DE102016009117A1

DE102016009117A1 - Method for locating a vehicle

Info

Publication number: DE102016009117A1
Application number: DE102016009117.7A
Authority: DE
Inventors: Florian RIES; Frank Schuster; Martin Haueis; Florian Geiß; Jochen Roth; Mohammad Ghanaat
Original assignee: Daimler AG
Current assignee: Mercedes Benz Group AG
Priority date: 2016-07-27
Filing date: 2016-07-27
Publication date: 2017-02-23

Abstract

Die Erfindung betrifft ein Verfahren zur Lokalisierung eines Fahrzeugs. Erfindungsgemäß werden eine umgebungserfassungsbasierte Lokalisierung (UL) und eine Lokalisierung (GL) mittels eines globalen Navigationssatellitensystems miteinander fusioniert.The invention relates to a method for locating a vehicle. According to the invention, an environmental detection-based localization (UL) and a localization (GL) are fused together by means of a global navigation satellite system.

Description

Die Erfindung betrifft ein Verfahren zur Lokalisierung eines Fahrzeugs.The invention relates to a method for locating a vehicle.

Aus dem Stand der Technik sind, wie in der US 2009/0228204 A1 beschrieben, ein System und ein Verfahren zum Abgleich einer Karte mit sensordetektierten Objekten bekannt, wodurch eine Positionsbestimmung mittels eines Navigationssystems verbessert werden kann. Eine Kamera des Fahrzeugs erfasst eine Umgebung, wobei mittels der Kamera erfasste Bilder mit Kartendaten und Objektinformationen abgeglichen werden. Objekten in den erfassten Bildern können zugehörige Objektinformationen zugeordnet werden. Die in den Bildern erfassten Objekte können in einer Karte dargestellt werden, um dem Fahrer die Navigation zu erleichtern. Die Lokalisierung in der Karte mittels der erfassten Objekte wird mittels einer Positionsbestimmung über ein globales Navigationssatellitensystem initialisiert. Die Positionsbestimmung über das globale Navigationssatellitensystem kann mit einer Koppelnavigation verbunden werden.From the prior art, as in the US 2009/0228204 A1 described a system and a method for adjusting a map with sensor-detected objects known, whereby a position determination can be improved by means of a navigation system. A camera of the vehicle detects an environment, wherein images captured by the camera are matched with map data and object information. Objects in the captured images can be associated with associated object information. The objects captured in the images can be displayed in a map to facilitate navigation for the driver. The localization in the map by means of the detected objects is initialized by means of a position determination via a global navigation satellite system. The position determination via the global navigation satellite system can be linked with dead reckoning.

Der Erfindung liegt die Aufgabe zu Grunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Lokalisierung eines Fahrzeugs anzugeben.The invention is based on the object to provide a comparison with the prior art improved method for locating a vehicle.

Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Lokalisierung eines Fahrzeugs mit den Merkmalen des Anspruchs 1.The object is achieved by a method for locating a vehicle having the features of claim 1.

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

In einem erfindungsgemäßen Verfahren zur Lokalisierung eines Fahrzeugs werden eine umgebungserfassungsbasierte Lokalisierung und eine Lokalisierung mittels eines globalen Navigationssatellitensystems (GNSS), im Folgenden auch als GNSS-basierte Lokalisierung bezeichnet, miteinander fusioniert.In a method according to the invention for locating a vehicle, an environment-detection-based localization and a localization by means of a global navigation satellite system (GNSS), hereinafter also referred to as GNSS-based localization, are fused together.

