DE102014208009A1

DE102014208009A1 - Erfassen von statischen und dynamischen Objekten

Info

Publication number: DE102014208009A1
Application number: DE102014208009.6A
Authority: DE
Inventors: Georg Tanzmeister
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2014-04-29
Filing date: 2014-04-29
Publication date: 2015-10-29
Also published as: US10192008B2; US20150310146A1; CN105096340A; CN105096340B

Abstract

Zum Erfassen von statischen und dynamischen Objekten werden nach einem ersten Aspekt der Erfindung die Objekte mittels einer Partikelkarte statistisch erfasst, wobei in sich wiederholenden Schritten jeweils neue Partikel hinzugefügt werden. Das Verfahren zeichnet sich dadurch aus, dass auch statische Partikel hinzugefügt werden, wodurch statische Objekte sehr exakt modelliert werden können. Nach einem zweiten Aspekt der vorliegenden Erfindung wird ein Umfeldmodell erzeugt, das eine zweidimensionale Anordnung von Zellen aufweist, wobei jede Zelle einen bestimmten Ort repräsentiert. Einer jeden Zelle werden zumindest zwei kontinuierliche Klassifikationswerte zugeordnet, die unterschiedliche Eigenschaften der Zellen beschreiben, wie z. B. ob eine Zelle ein Objekt, ein statisches Objekt, ein dynamisches Objekt aufweist oder einen Freiraum darstellt oder keiner dieser Klassen zuordenbar ist.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Erfassen von statischen und dynamischen Objekten.
Es gibt unterschiedliche Fahrerassistenzsysteme, die den Fahrer eines Kraftfahrzeuges mit einem teilautomatisierten oder vollautomatisierten Steuern des Kraftfahrzeuges unterstützen. Derartige Fahrerassistenzsysteme sind zum Beispiel Spurwechselassistenten, Bremsassistenten, Notfall- bzw. Ausweichassistenten oder Fahrerassistenzsysteme für ein ganz oder teilweise automatisiertes Fahren eines Kraftfahrzeuges.
Damit die Fahrassistenzsysteme teilautomatisch oder hochautomatisch ein Fahrzeug steuern können, sind automatische Verfahren entwickelt worden, mit welchen statische und dynamische Objekte erfasst werden können, insbesondere solche, die sich im Bereich der Fahrzeugtrajektorie befinden. Die herkömmlichen Verfahren waren meistens ausgebildet, um entweder statische Objekte oder dynamische Objekte zu erfassen. Da das Erfassen der Objekte in Echtzeit ausgeführt werden muss und statische und dynamische Objekte unterschiedliche Anforderungen an das System stellen, war es bisher nicht möglich, mit einem einzigen Verfahren einfach und schnell in Echtzeit sowohl statische als auch dynamische Objekte gleichzeitig mit einer Präzision zu erfassen, so dass eine teilautomatische oder vollautomatische Steuerung eines Kraftfahrzeuges möglich ist. Dynamische Objekte bewegen sich und müssen deshalb erfasst und entlang ihrer Bewegungsbahn, der Trajektorie, verfolgt werden können. Die Erfassung der Objekte sollte so präzise sein, dass dynamische Objekte als solche erkennbar sind.
Andererseits muss der Ort statischer Objekte auch exakt erkannt und erfasst werden können, um zuverlässig eine Kollision mit einem statischen Objekt vermeiden zu können.
Zum Erfassen von dynamischen Objekten werden bevorzugt Sensoren verwendet, mit welchen die Geschwindigkeit der Objekte messbar ist, so dass die Bewegung der Objekte gemessen und erfasst werden kann. Hierfür wird vor allem als Sensor ein Radar verwendet. Die Ortsauflösung eines Radars ist jedoch zu unpräzise für statische Objekte. Deshalb wird zum Erfassen von statischen Objekten bevorzugt ein Laserscanner verwendet, mit dem der Ort der Objekte sehr präzise feststellbar ist, jedoch keine Informationen über die Geschwindigkeit der detektierten Objekte gemessen werden können.
Aus R. Danescu et al, „Modelling and tracking the driving environment with a particle-based occupancy grid", IEEE TRANS. INTEL. TRANSP. SYST., Ausgabe 12, Nr. 4, Seiten 1331–1342, Dezember 2011 und R. Danescu et al, "Particle grid tracking system stereo vision based obstacle perception in driving environments" IEEE INTEL. TRANSP. SYST. MAG., Ausgabe 4, Nr. 1, Seiten 6–20, 2012 geht ein Verfahren hervor, bei dem mittels der Monte Carlo-Methode der Ort und die Geschwindigkeit dynamischer Fahrzeuge in einer Rasterkarte verglichen und mit Messungen verknüpft wird, so dass der Ort und die Geschwindigkeit dynamischer Objekte in Echtzeit erfasst wird.
Mit der vorliegenden Erfindung wird ein Verfahren und eine Vorrichtung zum Erfassen von statischen und dynamischen Objekten geschaffen, das sowohl die Erfassung statischer als auch dynamischer Objekte ermöglicht und in Echtzeit mit geringem Aufwand durchführbar ist und den Ort und die Geschwindigkeit der statischen und dynamischen Objekte mit einer für eine teilautomatisierte oder vollautomatisierte Steuerung eines Fahrzeuges notwendigen Präzision erfassen kann.
Die Erfindung wird durch die Gegenstände der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen sind in den jeweiligen Unteransprüchen angegeben.
Das erfindungsgemäße Verfahren zum Erfassen von statischen und dynamischen Objekten umfasst folgende Schritte:

