DE102010049214A1

DE102010049214A1 - Method for determining lane course for vehicle for e.g. controlling lane assistance device, involves determining global surrounding data from fusion of lane course data with card data, and determining lane course of vehicle from global data

Info

Publication number: DE102010049214A1
Application number: DE102010049214A
Authority: DE
Inventors: Magdalena 89077 Szczot; Matthias Dipl.-Ing. 99192 Serfling; Otto Dr.-Ing. 89171 Löhlein; Werner Dr.rer.nat. 89081 Ritter; Florian 74523 Schüle; Roland Dipl. Inf. 89231 Schweiger; Markus 89077 Thom
Original assignee: Daimler AG
Current assignee: Mercedes Benz Group AG
Priority date: 2010-10-21
Filing date: 2010-10-21
Publication date: 2011-07-28

Abstract

The method involves determining and storing actual local surrounding data (UD1) of a vehicle over a range-resolving sensor. Past lane course data (FD) is determined from the stored local data, and global surrounding data (UD2) is determined from a fusion of the past lane course data with card data (KD) and detected driving dynamic data (FDD) of the vehicle, where the card data is read from a digital road map. Lane course (FV) of the vehicle is determined from the global surrounding data, where direction of the vehicle on a road surface is determined from the global surrounding data.

Description

Die Erfindung betrifft ein Verfahren zur Bestimmung eines Fahrspurverlaufs für ein Fahrzeug, bei dem mittels eines entfernungsauflösenden Umgebungssensors aktuelle lokale Umgebungsdaten ermittelt und gespeichert werden, wobei aus den gespeicherten aktuellen Umgebungsdaten vergangenheitsbezogene Fahrspurverlaufsdaten ermittelt werden.The invention relates to a method for determining a lane course for a vehicle in which current local environment data are determined and stored by means of a distance-resolving environmental sensor, wherein past-current lane course data are determined from the stored current environmental data.

Aus der DE 10 2009 024 131 A1 ist ein Verfahren zur Ermittlung einer Fahrspur für ein Fahrzeug aus Aufnahmen einer Umgebung des Fahrzeugs bekannt. Die Aufnahmen werden mittels eines am Fahrzeug angeordneten Bildsensors aufgenommen, wobei eine Plausibilität der aus den Aufnahmen des Bildsensors ermittelten Fahrspur geprüft wird, indem aus den Aufnahmen des Bildsensors Krümmungswerte einer Fahrspurkrümmung ermittelt und mit Vergleichswerten der Fahrspurkrümmung verglichen werden, die aus fahrdynamischen Daten ermittelt werden.From the DE 10 2009 024 131 A1 For example, a method for determining a traffic lane for a vehicle from recordings of an environment of the vehicle is known. The images are recorded by means of an image sensor arranged on the vehicle, wherein a plausibility of the lane determined from the images of the image sensor is checked by determining curvature values of a lane curvature from the images of the image sensor and comparing them with reference values of lane curvature which are determined from vehicle dynamics data.

Die DE 100 36 042 A1 offenbart ein Verfahren zur Ermittlung der Lage eines Kraftfahrzeugs in Bezug auf eine Fahrspur, wobei mittels einer mit einem Navigationssystem gekoppelten digitalen Straßenkarte eine erste Zuordnung des Kraftfahrzeugs zu einer Straße vorgenommen wird. Diese erste Zuordnung wird durch eine nachfolgende Bestimmung der Entfernung des Kraftfahrzeugs zum Straßenrand mittels eines entfernungsauflösenden Sensors präzisiert, wobei zur Bestimmung der Entfernung zum Straßenrand eine Signatur des Empfangssignals des entfernungsauflösenden Sensors ausgewertet wird. Aus der zeitlichen Abfolge der Entfernungsinformation wird weiterhin der Straßenverlauf ermittelt.The DE 100 36 042 A1 discloses a method for determining the position of a motor vehicle with respect to a lane, wherein a first assignment of the motor vehicle to a road is made by means of a coupled with a navigation system digital road map. This first assignment is specified by a subsequent determination of the distance of the motor vehicle to the roadside by means of a distance-resolving sensor, wherein a signature of the received signal of the distance-resolving sensor is evaluated to determine the distance to the roadside. From the temporal sequence of the distance information of the road is still determined.