Das erfindungsgemäße Verfahren ist besonders vorteilhaft zur Durchführung eines hochautomatisierten oder autonomen Fahrbetriebs des Fahrzeugs. Ein derartiger hochautomatisierter oder autonomer Fahrbetrieb, beispielsweise auf Autobahnen, erfordert hochgenaue Karten zur Ergänzung von mittels einer Fahrzeugsensorik ermittelten Informationen. Eine robuste und hochgenaue Lokalisierung bestimmt eine genaue Position des Fahrzeugs in einer solchen Karte, welche insbesondere von einem Drittanbieter zur Verfügung gestellt wird, durch Nutzung von Kartenattributen. Eine ausreichende Bewertung einer Qualität solcher Karten von Drittanbietern in einem Herstellungsprozess ist nicht möglich. Des Weiteren ist es bisher nicht möglich, potentielle Fehler einer solchen Karte bei der Lokalisierung zu detektieren. Dies, d. h. das Detektieren potentieller Fehler der Karte bei der Lokalisierung, wird mittels des erfindungsgemäßen Verfahrens ermöglicht.The method according to the invention is particularly advantageous for carrying out a highly automated or autonomous driving operation of the vehicle. Such highly automated or autonomous driving operation, for example on motorways, requires highly accurate maps to supplement information determined by means of a vehicle sensor system. Robust and highly accurate location determines an accurate location of the vehicle in such a map, which is particularly provided by a third-party provider, through the use of map attributes. Adequate evaluation of a quality of such third-party cards in a manufacturing process is not possible. Furthermore, it is not yet possible to detect potential errors of such a map in the localization. This, d. H. the detection of potential errors of the card in the localization is made possible by the method according to the invention.

Das erfindungsgemäße Verfahren ermöglicht vorteilhafterweise eine probabilistische und kontinuierliche Fusion von umgebungserfassungsbasierter Lokalisierung, auch als egosensorbasierte Lokalisierung bezeichnet, und GNSS-basierter Lokalisierung in der Karte. Insbesondere wird mittels des erfindungsgemäßen Verfahrens ein semi-systematischer Fehler einer Georeferenzierung der Karte des Drittanbieters herausgefiltert und zweckmäßigerweise kenntlich gemacht.The method of the invention advantageously allows for a probabilistic and continuous fusion of environmental detection-based localization, also referred to as ego sensor-based localization, and GNSS-based localization in the map. In particular, a semi-systematic error of a georeferencing of the third-party card is filtered out and expediently identified by means of the method according to the invention.

Das erfindungsgemäße Verfahren vermeidet es, auf die Fusion mit der GNSS-basierten Lokalisierung zu verzichten oder einen semi-systematischen Fehler von Kartenattributen zu ignorieren. Ersteres, d. h. der Verzicht auf die Fusion mit der GNSS-basierten Lokalisierung, hätte eine reduzierte Genauigkeit und Verfügbarkeit zur Folge, da die Möglichkeiten der Umgebungserfassung begrenzt sind. Zudem würde eine hohe Fehlerrate durch viele Ambiguitäten auftreten. Letzteres, d. h. das Ignorieren des semi-systematischen Fehlers der Kartenattribute, hätte eine deutlich reduzierte Genauigkeit zur Folge, da zu einem durch die GNSS-basierte Lokalisierung verursachten Fehler noch der Kartenfehler, d. h. der semi-systematische Fehler der Kartenattribute, hinzukommt. Dies wird beides mittels des erfindungsgemäßen Verfahrens vermieden.The inventive method avoids the merger with the GNSS-based localization or ignore a semi-systematic error of card attributes. First, d. H. the absence of fusion with GNSS-based localization would result in reduced accuracy and availability as the possibilities of environmental detection are limited. In addition, a high error rate would occur due to many ambiguities. The latter, d. H. Ignoring the semi-systematic error of the card attributes would result in significantly reduced accuracy, since the error caused by the GNSS-based localization is still due to the card error. H. the semi-systematic error of the card attributes. This is avoided both by means of the method according to the invention.

