DE102016011366A1 - Verfahren zur Positionsbestimmung eines Fahrzeugs - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Positionsbestimmung eines Fahrzeugs. Erfindungsgemäß werden zur Positionsbestimmung erweiterte Kalman-Filter (EKF) und ein diskretes Bayesfilter (DBF) kombiniert, wobei eine jeweilige Hypothese (H1, H2, H3) bezüglich einer Absolutposition des Fahrzeugs in der Welt und einer Position des Fahrzeugs innerhalb eines jeweiligen Fahrstreifens (FS1, FS2, FS3) einer Fahrbahn (FB) erstellt wird und die erstellten Hypothesen (H1, H2, H3) anhand von Messwerten von Fahrzeugsensoren mittels einer Mehrzahl von erweiterten Kalman-Filtern (EKF) verfolgt werden und wobei mittels des diskreten Bayesfilters (DBF) aus den von den erweiterten Kalman-Filtern (EKF) verfolgten Hypothesen (H1, H2, H3) die wahrscheinlichste Hypothese (H1, H2, H3) bestimmt wird.

Description

• Die Erfindung betrifft ein Verfahren zur Positionsbestimmung eines Fahrzeugs nach den Merkmalen des Oberbegriffs des Anspruchs 1.
• Aus dem Stand der Technik ist, wie in der DE 10 2015 001 360 A1 beschrieben, ein Verfahren zur Positionsbestimmung eines Fahrzeugs bekannt. In diesen Verfahren wird eine Position des Fahrzeugs anhand einer aus Daten einer digitalen Karte ermittelten Karten-Schätzposition des Fahrzeugs und anhand einer aus von mittels zumindest eines fahrzeugeigenen Sensors erfassten Sensordaten ermittelten Sensor-Schätzposition des Fahrzeugs ermittelt. Dabei wird für einen Zeitraum der Erfassung der Sensordaten zumindest eine Metrik erzeugt, welche einen Abstand zwischen der Karten-Schätzposition des Fahrzeugs und der Sensor-Schätzposition des Fahrzeugs beschreibt. Die Metrik wird minimiert und anhand der minimierten Metrik wird die Position des Fahrzeugs ermittelt.
• In der DE 10 2015 004 676 A1 werden ein Verfahren zum Betreiben einer Fahrerassistenzeinrichtung eines Kraftwagens und eine Fahrerassistenzeinrichtung für einen Kraftwagen beschrieben. Die Fahrerassistenzeinrichtung umfasst ein Navigationssystem mit wenigstens einem Positionssensor und einer digitalen Landkarte sowie wenigstens einen Umgebungssensor. Im Verfahren wird eine Vielzahl von Partikelpunkten in einem Zustandsraum, welcher einen Ortsraum und einen Ausrichtungsraum umfasst, zufällig bestimmt, um einen durch das Navigationssystem vorgegebenen Punkt in dem Zustandsraum gemäß einer vorgegebenen Wahrscheinlichkeitsverteilung durch die Fahrerassistenzeinrichtung zu ermitteln, wobei die Partikelpunkte mögliche Aufenthaltsorte und mögliche Orientierungen des Kraftwagens repräsentieren. Es werden Messdaten durch zumindest einen der Umgebungs- und/oder Positionssensoren erfasst. Die erfassten Messdaten werden durch die Fahrerassistenzeinrichtung ausgewertet. Durch die Fahrerassistenzeinrichtung wird überprüft, ob die ausgewerteten Messdaten eine Bewegung des Kraftwagens repräsentieren. Bei einem positiven Ergebnis des Überprüfens werden die Partikelpunkte im Zustandsraum entsprechend der von den Messdaten repräsentierten Bewegung verschoben. Zumindest einer der Partikelpunkte wird in Abhängigkeit der ausgewerteten Messdaten gemäß einer vorbestimmten Vorschrift gewichtet. Ein tatsächlicher Aufenthaltsort und eine tatsächliche Orientierung des Kraftwagens werden aus den Partikelpunkten unter Berücksichtigung jeweiliger zugehöriger Wichtungswerte abgeschätzt.
