-
Die Erfindung betrifft ein Verfahren zur Erkennung wenigstens einer Parklücke für einen Kraftwagen gemäß dem Oberbegriff von Patentanspruch 1.
-
Derartige Verfahren zur Erkennung wenigstens einer Parklücke für einen Kraftwagen, insbesondere einen Personenkraftwagen, sind beispielsweise aus der
DE 10 2001 113 719 A1 und der
DE 10 2008 064 041 A1 bekannt. Bei den jeweiligen Verfahren wird wenigstens ein Teilbereich der Umgebung des Kraftwagens mittels wenigstens eines entfernungsmessenden Sensors des Kraftwagens erfasst. Der Teilbereich wird erfasst, indem mittels des entfernungsmessenden Sensors wenigstens ein Primärsignal ausgesendet wird. Ferner wird mittels des entfernungsmessenden Sensors wenigstens ein Echosignal erfasst. Das Echosignal resultiert aus einer Reflektion des Primärsignals an wenigstens einem von dem Kraftwagen unterschiedlichen und sich in der Umgebung bzw. in dem Teilbereich der Umgebung befindenden Objekt. Mit anderen Worten wird das Primärsignal an wenigstens einem Objekt, das sich in dem Teilbereich der Umgebung befindet, reflektiert. Aus dieser Reflektion ergibt sich ein Echosignal, welches von dem Sensor erfasst wird. Aus der Zeit zwischen dem Aussenden des Primärsignal und dem Empfangen des Echosignals kann die Entfernung des Objekts von dem Sensor somit von dem Kraftwagen ermittelt werden. Diese Zeit wird auch als Laufzeit bezeichnet, so dass die Entfernung zwischen dem Objekt und dem Kraftwagen mittels einer sogenannten Laufzeitberechnung ermittelt werden kann.
-
Anhand der Entfernung, das heißt in Abhängigkeit von dem erfassten Echosignal kann dann die wenigstens eine Parklücke erkannt bzw. ermittelt werden. Durch das Erkennen der Parklücke kann eine Fahrerassistenzfunktion bereitgestellt werden, mittels welcher der Fahrer des Kraftwagens beispielsweise auf eine für den Kraftwagen ausreichende Parklücke aufmerksam gemacht und/oder beim eigentlichen Einparkvorgang unterstützt wird.
-
Es hat sich jedoch gezeigt, dass mittels der herkömmlichen Verfahren insbesondere in komplexen Situationen eine für den Kraftwagen ausreichende Parklücke nicht immer sicher erfasst werden kann. Dies ist beispielsweise bei Kraftwagen der Fall, die mit einer 45-Grad-Orientierung bezogen auf die Fahrbahn und somit bezogen auf die Fahrtrichtung des Kraftwagens parken. Ferner hat es sich gezeigt, dass Einfahrten fälschlicherweise als Parklücken erkannt werden.
-
Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren der eingangs genannten Art derart weiterzuentwickeln, dass sich eine besonders sichere Erkennung der Parklücke, das heißt eine Erkennung der Parklücke mit einer sehr hohen Wahrscheinlichkeit realisieren lässt.
-
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 gelöst. Vorteilhafte Ausgestaltungen mit zweckmäßigen und nicht-trivialen Weiterbildungen der Erfindung sind in den übrigen Ansprüchen angegeben.
-
Um ein Verfahren der im Oberbegriff des Patentanspruchs 1 angegebenen Art zu schaffen, mittels welchem sich eine besonders sichere Erkennung wenigstens einer Parklücke realisieren lässt, ist es erfindungsgemäß vorgesehen, dass das erfasste Echosignal charakterisierende und beispielsweise vom entfernungsmessenden Sensor bereitgestellte Sensordaten in Zellen eines digitalen, den Teilbereich der Umgebung charakterisierenden Belegungsgitters in Abhängigkeit von der Position des Kraftwagens relativ zu dem erfassten Teilbereich eingetragen und akkumuliert werden. Die Sensordaten sind somit Umgebungsdaten, die den erfassten Teilbereich der Umgebung charakterisieren. Die Akkumulierung dieser Umgebungsdaten stellt die Grundlage für eine detaillierte Analyse dar.
-
Das Belegungsgitter ist eine digitale Karte bzw. ein digitales Modell zumindest des erfassten Teilbereichs der Umgebung, wobei in diese digitale Karte die Sensordaten eingetragen werden.