Die umgebungserfassungsbasierte Lokalisierung und die GNSS-basierte Lokalisierung können mittels des erfindungsgemäßen Verfahrens mathematisch ideal fusioniert werden, da die GNSS-basierte Lokalisierung nun auch in einem Kartenkoordinatensystem arbeitet. Dies ermöglicht eine höhere Verfügbarkeit, da die umgebungserfassungsbasierte Lokalisierung und die GNSS-basierte Lokalisierung füreinander einspringen, wenn beispielsweise eine von beiden nicht verfügbar ist. Des Weiteren ermöglicht dies eine höhere Genauigkeit, da dieselbe Position, d. h. ein Punkt in der Karte, sowohl mittels der umgebungserfassungsbasierten Lokalisierung als auch mittels der GNSS-basierten Lokalisierung ermittelt wird. Zudem ermöglicht dies eine um mehrere Größenordnungen geringere Falsch-Positiv-Rate, da die umgebungserfassungsbasierte Lokalisierung und die GNSS-basierte Lokalisierung denselben Fehler erzeugen müssen, damit dieser Fehler unerkannt bleibt.The environmental detection-based localization and the GNSS-based localization can be ideally mathematically fused using the method according to the invention, since the GNSS-based localization now also works in a map coordinate system. This allows for higher availability since the environment-aware based localization and the GNSS-based localization intervene for each other, for example, if either is not available. Furthermore, this allows greater accuracy because the same position, i. H. a point in the map is determined by both the environment-based localization and the GNSS-based localization. In addition, this allows for a several orders of magnitude lower false-positive rate, since the environment-based localization and the GNSS-based location must generate the same error so that this error goes undetected.

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 eine schematische Darstellung eines Verfahrens zur Lokalisierung eines Fahrzeugs, 1 a schematic representation of a method for locating a vehicle,

2 eine detaillierte schematische Darstellung eines Bestandteils des in 1 dargestellten Verfahrens, und 2 a detailed schematic representation of a component of the in 1 represented method, and

3 eine detaillierte schematische Darstellung eines weiteren Bestandteils des in 1 dargestellten Verfahrens. 3 a detailed schematic representation of another component of the in 1 illustrated method.

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

1 zeigt eine schematische Darstellung eines Verfahrens zur Lokalisierung eines Fahrzeugs. Mittels dieses Verfahrens wird die Lokalisierung des Fahrzeugs, insbesondere eine Genauigkeit und Verfügbarkeit der Lokalisierung, verbessert, indem eine umgebungserfassungsbasierte Lokalisierung UL und eine Lokalisierung GL mittels eines globalen Navigationssatellitensystems miteinander fusioniert werden. 1 shows a schematic representation of a method for locating a vehicle. By means of this method, the location of the vehicle, in particular the accuracy and availability of the localization, is improved by fusing together an environment-based localization UL and a localization GL by means of a global navigation satellite system.

Die Lokalisierung GL mittels eines globalen Navigationssatellitensystems wird im Folgenden auch als GNSS-basierte Lokalisierung GL bezeichnet. Die umgebungserfassungsbasierter Lokalisierung UL wird auch als egosensorbasierte Lokalisierung bezeichnet, da sie mittels einer fahrzeugeigenen Umgebungserfassungssensorik durchgeführt wird. Die Umgebungserfassungssensorik kann beispielsweise einen oder mehrere Radarsensoren, einen oder mehrere Lidarsensoren, einen oder mehrere Ultraschallsensoren, eine oder mehrere Bilderfassungseinheiten, insbesondere Kameras, beispielsweise 3D-Kameras, und/oder einen oder mehrere andere für die Umgebungserfassung geeignete Sensoren umfassen.The localization GL by means of a global navigation satellite system is also referred to below as GNSS-based localization GL. The environmental detection-based localization UL is also referred to as ego sensor-based localization, since it is performed by means of an in-vehicle environmental detection sensor system. The environment detection sensor system may include, for example, one or more radar sensors, one or more lidar sensors, one or more ultrasound sensors, one or more image acquisition units, in particular cameras, for example 3D cameras, and / or one or more other sensors suitable for environmental detection.

Wie in 1 gezeigt, sind Eingangswerte eines Algorithmus zur umgebungserfassungsbasierten Lokalisierung UL in einer Karte K die verwendete Karte K, d. h deren Kartendaten, sowie Odometriesensordaten einer Odometrie O des Fahrzeugs und Umgebungssensorikdaten der Umgebungserfassungssensorik des Fahrzeugs. Die verendete Karte K stammt üblicherweise von einem Drittanbieter. Im dargestellten Beispiel umfassen die Umgebungssensorikdaten Objektlisten SOL von der Umgebungserfassungssensorik erfasster Objekte SO und Fahrspurerkennungsdaten F. Aus dem Algorithmus der umgebungserfassungsbasierten Lokalisierung UL in der Karte K resultieren eine Position PO1 und Orientierung des Fahrzeugs in der Karte K mit einem Kartenfehler. Position und Orientierung werden auch als „World pose” bezeichnet.As in 1 2, input values of an environment detection based localization algorithm UL in a map K are the map K, d used. h their map data, as well as Odometriesensordaten an odometry O of the vehicle and environmental sensor data of the environment detection sensor system of the vehicle. The dead card K is usually from a third party. In the example shown, the environmental sensor data comprise object lists SOL of objects detected by the surroundings detection sensor system SO and lane detection data F. From the algorithm of the environmental detection-based localization UL in the map K, a position PO1 and orientation of the vehicle in the map K result with a map error. Position and orientation are also called "World Pose".

Des Weiteren wird die GNSS-basierte Lokalisierung GL durchgeführt, wobei mittels einer entsprechenden GNSS-Sensorik des Fahrzeugs eine Position PO2 und Orientierung des Fahrzeugs, d. h. eine „World pose”, mit einem GNSS-basierten Fehler ermittelt wird. Die Position PO1 und Orientierung des Fahrzeugs in der Karte K mit dem Kartenfehler, welche mittels der umgebungserfassungsbasierten Lokalisierung UL ermittelt wurde, und die Position PO2 und Orientierung des Fahrzeugs mit dem GNSS-basierten Fehler, welche mittels der GNSS-basierten Lokalisierung GL ermittelt wurde, sind Eingangsdaten eines so genannten „Map Shift Filter”-Algorithmus, d. h. eines Kartenabweichungsfilteralgorithmus MSF, welcher einen Abweichungsvektor zwischen einem Kartenkoordinatensystem der umgebungserfassungsbasierten Lokalisierung UL und einem Weltkoordinatensystem der GNSS-basierten Lokalisierung GL schätzt. Daraus wird in Verbindung mit der Karte K eine hochpräzise Position P des Fahrzeugs in der Karte K ermittelt.Furthermore, the GNSS-based localization GL is performed, wherein by means of a corresponding GNSS sensor system of the vehicle, a position PO2 and orientation of the vehicle, i. H. a "World pose", with a GNSS-based error is determined. The position PO1 and orientation of the vehicle in the map K with the map error, which was determined by means of the environmental detection-based localization UL, and the position PO2 and orientation of the vehicle with the GNSS-based error, which was determined by the GNSS-based localization GL, are input data of a so-called "Map Shift Filter" algorithm, i. H. a map deviation filter algorithm MSF which estimates a deviation vector between a map detection system of the environment detection based localization UL and a world coordinate system of the GNSS based localization GL. From this, a high-precision position P of the vehicle in the map K is determined in conjunction with the map K.

