DE102015008539A1 - Method for merging a plurality of information sources for object detection and method for operating a driver assistance device - Google Patents

Method for merging a plurality of information sources for object detection and method for operating a driver assistance device Download PDF

Info

Publication number
DE102015008539A1
DE102015008539A1 DE102015008539.5A DE102015008539A DE102015008539A1 DE 102015008539 A1 DE102015008539 A1 DE 102015008539A1 DE 102015008539 A DE102015008539 A DE 102015008539A DE 102015008539 A1 DE102015008539 A1 DE 102015008539A1
Authority
DE
Germany
Prior art keywords
probability
iqn
measures
information sources
object detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE102015008539.5A
Other languages
German (de)
Inventor
Otto Löhlein
Günther Palm
Magdalena SZCZOT
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Daimler AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Daimler AG filed Critical Daimler AG
Priority to DE102015008539.5A priority Critical patent/DE102015008539A1/en
Publication of DE102015008539A1 publication Critical patent/DE102015008539A1/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Fusion mehrerer Informationsquellen (IQ1 bis IQn) zur Objektdetektion, wobei bei der Objektdetektion Wahrscheinlichkeitsmaße (P1 bis Pz) der Informationsquellen (IQ1 bis IQn) verwendet werden, wobei die Wahrscheinlichkeitsmaße (P1 bis Pz) angeben, mit welcher Wahrscheinlichkeit die jeweilige Informationsquelle (IQ1 bis IQn) richtig-positive Objektdetektionen erzeugt. Erfindungsgemäß werden bei der Objektdetektion zusätzlich Konfidenzmaße (K1 bis Km) der Informationsquellen (IQ1 bis IQn) verwendet, wobei die Konfidenzmaße (K1 bis Km) einen Wert einer Unsicherheit für das jeweilige Wahrscheinlichkeitsmaß (P1 bis Pz) angeben. Die Erfindung betrifft weiterhin ein Verfahren zum Betrieb einer Fahrerassistenzvorrichtung für ein Fahrzeug.The invention relates to a method for merging a plurality of information sources (IQ1 to IQn) for object detection, wherein probability measures (P1 to Pz) of the information sources (IQ1 to IQn) are used in the object detection, the probability measures (P1 to Pz) indicating with what probability the respective information source (IQ1 to IQn) generates true-positive object detections. According to the invention, additional confidence measures (K1 to Km) of the information sources (IQ1 to IQn) are used in the object detection, the confidence measures (K1 to Km) indicating a value of an uncertainty for the respective probability measure (P1 to Pz). The invention further relates to a method for operating a driver assistance device for a vehicle.

Description

Die Erfindung betrifft ein Verfahren zur Fusion mehrerer Informationsquellen zur Objektdetektion, wobei bei der Objektdetektion Wahrscheinlichkeitsmaße der Informationsquellen verwendet werden, wobei die Wahrscheinlichkeitsmaße angeben, mit welcher Wahrscheinlichkeit die jeweilige Informationsquelle richtig-positive Objektdetektionen erzeugt.The invention relates to a method for merging a plurality of information sources for object detection, wherein probability measures of the information sources are used in the object detection, wherein the probability measures indicate the probability with which the respective information source generates true-positive object detections.

Die Erfindung betrifft weiterhin ein Verfahren zum Betrieb einer Fahrerassistenzvorrichtung für ein Fahrzeug.The invention further relates to a method for operating a driver assistance device for a vehicle.

Aus der DE 10 2006 046 843 A1 ist ein Verfahren zum Erkennen einer Umgebung bekannt, bei welchem Daten zum Erkennen von Objekten in der Umgebung und Daten zum Erkennen von freien Gebieten in der Umgebung in einer Fusion gemeinsam verarbeitet werden. Dabei wird eine Wahrscheinlichkeit dafür, dass mindestens ein Gebiet der Umgebung frei ist, bereitgestellt.From the DE 10 2006 046 843 A1 For example, a method is known for detecting an environment in which data for recognizing objects in the environment and data for detecting free areas in the environment are processed together in a merger. This provides a probability that at least one area of the environment is free.