Der Erfindung liegt die Aufgabe zugrunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Bestimmung eines Fahrspurverlaufs für ein Fahrzeug anzugeben. Weiterhin liegt der Erfindung die Aufgabe zugrunde, Verwendungen des Verfahrens anzugeben.The invention has for its object to provide a comparison with the prior art improved method for determining a lane course for a vehicle. Furthermore, the invention has for its object to provide uses of the method.

Die Aufgabe wird erfindungsgemäß mit einem Verfahren gelöst, welches die im Anspruch 1 angegebenen Merkmale aufweist. Hinsichtlich der Verwendungen wird die Aufgabe durch die in den Ansprüchen 6 bis 10 angegebenen Merkmale gelöst.The object is achieved by a method having the features specified in claim 1. With regard to uses, the object is achieved by the features specified in claims 6 to 10.

Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous embodiments of the invention are the subject of the dependent claims.

In einem Verfahren zur Bestimmung eines Fahrspurverlaufs für ein Fahrzeug werden mittels eines entfernungsauflösenden Umgebungssensors aktuelle lokale Umgebungsdaten ermittelt und gespeichert, wobei aus den gespeicherten aktuellen lokalen Umgebungsdaten vergangenheitsbezogene Fahrspurverlaufsdaten ermittelt werden.In a method for determining a lane course for a vehicle, current local environment data are determined and stored by means of a distance-resolving environmental sensor, wherein past-related lane course data are determined from the stored current local environment data.

Erfindungsgemäß werden aus einer Fusion der vergangenheitsbezogenen Fahrspurverlaufsdaten mit aus einer digitalen Straßenkarte ausgelesenen Kartendaten und erfassten Fahrdynamikdaten des Fahrzeugs globale Umgebungsdaten erzeugt, aus welchen der Fahrspurverlauf ermittelt wird.According to the invention, from a fusion of the past-related lane course data with map data read from a digital road map and detected vehicle dynamics data of the vehicle, global environment data is generated, from which the lane course is determined.

Unter einer Fusion wird dabei eine Zusammenführung und Aufbereitung von insbesondere bruchstückhaften und teilweise widersprüchlichen Daten in ein homogenes Gesamtbild der aktuellen Situation verstanden. Die Fusion umfasst dabei eine Verknüpfung von Daten und einen Vergleich und eine Plausibilisierung dieser. Ausgehend von dem Vergleich und der Plausibilisierung werden die Daten unverändert beibehalten oder korrigiert.A merger is understood to be a combination and processing of particularly fragmentary and partially contradictory data into a homogeneous overall picture of the current situation. The merger includes a linking of data and a comparison and a plausibility check of these. Based on the comparison and the plausibility check, the data is retained or corrected unchanged.

Der Fahrspurverlauf umfasst dabei sowohl vergangenheitsbezogene Daten als auch einen zukünftigen Fahrspurverlauf, welcher aus der Erfassung der Umgebung mittels des Umgebungssensors resultiert.The lane course includes both past-related data and a future lane course, which results from the detection of the environment by means of the environmental sensor.

Aus dem erfindungsgemäßen Verfahren resultiert in vorteilhafter Weise, dass eine Straßenverlaufsvorhersage oder Fahrspurverlaufsvorhersage nicht aufgrund der Reichweite des Umgebungssensors eingeschränkt ist und auch in großen Entfernungen von mehr als 120 m aufgrund der Nutzung der Kartendaten möglich ist. Gleichzeitig ist aufgrund der Fusion der vergangenheitsbezogenen Fahrspurverlaufsdaten mit den Kartendaten in einfacher Weise eine Plausibilisierung und Berichtigung des ermittelten Fahrspurverlaufs möglich.Advantageously, it results from the method according to the invention that a road course prediction or lane course prediction is not restricted due to the range of the environmental sensor and is also possible at long distances of more than 120 m due to the use of the map data. At the same time, a plausibility check and correction of the determined lane course are possible in a simple manner due to the merger of the past-related lane course data with the map data.

Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.Embodiments of the invention will be explained in more detail below with reference to a drawing.