a) Verteilen von neuen Partikeln in einer Partikelkarte zu einem bestimmten Zeitpunkt (t), wobei die Partikelkarte eine zweidimensionale Anordnung von Zellen ist und jede Zelle einen bestimmten Ort repräsentiert, jedes Partikel durch einen Geschwindigkeitsvektor dargestellt wird und die neuen Partikel mit einem Zufallsverfahren in der Partikelkarte verteilt werden,
b) Berechnen des Ortes der Partikel zu einem gegenüber dem bestimmten Zeitpunkt (t) aus Schritt a) um einen vorbestimmten Zeitschritt (Δt) späteren Zeitpunkt (t+ Δt) und Zuordnen der Partikel zu den Zellen der Partikelkarte, die dem jeweils neu berechneten Ort entsprechen,
c) Messen des Ortes von realen Objekten mittels eines Sensors in einem Bereich, der die Orte der Partikelkarte umfasst,
d) Filtern der Partikel in den einzelnen Zellen in Abhängigkeit der gemessenen Objekte, wobei in Zellen in welchen kein Objekt gemessen wurde mehr Partikel gelöscht werden als in Zellen, in welchen sich ein Objekt befindet,
e) Wiederholen der Schritte a) bis d), wobei im Schritt a) zu den im Schritt d) nicht gelöschten Partikel neue Partikel hinzugefügt werden.

Die Erfindung zeichnet sich dadurch aus, dass im Schritt a) auch statische Partikel, deren Geschwindigkeitsbetrag Null ist, hinzugefügt werden.
Die vorliegende Erfindung ist eine Weiterbildung des Eingangs erläuterten Verfahrens von R. Danescu et al. Bei diesem bekannten Verfahren werden neue Partikel in einer Partikelkarte mit einer gleichmäßigen Geschwindigkeitsverteilung verteilt. Da die Geschwindigkeiten gleichmäßig verteilt sind, ist die Wahrscheinlichkeit einer Geschwindigkeit mit exakt dem Betrag Null gleich Null. Statische Objekte, die sich nicht bewegen, können daher nicht gegen eine bestimmte Geschwindigkeitsverteilung konvergieren und werden deshalb nicht zuverlässig erfasst.
Der Erfinder der vorliegenden Erfindung hat jedoch erkannt, dass durch das Hinzufügen statischer Partikel, deren Geschwindigkeitsbetrag Null ist, auch statische Objekte erfasst werden können, ohne dass grundsätzliche Änderungen am Verfahren notwendig sind.
Bei diesem Verfahren wird der Ort von realen Objekten mittels eines Sensors gemessen. Als Sensor genügt hierzu lediglich ein Sensor, der den Ort, aber nicht notwendigerweise die Geschwindigkeit misst. Ein solcher Sensor ist beispielsweise ein Laserscanner. Mit diesem Verfahren ist es somit möglich, lediglich mit einem den Ort von Objekten messenden Sensor sowohl statische als auch dynamische Objekte gleichzeitig zu erfassen und in einer Partikelkarte zu verfolgen (engl. to track).
Nach einem bevorzugten Ausführungsbeispiel werden nach dem Messen des Ortes von realen Objekten im Schritt c) im Schritt a) nur neue Partikel in Zellen verteilt, in welchen ein reales Objekt gemessen worden ist. Dieses Verfahren ist ein statistisches Verfahren, das nach einigen Wiederholungen der Schritte a) bis d) eine Partikelkarte erzeugt, die mit den Geschwindigkeitsverteilungen der Partikel in den Zellen reale Objekte beschreibt, wobei die Beschreibung mit den realen Objekten nach einigen Wiederholungen der Schritte a) bis d) konvergiert. Durch die Berücksichtigung der Messung eines Ortes von realen Objekten beim Verteilen von neuen Partikeln wird eine schnellere Konvergenz erzielt.
Nach einer bevorzugten Ausführungsform können die einzelnen Partikel gewichtet werden, wobei ein Gewicht eine Wahrscheinlichkeit darstellt, mit welcher ein Partikel im Schritt d) nicht gelöscht wird. Die Gewichte stellen somit Überlebenswahrscheinlichkeiten bei dem Filtern gemäß dem Schritt d) dar. Partikel mit einem höheren Gewicht besitzen eine höhere Überlebenswahrscheinlichkeit und überstehen daher die Filterung im Schritt d) eher als ein Partikel mit geringem Gewicht.
Ein solches Gewicht kann beispielsweise anhand einer Geschwindigkeitsmessung der Objekte zugeordnet werden, wobei Partikel, die sich am Ort eines bestimmten Objektes befinden und deren Geschwindigkeit in etwa der gemessenen Geschwindigkeit bezüglich Richtung und/oder Betrag entsprechend ein höheres Gewicht zugeordnet wird als Partikeln, die sich zwar auch am Ort des entsprechenden Objektes befinden, deren Geschwindigkeit jedoch stärker bezüglich der Richtung und/oder des Betrags der Geschwindigkeit abweicht. Hierdurch wird eine schnellere Konvergenz des Systems erzielt.
Weiterhin können Gewichte nach der Lebensdauer der einzelnen Partikel zugeordnet werden. Je länger ein Partikel existiert, desto größer ist das entsprechende Gewicht. Vorzugsweise gibt es eine vorbestimmte Obergrenze, sodass nach einer vorbestimmten Anzahl von Schritten, in welchen ein bestimmtes Partikel existiert, keine weitere Erhöhung des Gewichtes erfolgt. Die Steigerung des Gewichtes nach der Lebensdauer der Partikel kann gemäß einer linearen Funktion erfolgen. Es kann jedoch auch zweckmäßig sein, die Steigerung gemäß einer nicht-linearen Funktion, die zunächst langsam steigt, dann an einem Abschnitt stärkere Steigung aufweist bis zu einem Sättigungsabschnitt, in dem sie nicht mehr weiter steigt.
Ein weiterer Aspekt der vorliegenden Erfindung, der jeweils alleine oder in Verbindung mit einem der weiter oben beschriebenen Aspekte angewandt werden kann, betrifft ein Verfahren zum Erfassen von statischen und dynamischen Objekten, das folgende Schritte umfasst:

– Messen des Ortes von realen Objekten mittels eines Sensors,
– Erzeugen eines Umfeldmodells, das eine zweidimensionale Anordnung von Zellen ist und eine jede Zelle einen bestimmten Ort repräsentiert, und den Zellen für jeweils einen bestimmten Zeitschritt (t) zumindest zwei kontinuierliche Klassifikationswerte zugeordnet werden, die beschreiben, wie Wahrscheinlich die jeweilige Zelle einer bestimmte Klasse zuzuordnen ist, wobei insbesondere zwei oder mehrere der folgenden Klassen unterschieden werden,
– ob die Zelle ein Objekt aufweist,
– ob die Zelle ein statisches Objekt aufweist,
– ob die Zelle ein dynamisches Objekt aufweist,
– ob die Zelle einen Freiraum darstellt, und
– ob die Zelle keiner der zuvor genannten Klassen zuordenbar ist.

Insbesondere das Messen des Ortes von realen Objekten mittels eines Sensors kann nach einem der zuvor beschriebenen Verfahren erfolgen.
Mit dem Umfeldmodell werden insbesondere unterschiedliche Eigenschaften durch die Klassifikationswerte der Zellen bezüglich der darin enthaltenen Objekte erfasst und über eine Vielzahl von Zeitschritten verfolgt. Da mehrere Eigenschaften der Zellen bzw. der darin enthaltenen Objekte erfasst sind, kann eine Entscheidung auf Grundlage des Umfeldmodells in einem Fahrassistenzsystem zuverlässiger erfolgen.
Die Klasse, ob eine Zelle ein Objekt aufweist, umfasst vorzugsweise nicht die Klassen der Zellen, die ein statisches Objekt aufweisen bzw. die Zellen, die ein dynamisches Objekt aufweisen. Die Klasse der Zelle, die ein Objekt aufweist, umfasst somit alle Objekte, von welchen nicht definiert ist, ob es statische Objekte oder dynamische Objekte sind.
Nach einer bevorzugten Ausführungsform umfasst das Umfeldmodell zumindest die Klassifikationswerte, ob die Zelle ein statisches Objekt aufweist, ob die Zelle ein dynamisches Objekt aufweist, und ob die Zelle einen Freiraum darstellt. Mit diesen Klassifikationswerten können zuverlässig in einem Fahrassistenzsystem Entscheidungen hinsichtlich statischer Objekte und dynamischer Objekte getroffen werden, wobei durch die Klassifikationswerte, die den Freiraum beschreiben, positive Informationen vorliegen, in welchem Bereich das Fahrzeug bewegt werden kann.
Die Klassifikationswerte sind Wahrscheinlichkeiten oder bevorzugt Evidenzmassen nach der Evidenztheorie von Dempster & Shafer.
Die Messung des Ortes von realen Objekten wird vorzugsweise nach Freiraum ausgewertet, in dem Orte im Bereich zwischen einem Sensor und einem realen Objekt als Freiraum bewertet werden. Dementsprechend werden Klassifikationswerte für die Klasse des Freiraums erzeugt. Bei dieser Auswertung werden beispielsweise die gemessenen Koordinaten des Ortes der realen Objekte und die Koordinaten des entsprechenden Sensors berücksichtigt.
Weiterhin ist es möglich, die oben erläuterte Partikelkarte als Messung des Ortes der realen Objekte zu verwenden und in ein Umfeldmodell umzusetzen. In diese Partikelkarte werden statische und dynamische Objekte durch entsprechende Partikel in den Zellen beschrieben. Hierdurch können aus dieser Partikelkarte Klassifikationswerte für die Klassen, ob die Zelle ein statisches Objekt aufweist, und ob die Zelle ein dynamisches Objekt aufweist, abgeleitet werden. Zum Beispiel werden Zellen der Partikelkarte als statische Objekte enthaltende Zellen klassifiziert, wenn deren Partikel eine mittlere Geschwindigkeit unterhalb eines vorbestimmten Schwellenwertes aufweisen und/oder deren Partikel eine Varianz der Geschwindigkeit und/oder der Richtung über einem vorbestimmten Schwellenwert aufweisen.
Bei diesem Verfahren können zunächst zwei unabhängige Umfeldmodelle erzeugt werden, wobei das eine Umfeldmodell Klassifikationswerte für den Freiraum enthält und das andere Umfeldmodell Klassifikationswerte für statische Objekte und dynamische Objekte enthält. Das Umfeldmodell mit Klassifikationswerten für statische Objekte und dynamische Objekte wird vorzugsweise aus der Partikelkarte erzeugt.
Andererseits ist es auch möglich, aus der Partikelkarte ein Umfeldmodell abzuleiten, das sowohl Klassifikationswerte für den Freiraum als auch Klassifikationswerte für statische Objekte und dynamische Objekte enthält. Bei dieser Ausführungsform werden neue Partikel in den Zellen der Partikelkarte vorzugsweise nach den Klassifikationswerten für statische Objekte und/oder dynamische Objekte und/oder nach Klassifikationswerten für Objekte, von welchen nicht bestimmt ist, ob sie dynamische oder statische Objekte sind, verteilt. Die Klassifikationswerte für den Freiraum werden bei der Verteilung von neuen Partikeln nicht berücksichtigt. Wenn die mittlere Geschwindigkeit der Partikel einer Zelle einer Partikelkarte sehr klein ist, dann ist davon auszugehen, dass es sich um ein statisches Objekt handelt. Bei statischen Objekten weisen die in den Zellen enthaltenen dynamischen Partikel eine beliebige Bewegungsrichtung und die statischen Partikel keine Bewegungsrichtung auf und besitzen daher eine hohe Varianz bezüglich der Bewegungsrichtung. Zellen, die statische Objekte beschreiben, weisen sowohl statische Partikel als auch dynamische Partikel auf, wobei die dynamischen Partikel beliebige Geschwindigkeiten besitzen können, so dass auch die Varianz der Geschwindigkeit relativ hoch ist. Bei Zellen, die dynamische Partikel beschreiben, „überleben“ vor allem Partikel, die in etwa die Richtung und die Geschwindigkeit des dynamischen Objektes aufweisen. Hierdurch ist die Varianz bezüglich der Geschwindigkeit und der Richtung der Partikel von Zellen, die dynamische Objekte beschreiben, klein.
Daher ist es auch grundsätzlich möglich, Zellen, die dynamische Objekte beschreiben, mittels der Varianz der Geschwindigkeit und/oder der Richtung zu klassifizieren, wobei die Varianz hierbei kleiner als ein bestimmter Schwellenwert ist. Zellen, die dynamische Objekte beschreiben, können auch anhand der mittleren Geschwindigkeit der Partikel klassifiziert werden, wenn die mittlere Geschwindigkeit über einen vorbestimmten Schwellenwert liegt.
Die Schwellenwerte bezüglich der mittleren Geschwindigkeit und/oder bezüglich der Varianz der Geschwindigkeit und/oder der Varianz der Richtung können zum Klassifizieren von statischen und dynamischen Objekten die gleichen Schwellenwerte sein, wobei sie einmal als Obergrenze und das andere Mal als Untergrenze verwendet werden. Es kann jedoch auch zweckmäßig sein, unterschiedliche Schwellenwerte zum Bestimmen von dynamischen und statischen Objekten vorzusehen, wobei die Schwellenwerte bezüglich der Varianz für dynamische Objekte vorzugsweise kleiner als die Schwellenwerte der Varianz von statischen Objekten sind. Zellen, deren Varianz in dem Zwischenbereich zwischen diesen beiden Schwellenwerten liegt, können damit weder den statischen noch den dynamischen Objekten eindeutig zugeordnet werden.
Die Bestimmung, ob eine Zelle ein statisches Objekt mit Hilfe der mittleren Geschwindigkeit und/oder der Varianz der Geschwindigkeit und/oder der Richtung beschreibt, ist wesentlich zuverlässiger als eine Prüfung dahingehend, ob eine Zelle in mehreren aufeinander folgenden Schritten ein Objekt enthält und daraus zu schließen, dass diese Zelle ein statisches Objekt beschreibt. Denn dynamische Objekte, die sich mit langsamer Geschwindigkeit bewegen und einen großen Fußabdruck aufweisen, können dazu führen, dass bestimmte Zellen bei einer Vielzahl aufeinander folgender Schritte ein Objekt beschreiben, obwohl dieser Teil des Objektes zu einem dynamischen Objekt gehört. Möchte man mit einer solchen Prüfung statische und dynamische Objekte unterscheiden, dann müsste man die Geometrien der Objekte bestimmen und ein Objekt in seiner Gesamtheit, d.h. über mehrere Zellen hinweg, betrachten. Dies verursacht einen erheblichen Rechenaufwand. Bei dem Verfahren gemäß der vorliegenden Erfindung sind die einzelnen Zellen der Partikelkarte für einen jeden Zeitpunkt t voneinander unabhängig. Ein solches zelluläres System ist wesentlich einfacher zu berechnen als ein System mit zellübergreifenden Strukturen.
Vorzugsweise werden bei der Erstellung des Umfeldmodells zu einem bestimmten Zeitschritt (t) historische Informationen berücksichtigt. Dies erfolgt durch Filtern des Umfeldmodells zum vorhergehenden Zeitschritt (t-1) mit einem Zeitfilter. Die hierdurch erzeugten Klassifikationswerte werden mit den aus der Messung des Ortes der realen Objekte abgeleiteten Klassifikationswerte kombiniert bzw. verknüpft. Diese Verknüpfung und Zeitfilterung wird vorzugsweise mit Jøsang’s kummulativen Operator (siehe: A. Jøsang und S. Pope, „Dempsters rule as seen by little colored balls," Comput. Intell., Ausgabe 28, Nr.: 4, Seiten 453–474, November 2012) der einem Base-Filter entspricht und den Bayes-Filter in der Evidenztheorie nach Dempster & Shafer darstellt.
Vorzugsweise werden vor dem Filtern mit dem Zeitfilter im Umfeldmodell zum vorhergehenden Zeitschritt (t-1) die Klassifikationswerte für dynamische Objekte den Klassifikationswerten für den Freiraum zugeordnet und die Klassifikationswerte für dynamische Objekte gelöscht. Da sich dynamische Objekte bewegen, ist der Bereich, in dem sie in der Vergangenheit angeordnet waren, ein Freiraum, sofern sich kein neues dynamisches Objekt in diesem Bereich bewegt hat. Daher ist grundsätzlich davon auszugehen, dass in der Vergangenheit von dynamischen Objekten belegte Bereiche in Zukunft als Freiraum zu beurteilen sind.
Die aus der Messung des Ortes von realen Objekten abgeleiteten Klassifikationswerte für dynamische Objekte werden vorzugsweise direkt, d.h., ohne Filterung bzw. Verknüpfung in das Umfeldmodell zum bestimmten Zeitschritt (t) eingetragen.
Ein erfindungsgemäßes System zum Erfassen von statischen und dynamischen Objekten weist einen Sensor zum Erfassen des Ortes der Objekte, wie zum Beispiel einen Laserscanner, und eine Steuereinrichtung, die zum Ausführung des oben erläuterten Verfahrens ausgebildet ist, auf.
Das System kann auch einen Sensor zum Erfassen der Geschwindigkeit der Objekte aufweisen, wie zum Beispiel ein Radar.
Vorzugsweise ist das System Bestandteil eines Fahrerassistenzsystems eines Kraftfahrzeuges, wie zum Beispiel eines Spurwechselassistenten, Bremsassistenten, Notfall- bzw. Ausweichassistenten, eines System zum automatisierten Fahren oder einem Fahrerassistenzsystem für ein vollautomatisches Steuern eines Kraftfahrzeuges.
Mit dem erfindungsgemäßen Verfahren werden weder Trajektorien noch Objekte modelliert, sondern die einzelnen Objekte werden lediglich zellulär in einer Partikelkarte dargestellt. Hierdurch treten die Probleme bekannter Verfahren nicht auf, bei welchen Daten bestimmter Objekte oder Bewegungsbahnen miteinander verknüpft werden müssen. Es ist keine Merkmalsextraktion oder Formbestimmung von bewegenden oder statischen Objekten notwendig. Daher können beliebige Objekte, wie Fahrzeuge, Fußgänger, Radfahrer, Hunde zuverlässig detektiert werden. Zudem ist das erfindungsgemäße Verfahren sehr selektiv und neu in den erfassten Raum hinzukommende Objekte können sehr schnell erkannt werden, wie zum Beispiel eine Straße kreuzende Fahrzeuge. Da beim erfindungsgemäßen Verfahren durch das schrittweise bzw. iterative Modellieren der Objekte historische Daten mit berücksichtigt werden, können selbst Objekte zuverlässig erfasst werden, die bei einzelnen Messungen verdeckt sind.
Die Erfindung wird nachfolgend beispielhaft näher anhand der Zeichnungen erläutert. Die Zeichnungen zeigen in:
1 schematisch in einem Blockschaltbild ein Verfahren zum Erzeugen eines Umfeldmodells.
Das erfindungsgemäße Verfahren dient zum Erfassen von statischen und dynamischen Objekten, wobei zunächst eine Partikelkarte erzeugt wird. Die Partikelkarte umfasst Zellen in einer zweidimensionalen Anordnung, wobei eine jede Zelle einen bestimmten Ort in der realen Welt darstellt. Die Zellen enthalten Zellenwerte, die Objekte und/oder Freiräume beschreiben, die sich an den jeweiligen durch die Zellen repräsentierten Orten befinden.
Das Verfahren zum Erzeugen einer solchen Partikelkarte umfasst folgende schritte:

a) Verteilen von neuen Partikeln in einer Partikelkarte zu einem bestimmten Zeitschritt (t), wobei die Partikelkarte eine zweidimensionale Anordnung von Zellen ist und jede Zelle einen bestimmten Ort repräsentiert, jedes Partikel durch einen Geschwindigkeitsvektor dargestellt wird und die neuen Partikel mit einem Zufallsverfahren in der Partikelkarte verteilt werden,
b) Berechnen des Ortes der Partikel zu einem gegenüber dem bestimmten Zeitschritt (t) aus Schritt a) um einen vorbestimmte Zeitdauer (Δt) späteren Zeitschritt (t+ Δt) und Zuordnen der Partikel zu den Zellen der Partikelkarte, die dem jeweils neu berechneten Ort entsprechen,
c) Messen des Ortes von realen Objekten mittels eines Sensors in einem Bereich, der die Orte der Partikelkarte umfasst,
d) Filtern der Partikel in den einzelnen Zellen in Abhängigkeit der gemessenen Objekte, wobei in Zellen in welchen kein Objekt gemessen wurde mehr Partikel gelöscht werden als in Zellen, in welchen sich ein Objekt befindet,
e) Wiederholen der Schritte a) bis d), wobei im Schritt a) zu den im Schritt d) nicht gelöschten Partikel neue Partikel hinzugefügt werden.