Weiterhin ist aus der DE 10 2010 032 062 A1 ein Verfahren zur Kalibrierung von Sensoren eines Objekterkennungssystems mit mehreren Sensoren bekannt. Die Sensoren generieren beim Erfassen eines Objektes je eine Ausgabe, wobei die Ausgaben jener Sensoren jeweils einzeln mittels eines Klassifikators des Objekterkennungssystems klassifiziert werden und zur Kalibrierung der beiden Sensoren eine Konfidenz des Klassifikators bestimmt wird.Furthermore, from the DE 10 2010 032 062 A1 a method for calibrating sensors of a multi-sensor object recognition system. When detecting an object, the sensors generate an output in each case, wherein the outputs of those sensors are individually classified by means of a classifier of the object recognition system and a confidence of the classifier is determined for the calibration of the two sensors.

Der Erfindung liegt die Aufgabe zugrunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Fusion mehrerer Informationsquellen und ein Verfahren zum Betrieb einer Fahrerassistenzvorrichtung für ein Fahrzeug anzugeben.The invention has for its object to provide a comparison with the prior art improved method for merging multiple information sources and a method for operating a driver assistance device for a vehicle.

Hinsichtlich des Verfahrens zur Fusion mehrerer Informationsquellen wird die Aufgabe durch die im Anspruch 1 angegebenen Merkmale und hinsichtlich des Verfahrens zum Betrieb einer Fahrerassistenzvorrichtung für ein Fahrzeug durch die im Anspruch 9 angegebenen Merkmale gelöst.With regard to the method for merging a plurality of information sources, the object is achieved by the features specified in claim 1 and with regard to the method for operating a driver assistance device for a vehicle by the features specified in claim 9.

In einem Verfahren zur Fusion mehrerer Informationsquellen zur Objektdetektion werden bei der Objektdetektion Wahrscheinlichkeitsmaße der Informationsquellen verwendet, wobei die Wahrscheinlichkeitsmaße angeben, mit welcher Wahrscheinlichkeit die jeweilige Informationsquelle richtig-positive Objektdetektionen erzeugt.In a method for merging a plurality of information sources for object detection, probability measures of the information sources are used in the object detection, the probability measures indicating with which probability the respective information source generates correct-positive object detections.

Erfindungsgemäß werden bei der Objektdetektion zusätzlich Konfidenzmaße der Informationsquellen verwendet, wobei die Konfidenzmaße einen Wert einer Unsicherheit für das jeweilige Wahrscheinlichkeitsmaß angeben.According to the invention, additional confidence measures of the information sources are used in the object detection, wherein the confidence measures indicate a value of an uncertainty for the respective probability measure.

Aus der zusätzlichen Verwendung der Konfidenzmaße ergibt sich in besonders vorteilhafter Weise die Möglichkeit, Aussagen über den gesamten Wahrscheinlichkeitsraum zu treffen, so dass eine signifikante Erhöhung der Zuverlässigkeit der bei der mittels mehrerer Informationsquellen durchgeführten Objektdetektion erzielt werden kann. Daraus folgt eine verringerte Wahrscheinlichkeit von Falschdetektionen der Objekte und bei Verwendung der Detektionsergebnisse für den Betrieb von Fahrerassistenzvorrichtungen ein zuverlässigerer Betrieb dieser. Insbesondere sind in vorteilhafter Weise mehrstufige Warn- und Aktionskaskaden der Fahrerassistenzvorrichtungen zuverlässig realisierbar.From the additional use of the confidence measures results in a particularly advantageous way, the ability to make statements about the entire probability space, so that a significant increase in the reliability of the object detection performed by means of multiple information sources can be achieved. This results in a reduced likelihood of false detections of the objects and, when using the detection results for the operation of driver assistance devices, a more reliable operation of these. In particular, multistage warning and action cascades of the driver assistance devices can be reliably realized in an advantageous manner.

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

Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.Embodiments of the invention are explained in more detail below with reference to drawings.

Dabei zeigen:Showing:

1 schematisch einen Ablauf des erfindungsgemäßen Verfahrens, und 1 schematically a sequence of the method according to the invention, and

2 schematisch eine Wahl eines Diskussionsrahmens und eine Modellierung von Wahrscheinlichkeitsmassen. 2 schematically a choice of a discussion framework and a modeling of probability masses.

Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.Corresponding parts are provided in all figures with the same reference numerals.

In 1 ist ein mögliches Ausführungsbeispiel eines Ablaufs des erfindungsgemäßen Verfahrens dargestellt. 2 zeigt eine Wahl eines Diskussionsrahmens R1, R2 und eine Modellierung von Wahrscheinlichkeitsmassen PM1, PM2. Im Folgenden wird die Erfindung anhand beider 1 und 2 gemeinsam erläutert.In 1 is a possible embodiment of a sequence of the method according to the invention shown. 2 shows a choice of a discussion framework R1, R2 and a modeling of probability masses PM1, PM2. In the following, the invention is based on both 1 and 2 explained together.

Zum Betrieb einer nicht gezeigten Fahrerassistenzvorrichtung eines ebenfalls nicht gezeigten Fahrzeugs wird eine Umgebung des Fahrzeugs mittels zumindest einer Erfassungseinheit E erfasst. Anhand von erfassten Daten der Erfassungseinheit werden Objekte in der Umgebung des Fahrzeugs detektiert, wobei in Abhängigkeit der detektierten Objekte, insbesondere in Abhängigkeit von deren Art, Position, Relativbewegung zum Fahrzeug und deren Geschwindigkeit, die Fahrerassistenzvorrichtung gesteuert wird. Die Objekte umfassen dabei Fußgänger, Radfahrer, Fahrzeuge, weitere Verkehrsteilnehmer, Gebäude und andere im Straßenverkehr vorkommende Objekte.For operating a not-shown driver assistance device of a vehicle, also not shown, an environment of the vehicle is detected by means of at least one detection unit E. On the basis of acquired data of the detection unit, objects in the surroundings of the vehicle are detected, the driver assistance device being controlled as a function of the detected objects, in particular as a function of their type, position, relative movement to the vehicle and their speed. The objects include pedestrians, cyclists, vehicles, other road users, buildings and other objects occurring in traffic.

Um einen zuverlässigen Betrieb der Fahrerassistenzvorrichtung zu ermöglichen, werden die von der Erfassungseinheit E erfassten Daten, d. h. die anhand der Daten durchgeführten Detektionen D der Objekte, plausibilisiert.In order to enable a reliable operation of the driver assistance device, the data acquired by the detection unit E, ie the detections D of the objects made on the basis of the data, made plausible.

Diese Plausibilisierung wird mittels einer Fusion mehrerer Informationsquellen IQ1 bis IQn durchgeführt. Die Informationsquellen IQ1 bis IQn umfassen dabei weitere Erfassungseinheiten, insbesondere Sensoren und Bilderfassungseinheiten. Die Informationsquellen IQ1 bis IQn umfassen weiterhin auch Auswerteverfahren, mittels welcher die mittels der Erfassungseinheit und der weiteren Erfassungseinheiten erfassten Daten ausgewertet werden.This plausibility check is carried out by means of a merger of several information sources IQ1 to IQn. The information sources IQ1 to IQn in this case comprise further detection units, in particular sensors and image acquisition units. The information sources IQ1 to IQn furthermore include evaluation methods, by means of which the data recorded by means of the detection unit and the further detection units are evaluated.

Im dargestellten Ausführungsbeispiel wird mittels eines Klassifikators C die Detektion D der Objekte in den von der Erfassungseinheit E erfassten Daten durchgeführt. Anschließend werden die Detektionen D durch die Fusion der Informationsquellen IQ1 bis IQn plausibilisiert bzw. validiert. Bei den Informationsquellen IQ1 bis IQn kann es sich um verschiedene Quellen handeln, sowohl bezüglich einer Algorithmik als auch bezüglich der genutzten Erfassungseinheit. Alle Informationsquellen IQ1 bis IQn haben eine gemeinsame Struktur gemeinsam, welche in einem so genannten Training aufgebaut wird.In the illustrated embodiment, the detection D of the objects in the data acquired by the detection unit E is performed by means of a classifier C. Subsequently, the detections D are plausibilized or validated by the fusion of the information sources IQ1 to IQn. The information sources IQ1 to IQn can be different sources, both with regard to an algorithm and with regard to the detection unit used. All information sources IQ1 to IQn have a common structure in common, which is built up in a so-called training.