Dabei zeigt:Showing:

1 schematisch einen Ablauf eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zur Bestimmung eines Fahrspurverlaufs für ein Fahrzeug. 1 schematically a flow of an embodiment of a method according to the invention for determining a lane course for a vehicle.

In der einzigen 1 ist ein Ablauf eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zur Bestimmung eines Fahrspurverlaufs FV für ein Fahrzeug dargestellt.In the only one 1 is a sequence of an embodiment of a method according to the invention for determining a lane course FV for a vehicle shown.

In einem ersten Verfahrensschritt S1 wird mittels eines am Fahrzeug angeordneten entfernungsauflösenden Umgebungssensors eine Umgebung des Fahrzeugs erfasst, wobei die aktuellen Umgebungsinformationen als aktuelle lokale Umgebungsdaten UD1 erfasst und gespeichert werden. Der Umgebungssensor ist als Radarsensor ausgebildet. In nicht beschriebenen Ausführungen des Verfahrens werden weitere oder alternative Umgebungssensoren verwendet, wobei die Umgebungssensoren ebenfalls Radarsensoren, Kameras, Stereokameras und/oder andere bildgebende Sensoren umfassen.In a first method step S1, an environment of the vehicle is detected by means of a distance-resolving environmental sensor arranged on the vehicle, wherein the current environment information is detected and stored as current local environment data UD1. The environmental sensor is designed as a radar sensor. In non-described embodiments of the method, further or alternative environmental sensors are used, wherein the environmental sensors also include radar sensors, cameras, stereo cameras and / or other imaging sensors.

In einem zweiten Verfahrensschritt S2 werden aus den gespeicherten aktuellen Umgebungsdaten UD1 und zugeführten Fahrdynamikdaten FDD vergangenheitsbezogene Fahrspurverlaufsdaten FD ermittelt. Zusätzlich werden Hierbei werden einzelne Messungen des Umgebungssensors zu einer lokalen Messkarte verrechnet. Die Verrechnung erfolgt in Abhängigkeit von einer aktuellen Positionsschätzung des Fahrzeugs. Dadurch entsteht ein genaues Umgebungsabbild einer vom Fahrzeug zurückgelegten Wegstrecke, welche durch die vergangenheitsbezogenen Fahrspurverlaufsdaten wiedergegeben werden. In den vergangenheitsbezogenen Fahrspurverlaufsdaten sind zumindest implizit Spurwechsel und/oder Überholvorgänge des Fahrzeugs enthalten.In a second method step S2, past-related lane course data FD are determined from the stored current environmental data UD1 and supplied vehicle dynamics data FDD. In addition, individual measurements of the environmental sensor are calculated to a local measuring card. Charging takes place depending on a current position estimate of the vehicle. This results in an accurate environmental image of a distance traveled by the vehicle, which are reproduced by the past-related lane course data. The past-related lane course data at least implicitly include lane changes and / or overtaking operations of the vehicle.

Die Fahrdynamikdaten FDD werden mittels verschiedener am Fahrzeug befindlicher Sensoren, insbesondere Sensoren eines Elektronischen Stabilitätsprogramms, eines Bremsassistenzsystems und/oder weiterer Fahrerassistenz- und Sicherheitssysteme erfasst und umfassen eine Fahrzeuggeschwindigkeit, eine Fahrzeugquerbeschleunigung, eine Fahrzeuglängsbeschleunigung, einen Lenkwinkel, einen Gierwinkel und/oder weitere Daten.The vehicle dynamics data FDD are detected by means of various sensors located on the vehicle, in particular sensors of an electronic stability program, a brake assistance system and / or further driver assistance and safety systems and include a vehicle speed, a vehicle lateral acceleration, a vehicle longitudinal acceleration, a steering angle, a yaw angle and / or further data.

