DE102012203909A1 - Filterverfahren und Filtervorrichtung für Sensordaten - Google Patents

Filterverfahren und Filtervorrichtung für Sensordaten Download PDF

Info

Publication number
DE102012203909A1
DE102012203909A1 DE102012203909A DE102012203909A DE102012203909A1 DE 102012203909 A1 DE102012203909 A1 DE 102012203909A1 DE 102012203909 A DE102012203909 A DE 102012203909A DE 102012203909 A DE102012203909 A DE 102012203909A DE 102012203909 A1 DE102012203909 A1 DE 102012203909A1
Authority
DE
Germany
Prior art keywords
kalman
norm
scaling value
filter
sensor data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102012203909A
Other languages
English (en)
Inventor
Daniel WITHOPF
Susanne Stierlin
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102012203909A priority Critical patent/DE102012203909A1/de
Priority to FR1352180A priority patent/FR2988191B1/fr
Priority to CN201310233593.1A priority patent/CN103368527B/zh
Priority to US13/800,923 priority patent/US9063834B2/en
Publication of DE102012203909A1 publication Critical patent/DE102012203909A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/588—Velocity or trajectory determination systems; Sense-of-movement determination systems deriving the velocity value from the range measurement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4004—Means for monitoring or calibrating of parts of a radar system
    • G01S7/4021—Means for monitoring or calibrating of parts of a radar system of receivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9318—Controlling the steering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/93185—Controlling the brakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9321—Velocity regulation, e.g. cruise control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/497—Means for monitoring or calibrating

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Filterverfahren für Sensordaten, welche mittels eines Sensorsystems (303) zum Erfassen von Objekten gebildet (101) werden, umfassend die folgenden Schritte: – Messen (103) eines Skalierungswertes (si) aus den Sensordaten, wobei der Skalierungswert (si) einer Größenänderung eines Objektes aus den Sensordaten über ein Zeitintervall (Δti) entspricht, – Bestimmen (105) eines Messfehlerparameters (σi) des Skalierungswertes (si) und – Durchführen (107) einer Kalman-Filterung unmittelbar basierend auf dem gemessenen Skalierungswert (si), dem Zeitintervall (Δti) und dem Messfehlerparameter (σi), um zumindest einen normalisierten Bewegungsparameter (vnorm, anorm) des Objekts relativ zu dem Sensorsystem (303) zu schätzen. Die Erfindung betrifft ferner eine Filtervorrichtung (201), ein Fahrerassistenzsystem (301) sowie ein Computerprogramm.