Die Struktur ermöglicht eine Bestimmung von Wahrscheinlichkeitsmaßen P1 bis Pz und Konfidenzmaßen K1 bis Km der Informationsquellen IQ1 bis IQn. Die Wahrscheinlichkeitsmaße P1 bis Pz geben an, mit welcher Wahrscheinlichkeit die jeweilige Informationsquelle IQ1 bis IQn richtig-positive Objektdetektionen, so genannte ”true-positives”, erzeugt. Die Konfidenzmaße K1 bis Km geben einen Wert an, welcher eine Unsicherheit des jeweiligen Wahrscheinlichkeitsmaßes P1 bis Pz widerspiegelt.The structure enables a determination of probability measures P1 to Pz and confidence measures K1 to Km of the information sources IQ1 to IQn. The probability measures P1 to Pz indicate with which probability the respective information source IQ1 to IQn generates true-positive object detections, so-called "true-positive". The confidence measures K1 to Km indicate a value which reflects an uncertainty of the respective probability measure P1 to Pz.

Dabei werden die Wahrscheinlichkeitsmaße P1 bis Pz und die Konfidenzmaße K1 bis Km aus Histogrammen Hpos, Hneg abgeleitet, welche anhand der Ausgaben eines Algorithmus der jeweiligen Kontextquelle, d. h. der Erfassungseinheit und/oder des Auswerteverfahrens, auf dem Trainingsdatensatz erstellt wurden. Es wird ein positives Histogramm Hpos der Ausgaben für die positiven Beispiele und analog ein negatives Histogramm Hneg für die negativen Beispiele erstellt. Hierbei wird anschließend eine Betaverteilung für eine Erfolgswahrscheinlichkeit anhand einer Anzahl der Einträge im jeweiligen positiven Histogramm Hpos und negativen Histogramm Hneg bzw. so genannten positiven und negativen Histogrammfächern berechnet. Ein Erwartungswert dieser Verteilung entspricht der Wahrscheinlichkeit, die eine Informationsquelle IQ1 bis IQn für die Richtigkeit der Detektion vergibt. Die Varianz der Verteilung ist direkt proportional zu der Konfidenz, mit der eine Informationsquelle IQ1 bis IQn ihre Ausgabe bewertet.In this case, the probability measures P1 to Pz and the confidence measures K1 to Km are derived from histograms H pos , H neg , which were created on the training data set on the basis of the outputs of an algorithm of the respective context source, ie the detection unit and / or the evaluation method. A positive histogram H pos of the outputs for the positive examples and, analogously, a negative histogram H neg for the negative examples are created. In this case, a beta distribution for a probability of success is then calculated on the basis of a number of entries in the respective positive histogram H pos and negative histogram H neg or so-called positive and negative histogram subjects. An expected value of this distribution corresponds to the probability that an information source IQ1 to IQn allocates for the correctness of the detection. The variance of the distribution is directly proportional to the confidence with which an information source IQ1 to IQn evaluates its output.

In einem nächsten Schritt werden die Wahrscheinlichkeitsmaße P1 bis Pz gemeinsam mit den Konfidenzmaßen K1 bis Km dazu verwendet, mehrere aus jeweils zweidimensionalen Wahrscheinlichkeitsmassen PM1 bis PM3 gebildete Einzelhypothesen auf einem Diskussionsrahmen R1, R2 zu modellieren, wobei eine Verteilung der Wahrscheinlichkeitsmassen PM1 bis PM3 auf dem Diskussionsrahmen R1, R2 bestimmt wird.In a next step, the probability measures P1 to Pz together with the confidence measures K1 to Km are used to model a plurality of individual hypotheses formed from two-dimensional probability masses PM1 to PM3 on a discussion frame R1, R2, wherein a distribution of the probability masses PM1 to PM3 on the discussion frame R1, R2 is determined.