• Aus der DE 10 2013 016 596 A1 ist ein Verfahren zum Betreiben einer Fahrerassistenzeinrichtung für einen Kraftwagen bekannt. Die Fahrerassistenzeinrichtung umfasst ein Navigationssystem mit wenigstens einem Positionssensor und einer digitalen Landkarte und jeweilige Umgebungssensoren. Im Verfahren wird der Kraftwagen mittels des Positionssensors lokalisiert und durch das Navigationssystem zu einer Straße zugeordnet. Es werden Daten der Umgebungssensoren erfasst und ausgewertet und Einzelwahrscheinlichkeiten für den Aufenthalt des Kraftwagens auf unterschiedlichen Fahrspuren der Straße auf Grundlage der ausgewerteten Daten der Umgebungssensoren und verfügbarer Informationen des Navigationssystems berechnet. Auf Grundlage der Einzelwahrscheinlichkeiten wird eine Aufenthaltswahrscheinlichkeit des Kraftwagens für jede Fahrspur berechnet. Dem Kraftwagen wird eine Fahrspur zugeordnet und es wird ein Vertrauensmaß für das Zuordnen der Fahrspur bestimmt. Aktuelle fahrbetriebsrelevante Parameter werden erfasst und bei dem Berechnen der Aufenthaltswahrscheinlichkeit werden die Einzelwahrscheinlichkeiten in Abhängigkeit der aktuellen fahrbetriebsrelevanten Parameter gewichtet.
• Der Erfindung liegt die Aufgabe zu Grunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Positionsbestimmung eines Fahrzeugs anzugeben.
• Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Positionsbestimmung eines Fahrzeugs mit den Merkmalen des Anspruchs 1.
• Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
• In einem Verfahren zur Positionsbestimmung eines Fahrzeugs werden erfindungsgemäß zur Positionsbestimmung erweiterte Kalman-Filter, auch als Extended Kalman-Filter (EKF) bezeichnet, und ein diskretes Bayesfilter (DBF) kombiniert. Dabei wird eine jeweilige Hypothese bezüglich einer Absolutposition des Fahrzeugs in der Welt und einer Position des Fahrzeugs innerhalb eines jeweiligen Fahrstreifens einer Fahrbahn erstellt. Die erstellten Hypothesen werden anhand von Messwerten von Fahrzeugsensoren mittels einer Mehrzahl von erweiterten Kalman-Filtern verfolgt. Mittels des diskreten Bayesfilters wird aus den von den erweiterten Kalman-Filtern verfolgten Hypothesen die wahrscheinlichste Hypothese bestimmt.
• Das erfindungsgemäße Verfahren ermöglicht durch die Kombination von erweiterten Kalman-Filtern und diskretem Bayesfilter eine fahrstreifengenaue Lokalisierung des Fahrzeugs. Das Verfahren kann beispielsweise verwendet werden, um einen Sparteppich zur spurgenauen Navigation mittels Augmented Reality darzustellen, d. h. mittels einer überlagerten Darstellung, auch als augmentierte Darstellung bezeichnet, da hierfür eine genaue Lokalisierung des Fahrzeugs sowohl längs als auch quer zur Fahrtrichtung erforderlich ist. Eine solche genaue Lokalisierung des Fahrzeugs wird mittels des erfindungsgemäßen Verfahrens erreicht. Mittels des erfindungsgemäßen Verfahrens wird sowohl der aktuell befahrene Fahrstreifen als auch die Position, insbesondere in Längs- und Querrichtung, innerhalb dieses Fahrstreifens geschätzt.
• Das erfindungsgemäße Verfahren ermöglicht eine einfache Einbindung einer Odometrie und/oder Koppelortung in ein Bayes-Modell, das gleichzeitig den vom Fahrzeug befahrenen Fahrstreifen und die Position des Fahrzeugs innerhalb des Fahrstreifens bestimmt. Dabei erfordert das erfindungsgemäße Verfahren einen geringeren Rechenaufwand als aus dem Stand der Technik bekannte Lösungen, welche beispielsweise eine Positionsbestimmung durch Optimierung oder Partikelfiltern beschreiben.
• Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
• Dabei zeigen:
• 1 eine schematische Darstellung eines Ablaufs eines Verfahrens zur Positionsbestimmung eines Fahrzeugs,
• 2 eine schematische Darstellung von Hypothesen mit jeweiligen Kovarianzen bezüglich einer Position eines Fahrzeugs innerhalb eines jeweiligen Fahrstreifens vor einer Kurve,
• 3 eine schematische Darstellung von Hypothesen mit jeweiligen Kovarianzen bezüglich einer Position eines Fahrzeugs innerhalb eines jeweiligen Fahrstreifens nach einer Kurve, und
• 4 eine schematische Darstellung einer Wahrscheinlichkeitsverteilung von Hypothesen bezüglich einer Position eines Fahrzeugs innerhalb eines jeweiligen Fahrstreifens.
• Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
• 1 zeigt eine schematische Darstellung eines Ablaufs eines Verfahrens zur Positionsbestimmung eines Fahrzeugs, auch als Ego-Fahrzeug bezeichnet. Um Nachteile aus dem Stand der Technik bekannter Verfahren zu vermeiden und zweckmäßigerweise Vorteile dieser aus dem Stand der Technik bekannten Verfahren zu kombinieren, wird in dem hier beschriebenen Verfahren die Positionsbestimmung des Fahrzeugs mittels einer Kombination eines erweiterten Kalman-Filters EKF, genauer gesagt einer Mehrzahl solcher erweiterten Kalman-Filter EKF, mit einem diskreten Bayesfilter DBF durchgeführt. Das erweiterte Kalman-Filter EKF wird auch als Extended Kalman-Filter bezeichnet.
• Das im Folgenden näher beschriebene Verfahren ermöglicht eine spurgenaue Navigation des Fahrzeugs. Hierfür ist es erforderlich, einen aktuell befahrenen Fahrstreifen FS1, FS2, FS3, d. h. eine jeweilige Fahrspur, einer beispielhaft in den 3 und 4 dargestellten Fahrbahn FB sowie einen oder mehrere empfohlene, zum Ziel führende Fahrstreifen FS1, FS2, FS3 zu kennen. Durch Vergleich dieser Informationen kann einem Fahrzeugführer ein entsprechender Hinweis dargestellt werden, um den Fahrstreifen FS1, FS2, FS3 zu wechseln und leichter zum Ziel zu finden. Dieser Hinweis kann – je nach umgebendem System – in einer herkömmlichen Navigation in einem Zentral- oder Kombiinstrument oder einem Headup-Display beispielsweise in einer schematischen Pfeildarstellung angezeigt werden oder in einem Augmented Reality-Video oder Augmented Reality-Headup-Display in einer intuitiveren Form dargestellt werden. Dabei bedeutet Augmented Reality eine augmentierte, d. h. überlagerte, Darstellung.
• In dem hier dargestellten und beschriebenen Verfahren zur Positionsbestimmung des Fahrzeugs werden zu Beginn und beispielsweise zusätzlich in besonderen Situationen während des Betriebs mehrere Hypothesen H1, H2, H3 zur Position des Fahrzeugs angelegt, beispielsweise auf Basis von mittels zumindest eines globalen Navigationssatellitensystems GNSS ermittelte Positionsdaten, auch als GNSS-Fix bezeichnet. Diese Hypothesen H1, H2, H3 werden beispielsweise zu Beginn auf den vorhandenen parallelen Fahrstreifen FS1, FS2, FS3 so verteilt, dass auf jedem Fahrstreifen FS1, FS2, FS3 eine Hypothese H1, H2, H3 vorhanden ist, wie beispielhaft in 2 gezeigt. Jede Hypothese H1, H2, H3 wird dann durch eines von mehreren parallel laufenden erweiterten Kalman-Filtern EKF verfolgt.