Description

  • Die Erfindung betrifft ein Filterverfahren und eine Filtervorrichtung für Sensordaten. Die Erfindung betrifft ferner ein Fahrerassistenzsystem für ein Fahrzeug sowie ein Computerprogramm.
  • Stand der Technik
  • Abstandsregeltempomate und Kollisionswarnsysteme als Fahrerassistenzsysteme für Fahrzeuge sind als solche bekannt. In der Regel umfassen solche Systeme einen Radarsensor, welcher einen Abstand zum vorausfahrenden Fahrzeug messen kann. Alternativ können diese Funktionen auch basierend auf Bilddaten eines Videosensors realisiert werden. Basierend auf den gemessenen Sensordaten regelt dann das System einen entsprechenden Abstand bzw. warnt vor einer bevorstehenden Kollision.
  • Hierbei ist es in der Regel notwendig, dass die Sensordaten für eine weitere Verarbeitung vorbereitet bzw. aufbereitet werden, um beispielsweise zuverlässige Aussagen bezüglich einer Kollisionszeit treffen zu können.
  • Offenbarung der Erfindung
  • Die der Erfindung zugrunde liegende Aufgabe kann daher darin gesehen werden, ein verbessertes Filterverfahren für Sensordaten bereitzustellen, welches eine effiziente und zuverlässige Berechnung einer Kollisionszeit ermöglicht.
  • Die der Erfindung zugrundeliegende Aufgabe kann auch darin gesehen werden, eine entsprechende Filtervorrichtung für Sensordaten bereitzustellen.
  • Die der Erfindung zugrundeliegende Aufgabe kann auch darin gesehen werden, ein entsprechendes Fahrerassistenzsystem für ein Fahrzeug anzugeben.
  • Die der Erfindung zugrundeliegende Aufgabe kann ferner darin gesehen werden, ein entsprechendes Computerprogramm bereitzustellen.
  • Diese Aufgaben werden mittels des jeweiligen Gegenstands der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen sind Gegenstand von jeweils abhängigen Unteransprüchen.
  • Nach einem Aspekt wird ein Filterverfahren für Sensordaten bereitgestellt. Hierbei werden die Sensordaten mittels eines Sensorsystems zum Erfassen von Objekten gebildet. Das Filterverfahren umfasst ferner ein Messen eines Skalierungswertes, insbesondere mehrere Skalierungswerte, aus den Sensordaten, wobei der Skalierungswert einer Größenänderung eines Objekts aus den Sensordaten über ein Zeitintervall entspricht. Ferner wird ein Messfehlerparameter des Skalierungswertes bestimmt. Es wird dann eine Kalman-Filterung unmittelbar basierend auf dem gemessenen Skalierungswert, vorzugsweise basierend auf den gemessenen Skalierungswerten, dem Zeitintervall und dem Messfehlerparameter durchgeführt, um zumindest einen normalisierten Bewegungsparameter, vorzugsweise eine normalisierte Relativgeschwindigkeit, des Objekts relativ zu dem Sensorsystem zu messen.
  • Gemäß einem weiteren Aspekt wird eine Filtervorrichtung für mittels eines Sensorsystems zum Erfassen von Objekten gebildete Sensordaten bereitgestellt. Die Filtervorrichtung umfasst eine Messeinrichtung zum Messen eines Skalierungswertes aus den Sensordaten, wobei der Skalierungswert einer Größenänderung eines Objekts aus den Sensordaten über ein Zeitintervall entspricht. Des Weiteren ist eine Bestimmungseinrichtung zum Bestimmen eines Messfehlerparameters des Skalierungswertes vorgesehen. Die Filtervorrichtung umfasst ferner einen Kalman-Filter, insbesondere mehrere Kalman-Filter, zum Durchführen einer Kalman-Filterung unmittelbar basierend auf dem gemessenen Skalierungswert, dem Zeitintervall und dem Messfehlerparameter, um zumindest einen normalisierten Bewegungsparameter des Objekts relativ zu dem Sensorsystem zu schätzen.
  • Gemäß einem weiteren Aspekt wird ein Fahrerassistenzsystem für ein Fahrzeug bereitgestellt. Das Fahrerassistenzsystem umfasst die Filtervorrichtung sowie ein Sensorsystem zum Erfassen von Objekten.
  • Nach einem anderen Aspekt wird ein Computerprogramm bereitgestellt, welches Programmcode zur Durchführung des Filterverfahrens für Sensordaten umfasst, wenn das Computerprogramm auf einem Computer ausgeführt wird.
  • Die Erfindung umfasst also insbesondere den Gedanken, eine Kalman-Filterung durchzuführen, wobei diese Kalman-Filterung unmittelbar auf dem gemessenen Skalierungswert, dem Zeitintervall und dem Messfehlerparameter basiert. Unmittelbar im Sinne der vorliegenden Erfindung bedeutet insbesondere, dass der gemessene Skalierungswert, das Zeitintervall und der Messfehlerparameter direkt für die Kalman-Filterung verwendet werden bzw. direkt dem Kalman-Filter bereitgestellt bzw. übergeben werden. Eventuelle Zwischenschritte sind hier insbesondere nicht vorgesehen. Das heißt also insbesondere, das die vorgenannten Werte nicht zuvorderst noch weiterverarbeitet werden, um einen entsprechenden Zwischenwert zu bilden, wobei dann dieser Zwischenwert dem Kalman-Filter bereitgestellt wird, um eine Kalman-Filterung basierend auf diesem Zwischenwert durchzuführen. Das heißt also insbesondere, dass pro Zeitintervall in vorteilhafter Weise lediglich ein Skalierungswert gemessen werden muss, um den normalisierten Bewegungsparameter mittels der Kalman-Filterung zu schätzen. Hier war es in bekannten Verfahren bisher notwendig, eine Vielzahl von Skalierungswerten zu messen, wobei diese dann zum Beispiel mittels eines Maximum-Likelihood-Schätzers weiterverarbeitet wurden, wobei dann erst diese weiterverarbeiteten Werte bzw. Daten einem Kalman-Filter bereitgestellt wurden. Da der Maximum-Likelihood-Schätzer in diesem Vorverarbeitungsschritt aber auf eine große Anzahl, in der Regel mehr als 10, insbesondere mehr als 20, Skalierungswerte angewiesen ist, sind die entsprechenden Rechenschritte zeitaufwendig und sehr rechenintensiv. Solche entsprechenden bekannten Verfahren sind insbesondere nicht für einen Echtzeiteinsatz geeignet.
  • Diese vorgenannten Nachteile werden mittels der Erfindung in vorteilhafter Weise überwunden, insofern aufgrund des deutlich geringeren Rechenaufwands ein Echtzeiteinsatz in vorteilhafter Weise ermöglicht ist. Auch ein Speicherbedarf und eine notwendige Initialisierungszeit sind in vorteilhafter Weise geringer als im Vergleich zum Stand der Technik, da insbesondere keine lange Historie von Daten und Zwischenergebnissen ermittelt und gespeichert werden müssen.