Bei diesem Verfahren werden im Schritt a) auch statische Partikel, deren Geschwindigkeitsbetrag Null ist, hinzugefügt. Hierzu wird bspw. die gleichmäßige Geschwindigkeitsverteilung durch einen Dirac-Impuls für die Geschwindigkeit mit dem Betrag gleich Null ergänzt, wobei die relativen Häufigkeiten der gleichmäßig verteilten Geschwindigkeiten und der Geschwindigkeit mit dem Betrag Null durch entsprechende Gewichtungsfaktoren festgelegt werden können.
Die Partikelkarte (s2) wird in ein Umfeldmodell (m_s2) umgesetzt.
Ein Umfeldmodell ist eine Karte mit in einer zweidimensionalen Anordnung angeordneten Zellen, wobei die Zellen bestimmten Orten bzw. den Zellen der Partikelkarten entsprechen. Die Zellenwerte des Umfeldmodells enthalten kontinuierliche Klassifikationswerte, die beschreiben, wie wahrscheinlich die jeweilige Zelle einer bestimmten Klasse zuzuordnen ist. Hierbei werden den Zellen folgende Klassen zugeordnet:

– eine Zelle, die ein statisches Objekt aufweist {S},
– eine Zelle, die ein dynamisches Objekt aufweist {D},
– eine Zelle, die ein dynamisches oder statisches Objekt aufweist {S, D},
– eine Zelle, die einen Freiraum darstellt {F},
– eine Zelle, von der nicht bekannt ist, ob sie ein statisches Objekt oder ein dynamisches Objekt aufweist oder einen Freiraum darstellt und daher keiner der zuvor genannten Klassen zuordenbar ist {θ}.

