DE102013208521A1

DE102013208521A1 - Kollektives Erlernen eines hochgenauen Straßenmodells

Info

Publication number: DE102013208521A1
Application number: DE201310208521
Authority: DE
Inventors: Sebastian Rauch
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2013-05-08
Filing date: 2013-05-08
Publication date: 2014-11-13
Anticipated expiration: 2033-05-09
Also published as: DE102013208521B4

Abstract

Es wird ein Verfahren zum kollektiven Erlernen und erstellen eines digitalen Straßenmodells beschrieben. Es werden dabei von einer Mehrzahl von Fahrzeugen Trajektorien- und Perzeptionsdaten erfasst. Es werden Assoziierungen zwischen den Trajektorien erstellt, indem für entsprechende, zu assoziierende Trajektorienpunkte Merkmalsraster und Wahrscheinlichkeitsfeld-Merkmalsraster gebildet werden und diese korreliert werden, um Assoziationshypothesen zu bilden. Basierend auf den Assoziierungen, sowie auf Basis von Odometrie- und Positionserfassungen wird ein Informationsgraph gebildet und das zugehörige Optimierungsproblem zur Schätzung optimaler Trajektorienpunkte gelöst. Die erfassten Perzeptionsdaten werden auf Basis der geschätzten Trajektorienpunkte bewertet, aggregiert und fusioniert, um ein hochgenaues Straßenmodell zu erstellen.

Description

Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum kollektiven Erlernen eines Straßenmodells, insbesondere einer digitalen Karte, mit einer Fahrzeugflotte, sowie ein nach dem Verfahren hergestelltes Straßenmodell. Die vorliegende Erfindung betrifft weiter ein Verfahren zum Ergänzen eines Straßenmodells, ein Verfahren zum Aktualisieren eines Straßenmodells, ein Verfahren und eine Vorrichtung zur Eigenlokalisierung eines Fahrzeugs basierend auf einem Straßenmodell, sowie ein Verfahren zum Georeferenzieren von Merkmalen basierend auf einem Straßenmodell.
Mit der stetig steigenden Komplexität von Fahrerassistenzsystemen gewinnt hochgenaues Kartenmaterial zunehmend an Bedeutung. Hochgenaue Karten können Auskunft über den exakten Fahrbahnverlauf geben, bei der Situationsinterpretation und Verhaltensentscheidung unterstützen und können für eine präzise und robuste Fahrzeugeigenlokalisierung von großem Nutzen sein. Eine Vielzahl von künftigen Fahrerassistenzsystemen wird von hochgenauen Karten profitieren, insbesondere autonome Fahrfunktionen.
Das Erstellen von digitalen Kartenmodellen einer Umgebung durch ein bewegtes Fahrzeug, das seine eigene Position nicht genau kennt, ist als Simultaneous Localization and Mapping, SLAM, seit langem Gegenstand der Forschung auf dem Gebiet der Robotik.
Der Artikel „Fast Iterative Alignment of Pose Graphs with Poor Initial Estimates", Edwin Olson, John Leonard, und Seth Teller, ICRA '06, Proceedings of the IEEE International Conference an Robotics and Automation, Mai 2006, Seiten 2262 bis 2269, beschreibt, wie ein Roboter, der eine Umgebung erkundet, seine eigene Umgebung und die Relativposition von Merkmalen in der Umgebung schätzen kann. Es werden dabei die Trajektorien der Posen eines Roboters optimiert, und Positionen von Merkmalen der Umgebung werden aus den optimierten Roboterposen berechnet.
In dem Artikel „Real-Time Correlative Scan Matching", Edwin B. Olson, ICRA '09, Proceedings of the IEEE International Conference an Robotics and Automation, Mai 2009, Seiten 1233 bis 1239, wird ein schnelles Verfahren zum Matchen von LIDAR Scans beschrieben. Ein Roboter nimmt dabei regelmäßig einen LIDAR Scan der Umgebung auf. Dieser wird mit einem Referenz-Scan, beispielsweise einem früher aufgenommenen Scan, auf Übereinstimmung verglichen, um zu erkennen, ob der Teil der Umgebung, die von einer Position eines Roboters aus mit einem LIDAR erfasst wurde, bereits von einer anderen Position aus erfasst wurde.
Der Artikel „Large Scale Graph-based SLAM using Aerial Images as Prior Information", R. Kümmerle, B. Steder, C. Dornhege, Alexander Kleiner, G. Grisetti und W. Burgard, Journal Autonomous Robots, Vol. 30, Issue 1, Seiten 25 bis 39. 2011, beschreibt ein Verfahren, bei dem ein Roboter seine Umgebung mit 3D Laserscans oder einer Stereokamera erfasst. Diese Daten werden mit öffentlich verfügbaren Luftbildern verglichen, um zusätzliche Constraints bzw. Bedingungen einem Pose Graph hinzuzufügen.
Weitere SLAM Verfahren sind beschrieben in den Artikeln "Slam in large-scale cyclic environments using the atlas framework", Bosse, M., et al., The International Journal of Robotics Research, Vol. 23, No. 12, Seiten 1113 bis 2004, Dezember 2004; "A multi-level relaxation algorithm for simultaneous localisation and mapping", Frese, U., Larsson, P. und Duckett, T., IEEE Transactions an Robotics and Automation, Vol. 21, Issue 2, und "The Graph SLAM Algorithm with Applications to Large-Scale Mapping of Urban Structures", Thrun, S. und Montemerlo, M., International Journal an Robotics Research, Vol. 25, Issue 5–6, Mai 2005.
In dem Artikel „On the use of likelihood fields to perform sonar scan matching localization", Antoni Burguera, Yolanda González, Gabriel Oliver, Journal Autonomous Robots, Vol. 26, Issue 4, Mai 2009, Seiten 203 bis 222, wird die Erzeugung eines Likelihood Feldes basierend auf einem Sonarscan beschrieben zum Matchen von zwei Sonarscans.
Es wurde ebenfalls bereits vorgeschlagen, Graph-basierte SLAM Verfahren zum kollektiven Erlernen einer Karte durch eine Fahrzeugflotte zu verwenden. So wird in dem Artikel „Autonomes Fahren auf der Autobahn – Eine Potentialstudie für zukünftige Fahrerassistenzsysteme", Sebastian Rauch, Michael Aeberhard, Michael Ardelt, Nico Kämpchen, 5. Tagung Fahrerassistenz, 15. bis 16. Mai 2012, München, abrufbar unter http://www.ftm.mw.tum.de/lehrstuhl/tagungen/tagung-fahrerassistenz/5-tagungfahrerassistenz-2012/, beschrieben, mit einer Fahrzeugflotte einen Streckenabschnitt mehrfach zu befahren, um anschließend aus den gewonnenen Fahrzeugsensordaten eine hochgenaue Karte zu generieren. Relevante Messdaten, wie Daten eines Globale Navigationssatellitensystems (GNSS), Odometriedaten, Spurdaten und Randbebauungserkennungsdaten werden von der Fahrzeugflotte aufgezeichnet. Aus den Messdaten wird ein Informationsgraph aus Knoten und Kanten, erstellt. Die Knoten des Graphen repräsentieren die jeweils gefahrene Fahrzeugtrajektorie und die dabei erkannten Landmarken, wie beispielsweise Spurmarkierungen und Randbebauungen. Zwischen den Knoten werden Kanten gebildet, welche Bedingungen anhand von GNSS-, Odometrie- oder Landmarkenmessungen formulieren. Das wiederholte Erkennen von Landmarken bei verschiedenen Fahrten wird durch das Bilden von Assoziationen zwischen zwei Landmarken-Knoten im Informationsgraphen berücksichtigt. Der Informationsgraph wird anschließend optimiert, um eine optimale Schätzung der Lage der Landmarken zu erhalten. Anschließend werden diese in einer digitalen Karte als Merkmale hinterlegt.
Ein gleiches Verfahrensprinzip wird auch in dem Vortrag „Hochgenaue Eigenlokalisierung und Kollektives Erlernen hochgenauer digitaler Karten", Sebastian Rauch, Artem Savkin, Thomas Schaller, Prof. Dr.-Ing. Peter Hecker, 13. Braunschweiger Symposium AAET 2012, 08. und 09. Februar 2012, Braunschweig, genannt.
Bei diesem Verfahrensprinzip hat es sich insbesondere als problematisch erwiesen, die bei verschiedenen Fahrten erkannten Landmarken einander korrekt zuzuordnen. So kann es beispielsweise vorkommen, dass Spurmarkierungen wie unterbrochene Striche, die eine Trennung zwischen einer ersten und einer zweiten Fahrspur einer Autobahn anzeigen und die von einem ersten Fahrzeug erfasst wurden, fälschlich unterbrochenen Strichen zugeordnet werden, die eine Trennung zwischen der zweiten und einer dritten Fahrspur einer Autobahn anzeigen und die von einem zweiten Fahrzeug erfasst wurden. Als Konsequenz dieser falschen Zuordnung werden fehlerhafte Assoziationen zwischen dem Graphen, der die Trajektorie des ersten Fahrzeugs repräsentiert, und dem Graphen, der die Trajektorie des zweiten Fahrzeugs repräsentiert, gebildet, was zu einer fehlerbehafteten Ausgangssituation für die Optimierung und im Ergebnis zu einer fehlerhaften Karte führen kann.
Darüber hinaus ist ein erheblicher Rechenaufwand nötig, um Landmarken, die jeweils bei verschiedenen Fahrten erfasst wurden, zu identifizieren und jeweils eine entsprechende Assoziation herzustellen.
Weiter erscheint die Anwendung der beschriebenen Verfahren zur Erstellung einer digitalen Karte beispielsweise eines ganzen Straßennetzes eines Landes nicht oder nur mit unverhältnismäßig großem Aufwand an Rechenzeit möglich.
Darüber hinaus wäre es wünschenswert, eine einmal erstellte digitale Karte kontinuierlich überprüfen, aktualisieren oder verbessern zu können.
Es ist daher eine Aufgabe der vorliegenden Erfindung, ein Verfahren zur Erstellung einer digitalen Karte anzugeben, welches die genannten Nachteile überwindet.
Es ist eine weitere Aufgabe der vorliegenden Erfindung, ein Verfahren zur Erstellung einer digitalen Karte anzugeben, das es erlaubt, auf effiziente und zuverlässige Weise eine digitale Karte zu erstellen, insbesondere auch für räumlich weit ausgedehnte Straßennetze.
Es ist eine weitere Aufgabe der vorliegenden Erfindung, ein Verfahren zur Erstellung eines Straßenmodells anzugeben, das es erlaubt, auf effiziente und zuverlässige Weise ein Straßenmodell zu erstellen, insbesondere auch für räumlich weit ausgedehnte Straßennetze.
Es ist eine weitere Aufgabe der vorliegenden Erfindung, eine Möglichkeit zu schaffen, mit der ein vorhandenes Straßenmodell ergänzt und/oder aktualisiert werden kann.
Es ist eine weitere Aufgabe der vorliegenden Erfindung ein verbessertes Verfahren zur Eigenlokalisierung eines Fahrzeugs anzugeben, sowie eine Möglichkeit anzugeben, generell beliebige Merkmale georeferenzieren zu können.
Diese und andere Aufgaben der Erfindung werden gelöst durch ein Verfahren zum Erstellen eines digitalen Straßenmodells wie mit Anspruch 1 definiert, ein digitales Straßenmodell wie mit Anspruch 8 definiert, ein Verfahren zum Ergänzen eines digitalen Straßenmodells wie mit Anspruch 9 definiert, ein Verfahren zum Aktualisieren eines digitalen Straßenmodells wie mit Anspruch 10 definiert, ein Verfahren zur Eigenlokalisation eines Fahrzeugs wie mit Anspruch 11 definiert, ein Verfahren zur Georeferenzierung eines Merkmals wie mit Anspruch 15 definiert, eine Vorrichtung zum Erstellen eines digitalen Straßenmodells, wie mit Anspruch 16 definiert und eine Vorrichtung zur Eigenlokalisation eines Fahrzeugs, wie mit Anspruch 17 definiert. Weitere bevorzugte Ausführungsformen sind in den abhängigen Ansprüchen dargelegt.
In einem ersten Aspekt wird ein Verfahren zum Erstellen eines digitalen Straßenmodells angegeben, aufweisend die Schritte: Erfassen von Trajektoriendaten und Perzeptionsdaten für eine Mehrzahl von Trajektorien von einem oder mehreren Fahrzeugen bei der Durchfahrung von Abschnitten einer Straße oder eines Straßennetzes, wobei jeweils zwei Trajektorien der Mehrzahl von Trajektorien zumindest teilweise eine jeweilige Durchfahrung eines gleichen Abschnitts beschreiben, und wobei die Trajektoriendaten Odometriemessungen und Positionsmessungen umfassen; Erstellen zumindest einer Assoziierung zwischen einer ersten Trajektorie und einer zweiten Trajektorie aus der Mehrzahl von Trajektorien; Bilden eines Informationsgraphen G, wobei die Trajektorienpunkte der Mehrzahl von Trajektorien Knoten des Informationsgraphen G bilden, und basierend auf den Odometriemessungen und Positionsmessungen Kanten zwischen bzw. an den Knoten des Informationsgraphen G gebildet werden; Optimieren des Informationsgraphen G, um eine optimale Schätzung der Trajektorienpunkte zu erhalten; Aggregieren und Fusionieren der Perzeptionsdaten basierend auf den optimal geschätzten Trajektorienpunkten; und basierend auf den aggregierten und fusionierten Perzeptionsdaten, Erstellen des digitalen Straßenmodells, wobei zum Erstellen jeder der zumindest einen Assoziierung jeweils: ein Trajektorienpunkt x_i der ersten Trajektorie gewählt wird, für den gewählten Trajektorienpunkt x_i der ersten Trajektorie zumindest ein Belegungsraster und/oder zumindest ein Merkmalsraster erstellt wird basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt x_i zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_i+1, x_i+2, x_i+3, ... zugeordnet sind, ein Trajektorienpunkt x_j der zweiten Trajektorie gewählt wird, für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder zumindest ein Wahrscheinlichkeitsfeld-Merkmalsraster erstellt wird basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_j-1, x_j-2, x_j-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_j+1, x_j+2, x_j+3, ... zugeordnet sind, für jedes des zumindest einen Belegungsrasters und/oder des zumindest einen Merkmalsrasters für den gewählten Trajektorienpunkt x_i der ersten Trajektorie, Korrelieren, unter Translation in x- und y- Richtung und unter Rotation, mit dem entsprechenden des zumindest einen Wahrscheinlichkeitsfeld-Belegungsrasters und/oder des zumindest einen Wahrscheinlichkeitsfeld-Merkmalsrasters für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie, Ermitteln zumindest eines Maximums des Korrelationsergebnisses, und Bestimmen der Translation dx, dy, die Rotation dθ und von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um eine Assoziationshypothese zu bilden; Bewerten der Assoziationshypothese(n), um eine zur Assoziation zu verwendende Assoziationshypothese zu bestimmen; und Einfügen zwischen dem Knoten x_i und dem Knoten x_j in dem Informationsgraphen einer Kante dx_i,j der zur Assoziation bestimmten Assoziationshypothese, um den Trajektorienpunkt x_i mit dem Trajektorienpunkt x_j zu assoziieren.
Nach dem Verfahren können Trajektoriendaten und Perzeptionsdaten, die von einer beliebig großen Anzahl an Fahrzeugen, wie einer gesamten Fahrzeugflotte, während der Bewegung über die Straßen aufgezeichnet werden, kombiniert werden, um ein Straßenmodell zu erstellen. Die Assoziierung der Trajektorien erfolgt mittels Merkmalsrastern und Wahrscheinlichkeits-Merkmalsrastern, und/oder mit Belegungsrastern und Wahrscheinlichkeitsfeld-Belegungsrastern, die jeweils nicht nur für einen Trajektorienpunkt erstellt werden, sondern sich über eine große Anzahl an Trajektorienpunkten erstrecken. Vorzugsweise entspricht die Erstreckung der Merkmalsraster oder Belegungsraster in Bewegungsrichtung des Fahrzeugs mindestens dem 3-fachen, bevorzugt mindestens dem 5-fachen des Abstands zwischen zwei Trajektorienpunkten einer Trajektorie, die zur Bildung von Assoziierungen verwendet werden. Auf diese Weise kann eine zuverlässige und robuste Assoziation von Trajektorien erreicht werden, ohne die Gefahr von Fehlzuordnungen und Fehlassoziationen, welche die Erstellung eines Straßenmodells verfälschen und die Genauigkeit verschlechtern könnten. Es ist dabei bevorzugt, dass durch eine Vielzahl von paarweisen Assoziationen jeweils zweier Trajektorien ein vielzählig vernetzter Informationsgraph gebildet wird, um mittels der Optimierung des Informationsgraphen eine qualitativ hochwertige Schätzung der Trajektorienpunkte zu erhalten, die als Basis für die Erstellung eines hochgenauen und detaillierten digitalen Straßenmodells dient. Es ist hierbei möglich, aber nicht notwendig und nicht bevorzugt, jede der Trajektorien mit jeder der anderen Trajektorien zu assoziieren. Zur Bildung eines gut vernetzten Informationsgraphen genügt es, wenn jede der Trajektorien mit einer Mehrzahl von anderen Trajektorien, wie zumindest zwei, bevorzugt drei, vier oder mehr anderen Trajektorien, assoziiert ist. Die Auswahl, welche Trajektorien miteinander paarweise assoziiert werden sollen, kann dabei insbesondere berücksichtigen, ob die Trajektorien einer Durchfahrung einer gleichen Fahrspur oder von benachbarten Fahrspuren einer mehrspurigen Strecke entsprechen. Bevorzugt wird die Wahl, welche Trajektorien paarweise assoziiert werden sollen, dabei abschnittsweise neu getroffen, so dass in unterschiedlichen Abschnitten einer Trajektorie Assoziationen zu gegebenenfalls unterschiedlichen anderen Trajektorien erstellt werden.