  • Basierend auf dem zumindest einem normalisierten Bewegungsparameter ist es dann insbesondere in vorteilhafter Weise ermöglicht, eine Kollisionszeit zwischen dem Sensorsystem und dem Objekt zu berechnen. Das heißt also insbesondere, dass ein erfindungsgemäßes Fahrerassistenzsystem zuverlässig vor einer möglichen Kollision warnen kann und/oder autonom in einem Fahrzeugbetrieb eingreifen kann, um die Kollision zu verhindern bzw. eine Kollisionsschwere zu verringern.
  • Im Lichte der vorliegenden Erfindung bezeichnet ein Kalman-Filter, insbesondere ein Kalmanunterfilter, ein Filter, welcher eine erweiterte Kalman-Filterung durchführen kann. Mit dem Begriff „Kalman-Filterung“ ist also im Lichte der vorliegenden Erfindung eine erweiterte Kalman-Filterung mit nicht-linearem Systemmodell gemeint. Werden mehrere Kalman-Filter miteinander kombiniert, so bezeichnet man die verwendeten Einzelfilter als „Unterfilter“ auch „Kalmanunterfilter“.
  • Nach einer Ausführungsform können mittels der Kalman-Filterung mehrere normalisierte Bewegungsparameter geschätzt werden. Vorzugsweise werden zwei normalisierte Bewegungsparameter geschätzt. Durch das Schätzen von mehreren normalisierten Bewegungsparametern wird in vorteilhafter Weise eine Genauigkeit von Werten erhöht, welche aus den normalisierten Bewegungsparametern abgeleitet werden, also basierend auf diesen berechnet werden.
  • In einer Ausführungsform kann vorgesehen sein, dass der normalisierte Bewegungsparameter eine normalisierte Relativgeschwindigkeit des Objekts relativ zu dem Sensorsystem ist. Eine solche normalisierte Relativgeschwindigkeit kann im Folgenden als vnorm bezeichnet werden. Hierbei kann vorzugsweise vorgesehen werden, dass
  • Figure 00040001
  • Hierbei bezeichnet d einen Abstand zwischen dem Sensorsystem und dem Objekt. vrel ist eine Relativgeschwindigkeit zwischen dem Sensorsystem und dem Objekt.
  • In einer anderen Ausführungsform kann vorgesehen sein, dass zusätzlich ein weiterer normalisierter Bewegungsparameter, beispielsweise die normalisierte Relativbeschleunigung, verwendet wird. Eine solche normalisierte Relativbeschleunigung kann im Folgenden als anorm bezeichnet werden. Hierbei kann vorzugsweise vorgesehen sein, dass
    Figure 00050001
  • Hierbei ist d der Abstand zwischen dem Sensorsystem und dem Objekt. arel bezeichnet eine relative Beschleunigung des Sensorsystems zum Objekt.
  • Im Folgenden kann vorgesehen sein, dass das Zeitintervall als Δt bezeichnet wird. Der Skalierungswert zwischen den zwei Zeitpunkten t, t' mit dem zeitlichen Abstand Δt kann insofern insbesondere wie folgt definiert werden: s(Δt) = w(t) / w(t – Δt) = d(t – Δt) / d(t)
  • Hierbei ist s der Skalierungswert. w bezeichnet eine zweidimensionale Breite des Objekts im Bild, also in den entsprechenden Sensordaten. d bezeichnet einen dreidimensionalen Abstand zwischen dem Sensorsystem und dem Objekt.
  • In einer weiteren Ausführungsform kann vorgesehen sein, dass der Messfehlerparameter einer Standardabweichung σ eines normal verteilten Messrauschens des Skalierungswertes entspricht. Das heißt also insbesondere, dass der Messfehlerparameter einer Standardabweichung des zu erwartenden Messfehlers des Skalierungswertes entspricht.
  • In einer weiteren Ausführungsform kann vorgesehen sein, dass das Sensorsystem einen oder mehrere Sensoren zum sensorischen Erfassen von Objekten umfassen kann. Basierend auf den entsprechenden Sensordaten der Sensoren werden dann vorzugsweise die Skalierungswerte berechnet. Die Sensoren können vorzugsweise gleich oder unterschiedlich gebildet sein. Insbesondere kann als Sensor ein Videosensor vorgesehen sein. Ein entsprechendes Sensorsystem bildet dann in vorteilhafter Weise insbesondere Videobilddaten. Vorzugsweise kann das Sensorsystem eine Monokamera und/oder Stereokamera mit entsprechenden Videosensoren umfassen. Vorzugsweise kann der Sensor ein Radarsensor sein. Insbesondere kann ein Sensor ein Lidarsensor sein. Beispielsweise kann der Sensor ein Infrarotsensor sein.
  • In einer weiteren Ausführungsform kann vorgesehen sein, dass das Durchführen der Kalman-Filterung ein Durchführen von mehreren verschiedenen Kalman-Filtern jeweils unmittelbar basierend auf dem gemessenen Skalierungswert, dem Zeitintervall und dem Messfehlerparameter umfasst, um jeweils zumindest einen normalisierten Bewegungsunterparameter des Objekts relativ zu dem Sensorsystem zu schätzen, wobei die verschiedenen Kalman-Filterungen jeweils auf einem unterschiedlichen Bewegungsmodell basieren. Die im Zusammenhang mit dem Bewegungsparameter gemachten Ausführungen gelten analog für den normalisierten Bewegungsunterparameter. Das heißt also insbesondere, dass der Kalman-Filter mehrere Kalmanunterfilter, auch einfach Unterfilter genannt, umfasst, die miteinander interagieren bzw. kombiniert werden, wobei die Kalmanunterfilter entsprechend ausgebildet sind, die vorgenannten Schritte durchzuführen.
  • Vorzugsweise kann vorgesehen sein, dass die mehreren Kalman-Filter miteinander kombiniert werden. Hierfür kann vorzugsweise das dem Fachmann bekannte IMM-Verfahren verwendet werden. Hierbei steht „IMM“ für die englischen Begriffe „Interacting-Multiple-Model“. Das IMM-Verfahren definiert eine Interaktion mehrerer Kalman-Filter, welche parallel dieselben Messdaten verarbeiten.
  • Durch das Vorsehen von solchen mehreren Kalmanunterfiltern bzw. durch das Durchführen von mehreren verschiedenen Kalman-Filterungen, welche jeweils auf einem unterschiedlichen Bewegungsmodel basieren, kann in vorteilhafter Weise auf unterschiedliche mögliche Situationen eingegangen werden, sodass hier in vorteilhafter Weise eine flexible Anpassung an eine konkrete Situation bewirkt werden kann.
  • Nach einer weiteren Ausführungsform kann vorgesehen sein, dass basierend auf den normalisierten Bewegungsparametern eine Kollisionszeit berechnet wird.
  • Die Kollisionszeit ist die verbleibende Zeit bis zur erwarteten Kollision. Die berechnete Kollisionszeit steht anschließend in vorteilhafter Weise für eine Entscheidung darüber zur Verfügung, ob beispielsweise eine Warnung an den Fahrer ausgegeben wird und/oder das Fahrerassistenzsystem autonom in einen Fahrzeugbetrieb eingreift.
  • Gemäß einer weiteren Ausführungsform kann vorgesehen sein, dass für jeden der eingesetzten Kalman-Filter, also insbesondere für jeden der Unterfilter, ein Wahrscheinlichkeitswert bezüglich einer Übereinstimmung zwischen dem entsprechenden Bewegungsmodell und der gemessenen Sensordaten berechnet wird, wobei der normalisierte Bewegungsunterparameter der Kalman-Filterung mit dem größten Wahrscheinlichkeitswert einen kombinierten Zustandsvektor bildet. Das heißt also insbesondere, dass eine Wahrscheinlichkeitsberechnungseinrichtung vorgesehen ist, die entsprechend ausgebildet ist, die sogenannten Schritte durchzuführen.
  • Dadurch, dass somit der wahrscheinlichste Kalmanunterfilter die normalisierten Bewegungsparameter bestimmt, kann insbesondere in vorteilhafter Weise sichergestellt werden, dass für entsprechende weitere Schritte bzw. Eingriffe in einen Fahrzeugbetrieb diejenigen Parameter diesen Entscheidungen zugrunde liegen, welche die Realität am besten abbilden. Somit ist eine besonders zuverlässige Berechnung einer Kollisionszeit ermöglicht.
  • Gemäß einer Ausführungsform kann vorgesehen sein, dass das Bewegungsmodell auf der Annahme basiert, dass sich das Objekt relativ zu dem Sensorsystem mit einer konstanten Relativgeschwindigkeit bewegt. Ein solches Bewegungsmodell kann im Folgenden mit „ConstV“ abgekürzt bzw. bezeichnet werden.
  • In einer weiteren Ausführungsform kann vorgesehen sein, dass das Bewegungsmodell auf der Annahme basiert, dass sich das Objekt mit einer konstanten Relativbeschleunigung zu dem Sensorsystem bewegt. Ein solches Bewegungsmodell kann im Folgenden mit „ConstA“ abgekürzt bzw. bezeichnet werden.
  • Es kann ferner ein Bewegungsmodell verwendet werden, was auf der Annahme eines konstanten Abstands zwischen dem Objekt und dem Sensorsystem basiert. Ein solches Bewegungsmodell kann beispielsweise mittels „ConstD“ abgekürzt werden.
  • Wenn „ConstV“ verwendet wird, so gilt die Annahme, dass arel = anorm = 0 ist. Nach noch einer Ausführungsform kann vorgesehen sein, dass basierend auf dem zumindest einen normalisierten Bewegungsparameter ein gefilterter Skalierungswert berechnet wird. Ein solch gefilterter Skalierungswert weist in vorteilhafter Weise ein besseres Signal-zu-Rausch-Verhältnis auf als im Vergleich zu den direkt gemessenen Rohdaten bezüglich des Skalierungswertes. In einer weiteren Ausführungsform kann vorgesehen sein, dass eine normalisierte Relativgeschwindigkeit und eine normalisierte Relativbeschleunigung als normalisierte Bewegungsparameter geschätzt werden, wobei der gefilterte Skalierungswert basierend auf folgender mathematischer Formel berechnet wird: sFilter = 1 – vnorm·Δt + 1 / 2·anorm·Δt2
    Hierbei bezeichnet sFilter den gefilterten Skalierungswert. Eine Kollisionszeit kann im Folgenden insbesondere mittels „TTC“ abgekürzt werden, wobei Abkürzung „TTC“ für die englischen Begriffe „time to collision“ steht. Vorzugsweise kann vorgesehen sein, dass die TTC basierend auf dem oder den normalisierten Bewegungsparametern berechnet wird, welche insbesondere mittels der Filtervorrichtung geschätzt wird bzw. werden.
  • Die Erfindung wird im Folgenden anhand von bevorzugten Ausführungsbeispielen unter Bezugnahme auf Figuren näher erläutert. Hierbei zeigen
  • 1 ein Ablaufdiagramm eines Filterverfahrens,
  • 2 eine Filtervorrichtung,
  • 3 ein Fahrerassistenzsystem und
  • 4 ein Blockdiagramm eines Filterverfahrens.
  • Im Folgenden können für gleiche Merkmale gleiche Bezugszeichen verwendet werden.
  • 1 zeigt ein Ablaufdiagramm eines Filterverfahrens für Sensordaten, welche mittels eines Sensorsystems zum Erfassen von Objekten in einem Schritt 101 gebildet werden. In einem Schritt 103 wird ein Skalierungswert aus den Sensordaten gemessen, wobei der Skalierungswert einer Größenänderung eines Objekts aus den Sensordaten über ein Zeitintervall entspricht. In einem Schritt 105 wird ein Messfehlerparameter des Skalierungswertes bestimmt. Gemäß einem Schritt 107 wird eine Kalman-Filterung unmittelbar basierend auf dem gemessenen Skalierungswert, dem Zeitintervall und dem Messfehlerparameter durchgeführt, um zumindest einen normalisierten Bewegungsparameter des Objekts relativ zu dem Sensorsystem zu schätzen. In einer nicht gezeigten Ausführungsform kann vorgesehen sein, dass die Schritte 103 und 105 parallel durchgeführt werden.
  • Es kann vorzugsweise nach dem Schritt 107 vorgesehen sein, dass basierend auf dem normalisierten Bewegungsparameter eine TTC und/oder ein gefilterter Skalierungswert berechnet werden.
  • 2 zeigt eine Filtervorrichtung 201, für mittels eines Sensorsystems zum Erfassen von Objekten gebildete Sensordaten.
  • Die Filtervorrichtung 201 umfasst eine Messeinrichtung 203 zum Messen eines Skalierungswertes aus den Sensordaten, wobei der Skalierungswert einer Größenänderung eines Objekts aus den Sensordaten über ein Zeitintervall entspricht. Ferner ist eine Bestimmungseinrichtung 205 zum Bestimmen eines Messfehlerparameters des Skalierungswertes vorgesehen. Die Filtervorrichtung 201 umfasst ferner einen Kalman-Filter 207 zum Durchführen einer Kalman-Filterung unmittelbar basierend auf dem gemessenen Skalierungswert, dem Zeitintervall und dem Messfehlerparameter, um zumindest einen normalisierten Bewegungsparameter des Objekts relativ zu dem Sensorsystem zu schätzen.
  • In einer nicht gezeigten Ausführungsform kann die Filtervorrichtung 201 mehrere Kalman-Filter 207 umfassen, welche mittels des IMM-Verfahrens miteinander interagieren.
  • 3 zeigt ein Fahrerassistenzsystem 301 für ein Fahrzeug. Das Fahrerassistenzsystem 301 umfasst die Filtervorrichtung 201 gemäß 2 sowie ein Sensorsystem 303 zum Erfassen von Objekten. Das Fahrerassistenzsystem 301 ist insbesondere ausgebildet, basierend auf den Ergebnissen, welche aus den normalisierten Bewegungsparameter abgeleitet werden können, eine Fahrzeugaktuatorik zum autonomen Eingreifen in ein Fahrzeugsystem wie Bremse, Antrieb, Lenkung und/oder eine Warneinrichtung zu betätigen, um einen Fahrer zu warnen.
  • 4 zeigt ein Blockdiagramm eines weiteren Filterverfahrens.
  • In einem Schritt 401 werden mehrere Tupel der Form θi = (si|Δti|σi) in einen Kalman-Filter 403 eingegeben. Hierbei ist si ein Skalierungswert mit zugehörigem Zeitschritt bzw. Zeitintervall Δti, dessen Messrauschen normal verteilt mit Standardabweichung σi ist. Hierbei ist i = 1, 2 ..., n, wobei n ≥ 1 ist.
  • Der Kalman-Filter 403 umfasst drei Kalmanunterfilter 405, 407, 409. Die drei Unterfilter 405, 407, 409 sind jeweils als ein selbstständig arbeitender erweiterter Kalman-Filter ausgebildet, wobei die drei Kalmanunterfilter 405, 407, 409 mittels des IMM-Verfahrens miteinander interagieren bzw. kombiniert werden können.
  • In einer nicht gezeigten Ausführungsform kann vorgesehen sein, dass nur zwei Unterfilter oder mehr als drei Unterfilter verwendet werden. Beispielsweise können zwei Unterfilter verwendet werden, welche auf ConstV respektive ConstA basieren. Insbesondere können drei Unterfilter verwendet werden, die auf ConstA respektive ConstV und respektive ConstA basieren.
  • Jedes Tupel wird jeweils allen drei Kalmanunterfiltern 405, 407, 409 zugeführt, sodass die Kalmanunterfilter 405, 407, 409 basierend auf den entsprechenden Tupeln jeweils eine eigene Kalman-Filterung durchführen. Das heißt also insbesondere, dass jeder der Kalmanunterfilter 405, 407, 409 unmittelbar basierend auf dem Skalierungswert, dem Zeitschritt und der Standardabweichung eine Kalman-Filterung durchführt. Hierbei basieren die drei Kalmanunterfilter 405, 407 und 409 auf jeweils einem unterschiedlichen Bewegungsmodell. Die drei Kalmanunterfilter 405, 407, 409 können sich insbesondere auch in der Parametrisierung des Systemrauschens, welches die tolerierte Abweichung vom angenommenen Bewegungsmodell modelliert, unterscheiden. So kann beispielsweise der Kalmanunterfilter 405 auf dem Bewegungsmodell „ConstA“ basieren. Der Kalmanunterfilter 407 kann beispielsweise auf dem Bewegungsmodell „ConstV“ basieren. Der Kalmanunterfilter 409 kann beispielsweise auf dem Bewegungsmodell „ConstA“ basierend und sich vom Filter 405 auf Grund der Parametrisierung des Systemrauschens unterscheiden.
  • In einer nicht gezeigten Ausführungsform kann vorgesehen, dass nur zwei Kalmanunterfilter verwendet werden. Unterfilter 409 entfällt in diesem Fall.
  • Basierend auf der entsprechenden Kalman-Filterung geben die Kalmanunterfilter 405, 407 und 409 folgende Ergebnisse aus: ṽ, ã, P, lhd aus. Hierbei steht ṽ für die normalisierte Relativgeschwindigkeit des entsprechenden Kalmanunterfilters 405, 407 und 409. ã bezeichnet die normalisierte Relativbeschleunigung des entsprechenden Kalmanunterfilters 405, 407 und 409. P bezeichnet eine entsprechende Kovarianz, das heißt also insbesondere eine Unsicherheit der entsprechenden Werte. lhd ist ein Likelihood-Parameter, welcher eine Aussage darüber trifft, wie gut die gemessenen Sensordaten zu ṽ und ã passt. Das heißt also insbesondere, dass der Likelihood-Parameter lhd einen Grad der Übereinstimmung zwischen verarbeiteten Messwerten und geschätzten internen Zuständen, also den normalisierten Bewegungsparametern, beschreibt.
  • Basierend auf diesen Werten kann vorzugsweise ein Wahrscheinlichkeitswert „ρ“ berechnet werden, welcher eine Aussage darüber trifft, wie gut das dem jeweiligen Kalmanunterfilter 405, 407 und 409 zugrundeliegende Bewegungsmodell der Realität entspricht. Der Kalmanunterfilter mit dem größten Wahrscheinlichkeitswert ist dann derjenige, dessen Werte ṽ und ã als normalisierte Bewegungsparameter, also als eine normalisierte Relativbeschleunigung anorm und eine normalisierte Relativgeschwindigkeit vnorm, genommen werden. Das heißt also insbesondere, dass der Kalman-Filter 403 gemäß dem Schritt 411 eine Schätzung von vnorm und anorm durchführt.
  • In einem Schritt 413 ist dann vorzugsweise vorgesehen, die TTC und den gefilterten Skalierungswert sFilterzu berechnen, wobei diese Berechnung auf Basis von vnorm und anorm durchgeführt werden kann. Insbesondere wird das dieser Berechnung zugrunde liegende Bewegungsmodell „Modell“ ausgegeben. Das heißt also insbesondere, dass das Bewegungsmodell desjenigen Kalmanunterfilters ausgegeben wird, welcher den größten Wahrscheinlichkeitswert „ρ“ aufwies.
  • Vorzugsweise kann vorgesehen sein, dass der gefilterte Skalierungswert sFilter und die TTC zusätzlich für jeden der Kalmanunterfilter 405, 407 und 409 berechnet werden.
  • Vorzugsweise kann vorgesehen sein, dass die TTC und der gefilterte Skalierungswert sFiltergemäß dem Schritt 413 basierend auf den wahrscheinlichsten normalisierten Bewegungsparametern der Kalmanunterfilter gebildet werden.
  • Aufgrund der Bewegungsgleichung zweiter Ordnung gilt in entsprechender Nährung für Δt:
    Figure 00120001
  • Da noch keine Kollision stattgefunden hat, gilt d(t) > 0, so dass eine Division zulässig ist.
  • Mit s(Δt) = w(t) / w(t – Δt) = d(t – Δt) / d(t) und
    Figure 00120002
    und
    Figure 00130001
    ergibt sich der für die direkte Verarbeitung der Skalierungsdaten wichtige Zusammenhang, der als Messmodell für die Kalmanfilter verwendet werden kann: s(Δt) = 1 – vnorm·Δt + 1 / 2·anorm·Δt2
  • Mittels der vorgenannten Formel für s(Δt) kann vorzugsweise in vorteilhafter Weise sFilter basierend auf den gefilterten Endergebnissen, also insbesondere auf den normalisierten Bewegungsparametern der Unterfilter 405, 407, 409, mittels folgender Formel berechnet werden: sFilter(Δt) = 1 – vnorm·Δt + 1 / 2·anorm·Δt2
  • Die TTC, also die Kollisionszeit, basierend auf dem Bewegungsmodell ConstV, ergibt sich vorzugsweise wie folgt:
    Figure 00130002
  • Die TTC basierend auf dem Bewegungsmodell ConstA ergibt sich insbesondere wie folgt:
    Figure 00130003
  • Die Erfindung umfasst also insbesondere den Gedanken, dass für jeden Zeitschritt eine Menge von n ≥ 1 Tupel der Form θi = (si|Δti|σi) verarbeitet werden können.
  • Eine Stärke des erfindungsgemäßen Verfahrens im Vergleich zu bekannten Verfahren ist, dass Skalierungswerte bzw. Skalierungsdaten mit unterschiedlichen Charakteristiken gemeinsam verarbeitet werden können:
    So können beispielsweise Skalierungswerte für unterschiedliche Zeitschritte Δti verarbeitet werden.
  • Ferner können auch Daten von unterschiedlichen Sensoren, beispielsweise aus einer Mono- oder Stereokamera, verarbeitet werden.
  • Ferner können insbesondere unterschiedliche Berechnungsverfahren vorgesehen sein, um den Skalierungswert aus den Sensordaten zu extrahieren bzw. zu messen. Beispielsweise kann der Skalierungswert mittels eines Verfahrens basierend auf dem optischen Fluss zwischen zwei Videobildern berechnet werden. Ferner kann vorzugsweise alternativ oder zusätzlich die gemessene Objektbreite und/oder die gemessene Objekthöhe zur Bestimmung des Skalierungswertes verwendet werden. Ferner kann insbesondere vorgesehen sein, dass der Skalierungswert, also die Skalierung, aus der Position von Lichtern des Objekts abgeleitet wird. Dies weist insbesondere den Vorteil auf, dass sich ein solches Verfahren auch bei Dunkelheit oder schlechten Beleuchtungsverhältnissen eignet.
  • Ferner kann vorgesehen sein, dass abhängig von einer verfügbaren Rechenzeit eine unterschiedliche Qualität bei der Skalierungswertberechnung vorgesehen ist. Hierfür kann insbesondere eine Auflösung eines verwendeten Videobilds und/oder eine Anzahl von Interrationen eines Optimierungsverfahrens variiert werden. Vorzugsweise kann auch eine Größe eines betrachteten Bildbereichs verändert werden, beispielsweise indem für die Berechnung eine Box um das gesamte Objekt, beispielsweise ein Fahrzeug, gelegt wird oder nur im Bereich des Nummernschilds.
  • Abhängig von einer Qualität des verwendeten Berechnungsverfahrens und der eingestellten Parameter wird vorzugsweise die Standardabweichung des zu erwartenden Fehlers σi gesetzt. Diese bestimmt in vorteilhafter Weise einen Einfluss des jeweiligen Eingabewerts auf das Filterendergebnis. Vorzugsweise kann in vorteilhafter Weise die Anzahl der Eingabewerte über die Zeit variieren. Falls für einen Zeitschritt keine Messung vorliegt, so können die Ergebnisse für diesen Zeitpunkt durch die Kalman-Filter in vorteilhafter Weise lediglich prädiziert werden.
  • Die Verarbeitung der Tupel θi durch den Kalman-Filter bzw. durch die Kalmanunterfilter kann vorzugsweise folgende Ergebnisse liefern:
    Ein Ergebnis ist insbesondere eine Entscheidung, welches Modell (ConstV oder ConstA) die aktuelle Fahrsituation am besten beschreibt. Daraus kann insbesondere folgen, dass das Modell ConstA nur dann gewählt wird, wenn die beobachtete Beschleunigung signifikant von 0 verschieden ist. Dies kann in vorteilhafter Weise verwendet werden, um eine Warnstrategie eines Antikollisionsfahrerassistenzsystems zu beeinflussen.
  • Ferner erhält man als weiteres Ergebnis einen gefilterten Zustandsvektor, der vorzugsweise die Ergebnisse der Einzelfilter, also der Kalmanunterfilter, kombiniert. Die Einträge dieses Vektors sind vorzugsweise die normalisierten Bewegungsparameter von vnorm und anorm, welche anschließend für weitere Berechnungen verwendet werden können.
  • Die aktuelle TTC ergibt sich dann je nach verwendetem Bewegungsmodell wie folgt:
    Figure 00150001
  • Sofern das Bewegungsmodell ConstA ausgewählt wurde, berücksichtigt dieser Wert neben der Relativgeschwindigkeit in vorteilhafter Weise auch die relative Beschleunigung zwischen den Fahrzeugen.
  • Ferner ist es in vorteilhafter Weise ermöglicht, einen gefilterten Skalierungswert SFilter zu berechnen. Dies ist in vorteilhafter Weise äußerst nützlich für videobasierte Abstandsregeltempomatsysteme, da ein solch gefilterter Skalierungswert ein deutlich besseres Signal-zu-Rausch-Verhältnis als die gemessenen Rohdaten aufweist, was in vorteilhafter Weise beispielsweise eine harmonische Regelung einer Längsbeschleunigung des Fahrzeugs erlaubt.
  • Ferner weist die Erfindung insbesondere folgende Vorteile im Vergleich zu bekannten Systemen auf:
    • • Verarbeitung von Skalierungsdaten, die zuverlässig aus den Videobilddaten extrahiert werden können. Abstands-Messwerte werden nicht benötigt.
    • • Pro Zeitschritt ist lediglich ein Skalierungswert notwendig. Dies bedeutet einen deutlich geringeren Rechenaufwand im Vergleich zu Systemen, die zwei und mehr Skalierungswerte verlangen. Auch der Speicherbedarf und die notwendige Initialisierungszeit sind somit geringer, da keine lange Historie von Daten und Zwischenergebnissen ermittelt und gespeichert werden muss.
    • • Falls mehrere Skalierungswerte vorhanden sind, so können diese vorzugsweise unter Beachtung ihres jeweiligen Messrauschens verarbeitet werden. Die Stärke des Verfahrens ist, dass es möglich ist, verschiedene Arten von Skalierungsinformationen flexibel zu kombinieren. Diese können zum Beispiel von verschiedenen Sensoren stammen, für unterschiedlich große Zeitschritte oder von unterschiedlichen Algorithmen berechnet werden. Eine für entsprechende Berechnungen notwendige Bedingung kann beispielsweise sein, dass für jeden Wert die zugehörige Standardabweichung des Messfehlers mit übergeben wird und der Messfehler als normal verteilt um Null angenommen werden kann.
    • • Die Skalierungsdaten werden direkt mit Hilfe der Kalman-Filter verarbeitet, ohne dass vorgeschaltete Schätzer notwendig sind. Ein extra Vorverarbeitungsschritt wie im Stand der Technik entfällt.
    • • Die TTC kann korrekt berechnet werden, wobei neben der relativen Geschwindigkeit auch eine mögliche relative Beschleunigung zwischen den Objekten, insbesondere Fahrzeugen, berücksichtigt wird. Das erfindungsgemäße Verfahren geht somit über viele andere, aus der Literatur bekannte, Verfahren hinaus, die mit deutlich einfacheren Annahmen agieren.
    • • Es kann ein gefilterter Skalierungswert berechnet werden mit deutlich besserem Signal-zu-Rausch-Verhältnis im Vergleich zu den Rohdaten. Ein solcher gefilterter Skalierungswert wurde noch in keiner anderen Veröffentlichung im Zusammenhang mit der TTC erwähnt.
    • • Die Modellentscheidung gibt ferner in vorteilhafter Weise Aufschluss darüber, ob für die aktuelle Fahrsituation eine signifikante relative Beschleunigung beobachtet wird oder nicht. Diese Information ist für Verfahren, die ohne IMM, das heißt einem „Interacting Multiple Model“, arbeiten nicht verfügbar. Das heißt also insbesondere, dass diese Information für Verfahren, die nicht mehrere Unterfilter verwenden, die verschiedene Bewegungsmodelle unterstützen, nicht verfügbar ist.