-
Bei dem erfindungsgemäßen Verfahren wird eine Wahrscheinlichkeit bestimmt, mit welcher zumindest ein Teil eines sich im erfassten Teilbereich der Umgebung befindenden Objekts durch die in die jeweilige Zelle eingetragenen und akkumulierten Sensordaten charakterisiert wird. Diese Wahrscheinlichkeit wird auch als Belegungswahrscheinlichkeit bezeichnet, wobei vorzugsweise für jede Zelle die Belegungswahrscheinlichkeit ermittelt wird. Mit anderen Worten ist die Belegungswahrscheinlichkeit die Wahrscheinlichkeit, mit welcher sich in einem mit der jeweiligen Zelle des Belegungsgitters korrespondierenden Bereich der erfassten Umgebung des Kraftwagens tatsächlich ein Objekt oder zumindest ein Teil eines Objekts befindet.
-
Neben der Belegungswahrscheinlichkeit der jeweiligen Zelle des Belegungsgitters können auch noch eine Geschwindigkeit des Objekts, eine Reflektivität, die Anzahl an Detektionen, die Anzahl an gemachten Beobachtungen sowie der Winkel der Beobachtungsrichtung in weiteren Ebenen des Belegungsgitters gespeichert werden.
-
Darüber hinaus wird bei dem erfindungsgemäßen Verfahren wenigstens ein nicht mit Objekten belegter Freiraum in das Belegungsgitter eingetragen. Mit anderen Worten handelt es sich bei einem solchen Freiraum um einen Bereich des Belegungsgitters, wobei ein mit diesem Bereich des Belegungsgitters korrespondierender Bereich der tatsächlichen Umgebung des Kraftwagens frei von Objekten ist. Vorzugsweise wird der Freiraum mittels eines inversen Sensormodells in das Belegungsgitter eingetragen. Dies bedeutet, dass sowohl belegte Bereiche, in denen die Sensordaten zumindest einen Teil eines Objekts charakterisieren, als auch unbelegte Bereiche bzw. Freiräume, in denen durch die Sensordaten kein Objekt charakterisiert wird, in das Belegungsgitter eingetragen werden.
-
Ferner werden bei dem Verfahren Gruppierungen von Zellen, in welchen durch die eingetragenen Sensordaten zumindest ein Teil eines sich im erfassten Teilbereich der Umgebung befindenden Objekts charakterisiert wird, mittels Schwellwertbildung extrahiert und zusammengefasst. Übersteigt beispielsweise die Belegungswahrscheinlichkeit einer jeweiligen Zelle einen vorgebbaren Schwellwert, so bedeutet dies, dass im mit dieser Zelle korrespondierenden Bereich der Umgebung mit einer sehr hohen Wahrscheinlichkeit tatsächlich ein Objekt angeordnet ist. Die mit diesem Bereich der Umgebung korrespondierende Zelle des Belegungsgitters wird somit als belegte Zelle bezeichnet, da sie sozusagen mit dem Objekt bzw. mit einem Teil des Objekts belegt ist. Durch eine Schwellwertbildung können somit Gruppierungen derartiger, belegter Zellen des Belegungsgitters extrahiert und zusammengefasst werden.
-
Dann werden die extrahierten Gruppierungen bei dem erfindungsgemäßen Verfahren analysiert, indem anhand der Sensordaten Streuzentren, an welchen das Primärsignal reflektiert wurde, ermittelt werden. Als Streuzentren werden solche Bereiche oder Stellen der Umgebung bezeichnet, an denen es zu einer starken Reflektion des vom entfernungsmessenden Sensor ausgesendeten Primärsignals kommt. Eine ein solches Streuzentrum charakterisierende Zelle des Belegungsgitters zeichnet sich beispielsweise dadurch aus, dass in dieser Zelle durch das Eintragen und Akkumulieren der Sensordaten eine besonders hohe Anzahl an Sensordaten bzw. ein besonders hoher Wert der akkumulierten Sensordaten eingetragen ist. Somit lassen sich beispielsweise die Streuzentren in dem Belegungsgitter anhand des Werts bzw. anhand der Anzahl der in die jeweilige Zelle eingetragenen Sensordaten ermitteln. Bei einem Kraftwagen sind solche Streuzentren beispielsweise charakteristische Stellen wie Frontscheinwerfer, Rückleuchten, Nummernschilder und/oder Radkästen.
-
Schließlich wird bei dem erfindungsgemäßen Verfahren die wenigstens eines Parklücke für einen Kraftwagen in Abhängigkeit von den ermittelten Streuzentren bestimmt. Das erfindungsgemäße Verfahren ermöglicht es, sich im Teilbereich der Umgebung befindende, stehende, das heißt relativ zu einem Untergrund, auf dem sich der Kraftwagen bewegt, feste Objekte bzw. Hindernisse wie parkende Kraftwagen zu erkennen, zu klassifizieren und zu vermessen.
-
Dabei ist es möglich, statische Objekte in dem Belegungsgitter zu klassifizieren. Hierzu werden beispielsweise die ermittelten Streuzentren klassifiziert, indem sie mit vorgegebenen und beispielsweise in einer Speichereinrichtung des Kraftwagens abgespeicherten Vergleichsdaten verglichen werden. Diese Vergleichsdaten werden auch als Samples bezeichnet und bilden ein sogenanntes Lern-Set. Das Lern-Set umfasst beispielsweise wenigstens zwei voneinander unterschiedliche Klassen. Eine erste der Klassen umfasst erste der Vergleichsdaten, wobei die zweite Klasse zweite der Vergleichsdaten umfasst. Die ersten Vergleichsdaten charakterisieren beispielsweise Kraftwagen, wobei die zweiten Vergleichsdaten von Kraftwagen unterschiedliche Objekte charakterisieren. Die zweite Klasse kann dabei beispielsweise durch virtuelle Vergleichsdaten, das heißt virtuelle Samples ergänzt werden, die durch ein Modell erzeugt werden.
-
Die extrahierten Gruppierungen oder jeweils wenigstens eine vorgebbare, extrahierte Eigenschaft der jeweiligen Gruppierungen werden bzw. wird durch das Vergleichen der Streuzentren mit den Vergleichsdaten den jeweiligen Klassen zugeordnet. Wird beispielsweise eine Gruppierung der ersten Klasse zugeordnet, so charakterisiert diese Gruppierung im Belegungsgitter einen Kraftwagen. Wird die Gruppierung jedoch der zweiten Klasse zugeordnet, so charakterisiert die Gruppierung im Belegungsgitter ein von einem Kraftwagen unterschiedliches Objekt. Dadurch ist es mittels des Verfahrens möglich, statische Objekte zu erkennen, zu klassifizieren und zu vermessen und dadurch zu ermitteln, ob es sich bei diesem Objekt um einen Kraftwagen bzw. ein Automobil handelt oder nicht. Hierdurch ist es besonders sicher und definiert möglich, eine zwischen zwei Kraftwagen angeordnete Parklücke zu detektieren.
-
Aus den extrahierten Gruppierungen können Eigenschaften bzw. Merkmale, sogenannte Features, extrahiert werden, wobei diese Eigenschaften den Klassen zugeordnet werden. Vorzugsweise werden die Gruppierungen oder die Eigenschaften mittels eines Random-Forest-Klassifikators den jeweiligen Klassen zugeordnet. Als vorteilhaft hat es sich gezeigt, wenn die Vergleichsdaten in dem Lern-Set normalisiert abgelegt werden. Dies ermöglicht später eine Orientierungsschätzung über Klassifikation, da die gewählten, extrahierten Eigenschaften bzw. Merkmale nicht rotationsinvariant sind. Mit anderen Worten kann anhand des Vergleichs der Streuzentren mit den Vergleichsdaten eine Drehstellung des erfassten Objekts relativ zum Kraftwagen ermittelt werden. So ist es möglich, die Position, Orientierung und Ausdehnung der Parklücke mit einer besonders hohen Wahrscheinlichkeit zu schätzen.
-
Darüber hinaus ist es möglich, die Struktur der Parklücke zu erkennen, zu vermessen und damit ein prädiktives Einparksystem zu unterstützen. Das erfindungsgemäße Verfahren ist auch besonders robust, so dass die Robustheit und Verfügbarkeit herkömmlicher Assistenzsysteme zur Einparkunterstützung gesteigert werden kann. Insbesondere ist es möglich, auch in komplexen Situationen bzw. Szenarien Parklücken sicher erkennen zu können. Beispielsweise ist es möglich, auch in einer Parkreihe mit 45-Grad-Orientierung der Kraftwagen Parklücken erkennen zu können. Darüber hinaus kann die Gefahr einer fehlerhaften Erkennung von Parklücken besonders gering gehalten werden. Somit kann einerseits eine fehlerhafte Unterstützung des Fahrers beim Einparken vermieden werden. Andererseits kann der Fahrer im Vergleich zu herkömmlichen Verfahren bei einer wesentlich höheren Anzahl an Einparksituationen und Einparkvorgängen unterstützt werden.
-
Darüber hinaus ist es mittels des erfindungsgemäßen Verfahrens möglich, auch eine solche Einparklücke zu erkennen, welche einerseits durch einen Kraftwagen und andererseits durch ein von einem Kraftwagen unterschiedliches Objekt begrenzt wird. Ferner ermöglicht das erfindungsgemäße Verfahren die Unterstützung beim Einparken in zwei aufeinanderfolgende Querparklücken, da die Parklücke mittels des Verfahrens präzise analysiert werden kann. Mittels des Verfahrens ist beispielsweise eine Parkraumüberwachung und Parkraumbewirtschaftung für alle Parkplätze in einer Stadt und nicht nur in abgesperrten Bereichen möglich. Die Parkplatzsituation in Städten kann durch das Assistenzsystem optimal ausgenutzt werden.
-
Außerdem könne prädiktive Parklückendetektionen verbessert werden, da Objekte bzw. Hindernisse als parkende Kraftwagen erkannt werden können. Die Gefahr, dass beispielsweise eine Toreinfahrt als Parklücke erkannt wird, kann besonders gering gehalten werden, da in der Nähe einer solchen Toreinfahrt kein parkendes Automobil mittels des Verfahrens erkannt wird. Darüber hinaus ist eine besonders vorteilhafte Lokalisierung mittels des entfernungsmessenden Sensors darstellbar, da nicht-ortsfeste Objekte erkannt werden können und somit nicht zur Lokalisierung berücksichtig werden.
-
Schließlich weist das Verfahren eine sehr gute Modularität und Erweiterbarkeit auf, da beispielsweise weitere Klassen wie Bordsteine, Bäume, Pfeiler, Mülltonnen etc. definiert und als Vergleichsdaten verwendet werden können, um auch solche Objekte bestimmen zu können. Als der wenigstens eine entfernungsmessende Sensor kann beispielsweise ein Lidar-Sensor, Radar-Sensor oder ein Ultraschall-Sensor oder eine Kombination dieser Sensoren verwendet werden.
-
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung eines bevorzugten Ausführungsbeispiels sowie anhand der Zeichnungen. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen.
-
Die Zeichnungen zeigen in:
-
1 eine schematische Darstellung eines Belegungsgitters, in welches Sensordaten, die ein von einem entfernungsmessenden Sensor erfassten Echosignal charakterisieren, eingetragen sind und welches im Rahmen eins Verfahrens zum Erkennen wenigstens einer Parklücke für einen Kraftwagen genutzt wird;
-
2 eine schematische Übersicht von Vergleichsdaten in Form von virtuellen Vergleichsbildern, mittels welchen im Rahmen des Verfahrens erfasste Objekte als Kraftwagen klassifiziert werden können, wobei die Vergleichsbilder einer Klasse zugeordnet sind, welche Kraftwagen charakterisiert;
-
3 eine schematische Darstellung von weiteren Vergleichsdaten und weiteren Vergleichsbildern, welche einer weiteren Klasse zugeordnet sind, welche von Kraftwagen unterschiedliche Objekte charakterisiert;
-
4 eine schematische Darstellung einer aus dem Belegungsgitter extrahierten Gruppierung von Zellen des Belegungsgitters;
-
5 schematische Darstellungen von extrahierten Gruppierungen in verschiedenen Drehstellungen, anhand denen die Orientierung, insbesondere die rotatorische Orientierung, eines im Rahmen des Verfahrens erfassten Objekts ermittelt werden kann; und
-
6 eine schematische Darstellung des Belegungsgitters mit belegten Bereichen und einem freien Bereich, durch welchen eine Parklücke für den Kraftwagen charakterisiert wird.
-
1 zeigt ein sogenanntes Belegungsgitter 10, welches im Rahmen eines Verfahrens zur Erkennung wenigstens einer Parklücke für einen Kraftwagen, insbesondere einen Personenkraftwagen, verwendet wird. Bei dem Verfahren wird wenigstens ein Teilbereich der Umgebung des Kraftwagens mittels wenigstens eines entfernungsmessenden Sensors, beispielsweise in Form eines Radar-Sensors, eines Lidar-Sensors oder eines Ultraschall-Sensors, erfasst. Hierzu wird mittels des Sensors wenigstens ein Primärsignal ausgesendet. Ferner wird mittels des Sensors wenigstens ein aus einer Reflektion des Primärsignals an wenigstens einem von dem Kraftwagen unterschiedlichen und in dem Teilbereich der Umgebung angeordneten Objekt resultierendes Echosignal erfasst.
-
Das Belegungsgitter 10 ist eine virtuelle bzw. digitale Karte des erfassten Teilbereichs der Umgebung. Das Belegungsgitter wird auch als „Occupancy Grid” bezeichnet und umfasst eine Mehrzahl von einzelnen Zellen. In diese Zellen werden Sensordaten eingetragen. Diese Sensordaten charakterisieren dabei die mittels des entfernungsmessenden Sensors erfassten Echosignale. Die Sensordaten werden in das Belegungsgitter 10 in Abhängigkeit von der Position des Kraftwagens eingetragen. Ferner werden die Sensordaten in den jeweiligen Zellen akkumuliert. Der Kraftwagen, der zum Durchführen des Verfahrens ausgebildet ist, wird im Folgenden auch als Ego-Kraftwagen bezeichnet, um den Ego-Kraftwagen begriffstechnisch einfach von anderen, sich im Teilbereich der Umgebung befindenden Kraftwagen unterscheiden zu können.
-
Bei dem Verfahren wird auch eine Belegungswahrscheinlichkeit bestimmt und beispielsweise in das Belegungsgitter 10 eingetragen. Die Belegungswahrscheinlichkeit ist dabei eine Wahrscheinlichkeit, mit welcher zumindest ein Teil eines sich im erfassten Teilbereich der Umgebung befindenden und vom Ego-Kraftwagen unterschiedlichen Objekts durch die in die jeweilige Zelle des Belegungsgitters 10 eingetragenen Sensordaten charakterisiert wird. Mit anderen Worten wird anhand der in das Belegungsgitter 10 eingetragenen, akkumulierten Sensordaten ermittelt, mit welcher Wahrscheinlichkeit ein Objekt in einem mit der jeweiligen Zelle korrespondierenden Bereich der Umgebung angeordnet ist. Übersteigt beispielsweise die Belegungswahrscheinlichkeit einen vorgebbaren Wert, so befindet sich mit dieser Wahrscheinlichkeit ein Objekt in dem jeweiligen, mit der jeweiligen Zelle des Belegungsgitters 10 korrespondierenden Bereich der tatsächlichen Umgebung. Eine solche, ein sich in der Umgebung befindendes Objekt charakterisierende Zelle wird auch als belegte Zelle bezeichnet.
-
Neben der Belegungswahrscheinlichkeit, das heißt zusätzlich zu der Wahrscheinlichkeit für eine Belegung wird auch wenigstens ein nicht mit Objekten belegter Freiraum in das Belegungsgitter 10 eingetragen. In diesem Freiraum des Belegungsgitters 10 wird durch die Sensordaten kein Objekt charakterisiert, so dass davon ausgegangen wird, dass in dem mit dem Freiraum korrespondierenden Bereich der tatsächlichen Umgebung kein Hindernis für den Kraftwagen angeordnet ist.
-
Bei dem Verfahren werden ferner Gruppierungen von Zellen, in welchen durch die eingetragenen Sensordaten zumindest ein Teil eines sich im erfassten Teilbereich befindenden Objekts charakterisiert wird, mittels Schwellwertbildung extrahiert und zusammengefasst. Diese Gruppierungen sind in 1 mit 12 bezeichnet. Die Gruppierungen 12 werden aus dem Belegungsgitter 10 extrahiert und detailliert untersucht, das heißt analysiert, indem anhand der Sensordaten Streuzentren ermittelt werden. Diese Streuzentren stellen dabei Stellen oder Bereiche der tatsächlichen Umgebung dar, an denen das ausgesendete Primärsignal bzw. ausgesendete Primärsignale besonders stark reflektiert wurden. Durch das Eintragen und Akkumulieren der Sensordaten in die jeweiligen Zellen wird beispielsweise ein solches Streuzentrum durch solche Zellen charakterisiert, in denen eine hohe Anzahl an das Echosignal bzw. Echosignale charakterisierende Sensordaten eingetragen sind, so dass diese Zellen beispielsweise einen vorgebbaren Schwellwert überschreitenden Wert beinhalten.
-
Anhand der ermittelten Streuzentren können für den Ego-Kraftwagen ausreichende Parklücken ermittelt werden. Eine solche für den Ego-Kraftwagen ausreichende Parklücke zeichnet sich dadurch aus, dass sie beispielsweise eine solche ausreichende Breite aufweist, dass der Kraftwagen in die Parklücke hineinbewegt und dort abgestellt werden kann, ohne dass es zu Kollisionen kommt. Um beispielsweise zu ermitteln, ob es sich bei dem jeweiligen, durch die jeweiligen Gruppierungen 12 charakterisierten Objekte um Kraftwagen bzw. Automobile oder davon unterschiedliche Objekte handelt, werden wenigstens zwei Klassen eines sogenannten Lern-Sets verwendet. Eine erste dieser Klassen ist in 2 erkennbar und umfasst erste Vergleichsdaten in Form von ersten Vergleichsgruppierungen 14. Die jeweiligen Vergleichsgruppierungen 14 charakterisieren dabei Kraftwagen bzw. Automobile. Die zweite Klasse umfasst beispielsweise in 3 dargestellte, zweite Vergleichsdaten in Form von zweiten Vergleichsgruppierungen 16, die von Kraftwagen unterschiedliche Objekte charakterisieren. Somit wird die erste Klasse beispielsweise als Auto-Klasse bezeichnet, wobei die zweite Klasse als Nicht-Auto-Klasse bezeichnet wird. Die Nicht-Auto-Klasse kann beispielsweise durch virtuelle Vergleichsdaten, welche auch als Samples bezeichnet werden, ergänzt werden, die durch ein Modell erzeugt wurden.
-
Aus den extrahierten Gruppierungen 12 werden Eigenschaften oder Merkmale, sogenannte Features extrahiert. Diese extrahierten Features werden mittels eines Random-Forest-Klassifikators den jeweiligen, definierten Klassen des Lern-Sets zugeordnet. Beispielsweise wird ein großes Feature-Set einer Diskriminanzanalyse unterzogen und nur die relevanten Features zur Klassifikation ausgewählt, so dass eine besonders geringe Ausführungszeit des Klassifikators erreicht werden kann.
-
Vorzugsweise ist es vorgesehen, dass die Vergleichsdaten in dem Lern-Set normalisiert abgelegt werden. Dies ermöglicht eine Abschätzung der Orientierung des jeweiligen Objekts über Klassifikation, da die gewählten Merkmale (Features) nicht rotationsinvariabel sind.
-
Im Rahmen des Verfahrens werden also die extrahierten Gruppierungen 12 mit den Vergleichsgruppierungen 14, 16 verglichen. Stimmt beispielsweise eine der Gruppierungen 12 mit einer der Vergleichsgruppierungen 14 zumindest im Wesentlichen überein, so wird diese Gruppierung 12 der Auto-Klasse zugeordnet. Dadurch kann ermittelt werden, dass es sich bei dem erfassten und durch diese Gruppierung 12 charakterisierten Objekt um ein Automobil handelt. Stimmt die Gruppierung 12 jedoch mit einer der Vergleichsgruppierungen 16 überein, so wird diese Gruppierung 12 der Nicht-Auto-Klasse zugeordnet. Dadurch kann ermittelt werden, dass es sich bei dem erfassten und durch die Gruppierung 12 charakterisierten Objekt nicht um ein Automobil sondern um ein anderes Objekt handelt.
-
Anhand von 4 ist die Bestimmung der Belegungswahrscheinlichkeit veranschaulicht. 4 zeigt eine der Gruppierungen 12. Ein Diagramm 18 zeigt einen Verlauf 20 der Belegungswahrscheinlichkeit entlang der Abszisse (x-Achse) der Gruppierung 12. Ein Diagramm 21 zeigt anhand eines Verlaufs 22 die Belegungswahrscheinlichkeit entlang der Ordinate (y-Richtung).
-
Um beispielsweise die rotatorische Orientierung, das heißt die Drehstellung des jeweiligen erfassten Objekts relativ zum Ego-Kraftwagen zu ermitteln, wird die jeweilige, extrahierte Gruppierung 12 rotiert. Dies ist in 5 veranschaulicht. Mit 12 ist dabei eine der extrahierten Gruppierungen 12 bezeichnet, die in 5 in ihrer ursprünglichen Orientierung gezeigt ist. Mit 12', 12'' und 12''' ist die gegenüber ihrer ursprünglichen Stellung rotierte Gruppierung 12 bezeichnet. Mit anderen Worten wird das Bild der Gruppierung 12 rotiert. 5 zeigt ferner ein Diagramm 24, auf dessen Abszisse 26 der Rotationswinkel der Gruppierung 12 aufgetragen ist. Auf der Ordinate 28 des Diagramms 24 ist die Wahrscheinlichkeit aufgetragen, mit der es sich bei der Gruppierung 12 um einen Kraftwagen bzw. ein Automobil handelt. Ein in das Diagramm 24 eingetragener Verlauf 30 charakterisiert somit diese Wahrscheinlichkeit in Abhängigkeit von dem Rotationswinkel.
-
Wie aus 5 erkennbar ist, handelt es sich bei der rotierten Gruppierung 12'' mit einer sehr hohen Wahrscheinlichkeit um einen Kraftwagen, wobei demgegenüber die Wahrscheinlichkeit, dass es sich bei der rotierten Gruppierung 12' und bei der rotierten Gruppierung 12''' um einen Kraftwagen handelt, wesentlich geringer ist. Dies bedeutet, dass durch die Rotation der extrahierten Gruppierung 12 oder der aus der jeweiligen Gruppierung 12 extrahierten Merkmale mit Hilfe des Klassifikators auch die Orientierung des jeweiligen Objekts bestimmt werden kann. Nun können Parklücken zwischen erkannten und klassifizierten Kraftwagen und demgegenüber anderen Hindernissen ermittelt und vermessen werden. Diese Parklückenvermessung wird im Belegungsgitter 10 durchgeführt, indem beispielsweise mit Hilfe eines einem Flood-Fill-Algorithmus ähnlichen Algorithmus die Begrenzung der jeweiligen Parklücke bestimmt wird. Genau ein erkanntes und klassifiziertes Automobil reicht aus, um die Orientierung einer Parklücke zu bestimmen. Die Größe der Parklücke ergibt sich aus der Hindernissituation. Durch die Klassifizierung der extrahierten Gruppierungen 12 bzw. deren Merkmale ergibt sich somit eine genaue und präzise Erkennung von Automobilen, so dass auch ein prädiktives Einparksystem ermöglicht wird, da Hindernisse auch vorausschauend klassifiziert werden können.
-
6 zeigt das Belegungsgitter 10. Anhand des Belegungsgitters 10 gemäß 6 können belegte Bereiche 32 identifiziert werden. Dies bedeutet, dass die mit den Bereichen des Belegungsgitters 10 korrespondierenden Bereiche der tatsächlichen Umgebung mit einem Hindernis belegt sind, so dass der Ego-Kraftwagen in diese Bereiche nicht bewegt werden kann. Ferner kann anhand des Belegungsgitters gemäß 6 ein nicht-belegter Bereich 34 in Form einer Parklücke 34 ermittelt werden. Dies bedeutet, dass in dem mit dem Bereich korrespondierenden Bereich der tatsächlichen Umgebung eine für den Ego-Kraftwagen ausreichende Parklücke existiert, in die der Ego-Kraftwagen kollisionsfrei hineinbewegt werden kann.
-
Bezugszeichenliste
-
- 10
- Belegungsgitter
- 12, 12', 12'', 12'''
- Gruppierung
- 14
- Vergleichsgruppierungen
- 16
- Vergleichsgruppierungen
- 18
- Diagramm
- 20
- Verlauf
- 20
- Verlauf
- 21
- Diagramm
- 22
- Verlauf
- 24
- Diagramm
- 26
- Abszisse
- 28
- Ordinate
- 30
- Verlauf
- 32
- Bereich
- 34
- Bereich
-
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
-
- DE 102001113719 A1 [0002]
- DE 102008064041 A1 [0002]