Die Zellenwerte des Umfeldmodells sind kontinuierliche Zellenwerte. Im vorliegenden Ausführungsbeispiel sind es Evidenzmassen gemäß der Evidenztheorie von Dempster und Shafer. Für eine jede Zelle werden zunächst eine Evidenzmasse m(S) für das Vorhandensein eines statischen Objektes, eine Evidenzmasse m(D) für das Vorhandensein eines dynamischen Objektes und eine Evidenzmasse m(θ) für die Nicht-Zuordenbarkeit einer solchen Zelle zu einem statischen Objekt und einem dynamischen Objekt berechnet. Die Evidenzmassen für ein statisches Objekt berechnen sich nach folgender Formel:
wobei X_S die Anzahl aller statischen Partikel der jeweiligen Zelle ist, wobei diese Partikel einen Geschwindigkeitsbetrag aufweisen, der kleiner oder gleich einer vorbestimmten, geringen Schwellenwertgeschwindigkeit ε ist, und n die Gesamtzahl der Partikel der Zelle sind.
die Evidenzmasse für dynamische Objekte wird mit folgender Formel berechnet:
wobei X_D die Anzahl aller dynamischen Partikel der jeweiligen Zelle sind, deren Geschwindigkeitsbetrag größer als der Schwellenwert ε ist, und σ die Varianz der Geschwindigkeitsvektoren bezüglich der Richtung und/oder der Geschwindigkeit ist und σ_max die maximale Varianz aller Zellen ist.
Die Evidenzmasse für die Zellen, die die Nicht-Zuordenbarkeit beschreibt, ergibt sich durch folgende Formel: m(Θ) = 1 – m(S) – m(D).
Die oben angegebenen Formeln gelten für die Evidenzmassen zur Umsetzung der Partikelkarte in ein erstes Umfeldmodell, das im Folgenden als Objektumfeldmodell (m_s2) bezeichnet wird.
Die Messung des Ortes von realen Objekten mittels eines Laserscanners wird zusätzlich dahingehend ausgewertet, ob sich in den jeweiligen Orten ein Freiraum befindet. Orte, die als Freiraum beurteilt werden, sind Orte, die sich im Bereich zwischen einem Sensor und einem realen Objekt befinden. Anhand dieser Auswertung wird ein zweites Umfeldmodell (m_s1) erzeugt, bei dem den Zellen zumindest Evidenzmassen zugeordnet sind, die die Evidenz eines Freiraumes darstellen. Hierzu werden die im dreidimensionalen Raum gemessenen Punkte auf eine zweidimensionale Belegungskarte projiziert. Vorzugsweise werden die einzelnen Punkte mit einer Gaußverteilung in der Belegungskarte aufgeweitet, um Messungenauigkeiten zu berücksichtigen. Den Zellen, die sich im Bereich zwischen einem Sensor und den Punkten befinden, werden vorbestimmte Evidenzen zugeordnet. Der Betrag der Evidenz kann von mehreren Parametern abhängen, insbesondere wenn die Punkte in der Belegungskarte durch Wahrscheinlichkeiten dargestellt werden, wie z. B. wenn sie mittels einer Gaußverteilung eingetragen werden, dann ist die Evidenz proportional zur jeweiligen Wahrscheinlichkeit. Weiterhin können in der Nähe der Sensoren höhere Evidenzmassen zugewiesen werden, da die Messung in der Nähe eines Sensors zuverlässiger ist als bei großer Entfernung.
Das Objektumfeldmodell (m_s2) und Freiraumumfeldmodell (m_s1) werden gemäß folgender Formel miteinander kombiniert:
Dies entspricht in 1 dem Schritt DR zur Erstellung des Umfeldmodells m_s. Das derart kombinierte Umfeldmodell m_s umfasst somit Evidenzen für das Vorhandensein statischer Objekte, dynamischer Objekte, dem Freiraum und Zellen, die nicht zuordenbar sind. Dieses Umfeldmodell m_s wird auch als Sensor-Umfeldmodell bezeichnet, da die Sensormessungen in dieses Umfeldmodell direkt einfließen.
Weiterhin wird ein historisches Umfeldmodell m_t-1 zum Zeitschritt t-1 berücksichtigt.
Bei dem historischen Umfeldmodell werden zunächst die dynamischen Evidenzmassen gemäß folgender Formel m_t-1(F) = m_t-1(F) + m_t-1(D) den Evidenzenmassen für den Freiraum hinzugefügt. Dann werden die dynamischen Evidenzmasse gelöscht. m_t-1(D) = 0.
Dann werden alle Evidenzmassen des historischen Umfeldmodells mit den entsprechenden Evidenzenmassen des Sensorumfeldmodells gemäß den folgenden Formeln verknüpft:
wobei A eine beliebige Teilmenge von θ aber ohne die die dynamischen Objekte ist und folgendes Normalisierungsgewicht w angewandt wird:
Dies ist eine gewichtete Version des Jøsangs kumulativen Operators. Dieser Operator entspricht dem Bayes-Filter in der Evidenztheorie nach Dempster und Shafer.
Die so berechneten Evidenzenmassen bilden ein Umfeldmodell m_t zum Zeitschritt t. In dieses Umfeldmodell gehen die dynamischen Evidenzenmassen m_s(D) des Sensor-Umfeldmodells direkt ein.
Das Umfeldmodell m_t beruht somit einerseits auf gemessenen Sensordaten als auch andererseits auf historischen Daten. Durch den Abgleich des Umfeldmodells m_t mit den gemessenen Sensordaten wird sichergestellt, dass das Umfeldmodell mit der Realität übereinstimmt u nd robust gegenüber Sensorrauschen und Fehldetektionen ist. Durch die Verwendung statischer Partikel können statische Objekte zuverlässig wiedergegeben werden. Durch die Berücksichtigung von gemessenem Freiraum wird die Qualität des Umfeldmodells erheblich gesteigert. Die Verwendung solcher Daten bewirkt, dass Informationen aus der Vergangenheit nicht verloren gehen. Diese Informationen betreffen den Freiraum und statische Objekte, die sich prinzipbedingt nicht zeitlich ändern.
Aufgrund der historischen Daten konvergiert das Umfeldmodell nach weniger Zeitschritten sehr exakt bezüglich der statischen Objekte und dem Freiraum.
Das oben erläuterte Verfahren wurde im realen Umfeld getestet. Hierzu wurde ein Fahrzeug mit einem Laserscanner ausgerüstet, der unter dem vorderen Nummernschild des Fahrzeugs montiert worden ist. Die Rasterauflösung wurde auf ein Raster von 512 × 512 eingestellt, wobei die Zellengröße 0,2 m betrug. Der Geschwindigkeitsbereich der Partikelkarte wurde auf +/–70 km/h, die Häufigkeit von statischen Partikeln auf 0,3 und die Häufigkeit von dynamischen, gleichverteilten Partikeln auf 0,7 sowie die Überlebenswahrscheinlichkeit der Partikel auf 0,5 eingestellt. Die maximale Anzahl der Partikel pro Zelle wurde auf 50 begrenzt. Das Umfeldmodell konnte in Echtzeit berechnet werden. Mit diesem Verfahren konnten sich bewegende Kraftfahrzeuge und Fahrradfahrer als auch statische Objekte zuverlässig erfasst werden. Durch die Berücksichtigung der historischen Informationen und der Modellierung der dynamischen Objekte in der Partikelkarte konnten erfolgreich Objekte verfolgt werden, selbst wenn sie kurzzeitig verdeckt waren. Dies gilt insbesondere für den Bereich von Kreuzungen, in welchen sich Fahrzeuge, Fahrradfahrer und Fußgänger in unterschiedlichste Richtungen bewegen und gleichzeitig statische Objekte, wie z. B. Masten für Ampeln, vorhanden sind.
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

R. Danescu et al, „Modelling and tracking the driving environment with a particle-based occupancy grid”, IEEE TRANS. INTEL. TRANSP. SYST., Ausgabe 12, Nr. 4, Seiten 1331–1342, Dezember 2011 [0006]
R. Danescu et al, “Particle grid tracking system stereo vision based obstacle perception in driving environments” IEEE INTEL. TRANSP. SYST. MAG., Ausgabe 4, Nr. 1, Seiten 6–20, 2012 [0006]
A. Jøsang und S. Pope, „Dempsters rule as seen by little colored balls,“ Comput. Intell., Ausgabe 28, Nr.: 4, Seiten 453–474, November 2012 [0031]