Claims (10)

  1. Filterverfahren für Sensordaten, welche mittels eines Sensorsystems (303) zum Erfassen von Objekten gebildet (101) werden, umfassend die folgenden Schritte: – Messen (103) eines Skalierungswertes (si) aus den Sensordaten, wobei der Skalierungswert (si) einer Größenänderung eines Objektes aus den Sensordaten über ein Zeitintervall (Δti) entspricht, – Bestimmen (105) eines Messfehlerparameters (σi) des Skalierungswertes (si) und – Durchführen (107) einer Kalman-Filterung unmittelbar basierend auf dem gemessenen Skalierungswert (si), dem Zeitintervall (Δti) und dem Messfehlerparameter (σi), um zumindest einen normalisierten Bewegungsparameter (vnorm, anorm) des Objekts relativ zu dem Sensorsystem (303) zu schätzen.
  2. Filterverfahren nach Anspruch 1, wobei das Durchführen der Kalman-Filterung ein Durchführen von mehreren verschiedenen Kalman-Filterungen jeweils unmittelbar basierend auf dem gemessenen Skalierungswert (si), dem Zeitintervall (Δti) und dem Messfehlerparameter (σ)) umfasst, um jeweils zumindest einen normalisierten Bewegungsunterparameter des Objekts relativ zu dem Sensorsystem (303) zu schätzen, wobei die verschiedenen Kalman-Filterungen jeweils auf einem unterschiedlichen Bewegungsmodell basieren.
  3. Filterverfahren nach Anspruch 2, wobei für jede Kalman-Filterung der mehreren Kalman-Filterungen ein Wahrscheinlichkeitswert bezüglich einer Übereinstimmung zwischen dem entsprechenden Bewegungsmodell und gemessenen Sensordaten berechnet wird und wobei der normalisierte Bewegungsunterparameter der Kalman-Filterung mit dem größten Wahrscheinlichkeitswert den normalisierten Bewegungsparameter (vnorm, anorm) bildet.
  4. Filterverfahren nach einem der vorherigen Ansprüche, wobei basierend auf dem zumindest einen normalisierten Bewegungsparameter (vnorm, anorm) ein gefilterter Skalierungswert (sFilter) berechnet wird.
  5. Filterverfahren nach Anspruch 4, wobei eine normalisierte Relativgeschwindigkeit (vnorm) und eine normalisierte Relativbeschleunigung (anorm) als normalisierte Bewegungsparameter (vnorm, anorm) geschätzt werden und der gefilterte Skalierungswert (sFilter) basierend auf folgender mathematischer Formel berechnet wird: sFilter(Δt) = 1 – vnorm·Δt + 1 / 2·anorm·Δt2
  6. Filtervorrichtung (201) für mittels eines Sensorsystems (303) zum Erfassen von Objekten gebildete Sensordaten, umfassend: – eine Messeinrichtung (203) zum Messen eines Skalierungswertes (si) aus den Sensordaten, wobei der Skalierungswert (si) einer Größenänderung eines Objekts aus den Sensordaten über ein Zeitintervall (Δti) entspricht, – eine Bestimmungseinrichtung (205) zum Bestimmen eines Messfehlerparameters (σi) des Skalierungswertes (si) und – einen Kalman-Filter (207, 403) zum Durchführen einer Kalman-Filterung unmittelbar basierend auf dem gemessenen Skalierungswert (si), dem Zeitintervall (Δti) und dem Messfehlerparameter (σi), um zumindest einen normalisierten Bewegungsparameter (vnorm, anorm) des Objekts relativ zu dem Sensorsystem (303) zu schätzen.
  7. Filtervorrichtung (201) nach Anspruch 6, wobei der Kalman-Filter (207, 403) mehrere Kalmanunterfilter (405, 407, 409) umfasst, wobei die Kalmanunterfilter (405, 407, 409) ausgebildet sind, jeweils eine Kalman-Filterung unmittelbar basierend auf dem gemessenen Skalierungswert (si), dem Zeitintervall (Δti) und dem Messfehlerparameter (σi) durchzuführen, um jeweils zumindest einen normalisierten Bewegungsunterparameter des Objekts relativ zu dem Sensorsystem (303) zu schätzen, wobei die jeweilige Kalman-Filterung der Kalmanunterfilter (405, 407, 409) auf einem unterschiedlichen Bewegungsmodell basiert.
  8. Filtervorrichtung (201) nach Anspruch 7, wobei eine Wahrscheinlichkeitsberechnungseinrichtung vorgesehen ist, die ausgebildet ist, für jede Kalman-Filterung der mehreren Kalman-Filterungen einen Wahrscheinlichkeitswert bezüglich einer Übereinstimmung zwischen dem entsprechenden Bewegungsmodell und der Realität zu berechnen.
  9. Fahrerassistenzsystem (301) für ein Fahrzeug, umfassend eine Filtervorrichtung (201) nach einem der Ansprüche 6 bis 8 und ein Sensorsystem (303) zum Erfassen von Objekten.
  10. Computerprogramm, umfassend Programmcode zur Durchführung des Filterverfahrens nach einem der Ansprüche 1 bis 5, wenn das Computerprogramm auf einem Computer ausgeführt wird.
DE102012203909A 2012-03-13 2012-03-13 Filterverfahren und Filtervorrichtung für Sensordaten Pending DE102012203909A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
DE102012203909A DE102012203909A1 (de) 2012-03-13 2012-03-13 Filterverfahren und Filtervorrichtung für Sensordaten
FR1352180A FR2988191B1 (fr) 2012-03-13 2013-03-12 Procede de filtrage et dispositif de filtre pour des donnees de capteur
CN201310233593.1A CN103368527B (zh) 2012-03-13 2013-03-13 用于传感器数据的滤波方法和滤波设备
US13/800,923 US9063834B2 (en) 2012-03-13 2013-03-13 Filtering method and filter device for sensor data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102012203909A DE102012203909A1 (de) 2012-03-13 2012-03-13 Filterverfahren und Filtervorrichtung für Sensordaten