Der Diskussionsrahmen R1 ist als symbolischer Diskussionsrahmen R1 ausgebildet, d. h. der symbolische Diskussionsrahmen R1 setzt sich aus verschiedenen Klassennamen zusammen. Alternativ oder zusätzlich wird als Diskussionsrahmen R2 ein reellwertiges Intervall, beispielsweise [0, 1], gewählt. Dabei beinhalten die Wahrscheinlichkeitsmassen PM2 und PM3 auf dem Diskussionsrahmen R2 Wahrscheinlichkeitsintervalle. Hierbei wird angenommen, dass Einzelhypothesen eine konstante Länge Ihyp aufweisen.The discussion framework R1 is designed as a symbolic discussion framework R1, ie the symbolic discussion framework R1 is composed of different class names. Alternatively or additionally, a real-valued interval, for example [0, 1], is selected as the discussion frame R2. The probability masses PM2 and PM3 on the discussion frame R2 include probability intervals. It is assumed that individual hypotheses have a constant length I hyp .

Nach der Modellierung der Einzelhypothesen aus den zweidimensionalen Wahrscheinlichkeitsmassen PM1 bis PM3 auf den Diskussionsrahmen R1, R2 wird mittels der so genannten Evidenztheorie nach Dempster-Shafer in einer Dempster-Shafer-Fusion DSF die Fusion der Einzelhypothesen durchgeführt.After modeling the individual hypotheses from the two-dimensional probability masses PM1 to PM3 on the discussion framework R1, R2, the fusion of the individual hypotheses is carried out by means of the so-called evidence theory according to Dempster-Shafer in a Dempster-Shafer fusion DSF.

Als Ergebnis der Fusion wird eine Gesamthypothese erzeugt, welche ein gemeinsames Wahrscheinlichkeitsmaß P und ein gemeinsames Konfidenzmaß K für eine richtigpositive Objektdetektion der Erfassungseinheit E umfasst. Das gemeinsame Wahrscheinlichkeitsmaß P und das gemeinsames Konfidenzmaß K werden aus einer Gesamtheit der Wahrscheinlichkeitsmaße P1 bis Pz und Konfidenzmaße K1 bis Km aller Informationsquellen IQ1 bis IQn erzeugt.As a result of the fusion, an overall hypothesis is generated which comprises a common probability measure P and a common confidence measure K for a correct positive object detection of the detection unit E. The common probability measure P and the common confidence measure K are generated from a totality of the probability measures P1 to Pz and confidence measures K1 to Km of all information sources IQ1 to IQn.

Dabei ist besonders vorteilhaft, dass anhand der Fusion Aussagen über den gesamten Wahrscheinlichkeitsraum getroffen werden können. Insbesondere aufgrund der Verwendung der reellwertigen Intervalle als Diskussionsrahmen R2 ist es gegenüber herkömmlichen Verfahren, welche lediglich für eine angenommene Wahrscheinlichkeit einen Konfidenzaussage treffen können, möglich, multimodale Verteilungen zwischen 0 und 1 zu betrachten. Auch ist es dabei möglich, Aussagen zur Form zu treffen. Beispielsweise wird ermittelt, wie hoch das gesamte Konfidenzmaß K für die Aussage ”Es ist ganz sicher ein Objekt” ist. ”Ganz sicher” bezeichnet beispielsweise ein gesamtes Wahrscheinlichkeitsmaß P zwischen 0,8 und 1,0.It is particularly advantageous that based on the merger statements about the entire probability space can be made. In particular, due to the use of the real-valued intervals as a discussion framework R2, it is possible to consider multimodal distributions between 0 and 1 compared to conventional methods which can only make a confidence statement for an assumed probability. It is also possible to make statements about the form. For example, it is determined how high the total confidence measure K is for the statement "It is certainly an object". For example, "quite sure" denotes an overall probability measure P between 0.8 and 1.0.

