-
Stand der Technik
-
Die
Erfindung geht aus von einem Verfahren zur Datenreduktion gemäß Oberbegriff
des Anspruchs 1.
-
Die
Umweltwahrnehmung für Fahrerassistenzsysteme gewinnt zunehmend
an Bedeutung. Zum Einsatz kommen dabei Sensoren, wie beispielsweise
Kamerasysteme, Radar und Ultraschall. Die erzeugten Sensordaten
enthalten Messwerte und dazugehörige Konfidenzwerte, wobei
die Konfidenzwerte ein Maß dafür angeben, mit
welcher Zuverlässigkeit ein Messwert einem bestimmten Objekt,
zum Beispiel einer Fahrbahn, einem Fahrzeug oder einem Gebäude,
zugehörig ist. Die Mess- und Konfidenzwerte werden durch
nachgeschaltete Algorithmen untersucht und interpretiert. Das Ergebnis
der Interpretation wird dann über eine Schnittstelle an
das jeweilige Fahrerassistenzsystem (FAS) übertragen, welches
dann unter Berücksichtigung der Sensordaten eine Regelung
des Fahrzeugbetriebs übernehmen kann. Mit zunehmender Leistungsfähigkeit
der Sensoren nimmt die Komplexität der Informationen, d.
h. die zu übertragende Datendichte, immer weiter zu. Aus
der
DE 102 54 806
B4 ist ein derartiges Fahrerassistenzsystem bekannt.
-
Um
diese Information jedoch über eine begrenzt leistungsfähige
Schnittstelle (z. B. CAN-Bus) an ein FAS möglichst schnell übertragen
zu können, müssen die Daten weiter verdichtet
werden.
-
Vorteile der Erfindung
-
Durch
Verkettung unterschiedlicher, im folgenden aufgeführten
Algorithmen, wird eine Schnittstelle zwischen den durch einen Sensor
erfassten Messwerten und dem FAS, das in die Fahrzeugregelung eingreifen
kann, definiert. Dabei wird eine skalierbare Reduktion der zu übertragenden
Daten in mehreren Stufen ermöglicht.
-
In
einem ersten Schritt werden die Messwerte, die zu einem physikalischen
Objekt gehören, mittels ihrer Konfidenzwerte über
einstellbare Schwellen zu einer Umgebungsregion zusammengefasst.
Die Übertragung der Messwerte mit jeweiliger Konfidenz für
ein physikalisches Objekt reduziert sich somit auf die Übertragung
der Messwerte einer Umgebungsregion mit nur einer einheitlichen
Konfidenz, die sich beispielsweise aus Mittelung der ursprünglichen Konfidenzwerte
ergibt. Die Umgebungsregionen können dabei in Form von
Skalarfeldern abgebildet sein. Da die Anzahl und die Höhe
der Schwellen für die zu berücksichtigen Konfidenzwerte
einstellbar ist, lassen sich hierüber die Messpunkte zu
mehr oder weniger dichten Umgebungsregionen mit jeweils einem Konfidenzmaß zusammenfassen,
die für sich physikalische Objekte beschreiben. Hierdurch
wird eine mehr oder weniger starke Datenreduktion erreicht.
-
Eine
weitere Datenverdichtung kann durch Approximation der Kontur eines
resultierenden Objektbereichs (bzw. Umgebungsregion) durch ein Polygon
erfolgen. Die Umwandlung in ein Polygon kann z. B. mittels der Haar-Transformation
erfolgen, die beschrieben ist in dem Artikel von Davis,
T. J.: Fast Decomposition of Digital Curves into Polygons Using the
Haar Transform. In: IEEE Transactions an Pattern Analysis an Machine
Intelligence (PAMI) 21(1999), August, Nr. 8, S. 786–790.
Dabei ist es vorteilhaft, die Anzahl der Polygonecken zur Anpassung
an die jeweilige Anwendung einstellen und damit direkten Einfluss
auf die Genauigkeit der Approximation nehmen zu können.