2 zeigt eine detailliertere schematische Darstellung des Algorithmus zur umgebungserfassungsbasierten Lokalisierung UL in der Karte K. Dabei wird zunächst ein Abgleichalgorithmus AA zum Abgleich der Objektlisten SOL von der Umgebungserfassungssensorik in der Umgebung, beispielsweise an einem Straßenrand, erfasster Objekte SO mit in der Karte K verzeichneten Objekten durchgeführt. Dessen Ergebnis sind mögliche Positionen PP in Übereinstimmung mit jeweils erfassten Objekten, d. h. mit jeweils erfassten Landmarken, und deren Wahrscheinlichkeiten. Dieses Ergebnis fließt in einen Lokalisationsfilteralgorithmus LF ein, in welchen des Weiteren die Fahrspurerkennungsdaten F, insbesondere Fahrspurmarkierungen FM, und die Odometriesensordaten der Odometrie O des Fahrzeugs einfließen. Das Ergebnis dieses Lokalisationsfilteralgorithmus LF ist die Position PO1 und Orientierung des Fahrzeugs in der Karte K mit dem Kartenfehler sowie eine zugehörige Kovarianzschätzung KPO1. 3 zeigt eine detailliertere schematische Darstellung des so genannten „Map Shift Filter”-Algorithmus, d. h. des Kartenabweichungsfilteralgorithmus MSF. Eingangsdaten dieses Kartenabweichungsfilteralgorithmus MSF sind, wie bereits zu 1 erläutert, die Position PO1 und Orientierung des Fahrzeugs in der Karte K mit dem semi-systematischen Kartenfehler, welche mittels der umgebungserfassungsbasierten Lokalisierung UL ermittelt wurde, und die Position PO2 und Orientierung des Fahrzeugs mit dem semi-systematischen GNSS-basierten Fehler, welche mittels der GNSS-basierten Lokalisierung GL ermittelt wurde. Dabei bedeutet semi-systematisch, dass die Fehler eine sehr geringe Ortsfrequenz aufweisen, d. h. lokal im Wesentlichen gleichbleibend sind. Fehleränderungen können nur über größere Entfernungen auftreten. 2 shows a more detailed schematic representation of the algorithm for ambient detection based localization UL in the map K. In this case, a matching algorithm AA for matching the object lists SOL of the environmental detection sensors in the environment, for example, on a roadside, detected objects SO performed with in the map K objects , Its result is possible positions PP in accordance with each detected objects, ie with each detected landmarks, and their probabilities. This result flows into a localization filter algorithm LF, in which further the lane recognition data F, in particular lane markings FM, and the odometry sensor data of the odometry O of the vehicle are included. The result of this localization filter algorithm LF is the position PO1 and orientation of the vehicle in the map K with the map error and an associated covariance estimate KPO1. 3 shows a more detailed schematic representation of the so-called "Map Shift Filter" algorithm, ie the map deviation filter algorithm MSF. Input data of this map deviation filter algorithm MSF are, as already known 1 illustrates the position PO1 and orientation of the vehicle in the map K with the semi-systematic map error, which was determined by means of the environmental detection based localization UL, and the position PO2 and orientation of the vehicle with the semi-systematic GNSS-based error, which by means of GNSS-based localization GL was determined. Semi-systematic means that the errors have a very low spatial frequency, ie are locally substantially constant. Error changes can only occur over longer distances.

Eine Differenz dieser Eingangsdaten wird in einem Zustandsraumfilteralgorithmus ZF, beispielsweise einem Kalman-Filter, verarbeitet. Weitere Eingangsdaten des Kartenabweichungsfilteralgorithmus MSF und insbesondere auch des Zustandsraumfilteralgorithmus ZF sind die zur Position PO1 und Orientierung des Fahrzeugs in der Karte K mit dem Kartenfehler zugehörige Kovarianzschätzung KPO1 sowie eine mittels der zur GNSS-basierten Lokalisierung GL ermittelten Position PO2 und Orientierung des Fahrzeugs mit dem GNSS-basierten Fehler zugehörige Kovarianzschätzung KPO2. Mittels des Zustandsraumfilteralgorithmus ZF erfolgt eine Abschätzung eines Unterschieds zwischen diesen beiden semi-systematischen Fehlern, d. h. es werden eine Kartenabweichung KA und eine zugehörige Kovarianzschätzung KKA ermittelt.A difference of this input data is processed in a state space filter algorithm ZF, for example a Kalman filter. Further Input data of the map deviation filter algorithm MSF and in particular also of the state space filter algorithm ZF are the covariance estimate KPO1 associated with the position PO1 and orientation of the vehicle in the map K and a position PO2 determined by means of the GNSS-based localization GL and orientation of the vehicle with the GNSS map. based error related covariance estimate KPO2. By means of the state space filter algorithm ZF, an estimate of a difference between these two semi-systematic errors takes place, ie a map deviation KA and an associated covariance estimate KKA are determined.

Eine Summe der ermittelten Kartenabweichung KA und der Position PO2 und Orientierung des Fahrzeugs mit dem GNSS-basierten Fehler, welche mittels der GNSS-basierten Lokalisierung GL ermittelt wurde, sind Eingangsdaten eines Algorithmus APV einer Plausibilitätsprüfung und einer inversen Varianzgewichtung, auch als Inverse Variance Weighting bezeichnet. Weitere Eingangsdaten dieses Algorithmus APV sind die Position PO1 und Orientierung des Fahrzeugs in der Karte K mit dem Kartenfehler, deren zugehörige Kovarianzschätzung KPO1, die zur Kartenabweichung KA zugehörige Kovarianzschätzung KKA und die zur mittels der GNSS-basierten Lokalisierung GL ermittelten Position PO2 und Orientierung des Fahrzeugs mit dem GNSS-basierten Fehler zugehörige Kovarianzschätzung KPO2.A sum of the determined map deviation KA and the position PO2 and orientation of the vehicle with the GNSS-based error, which was determined by the GNSS-based localization GL, are input data of an algorithm APV of a plausibility check and an inverse variance weighting, also referred to as inverse variance weighting , Further input data of this algorithm APV are the position PO1 and orientation of the vehicle in the map K with the map error, their associated covariance estimate KPO1, the covariance estimate KKA associated with the map deviation KA and the position PO2 determined by the GNSS-based localization GL and orientation of the vehicle associated with the GNSS-based error covariance estimate KPO2.

Mittels dieses Algorithmus APV der Plausibilitätsprüfung und der inversen Varianzgewichtung erfolgt die Fusion der umgebungserfassungsbasierten Lokalisierung UL und der GNSS-basierten Lokalisierung GL zuzüglich der ermittelten Kartenabweichung KA, welche durch ihre inversen Varianzen gewichtet werden. Dadurch wird eine hochqualitative Position P des Fahrzeugs in der Karte K ermittelt, welche wesentlich genauer ist als die mit den einzelnen Komponenten, d. h. mittels der umgebungserfassungsbasierten Lokalisierung UL und mittels der GNSS-basierten Lokalisierung GL ermittelten Positionen PO1, PO2. Mittels der Plausibilitätsprüfung wird überprüft, ob die mittels der umgebungserfassungsbasierten Lokalisierung UL ermittelte Position PO1, die mittels der GNSS-basierten Lokalisierung GL ermittelte Position PO2 und die ermittelte Kartenabweichung KA, zusammen mit ihren jeweiligen Vertrauenswürdigkeiten, zusammenpassen. Dadurch werden Falsch-Positiv-Bestimmungen der jeweiligen Komponente, d. h. der umgebungserfassungsbasierten Lokalisierung UL und der GNSS-basierten Lokalisierung GL, erkannt.By means of this plausibility checking algorithm and the inverse variance weighting algorithm APV, the fusion of the environmental detection-based localization UL and the GNSS-based localization GL takes place, plus the determined map deviation KA, which are weighted by their inverse variances. As a result, a high-quality position P of the vehicle is determined in the map K, which is much more accurate than that with the individual components, d. H. by means of the environment-detection-based localization UL and by the GNSS-based localization GL determined positions PO1, PO2. By means of the plausibility check, it is checked whether the position PO1 determined by means of the environmental detection-based localization UL, the position PO2 determined by means of the GNSS-based localization GL and the determined map deviation KA, together with their respective trustworthiness, match. As a result, false-positive determinations of the respective component, i. H. the environmental detection-based localization UL and the GNSS-based localization GL.

Ausgangsdaten dieses Algorithmus APV der Plausibilitätsprüfung und der inversen Varianzgewichtung und somit des Kartenabweichungsfilteralgorithmus MSF sind eine fusionierte Position FP in der Karte K und eine zugehörige fusionierte Kovarianzschätzung KFP und somit die hochpräzise Position P des Fahrzeugs in der Karte K, welche durch die Fusion der umgebungserfassungsbasierten Lokalisierung UL und der Lokalisierung GL mittels des globalen Navigationssatellitensystems, d. h. mittels der GNSS-basierten Lokalisierung GL, erreicht wurde.Output data of this plausibility check and inverse variance weighting algorithm APV of the card deviation filter algorithm MSF are a fused position FP in the map K and an associated fused covariance estimate KFP and thus the high-precision position P of the vehicle in the map K resulting from the fusion of the environment-based localization UL and the location GL by means of the global navigation satellite system, d. H. by GNSS-based localization GL.

Durch das beschriebene Verfahren wird eine höhere Verfügbarkeit der Lokalisierung erreicht, da sich die umgebungserfassungsbasierte Lokalisierung UL und die GNSS-basierte Lokalisierung GL ergänzen. Des Weiteren wird eine hohe Robustheit gegen absolute Kartenfehler erreicht, solange sich diese Kartenfehler im Kartenverlauf nicht zu stark ändern. Zudem wird eine verbesserte Erkennung von Falsch-Positiv-Lokalisierungen erreicht, da eine Plausibilitätsprüfung erfolgt, d. h. es wird überprüft, ob die Unterschiede beider Lokalisierungen UL, GL und deren zugehörige Kovarianzen plausibel sind.The described method achieves a higher availability of the localization, since the environment-detection-based localization UL and the GNSS-based localization GL complement one another. Furthermore, a high robustness against absolute map errors is achieved, as long as these map errors do not change too much over the course of the map. In addition, improved detection of false-positive localizations is achieved because a plausibility check is performed, i. H. It is checked whether the differences of both localizations UL, GL and their associated covariances are plausible.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

AA

matching algorithm

APV

Algorithm of the plausibility check and inverse variance weighting

F

Lane detection data

FM

lane marker

FP

merged position

GL

GNSS-based localization

K

map

KA

cards deviation

KFP

fused covariance estimate

KKA

Covariance estimate for map deviation

KPO1

Covariance estimation for position and orientation with map error

KPO2

Covariance estimation for position and orientation with GNSS-based error

LF

Localization filter algorithm

MSF

Cards deviation filter algorithm

O

odometry

P

position

PO1

Position and orientation with map error

PO2

Position and orientation with GNSS-based error

PP

possible position

SO

object

SOL

object list

UL

environment-based localization

ZF

State space filtering algorithm

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

US 2009/0228204 A1 [0002]

Claims

Method for locating a vehicle, characterized in that an environmental detection-based localization (UL) and a localization (GL) are fused together by means of a global navigation satellite system.

A method according to claim 1, characterized in that a semi-systematic error georeferencing a map (K) is determined.

Method according to one of the preceding claims, characterized in that from a position (PO1) of the vehicle determined by means of the environmental detection-based localization (UL), from a position (PO2) of the vehicle which has been determined via the localization (GL) by means of the global navigation satellite system and from whose respective covariance estimation (KPO1, KPO2) a state space filter algorithm (IF) is determined by means of an algorithm (APV) of a plausibility check and inverse variance weighting a fused position (FP) and its fused covariance estimation (KFP).