Nach der Bestimmung der Wahrscheinlichkeitsmassen, werden die Aussagen der Quellen nach der Dempster-Shafer Theorie fusioniert. Die Ausgabe ist eine gemeinsame Wahrscheinlichkeit für ein True Positive sowie die dazugehörige gemeinsame Konfidenz.After the determination of the probability masses, the statements of the sources are fused according to the Dempster-Shafer theory. The output is a common probability of a true Positive as well as the associated common confidence.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

  • CC
    Klassifikatorclassifier
    DD
    Detektiondetection
    DSFDSF
    Dempster-Shafer-FusionDempster-Shafer fusion
    Ee
    Erfassungseinheitacquisition unit
    Hneg, Hpos H neg , H pos
    Histogrammhistogram
    IQ1I Q1
    Informationsquellesource of information
    IQnIQN
    Informationsquellesource of information
    KK
    gemeinsames Konfidenzmaßcommon confidence measure
    K1 bis KmK1 to Km
    Konfidenzmaßconfidence measure
    Ihyp I hyp
    Längelength
    PP
    gemeinsames Wahrscheinlichkeitsmaßcommon probability measure
    P1 bis PzP1 to Pz
    Wahrscheinlichkeitsmaßprobability
    PM1PM1
    Wahrscheinlichkeitsmasseprobability mass
    PM2PM2
    Wahrscheinlichkeitsmasseprobability mass
    PM3PM3
    Wahrscheinlichkeitsmasseprobability mass
    R1R1
    Diskussionsrahmendiscussion framework
    R2R2
    Diskussionsrahmendiscussion framework

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

  • DE 102006046843 A1 [0003] DE 102006046843 A1 [0003]
  • DE 102010032062 A1 [0004] DE 102010032062 A1 [0004]

Claims (9)

Verfahren zur Fusion mehrerer Informationsquellen (IQ1 bis IQn) zur Objektdetektion, wobei bei der Objektdetektion Wahrscheinlichkeitsmaße (P1 bis Pz) der Informationsquellen (IQ1 bis IQn) verwendet werden, wobei die Wahrscheinlichkeitsmaße (P1 bis Pz) angeben, mit welcher Wahrscheinlichkeit die jeweilige Informationsquelle (IQ1 bis IQn) richtig-positive Objektdetektionen erzeugt, dadurch gekennzeichnet, dass bei der Objektdetektion zusätzlich Konfidenzmaße (K1 bis Km) der Informationsquellen (IQ1 bis IQn) verwendet werden, wobei die Konfidenzmaße (K1 bis Km) einen Wert einer Unsicherheit für das jeweilige Wahrscheinlichkeitsmaß (P1 bis Pz) angeben.Method for merging a plurality of information sources (IQ1 to IQn) for object detection, wherein probability measures (P1 to Pz) of the information sources (IQ1 to IQn) are used in the object detection, the probability measures (P1 to Pz) indicating with which probability the respective information source ( IQ1 to IQn) generates true-positive object detections, characterized in that additional confidence measures (K1 to Km) of the information sources (IQ1 to IQn) are used in the object detection, wherein the confidence measures (K1 to Km) a value of uncertainty for the respective probability measure (P1 to Pz). Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass für jede Informationsquelle (IQ1 bis IQn) zumindest ein Wahrscheinlichkeitsmaß (P1 bis Pz) und zumindest ein Konfidenzmaß (K1 bis Km) bestimmt werden.A method according to claim 1, characterized in that for each information source comprises at least one probability (P1 to PZ) and at least one confidence measure to be determined (K1 to Km) (Iqn to IQ1). Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass anhand der Wahrscheinlichkeitsmaße (P1 bis Pz) und Konfidenzmaße (K1 bis Km) mehrere aus jeweils zweidimensionalen Wahrscheinlichkeitsmassen (PM1, PM2) gebildete Einzelhypothesen auf zumindest einem Diskussionsrahmen (R1, R2) modelliert werden.Method according to Claim 1 or 2, characterized in that, based on the probability measures (P1 to Pz) and confidence measures (K1 to Km), a plurality of individual hypotheses formed from respectively two-dimensional probability masses (PM1, PM2) are modeled on at least one discussion frame (R1, R2). Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass mittels einer erweiterten Wahrscheinlichkeitstheorie, insbesondere einer Evidenztheorie nach Dempster-Shafer, eine Fusion der Einzelhypothesen durchgeführt wird.A method according to claim 3, characterized in that by means of an expanded probability theory, in particular an evidence theory according to Dempster-Shafer, a fusion of the individual hypotheses is performed. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass als Ergebnis der Fusion eine Gesamthypothese erzeugt wird, wobei die Gesamthypothese ein gemeinsames Wahrscheinlichkeitsmaß (P) und ein gemeinsames Konfidenzmaß (K) für eine richtig-positive Objektdetektion umfasst, welche aus einer Gesamtheit der Wahrscheinlichkeitsmaße (P1 bis Pz) und Konfidenzmaße (K1 bis Km) aller Informationsquellen (IQ1 bis IQn) erzeugt werden.A method according to claim 4, characterized in that as a result of the fusion an overall hypothesis is generated, wherein the overall hypothesis comprises a common probability measure (P) and a common confidence measure (K) for a true positive object detection, which consists of a set of the probability measures (P1 to Pz) and confidence measures (K1 to Km) of all information sources (IQ1 to IQn) are generated. Verfahren nach einem der Ansprüche 3 bis 5, dadurch gekennzeichnet, dass der Diskussionsrahmen (R1) symbolisch gewählt wird, wobei der symbolische Diskussionsrahmen (R1) aus verschiedenen Klassennamen gebildet wird.A method according to any one of claims 3 to 5, characterized in that the discussion frame (R1) is selected symbolically, wherein the symbolic discussion frame (R1) is formed from different class name. Verfahren nach einem der Ansprüche 3 bis 6, dadurch gekennzeichnet, dass als Diskussionsrahmen (R2) ein reellwertiges Intervall gewählt wird.Method according to one of Claims 3 to 6, characterized in that a real-valued interval is selected as the discussion frame (R2). Verfahren nach einem der Ansprüche 3 bis 7, dadurch gekennzeichnet, dass die Einzelhypothesen derart gebildet werden, dass diese Wahrscheinlichkeitsintervalle umfassen.Method according to one of claims 3 to 7, characterized in that the individual hypotheses are formed such that they comprise probability intervals. Verfahren zum Betrieb einer Fahrerassistenzvorrichtung für ein Fahrzeug, umfassend die Verfahrensschritte – Fusion mehrerer Informationsquellen (IQ1 bis IQn) nach einem Verfahren nach einem der vorhergehenden Ansprüche, – Detektion von Objekten in einer Umgebung des Fahrzeugs anhand einer mittels des Verfahrens nach einem der vorhergehenden Ansprüche ermittelten Gesamthypothese und – Steuerung der Fahrerassistenzvorrichtung in Abhängigkeit der detektierten Objekte.Method for operating a driver assistance device for a vehicle, comprising the method steps Fusion of a plurality of information sources (IQ1 to IQn) according to a method according to one of the preceding claims, - Detection of objects in an environment of the vehicle based on a determined by the method according to any one of the preceding claims total hypothesis and - Control of the driver assistance device in dependence of the detected objects.
DE102015008539.5A 2015-07-02 2015-07-02 Method for merging a plurality of information sources for object detection and method for operating a driver assistance device Withdrawn DE102015008539A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102015008539.5A DE102015008539A1 (en) 2015-07-02 2015-07-02 Method for merging a plurality of information sources for object detection and method for operating a driver assistance device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102015008539.5A DE102015008539A1 (en) 2015-07-02 2015-07-02 Method for merging a plurality of information sources for object detection and method for operating a driver assistance device

Publications (1)

Publication Number Publication Date
DE102015008539A1 true DE102015008539A1 (en) 2017-01-05

Family

ID=57582720

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102015008539.5A Withdrawn DE102015008539A1 (en) 2015-07-02 2015-07-02 Method for merging a plurality of information sources for object detection and method for operating a driver assistance device

Country Status (1)

Country Link
DE (1) DE102015008539A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109334661A (en) * 2018-09-06 2019-02-15 上海工程技术大学 Based on Speed Obstacles model/collision probability density model avoidance pre-judging method
DE102019102919A1 (en) * 2019-02-06 2020-08-06 Bayerische Motoren Werke Aktiengesellschaft Method, device, computer program and computer program product for operating a vehicle