Weniger bedeutende Umgebungsregionen können hierzu beispielsweise
mit einer geringeren Anzahl von Polygonecken dargestellt werden, während
für das Fahrerassistenzsystem wichtigere Umgebungsregionen
mit einer höheren Anzahl von Polygonecken dargestellt werden
können. Durch die Polygonisierung der Konturen wird eine
erhebliche Datenreduktion erreicht, sodass auch über begrenzt leistungsfähige
Datenkanäle beziehungsweise Schnittstellen die wichtigsten
Daten, die das Fahrerassistenzsystem für die Regelung des
Fahrzeugbetriebs benötigt, sicher und schnell übertragen
werden können.
-
Eine
vorteilhafte Weiterbildung der Erfindung sieht vor, dass bei der Übertragung
der datenreduzierten Regionenbeschreibung zuerst die Umgebungsregionen
mit hoher Konfidenz an das FAS übertragen werden, bevor
die Umgebungsregionen mit niedriger Konfidenz übertragen
werden. Damit wird erreicht, dass insbesondere bei weniger leistungsfähigen Übertragungswegen
zumindest die wichtigsten Daten an das FAS sicher übertragen
werden. Sollte die Bandbreite eines Übertragungsweges (CAN-
oder LAN-Schnittstelle) nicht ausreichen, könnte die Übertragung
abgebrochen werden, wobei die genauesten Informationen dann aber
bereits übertragen worden sind.
-
Das
erfindungsgemäße Verfahren hat nicht nur den Vorteil,
dass auch über begrenzt leistungsfähige Übertragungswege
die erforderlichen Daten an ein Fahrassistenzsystem sicher übertragen
werden können, sondern es ergibt sich daraus auch der weitere
Vorteil, dass das Fahrerassistenzsystem eine geringere Anzahl von
Daten bei den weiteren Berechnungen berücksichtigen muss.
Insgesamt erhöht sich dadurch die Sicherheit des gesamten
Systems, da eine Überlastung des Systems durch die Datenreduzierung
vermieden und eine schnellere Berechnung im Fahrerassistenzsystem
zur Durchführung der Regelung des Fahrzeugbetriebs ermöglicht
wird.
-
Zur
Durchführung des erfindungsgemäßen Verfahrens
kann ein Steuergerät vorgesehen sein, welches zwischen
einem oder mehreren Umgebungssensoren, beispielsweise einer Kamera,
und dem Fahrerassistenzsystem zur Datenreduktion eingesetzt ist.
Es besteht weiterhin aber auch die Möglichkeit, dass die
Datenreduktion durch ein Computerprogramm erfolgt, und zwar mit
Programmcode-Mitteln, wofür ein dem Fahrerassistenzsystem vorgeschalteter
Mikrocomputer oder ganz allgemein ein Computer zum Einsatz kommen
kann.
-
Das
vorgestellte Verfahren ist allgemein gültig und lässt
sich sowohl auf Daten von Radar- und Lasersensoren als auch auf
Kamerasysteme anwenden.
-
Zeichnung
-
Anhand
eines in der Zeichnung dargestellten Ausführungsbeispiels
für die kamerabasierte Erkennung befahrbarer Flächen
und gleichzeitiger Objekterkennung wird die Erfindung nachfolgend
näher erläutert. Es zeigen
-
1 einen
schematischen Aufbau eines Sensorsystems mit zugehörigem
Fahrerassistenzsystem, und
-
2 das
Prinzip der Schwellwertannäherung an einen Werteverlauf
zur Vereinfachung der Umgebungsregionen.
-
Beschreibung des Ausführungsbeispiels
-
In 1 liefert
ein Sensor, der hier beispielhaft als Kamera 10 dargestellt
ist, Messdaten in Form eines Bildes 20, welche in an sich
bekannter Weise einer Objekt- und Freiflächendetektion
unterzogen werden. Durch Auswertung der Messdaten des Bildes 20 kann,
wie im nachfolgenden Bild 21 dargestellt ist, durch Erzeugung
von Umgebungsregionen einheitlicher Konfidenz eine Zusammenfassung
der Messpunkte erfolgen. Das Prinzip der Zusammenfassung ist in 2 dargestellt.
Einzelne Fahrzeuge 11, 12 (1), bestehen
zunächst aus mehreren Teilgebieten 13, 14, 15, 16 (Fahrzeug 11)
mit Messdaten, deren Konfidenzen jeweils für sich unterschiedliche
Schwellwerte überschreiten. In Bild 21 sind die
Teilgebiete 13, 14, 15, 16 des
Fahrzeugs 11, sowie die Teilgebiete 17, 18, 19 des
Fahrzeugs 12, denen unterschiedliche Konfidenzen zugeordnet sind,
mit unterschiedlichen Schraffuren dargestellt.
-
Die
Teilgebiete 17, 18, 19 werden weiter durch
die in 2 dargestellte Bildung von Niveaulinien zusammengefasst.
Benachbarte Teilgebiete mit unterschiedlichen Konfidenzwerten können
unter Berücksichtigung von festgelegten Schwellwerten zu
einer neuen Umgebungsregion 30 (1 und 2), die
durch eine einheitliche Konfidenz gekennzeichnet ist, zusammengefasst
werden, z. B. durch Mittelung der Einzelwerte. Diese erste Stufe
der Datenverdichtung ist in 2 beispielhaft
für das Fahrzeug 12 von 1 dargestellt.
-
In 1 sind
in Bild 22 die Konturen der sich neu ergebenden Umgebungsregionen
mit einheitlicher Konfidenz, die im Beispiel einen Teil der Fahrbahn
und zwei vorausfahrende Fahrzeuge betreffen, mit jeweils einheitlicher
Schraffur dargestellt. Die Randpunkte der unterschiedlichen Umgebungsregionen
definieren für jede Umgebungsregion eine charakteristische
Kontur. Im folgenden werden die Konturen dieser Umgebungsregionen
durch Polygone mit den in Bild 23 dar gestellten Eckpunkten
1-1-1-1, 3-3-3-3, 6-6-6-6-6-6-6, 7-7-7-7-7-7 approximiert (zweite
Stufe der Datenverdichtung). Dabei besteht die Möglichkeit,
nur diejenigen Umgebungsregionen, die für die FAS-Funktion
wichtige Daten enthalten, über die Schnittstelle zu übertragen.
Dies ist in 1 in Bild 24 im Sensorbild
und in Bild 25 im Fahrzeugkoordinatensystem gezeigt. Es
werden nur die Umgebungsregionen 1', 3', 6' und 7' übertragen.
-
Die
ermittelten Konturdaten beziehungsweise Konturwerte und zugeordneten
Konfidenzmaße werden über eine Schnittstelle 8 an
ein Fahrerassistenzsystem 9 übertragen, welches
anhand der Datenauswertung eine Regelung des Fahrzeugbetriebs ausführt.
-
Die
Konturwerte der Umgebungsregion 7' definieren das vorausfahrende
Fahrzeug 12 von 1 auf der Fahrbahn und werden
in dem Fahrerassistenzsystem des Ego-Fahrzeugs 26 zur Regelung
des Fahrbetriebs ausgewertet. Bremst beispielsweise das vorausfahrende
Fahrzeug 12 ab, so verringert sich dadurch der Abstand
zwischen dem Ego-Fahrzeug 26 und der in 1,
Bild 25 dargestellten Umgebungsregion 7', wodurch
das Fahrerassistenzsystem eine Verringerung der Geschwindigkeit
beim Ego-Fahrzeug 26 veranlasst.
-
Das
dargestellte Ausführungsbeispiel zeigt der Einfachheit
halber in 1 nur einen Sensor in Form einer
Kamera 10, jedoch können zusätzliche Kameras
und auch Radarsensoren oder andere Sensoren einzeln oder in Kombination
zur Erfassung von Umgebungsregionen zum Einsatz kommen. In jedem Fall
werden erfindungsgemäß die von den Sensoren ermittelten
Daten einer Datenreduzierung unterzogen, um eine reibungslose Funktion
und eine schnelle Bearbeitung im Fahrerassistenzsystem zu erreichen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
-
Zitierte Nicht-Patentliteratur
-
- - Davis, T.
J.: Fast Decomposition of Digital Curves into Polygons Using the
Haar Transform. In: IEEE Transactions an Pattern Analysis an Machine
Intelligence (PAMI) 21(1999), August, Nr. 8, S. 786–790 [0006]