Claims

Verfahren zum Erfassen von statischen und dynamischen Objekten, umfassend die folgenden Schritte: a) Verteilen von neuen Partikeln in einer Partikelkarte zu einem bestimmten Zeitschritt (t), wobei die Partikelkarte eine zweidimensionale Anordnung von Zellen ist und jede Zelle einen bestimmten Ort repräsentiert, jedes Partikel durch einen Geschwindigkeitsvektor dargestellt wird und die neuen Partikel mit einem Zufallsverfahren in der Partikelkarte verteilt werden, b) Berechnen des Ortes der Partikel zu einem gegenüber dem bestimmten Zeitschritt (t) aus Schritt a) um einen vorbestimmte Zeitdauer (Δt) späteren Zeitschritt (t+ Δt) und Zuordnen der Partikel zu den Zellen der Partikelkarte, die dem jeweils neu berechneten Ort entsprechen, c) Messen des Ortes von realen Objekten mittels eines Sensors in einem Bereich, der die Orte der Partikelkarte umfasst, d) Filtern der Partikel in den einzelnen Zellen in Abhängigkeit der gemessenen Objekte, wobei in Zellen in welchen kein Objekt gemessen wurde mehr Partikel gelöscht werden als in Zellen, in welchen sich ein Objekt befindet, e) Wiederholen der Schritte a) bis d), wobei im Schritt a) zu den im Schritt d) nicht gelöschten Partikel neue Partikel hinzugefügt werden, dadurch gekennzeichnet, dass im Schritt a) auch statische Partikel, deren Geschwindigkeitsbetrag Null ist, hinzugefügt werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass im Schritt a) die nicht statischen Partikel mit einer vorbestimmten Geschwindigkeitsverteilung verteilt werden.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass nach dem Messen des Ortes von realen Objekten im Schritt c) im Schritt a) nur neue Partikel in Zellen verteilt werden, in welchen ein reales Objekt gemessen worden ist.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass den Partikeln Gewichte zugeordnet werden, wobei die Gewichte eine Wahrscheinlichkeit darstellen, mit welcher die Partikel beim Filtern im Schritt d) nicht gelöscht werden.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die Gewichte in Abhängigkeit einer an den entsprechenden Objekten gemessenen Geschwindigkeit und/oder in Abhängigkeit von der Lebensdauer der einzelnen Partikel zugeordnet werden.
Verfahren zum Erfassen von statischen und dynamischen Objekten, umfassend die folgenden Schritte: – Messen des Ortes von realen Objekten mittels eines Sensors, – Erzeugen eines Umfeldmodells, das eine zweidimensionale Anordnung von Zellen ist und eine jede Zelle einen bestimmten Ort repräsentiert, und den Zellen für jeweils einen bestimmten Zeitschritt (t) zumindest zwei kontinuierliche Klassifikationswerte zugeordnet werden, die beschreiben, wie Wahrscheinlich die jeweilige Zelle einer bestimmte Klasse zuzuordnen ist, wobei insbesondere zwei oder mehrere der folgenden Klassen unterschieden werden, – ob die Zelle ein Objekt aufweist, – ob die Zelle ein statisches Objekt aufweist, – ob die Zelle ein dynamisches Objekt aufweist, – ob die Zelle einen Freiraum darstellt, und – ob die Zelle keiner der zuvor genannten Klassen zuordenbar ist.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass diese Klassifikationswerte Wahrscheinlichkeiten oder Evidenzmassen sind.
Verfahren nach Anspruch 6 oder 7, dadurch gekennzeichnet, dass die Messung des Ortes von realen Objekten nach Freiraum ausgewertet wird, wobei Orte im Bereich zwischen einem Sensor und einem realen Objekt als Freiraum bewertet werden und dementsprechend Klassifikationswerte für die Klasse, ob die Zelle einen Freiraum darstellt, erstellt werden.
Verfahren nach einem der Ansprüche 6 bis 8, dadurch gekennzeichnet, dass die Partikelkarte nach einem der Ansprüche 1 bis 3 eine Messung der Orte der realen Objekte darstellt und in ein Umfeldmodell (m_s2) umgesetzt wird, das zumindest Klassifikationswerte für die Klassen – ob die Zelle ein statisches Objekt aufweist, und – ob die Zelle ein dynamisches Objekt aufweist, umfasst.
Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass Zellen der Partikelkarte als statische Objekte enthaltende Zellen klassifiziert werden, wenn deren Partikel eine mittlere Geschwindigkeit unterhalb eines vorbestimmten Schwellenwertes aufweisen und/oder – deren Partikel eine Varianz der Geschwindigkeit und/oder der Richtung über einem vorbestimmten Schwellenwert aufweisen.
Verfahren nach einem der Ansprüche 6 bis 10, dadurch gekennzeichnet, dass in das Umfeldmodell zu einem bestimmten Zeitschritt (t) aus dem Umfeldmodell zum vorhergehenden Zeitschritt (t-1) mit einem Zeitfilter gefilterte Klassifikationswerte einfließen.
Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass vor dem Filtern mit dem Zeitfilter im Umfeldmodell zum vorhergehenden Zeitschritt (t-1) Klassifikationswerte für dynamische Objekte den Klassifikationswerten für den Freiraum zugeordnet werden und die Klassifikationswerte für dynamische Objekte gelöscht werden.
Verfahren nach Anspruch 11 oder 12, dadurch gekennzeichnet, dass in das Umfeldmodell zum bestimmten Zeitschritt (t) aus der Partikelkarte abgeleitete Klassifikationswerte für dynamische Objekte enthaltende Zellen direkt eingetragen werden.
System zum Erfassen von statischen und dynamischen Objekten, umfassend einen Sensor zum Erfassen des Ortes der Objekte und eine Steuereinrichtung, die zum Ausführen eines Verfahrens nach einem der vorherigen Ansprüche ausgebildet ist.
System nach Anspruch 14, dadurch gekennzeichnet, dass das System auch einen Sensor zum Erfassen der Geschwindigkeiten der Objekte aufweist.