• Im Folgenden wird auf mögliche Eigenschaften des erweiterten Kalman-Filters EKF eingegangen. Ein erweitertes Kalman-Filter EKF ist grundsätzlich in der Lage, auf Basis von Beobachtungen einen aktuellen Systemzustand Z eines Systems zu schätzen. Die Beobachtungen sind Messwerte verschiedener Fahrzeugsensoren, für die ein normalverteiltes Messrauschen angenommen werden kann. Diese Messwerte sind beispielsweise eine Geschwindigkeit v des Fahrzeugs, eine Gierrate ω des Fahrzeugs, Daten einer Fahrbahnmakierungserkennung FBME und mittels des zumindest einen globalen Navigationssatellitensystems GNSS ermittelte Positionsdaten.
• Der Systemzustand Z kann im einfachsten Fall zum Beispiel eine aktuelle zweidimensionale Position und Ausrichtung des Fahrzeugs sein, also für die Position beispielsweise eine geographische Länge und Breite, ein Abstand Richtung Norden und Osten zu einem festen oder variablen Referenzpunkt oder eine Position in einem beliebigen anderen geeigneten Koordinatensystem, und für die Ausrichtung beispielsweise ein Winkel ϕ zwischen einer Fahrzeuglängsachse und der Nordrichtung, ein Winkel ϕ zwischen der Fahrzeuglängsachse und der Ostrichtung oder ein Winkel ϕ zwischen der Fahrzeuglängsachse und einer beliebigen anderen Koordinatenachse. Damit ergibt sich ein dreidimensionaler Systemzustand Z mit: Z = (x, y, ϕ)^T (1)
• Dabei ist Z der Systemzustand, zweckmäßigerweise in Form eines Zustandsvektors, x und y sind Positionskoordinaten des Fahrzeugs und ϕ ist der Winkel der Ausrichtung des Fahrzeugs. T ist ein jeweiliger Zeitpunkt oder Zeitschritt für diesen Systemzustand Z.
• Statt dieses einfachsten Modells kann auch ein anderes Fahrzeugmodell oder Bewegungsmodell verwendet werden, beispielsweise ein Einspurmodell, ein Constant-Turn-Rate-and-Velocity-Modell (CTRV, konstante Gierrate ω und Geschwindigkeit v) oder Constant-Turn-Rate-and-Acceleration-Modell (CTRA, konstante Gierrate ω und Beschleunigung). Diese Modelle beinhalten dann weitere Zustandsdimensionen. So enthält das Constant-Turn-Rate-and-Velocity-Modell neben Position und Ausrichtung auch die Geschwindigkeit v und Gierrate ω des Fahrzeugs und das Constant-Turn-Rate-and-Acceleration-Modell enthält neben Position und Ausrichtung auch die Geschwindigkeit v, die Gierrate ω und die Beschleunigung, teilweise Gierbeschleunigung, des Fahrzeugs. Durch entsprechende Erweiterung des Zustandsvektors, d. h. des Systemzustands Z, und Anpassung des Systemmodells kann das Modell angepasst werden.
• Zusätzlich kann zum Beispiel für den Fall von Mehrwegeausbreitung ein Versatz des mittels des zumindest einen globalen Navigationssatellitensystems GNSS ermittelten Positionsmesswertes von einer tatsächlichen Position mitgeschätzt werden.
• Das erweiterte Kalman-Filter EKF führt grundsätzlich zwei Arten von Verfahrensschritten aus, eine Prädiktion auf Basis des Systemzustands Z und eine Beobachtungsaktualisierung auf Basis verschiedener Messwerte.
• Im Prädiktionsschritt wird der Systemzustand Z für den aktuellen Zeitschritt T_k auf Basis eines vorherigen Zeitschritts T_k-1, vorhergesagt. Im CTRV-Modell Z = (x, y, ϕ, v, ω)(2) wird beispielsweise eine konstante Gierrate ω und eine konstante Geschwindigkeit v angenommen, also sind diese beiden Systemgrößen im neuen Zeitschritt T_k identisch zum vorherigen Zeitschritt T_k-1: ν_k = ν_k-1 (3) ω_k = ω_k-1 (4)
• Die neue Ausrichtung, d. h. der neue Winkel ϕ_k der Ausrichtung, kann auf Basis des vorherigen Winkels ϕ_k-1 der Ausrichtung und der vorherigen Gierrate ω_k-1 für den Zeitschritt T_k prädiziert werden: ϕ_k = ϕ_k-1 + ω_k-1T_k (5)
• Die Position mit den Positionskoordinaten x, y für den Zeitschritt T_k kann beispielsweise hergeleitet werden als

  
• Durch diese Prädiktion wird eine A-Priori-Schätzung für die aktuelle Position zu dem Zeitpunkt, wenn Messwerte aufgenommen werden, erreicht. Diese Messwerte werden dann auf ihre Übereinstimmung mit dem Systemzustand Z hin überprüft. Auf Basis von Kovarianzen des Systemzustands Z und der Beobachtungsfunktion wird ein so genannter Kalman-Gain bestimmt und der Systemzustand Z entsprechend dem bestimmten Fehler korrigiert. Dabei spielt sowohl das Vertrauen in die Messwerte, d. h. eine Varianz eines Sensorrauschens, als auch das Vertrauen in das Bewegungsmodell, d. h. eine Varianz eines Prozessrauschens, eine Rolle.
• Es ist üblich, eine Odometrie und/oder Koppelortung auf Basis von Messwerten von Geschwindigkeit v, Gierrate ω und mittels des zumindest einen globalen Navigationssatellitensystems GNSS ermittelten Positionsdaten zu betreiben. Dabei werden die Geschwindigkeit v und Gierrate ω im Systemzustand Z durch die entsprechenden Messwerte bestimmt und die absolute Position durch die mittels des zumindest einen globalen Navigationssatellitensystems GNSS ermittelten Positionsdaten, so genannte GNSS-Fixes, gestützt. Dabei werden deren Fehler als normalverteilt angenommen.
• Außerdem kann die Position innerhalb eines Fahrstreifens FS1, FS2, FS3 durch die Fahrbahnmarkierungserkennung FBME unterstützt werden. Sie erkennt Linien in einem Kamerabild, beispielsweise aus einer Stereo- oder Monokamera an einer Fahrzeugfront, und bestimmt beispielsweise einen Querabstand und einen Winkel zu den detektierten Linien. Wenn der Fehler in dieser Fahrbahnmarkierungserkennung FBME ebenfalls normalverteilt angenommen wird, kann er ebenfalls im erweiterten Kalman-Filter EKF fusioniert werden.
• Durch die mehreren parallel betriebenen erweiterten Kalman-Filter EKF erhält man auf diese Weise mehrere Hypothesen H1, H2, H3 für die Position auf einer kartierten Fahrbahn FB. Durch die Berücksichtigung der Odometrie und/oder Koppelortung besteht die Möglichkeit, Fahrstreifenwechsel nachzuvollziehen. Sobald eine der Hypothesen H1, H2, H3, d. h. die hypothetische Position der jeweiligen Hypothese H1, H2, H3, die Fahrbahn FB verlässt, kann diese Hypothese H1, H2, H3 entweder gelöscht werden oder für eine bestimmte Zeit oder die ganze Zeit weiterbetrieben werden.
• Um zu bestimmen, welche der durch die parallelen erweiterten Kalman-Filter EKF verfolgten Hypothesen H1, H2, H3 tatsächlich zutreffend ist, wird das diskrete Bayesfilter DBF verwendet, das die Plausibilität von gemessenen Sensordaten aus Umgebungssensoren überprüft. Als Umgebungssensoren können dabei beispielsweise ein Radar 1 oder mehrere Radare 1 und/oder eine Kamera 2 oder mehrere Kameras 2 des Fahrzeugs verwendet werden. Das jeweilige Radar 1 ist beispielsweise ein Bestandteil eines adaptiven Geschwindigkeitsregelungssystems und/oder eines Kollisionswarn- und/oder Kollisionsvermeidungssystems und/oder eines Totwinkelassistenten des Fahrzeugs oder wird von diesem/diesen verwendet.
• Analog zu bereits bekannten Verfahren, welche in der DE 10 2013 016 596 A1 und der DE 10 2015 004 676 A1 der Anmelderin beschrieben sind, deren vollständiger Inhalt hiermit durch Referenz aufgenommen wird, können A-Posteriori-Wahrscheinlichkeiten für die einzelnen Hypothesen H1, H2, H3 dabei beispielsweise wie im Folgenden beschrieben bestimmt werden. Weiterhin sind Erweiterungen auf andere Sensordaten, die einen Hinweis darauf geben können, auf welchem Fahrstreifen FS1, FS2, FS3 sich das Fahrzeug befindet und/oder ob weitere Fahrstreifen vorhanden sind, welche in eine bestimmte Richtung führen, möglich.
• Beispielsweise können die A-Posteriori-Wahrscheinlichkeiten für die einzelnen Hypothesen H1, H2, H3 anhand mittels Radar 1 und/oder Kamera 2 erfasster bewegter Objekte bestimmt werden. Mit einer erkannten Relativposition und der Position und Ausrichtung der Hypothese H1, H2, H3 des jeweiligen erweiterten Kalman-Filters EKF kann die hypothetische Position eines erkannten anderen Fahrzeugs bestimmt werden. Da sich bewegte Fahrzeuge in der Regel auf der Fahrbahn FB befinden, können Hypothesen H1, H2, H3 niedriger gewichtet werden, bei denen sich erkannte andere Fahrzeuge abseits der Fahrbahn FB befinden würden. Beispielsweise sollte das Fahrzeug, auch als Ego-Fahrzeug bezeichnet, wenn es sich gemäß der Hypothese H3 auf dem am weitesten links befindlichen Fahrstreifen FS3 befindet, kein anderes Fahrzeug noch weiter links erkennen. Daraus folgt, dass diese Hypothese H3 verworfen werden kann oder zumindest niedriger gewichtet werden kann, wenn ein anderes Fahrzeug weiter links erkannt wird.
• Alternativ oder zusätzlich können die A-Posteriori-Wahrscheinlichkeiten für die einzelnen Hypothesen H1, H2, H3 beispielsweise anhand mittels Radar 1 und/oder Kamera 2 erfasster statischer Objekte bestimmt werden. Durch eine erkannte Querposition von beispielsweise Leitplanken oder Bordsteinen können Hypothesen H1, H2, H3 niedriger gewichtet werden, deren Position diesen Beobachtungen widerspräche. Zum Beispiel sollte das Ego-Fahrzeug, wenn es gemäß der Hypothese H3 auf am weitesten linken von drei Fahrstreifen FS1, FS2, FS3 positioniert ist, keinen Bordstein und keine Leitplanke in zwei Meter Entfernung nach rechts erkennen. Daraus folgt, dass diese Hypothese H3 verworfen werden kann oder zumindest niedriger gewichtet werden kann, wenn ein solcher Bordstein oder eine solche Leitplanke innerhalb der genannten Entfernung nach rechts erkannt wird.
• Alternativ oder zusätzlich können die A-Posteriori-Wahrscheinlichkeiten für die einzelnen Hypothesen H1, H2, H3 beispielsweise anhand in einem toten Winkel erfasster Objekte bestimmt werden. Analog zu den mittels Radar 1 und/oder Kamera 2 erfassten bewegten Objekten sollte kein Objekt im entsprechenden toten Winkel erkannt werden, wenn sich das Ego-Fahrzeug bereits auf dem entsprechenden äußersten Fahrstreifen FS1, FS3 befindet. Daraus folgt, dass die jeweilige Hypothese H1, H3 verworfen werden kann oder zumindest niedriger gewichtet werden kann, wenn ein Objekt im entsprechenden toten Winkel erfasst wird.
• Alternativ oder zusätzlich können die A-Posteriori-Wahrscheinlichkeiten für die einzelnen Hypothesen H1, H2, H3 beispielsweise anhand eines jeweiligen Typs erkannter Fahrbahnmarkierungen FBM bestimmt werden. Falls in der digitalen Karte der Typ der vorhandenen Fahrbahnmarkierungen FBM gespeichert ist, kann der Typ der erkannten Fahrbahnmarkierungen FBM verwendet werden. Bei Nicht-Übereinstimmung können Hypothesen H1, H2, H3 entsprechend niedriger gewichtet werden. Falls der Typ nicht in der Karte gespeichert ist, können Annahmen getroffen werden, zum Beispiel dass die äußersten Fahrbahnmarkierungen FBM durchgezogen sind und die inneren Fahrbahnmarkierungen FBM gestrichelt sind, wie in den 2 und 3 gezeigt, um auf diese Weise die erkannten Fahrbahnmarkierungen FBM zur Bestimmung der A-Posteriori-Wahrscheinlichkeiten verwenden zu können.
• Alternativ oder zusätzlich können die A-Posteriori-Wahrscheinlichkeiten für die einzelnen Hypothesen H1, H2, H3 beispielsweise anhand von Richtungspfeilen und/oder sonstigen Fahrstreifensymbolen auf der Fahrbahn FB bestimmt werden. Wenn Richtungspfeile und/oder sonstige Fahrstreifensymbole, zum Beispiel ein Symbol für eine Fahrgemeinschaftspur oder Busspur, von der Kamera 2 des Fahrzeugs erkannt werden und in der Karte verzeichnet sind, können Hypothesen H1, H2, H3 mit Nicht-Übereinstimmung niedriger gewichtet werden.
• Alternativ oder zusätzlich können die A-Posteriori-Wahrscheinlichkeiten für die einzelnen Hypothesen H1, H2, H3 beispielsweise anhand von Fehlerwerten im jeweiligen erweiterten Kalman-Filter EKF bestimmt werden. In jeder Beobachtungsaktualisierung des erweiterten Kalman-Filters EKF wird der Fehler zwischen Beobachtung und Systemzustand Z bestimmt. Dieser Fehler korrespondiert durch die Kovarianz auch mit einer Wahrscheinlichkeit. Diese Wahrscheinlichkeiten der verschiedenen Hypothesen H1, H2, H3 können sich unterscheiden, wenn beispielsweise Geometrien verschiedener Fahrstreifen FS1, FS2, FS3 nicht genau parallel sind, zum Beispiel in Kurven und/oder bei einer Änderung einer Fahrstreifenanzahl.
• Die Ausgabe des diskreten Bayesfilters DBF ist eine A-Posteriori-Wahrscheinlichkeitsverteilung, wie in 4 dargestellt. Ein einem jeweiligen Fahrstreifen FS1, FS2, FS3 zugeordneter Balken des in 4 dargestellten Balkendiagramms entspricht dabei einer jeweiligen Hypothese H1, H2, H3 inklusive deren Position innerhalb des Fahrstreifens FS1, FS2, FS3. Es kann daher, je nach vorherigen Fahrmanövern, teilweise auch keine Hypothese H1, H2, H3 für einen Fahrstreifen FS1, FS2, FS3 vorhanden sein.
• Die 2 und 3 zeigen das Problem einer Verarmung der Vielfalt von Hypothesen H1, H2, H3. Wenn beim Start des Systems mehrere Hypothesen H1, H2, H3 für parallele erweiterte Kalman-Filter EKF angelegt werden und dann während des Betriebs beibehalten werden, können sie zum Beispiel nach einer Kurve oder Kreuzung alle auf demselben Fahrstreifen FS1, FS2, FS3, jedoch hintereinander, liegen, im in 3 gezeigten Beispiel auf dem mittleren Fahrstreifen FS2. Um diese Verarmung der Vielfalt der Hypothesen H1, H2, H3 zu vermeiden, kann regelmäßig oder in entsprechenden Situationen überprüft werden, ob mehrere Hypothesen H1, H2, H3 zusammenfallen und/oder sich über mehrere Fahrstreifen FS1, FS2, FS3 erstrecken.
• Dieses Verhalten ist in den 2 und 3 gezeigt. In 2 sind drei Hypothesen H1, H2, H3 vorhanden, deren Kovarianzen KV1, KV2, KV3 sich längs in Fahrtrichtung R erstrecken, zum Beispiel durch wiederholte Erkennung von Fahrbahnmarkierungen FBM auf dem Weg zur Kurve. In 3 ist die Situation nach der Kurve gezeigt, noch vor den ersten Beobachtungen der Fahrbahnmarkierungen FBM. Es fällt auf, dass sämtliche Hypothesen H1, H2, H3 auf dem mittleren Fahrstreifen FS2 positioniert sind, ihre Kovarianzen KV1, KV2, KV3 sich jedoch jeweils über alle drei Fahrstreifen FS1, FS2, FS3 erstrecken. In diesem Fall ist es sinnvoll, die Hypothesen H1, H2, H3 neu anzuordnen, d. h. neue Hypothesen auf den äußeren Fahrstreifen FS1, FS3 zu erstellen, in der Mitte der Summenverteilung, und die drei auf dem mittleren Fahrstreifen FS2 liegenden Hypothesen H1, H2, H3 zusammenzufassen.
• Die Verwendung des erweiterten Kalman-Filters EKF für das beschriebene Verfahren ist besonders vorteilhaft. Grundsätzlich wäre es jedoch auch denkbar, ein lineares System zu beschreiben, wodurch statt des erweiterten Kalman-Filters EKF ein normales Kalman-Filter ausreichen würde. Alternativ lässt sich ein Unscented Kalman-Filter verwenden, beispielsweise um weniger lineare Systeme zu beschreiben oder andere Verteilungen von Messfehlern zu modellieren. Diese können in einer entsprechenden Variante statt des erweiterten Kalman-Filters EKF verwendet werden.
• Bezugszeichenliste