In einem dritten Verfahrensschritt S3 werden die vergangenheitsbezogenen Fahrspurverlaufsdaten FD mit aus einer digitalen Straßenkarte ausgelesenen Kartendaten KD und Fahrdynamikdaten FDD des Fahrzeugs fusioniert. Aus dieser Fusion werden globale Umgebungsdaten UD2 erzeugt, aus welchen der Fahrspurverlauf FV und eine Ausrichtung A1 des Fahrzeugs auf einer Fahrbahn ermittelt werden.In a third method step S3, the history-related lane course data FD are fused with map data KD and vehicle dynamics data FDD of the vehicle read from a digital road map. From this fusion, global environment data UD2 are generated, from which the lane course FV and an orientation A1 of the vehicle on a roadway are determined.

Die Kartendaten KD sind insbesondere Kartendaten einer digitalen Straßenkarte einer im Fahrzeug angeordneten Navigationsvorrichtung. Die digitale Straßenkarte liefert einen oder mehrere wahrscheinliche zukünftige Pfade, die das Fahrzeug nehmen wird. Wird der schließlich gefahrene Pfad geeignet abgespeichert, kann der von der Karte generierte wahrscheinlichste Pfad bei der nächsten Fahrt korrigiert werden, so dass die digitale Straßenkarte an die tatsächlich gewählte Route angepasst wird. Kommt der Fahrer wieder an dieselbe Stelle, wird er nun den korrekten wahrscheinlichsten Pfad von der digitalen Straßenkarte erhalten. Durch eine derartige Aktualisierung von Wahrscheinlichkeitsinformationen wird das Verfahren verbessert sich das System ständig von selbst und vermittelt somit eine Verbesserung der Schätzung des Fahrspurverlaufs FV sowie eine Verbesserung einer Gefahrenpotentialabschätzung der Objekte.The map data KD are, in particular, map data of a digital road map of a navigation device arranged in the vehicle. The digital road map provides one or more likely future paths that the vehicle will take. If the eventually traveled path is suitably stored, the most likely path generated by the map can be corrected on the next trip, so that the digital road map is adapted to the actually selected route. If the driver returns to the same location, he will now get the correct most likely path from the digital road map. By such updating of likelihood information, the method constantly improves itself, thus providing an improvement in the estimate of the lane course FV as well as an improvement of a hazard potential estimation of the objects.

Bei der im dritten Verfahrensschritt durchgeführten Fusion werden die vergangenheitsbezogenen Fahrspurverlaufsdaten FD mit einem Straßenverlauf aus der digitalen Straßenkarte verglichen. Eine Übereinstimmung oder ein ”Matching” der vergangenheitsbezogenen Fahrspurverlaufsdaten FD und der Kartendaten KD wird mittels eines oder mehrerer Optimierungsverfahren ermittelt. Die Optimierungsverfahren umfassen insbesondere auf einer Ermittlung des Gradientenabstiegs basierende Verfahren, so genannte genetische Algorithmen und/oder Verfahren, welche mittels eines Partikelfilters durchgeführt werden. Hierbei beschreibt der Zustand eines Partikels eine mögliche Fahrzeugposition, die Ausrichtung A1 des Fahrzeugs zur digitalen Straßenkarte sowie eine Breite der Straße.In the merger performed in the third method step, the past-related lane course data FD are compared with a course of the road from the digital road map. A match or "matching" of the past-related lane course data FD and the map data KD is determined by means of one or more optimization methods. The optimization methods comprise in particular methods based on a determination of the gradient descent, so-called genetic algorithms and / or methods, which are carried out by means of a particle filter. Here, the state of a particle describes a possible vehicle position, the orientation A1 of the vehicle to the digital road map and a width of the road.

Die Ausrichtung A1 wird dabei insbesondere anhand der Fahrdynamikdaten FDD geschätzt.The orientation A1 is estimated in particular based on the vehicle dynamics data FDD.

Der Fahrspurverlauf FV umfasst sowohl vergangenheitsbezogene Daten als auch einen zukünftigen Fahrspurverlauf, welcher aus der Erfassung der Umgebung mittels des Umgebungssensors resultiert.The lane course FV includes both past-related data and a future lane course, which results from the detection of the environment by means of the environmental sensor.

In einer besonders vorteilhaften Ausgestaltung des Verfahrens werden besondere Gegebenheiten, wie beispielsweise das Vorhandensein von Baustellen, Unfällen, Staus und anderen Situationen, welche mittels des Umgebungssensors oder anderer Sensoren des Fahrzeugs erfasst werden, an übergeordnete Systeme und/oder andere Fahrzeuge übermittelt. Hierzu ist am Fahrzeug eine geeignete Schnittstelle zur Übermittlung vorgesehen.In a particularly advantageous embodiment of the method, special circumstances, such as the presence of construction sites, accidents, traffic jams and other situations, which are detected by means of the environmental sensor or other sensors of the vehicle, transmitted to higher-level systems and / or other vehicles. For this purpose, a suitable interface for transmission is provided on the vehicle.

Ferner werden derartige Informationen vom Fahrzeug von übergeordneten Systemen und/oder anderen Fahrzeugen empfangen und in die Ermittlung des Fahrspurverlaufs und der Ausrichtung des Fahrzeugs zur Fahrbahn mit einbezogen. Hierzu ist eine geeignete Schnittstelle zum Empfang vorgesehen.Furthermore, such information is received by the vehicle from higher-level systems and / or other vehicles and included in the determination of the lane course and the orientation of the vehicle to the roadway. For this purpose, a suitable interface for receiving is provided.

Weiterhin werden die Kartendaten KD in einer nicht dargestellten Weiterbildung mit in diesen fehlenden oder aktuelleren Umgebungsinformationen ergänzt. Diese Umgebungsinformationen werden mittels des Umgebungssensors und/oder weiterer Sensoren des Fahrzeugs erfasst. Somit können auch in den Kartendaten KD nicht vorhandene Daten, wie private Straßen, private Gelände, Betriebsgelände und weitere Örtlichkeiten, in die Ermittlung des Fahrspurverlaufs FV und der Ausrichtung A1 des Fahrzeugs zur Fahrbahn einbezogen werden.Furthermore, the map data KD are supplemented in a development, not shown in this missing or more current environment information. This environmental information is detected by means of the environmental sensor and / or other sensors of the vehicle. Thus, also in the map data KD not existing data, such as private roads, private grounds, premises and other localities, in the determination of the lane course FV and the orientation of the vehicle A1 to the roadway can be included.

In einem vierten Verfahrensschritt S4, welcher im dargestellten Ausführungsbeispiel des Verfahrens parallel zum dritten Verfahrensschritt S3 abläuft, werden die aktuellen lokalen Umgebungsdaten UD1 mit den globalen Umgebungsdaten UD2 fusioniert. Hierbei wird eine aus den globalen Umgebungsdaten UD2 gebildete digitale Karte, welche unterschiedliche Ausrichtungen A1 des Fahrzeugs auf der Fahrbahn umfasst, mit den aktuellen lokalen Umgebungsdaten UD1 des Umgebungssensors verglichen. Dieser Vergleich wird insbesondere mittels eines Partikelfilters durchgeführt. In Abhängigkeit der Ergebnisse dieser Fusion wird die in den globalen Umgebungsdaten UD2 enthaltene und geschätzte Ausrichtung A1 des Fahrzeugs auf der Fahrbahn plausibilisiert oder korrigiert, so dass eine bestätigte Ausrichtung A2 ermittelt wird.In a fourth method step S4, which in the illustrated embodiment of the Process proceeds in parallel to the third step S3, the current local environment data UD1 are fused to the global environment data UD2. In this case, a digital map formed from the global environment data UD2, which comprises different alignments A1 of the vehicle on the roadway, is compared with the current local environment data UD1 of the environmental sensor. This comparison is carried out in particular by means of a particle filter. Depending on the results of this fusion, the estimated vehicle orientation A1 of the vehicle contained in the global environment data UD2 is plausibility checked or corrected, so that a confirmed orientation A2 is determined.

Damit ist eine Eigenpositionierung des Fahrzeugs auf der digitalen Karte zu einer stabilen Straßenverlaufsvorhersage bzw. Fahrspurverlaufsvorhersage bis hin zu großen Entfernungen möglich. Hierbei sind insbesondere auch Entfernungen von mehr als 120 m möglich.This makes self-positioning of the vehicle on the digital map possible for stable road course prediction or long-distance lane prediction. In particular, distances of more than 120 m are possible.

Anhand der Fusion der aktuellen lokalen Umgebungsdaten UD1 mit den globalen Umgebungsdaten UD2 werden in einem fünften Verfahrensschritt S5 weiterhin Konfidenzmaße KM und/oder Gütemaße GM des ermittelten Fahrspurverlaufs FV ermittelt.On the basis of the fusion of the current local environment data UD1 with the global environment data UD2, confidence measurements KM and / or quality measures GM of the determined lane course FV are furthermore determined in a fifth method step S5.

In einem sechsten Verfahrensschritt S6 wird ein aus dem Fahrspurverlauf FV und dessen zugehörigen Konfidenzmaßen KM und Gütemaßen GM resultierendes Gefahrenpotenzial des Fahrzeugs für in der Umgebung des Fahrzeugs erfasste Objekte ermittelt. Bei den Objekten handelt es sich um Fußgänger, Radfahrer, weitere Fahrzeuge, Bauwerke, Pflanzen, Randbebauungen und/oder weitere Objekte, welche im Umfeld des Fahrzeugs sind.In a sixth method step S6, a danger potential of the vehicle resulting from the lane course FV and its associated confidence measures KM and quality measures GM is determined for objects detected in the surroundings of the vehicle. The objects are pedestrians, cyclists, other vehicles, structures, plants, edge structures and / or other objects that are in the vicinity of the vehicle.

Zur Erfassung der Objekte sind der Umgebungssensor und/oder weitere Erfassungseinheiten vorgesehen. Bei diesen Erfassungseinheiten handelt es sich um bildgebende Sensoren, welche als Radarsensor, hochauflösende Kamera oder Stereokamera ausgebildet sind. Die von den Erfassungseinheiten erfassten Daten sind zusätzlich zu einer Plausibilisierung und/oder Korrektur des mittels des beschriebenen Verfahrens ermittelten Fahrspurverlaufs FV und dessen zugehöriger Konfidenzmaße KM und Gütemaße GM verwendbar.For detecting the objects, the environmental sensor and / or further detection units are provided. In these detection units are imaging sensors, which are designed as a radar sensor, high-resolution camera or stereo camera. The data acquired by the detection units can be used in addition to a plausibility check and / or correction of the lane course FV ascertained by means of the described method and its associated confidence measures KM and quality measures GM.

Mittels der Stereokamera ist die Umgebung dabei in besonders vorteilhafter Weise dreidimensional in einem großen Erfassungsbereich erfassbar. Hochauflösende Kameras mit Auflösungen von mehr als 1024 zu 512 Pixeln weisen den Vorteil auf, dass Objekte in großen Entfernungen, insbesondere von bis zu 400 m, sicher detektierbar sind.By means of the stereo camera, the environment can be detected in a particularly advantageous manner three-dimensionally in a large detection area. High-resolution cameras with resolutions of more than 1024 to 512 pixels have the advantage that objects at long distances, in particular of up to 400 m, can be reliably detected.

Auch werden in einem Ausführungsbeispiel des Verfahrens zusätzlich bereits vorhandene Daten von im Fahrzeug befindlichen Vorrichtungen zur Fußgängererkennung verwendet, um die Objekte in der Umgebung des Fahrzeugs zu erfassen. In diesem Zusammenhang besteht die Möglichkeit, Farb-Infrarotkameras zur Erfassung des nahen Infrarotbereichs (= so genannte NIR-Kameras) mit einer oder mehreren hochauflösenden Infrarotkameras zur Erfassung des fernen Infrarotbereichs (= so genannte FIR-Kameras) zu kombinieren.In addition, in one exemplary embodiment of the method, already existing data from pedestrian detection devices in the vehicle are used to detect the objects in the surroundings of the vehicle. In this context, it is possible to combine color infrared cameras for detecting the near infrared range (= so-called NIR cameras) with one or more high-resolution infrared cameras for detecting the far infrared range (= so-called FIR cameras).

Somit sind als Objekte beispielsweise auch Tiere detektierbar. Die als NIR-Kameras ausgebildeten Farb-Infrarotkameras sind vorzugsweise weiterhin als Stereo-Kameras ausgebildet in einem so genannten ”One-Box-Design”, das heißt als eine Einheit ausgebildet und somit einfach im oder am Fahrzeug integrierbar.Thus, animals are detectable as objects, for example. The trained as NIR cameras color infrared cameras are preferably further designed as a stereo cameras in a so-called "one-box design", that is designed as a unit and thus easily integrated in or on the vehicle.

In einer Ausgestaltung des Verfahrens wird im sechsten Verfahrensschritt S6 oder einem weiteren nicht dargestellten Verfahrensschritt ein von den Objekten ausgehendes Gefahrenpotenzial für das Fahrzeug anhand des ermittelten Fahrspurverlaufs und dessen ermittelter Konfidenzmaße und/oder Gütemaße ermittelt.In one embodiment of the method, in the sixth method step S6 or another method step, not shown, a risk potential for the vehicle emanating from the objects is determined on the basis of the determined lane course and its determined confidence measures and / or quality measures.

Alternativ oder zusätzlich werden der mittels des Verfahrens ermittelte Fahrspurverlauf FV und dessen Konfidenzmaße KM und Gütemaße GM zur Steuerung einer Fahrspurassistenzvorrichtung des Fahrzeugs verwendet. Hierbei erfolgt in Abhängigkeit des ermittelten Fahrspurverlaufs FV eine sehr genaue automatische Querführung des Fahrzeugs und/oder Unterstützung eines Fahrers des Fahrzeugs bei dessen Querführung.Alternatively or additionally, the lane course FV determined by the method and its confidence levels KM and quality measures GM are used to control a lane assist device of the vehicle. In this case, a very accurate automatic lateral guidance of the vehicle and / or assistance of a driver of the vehicle in its transverse guidance takes place as a function of the determined traffic lane course FV.

In einer weiteren alternativen oder zusätzlichen Ausführung werden der ermittelte Fahrspurverlauf FV und dessen Konfidenzmaße KM und Gütemaße GM zur automatischen Längssteuerung des Fahrzeugs verwendet. Diese Längssteuerung ist insbesondere zu einem vorausschauenden und energiesparenden Fahren des Fahrzeugs und/oder für Kolonnenfahrten einsetzbar. Hierbei wird es im Zusammenhang mit dem beschriebenen Verfahren möglich, den Fahrspurverlauf FV sowie die detektierten Objekte und/oder Hindernisse hochgenau in die Auswertung und Längsteuerung des Fahrzeugs mit einzubeziehen.In a further alternative or additional embodiment, the determined lane course FV and its confidence levels KM and quality measures GM are used for the automatic longitudinal control of the vehicle. This longitudinal control can be used in particular for predictive and energy-saving driving of the vehicle and / or for convoy trips. In connection with the method described, it becomes possible to include the lane course FV as well as the detected objects and / or obstacles with high precision in the evaluation and longitudinal control of the vehicle.

Ferner werden der ermittelte Fahrspurverlauf FV, dessen Konfidenzmaße KM und Gütemaße GM vorzugsweise zur automatischen Steuerung eines Fahrlichts des Fahrzeugs verwendet. Bei dieser automatischen Fahrlichtsteuerung wird das Fahrlicht automatisch derart gesteuert, dass der Fahrer des Fahrzeugs dauerhaft mit aktivierter Fernlichtfunktion fahren kann und automatisch eine Leuchtweite, Leuchtbreite, Leuchtrichtung und/oder Ausformung des erzeugten Lichts in Angängigkeit vom Fahrspurverlauf FV und den detektierten Objekten gesteuert wird. Das Fahrlicht wird derart gesteuert, dass für den Fahrer des Fahrzeugs eine optimale und maximale Ausleuchtung bei gleichzeitiger Vermeidung einer Blendung von anderen Verkehrsteilnehmern und anderen Objekten vermieden wird. Die Steuerung des Fahrlichts ist aufgrund der genauen Ermittlung des Fahrspurverlaufs FV und der hohen Reichweite sehr genau ausführbar.Furthermore, the determined lane course FV, its confidence levels KM and quality measures GM are preferably used for automatic control of a driving light of the vehicle. In this automatic driving light control, the driving light is automatically controlled in such a way that the driver of the vehicle can drive permanently with the high beam function activated and automatically maintains a lighting range, Luminous width, direction of light and / or shape of the light generated in the context of the lane course FV and the detected objects is controlled. The driving light is controlled so that the driver of the vehicle optimal and maximum illumination while avoiding glare from other road users and other objects is avoided. The control of the driving light is due to the accurate determination of the lane course FV and the high range very accurately executable.

Auch ist die Verwendung des ermittelten Fahrspurverlaufs FV, dessen Konfidenzmaße KM und Gütemaße GM zu einer automatischen, genauen und zuverlässigen Erkennung von Verkehrzeichen in Umgebungsbereichen eines Fahrzeugs möglich, da aufgrund des genau ermittelten Fahrspurverlaufs FV die Positionen der Verkehrszeichen einfach ermittelbar sind. Somit sind kleine erforderliche Suchfenster möglich. Beispielsweise ist es möglich, in besonders einfacher Weise gezielt an Ortseinfahrten nach Verkehrszeichen auf der rechten Seite der Straße zu suchen.It is also possible to use the determined lane course FV, whose confidence measures KM and quality measures GM for an automatic, accurate and reliable recognition of traffic signs in surrounding areas of a vehicle, since the positions of the traffic signs can be easily determined on the basis of the precisely determined lane course FV. Thus, small required search windows are possible. For example, it is possible to search in a particularly simple manner specifically to entrances to traffic signs on the right side of the road.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

A1A1: Ausrichtungalignment
A2A2: Ausrichtungalignment
FDFD: FahrspurverlaufsdatenLane course data
FDDFDD: Fahrdynamikdatendriving dynamics data
FVFV: Fahrspurverlauflane course
GMGM: Gütemaßquality measure
KDKD: Kartendatenmap data
KMKM: Konfidenzmaßconfidence measure
S1 bis S6S1 to S6: Verfahrensschrittstep
UD1UD1: lokale Umgebungsdatenlocal environment data
UD2UD2: globale Umgebungsdatenglobal environment data

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

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.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

DE 102009024131 A1 [0002]
DE 10036042 A1 [0003]

Claims

Method for determining a lane course (FV) for a vehicle in which current local environment data (UD1) are determined and stored by means of a distance-resolving environmental sensor, wherein past local local environment data (UD1) is used to determine past-related lane course data (FD), characterized that global environment data (UD2) from which the lane course (FV) is determined is generated from a fusion of the past-related lane course data (FD) with map data (KD) and detected vehicle dynamics data (FDD) of the vehicle.

A method according to claim 1, characterized in that from the global environment data (UD2) an orientation (A1) of the vehicle is determined on a roadway.

Method according to claim 1 or 2, characterized in that based on a fusion of the current local environment data (UD1) with the global environment data (UD2), confidence measures (KM) and / or quality measures (GM) of the ascertained lane course (FV) are determined.

A method according to claim 2 or 3, characterized in that based on a fusion of the current local environment data (UD1) with the global environment data (UD2), the determined orientation (A1) of the vehicle on the road plausibility or corrected.

A method according to claim 4, characterized in that the plausibility or correction of the determined orientation (A1) in dependence of the determined confidence measures (KM) and / or Gütemaße (GM) of the determined lane course (FV) takes place.

Use of a lane course (FV) ascertained by means of a method according to one of Claims 1 to 5, its confidence measures (KM) and / or quality measures (GM) for determining a hazard potential for objects detected in the surroundings of the vehicle and / or an object originating from the objects Hazard potential for the vehicle.

Use of a lane course (FV) determined by means of a method according to one of Claims 1 to 5, its confidence measures (KM) and / or quality measures (GM) for controlling a lane assist device of the vehicle.

Use of a lane course (FV) ascertained by means of a method according to one of Claims 1 to 5, its confidence measurements (KM) and / or quality measures (GM) for the automatic control of a driving light of the vehicle.

Use of a lane course (FV) determined by means of a method according to one of Claims 1 to 5, its confidence measurements (KM) and / or quality measures (GM) for the automatic longitudinal control of the vehicle.

Use of a lane course (FV) determined by a method according to one of Claims 1 to 5, its confidence measurements (KM) and / or quality measures (GM) for the automatic recognition of traffic signs in surrounding areas of the vehicle.