Vorzugsweise wird für den gewählten Trajektorienpunkt x_i der ersten Trajektorie ein Merkmalsraster für Fahrspurmarkierungen und ein Merkmalsraster für Randbebauungen erstellt, und für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie wird vorzugsweise ein Wahrscheinlichkeitsfeld-Merkmalsraster für Fahrspurmarkierungen und ein Wahrscheinlichkeitsfeld-Merkmalsraster für Randbebauungen erstellt.
Es kann vorgesehen sein, dass mehrere Assoziationshypothesen gebildet werden, und das Bewerten der Assoziationshypothesen ein Plausibilisieren und Fusionieren der mehreren Assoziationshypothesen zur Bildung einer fusionierten Assoziationshypothese als zur Assoziation bestimmten Assoziationshypothese umfasst.
Bevorzugt weist das Plausibilisieren der Assoziationshypothesen auf: Vergleichen der Kovarianzen der Assoziationshypothesen mit einem Schwellenwert, wobei, wenn die Kovarianzen einer Assoziationshypothese den Schwellenwert überschreiten, die betreffende Assoziationshypothese verworfen wird; und/oder Berechnen von Mahalanobis-Distanzen für die Arbeitshypothesen und Vergleichen der berechneten Mahalanobis-Distanzen mit einem χ²-Schwellwert, wobei für eine Mahalanobis-Distanz, die den χ²-Schwellwert überschreitet, die betreffende Arbeitshypothese verworfen wird.
Zur Optimierung des Informationsgraphen G wird bevorzugt der Informationsgraph G separiert in eine Anzahl Q von Information-Subgraphen G₁, G₂, ..., G_Q, wobei für eine Separation eines Informations-Subgraphen G_i+1 von einem Informations-Subgraphen G_i die Knoten, an denen die Separation erfolgt, für den Informations-Subgraphen Q_i+1 als Eingangs-Separatorknoten und für den Informations-Subgraphen G_i als Ausgangs-Separatorknoten bezeichnet werden, für jeden Information-Subgraphen G₁, G₂, ..., G_Q wird eine entsprechende Informations-Submatrix H₁, H₂, ..., H_Q gebildet, und für i = 1 ... Q – 1 werden sukzessive jeweils die Eingangs-Separatorknoten des Sub-Graphen G_i fixiert und nicht verändert und eine lokale Graphoptimierung für einen aus den Informations-Subgraphen G_i und G_i+1 bestehenden Graphen ausgeführt.
Zur Optimierung des Informationsgraphen G kann weiter bevorzugt die Fixierung der fixierten Separatorknoten aufgehoben werden, für alle Informations-Subgraphen G_i, eine Neuberechnung der Informations-Submatrizen H_i basierend auf den in der lokalen Graphoptimierung ermittelten optimalen Schätzwerte als Arbeitspunkt ausgeführt werden; für i = 1 ... Q – 1, jeweils wechselseitig die Einträge für die Ausgangs-Separatorknoten in der Informations-Submatrix H_i mit den Einträgen für die Eingangs-Separatorknoten in der Informations-Submatrix H_i+1 getauscht werden, und danach ein Neuberechnen der Kovarianzen basierend auf den Informations-Submatrizen H_i ausgeführt werden.
Die Separatorknoten können vorzugsweise so gewählt werden, dass eine Perturbation vorbestimmter Größe, die jeweils an die Eingangs-Separatorknoten eines jeweiligen Informations-Subgraphen G_i aufgeschaltet wird, zu einer Veränderung an den Ausgangs-Separatorknoten des Informations-Subgraphen G_i führt, die kleiner als ein vorgegebener Schwellwert ist.
Als eine weitere Lösung wird ein Verfahren angegeben zum Ergänzen eines digitalen Straßenmodells in einem von dem digitalen Straßenmodell nicht abgedeckten Bereich eines Straßennetzes, aufweisend die Schritte: Bereitstellen eines digitalen Straßenmodells, insbesondere eines digitalen Straßenmodells; Identifizieren zumindest eines Bereichs des Straßennetzes, das von dem digitalen Straßenmodell nicht abgedeckt ist; Erfassen von Trajektoriendaten und Perzeptionsdaten für eine Mehrzahl von Trajektorien von einem oder mehreren Fahrzeugen bei der Durchfahrung von Abschnitten einer Straße oder eines Straßennetzes, wobei jeweils zwei Trajektorien der Mehrzahl von Trajektorien zumindest teilweise eine jeweilige Durchfahrung eines gleichen Abschnitts beschreiben, wobei die Trajektoriendaten Odometriemessungen und Positionsmessungen umfassen, und wobei die Gesamtheit der Mehrzahl von Trajektorien zumindest einen Teil des von dem digitalen Straßenmodell nicht abgedeckten Bereichs des Straßennetzes bedeckt, sowie weiter einen daran angrenzenden Bereich des Straßennetzes bedeckt, der von dem digitalen Straßenmodell abgedeckt ist; Erstellen zumindest einer Assoziierung zwischen einer ersten Trajektorie und einer zweiten Trajektorie aus der Mehrzahl von Trajektorien; Erstellen zumindest einer Lokalisierung der ersten Trajektorie zu dem Straßenmodell; Bilden eines Informationsgraphen G; Optimieren des Informationsgraphen G; Aggregieren und Fusionieren der Perzeptionsdaten; und basierend auf den aggregierten und fusionierten Perzeptionsdaten, Erstellen des digitalen Straßenmodells, wobei zum Erstellen jeder der zumindest einen Assoziierung zwischen der ersten Trajektorie und der zweiten Trajektorie jeweils: ein Trajektorienpunkt x_i der ersten Trajektorie gewählt wird, für den gewählten Trajektorienpunkt x_i der ersten Trajektorie zumindest ein Belegungsraster und/oder ein Merkmalsraster erstellt wird basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt x_i zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_i+1, x_i+2, x_i+3, ... zugeordnet sind, ein Trajektorienpunkt x_j der zweiten Trajektorie gewählt wird, für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder ein Wahrscheinlichkeitsfeld-Merkmalsraster erstellt wird basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_j-1, x_j-2, x_j-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_j+1, x_j+2, x_j+3, ... zugeordnet sind, Korrelieren, unter Translation in x- und y-Richtung und unter Rotation, des zumindest einen Belegungsrasters und/oder einen Merkmalsrasters für den gewählten Trajektorienpunkt x_i der ersten Trajektorie mit dem zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder einen Wahrscheinlichkeitsfeld-Merkmalsraster für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen der Translation dx, dy und der Rotation dθ und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um eine Assoziationshypothese zu bilden; Bewerten der Assoziationshypothese(n), um eine zur Assoziation zu verwendende Assoziationshypothese zu bestimmen; und Einfügen einer Kante dx_i,j in den Informationsgraphen gemäß der Assoziationshypothese, um den Trajektorienpunkt x_i mit dem Trajektorienpunkt x_j zu assoziieren; und wobei zum Bilden jeder der zumindest einen Lokalisierung der ersten Trajektorie zu dem Straßenmodell jeweils: ein Trajektorienpunkt x_k der ersten Trajektorie gewählt wird, welcher einer Position entspricht, die in einem von dem digitalen Straßenmodell abgedeckten Bereich liegt, zumindest ein Belegungsraster und/oder zumindest ein Merkmalsraster erstellt wird basierend auf Perzeptionsdaten für den gewählten Trajektorienpunkt x_k, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... zugeordnet sind, zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder ein Wahrscheinlichkeitsfeld-Merkmalsraster erstellt wird basierend auf dem digitalen Straßenmodell für einen Bereich, der im Wesentlichen dem aktuellen Trajektorienpunkt x_k und der Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und der Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... entspricht, das zumindest einen Belegungsrasters und/oder das zumindest eine Merkmalsraster für den gewählten Trajektorienpunkt x_k korreliert wird, unter Translation in x- und y-Richtung und unter Rotation, mit dem zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder mit dem zumindest einen Wahrscheinlichkeitsfeld-Merkmalsraster, das auf dem digitalen Straßenmodell basiert, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen, für den Trajektorienpunkt x_k, der Pose in Koordinaten des Straßenmodells und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um zumindest eine Lokalisierungshypothese zu bilden; Bewerten der Lokalisierungshypothese(n), um eine zur Lokalisierung zu verwendende Lokalisierungshypothese zu bestimmen; und Einfügen einer unären Kante an den den Trajektorienpunkt x_k repräsentierenden Knoten in den Informationsgraphen G gemäß der zur Verwendung bestimmten Lokalisierungshypothese.
Als eine nochmals weitere Lösung wird ein Verfahren angegeben zum Aktualisieren eines digitalen Straßenmodells in einem von dem digitalen Straßenmodels abgedeckten Bereich eines Straßennetzes, der als fehlerhaft erkannt wurde, aufweisend die Schritte: Entfernen des fehlerhaften Bereichs aus dem digitalen Straßenmodell; und Ausführen des Verfahrens zum Ergänzen eines digitalen Straßenmodells für den entfernten fehlerhaften Bereich als dem von dem digitalen Straßenmodell nicht abgedeckten Bereich des Straßennetzes.
Als eine nochmals weitere Lösung wird ein Verfahren zur Eigenlokalisation eines Fahrzeugs angegeben, aufweisend: Bereitstellen eines digitalen Straßenmodells oder eines Ausschnitts eines digitalen Straßenmodells in dem Fahrzeug, insbesondere eines digitalen Straßenmodells; Aufzeichnen von Trajektoriendaten und Perzeptionsdaten für eine von dem Fahrzeug zurückgelegte Trajektorie; wobei periodisch die Schritte ausgeführt werden: Erstellen zumindest eines Belegungsrasters und/oder eines Merkmalsrasters basierend auf Perzeptionsdaten für einen Trajektorienpunkt x_i, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... zugeordnet sind, Erstellen zumindest eines Wahrscheinlichkeitsfeld-Belegungsrasters und/oder eines Wahrscheinlichkeitsfeld-Merkmalsrasters basierend auf dem digitalen Straßenmodell oder dem Ausschnitt des digitalen Straßenmodells für einen Bereich, der im Wesentlichen dem Trajektorienpunkt x_i und den vorhergehenden Trajektorienpunkten x_i-1, x_i-2, x_i-3, ... entspricht, Korrelieren, unter Translation in x- und y-Richtung und unter Rotation, des zumindest einen Belegungsrasters und/oder einen Merkmalsrasters für den Trajektorienpunkt x_i mit dem zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder einen Wahrscheinlichkeitsfeld-Merkmalsraster, das auf dem digitalen Straßenmodell oder dem Ausschnitt des digitalen Straßenmodells basiert, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen, für den Trajektorienpunkt x_i, der Pose in Koordinaten des Straßenmodells und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um zumindest eine Lokalisierungshypothese zu bilden; und Bestimmen einer Schätzung für den Trajektorienpunkt x_i ausgehend von der zumindest einen Lokalisierungshypothese.
Das Bestimmen einer Schätzung für den Trajektorienpunkt x_i ausgehend von der zumindest einen Lokalisierungshypothese kann bevorzugt weiter die Schritte umfassen: Bilden eines Informationsgraphen G basierend auf den Trajektoriendaten; Einfügen einer unären Kante an den den Trajektorienpunkt x_i repräsentierenden Knoten in den Informationsgraphen G gemäß der Lokalisierungshypothese; und Optimieren des Informationsgraphen G zum Erhalten von optimalen Schätzwerten für die Trajektorienpunkte der Trajektorie.
Bevorzugt können mehrere Lokalisierungshypothesen gebildet werden, und das Bewerten der Lokalisierungshypothesen kann ein Plausibilisieren und Fusionieren der Lokalisierungshypothesen zur Bildung einer fusionierten Lokalisierungshypothese umfassen.
In einer bevorzugten Weiterbildung ist das digitale Straßenmodell auf einem zentraler Server bereitgestellt, und das Fahrzeug ist mit einer Kommunikationseinrichtung ausgestattet, um über eine drahtlose Kommunikationsverbindung Ausschnitte des digitalen Straßenmodells von dem zentralen Server abzurufen, wobei das Verfahren weiter aufweist: Vergleichen der Kovarianzen der Lokalisierungshypothesen mit einem Schwellenwert, wobei, wenn die Kovarianzen einer Lokalisierungshypothese den Schwellenwert überschreiten, die betreffende Lokalisierungshypothese als fehlerhaft verworfen wirf; und/oder Berechnen von Mahalanobis-Distanzen für die Lokalisierungshypothesen und Vergleichen der berechneten Mahalanobis-Distanzen mit einem χ²-Schwellwert, wobei für eine Mahalanobis-Distanz, die den χ²-Schwellwert überschreitet, die betreffende Lokalisierungshypothese als fehlerhaft verworfen wird, wobei, wenn keine oder wenn weniger als eine vorbestimmte Anzahl gültiger Lokalisierungshypothesen gebildet sind, bestimmt wird, dass es einen Fehler in dem digitalen Streckenmodell oder dem Ausschnitt des digitalen Streckenmodells gibt, und das Fahrzeug eine Benachrichtigung über die Position des Fehlers an den zentralen Server sendet.
Eine weitere Lösung ist gegeben Verfahren zum Georeferenzieren eines Merkmals, welches zumindest temporär auf oder in der Umgebung eines Straßenabschnitts wahrnehmbar ist, aufweisend die Schritte: Bereitstellen eines digitalen Straßenmodells; Erfassen von Trajektoriendaten und Perzeptionsdaten für eine Trajektorie eines Fahrzeuges bei der Durchfahrung des Straßenabschnitts, wobei die Trajektoriendaten Odometriemessungen und Positionsmessungen umfassen, und wobei die Perzeptionsdaten Perzeptionsdaten für das Merkmal umfassen; Bilden zumindest einer Lokalisierung der Trajektorie zu dem Straßenmodell; Bilden eines Informationsgraphen G; Optimieren (260) des Informationsgraphen G zum Erhalten von optimalen Schätzwerten für die Trajektorienpunkte der Trajektorie; und Bestimmen einer georeferenzierten Lage des Merkmals basierend auf zumindest einem Trajektorienpunkt, dem Perzeptionsdaten für das Merkmal zugeordnet sind, wobei zum Bilden jeder der zumindest einen Lokalisierung der Trajektorie zu dem Straßenmodell jeweils: ein Trajektorienpunkt x_k der Trajektorie gewählt wird, zumindest ein Belegungsraster und/oder zumindest ein Merkmalsraster erstellt wird basierend auf Perzeptionsdaten für den gewählten Trajektorienpunkt x_k, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... zugeordnet sind, zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder ein Wahrscheinlichkeitsfeld-Merkmalsraster erstellt wird basierend auf dem digitalen Straßenmodell für einen Bereich, der im Wesentlichen dem aktuellen Trajektorienpunkt x_k und der Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und der Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... entspricht, das zumindest eine Belegungsraster und/oder das zumindest eine Merkmalsraster für den gewählten Trajektorienpunkt x_k korreliert wird, unter Translation in x- und y-Richtung und unter Rotation, mit dem zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder mit dem zumindest einen Wahrscheinlichkeitsfeld-Merkmalsraster, das auf dem digitalen Straßenmodell basiert, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen, für den Trajektorienpunkt x_k, der Pose in Koordinaten des Straßenmodells und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um zumindest eine Lokalisierungshypothese zu bilden; Bewerten der Lokalisierungshypothese(n), um eine zur Lokalisierung zu verwendende Lokalisierungshypothese zu bestimmen; und Einfügen einer unären Kante an den den Trajektorienpunkt x_k repräsentierenden Knoten in den Informationsgraphen G gemäß der zur Verwendung bestimmten Lokalisierungshypothese.
Als eine andere Lösung wird eine Vorrichtung zum Erstellen eines digitalen Straßenmodells angegeben, aufweisend: eine Einrichtung zum Empfangen und Speichern von Trajektoriendaten und Perzeptionsdaten für eine Mehrzahl von Trajektorien, die von Fahrzeugen bei der Durchfahrung von Abschnitten einer Straße oder eines Straßennetzes erfasst werden, wobei jeweils zwei Trajektorien der Mehrzahl von Trajektorien zumindest teilweise eine jeweilige Durchfahrung eines gleichen Abschnitts beschreiben, und wobei die Trajektoriendaten Odometriemessungen und Positionsmessungen umfassen; eine Assoziierungseinrichtung zum Bilden zumindest einer Assoziierung zwischen einer ersten Trajektorie und einer zweiten Trajektorie der Mehrzahl von Trajektorien; eine Informationsgraphbildungseinrichtung zum Bilden eines Informationsgraphen G, wobei die Trajektorienpunkte der Mehrzahl von Trajektorien Knoten des Informationsgraphen G bilden, und basierend auf den Odometriemessungen und Positionsmessungen Kanten zwischen bzw. an den Knoten des Informationsgraphen G gebildet werden; eine Optimierungseinrichtung zum Optimieren des Informationsgraphen G und zum Ermitteln einer optimale Schätzung der Trajektorienpunkte; eine Fusionseinheit zum Aggregieren und Fusionieren der Perzeptionsdaten basierend auf den optimal geschätzten Trajektorienpunkten; und eine Straßenmodellerstellungseinheit zum Erstellen, basierend auf den aggregierten und fusionierten Perzeptionsdaten, des digitalen Straßenmodells, wobei die Assoziierungseinrichtung eingerichtet ist, zum Bilden jeder der zumindest einen Assoziierung jeweils: einen Trajektorienpunkt x_i der ersten Trajektorie auszuwählen, für den gewählten Trajektorienpunkt x_i der ersten Trajektorie zumindest ein Belegungsraster und/oder zumindest ein Merkmalsraster zu erstellen basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt x_i zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_i+1, x_i+2, x_i+3, ... zugeordnet sind, einen Trajektorienpunkt x_j der zweiten Trajektorie auszuwählen, für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder zumindest ein Wahrscheinlichkeitsfeld-Merkmalsraster zu erstellen basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt x_j zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_j-1, x_j-2, x_j-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_j+1, x_j+2, x_j+3, ... zugeordnet sind, jedes des zumindest einen Belegungsrasters und/oder des zumindest einen Merkmalsrasters für den gewählten Trajektorienpunkt x_i der ersten Trajektorie, zu korrelieren, unter Translation in x- und y-Richtung und unter Rotation, mit dem entsprechenden des zumindest einen Wahrscheinlichkeitsfeld-Belegungsrasters und/oder des zumindest einen Wahrscheinlichkeitsfeld-Merkmalsrasters für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie, zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, und die Translation dx, dy, die Rotation dθ und Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses zu bestimmen, um eine Assoziationshypothese zu bilden, und die Assoziationshypothese(n) zu bewerten, um eine zur Assoziation zu verwendende Assoziationshypothese zu bestimmen; wobei die Informationsgraphbildungseinrichtung weiter eingerichtet ist, zwischen dem Knoten x_i und dem Knoten x_j in dem Informationsgraphen G einer Kante dx_i,j entsprechend der zur Assoziation bestimmten Assoziationshypothese, um den Trajektorienpunkt x_i mit dem Trajektorienpunkt x_j zu assoziieren.
Als eine nochmals andere Lösung wird eine Vorrichtung zur Eigenlokalisation eines Fahrzeugs, aufweisend: Straßenmodellspeichermittel zum Speichern eines digitalen Straßenmodells oder eines Ausschnitts eines digitalen Straßenmodells; Datenerfassungsmittel zum Erfassen und Aufzeichnen von Trajektoriendaten und Perzeptionsdaten für eine von dem Fahrzeug zurückgelegte Trajektorie; Eigenlokalisierungshypothesenbildungsmittel, welche eingerichtet sind: zumindest ein Belegungsraster und/oder eines Merkmalsraster zu erstellen basierend auf Perzeptionsdaten für einen vom Fahrzeug eingenommenen Trajektorienpunkt x_i, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... zugeordnet sind, zumindest ein Wahrscheinlichkeitsfeld-Belegungsrasters und/oder zumindest ein Wahrscheinlichkeitsfeld-Merkmalsraster zu erstellen basierend auf dem digitalen Straßenmodell oder dem Ausschnitt des digitalen Straßenmodells für einen Bereich, der dem Trajektorienpunkt x_i und den vorhergehenden Trajektorienpunkten x_i-1, x_i-2, x_i-3, ... entspricht, das zumindest eine Belegungsrasters und/oder das zumindest eine Merkmalsraster für den Trajektorienpunkt x_i zu korrelieren, unter Translation in x- und y-Richtung und unter Rotation, mit dem entsprechenden zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder dem zumindest einen Wahrscheinlichkeitsfeld-Merkmalsraster, das auf dem digitalen Straßenmodell oder dem Ausschnitt des digitalen Straßenmodells basiert, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen, für den Trajektorienpunkt x_i, der Pose in Koordinaten des Straßenmodells und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um zumindest eine Lokalisierungshypothese zu bilden; und Schätzmittel zum Bestimmen einer Schätzung für den Trajektorienpunkt x_i ausgehend von der zumindest einen Lokalisierungshypothese.
Die Erfindung wird im Folgenden an Hand von Ausführungsbeispielen beschrieben werden, mit Bezug auf die Zeichnungen:
1 zeigt schematisch den Ablauf eines Verfahrens zum Erstellen eines digitalen Straßenmodells gemäß einer Ausführungsform;
2 zeigt beispielhaft zwei Fahrzeuge, die einen Streckenabschnitt durchfahren;
3 zeigt beispielhaft einen Schritt zur Bildung eines Informationsgraphen;
4A und 4B zeigen beispielhaft ein Merkmalsraster für Fahrstreifen und ein Merkmalsraster für Randbebauungen;
4C und 4D veranschaulichen beispielhaft die Repräsentation eines Merkmals in einem Merkmalsraster bzw. in einem Wahrscheinlichkeits-Merkmalsraster;
5 zeigt schematisch ein Korrelationsergebnis für die Korrelation eines Merkmalsrasters mit einem Wahrscheinlichkeits-Merkmalsraster;
6 zeigt schematisch ein Beispiel für die Fusion mehrerer Assoziationshypothesen;
7 zeigt beispielhaft einen Informationsgraphen;
8 zeigt beispielhaft eine Zerlegung einen Informationsgraphen in Informations-Subgraphen;
9 und 10 veranschaulichen die iterative Ausführung lokaler Optimierungen;
11 veranschaulicht eine Informationspropagation zwischen Informations-Submatrizen;
12 veranschaulicht eine Aggregation und Fusion von Perzeptionsdaten zur Bildung eines Straßenmodells;
13 zeigt ein beispielhaftes Modell einer digitalen Straßenkarte;
14 zeigt beispielhaft ein Verfahren zum Ergänzen eines Straßenmodells gemäß einer Ausführungsform; und
15 zeigt beispielhaft ein Verfahren zur Eigenlokalisation eines Fahrzeugs gemäß einer Ausführungsform.
Die 1 gibt einen Überblick über die Schritte eines Verfahrens 100 zum kollektiven Erlernen einer digitalen Karte gemäß einer Ausführungsform. Wie in 1 dargestellt, werden in einem Schritt 110 zunächst Trajektoriendaten und Perzeptionsdaten für eine mehrfache Durchfahrungen einer Strecke durch ein oder mehrere Fahrzeuge erfasst. In einem Schritt 120 werden Assoziationen zwischen Trajektorien verschiedener Durchfahrungen hergestellt. Basierend auf den Trajektorien und den zwischen diesen hergestellten Assoziationen wird in einem Schritt 140 ein Informationsgraph und eine zugehörige Informationsmatrix erstellt, die in einem Schritt 140 optimiert werden, um eine optimale Schätzung der Trajektorien bzw. der an den einzelnen Trajektorienpunkten eingenommenen Fahrzeugposen zu erhalten. Die so erhaltene optimale Schätzung der Fahrzeugposen stellt eine Basis dar, um den für die einzelnen Trajektorienpunkte bzw. Fahrzeugposen erkannten Merkmale und Eigenschaften der Straße, die als Perzeptionsdaten jeweils relativ zum Fahrzeug erfasst wurden, eine entsprechende Position in Weltkoordinaten zuzuordnen. Es können daher in einem Schritt 150 die so mit Positionen in Weltkoordinaten versehenen, von der Mehrzahl von Fahrzeugen erfassten Merkmale und Eigenschaften aggregiert und fusioniert werden, um daraus in einem weiteren Schritt 160 ein entsprechendes Straßenmodell zu bilden, das den Verlauf und die Eigenschaften der Straße, wie beispielsweise die Krümmung, beschreibt, und gegebenenfalls können weitere externe Daten integriert werden, um eine digitale Karte zu erstellen.
Mit Bezug auf die 2 bis 13 wird nun das Verfahren in größerem Detail beschrieben.
Die 2 zeigt als ein Beispiel schematisch einen zweispurigen Streckenabschnitt 1, auf dem sich zwei Fahrzeuge 2, 3 bewegen. Die Fahrzeuge 2, 3 sind jeweils mit Sensoren zur Erfassung von Odometriedaten ausgestattet, wie beispielsweise Sensoren für die Geschwindigkeit und die Gierrate, um die Bewegung der Fahrzeuge zu erfassen. Zur Bestimmung der absoluten Position kann weiter ein Empfänger für ein Globales Navigationssatellitensystem GNSS, wie GPS oder Glonass, vorgesehen sein. Die Odometriedaten und die absoluten Positionsdaten stellen Trajektoriendaten dar, die die Bewegung der Fahrzeuge 2, 3 beschreiben.
Die Fahrzeuge 2, 3 sind weiter mit Sensoren zur Umfelderfassung ausgestattet, wie beispielsweise einem kamerabasierten Fahrspurerkennungssystem sowie einem laserscannerbasierten Fahrspur- und Randbebauungserkennungssystem, um den Abstand und die Orientierung zu den linken und rechten Fahrspurmarkierungen 4 beziehungsweise den Randbebauungen 6 zu bestimmen. Die Informationen, welche von den Sensoren zur Umfelderfassung erfasst und, gegebenenfalls nach Fusion der Ergebnisse mehrerer Sensorsysteme und/oder nach einer weiteren Verarbeitung und Verwertung, von dem Fahrzeug „wahrgenommen” werden, werden als Perzeptionsdaten bezeichnet.
Neben den beispielhaft genannten Fahrspurmarkierungen und Randbebauungen können die Perzeptionsdaten auch andere Landmarken umfassen, wie beispielsweise Haltelinien, Verkehrsschilder, Lichtsignalanlagen, Bahnschranken, Gebäude und ähnliches, die von den Sensoren der Fahrzeuge erfasst werden. Es ist ebenfalls möglich, Rasterdaten als Perzeptionsdaten zu erfassen, wie beispielsweise Rasteraufzeichnungen der Fahrbahnoberfläche, beispielsweise aufgenommen durch ein Kamerasystem, oder synthetisch erstellte Rasterdaten, wie beispielsweise Rasterabbildungen von Fahrbahnmarkierungen, welche auf Basis verschiedener Sensorsysteme erfasst und im Fahrzeug zu einem einheitlichen Fusionsergebnis fusioniert wurden.
Bevorzugt werden die Perzeptionsdaten, zumindest teilweise, in Form einer Liste von Objekten erfasst, wobei die Objekte nach Art und in ihrer Position und Ausrichtung relativ zum Fahrzeug beschrieben sind. Es ist dabei insbesondere bevorzugt, dass die Objekte jeweils mit einer Objektkennung versehen werden, so dass, wenn zu zwei unterschiedlichen Zeitpunkten an zwei unterschiedlichen Positionen jeweils ein Objekt gleicher Art aufgezeichnet wird, an Hand der Objektkennung erkannt werden kann, ob es sich um zwei verschiedene Objekte handelt, oder ob es sich um ein einzelnes Objekt handelt, das aus zwei verschiedenen Posen des Fahrzeugs aus mehrfach erfasst und aufgezeichnet wurde.
Die Trajektoriendaten und die Perzeptionsdaten werden jeweils im Fahrzeug erfasst und aufgezeichnet, und können beispielsweise in regelmäßigen Zeitabständen an einen zentralen Server gesendet werden.
Der zentrale Server kann die Trajektoriendaten und Perzeptionsdaten einer Vielzahl von Fahrzeugen sammeln, um basierend auf diesen Daten ein digitales Straßenmodell, insbesondere in Form einer digitalen Karte, zu erstellen, wie weiter nachfolgend beschrieben wird.
Ausgehend von den Trajektoriendaten wird im Schritt 130 für jede Trajektorie ein Graph erstellt, wie in 3 dargestellt. Trajektorienpunkte x_t werden dabei als SE(2) Punkt beschrieben, also durch ihre Position x, y in der x–y Ebene und ihre Ausrichtung θ: x_t = (x y θ)^T
Die Trajektorienpunkte x_t bilden die Knoten des Graphen, wie beispielsweise in der 3 die Knoten x₁, x₂, x₃ und x₄ für den Graphen, der dem Fahrzeug 3 zugeordnet ist, und die Knoten x_i, x_i+1, x_i+2 und x_i+3 für den Graphen, der dem Fahrzeug 2 zugeordnet ist.
Zur Beschreibung der Fahrzeugbewegung werden binäre Kanten zwischen den Knoten der benachbarten Trajektorienpunkte x_t-1 und x_t erstellt.
Das Bewegungsmodell g(u_t, Δt) beschreibt anhand der Odometriedaten Geschwindigkeit ν_t und Gierrate ω_t die Relativbewegung g_t,t-1 zwischen den beiden aufeinander folgenden Posen x_t-1 und x_t: u_t = (ν_t ω_t)^T R_t,t-1 = V_t M_t V T / t g_t,t-1 = g(u_t, Δt) + N(0, R_t,t-1) x_t = x_t-1 + g_t,t-1
Die in den obigen Gleichungen angegebene Kovarianz R_t _, _t-1 der Relativbewegung g_t,t-1 berechnet sich dabei aus der Unsicherheit M_t der Odometriegrößen und der Jakobian V_t des Bewegungsmodells.
Aus diesen Informationen lässt sich für die Fahrzeugbewegung eine Bedingung in Log-Likelihood-Form formulieren: (g_t,t-1 – p ^(x_t, x_t-1))^T·R –1 / t,t-1·(g_t,t-1 – p ^(x_t, x_t-1))
Diese Bedingung beschreibt den Fehler zwischen der von den Fahrdynamiksensoren gemessenen Fahrzeugbewegung g_t,t-1 und der durch die Trajektorienpunkte, beziehungsweise die die Trajektorienpunkte repräsentierenden Graphenknoten, x_t-1 und x_t vorgegebenen virtuellen Messung p ^(x_t, x_t-1).
GNSS-Messungen werden durch unäre Kanten auf einen Trajektorienpunkt x_t beschrieben. Jede GNSS-Messung besteht aus dem Messvektor Z_GNSS,t und der zugehörigen Kovarianz ϒ_GNSS,t: z_GNNS,t = (x ~ y ~ θ ~)^T
Für jede GNSS-Messung ergibt sich eine Log-Likelihood-Bedingung wie folgt: (z_GNNS,t – x_t)^Tϒ –1 / GNSS,t(Z_GNNS,t – x_t)
Diese Bedingung beschreibt den Fehler zwischen der von dem GNSS gemessenen Position und der durch den Graphenknoten x_t vorgegebenen Position.
In einem nächsten Schritt werden Assoziationen zwischen den Graphen für die Trajektorien der beiden Fahrzeuge hergestellt.
Zu diesem Zweck werden aus dem Graphen für die Trajektorie eines Fahrzeugs einzelne Trajektorienpunkte, beziehungsweise die die Trajektorienpunkte repräsentierenden Graphenknoten, ausgewählt als zu assoziierende Trajektorienpunkte.
So kann zum Beispiel entsprechend jeweils alle 15, 20, 30, 40 oder 50 m Fahrstrecke des Fahrzeugs 2 bzw. 3 ein Trajektorienpunkt als zu assoziierender Trajektorienpunkt ausgewählt werden. In ersten Versuchen hat sich dabei für Trajektorien von Autobahnfahrten, die bei einem Tempo von etwa 120 km/h aufgenommen wurden, insbesondere ein Wert zwischen 20 und 40 m, insbesondere von 30 m als Fahrstrecke zwischen zwei zu assoziierenden Trajektorienpunkten als praktikabel und zu guten Ergebnissen führend gezeigt. Werte von wesentlich kleiner als 10 m erscheinen derzeit als weniger geeignet, da in diesem Fall zu viele durch Assoziation definierte Bedingungen eingefügt werden, welche die nachfolgende Optimierung beschränken und das Ergebnis vermischen können. Auch erscheinen Werte von wesentlich größer als 100 m derzeit ebenfalls als weniger geeignet, da in diesem Fall die durch die Assoziation definierte Kopplung zwischen den Graphen für die Trajektorien der Fahrzeuge 2, 3 zu schwach ausfällt. Im Fall von Trajektorien, die anderen Fahrsituationen entsprechen, wie beispielsweise im innerstädtischen Verkehr bei einem Tempo von etwa 50 km/h, kann es angezeigt sein, die zu assoziierenden Trajektorienpunkte entsprechend enger zu wählen, wie beispielsweise jeweils alle 2, 3, 5, 8 oder 15 m Fahrstrecke. Alternativ ist es ebenso möglich, die Auswahl der zu assoziierenden Trajektorienpunkte abhängig von einem Abzählkriterium auszuwählen beispielsweise indem jeder 10., 20., 30., 40., oder 50. Trajektorienpunkt der Trajektorie eines Fahrzeugs als ein zu assoziierender Trajektorienpunkt ausgewählt wird. Die Wahl der zu assoziierenden Trajektorienpunkte kann alternativ auch nach einem Zeitkriterium erfolgen, wobei zu assoziierende Trajektorienpunkte beispielsweise so ausgewählt werden können, dass zwischen zwei zu assoziierenden Trajektorienpunkten ein zeitlicher Abstand von 0,5 s, 1,0 s, 1,5 s, 2,0 s oder 3 s besteht.
Für jeden zu assoziierenden Trajektorienpunkt wird weiter für die Trajektorie des anderen Fahrzeugs ein entsprechender Trajektorienpunkt, beziehungsweise ein den Trajektorienpunkt repräsentierender Graphenknoten ausgewählt, mit dem die Assoziierung herzustellen ist. Es hat sich dabei als praktisch und zu guten Ergebnissen führend erwiesen, einen Trajektorienpunkt auszuwählen, mit einer gemessenen Position x, y, die möglichst nahe an der Position x, y des zu assoziierenden Trajektorienpunkts liegt.
Mit Bezug auf die 4A bis 4D soll nun das Vorgehen zur Assoziierung zweier Trajektorienpunkte, beziehungsweise zweier die Trajektorienpunkte repräsentierender Graphenknoten, beschrieben werden.
Um zwei Trajektorienpunkte x_i, x_j zu assoziieren, muss eine Beziehung identifiziert werden, die den einen Trajektorienpunkt x_i in den anderen Trajektorienpunkt x_j überführt. Mit anderen Worten wird nach einer Schätzung dx_i,j gesucht, welche die Pose x_i durch eine Translation der Positionskoordinaten um eine Strecke dx, dy und eine Rotation um einen Winkel dθ in die Pose x_j überführt: dx_i,j = (dx dy dθ)^T
Da die Positionsbestimmungen der Trajektorienpunkte x_i, x_j mit Unsicherheiten behaftet sind, kann die Schätzung dx_i,j nicht direkt aus der Differenz der Trajektorienpunkte x_i und x_j bestimmt werden. Es wird daher zur Assoziierung auf die von beiden Fahrzeugen 2, 3 jeweils erfassten Perzeptionsdaten abgestellt, um Übereinstimmungen zu finden, die eine Assoziierung erlauben.
Hierzu werden in diesem Beispiel für den zu assoziierenden Trajektorienpunkt x_i mehrere Merkmalsraster erstellt. Wie in der 4A dargestellt, kann beispielsweise ein Merkmalsraster der Fahrspurmarkierungen erstellt werden, die von dem Fahrzeug 2 beim Durchfahren des Streckenabschnitts 1 (vgl. 2) aufgezeichnet wurden. Ausgehend vom Trajektorienpunkt x_i, der beispielsweise der Position des Fahrzeugs 2 in der 2 entspricht, werden für die Fahrspurmarkierungen, die als Perzeptionsdaten für den Trajektorienpunkt x_i erkannt wurden, in den Zellen des zweidimensionalen Merkmalsrasters, die von den erkannten Fahrspurmarkierungen belegt werden, ein Eintrag vorgenommen. Dies ist beispielhaft in der 4C dargestellt, wobei in dem Diagramm die y-Achse eine Richtung quer zur Fahrbahn repräsentiert und die z-Achse die Werte anzeigt, die in dem Merkmalsraster eingetragen werden. In der 4C ist beispielhaft die Repräsentation einer Fahrspurmarkierung, hier nur im eindimensionalen Fall der y-Richtung, dargestellt, wobei für y-Achsenwerte, an denen sich die Fahrspurmarkierung befindet, ein Eintrag, entsprechend dem z-Wert des Diagramms, von 1 vorgenommen wird, und bei Abwesenheit der Fahrspurmarkierung ein Eintrag von 0 vorgenommen wird.
Wenn das Fahrzeug 2 die Fahrstreifenmarkierungen jeweils als Objekte erfasst hat, die lediglich nach ihrer Art als ein Balken einer unterbrochenen Fahrspurmarkierung erfasst und gespeichert sind, zusammen mit einer Information über relative die Position und Ausrichtung zum Fahrzeug 2, gegebenenfalls mit einer weiteren Information über die Erstreckung in Länge und/oder Breite, wird basierend auf diesen Werten eine Fahrspurmarkierung neu gezeichnet, um die vom Fahrzeug 2 wahrgenommene, tatsächliche Fahrspurmarkierung nachzubilden. Alternativ ist es auch möglich, die von dem Fahrzeug 2 als unterbrochene Linien wahrgenommene Fahrspurmarkierung durch eine durchgezogene Linie nachzuahmen, welche derart als durchgehende Linie entsprechender Breite die Fahrspurmarkierung repräsentiert.
Ausgehend vom Trajektorienpunkt x_i werden weiter auch eine Anzahl n vorhergehender Trajektorienpunkte x_i-1, x_i-2, ..., x_i-n und eine Anzahl m nachfolgender Trajektorienpunkte x_i+1, x_i+2, ..., x_i+m betrachtet, und es werden für die Fahrspurmarkierungen, die als Perzeptionsdaten für die jeweils betreffenden Trajektorienpunkte x_i-1, x_i-2, ..., x_i-n, x_i+1, x_i+2, ..., x_i+m erkannt wurden, ebenfalls Einträge in den Zellen vorgenommen, die durch die Fahrspurmarkierungen belegt werden. Es bietet sich hierbei an, die Anzahlen n und m als gleiche Werte zu wählen. Dies ist jedoch nicht beschränkend, und die Anzahlen n und m können verschieden gewählt werden.
Es sei hierbei bemerkt, dass es bevorzugt ist, zum Zweck der Erstellung eines Merkmalsrasters die vom Fahrzeug 2, 3 vorgenommenen Messungen, insbesondere die Odometriemessungen und die Messung der Perzeptionsdaten, als ideale Messungen anzunehmen, das heißt, die Unsicherheiten der jeweiligen Messungen nicht zu berücksichtigen.
Es bietet sich an, für das Merkmalsraster ein lokales Koordinatensystem zu wählen, das seinen Ursprung in dem Trajektorienpunkt x_i hat und das in der Orientierung mit der Ausrichtung des Fahrzeugs im Trajektorienpunkt x_i übereinstimmt. Dies ist jedoch nicht beschränkend, und es kann ebenso ein lokales Koordinatensystem, bei dem der Ursprung und/oder die Orientierung anders gewählt sind, oder ein globales Koordinatensystem verwendet werden.
Die Anzahl n an vorhergehenden Trajektorienpunkten und die Anzahl m an nachfolgenden Trajektorienpunkten, die bei der Erstellung des Merkmalsrasters berücksichtigt werden, kann beispielsweise so bestimmt werden, dass sie einer bestimmten Fahrstrecke entsprechen. Bei Versuchen hat sich dabei für Trajektorien von Autobahnfahrten, die bei einem Tempo von etwa 120 km/h aufgenommen wurden, insbesondere ein Wert zwischen 100 und 200 m, insbesondere von 150 m als praktikabel und zu guten Ergebnissen führend gezeigt. Im Fall von Trajektorien, die anderen Fahrsituationen entsprechen, wie beispielsweise im innerstädtischen Verkehr bei einem Tempo von etwa 50 km/h, kann es angezeigt sein, eine entsprechend kürzere Fahrstrecke als Grundlage zu wählen, wie beispielsweise 10, 15, 25, 40 oder 60 m Fahrstrecke. In jedem Fall ist es bevorzugt, wenn die als Grundlage zur Bestimmung der Anzahl an vorhergehenden und nachfolgenden Trajektorienpunkten gewählte Fahrstrecke mindestens dem 2-fachen, bevorzugt dem 3-fachen, besonders bevorzugt dem 5-fachen der Fahrstrecke entspricht, die zur Grundlage gelegt wird, um für die erste Trajektorie den Abstand zweier sukzessive zu assoziierender Trajektorienpunkte zu beschreiben. Die Anzahlen n, m können daher insbesondere so gewählt sein, dass ein Merkmalsraster, das für einen zu assoziierenden Trajektorienpunkt x_i erstellt wird, eine Erstreckung aufweist, welche auch eine Mehrzahl von vorhergehenden, bereits assoziierten Trajektorienpunkten und von nachfolgenden, noch zu assoziierenden Trajektorienpunkten abdeckt. Mit anderen Worten werden die Merkmalsraster so ausgebildet, dass sich jeweils zwei, bevorzugt 3, 4 oder 5 Merkmalsraster für unterschiedliche Trajektorienpunkte teilweise überlappen.
Auf diese Weise werden Merkmalsraster erstellt, die in Fahrtrichtung des jeweils betreffenden Fahrzeugs eine relativ lange Erstreckung aufweisen, was im Zuge der weiter unten zu beschreibenden Korrelation eine sehr gute und robuste Schätzung insbesondere der sowohl für die Fahrerassistenzfunktionen eines Fahrzeugs, als auch zur Erzeugung eines hochgenauen digitalen Straßenmodells besonders wichtigen Parameter y und θ für die Position des Fahrzeugs in Richtung quer zur Fahrspur und die Ausrichtung des Fahrzeugs erlaubt.
Auf diese Weise wird ein zweidimensionales Merkmalsraster erhalten, das eine Nachahmung der Ansicht der Fahrspurmarkierungen darstellt, die von dem Fahrzeug 2 beim Durchfahren der Trajektorie zwischen den Trajektorienpunkten x_i-1, ..., x_i+n „gesehen” wurden.
Auf ähnliche Weise kann, wie in 4B dargestellt, auch ein Merkmalsraster der Randbebauungen erstellt werden, die von dem Fahrzeug 2 beim Durchfahren des Streckenabschnitts 1 (vgl. 2) aufgezeichnet wurden. Indem ausgehend vom Trajektorienpunkt x_i und unter Einbeziehung der Anzahl n vorhergehender Trajektorienpunkte x_i-1, x_i-2, ..., x_i-n, und der Anzahl n nachfolgender Trajektorienpunkte x_i+1, x_i+2, ..., x_i+n eine Art Nachbildung der Randbebauungen zu erstellen, die von dem Fahrzeug 2 beim Durchfahren der Trajektorie zwischen den Trajektorienpunkten x_i-1, ..., x_i+n „gesehen” wurden.
Für den Trajektorienpunkt x_j, mit dem die Assoziation herzustellen ist und der beispielsweise der Position des Fahrzeugs 3 in der 2 entspricht, werden ebenfalls Raster erstellt. Hierbei werden jedoch bevorzugt keine einfachen Merkmalsraster erstellt, sondern es werden Merkmalsraster in Form von Likelihood-Feldern bzw. Wahrscheinlichkeitsfeldern erstellt, um die Unsicherheit bzw. Kovarianz der Merkmalserfassung mit abzubilden.
Beispielsweise kann ein Wahrscheinlichkeitsfeld-Merkmalsraster für die Fahrspurmarkierungen erstellt werden, die von dem Fahrzeug 3 beim Durchfahren des Streckenabschnitts 1 (vgl. 2) aufgezeichnet wurde. Ausgehend vom Trajektorienpunkt x_j, der beispielsweise der Position des Fahrzeugs 3 in der 2 entspricht, und wiederum unter Einbeziehung einer Anzahl n vorhergehender Trajektorienpunkte x_j-1, x_j-2, ..., x_j-n und einer Anzahl n nachfolgender Trajektorienpunkt x_j+1, x_j+2, ..., x_j+n werden für jede Fahrspurmarkierung, die als Perzeptionsdatum für einen der betreffenden Trajektorienpunkte x_j-n, ..., x_j+n erkannt wurden, entsprechende Wahrscheinlichkeitsdichten berechnet. Es werden dabei in den Zellen des Rasters Zahlenwerte eingetragen, die die entsprechende Wahrscheinlichkeit dafür angeben, dass die Zelle durch eine Fahrspurmarkierung belegt ist. Dies ist beispielhaft in der 4D dargestellt, wobei in dem Diagramm die y-Achse eine Richtung quer zur Fahrbahn repräsentiert und die z-Achse die Werte anzeigt, die in dem Merkmalsraster eingetragen werden. In der 4D ist beispielhaft die Repräsentation einer Fahrspurmarkierung durch eine entsprechende Wahrscheinlichkeitsdichte, hier nur im eindimensionalen Fall der y-Richtung, dargestellt. Wie die 4D gezeigt, in dem die Werte der Wahrscheinlichkeitsdichte in der z-Achse aufgetragen sind, nimmt die Wahrscheinlichkeitsdichte dabei kontinuierliche Werte zwischen 0 und 1 an.
Die Wahrscheinlichkeitsdichten werden bevorzugt basierend auf Kovarianzwerten berechnet, die im Fahrzeug 3 bei der Erfassung der entsprechenden Landmarkendaten oder Rasterdateninformation erfasst bzw. bestimmt wurde. Beispielsweise kann eine entsprechende Wahrscheinlichkeitsdichte für eine Fahrstreifenmarkierung annähernd berechnet werden, indem zunächst ausgehend von Objektdaten für die Fahrspurmarkierung, die lediglich nach ihrer Art als ein Balken einer unterbrochenen Fahrspurmarkierung erfasst und gespeichert sind, zusammen mit einer Information über relative die Position und Ausrichtung und gegebenenfalls mit einer weiteren Information über die Erstreckung in Länge und/oder Breite der Fahrspurmarkierung ein zweidimensionales Abbild der Fahrspurmarkierung gezeichnet wird, wobei für Rasterzellen, an denen die Fahrspurmarkierung existiert, ein Wert 1 angenommen wird, und sonst ein Wert 0 angenommen wird. Diese Funktionswerte, welche die Fahrspurmarkierung darstellen, können dann einer mathematischen Faltung unterworfen werden mit einer bivariaten Normalverteilung mit Werten σ₁, σ₂ und ρ, die entsprechend den Kovarianzen für die vom Fahrzeug 3 erfasste Fahrspurmarkierung gewählt sind. Zum Zweck der Erstellung eines Wahrscheinlichkeits-Merkmalsrasters werden daher die Unsicherheiten in der Messung der Perzeptionsdaten durch das Fahrzeug 2, 3 berücksichtig. Die Odometriemessungen des Fahrzeugs 2, 3, und damit die durch die Trajektorienpunkte gegebenen Fahrzeugposen x_i, werden hierbei jedoch als ideale Messungen angenommen, das heißt, die Unsicherheiten der Odometriemessungen werden für die Erstellung eines Wahrscheinlichkeits-Merkmalsrasters nicht berücksichtigt.
Auf entsprechende Weise kann auch ein Wahrscheinlichkeitsfeld für die Randbebauungen erstellt werden.
Es wird nun das für den gewählten Trajektorienpunkt x_i der ersten Trajektorie erstellte Merkmalsraster für die Fahrspurmarkierungen mit dem mit dem entsprechenden Wahrscheinlichkeitsfeld-Merkmalsraster für die Fahrspurmarkierungen für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie korreliert unter Translation in x- und y- Richtung und unter Rotation, wobei für jede Position x, y und für jeden Winkel θ die Werte der sich jeweils überdeckenden Zellen miteinander multipliziert werden und die Multiplikationsergebnisse aller Zellen aufsummiert werden, um ein Korrelationsergebnis zu bilden.
Dieses Korrelationsergebnis wird darauf hin untersucht, für welche Werte x, y und θ das Korrelationsergebnis maximal wird, wie beispielhaft in dem Graphen der 5 veranschaulicht. Aus der Form des Maximums kann auch die Unsicherheit bzw. Kovarianz der Korrelation abgeleitet werden, wie durch die in der 5 beispielhaft eingezeichnete Wahrscheinlichkeitsellipse veranschaulicht. Die so ermittelten Werte x, y und θ und die zugehörigen Kovarianzen bilden, gegebenenfalls unter Berücksichtigung einer Koordinatensystemtransformation zwischen dem Trajektorienpunkt x_i bzw. x_j und den gegebenenfalls andere Koordinatensysteme verwendenden Merkmalsraster bzw. Wahrscheinlichkeitsfeld-Merkmalsraster, eine Assoziationshypothese Δx_ij.
Auf ähnliche Weise kann auch das für den gewählten Trajektorienpunkt x_i der ersten Trajektorie erstellte Merkmalsraster für die Randbebauungen mit dem entsprechenden Wahrscheinlichkeitsfeld-Merkmalsraster für die Randbebauungen für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie korreliert werden, um ebenfalls eine Assoziationshypothese Δx_ij zu bilden.
Es können daher als Ergebnis des Ausführens mehrerer Korrelationen von Merkmalsraster/Wahrscheinlichkeits-Merkmalsraster-Kombinationen mehrere Assoziationshypothesen gebildet werden. Ebenso können auch für jeweils eine einzelne Merkmalsraster/Wahrscheinlichkeits-Merkmalsraster-Kombination, auf Grund des Auftretens mehrerer Maxima, mehrere Assoziationshypothesen gebildet werden. Letzteres kann insbesondere für eine Korrelation eines Merkmalsrasters mit einem Wahrscheinlichkeits-Merkmalsraster für Fahrstreifenmarkierungen auftreten, beispielsweise im Fall einer Mehrspurigen Autobahn, bei der zwei oder mehr Fahrspuren jeweils durch einander ähnliche, sich nur in der Lage in y-Richtung quer zur Fahrspur unterscheidende Fahrspurmarkierungen gekennzeichnet sind. Dies ist beispielhaft in der 6 dargestellt, die eine Situation zeigt, in der 3 Assoziationshypothesen für Fahrspurmarkierungen und eine weitere Assoziationshypothese für Randbebauungen gezeigt sind, die jeweils mit ihren Wahrscheinlichkeitsellipsen dargestellt sind.
Es werden daher die gebildeten Assoziierungshypothesen einer Plausibilisierung unterworfen. Es können dabei die auf dem Gebiet der Fusion von Sensordaten im Bereich der Fahrerassistenzsysteme bekannten und erprobten Verfahren angewendet werden, wie beispielsweise Gating und die Anwendung einer Mahalanobis-Metrik, um die Mahalanobis-Distanz d_Maha zwischen den Hypothesen berechnet und mit einem χ²-Schwellwert verglichen. Im Beispiel der 6 kann so beispielsweise bewertet werden, dass unter den drei Assoziationshypothesen, die für eine Assoziation basierend auf den Fahrstreifenmarkierungen gebildet wurden, die in dem Diagramm links oben gebildete Assoziationshypothese und die in dem Diagramm rechts unten gebildete Assoziationshypothese nicht plausibel sind und daher zu verwerfen sind. Die in dem Diagramm in der Mitte dargestellte, für eine Assoziation basierend auf den Fahrstreifenmarkierungen gebildete Assoziationshypothese, sowie die weiter in dem Diagramm dargestellte, für eine Assoziation basierend auf den Randbebauungen gebildete Assoziationshypothese können hingegen als plausibel bewertet werden. Es werden daher die als plausibel bewerteten Assoziationshypothesen weiter verfolgt und werden fusioniert, um als Ergebnis der Fusion eine fusionierte Assoziationshypothese zu bilden, welche bestimmt wird zur Verwendung zur Assoziation der Trajektorienpunkte x_i und x_j.
Entsprechend wird basierend auf der so bestimmten, zur Assoziation bestimmten Assoziationshypothese eine Kante zwischen den Graphenknoten x_i des Graphen für die Trajektorie des ersten Fahrzeugs 2 und den Graphenknoten x_j des Graphen für die Trajektorie des zweiten Fahrzeugs 3 eingefügt. Dies ist beispielhaft in der 7 dargestellt, wobei eine Assoziation vorgenommen wurde und eine Kante dx_2,i+1 eingefügt wurde, welche den Trajektorienpunkt x₂ mit dem Trajektorienpunkt x_i+1 verbindet.
Während im Vorstehenden die Bildung von Assoziationen zwischen der ersten Trajektorie und der zweiten Trajektorie beschrieben wurde, ist dies allein beispielhaft und nicht beschränkend. So kann beispielsweise jede erfasste Trajektorie grundsätzlich mit einer beliebigen Anzahl anderer Trajektorien assoziiert werden, wobei es jedoch bevorzugt ist, Assoziationen vorwiegend zwischen solchen Trajektorien vorzunehmen, die in einem Abschnitt, an der eine Assoziation erfolgen soll, eine gleiche oder direkt benachbarte Fahrspuren einnehmen, um ein möglichst gutes Ergebnis zu schätzen.
Weiter ist die im Vorstehenden beschriebene Bildung eines Merkmalsrasters für Fahrspurmarkierungen und eines Merkmalsrasters für Randbebauungen für die erste Trajektorie, sowie die entsprechende Bildung entsprechend zugehöriger Wahrscheinlichkeits-Merkmalsraster für die zweite Trajektorie ebenfalls allein beispielhaft und nicht beschränkend. So können ergänzend oder alternativ auch Merkmalsraster und entsprechende Wahrscheinlichkeitsfeld-Merkmalsraster für andere Arten von Landmarken gebildet werden, und/oder es können mehrere unterschiedliche Arten von Landmarken in einem Merkmalsraster bzw. einem entsprechend zugehörigen Wahrscheinlichkeitsfeld-Merkmalsraster aggregiert werden. Auch ist es möglich, für die Zwecke der Assoziierung nur ein Merkmalsraster und ein entsprechendes Wahrscheinlichkeitsfeld-Merkmalsraster zu bilden, oder jeweils eine beliebige Anzahl an Merkmalsrastern und entsprechenden Wahrscheinlichkeitsfeld-Merkmalsrastern für unterschiedliche Merkmale zu bilden.
Ebenso ist es alternativ oder ergänzend auch mögliche, ein oder mehrere Belegungsraster und ein oder mehrere entsprechend zugehörige Wahrscheinlichkeitsfeld-Belegungsraster zu bilden und als Grundlage für die Assoziierung an Stelle der oder in Ergänzung zu den beschriebenen Merkmalsrastern und entsprechenden Wahrscheinlichkeitsfeld-Merkmalsrastern. Die Belegungsraster und die Wahrscheinlichkeitsfeld-Belegungsraster können dabei entsprechend den für die Merkmalsraster beziehungsweise Wahrscheinlichkeitsfeld-Merkmalsraster vorstehend beschriebenen Vorgehensweisen gebildet werden.
Der so erhaltene, durch die formulierten Kanten gebildete Graph (siehe 7) stellt den Informationsgraph G dar. Zum Informationsgraph G wird nun das zugehörige Gütefunktional F(x) gebildet:
Ziel der Optimierung ist die Minimierung des Gütefunktionals F(x), um eine optimale Schätzung der gefahrenen Trajektorien bzw. der Trajektorienpunkte x* zu erhalten:
Zur Lösung dieses Optimierungsproblems wird das Gütefunktional F(x) angenähert durch eine Linearisierung oder durch eine Taylor Entwicklung erster Ordnung um den Arbeitspunkt, der durch die Posen x_t gebildet wird. Auf diese Weise lässt sich das Optimierungsproblem auch so darstellen, eine Lösung für das lineare Gleichungssystem zu finden: HΔx* = b x* = x ∨+ Δx* wobei x* den Vektor der optimal geschätzten Trajektorienpunkte darstellt, den Vektor der gemessenen bzw. auf Basis der erfassten Odometriedaten ermittelten Trajektorienpunkte, als Arbeitspunkt für die Taylor-Entwicklung, und Δx* den Vektor der Abweichungen zwischen den ermittelten Trajektorienpunkten x_t und den zu schätzenden Trajektorienpunkten x * / t angibt. Die Matrix H wird als Informationsmatrix bezeichnet und kann auch angegeben werden als: H = JT∑^–1J wobei ∑ die Matrix der Kovarianzen und J die Jacobian der Bedingungsgleichungen darstellt.
Während die Lösung dieses linearen Gleichungssystems leicht erhalten werden kann, wenn nur eine begrenzte Anzahl von Trajektorienpunkten x_t geschätzt werden muss, stellt die Lösung dieses Gleichungsproblems erhebliche Anforderungen an Rechen- und Speicherkapazität, wenn eine sehr große Anzahl von Trajektorienpunkten geschätzt werden soll. Diese Schwierigkeit kann insbesondere Auftreten, wenn viele und/oder lange Straßenstrecken, oder gar ein ganzes Straßennetz, in dem Informationsgraphen abgebildet sind und das zu lösende Problem entsprechend umfangreich ist.
Um diese Schwierigkeit zu adressieren, wird vorgeschlagen, das zu lösende Optimierungsproblem in eine Anzahl von Teilproblemen zu unterteilen und die Teilprobleme jeweils separat einer Optimierung zuzuführen, wie im Nachfolgenden beschrieben wird.
Die 8 zeigt beispielhaft einen Ausschnitt eines Informationsgraphen G, der in eine Anzahl Q von Informations-Subgraphen G_i zerlegt wird. Dazu wird der Informationsgraph G aufgetrennt, wie im Beispiel der 8 entlang der als Separation i bezeichneten Linie: Die Trennstellen, die in der 8 als Knoten dargestellt sind, die mit einem Quadrat umfasst sind, werden hierbei als Separatorknoten bezeichnet. Ausgehend von der Trennstelle, die von den Separatorknoten für die Separation i gebildet wird, wird nun eine weitere Trennstelle gebildet, die in der 8 durch die als Separation i + 1 bezeichnete Linie dargestellt ist, um einen Informations-Subgraphen G_i zu erhalten. Ausgehend von der Trennstelle, die der als Separation i + 1 bezeichneten Linie entspricht, kann weiter fortgeschritten werden, um durch Bilden einer weiteren Trennstelle, entsprechend einer Separation i + 2 (in der 8 nicht dargestellt) einen weiteren Information-Subgraphen G_i+1 von dem Informationsgraphen G abzutrennen. Durch wiederholtes Auftrennen kann so der Informationsgraph G separiert werden in eine Anzahl Q von Information-Subgraphen G₁, G₂, ..., G_Q, Weiter kann für jeden der Informations-Subgraphen G_i eine entsprechende Informations-Submatrix H_i gebildet werden.
Um zu vermeiden, dass durch das Auftrennen des Informationsgraphen G in eine Vielzahl Q von Informations-Subgraphen G_i und durch das nachfolgende Lösen einzelner Teilprobleme zusätzliche größere Fehler eingeführt werden, werden die Stellen, an denen der Informationsgraph G aufgetrennt und separiert wird, so gewählt, dass die einzelnen Information-Subgraphen G_i hinreichend groß bzw. „lang” sind, so dass eine Änderung eines Wertes auf einer Seite eines Informations-Subgraphen G_i, das heißt, eine Veränderung durch Aufschalten einer Störung, oder durch eine andere Perturbation, eines Wertes eines beliebigen der Separator-Knoten, welche die Trennstelle des Informations-Subgraphen G_i auf einer Seite bilden, welche hier als Eingangsseite bezeichnet werden soll, auf der am anderen Ende liegenden Trennstelle, hier als Ausgangsseite bezeichnet, zu Änderungen der entsprechenden Werte der Separator-Knoten führt, die kleiner als ein vorgegebener Schwellwert ist.
Als Maß kann hierbei beispielsweise die Änderung der Werte der Ausgangs-Separatorknoten bei Anlegen einer vorgegebenen Perturbation auf die Eingangs-Separatorknoten dienen. Vorzugsweise werden, um eine einfache Maßzahl zu erhalten, die Änderungen in den Ausgangs-Separatorknoten mit einer Norm, wie beispielsweise der Betragsnorm ||x||, der euklidischen Norm ||x||₂, oder der Maximumsnorm ||x||_∞ bewertet und aufsummiert. Die Berechnung der Werte für die Ausgangs-Separatorknoten kann dabei erfolgen, indem eine lokale Optimierung für den Informations-Subgraphen G_i vorgenommen wird. Auf diese Weise lassen sich sehr genaue Ergebnisse erzielen, allerdings erfordert die Lösung des Optimierungsproblems einen entsprechenden Rechenaufwand.
Vorzugsweise wird daher die Änderungen der Ausgangs-Separatorknoten lediglich an Hand der bereits um den Arbeitspunkt linearisierten Informations-Submatrix H_i berechnet, ohne in weiteren Iterationsschritten basierend auf den iterativ ermittelten Ergebnissen den Arbeitspunkt neu zu wählen und eine erneute Linearisierung vorzunehmen.
Alternativ oder ergänzend kann als weiteres Maß auch die Kovarianz zwischen Eingangs- und Ausgangs-Separatorknoten herangezogen werden, wie in der 8 sinnbildlich dargestellt ist. Dies ist jedoch nicht beschränkend, und es kann die Bestimmung der Trennstellen auch auf anderen Erwägungen beruhen, wie beispielsweise der Anzahl an GNSS Messungen, die innerhalb des Informations-Subgraphen G_i als unäre Kanten eingefügt sind und entsprechende Bedingungen für die entsprechenden Knoten darstellen, oder heuristische Werte, die beispielsweise die Streckenlänge berücksichtigen, die von einem Informations-Subgraphen G_i repräsentiert wird, wobei Erfahrungswerte dafür existieren können, ab welchen Streckenlängen es erwartet werden kann, dass die genannte Bedingung erfüllt ist.
Basierend auf den so erhaltenen Informations-Subgraphen G₁, G₂, ..., G_Q und den entsprechenden Informations-Submatrix H₁, H₂, ..., H_Q werden nun lokale Optimierungen wie nachfolgend beschrieben ausgeführt.
Beginnend mit dem ersten Information-Subgraphen G₁ und dem hierzu adjazenten, nächsten Informations-Subgraphen G₂ wird ein aus beiden Information-Subgraphen G₁, G₂ bestehender Graph zur Optimierung gebildet, wie in der 9 dargestellt, sowie eine entsprechende Informationsmatrix. Diese kann, wie in dem Beispiel der 9 dargestellt, basierend auf den zwei Informationsmatrizen G₁, G₂ gebildet werden, wobei der Block, der den Ausgangs-Separatorknoten für den Informations-Subgraphen G₁ entspricht, identisch ist mit dem Block, der den Eingangs-Separatorknoten für den Informations-Subgraphen G₂ entspricht. Dies ist die Konsequenz dessen, dass die Separatorknoten, an denen der Informationsgraph G in zwei Informations-Subgraphen getrennt wurde, in beiden Informations-Subgraphen G₁, G₂ enthalten sind. Alternativ ist es natürlich ebenso möglich, die Informationsmatrix für den aus den beiden Informations-Subgraphen G₁, G₂ gebildeten Graphen direkt zu erstellen.
Für den so gebildeten Graphen und die so gebildete Informationsmatrix wird nun eine lokale Optimierung ausgeführt, wie oben beschrieben, um die optimalen Schätzungen x* für die durch den so gebildeten Graphen repräsentierten Trajektorienpunkte zu ermitteln. Es werden hier nun nur die Schätzungen x* beibehalten, die den Trajektorienpunkten des Informations-Subgraphen G₁ entsprechen. Dies beinhaltet auch die Ausgangs-Separatorknoten des Informations-Subgraphen G₁, welche gleichzeitig die Eingangs-Separatorknoten des Informations-Subgraphen G₂ bilden und die in der 9 als in der Mitte liegend dargestellt sind.
Nach einer erfolgten lokalen Optimierung schreitet das Verfahren weiter, um eine nächste lokale Optimierung auszuführen. Es wird hierbei jeweils um einen Informations-Subgraphen weiter geschritten. So wird nach der lokalen Optimierung basierend auf den Informations-Subgraphen G₁ und G₂, wie in 9 dargestellt, bzw. allgemein nach einer lokalen Optimierung basierend auf den Informations-Subgraphen G_i-1 und G_i, als nächstes ein Graph gebildet, der aus den Informations-Subgraphen G_i und G_i+1 besteht, wie in der 10 dargestellt. Es werden weiter die Ausgangs-Separatorknoten für den Informations-Subgraphen G_i, für die im vorhergehenden Iterationsschritt optimale Schätzungen x* ermittelt wurden, auf die so ermittelten Schätzungen fixiert und werden nicht verändert, und es wird nun eine lokale Optimierung des aus den Informations-Subgraphen G_i und G_i+1 bestehenden Graphen ausgeführt. Diese Iteration über adhärente Information-Subgraphen G_i wird sukzessive ausgeführt, bis alle Informations-Subgraphen G_i Gegenstand der lokalen Optimierung geworden sind.
Für den Fall, dass der Informationsgraph G einen kreisförmigen Streckenverlauf beschreibt, der in die Q Informations-Subgraphen G_i zerlegt wird, findet eine letzte lokale Optimierung wie beschrieben basierend auf den adjazenten Informations-Subgraphen G_Q und G₁ statt. Im Falle einer offenen Strecke hingegen findet der Informations-Subgraph G_Q keinen weiteren adjazent benachbarten Information-Subgraphen (der entsprechend G_Q+1 zu nummerieren wäre), mit dem eine weitere lokale Optimierung durchgeführt werden könnte und die Iteration über die Informations-Subgraphen G_i endet an dieser Stelle.
Es kann so eine optimale Schätzung x* der Trajektorienpunkte für den Informationsgraphen G erhalten werden.
Bevorzugt werden zusätzlich zu den optimal geschätzten Trajektorienpunkte x* weiter auch die entsprechenden Varianzen der geschätzten Trajektorienpunkte x* berechnet. Hierzu erfolgt zunächst eine Neuberechnung der Informations-Submatrizen H_i, wobei die optimale Schätzung x* der Trajektorienpunkte als neuer Arbeitspunkt für die Neuberechnung gewählt wird. Weiter werden die Einflüsse, die auf Grund der separierten und getrennten lokalen Optimierung basierend auf den jeweiligen Information-Subgraphen G_i und den Informations-Submatrizen H_i auftreten können, dadurch kompensiert, dass eine Informationspropagation vorgenommen wird. Es werden dabei jeweils die Einträge für die Ausgangs-Separatorknoten in einer Informations-Submatrix H_i mit den Einträgen für die Eingangs-Separatorknoten in der adjazent benachbarten Informations-Submatrix H_i+1 getauscht, wie in der 11 dargestellt. Basierend auf den so durch Informationspropagation berichtigten Information-Submatrizen H₁, H₂, ..., H_Q kann eine Neuberechnung der zugehörigen Kovarianzmatrix erfolgen, aus der die einzelnen Varianzwerte entnommen werden können.
Auf diese Weise kann eine optimale Schätzung x* der Trajektorienpunkte und eine optimale Schätzung der zugehörigen Varianzen erhalten werden.
In einem nächsten Schritt kann nun anhand der optimal geschätzten Trajektorienpunkte x* und den zugeordneten Perzeptionsdaten ein Straßenmodell gebildet werden, wie beispielhaft in der 12 dargestellt.
Hierzu können für die jeweils erfassten Landmarken, sowie gegebenenfalls andere erkannte Objekte zunächst eine jeweilige globale Lage c i / t bestimmt werden, vorzugsweise als SE(2) Punkt, also durch ihre Position in der x–y Ebene und ihre Ausrichtung θ: c i / t = (x i / t y i / t θ i / t)^T
Die Berechnung erfolgt anhand der geschätzten Trajektorienpunkte x * / t , den jeweils zugehörigen Landmarkenmessungen z i / t und einem sensorspezifischen Messmodell h(z i / t , x_t): c i / t = h(z i / t, x_t) + N(0, S i / t)
Die Landmarken, sowie gegebenenfalls andere erkannte Objekte, werden aggregiert. Ebenso können auch vorhandene Rasterdaten aggregiert werden. Da hierbei typischerweise einzelne Objekte und Merkmale auf Grund mehrfacher Erfassung in den mehreren Trajektorien mehrfach vorliegen, kann jede Erfassung eines Objekts oder eines Merkmals wiederum als eine Hypothese betrachtet werden und es können wiederum die auf dem Gebiet der Fusion von Sensordaten im Bereich der Fahrerassistenzsysteme bekannten und erprobten Verfahren angewendet werden, wie beispielsweise Gating und die Anwendung einer Mahalanobis-Metrik, um die Mahalanobis-Distanz d_Maha zwischen den Hypothesen zu berechnen und mit einem χ²-Schwellwert zu verglichen, um die einzelnen Hypothesen zu plausibilisieren und als plausibel bewertete Hypothesen zu fusionieren, um für jedes Objekt oder Merkmal ein entsprechendes, einzelnes Fusionsergebnis mit durch die Fusion entsprechend verbesserter Kovarianz zu erhalten. Die Objekte und Merkmale können als Objekte mit einer Information über die Lage, das heißt, die Positionen x und y sowie gegebenenfalls die Orientierung θ, und die Kovarianz in dem Straßenmodell verzeichnet werden. Basierend auf den optimal geschätzten Trajektoriendaten, den aggregierten Landmarken, den aggregierten Rasterdaten, sowie gegebenenfalls auf Basis weiterer Perzeptionsdaten kann auch ein Modell der Fahrbahnen erstellt werden, um zum Beispiel eine Straße durch die Anzahl, Lage und den Verlauf von Fahrspuren, insbesondere deren Krümmung, zu beschreiben und um eine entsprechende Fahrbahnmodellbeschreibung in dem Straßenmodell abzulegen. Gegebenenfalls können auch weitere Daten als referenzierte Daten höherer Ebene aggregiert werden und in dem Straßenmodell abgelegt werden.
Auf diese Weise kann, wie beispielhaft in der 13 dargestellt, ein Straßenmodell erhalten werden, das eine hochgenaue Beschreibung einer Straße bzw. eines Straßennetzes darstellt und das vorteilhaft als Basis zur Ausführung komplexer, hohe Zuverlässigkeit und Genauigkeit erfordernder Fahrerassistenzfunktionen dienen kann.
Während im Vorstehenden beschrieben wurde, wie allein auf Basis der Erfassung von Trajektoriendaten ein Straßenmodell neu erstellt wird, mag es wünschenswert sein, ein bereits erstelltes, vorhandenes Straßenmodell weiter zu pflegen, und insbesondere zu ergänzen in Bereichen, die bisher nicht von dem Straßenmodell abgedeckt sind. Dies kann beispielsweise der Fall sein, wenn zunächst nur ein Straßenmodell für Autobahnen erstellt wird und anschließend das Straßenmodell ergänzt werden soll, um auch Landstraßen oder auch innerstädtische Straßen sukzessive zu erfassen, zu integrieren und abzudecken.
Es wird daher nachfolgend mit Bezug auf die 14 ein Verfahren 200 zum Ergänzen eines digitalen Straßenmodells in einem von dem digitalen Straßenmodell nicht abgedeckten Bereich eines Straßennetzes gemäß einer Ausführungsform beschrieben.
Wie in der 14 dargestellt, wird in dem Verfahren 200 zunächst ein digitales Straßenmodell bereitgestellt und es werden Bereiche identifiziert, die von dem Straßenmodell nicht abgedeckt werden (210). Es werden nun für diese nicht abgedeckten Bereiche, sowie für hierzu adjazente Bereiche, die durch das Straßenmodell abgedeckt werden, Trajektoriendaten und Perzeptionsdaten erfasst (220), und es werden die Trajektorien miteinander assoziiert (230). Es wird dabei im Wesentlichen wie mit Bezug auf die vorstehend beschriebenen Schritte 110 und 120 des Verfahrens 100 beschrieben vorgegangen.
Im Unterschied zum vorstehend beschriebenen Verfahren 100 der 1 wird weiter ein Schritt 230 ausgeführt, um Trajektorien bzw. einzelne Trajektorienpunkte mit dem Straßenmodell zu assoziieren, um die Trajektorien innerhalb und an Hand des existierenden Straßenmodells zu lokalisieren und zu „verankern”.
Eine derartige Lokalisierung wird gebildet, indem ein Trajektorienpunkt x_k der zu assoziierenden Trajektorie gewählt wird, welcher einer Position entspricht, die in einem von dem digitalen Straßenmodell abgedeckten Bereich liegt, und es wird für den zu assoziierenden Trajektorienpunkt x_k beispielsweise ein Merkmalsraster für Fahrbahnmarkierungen und ein Merkmalsraster für Randbebauungen erstellt, wie es beispielsweise vorstehend für den Schritt 120 des Verfahrens 100 beschrieben wurde.
Es werden weiter ein entsprechend zugeordnetes Wahrscheinlichkeitsfeld-Merkmalraster für Fahrbahnmarkierungen und ein entsprechend zugeordnetes Wahrscheinlichkeitsfeld-Merkmalraster für Randbebauungen erstellt, wobei zur Bildung einer Lokalisierung mit Bezug auf das Straßenmodell diese im Unterschied zum Verfahren 100 jedoch nicht auf Basis einer zweiten Trajektorie gebildet werden, sondern nunmehr gebildet werden basierend auf dem digitalen Straßenmodell für einen Bereich, der dem aktuellen Trajektorienpunkt x_k und der Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und der Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... entspricht. Die Wahrscheinlichkeitsdichtefunktion wird dabei bestimmt basierend auf in dem Straßenmodell für die entsprechenden Objekte, hier Fahrspurmarkierungen und Randbebauungen, verzeichneten Kovarianzen.
Die Merkmalsraster für die Fahrbahnmarkierungen und für die Randbebauungen, die dem gewählten Trajektorienpunkt x_k zugeordnet sind, werden anschließend mit den entsprechenden Wahrscheinlichkeits-Merkmalsrastern für die Fahrbahnmarkierungen und für die Randbebauungen korreliert, um entsprechende Lokalisierungshypothesen zu bilden.
Auch hier können für jeden mit Bezug zum Straßenmodell zu lokalisierenden Trajektorienpunkt x_k ein oder mehrere Merkmalsraster gebildet werden, und/oder alternativ oder ergänzend ein oder mehrere Belegungsraster gebildet werden, wobei basierend auf dem Straßenmodell jeweils entsprechende Wahrscheinlichkeitsfeld-Merkmalsraster und/oder Wahrscheinlichkeitsfeld-Belegungsraster gebildet werden, wie entsprechend im Vorhergehenden für die Assoziierung von Trajektorienpunkten zweier Trajektorien mit Bezug auf das Verfahren 100 beschrieben wurde.
Die derart gebildeten Lokalisierungshypothesen können bewertet werden, insbesondere plausibilisiert und fusioniert werden, um eine zur Lokalisierung des Trajektorienpunkts x_k zu verwendende Lokalisierungshypothese zu bestimmen. Hierbei kann entsprechend den Prinzipien der Bewertung, insbesondere der Plausibilisierung und Fusionierung von Hypothesen vorgegangen werden, welche vorstehend mit Bezug auf das Verfahren 100 für die Assoziationshypothesen beschrieben wurden.
Wie mit Bezug auf das Verfahren 100 beschrieben kann nunmehr, basierend auf den Odometriedaten, den Positionsdaten und den Assoziationshypothesen, ein Informationsgraph G erstellt werden, wobei wiederum die Trajektorienpunkte x_t die Knoten des Graphen bilden und zur Beschreibung der Fahrzeugbewegung binäre Kanten zwischen den Knoten der benachbarten Trajektorienpunkte x_t-1 und x_t erstellt werden. Basierend auf den Assoziationshypothesen werden weiter wie vorstehend beschrieben jeweilige Kanten eingefügt, welche die miteinander assoziierten Trajektorienpunkte x_i, x_j verbinden. Ebenfalls wie verstehend beschrieben werden GNSS-Messungen durch unäre Kanten auf einen Trajektorienpunkt x_t beschrieben.
Zusätzlich sind hier nun die Bedingungen basierend auf den ermittelten Lokalisierungshypothesen im Informationsgraph G darzustellen. Da jede Lokalisierungsbedingung, das heißt, die durch das Korrelieren der Merkmalsraster und Wahrscheinlichkeitsfeld-Merkmalsraster ermittelte und so gewissermaßen „gemessene” Zuordnung eines betreffenden Trajektorienpunkts x_k zu einer Position im und in einer Orientierung relativ zum Straßenmodellkoordinatensystem dem Wesen nach mit einer Positionsbestimmung durch GNSS-Messung verglichen werden kann, wird für jede Lokalisierungsbedingung, die im Informationsgraph G abzubilden ist, ebenfalls eine unäre Kante auf den betreffenden jeweiligen Trajektorienpunkt x_k gebildet. Jede abzubildende Lokalisierungsbedingung besteht folglich aus dem Messvektor z_Loc,t und der zugehörigen Kovarianz ϒ_Loc,t: z_Loc,t = (x ~ y ~ θ ~)^T
Für jede Lokalisierungsbedingung ergibt sich eine Log-Likelihood-Bedingung wie folgt: (z_Loc,t – x_t)^Tϒ –1 / Loc,t(z_Loc,t – x_t)
Entsprechend ist das Gütefunktional F(x), das Grundlage der Optimierung bildet, in diesem Fall gegeben als:
Basierend auf diesem Gütefunktional kann, entsprechend wie vorstehend mit Bezug auf das Verfahren 100 beschrieben, eine Informationsmatrix H erstellt werden und basierend darauf eine optimale Schätzung der Trajektorienpunkte x* und der zugehörigen Kovarianzen abgeleitet werden.
Weiter können die als Perzeptionsdaten erfassten Objekte und Merkmale basierend auf den optimal geschätzten Trajektorienpunkten aggregiert und fusioniert werden. Es können dabei die Techniken zur Aggregation von Landmarken und/oder Rasterdaten angewandt werden, die vorstehend mit Bezug auf das Verfahren 100 beschrieben sind. Zum Beispiel können Landmarken und Rasterdaten aggregiert zu werden, und es kann basierend auf dem Ergebnis der Aggregation und Fusion der Landmarken und/oder Rasterdaten ein Fahrbahnmodell gebildet werden, das einen bisher vom bestehenden Straßenmodell nicht umfassten bzw. abgedeckten Bereich beschreibt. Das bestehende Straßenmodell kann auf diese Weise um den neu erfassten Bereich ergänzt und erweitert werden.
Das Verfahren zum Ergänzen eines digitalen Straßenmodells kann auch dazu verwendet werden, um ein digitales Straßenmodell zu aktualisieren, wie beispielsweise im Fall eines fehlerhaften Abschnitts des Straßenmodells. Wenn etwa erkannt wird, dass sich die tatsächliche Straßenführung beispielsweise auf Grund einer neu eingerichteten Baustelle im Vergleich zum Straßenmodell geändert hat, kann der entsprechende Bereich des Straßenmodells als fehlerbehaftet bewertet werden. In diesem Fall kann der entsprechende Bereich aus dem Straßenmodell entfernt werden und der betreffende Bereich kann korrigiert bzw. aktualisiert werden, in dem für den entfernten fehlerhaften Bereich als dem von dem digitalen Straßenmodell nicht abgedeckten Bereich des Straßennetzes das Verfahrens zum Ergänzen eines digitalen Straßenmodells ausgeführt wird.
Als eine weitere Ausführungsform wird nun ein Verfahren zur Eigenlokalisation eines Fahrzeugs (2, 3) beschrieben.
Hierzu wird in einem Fahrzeug 2, 3 ein digitales Straßenmodell, oder ein Ausschnitt eines digitalen Straßenmodells, in dem Fahrzeug 2, 3 bereitgestellt. Das digitale Straßenmodell kann beispielsweise auf einem zentralen Server bereitgestellt sein, und das Fahrzeug 2, 3 kann mit einer Kommunikationseinrichtung ausgestattet sein, um über eine drahtlose Kommunikationsverbindung Ausschnitte des digitalen Straßenmodells von dem zentralen Server abzurufen und lokal zu speichern.
Während der Fahrt zeichnet das Fahrzeug Trajektoriendaten und Perzeptionsdaten für eine von dem Fahrzeug zurückgelegte Trajektorie auf.
Basierend auf den Trajektoriendaten und Perzeptionsdaten, sowie dem digitalen Straßenmodell, beziehungsweise dem Ausschnitt des digitalen Straßenmodells, werden dabei periodisch ein oder mehrere Belegungsraster und/oder ein oder mehrere Merkmalsraster basierend auf Perzeptionsdaten für einen Trajektorienpunkt x_i, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... zugeordnet sind, erstellt. Dies geschieht im Wesentlichen wie vorstehend mit Bezug auf die Verfahren 100 und 200 beschrieben, wobei in diesem Fall jedoch die Merkmals- und/oder Belegungsraster, ausgehend vom gewählten Trajektorienpunkt x_i, der vorzugsweise eine aktuelle Pose des Fahrzeugs 2, 3 darstellt, entgegen der Zeit- und Fahrtrichtung in die Vergangenheit gerichtete Betrachtung erstellt werden. Auf diese Weise eignet sich das Verfahren für eine aktuelle Online-Schätzung der Fahrzeugpose, für die (noch) keine zukünftigen Trajektorienwerte zur Verfügung stehen.
Basierend auf dem Straßenmodell, beziehungsweise auf dem Ausschnitt des Straßenmodells, wird basierend auf dem Straßenmodell oder dem Ausschnitt des Straßenmodells weiter zumindest ein entsprechendes Wahrscheinlichkeitsfeld-Belegungsraster und/oder zumindest ein entsprechendes Wahrscheinlichkeitsfeld-Merkmalsraster gebildet für einen Bereich, der im Wesentlichen dem Trajektorienpunkt x_i und den vorhergehenden Trajektorienpunkten x_i-1, x_i-2, x_i-3, ... entspricht, und es werden das zumindest eine Belegungsraster und/oder das zumindest eine Merkmalsraster korreliert mit dem entsprechenden zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder mit dem entsprechenden zumindest einen Wahrscheinlichkeitsfeld-Merkmalsraster, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln. Für das ermittelte zumindest eine Maximum des Korrelationsergebnisses werden für den Trajektorienpunkt x_i, die Pose in Koordinaten des Straßenmodells und Kovarianzen bestimmt, um zumindest eine Lokalisierungshypothese zu bilden. Dies kann im Wesentlichen wie vorstehend mit Bezug auf das Verfahren 200 beschrieben erfolgen.
Ausgehend von der zumindest einen Lokalisierungshypothese kann nun eine Schätzung für den Trajektorienpunkt x_i als eine Eigenlokalisierung des Fahrzeugs gebildet werden.
Im einfachsten Fall kann die Schätzung der Eigenlokalisierung direkt durch die Lokalisierungshypothese gebildet werden, oder im Fall mehrerer Lokalisierungshypothesen, als Ergebnis des Plausibilisierens und Fusionierens der mehreren Lokalisierungshypothesen gebildet werden.
Alternativ kann die Schätzung der Eigenlokalisierung gebildet werden, indem ein Informationsgraph G basierend auf den Trajektoriendaten gebildet wird, eine unären Kante für den Trajektorienpunkt x_i in den Informationsgraphen G gemäß der Lokalisierungshypothese eingefügt wird, und optimale Schätzwerte für die Trajektorienpunkte der Trajektorie des Fahrzeugs bestimmt werden durch Optimieren des Informationsgraphen G.
Das Bilden von Merkmalsrastern und/oder Belegungsrastern, sowie entsprechender Wahrscheinlichkeitsfeld-Merkmalsraster und/oder Wahrscheinlichkeitsfeld-Belegungsraster, das Korrelieren derselben zur Bildung von Lokalisierungshypothesen, das Bewerten, insbesondere das Plausibilisieren und Fusionieren der Lokalisierungshypothesen, das Bilden eines Informationsgraphen sowie das Optimieren des Informationsgraphen kann dabei erfolgen entsprechend den Prinzipien, die vorstehend mit Bezug auf die Verfahren 100 und 200 beschrieben wurden.
In einer bevorzugten Weiterbildung des Verfahrens zur Eigenlokalisierung kann gleichzeitig das Straßenmodell auf mögliche Fehler überprüft werden, die beispielsweise durch zwischenzeitliche Änderungen von Fahrspurverläufen, wie beispielsweise im Fall von neu eingerichteten Baustellen, oder nach dem Beenden von Baumaßnahmen, verursacht sind. Zu diesem Zweck kann das Ergebnis der Plausibilisierung der Lokalisierungshypothesen überwacht werden, um zu prüfen, wie viele der gebildete Lokalisierungshypothesen verworfen werden, und/oder wie viele Lokalisierungshypothesen als plausibel bzw. gültig akzeptiert werden. Hierzu kann beispielsweise ein Vergleich der Kovarianzen der Lokalisierungshypothesen mit einem Schwellenwert ausgeführt werden, wobei, wenn die Kovarianzen einer Lokalisierungshypothese den Schwellenwert überschreiten, die betreffende Lokalisierungshypothese als fehlerhaft verworfen wird, und/oder es können Mahalanobis-Distanzen für die Lokalisierungshypothesen berechnet und die berechneten Mahalanobis-Distanzen mit einem χ²-Schwellwert verglichen werden, wobei für eine Mahalanobis-Distanz, die den χ²-Schwellwert überschreitet, die betreffende Lokalisierungshypothese als fehlerhaft verworfen wird.
So kann beispielsweise, wenn keine oder wenn weniger als eine vorbestimmte Anzahl gültiger Lokalisierungshypothesen gebildet sind, bestimmt werden, dass es einen Fehler in dem digitalen Streckenmodell oder dem Ausschnitt des digitalen Streckenmodells gibt. In diesem Fall kann das Fahrzeug 2, 3 eine Benachrichtigung an den zentralen Server senden, um diesen über die Position und gegebenenfalls die Art des Fehlers zu informieren. Der zentrale Server kann dann, insbesondere wenn mehrere Fahrzeuge einen Fehler in demselben Bereich melden, veranlassen, dass der als fehlerbehaftet bestimmte Bereich aktualisiert wird, beispielsweise indem der Server das vorstehend beschriebene Verfahren zum Aktualisieren eines digitalen Straßenmodells ausführt, oder dessen Ausführung durch eine andere Einheit veranlasst.
Die vorstehend beschriebenen Prinzipien können ferner auch dazu angewandt werden, um generell für beliebige Merkmale, die von Umfeldsensoren eines Fahrzeugs erfasst werden können, eine Georeferenzierung vorzunehmen.
Hierzu werden zunächst Trajektoriendaten und Perzeptionsdaten, die in diesem Fall Perzeptionsdaten für das zu georeferenzierende Merkmal umfassen, gesammelt. Für die Trajektorie kann dann eine optimale Schätzung von Trajektorienpunkten erfolgen, indem zumindest eine Georeferenzierung der Trajektorie zu dem Straßenmodell erstellt wird, ein Informationsgraph G gebildet wird und der Informationsgraph G optimiert wird, um optimale Schätzwerte für die Trajektorienpunkte der Trajektorie zu erhalten.
Die Georeferenzierung der Trajektorie kann dabei unter Bildung von einem Merkmalsraster oder einem Belegungsraster für einen Trajektorienpunkt x_k erfolgen, das korreliert wird mit einem entsprechenden Wahrscheinlichkeits-Merkmalsraster oder Wahrscheinlichkeits-Belegungsraster, das basierend auf dem Straßenmodell erstellt wird, um eine oder mehrere Georeferenzierungshypothese(n) für die Trajektorie zu bilden. Dabei kann insbesondere vorgegangen werden nach den Prinzipien, welche vorstehend für die Bildung einer Lokalisierungshypothese mit Bezug auf das Verfahren 200 beschrieben sind.
Die Georeferenzierungshypothese(n) können anschließend bewertet werden, und basierend auf dem Ergebnis der Bewertung kann eine unäre Kante an den den Trajektorienpunkt x_k repräsentierenden Knoten in den Informationsgraphen G eingefügt werden, entsprechend den vorstehend für die Bewertung von Lokalisierungshypothesen und deren Abbildung in dem Informationsgraphen G mit Bezug auf das Verfahren 200 beschrieben.
Als Ergebnis der Optimierung des Informationsgraphen G kann, wie vorstehend beschrieben, eine optimale Schätzung x* der Trajektorienpunkte der Trajektorie erhalten werden.
Es liegt somit auch eine optimale Schätzung x * / t für den Trajektorienpunkt vor, von dem aus das Merkmal erfasst wurde. Es kann daher eine globale Lage des Merkmals berechnet werden anhand der Schätzung x * / t , der zugehörigen Messung des betreffenden Merkmals z i / t und dem sensorspezifischen Messmodell h(z i / t , x_t): c i / t = h(z i / t, x_t) + N(0, S i / t)
Für den Fall, dass das Merkmal mehrfach erfasst wurde, das heißt, dass für mehrere Trajektorienpunkte eine Messung des betreffenden Merkmals vorliegt, kann jede Erfassung des Merkmals wiederum als eine Hypothese betrachtet werden und es können wiederum die auf dem Gebiet der Fusion von Sensordaten im Bereich der Fahrerassistenzsysteme bekannten und erprobten Verfahren angewendet werden, wie beispielsweise Gating und die Anwendung einer Mahalanobis-Metrik, um die Mahalanobis-Distanz d_Maha zwischen den Hypothesen zu berechnen und mit einem χ²-Schwellwert zu verglichen, um die einzelnen Hypothesen zu plausibilisieren und als plausibel bewertete Hypothesen zu fusionieren, um für das Merkmal ein entsprechendes, einzelnes Fusionsergebnis mit durch die Fusion entsprechend verbesserter Kovarianz zu erhalten.
Auf diese Weise kann eine globale Lage für das Merkmal bestimmt und so das Merkmal georeferenziert werden. Es können daher beliebige Informationen hochgenau verortet werden in einem globalen Koordinatensystem. So kann beispielsweise ein statischer Ölfleck, ein sich bewegendes Stauende, oder ein mit einer Panne liegen gebliebenes Fahrzeug erfasst und hochgenau verortet werden. Generell kann auf diese Weise eine georeferenzierte Position bzw. Lage für jede beliebige Art von Merkmalen bestimmt werden, die sich mit Umfeldsensoren eines Fahrzeugs erfassen lassen. Insbesondere können die Merkmale statische Merkmale, dynamische Merkmale, oder auch Ereignisse, wie das Eintreten einer bestimmten Bedingung oder das Auftreten eines bestimmten Zustands an einem zu georeferenzierenden Ort und zu einer Zeit des Ereignisses, umfassen.
Da die Ortsangaben hochgenau in einem globalen und damit für andere Fahrzeuge wohldefinierten Koordinatensystem gegeben werden, ist es so möglich systemübergreifend andere Fahrzeuge über das Vorhandensein und die Position oder Lage von Merkmalen zu informieren, und gegebenenfalls von diesen ausgehenden Gefahren oder Behinderungen zu warnen.
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 Nicht-Patentliteratur

„Fast Iterative Alignment of Pose Graphs with Poor Initial Estimates”, Edwin Olson, John Leonard, und Seth Teller, ICRA '06, Proceedings of the IEEE International Conference an Robotics and Automation, Mai 2006, Seiten 2262 bis 2269 [0004]
„Real-Time Correlative Scan Matching”, Edwin B. Olson, ICRA '09, Proceedings of the IEEE International Conference an Robotics and Automation, Mai 2009, Seiten 1233 bis 1239 [0005]
„Large Scale Graph-based SLAM using Aerial Images as Prior Information”, R. Kümmerle, B. Steder, C. Dornhege, Alexander Kleiner, G. Grisetti und W. Burgard, Journal Autonomous Robots, Vol. 30, Issue 1, Seiten 25 bis 39. 2011 [0006]
”Slam in large-scale cyclic environments using the atlas framework”, Bosse, M., et al., The International Journal of Robotics Research, Vol. 23, No. 12, Seiten 1113 bis 2004, Dezember 2004 [0007]
”A multi-level relaxation algorithm for simultaneous localisation and mapping”, Frese, U., Larsson, P. und Duckett, T., IEEE Transactions an Robotics and Automation, Vol. 21, Issue 2 [0007]
”The Graph SLAM Algorithm with Applications to Large-Scale Mapping of Urban Structures”, Thrun, S. und Montemerlo, M., International Journal an Robotics Research, Vol. 25, Issue 5–6, Mai 2005 [0007]
On the use of likelihood fields to perform sonar scan matching localization”, Antoni Burguera, Yolanda González, Gabriel Oliver, Journal Autonomous Robots, Vol. 26, Issue 4, Mai 2009, Seiten 203 bis 222 [0008]
„Autonomes Fahren auf der Autobahn – Eine Potentialstudie für zukünftige Fahrerassistenzsysteme”, Sebastian Rauch, Michael Aeberhard, Michael Ardelt, Nico Kämpchen, 5. Tagung Fahrerassistenz, 15. bis 16. Mai 2012, München [0009]
http://www.ftm.mw.tum.de/lehrstuhl/tagungen/tagung-fahrerassistenz/5-tagungfahrerassistenz-2012/ [0009]
„Hochgenaue Eigenlokalisierung und Kollektives Erlernen hochgenauer digitaler Karten”, Sebastian Rauch, Artem Savkin, Thomas Schaller, Prof. Dr.-Ing. Peter Hecker, 13. Braunschweiger Symposium AAET 2012, 08. und 09. Februar 2012, Braunschweig [0010]

Claims

Verfahren (100) zum Erstellen eines digitalen Straßenmodells, aufweisend die Schritte: Erfassen (110) von Trajektoriendaten und Perzeptionsdaten für eine Mehrzahl von Trajektorien von einem oder mehreren Fahrzeugen (2, 3) bei der Durchfahrung von Abschnitten einer Straße oder eines Straßennetzes, wobei jeweils zwei Trajektorien der Mehrzahl von Trajektorien zumindest teilweise eine jeweilige Durchfahrung eines gleichen Abschnitts beschreiben, und wobei die Trajektoriendaten Odometriemessungen und Positionsmessungen umfassen; Erstellen (120) zumindest einer Assoziierung zwischen einer ersten Trajektorie und einer zweiten Trajektorie aus der Mehrzahl von Trajektorien; Bilden (130) eines Informationsgraphen G, wobei die Trajektorienpunkte der Mehrzahl von Trajektorien Knoten des Informationsgraphen G bilden, und basierend auf den Odometriemessungen und Positionsmessungen Kanten zwischen bzw. an den Knoten des Informationsgraphen G gebildet werden; Optimieren (140) des Informationsgraphen G, um eine optimale Schätzung der Trajektorienpunkte zu erhalten; Aggregieren und Fusionieren der Perzeptionsdaten (150) basierend auf den optimal geschätzten Trajektorienpunkten; und basierend auf den aggregierten und fusionierten Perzeptionsdaten, Erstellen des digitalen Straßenmodells (160), wobei zum Erstellen (120) jeder der zumindest einen Assoziierung jeweils: ein Trajektorienpunkt x_i der ersten Trajektorie gewählt wird, für den gewählten Trajektorienpunkt x_i der ersten Trajektorie zumindest ein Belegungsraster und/oder zumindest ein Merkmalsraster erstellt wird basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt x_i zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_i+1, x_i+2, x_i+3, ... zugeordnet sind, ein Trajektorienpunkt x_j der zweiten Trajektorie gewählt wird, für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder zumindest ein Wahrscheinlichkeitsfeld-Merkmalsraster erstellt wird basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_j-1, x_j-2, x_j-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_j+1, x_j+2, x_j+3, ... zugeordnet sind, für jedes des zumindest einen Belegungsrasters und/oder des zumindest einen Merkmalsrasters für den gewählten Trajektorienpunkt x_i der ersten Trajektorie, Korrelieren, unter Translation in x- und y-Richtung und unter Rotation, mit dem entsprechenden des zumindest einen Wahrscheinlichkeitsfeld-Belegungsrasters und/oder des zumindest einen Wahrscheinlichkeitsfeld-Merkmalsrasters für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie, Ermitteln zumindest eines Maximums des Korrelationsergebnisses, und Bestimmen der Translation dx, dy, der Rotation dθ und von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um eine Assoziationshypothese zu bilden; Bewerten der Assoziationshypothese(n), um eine zur Assoziation zu verwendende Assoziationshypothese zu bestimmen; und Einfügen zwischen dem Knoten x_i und dem Knoten x_j in dem Informationsgraphen G einer Kante dx_i,j der zur Assoziation bestimmten Assoziationshypothese, um den Trajektorienpunkt x_i mit dem Trajektorienpunkt x_j zu assoziieren.
Verfahren (100) nach Anspruch 1, wobei für den gewählten Trajektorienpunkt x_i der ersten Trajektorie ein Merkmalsraster für Fahrspurmarkierungen und ein Merkmalsraster für Randbebauungen erstellt wird, und für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie ein Wahrscheinlichkeitsfeld-Merkmalsraster für Fahrspurmarkierungen und ein Wahrscheinlichkeitsfeld-Merkmalsraster für Randbebauungen erstellt wird.
Verfahren (100) nach einem der vorstehenden Ansprüche, wobei mehrere Assoziationshypothesen gebildet werden, und das Bewerten der Assoziationshypothesen ein Plausibilisieren und Fusionieren der mehreren Assoziationshypothesen zur Bildung einer fusionierten Assoziationshypothese als zur Assoziation bestimmten Assoziationshypothese umfasst.
Verfahren (100) nach Anspruch 3, wobei das Plausibilisieren der Assoziationshypothesen umfasst: Vergleichen der Kovarianzen der Assoziationshypothesen mit einem Schwellenwert, wobei, wenn die Kovarianzen einer Assoziationshypothese den Schwellenwert überschreiten, die betreffende Assoziationshypothese verworfen wird; und/oder Berechnen von Mahalanobis-Distanzen für die Arbeitshypothesen und Vergleichen der berechneten Mahalanobis-Distanzen mit einem χ²-Schwellwert, wobei für eine Mahalanobis-Distanz, die den χ²-Schwellwert überschreitet, die betreffende Arbeitshypothese verworfen wird.
Verfahren (100) nach einem der vorstehenden Ansprüche, wobei zur Optimierung (140) des Informationsgraphen G: der Informationsgraph G separiert wird in eine Anzahl Q von Informations-Subgraphen G₁, G₂, ..., G_Q, wobei für eine Separation eines Informations-Subgraphen G_i+1 von einem Informations-Subgraphen G_i die Knoten, an denen die Separation erfolgt, für den Informations-Subgraphen G_i+1 als Eingangs-Separatorknoten und für den Information-Subgraphen G_i als Ausgangs-Separatorknoten bezeichnet werden, für jeden Informations-Subgraphen G₁, G₂, ..., G_Q eine entsprechende Informations-Submatrix H₁, H₂, ..., H_Q gebildet wird, und für i = 1 ... Q – 1 sukzessive jeweils die Eingangs-Separatorknoten des Sub-Graphen G_i fixiert und nicht verändert werden und eine lokale Graphoptimierung für einen aus den Informations-Subgraphen G_i und G_i+1 bestehenden Graphen ausgeführt wird.
Verfahren (100) nach Anspruch 5, wobei zur Separation des Informationsgraphen G die Separatorknoten so gewählt werden, dass eine Perturbation vorbestimmter Größe, die jeweils an die Eingangs-Separatorknoten eines jeweiligen Informations-Subgraphen G_i aufgeschaltet wird, zu einer Veränderung an den Ausgangs-Separatorknoten des Information-Subgraphen G_i führt, die kleiner als ein vorgegebener Schwellwert ist.
Verfahren (100) nach einem der Ansprüche 5 bis 6, weiter aufweisend die Schritte: Aufheben der Fixierung fixierter Separatorknoten; für alle Informations-Subgraphen G_i, Neuberechnung der Informations-Submatrizen H_i basierend auf den in der lokalen Graphoptimierung ermittelten optimalen Schätzwerte als Arbeitspunkt; für i = 1 ... Q – 1, jeweils wechselseitiges Tauschen der Einträge für die Ausgangs-Separatorknoten in der Informations-Submatrix H_i mit den Einträgen für die Eingangs-Separatorknoten in der Informations-Submatrix H_i+1; und danach Neuberechnen der Kovarianzen basierend auf den Information-Submatrizen H_i.
Digitales Straßenmodell, hergestellt nach einem der Verfahren 1 bis 7.
Verfahren (200) zum Ergänzen eines digitalen Straßenmodells in einem von dem digitalen Straßenmodell nicht abgedeckten Bereich eines Straßennetzes, aufweisend die Schritte: Bereitstellen (210) eines digitalen Straßenmodells, insbesondere eines digitalen Straßenmodells nach Anspruch 8; Identifizieren (210) zumindest eines Bereichs des Straßennetzes, das von dem digitalen Straßenmodell nicht abgedeckt ist; Erfassen (220) von Trajektoriendaten und Perzeptionsdaten für eine Mehrzahl von Trajektorien von einem oder mehreren Fahrzeugen (2, 3) bei der Durchfahrung von Abschnitten einer Straße oder eines Straßennetzes, wobei jeweils zwei Trajektorien der Mehrzahl von Trajektorien zumindest teilweise eine jeweilige Durchfahrung eines gleichen Abschnitts beschreiben, wobei die Trajektoriendaten Odometriemessungen und Positionsmessungen umfassen, und wobei die Gesamtheit der Mehrzahl von Trajektorien zumindest einen Teil des von dem digitalen Straßenmodell nicht abgedeckten Bereichs des Straßennetzes bedeckt, sowie weiter einen daran angrenzenden Bereich des Straßennetzes bedeckt, der von dem digitalen Straßenmodell abgedeckt ist; Erstellen (230) zumindest einer Assoziierung zwischen einer ersten Trajektorie und einer zweiten Trajektorie aus der Mehrzahl von Trajektorien; Erstellen (240) zumindest einer Lokalisierung der ersten Trajektorie zu dem Straßenmodell; Bilden (250) eines Informationsgraphen G; Optimieren (260) des Informationsgraphen G zum Erhalten von optimalen Schätzwerten für die Trajektorienpunkte der Trajektorien; Aggregieren und Fusionieren der Perzeptionsdaten (270); und basierend auf den aggregierten und fusionierten Perzeptionsdaten, Ergänzen des digitalen Straßenmodells (280), wobei zum Erstellen (230) jeder der zumindest einen Assoziierung zwischen der ersten Trajektorie und der zweiten Trajektorie jeweils: ein Trajektorienpunkt x_i der ersten Trajektorie gewählt wird, für den gewählten Trajektorienpunkt x_i der ersten Trajektorie zumindest ein Belegungsraster und/oder ein Merkmalsraster erstellt wird basierend auf Perzeptionsdaten, die dem gewühlten Trajektorienpunkt x_i zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_i+1, x_i+2, x_i+3, ... zugeordnet sind, ein Trajektorienpunkt x_j der zweiten Trajektorie gewühlt wird, für den gewühlten Trajektorienpunkt x_j der zweiten Trajektorie zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder ein Wahrscheinlichkeitsfeld-Merkmalsraster erstellt wird basierend auf Perzeptionsdaten, die dem gewühlten Trajektorienpunkt zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_j-1, x_j-2, x_j-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_j+1, x_j+2, x_j+3, ... zugeordnet sind, Korrelieren, unter Translation in x- und y-Richtung und unter Rotation, des zumindest einen Belegungsrasters und/oder einen Merkmalsrasters für den gewählten Trajektorienpunkt x_i der ersten Trajektorie mit dem zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder einen Wahrscheinlichkeitsfeld-Merkmalsraster für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen der Translation dx, dy und der Rotation dθ und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um eine Assoziationshypothese zu bilden; Bewerten der Assoziationshypothese(n), um eine zur Assoziation zu verwendende Assoziationshypothese zu bestimmen; und Einfügen einer Kante dx_i _,j in den Informationsgraphen G gemäß der Assoziationshypothese, um den Trajektorienpunkt x_i mit dem Trajektorienpunkt x_j zu assoziieren; und wobei zum Bilden (240) jeder der zumindest einen Lokalisierung der ersten Trajektorie zu dem Straßenmodell jeweils: ein Trajektorienpunkt x_k der ersten Trajektorie gewählt wird, welcher einer Position entspricht, die in einem von dem digitalen Straßenmodell abgedeckten Bereich liegt, zumindest ein Belegungsraster und/oder zumindest ein Merkmalsraster erstellt wird basierend auf Perzeptionsdaten für den gewählten Trajektorienpunkt x_k, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... zugeordnet sind, zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder ein Wahrscheinlichkeitsfeld-Merkmalsraster erstellt wird basierend auf dem digitalen Straßenmodell für einen Bereich, der im Wesentlichen dem aktuellen Trajektorienpunkt x_k und der Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und der Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... entspricht, das zumindest einen Belegungsrasters und/oder das zumindest eine Merkmalsraster für den gewählten Trajektorienpunkt x_k korreliert wird, unter Translation in x- und y-Richtung und unter Rotation, mit dem zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder mit dem zumindest einen Wahrscheinlichkeitsfeld-Merkmalsraster, das auf dem digitalen Straßenmodell basiert, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen, für den Trajektorienpunkt x_k, der Pose in Koordinaten des Straßenmodells und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um zumindest eine Lokalisierungshypothese zu bilden; Bewerten der Lokalisierungshypothese(n), um eine zur Lokalisierung zu verwendende Lokalisierungshypothese zu bestimmen; und Einfügen einer unären Kante an den den Trajektorienpunkt x_k repräsentierenden Knoten in den Informationsgraphen G gemäß der zur Verwendung bestimmten Lokalisierungshypothese.
Verfahren zum Aktualisieren eines digitalen Straßenmodells in einem von dem digitalen Straßenmodell abgedeckten Bereich eines Straßennetzes, der als fehlerhaft erkannt wurde, aufweisend die Schritte: Entfernen des fehlerhaften Bereichs aus dem digitalen Straßenmodell; und Ausführen des Verfahrens (200) zum Ergänzen eines digitalen Straßenmodells nach Anspruch 9 für den entfernten fehlerhaften Bereich als dem von dem digitalen Straßenmodell nicht abgedeckten Bereich des Straßennetzes.
Verfahren (300) zur Eigenlokalisation eines Fahrzeugs (2, 3), aufweisend die Schritte: Bereitstellen (310) eines digitalen Straßenmodells oder eines Ausschnitts eines digitalen Straßenmodells in dem Fahrzeug (2, 3), insbesondere eines digitalen Straßenmodells nach Anspruch 8; Erfassen (320) von Trajektoriendaten und Perzeptionsdaten für eine von dem Fahrzeug zurückgelegte Trajektorie; wobei periodisch die Schritte ausgeführt werden: Erstellen zumindest eines Belegungsrasters und/oder eines Merkmalsrasters basierend auf Perzeptionsdaten für einen Trajektorienpunkt x_i, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... zugeordnet sind, Erstellen zumindest eines Wahrscheinlichkeitsfeld-Belegungsrasters und/oder eines Wahrscheinlichkeitsfeld-Merkmalsrasters basierend auf dem digitalen Straßenmodell oder dem Ausschnitt des digitalen Straßenmodells für einen Bereich, der im Wesentlichen dem Trajektorienpunkt x_i und den vorhergehenden Trajektorienpunkten x_i-1, x_i-2, x_i-3, ... entspricht, Korrelieren, unter Translation in x- und y-Richtung und unter Rotation, des zumindest einen Belegungsrasters und/oder einen Merkmalsrasters für den Trajektorienpunkt x_i mit dem zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder einen Wahrscheinlichkeitsfeld-Merkmalsraster, das auf dem digitalen Straßenmodell oder dem Ausschnitt des digitalen Straßenmodells basiert, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen (330), für den Trajektorienpunkt x_i, der Pose in Koordinaten des Straßenmodells und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um zumindest eine Lokalisierungshypothese zu bilden; und Bestimmen einer Schätzung für den Trajektorienpunkt x_i ausgehend von der zumindest einen Lokalisierungshypothese.
Verfahren (300) nach Anspruch 11, wobei das Bestimmen einer Schätzung für den Trajektorienpunkt x_i ausgehend von der zumindest einen Lokalisierungshypothese weiter die Schritte umfasst: Bilden (350) eines Informationsgraphen G basierend auf den Trajektoriendaten; Einfügen einer unären Kante an den den Trajektorienpunkt x_i repräsentierenden Knoten in den Informationsgraphen G gemäß der Lokalisierungshypothese; und Optimieren (360) des Informationsgraphen G zum Erhalten von optimalen Schätzwerten für die Trajektorienpunkte der Trajektorie.
Verfahren (300) nach einem der Ansprüche 11 bis 12, wobei mehrere Lokalisierungshypothesen gebildet werden, und das Bewerten der Lokalisierungshypothesen ein Plausibilisieren und Fusionieren der Lokalisierungshypothesen zur Bildung einer fusionierten Lokalisierungshypothese umfasst.
Verfahren (300) nach einem der Ansprüche 11 bis 13, wobei das digitale Straßenmodell auf einem zentraler Server bereitgestellt ist, und das Fahrzeug (2, 3) mit einer Kommunikationseinrichtung ausgestattet ist, um über eine drahtlose Kommunikationsverbindung Ausschnitte des digitalen Straßenmodells von dem zentralen Server abzurufen, und wobei das Verfahren weiter aufweist: Vergleichen der Kovarianzen der Lokalisierungshypothesen mit einem Schwellenwert, wobei, wenn die Kovarianzen einer Lokalisierungshypothese den Schwellenwert überschreiten, die betreffende Lokalisierungshypothese als fehlerhaft verworfen wird; und/oder Berechnen von Mahalanobis-Distanzen für die Lokalisierungshypothesen und Vergleichen der berechneten Mahalanobis-Distanzen mit einem χ²-Schwellwert, wobei für eine Mahalanobis-Distanz, die den χ²-Schwellwert überschreitet, die betreffende Lokalisierungshypothese als fehlerhaft verworfen wird, wobei, wenn keine oder wenn weniger als eine vorbestimmte Anzahl gültiger Lokalisierungshypothesen gebildet sind, bestimmt wird, dass es einen Fehler in dem digitalen Streckenmodell oder dem Ausschnitt des digitalen Streckenmodells gibt (340), und das Fahrzeug (2, 3) eine Benachrichtigung über die Position des Fehlers an den zentralen Server sendet (345).
Verfahren zum Georeferenzieren eines Merkmals, welches zumindest temporär auf oder in der Umgebung eines Straßenabschnitts wahrnehmbar ist, aufweisend die Schritte: Bereitstellen eines digitalen Straßenmodells, insbesondere eines digitalen Straßenmodells nach Anspruch 8; Erfassen von Trajektoriendaten und Perzeptionsdaten für eine Trajektorie eines Fahrzeuges (2, 3) bei der Durchfahrung des Straßenabschnitts, wobei die Trajektoriendaten Odometriemessungen und Positionsmessungen umfassen, und wobei die Perzeptionsdaten Perzeptionsdaten für das Merkmal umfassen; Bilden zumindest einer Lokalisierung der Trajektorie zu dem Straßenmodell; Bilden eines Informationsgraphen G; Optimieren (260) des Informationsgraphen G zum Erhalten von optimalen Schätzwerten für die Trajektorienpunkte der Trajektorie; und Bestimmen einer georeferenzierten Lage des Merkmals basierend auf zumindest einem Trajektorienpunkt, dem Perzeptionsdaten für das Merkmal zugeordnet sind, wobei zum Bilden (240) jeder der zumindest einen Lokalisierung der Trajektorie zu dem Straßenmodell jeweils: ein Trajektorienpunkt x_k der Trajektorie gewählt wird, zumindest ein Belegungsraster und/oder zumindest ein Merkmalsraster erstellt wird basierend auf Perzeptionsdaten für den gewählten Trajektorienpunkt x_k, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... zugeordnet sind, zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder ein Wahrscheinlichkeitsfeld-Merkmalsraster erstellt wird basierend auf dem digitalen Straßenmodell für einen Bereich, der im Wesentlichen dem aktuellen Trajektorienpunkt x_k und der Anzahl vorhergehender Trajektorienpunkte x_k-1, x_k-2, x_k-3, ... und der Anzahl nachfolgender Trajektorienpunkte x_k+1, x_k+2, x_k+3, ... entspricht, das zumindest eine Belegungsraster und/oder das zumindest eine Merkmalsraster für den gewählten Trajektorienpunkt x_k korreliert wird, unter Translation in x- und y-Richtung und unter Rotation, mit dem zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder mit dem zumindest einen Wahrscheinlichkeitsfeld-Merkmalsraster, das auf dem digitalen Straßenmodell basiert, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen, für den Trajektorienpunkt x_k, der Pose in Koordinaten des Straßenmodells und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um zumindest eine Lokalisienmgshypothese zu bilden; Bewerten der Lokalisierungshypothese(n), um eine zur Lokalisierung zu verwendende Lokalisierungshypothese zu bestimmen; und Einfügen einer unären Kante an den den Trajektorienpunkt x_k repräsentierenden Knoten in den Informationsgraphen G gemäß der zur Verwendung bestimmten Lokalisierungshypothese.
Vorrichtung zum Erstellen eines digitalen Straßenmodells, aufweisend: eine Einrichtung zum Empfangen und Speichern von Trajektoriendaten und Perzeptionsdaten für eine Mehrzahl von Trajektorien, die von Fahrzeugen (2, 3) bei der Durchfahrung von Abschnitten einer Straße oder eines Straßennetzes erfasst werden, wobei jeweils zwei Trajektorien der Mehrzahl von Trajektorien zumindest teilweise eine jeweilige Durchfahrung eines gleichen Abschnitts beschreiben, und wobei die Trajektoriendaten Odometriemessungen und Positionsmessungen umfassen; eine Assoziierungseinrichtung zum Bilden zumindest einer Assoziierung zwischen einer ersten Trajektorie und einer zweiten Trajektorie der Mehrzahl von Trajektorien; eine Informationsgraphbildungseinrichtung zum Bilden eines Informationsgraphen G, wobei die Trajektorienpunkte der Mehrzahl von Trajektorien Knoten des Informationsgraphen G bilden, und basierend auf den Odometriemessungen und Positionsmessungen Kanten zwischen bzw. an den Knoten des Informationsgraphen G gebildet werden; eine Optimierungseinrichtung zum Optimieren des Informationsgraphen G und zum Ermitteln einer optimalen Schätzung der Trajektorienpunkte; eine Fusionseinheit zum Aggregieren und Fusionieren der Perzeptionsdaten basierend auf den optimal geschätzten Trajektorienpunkten; und eine Straßenmodellerstellungseinheit zum Erstellen, basierend auf den aggregierten und fusionierten Perzeptionsdaten, des digitalen Straßenmodells, wobei die Assoziierungseinrichtung eingerichtet ist, zum Bilden jeder der zumindest einen Assoziierung jeweils: einen Trajektorienpunkt x_i der ersten Trajektorie auszuwählen, für den gewählten Trajektorienpunkt x_i der ersten Trajektorie zumindest ein Belegungsraster und/oder zumindest ein Merkmalsraster zu erstellen basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt x_i zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_i+1, x_i+2, x_i+3, ... zugeordnet sind, einen Trajektorienpunkt x_j der zweiten Trajektorie auszuwählen, für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie zumindest ein Wahrscheinlichkeitsfeld-Belegungsraster und/oder zumindest ein Wahrscheinlichkeitsfeld-Merkmalsraster zu erstellen basierend auf Perzeptionsdaten, die dem gewählten Trajektorienpunkt x_j zugeordnet sind, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_j-1, x_j-2, x_j-3, ... und einer Anzahl nachfolgender Trajektorienpunkte x_j+1, x_j+2, x_j+3, ... zugeordnet sind, jedes des zumindest einen Belegungsrasters und/oder des zumindest einen Merkmalsrasters für den gewählten Trajektorienpunkt x_i der ersten Trajektorie, zu korrelieren, unter Translation in x- und y-Richtung und unter Rotation, mit dem entsprechenden des zumindest einen Wahrscheinlichkeitsfeld-Belegungsrasters und/oder des zumindest einen Wahrscheinlichkeitsfeld-Merkmalsrasters für den gewählten Trajektorienpunkt x_j der zweiten Trajektorie, zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, und die Translation dx, dy, die Rotation dθ und Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses zu bestimmen, um eine Assoziationshypothese zu bilden, und die Assoziationshypothese(n) zu bewerten, um eine zur Assoziation zu verwendende Assoziationshypothese zu bestimmen; wobei die Informationsgraphbildungseinrichtung weiter eingerichtet ist, zwischen dem Knoten x_i und dem Knoten x_j in dem Informationsgraphen G einer Kante dx_i,j entsprechend der zur Assoziation bestimmten Assoziationshypothese, um den Trajektorienpunkt x_i mit dem Trajektorienpunkt x_j zu assoziieren.
Vorrichtung zur Eigenlokalisation eines Fahrzeugs (2, 3), aufweisend: Straßenmodellspeichermittel zum Speichern eines digitalen Straßenmodells oder eines Ausschnitts eines digitalen Straßenmodells; Datenerfassungsmittel zum Erfassen und Aufzeichnen von Trajektoriendaten und Perzeptionsdaten für eine von dem Fahrzeug zurückgelegte Trajektorie; Eigenlokalisierungshypothesenbildungsmittel, welche eingerichtet sind: zumindest ein Belegungsraster und/oder eines Merkmalsraster zu erstellen basierend auf Perzeptionsdaten für einen vom Fahrzeug eingenommenen Trajektorienpunkt x_i, sowie weiter basierend auf Perzeptionsdaten, die einer Anzahl vorhergehender Trajektorienpunkte x_i-1, x_i-2, x_i-3, ... zugeordnet sind, zumindest ein Wahrscheinlichkeitsfeld-Belegungsrasters und/oder zumindest ein Wahrscheinlichkeitsfeld-Merkmalsraster zu erstellen basierend auf dem digitalen Straßenmodell oder dem Ausschnitt des digitalen Straßenmodells für einen Bereich, der dem Trajektorienpunkt x_i und den vorhergehenden Trajektorienpunkten x_i-1, x_i-2, x_i-3, ... entspricht, das zumindest eine Belegungsrasters und/oder das zumindest eine Merkmalsraster für den Trajektorienpunkt x_i zu korrelieren, unter Translation in x- und y-Richtung und unter Rotation, mit dem entsprechenden zumindest einen Wahrscheinlichkeitsfeld-Belegungsraster und/oder dem zumindest einen Wahrscheinlichkeitsfeld-Merkmalsraster, das auf dem digitalen Straßenmodell oder dem Ausschnitt des digitalen Straßenmodells basiert, um zumindest ein Maximum des Korrelationsergebnisses zu ermitteln, Bestimmen, für den Trajektorienpunkt x_i, der Pose in Koordinaten des Straßenmodells und Bestimmen von Kovarianzen für das ermittelte zumindest eine Maximum des Korrelationsergebnisses, um zumindest eine Lokalisierungshypothese zu bilden; und Schätzmittel zum Bestimmen einer Schätzung für den Trajektorienpunkt x_i ausgehend von der zumindest einen Lokalisierungshypothese.