1

Radar

2

Kamera

FB

Fahrbahn

FBM

Fahrbahnmarkierung

FBME

Fahrbahnmakierungserkennung

FS1, FS2, FS3

Fahrstreifen

DBF

diskretes Bayesfilter

EKF

erweitertes Kalman-Filter

GNSS

globales Navigationssatellitensystem

H1, H2, H3

Hypothese

KV1, KV2, KV3

Kovarianz

R

Fahrtrichtung

v

Geschwindigkeit

Z

Systemzustand

ω

Gierrate

• ZITATE ENTHALTEN IN DER BESCHREIBUNG
• Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
• Zitierte Patentliteratur
• DE 102015001360 A1 [0002]
• DE 102015004676 A1 [0003, 0035]
• DE 102013016596 A1 [0004, 0035]

Claims (3)

1. Verfahren zur Positionsbestimmung eines Fahrzeugs, dadurch gekennzeichnet, dass zur Positionsbestimmung erweiterte Kalman-Filter (EKF) und ein diskretes Bayesfilter (DBF) kombiniert werden, wobei eine jeweilige Hypothese (H1, H2, H3) bezüglich einer Absolutposition des Fahrzeugs in der Welt und einer Position des Fahrzeugs innerhalb eines jeweiligen Fahrstreifens (FS1, FS2, FS3) einer Fahrbahn (FB) erstellt wird und die erstellten Hypothesen (H1, H2, H3) anhand von Messwerten von Fahrzeugsensoren mittels einer Mehrzahl von erweiterten Kalman-Filtern (EKF) verfolgt werden und wobei mittels des diskreten Bayesfilters (DBF) aus den von den erweiterten Kalman-Filtern (EKF) verfolgten Hypothesen (H1, H2, H3) die wahrscheinlichste Hypothese (H1, H2, H3) bestimmt wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als Messwerte der Fahrzeugsensoren eine Geschwindigkeit (v), eine Gierrate (ω), Daten einer Fahrbahnmakierungserkennung (FBME) und mittels eines globalen Navigationssatellitensystems (GNSS) ermittelte Positionsdaten verwendet werden.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels des diskreten Bayesfilters (DBF) eine Plausibilität der Hypothesen (H1, H2, H3) mittels gemessener Sensordaten von Umgebungssensoren des Fahrzeugs überprüft wird.

Images