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006046843A1 (en) 2006-10-02 2008-04-03 Robert Bosch Gmbh Motor vehicle surrounding detecting method for use in area of driver assistance system, involves processing data for detecting objects and free area in surrounding of motor vehicle, and dividing surrounding into cells with attributes
DE102010032062A1 (en) 2010-05-20 2011-05-12 Daimler Ag Method for calibration of sensors of object detection system for three dimensional measurements in automotive field, involves determining confidential information of classifiers for calibrating sensors

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006046843A1 (en) 2006-10-02 2008-04-03 Robert Bosch Gmbh Motor vehicle surrounding detecting method for use in area of driver assistance system, involves processing data for detecting objects and free area in surrounding of motor vehicle, and dividing surrounding into cells with attributes
DE102010032062A1 (en) 2010-05-20 2011-05-12 Daimler Ag Method for calibration of sensors of object detection system for three dimensional measurements in automotive field, involves determining confidential information of classifiers for calibrating sensors

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109334661A (en) * 2018-09-06 2019-02-15 上海工程技术大学 Based on Speed Obstacles model/collision probability density model avoidance pre-judging method
CN109334661B (en) * 2018-09-06 2020-05-29 上海工程技术大学 Obstacle avoidance pre-judgment method based on speed obstacle model and collision probability density model
DE102019102919A1 (en) * 2019-02-06 2020-08-06 Bayerische Motoren Werke Aktiengesellschaft Method, device, computer program and computer program product for operating a vehicle
US11915489B2 (en) 2019-02-06 2024-02-27 Bayerische Motoren Werke Aktiengesellschaft Method, device, computer program and computer program product for operating a vehicle

Similar Documents

Publication Publication Date Title
DE102016220913A1 (en) Method and device for generating test cases for autonomous vehicles
DE102012023867A1 (en) Traffic light recognition
DE102017208718A1 (en) Method of detecting objects in an image of a camera
DE102013201545A1 (en) Create an environment model for a vehicle
DE102010033776A1 (en) Method for evaluation and prediction of actions of two or more objects, particularly for operation of driver assistance system in vehicle, involves determining and saving current movement trajectories of object by detection unit
DE102012107886A1 (en) Method for the electronic detection of traffic signs
DE102016014366A1 (en) Method for operating a driver assistance system
DE102015008539A1 (en) Method for merging a plurality of information sources for object detection and method for operating a driver assistance device
DE102017204347A1 (en) Method and system for determining a kinematic property of an object, method for controlling an assistance system of a motor vehicle and motor vehicle
DE102013210725A1 (en) Method and device for detecting traffic signs
DE102016202317A1 (en) METHOD FOR CONTROLLING VEHICLE FUNCTIONS THROUGH A DRIVER ASSISTANCE SYSTEM, DRIVER ASSISTANCE SYSTEM AND VEHICLE
DE102015012648A1 (en) Method for operating at least one vehicle system of a motor vehicle and motor vehicle
DE102017004114A1 (en) Method and device for operating a fully autonomously or at least partially autonomously driving vehicle
DE102020115746A1 (en) Method for assessing the accuracy of a position determination of a landmark, as well as an evaluation system
DE102009009904A1 (en) Object i.e. road sign, identifying method, involves adding images and classifiers, which contain stored samples and sequences, as another set of samples, if sequences correspond to another set of sequences
DE102015014415A1 (en) Method for detecting moving objects
DE102019217282A1 (en) Process for predicting the driving behavior of other road users
DE102017000685A1 (en) Method for verifying the timeliness of a digital map
DE102019207700A1 (en) Classification device for object detection in environment sensor data and methods
DE102017207958A1 (en) A method of generating training data for a machine learning based pattern recognition method for a motor vehicle, motor vehicle, method of operating a computing device, and system
DE102017004770A1 (en) Method for operating a driver assistance system
DE102022000331A1 (en) Method for detecting ghost objects in sensor measurements
DE102021209817A1 (en) Process for the multi-stage fusion of measurement data
DE102020208878A1 (en) Process for curve detection
DE102009033855A1 (en) Vehicle assistance system's function testing method for motor vehicle, involves determining reference data from data detected by reference sensor, and automatically testing accuracies of assistance functions after execution of functions

Legal Events

Date Code Title Description
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee