstraßenabschnitt dar. Die ursprüngliche Kartendatenbank wurde von Navi gation Technologies, Inc. zur Verfügung gestellt und hatte einen mittleren Fehler von etwa 7 Metern. Die Darstellung zeigt, dass die hauptsächliche Anpassung bei der ersten Durchfahrt stattfindet, wo die Grundabschätzung durch eine GPS-Abschätzung mit einer Genauigkeit von 1 bis 2 Metern korrigiert wird. Die Verarbeitung der folgenden Positions messungen verbessert die Genauigkeit langsam, indem das Rauschen in den GPS-Werten ausgemittelt wird. Obwohl es keine begründete Wahrheit gibt, wie die endgültige Genauigkeit zu messen ist, beruht die spätere Verarbeitung in kritischer Weise auf einer genauen Mittellinie, daher implizieren gute Ergebnisse bei den Auswertungen der späteren Verarbeitung eine ausreichend genaue virtuelle Mittellinie.

2. Nur Versatz-Clusterung

Während es schwierig ist, die wahre Position eines Fahr zeugs in einer Fahrspur zu messen, ist eine grobe Auswer tung der Fahrspurmodelle möglich. Obwohl regelmäßig ge wonnene Daten aus dem Feld unmarkiert sind, wurden die hier erhaltenen Daten lediglich zu Testzwecken markiert. Die Markierung zeigt die Fahrspur an, die das Fahrzeug an der gegebenen Position besetzt. Das System findet heraus, welcher Cluster der Position am nächsten ist, und prüft, ob der Cluster zur Markierung passt. Falls beispielsweise der senkrechte Abstand einer Position zur virtuellen Mittellinie 2,1 m ist und das Zentrum des nächsten Clusters bei 2,0 m liegt, sagt das System voraus, dass das Fahrzeug sich in der Fahrspur entsprechend diesem Cluster befindet. Obwohl die Gesamtgenauigkeit wichtig ist, ist auch die Lernkurve hier wichtig, da es wichtig ist, die minimale Anzahl von Durchfahrten eines Abschnitts zu kennen, die annehmbare Ergebnisse erzielt. Bei diesem Experiment wurde statt der Auswertung eines festen Testsatzes gegen zunehmende Mengen von gewonnenen Daten jede Positionsmessung inkremental zunächst als Testdaten für die gegenwärtigen Fahrspurmodelle und dann als gewonnene Daten zum Verfeinern der Fahrspurmodelle behandelt.

Um Cluster mit Markierungen in Übereinstimmung zu bringen, wurden ganzzahlige Markierungen (beginnend mit 1 für die am weitesten rechts angeordnete Fahrspur) bei den Tests benutzt. In dem definierten Koordinatensystem vergrößern sich die Versatzwerte, wenn sie sich nach links bewegen, also entsprechen kleinere Versatzwerte Fahrspuren mit niedriger Nummer. Daher ordnete die Auswertung den Cluster mit dem kleinsten Versatz der Fahrspur mit der niedrigsten bisher bei den Durchfahrten gesehenen Nummer zu. Sie ordnete den Cluster mit dem zweitkleinsten Versatz der zweitkleinsten bisher ermittelten Fahrspurnummer zu, und so weiter. Falls beispielsweise alle gewonnenen Daten von den Fahrspuren 2 und 4 kommen, ordnet das System den kleinsten Cluster der Fahrspur 2 und den zweitkleinsten der Fahrspur 4 zu. Falls ein Versatz am nächsten zu einem anderen Cluster ist, ist dies automatisch falsch. Das be deutet, dass, falls ein unechter Cluster mit einem sehr kleinen Versatz vorliegt, alle anderen Cluster auf die nächste Fahrspurnummer gedrückt werden, wodurch wahr scheinlich alle falsch werden. Dies wird aber nicht sehr wahrscheinlich auftreten, da der Cluster-Algorithmus alle Cluster löscht, die weniger als einen Schwellenwert von einem Prozent der Daten darstellen.

Die Auswertung des Fahrspurcluster-Prozesses basierte auf dem besten erhaltenen Modell für die virtuelle Mittellinie, d. h. dem Ergebnis der Mittellinienverfeinerung von allen 44 Test-Positionsmessungen. Mit dieser virtuellen Mittellinie für alle Fernstraßenabschnitte wurde die Genauigkeit für die kumulierte Fahrspur getestet. Für alle Positionsmessungen berechnete das System die Versatzwerte von der virtuellen Mittellinie, integrierte dann mit dem inkrementalen Cluster- Algorithmus die Versatzwerte in die gegenwärtigen Fahrspurcluster. Wenn beispielsweise alle der Versatzwerte in der gegenwärtigen Positionsmessung zwischen 5,0 und 5,5 m lagen, sagte das System voraus, dass das Fahrzeug sich für alle Positionen in der Positionsmessung in dieser Fahrspur befand. Dann brachte das System die Fahrspur durch Agglomeration der Versatzwerte in den Fahrspur cluster auf neuesten Stand.

Die Genauigkeit der Positionsmessung ist der Prozentsatz der Positionen der Positionsmessung, deren nächster Cluster mit seiner Fahrspurnummer übereinstimmt. Wenn mehr Daten in die Fahrspur eingehen, werden die Fahrspurmitten genauer, und die Voraussagegenauigkeit für die Fahrspur wird verbessert. Fig. 9 stellt die durchschnittliche Genauigkeit des Cluster-Algorithmus über 50 zufällige Anordnungen von Positionsmessungen dar. Überraschender weise sind die Ergebnisse anfänglich recht gut und werden dann bei einigen Positionsmessungen etwas schwächer. Bei der 44. Positionsmessung ist das Ergebnis dann auf dem anfänglichen Niveau oder etwas besser. Die anfänglichen guten Ergebnisse beruhen auf dem Vorgang des Anpassens von Clustern an Fahrspuren. Da bereits früh im Experiment Messungen von nur einer Fahrspur vorgenommen werden, er zeugt der Cluster-Algorithmus wahrscheinlich nur einen Cluster, und die Auswertung garantiert, dass dieser einzige Cluster der einzigen Markierung zugeordnet wird, wodurch 100% Genauigkeit folgt. Wenn mehr Daten verfügbar werden, gibt es mehr Cluster und eine höhere Fehlerwahr scheinlichkeit. Die Gesamtgenauigkeit erreicht wegen verrauschter GPS-Daten und falsch markierter Punkte wahrscheinlich niemals 100%. Diese Ergebnisse zeigen, dass bei einer gegebenen genauen virtuellen Mittelinie für einen von mehreren Positionsmessungen durchfahrener Abschnitt das System verlässlich die Fahrspur eines Fahrzeugs voraussagt.

3. Kombinierte Auswertung

Eine kombinierte Auswertung der Mittellinienverfeinerung und des Fahrspurcluster-Prozesses simuliert den tat sächlichen Einsatz des Systems, da das System anfangs Fahrspurmodelle mit keiner zusätzlichen Information über die digitale Grundkarte hinaus erzeugt. Der Vorgang ist ähnlich zum Fahrspurclustern, außer dass das System die Versatzwerte der ersten Positionsmessung von der digitalen Grundkarte von Navigation Technologies berechnete. Nach Berechnen der Versatzwerte und Auswerten der Voraussagen verfeinerte das System die Mittellinie der digitalen Karte mit der Positionsmessung. Fig. 10 zeigt die durchschnitt liche Genauigkeit der verwobenen Prozesse über 50 Anordnungen von Positionsmessungen. Wie erwartet, waren die ersten Ergebnisse schlecht, aber trotz der ungenauen Mittellinien etwas oberhalb Zufall. Ab der fünften Positionsmessung arbeitete der kombinierte Algorithmus vergleichbar mit dem Clustern auf der genauesten Mittellinie.

Die Testergebnisse zeigen auch, dass bei Beginn mit einer käuflich erhältlichen Grundgeometrie eine genaue Straßenmittellinie und Fahrspurenmodelle nach nur wenigen hochgenauen GPS-Durchfahrten von Messfahrzeugen erzeugt werden können. Da das Positionsaufzeichnungsgerät kom pakt und robust genug ist, um in jedem Messfahrzeug selbst tätig arbeiten zu können, und da der Algorithmus keine Annahmen bezüglich bestimmter Routen- und Fahrspur wechseleigenschaften trifft, kann ein gesamtes Straßennetz werk durch Verteilen einer Anzahl von Aufzeichnungsein heiten auf die Fahrzeuge modelliert werden.

Die Fahrzeuge, die während ihrer normalen Fahrmuster als Messfahrzeuge wirken, sammeln Informationen über das Straßennetz. Wenn ein Messfahrzeug seine Fahrmuster in ausreichendem Maß aufgenommen hat, kann es seine Daten an einen Zentralrechner für Vermessungszwecke weiter geben. Die Geschwindigkeit, mit der sich die Abdeckung und Genauigkeit der digitalen Karte verbessert, ist zur Anzahl der in Betrieb befindlichen Messfahrzeuge proportional. Die vorliegende Erfindung liefert somit ein preiswertes Verfahren und System nicht nur für die automatische Erweiterung und Verfeinerung von geo grafischen Datenbanken, wie beispielsweise digitale Karten, sondern auch für die automatische Vermessung von Straßennetzen mit hoher geometrischer Genauigkeit.

B. Allgemeine Verwendung der Erfindung

Durch die Verwendung unkoordinierter Messsysteme, wie beispielsweise Messfahrzeuge, welche relativ ungenaue räumliche Informationen sammeln, ermöglicht die Erfindung die Bestimmung sehr viel genauerer räumlicher Informa tionen, wie beispielsweise Positionsinformationen, indem die gesammelten ungenauen räumlichen Informationen ausgemittelt werden. Die Erfindung kann auch direkt oder indirekt auf präzise Ortsangaben anderer Ereignisse schließen, wie beispielsweise Falschalarme von anderen Sensoren, Verkehrsüberwachungen (Stopp-Schilder) etc. Diese präzisen räumlichen Informationen können zum Aufbauen oder Erweitern von Karten verwendet werden.

Die vorstehende Offenbarung ist lediglich zur Erläuterung der Erfindung vorgegeben worden; sie ist in keiner Weise als einschränkend anzusehen. Da dem Fachmann Modifika tionen der offenbarten Ausführungsformen unter Beibehal tung der Ideen und des Gehalts der Erfindung geläufig sind, ist die Erfindung so anzusehen, dass sie alles im Geltungsbereich der beigefügten Ansprüche und Äquiva lenten davon einschließen soll.

Legende Fig. 1

12

GPS

14

Prozessor

16

Kommunikationseinheit

20

Zentralrechner

Fig. 2

Breitengrade
Längengrade

Fig. 3

Fahrspuren
Virtuelle Mittellinie

Fig. 4

Start

42

Virtuelle Mittellinie von Zielseg ment mit Positionsmessung be stimmen

44

Cluster-Versatzwerte von Virtu eller Mittellinie zur Bestimmung der Fahrzeugfahrspuren
Ende.

Fig. 5

42

Start

44

Mittellinie des Strassensegments aus digitaler Karte erhalten

46

Messung des Strassensegments von Messfahrzeug erhalten

48

für jeden Kartenpunkt m mit Abwei chung m_σ

nächste Messpunkte n durch Interpolation zwischen den GPS-Punkten x finden

50

m und n Ausmitteln, gewichtet mit m_σ

und n_σ

, zum erhalten des neuen Kartenpunkts p, mit neuer Standardabweichung:

52 Kartenpunkte p interpolieren, um neue Mittellinie zu erhalten
54 neue Mittellinie und vorherige Mit tellinie zur Bestimmung ver gleichen, ob Unterschied definier ten Wert übersteigt
56 ja
58 nein
60 neue Mittellinie als virtuelle Mittellinie benutzen
62 Ende

Fig. 6

Mittellinie digitale karte Messung
x - neue Kartenmittellinie
n - nächster Messpunkt (durch Interpolation der GPS-Messpunkte)
x - GPS-Messpunkte
Fahrspur 3
Fahrspur 2
Fahrspur 1

Fig. 7

44

Start

70

Positionsmessungen von Messfahr zeugen erhalten

72

Versatzwerte für jede Position in Positionsmessungen berechnen

74

Versatzwerte zu Fahrzeugfahr spuren Clustern und Fahrspuren zum finden der Fahrspurmittellinie Ausmitteln
Ende

Fig. 8

Durchschnittlicher Abstand der kumulierten Daten von der endgültigen Karte (m)
Anzahl von Messungen

Fig. 9

Genauigkeit der Fahrspurvoraussage (%)
Anzahl von Messungen

Fig. 10

Genauigkeit der Fahrspurvoraussage (%)
Anzahl von Messungen

Fig. 11

Fahrzeug-Versatzwerte von der Straßenmittellinie (m)

Claims

1. Verfahren zum Entwickeln geospatialer Informationen über ein bestimmtes Gebiet mit einer Vielzahl von unkoordinierten, sich in besagtem Gebiet bewegenden Messsystemen, wobei das Verfahren die folgenden Vorgänge beinhaltet:

- Erhalten von spezifischen geospatialen Informationen geringerer Qualität von den sich in besagtem Gebiet bewegenden Messsystemen;
- Kombinieren dieser spezifischen, über die Zeit erhaltenen Informationen der Messsysteme zu einem Datensatz; und
- Analysieren des besagten Datensatzes zur Bestimmung geospatialer Informationen höherer Qualität für das bestimmte Gebiet.

2. Verfahren nach Anspruch 1, wobei die spezifischen geospatialen Informationen der Messsysteme Positions informationen sind.

3. Verfahren nach Anspruch 2, wobei die Messsysteme Messfahrzeuge sind, und weiterhin umfassend den Vorgang des Entwickelns von Karteninformationen über das bestimmte Gebiet auf Grundlage der geospatialen Informa tionen höherer Qualität.

4. Verfahren nach Anspruch 3, wobei die Karten informationen eine Straßenkarte sind, und weiterhin um fassend den Vorgang des Ableitens von Verkehrsüber wachungsinformationen für die Straßenkarte auf Grundlage der geospatialen Informationen höherer Qualität.

5. Verfahren nach Anspruch 3, weiterhin umfassend den Vorgang des Auswertens des besagten Datensatzes zum Schließen auf Fahrinformationen für die Umgebung in dem bestimmten Gebiet.

6. Verfahren nach Anspruch 3, wobei der Vorgang des Entwickelns von Karteninformationen den Vorgang des Ableitens von wenigstens entweder Straßen- oder Fahr zeugfahrspur-Geometrieinformationen umfasst.

7. Verfahren nach Anspruch 6, wobei der Vorgang des Ableitens von wenigstens entweder Straßen- oder Fahrzeugfahrspur-Geometrieinformationen folgende Vor gänge umfasst:

- Erhalten einer Grundmessung von Positionsinformationen eines ersten Messfahrzeugs zur Bestimmung einer anfänglichen virtuellen Straßenmittellinie; und
- Verfeinern der anfänglichen virtuellen Straßenmittellinie auf Grundlage weiterer Messungen von Positions informationen von folgenden, die Straße befahrenden Messfahrzeugen zur Ableitung der Position der Straße.

8. Verfahren nach Anspruch 7, wobei der Vorgang des Verfeinerns die Vorgänge der iterativen Bildung eines ge wichteten Durchschnitts einer vorher bestimmten virtuellen Straßenmittellinie mit jeder zusätzlichen Positionsmessung zur Bestimmung einer verfeinerten virtuellen Straßenmittel linie umfasst.

9. Verfahren nach Anspruch 8, weiterhin umfassend die folgenden Vorgänge:

- Berechnen von Versatzwerten von der virtuellen Straßenmittellinie für jede Position in einer Positions messung für eine Vielzahl der besagten Positions messungen; und
- Clustern der Versatzwerte zum Bestimmen der Fahrzeug fahrspur-Geometrieinformationen für die Straße.

10. Verfahren nach Anspruch 9, wobei der Vorgang des Clusterns mit einem hierarchischen agglomerativen Cluster- Algorithmus durchgeführt wird.

11. Verfahren nach Anspruch 6, wobei der Vorgang des Ableitens von wenigstens entweder Straßen- oder Fahrzeug fahrspur-Geometrieinformationen folgende Vorgänge um fasst:

- Erhalten der Straßenmittellinie von einer konventionellen digitalen Karte, welche als Grundmittellinie der Straße dient; und
- Verfeinern der Grundmittellinie auf Grundlage von Positionsinformationen von Positionsmessungen einer Vielzahl von die Straße befahrenden Messfahrzeugen zum Ableiten der Position der Straße.

12. Verfahren nach Anspruch 11, wobei der Vorgang des Verfeinerns die Vorgänge der iterativen Bildung eines gewichteten Durchschnitts einer vorher bestimmten Straßen mittellinie mit jeder zusätzlichen Positionsmessung eines Messfahrzeugs zur Bestimmung einer verfeinerten virtuellen Straßenmittellinie umfasst.

13. Verfahren nach Anspruch 12, weiterhin umfassend die folgenden Vorgänge:

- Berechnen von Versatzwerten von der verfeinerten virtuellen Straßenmittellinie für jede Position in einer Positionsmessung für eine Vielzahl der besagten Positionsmessungen; und
- Clustern der Versatzwerte zur Bestimmung der Geo metrieinformationen der Fahrzeugfahrspur für die Straße.

14. Verfahren nach Anspruch 13, wobei der Vorgang des Clusterns mit einem hierarchischen agglomerativen Cluster- Algorithmus durchgeführt wird.

15. Verfahren nach Anspruch 1, wobei die Messsysteme Messfahrzeuge sind, und weiterhin umfassend den Vorgang des Ableitens von Verkehrsüberwachungsinformationen auf Grundlage der geospatialen Informationen höherer Qualität.

16. Verfahren nach Anspruch 1, wobei die spezifischen ge ospatialen Informationen sowohl Informationen über die Position des Messsystems als auch Zeitinformationen über die Position umfassen.

17. Verfahren nach Anspruch 1, wobei der Vorgang des Erhaltens von spezifischen geospatialen Informationen den Vorgang des Ausrüstens jedes Messfahrzeugs mit einem Empfänger für das globale Positioniersystem umfasst.

18. Verfahren nach Anspruch 17, wobei die besagten spezifischen geospatialen Informationen auch Informationen über die Signalunterbrechung des Empfängers für das globale Positioniersystem umfassen, und weiterhin umfassend den Vorgang des Entwickelns von Karten informationen über Verkehrshindernisse für die Mess systeme in dem bestimmten Gebiet auf Grundlage der geospatialen Informationen höherer Qualität über die Sig nalunterbrechung.

19. Verfahren nach Anspruch 1, wobei der besagte Vorgang des Analysierens den Datensatz zur Bestimmung der geospatialen Informationen höherer Qualität ausmittelt.

20. Verfahren zum Ableiten von Karteninformationen, umfassend die folgenden Vorgänge:

- Kombinieren von Daten, die in Mehrfach-Beobachtungen durch unkoordinierte, sich in einem bestimmten Gebiet bewegende Messfahrzeuge gesammelt wurden; und
- Ableiten von Informationen über die Position, welche als Karteninformationen auf Grundlage der kombinierten Daten dienen.

21. Verfahren nach Anspruch 20, wobei die gesammelten Daten die Positionen des Messfahrzeugs sind.

22. Verfahren nach Anspruch 20, wobei die abgeleiteten Informationen über die Position die Geometrie einer Straße oder einer Fahrspur für ein Fahrzeug ist.

23. System zum Entwickeln von geospatialen Informationen über ein bestimmtes Gebiet, umfassend:

- eine Vielzahl von Messfahrzeugen, die sich in unkoor dinierter Weise in dem Gebiet bewegen, wobei jedes Messfahrzeug wenigstens einen Positionssensor zur Er fassung seiner Position mit einer definierten Genauigkeit beim Bewegen in dem Gebiet und eine Kommunikations einheit zum Übermitteln der erfassten Positionen auf weist; und
- einen Zentralprozessor, der die erfassten Positionen von der Vielzahl von Messfahrzeugen empfängt, wobei der Zentralprozessor Mittel zum Kombinieren der erfassten Positionen zu einem Datensatz und Mittel zum Analysieren des Datensatzes zur Ableitung geospatialer Informationen mit einer höheren Genauigkeit als die von den einzelnen Messfahrzeugen erfassten Informationen aufweist.

24. System nach Anspruch 23, wobei die Mittel zum Analysieren die erfassten Positionen ausmitteln.

25. System nach Anspruch 23, wobei die geospatialen Informationen wenigstens Informationen über entweder die Straßengeometrie oder die Verkehrsüberwachung enthalten.

26. System nach Anspruch 23, wobei die geospatialen Informationen mit höherer Genauigkeit Informationen über Straßenfahrspuren sind, wobei die besagten Mittel zum Analysieren des Datensatzes zur Bestimmung der Informa tionen über die Straßenfahrspuren umfassen:

- Mittel zum Bestimmen einer virtuellen Mittellinie der Straße auf Grundlage von aus den erfassten Positionen jedes Messfahrzeugs gebildeten Positionsmessungen;
- Mittel zum Berechnen von Versatzwerten von der virtuellen Mittellinie für jede Position in einer Positionsmessung für jede der Positionsmessungen; und
- Mittel zum Clustern der Versatzwerte zur Bestimmung der Fahrzeugfahrspurinformationen für die Straße.

27. System nach Anspruch 26, wobei die Mittel zum Erhalten einer virtuellen Mittellinie umfassen:

- Mittel zum Erhalten einer anfänglichen Straßenmittellinie aus entweder einer konventionellen digitalen Karte oder einer anfänglichen Positionsmessung eines Messfahr zeugs; und
- Mittel zum Verfeinern der anfänglichen Straßen mittellinie auf Grundlage von zusätzlichen Positions messungen einer Vielzahl von Messfahrzeugen.

28. System nach Anspruch 27, wobei die Mittel zum Verfeinern der anfänglichen Straßenmittellinie Mittel zur iterativen Bildung eines gewichteten Durchschnitts einer vorher bestimmten Straßenmittellinie mit jeder zusätzlichen Positionsmessung zur Bestimmung der virtuellen Straßen mittellinie umfassen.

29. Verfahren zum autonomen Entwickeln von Fahrzeugfahr spurinformationen für eine Straßenkarte mit einer Vielzahl von während der Fahrt Positionsmessungen liefernden Messfahrzeugen, wobei das Verfahren die folgenden Vor gänge umfasst:

- Erhalten einer Grund-Straßenmittellinie;
- Verfeinern der Grund-Straßenmittellinie zum Erhalten einer virtuellen Mittellinie durch iterative Bildung eines gewichteten Durchschnitts der Grund-Straßenmittellinie mit einer Anzahl von Positionsmessungen einer Vielzahl von Messfahrzeugen;
- Berechnen eines Versatzwertes von der virtuellen Mittellinie für jede Position in den von der Vielzahl von Messfahrzeugen gelieferten Positionsmessungen; und
- Clustern der Versatzwerte in Fahrzeugfahrspuren und Ausmitteln der geclusterten Versatzwerte zur Bestimmung jeder Straßenmittellinie.

30. Verfahren nach Anspruch 29, wobei der Vorgang des Er haltens einer anfänglichen Straßenmittellinie einen der folgenden Vorgänge umfasst:

- Erhalten der anfänglichen Straßenmittellinie aus einer konventionellen digitalen Karte; oder
- Erhalten der anfänglichen Straßenmittellinie auf Grund lage einer anfänglichen Positionsmessung eines der Messfahrzeuge.