Publications (1)

Publication Number Publication Date
DE102012203909A1 true DE102012203909A1 (de) 2013-09-19

Family

ID=49043903

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102012203909A Pending DE102012203909A1 (de) 2012-03-13 2012-03-13 Filterverfahren und Filtervorrichtung für Sensordaten

Country Status (4)

Country Link
US (1) US9063834B2 (de)
CN (1) CN103368527B (de)
DE (1) DE102012203909A1 (de)
FR (1) FR2988191B1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020121061A1 (de) 2020-08-11 2022-02-17 Valeo Schalter Und Sensoren Gmbh Verfahren zum Betreiben eines Assistenzsystems zur Bestimmung einer Länge eines Objekts, Computerprogrammprodukt, computerlesbares Speichermedium sowie Assistenzsystem

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2869042B1 (de) * 2013-11-04 2016-08-10 VEGA Grieshaber KG Modellbasierte Rauschunterdrückung bei Füllstandmessgeräten
CN104467738B (zh) * 2014-11-04 2018-01-19 国睿集团有限公司 农业系统传感器组专用复合滤波型校正方法
JP6600271B2 (ja) * 2016-03-31 2019-10-30 株式会社デンソー 物体認識装置及び物体認識方法
DE102016205545A1 (de) * 2016-04-04 2017-10-05 Robert Bosch Gmbh Verfahren zur Bestimmung einer Aufprallstärke
CN106646358A (zh) * 2016-12-27 2017-05-10 深圳信息职业技术学院 一种用于室内无线定位的多误差模型的imm算法
DE102018122055A1 (de) * 2018-09-10 2020-03-12 Wabco Gmbh Querlenkverfahren und Querlenkvorrichtung für das Bewegen eines Fahrzeugs in eine Zielposition, und Fahrzeug dafür
CN110501732B (zh) * 2019-07-24 2021-09-24 北京航空航天大学 一种多卫星分布式导航滤波计算方法
EP4009003B1 (de) * 2020-12-02 2024-05-29 NM Numerical Modelling GmbH Sensorsystem und verfahren zum messen einer verfahrensgrösse von einem physikalischen system
CN113470070B (zh) * 2021-06-24 2024-08-16 国汽(北京)智能网联汽车研究院有限公司 驾驶场景目标跟踪方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5960097A (en) * 1997-01-21 1999-09-28 Raytheon Company Background adaptive target detection and tracking with multiple observation and processing stages
US6535114B1 (en) * 2000-03-22 2003-03-18 Toyota Jidosha Kabushiki Kaisha Method and apparatus for environment recognition
US6856694B2 (en) * 2001-07-10 2005-02-15 Eaton Corporation Decision enhancement system for a vehicle safety restraint application
JP4914234B2 (ja) * 2007-01-31 2012-04-11 富士重工業株式会社 先行車両検出装置
US20100208063A1 (en) * 2009-02-19 2010-08-19 Panasonic Corporation System and methods for improving accuracy and robustness of abnormal behavior detection
CN101943916B (zh) * 2010-09-07 2012-09-26 陕西科技大学 一种基于卡尔曼滤波器预测的机器人避障方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020121061A1 (de) 2020-08-11 2022-02-17 Valeo Schalter Und Sensoren Gmbh Verfahren zum Betreiben eines Assistenzsystems zur Bestimmung einer Länge eines Objekts, Computerprogrammprodukt, computerlesbares Speichermedium sowie Assistenzsystem

Also Published As

Publication number Publication date
FR2988191B1 (fr) 2019-10-11
US20130245929A1 (en) 2013-09-19
FR2988191A1 (fr) 2013-09-20
CN103368527B (zh) 2017-08-25
CN103368527A (zh) 2013-10-23
US9063834B2 (en) 2015-06-23

Similar Documents

Publication Publication Date Title
DE102012203909A1 (de) Filterverfahren und Filtervorrichtung für Sensordaten
DE102018116111B4 (de) Ein einheitliches tiefes faltendes neuronales Netzwerk für die Abschätzung von Freiraum, die Abschätzung der Objekterkennung und die der Objektstellung
DE102012216386A1 (de) Verfahren zum Betreiben eines Fahrerassistenzsystems eines Fahrzeugs
DE102017120112A1 (de) Tiefenkartenschätzung mit stereobildern
DE112014002019B4 (de) Kurvenformmodelliereinrichtung, Fahrzeuginformationsverarbeitungssystem, Kurvenformmodellierverfahren und Kurvenformmodellierprogramm
DE102017130041A1 (de) Automatische leckerkennung bei fahrzeugen
DE112014007249T5 (de) Bildverarbeitungsvorrichtung, Fahrzeuganzeigesystem, Anzeigevorrichtung, Bildverarbeitungsverfahren und Bildverarbeitungsprogramm
DE112015003547T5 (de) Kollisionszeitschätzungsberechnungsvorrichtung (ttc-schätzungsberechnungsvorrichtung) und ttc-schätzungsberechnungsverfahren
EP3788552B1 (de) Verfahren und vorrichtung zum ermitteln eines tiefeninformationsbilds aus einem eingangsbild
DE102014103577B4 (de) Fahrzeugvorrichtung
DE112014003818T5 (de) Objektschätzvorrichtung und Objektschätzverfahren
DE102017108254B4 (de) Rundumsichtkamerasystem zur Objekterkennung und -verfolgung und Verfahren zum Ausstatten eines Fahrzeugs mit einem Rundumsichtkamerasystem
DE102015201747A1 (de) Sensorsystem für ein fahrzeug und verfahren
WO2013178407A1 (de) Verfahren und vorrichtung zur verarbeitung stereoskopischer daten
DE102018123861A1 (de) Zielobjektschätzvorrichtung
DE102017123842A1 (de) Fahrspurerfassungsverfahren
WO2014032903A1 (de) Verfahren und informationssystem zum filtern von objektinformationen
WO2015090691A1 (de) Verfahren zum erzeugen eines umgebungsmodells eines kraftfahrzeugs, fahrerassistenzsystem und kraftfahrzeug
DE102016205806A1 (de) Verfahren zur Optimierung einer Funktion in einem Fahrzeug
DE102019217723A1 (de) Fahrsicherheits-steuersystem unter verwendung von umgebungsgeräuschen und steuerverfahren dafür
DE112016001568T5 (de) Bildverarbeitungsapparat
DE102017119317A1 (de) Klassifizierung von Umgebungs-Fahrzeugen für eine Abstandsregeltempomat-Vorrichtung in einem Kraftfahrzeug
EP3811336B1 (de) Verfahren zur bestimmung von zueinander korrespondierenden bildpunkten, soc zur durchführung des verfahrens, kamerasystem mit dem soc, steuergerät und fahrzeug
DE102017212175A1 (de) Verfahren und Vorrichtung zum Ermitteln eines optischen Flusses anhand einer von einer Kamera eines Fahrzeugs aufgenommenen Bildsequenz
WO2019120392A1 (de) Verfahren und vorrichtung zur fusion von messungen aus unterschiedlichen informationsquellen

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication