DE102016216154A1 - Method and evaluation unit for determining the position of traffic signs - Google Patents
Method and evaluation unit for determining the position of traffic signs Download PDFInfo
- Publication number
- DE102016216154A1 DE102016216154A1 DE102016216154.7A DE102016216154A DE102016216154A1 DE 102016216154 A1 DE102016216154 A1 DE 102016216154A1 DE 102016216154 A DE102016216154 A DE 102016216154A DE 102016216154 A1 DE102016216154 A1 DE 102016216154A1
- Authority
- DE
- Germany
- Prior art keywords
- path
- cluster
- traffic sign
- supercluster
- clusters
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3837—Data obtained from a single source
Abstract
Es wird ein Verfahren (300) zur Ermittlung von Positionen von Verkehrszeichen (104) in einem Straßennetz (200) beschrieben. Das Verfahren (300) umfasst das Ermitteln (303) eines Pfades (222) durch einen Teilbereich (210) des Straßennetzes (200). Außerdem umfasst das Verfahren (300) das Ermitteln (303) von Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen (101) entlang des Pfades (222), wobei die Messdaten einer Fahrt ein oder mehrere Verkehrszeichen-Datensätze für entsprechende ein oder mehrere detektierte Verkehrszeichen (104) umfassen, die bei der Fahrt entlang des Pfades (222) detektiert wurden. Des Weiteren umfasst das Verfahren (300) das Ermitteln (304), auf Basis der Messdaten, einer Anzahl M (412) von Clustern (315, 316) zur Gruppierung der Verkehrszeichen-Datensätze und Positionen (415, 317) der M Cluster (315, 316) entlang des Pfades (222), so dass ein Optimierungskriterium verbessert wird.A method (300) for determining positions of traffic signs (104) in a road network (200) is described. The method (300) comprises determining (303) a path (222) through a subarea (210) of the road network (200). In addition, the method (300) comprises determining (303) measurement data of a plurality of trips of one or more vehicles (101) along the path (222), the measurement data of a trip detecting one or more traffic sign records for corresponding one or more Include traffic signs (104) detected while traveling along the path (222). The method (300) further comprises determining (304), based on the measurement data, a number M (412) of clusters (315, 316) for grouping the traffic sign records and positions (415, 317) of the M clusters (315 , 316) along the path (222), so that an optimization criterion is improved.
Description
Die Erfindung betrifft ein Verfahren und eine entsprechende Auswerteeinheit zur Ermittlung der Position von Verkehrszeichen in einem Straßennetz auf Basis von Messdaten einer Vielzahl von Fahrten in dem Straßennetz.The invention relates to a method and a corresponding evaluation unit for determining the position of traffic signs in a road network on the basis of measurement data of a plurality of journeys in the road network.
Für die automatische Ermittlung einer Fahrroute für ein Fahrzeug und/oder für das zumindest teilweise automatisierte Führen eines Fahrzeugs sind präzise Informationen über die Position und/oder über den Typ von Verkehrszeichen erforderlich. Das vorliegende Dokument befasst sich mit der technischen Aufgabe, insbesondere die Position von Verkehrszeichen in einem Straßennetz in präziser und zuverlässiger Weise aus den Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen in dem Straßennetz zu ermitteln.For the automatic determination of a driving route for a vehicle and / or for the at least partially automated driving of a vehicle, precise information about the position and / or the type of traffic signs is required. The present document is concerned with the technical task of specifically determining the position of traffic signs in a road network in a precise and reliable manner from the measurement data of a plurality of journeys of one or more vehicles in the road network.
Die Aufgabe wird durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u. a. in den abhängigen Ansprüchen beschrieben.The object is solved by the independent claims. Advantageous embodiments are u. a. in the dependent claims.
Gemäß einem Aspekt wird ein Verfahren zur Ermittlung von Positionen von Verkehrszeichen (insbesondere Schildern) in einem Straßennetz beschrieben. Das Verfahren kann auf einem Computer bzw. Server ausgeführt werden. Insbesondere handelt es sich bei dem Verfahren typischerweise um ein Maschinen-implementiertes Verfahren. Das Straßennetz kann Straßenabschnitte umfassen, entlang der Fahrzeuge durch das Straßennetz fahren können. An den Rändern eines Straßenabschnitts und/oder an einer Brücke über einem Straßenabschnitt können Verkehrszeichen angeordnet sein. Das Straßennetz kann in Teilbereiche unterteilt werden, wobei ein Teilbereich ein oder mehrere (typischerweise rechteckige) Zellen umfassen kann.According to one aspect, a method for determining positions of traffic signs (in particular signs) in a road network is described. The procedure can be executed on a computer or server. In particular, the method is typically a machine-implemented method. The road network may include road sections along which vehicles may travel through the road network. At the edges of a road section and / or on a bridge over a road section traffic signs may be arranged. The road network may be subdivided into subregions, where a subarea may comprise one or more (typically rectangular) cells.
Das Verfahren umfasst das Ermitteln eines Pfades durch einen Teilbereich des Straßennetzes. Dabei kann ein Pfad eine Sequenz von ein oder mehreren Straßenabschnitten umfassen, die in einer bestimmten Fahrtrichtung durchfahren werden. Das Verfahren kann darauf ausgelegt sein, die Positionen von ein oder mehreren Verkehrszeichen entlang dieses Pfades zu ermitteln. Typischerweise weist ein Pfad eine Sequenz von Verkehrszeichen (mit mehreren Verkehrszeichen) auf, die bei einer Fahrt entlang des Pfades in einer bestimmten Reihenfolge aufeinander folgen.The method includes determining a path through a portion of the road network. In this case, a path may comprise a sequence of one or more road sections which are traversed in a specific direction of travel. The method may be configured to determine the locations of one or more traffic signs along that path. Typically, a path includes a sequence of traffic signs (with multiple traffic signs) that follow one another along a path in a particular order.
Das Verfahren umfasst weiter das Ermitteln von Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen entlang des Pfades. Dabei wurden die Messdaten mittels Umfeldsensorik (z. B. mittels Bildkameras) der ein oder mehreren Fahrzeuge erfasst. Insbesondere können die ein oder mehreren Fahrzeuge Umfeldsensorik umfassen, mit denen Sensordaten (insbesondere Bilddaten) in Bezug auf das Umfeld der ein oder mehreren Fahrzeuge erfasst werden können. Die ein oder mehreren Fahrzeuge können die Sensordaten auf Fahrten entlang des Pfades ermitteln. Auf Basis der Sensordaten können dann die Messdaten in Bezug auf Verkehrszeichen entlang des Pfades ermittelt werden (z. B. durch Analyse der Sensordaten, insbesondere durch Anwendung von Bildanalyseverfahren auf erfasste Bilddaten).The method further comprises determining measurement data of a plurality of trips of one or more vehicles along the path. In the process, the measured data were recorded by means of environment sensors (eg by means of image cameras) of the one or more vehicles. In particular, the one or more vehicles may comprise environment sensors with which sensor data (in particular image data) relating to the surroundings of the one or more vehicles can be detected. The one or more vehicles may determine the sensor data on trips along the path. Based on the sensor data, the measurement data relating to traffic signs along the path can then be determined (eg by analyzing the sensor data, in particular by applying image analysis methods to acquired image data).
Die Messdaten einer Fahrt umfassen ein oder mehrere Verkehrszeichen-Datensätze für entsprechende ein oder mehrere detektierte Verkehrszeichen, die bei der Fahrt entlang des Pfades detektiert wurden. Mit anderen Worten, die Messdaten einer Fahrt entlang des Pfades umfassen typischerweise eine Sequenz von Verkehrszeichen-Datensätzen für eine entsprechende Sequenz von detektierten Verkehrszeichen. Dabei zeigt ein Verkehrszeichen-Datensatz (ggf. genau) für ein detektiertes Verkehrszeichen Positionsdaten bezüglich einer Position des detektierten Verkehrszeichens an. Insbesondere kann ein Verkehrszeichen-Datensatz die Position des Fahrzeugs anzeigen, an dem ein Verkehrszeichen durch die Umfeldsensorik des Fahrzeugs detektiert wurde. Des Weiteren kann ein Verkehrszeichen-Datensatz auch den Typ eines detektierten Verkehrszeichens anzeigen. Außerdem kann ein Verkehrszeichen-Datensatz die relative Position eines detektierten Verkehrszeichens relativ zur der Position des Fahrzeugs anzeigen. Mit anderen Worten, die Positionsdaten können anzeigen, wie ein detektiertes Verkehrszeichen relativ zu dem Fahrzeug positioniert ist.The measurement data of a trip includes one or more traffic sign records for corresponding one or more detected traffic signs detected while traveling along the path. In other words, the measured data of a journey along the path typically include a sequence of traffic sign data sets for a corresponding sequence of detected traffic signs. In this case, a traffic sign data set (possibly exactly) for a detected traffic sign indicates position data relating to a position of the detected traffic sign. In particular, a traffic sign data set may indicate the position of the vehicle on which a traffic sign has been detected by the environment sensor system of the vehicle. Furthermore, a traffic sign record may also indicate the type of a detected traffic sign. In addition, a traffic sign record may indicate the relative position of a detected traffic sign relative to the position of the vehicle. In other words, the position data may indicate how a detected traffic sign is positioned relative to the vehicle.
Typerweise unterscheiden sich die Sequenzen von Verkehrszeichen-Datensätzen von unterschiedlichen Fahrten voneinander. Dies ist insbesondere auf Messtoleranzen und/oder Messfehler der Umfeldsensorik der ein oder mehreren Fahrzeug zurückzuführen. Des Weiteren weisen die Fahrzeuge bei unterschiedlichen Fahrten entlang des Pfades typischerweise unterschiedliche Zustände (z. B. unterschiedliche Fahrgeschwindigkeiten) auf, was zu unterschiedlichen Messergebnissen führen kann. Außerdem können sich die Witterungsbedingungen bei unterschiedlichen Fahrten unterscheiden und so die Messergebnisse beeinflussen. Messfehler können dazu führen, dass ein tatsächliches Verkehrszeichen nicht detektiert wird oder dass es zu Fehldetektionen eines nicht vorhandenen Verkehrszeichens kommt. mit Summe kann somit festgehalten werden, dass die Messdaten zur Ermittlung der Positionen von Verkehrszeichen entlang des Pfades typischerweise fehlerbehaftet sind.Typerweise differ the sequences of traffic sign data sets of different trips from each other. This is due in particular to measurement tolerances and / or measurement errors of the surroundings sensor system of the one or more vehicles. Furthermore, the vehicles typically have different states (eg different speeds of travel) during different journeys along the path, which can lead to different measurement results. In addition, the weather conditions may differ on different trips and thus affect the measurement results. Measuring errors can lead to the fact that an actual traffic sign is not detected or that there are misdetections of a non-existent traffic sign. with sum can thus be noted that the measurement data for determining the positions of traffic signs along the path are typically faulty.
Das Verfahren umfasst weiter das Ermitteln, auf Basis der Messdaten, einer Anzahl M von Clustern zur Gruppierung der Verkehrszeichen-Datensätze. M ist dabei eine ganze Zahl. Die Anzahl M von Clustern kann dabei größer als Null, insbesondere größer als eins, sein. Des Weiteren werden, auf Basis der Messdaten, Positionen der M Cluster entlang des Pfades ermittelt. Dabei werden die Anzahl M und die Positionen derart ermittelt, dass ein Optimierungskriterium verbessert (insbesondere maximiert) wird. Dabei zeigt ein Cluster (insbesondere ein sogenanntes Pfadcluster oder Supercluster) zumindest (ggf. genau) ein Verkehrszeichen an, und die Position eines Clusters zeigt die Position des zumindest einen Verkehrszeichens an.The method further comprises determining, based on the measurement data, a number M of clusters for grouping the traffic sign records. M is an integer. The number M of clusters can be greater than zero, in particular greater than one. Furthermore, based on the measurement data, positions of the M clusters along the path are determined. The number M and the positions are determined in such a way that an optimization criterion is improved (in particular maximized). In this case, a cluster (in particular a so-called path cluster or supercluster) indicates at least (possibly exactly) a traffic sign, and the position of a cluster indicates the position of the at least one traffic sign.
Durch die Berücksichtigung von Sequenzen von Verkehrszeichen-Datensätzen für eine Sequenz von detektierten Verkehrszeichen entlang eines Pfades können die Zuverlässigkeit und die Genauigkeit der ermittelten Positionen von Verkehrszeichen (d. h. Clustern) erhöht werden (insbesondere im Vergleich zu einer individuellen Betrachtung der Verkehrszeichen-Datensätzen von einzelnen detektierten Verkehrszeichen). Insbesondere kann erreicht werden, dass die Erhöhung der Anzahl von Fahrten, d. h. die Erhöhung der Anzahl von gemessenen Verkehrszeichen-Datensätzen, nicht zu einer (typischerweise inkorrekten) Erhöhung der Anzahl von ermittelten Clustern und Cluster-Positionen führt.By considering sequences of traffic sign records for a sequence of detected traffic signs along a path, the reliability and accuracy of the determined locations of traffic signs (ie, clusters) can be increased (particularly as compared to individually viewing the traffic sign data sets of individual detected ones traffic signs). In particular, it can be achieved that the increase in the number of journeys, ie. H. increasing the number of measured traffic sign records does not result in (typically incorrect) increases in the number of detected clusters and cluster locations.
Das Optimierungskriterium kann von einer Wahrscheinlichkeit (in diesem Dokument als p2 bezeichnet) dafür abhängen, dass ein Verkehrszeichen bei einer Fahrt entlang des Pfades von der Umfeldsensorik eines Fahrzeugs detektiert wird. Mit anderen Worten, das Optimierungskriterium kann von einer Wahrscheinlichkeit dafür abhängen, dass ein Verkehrsschild von der Umfeldsensorik eines beliebigen Fahrzeugs detektiert wird. So kann erreicht werden, dass die Anzahl M der ermittelten Cluster mit erhöhter Genauigkeit der tatsächlichen Anzahl von tatsächlichen Verkehrszeichen entlang des Pfades entspricht.The optimization criterion may depend on a probability (referred to in this document as p 2 ) for a traffic sign to be detected when driving along the path from the environment sensor system of a vehicle. In other words, the optimization criterion may depend on a probability that a traffic sign is detected by the environment sensor system of any vehicle. Thus, it can be achieved that the number M of the determined clusters with increased accuracy corresponds to the actual number of actual traffic signs along the path.
Der Pfad umfasst (typischerweise mehrere) tatsächliche Verkehrszeichen an tatsächlichen Positionen, die durch die Messdaten repräsentiert werden. Mit anderen Worten, die tatsächlichen Verkehrszeichen entlang des Pfades führen zu den Messdaten. Das Optimierungskriterium kann derart ausgelegt sein, dass das Optimierungskriterium die Wahrscheinlichkeit dafür anzeigt, das die ermittelten Positionen der M Cluster den tatsächlichen Positionen der tatsächlichen Verkehrszeichen entlang des Pfades entsprechen. Beispielsweise kann das Optimierungskriterium zu diesem Zweck ein Log-Likelihood Kriterium umfassen. So können die Positionen der Verkehrszeichen entlang des Pfades mit hoher Genauigkeit bzw. Güte ermittelt werden.The path includes (typically multiple) actual traffic signs at actual positions represented by the measurement data. In other words, the actual traffic signs along the path lead to the measurement data. The optimization criterion may be designed such that the optimization criterion indicates the probability that the determined positions of the M clusters correspond to the actual positions of the actual traffic signs along the path. For example, the optimization criterion for this purpose may include a log likelihood criterion. Thus, the positions of the traffic signs along the path can be determined with high accuracy or quality.
Das Optimierungskriterium kann von einer Wahrscheinlichkeit (in diesem Dokument als p1 bezeichnet) dafür abhängen, dass es sich bei einem detektierten Verkehrszeichen bei einer Fahrt entlang des Pfades um eine Fehldetektion handelt. So kann die Güte der ermittelten Positionen der Verkehrszeichen weiter erhöht werden.The optimization criterion can be a probability (in this document referred to as p 1) depend on that it is in a detected traffic sign when traveling along the path to a false detection. Thus, the quality of the determined positions of the traffic signs can be further increased.
Das Optimierungskriterium kann von einem Wahrscheinlichkeits-Modell abhängen, das die Wahrscheinlichkeit der Detektion eines Verkehrszeichens in Abhängigkeit von einem Zustand eines Fahrzeugs bei der Fahrt entlang des Pfades anzeigt. Ein Verkehrszeichen-Datensatz kann dann den Zustand des Fahrzeugs bei der Erfassung des Verkehrszeichen-Datensatzes anzeigen. So kann der Zustand eines die Messdaten erfassenden Fahrzeugs bei der Ermittlung der Position eines Verkehrszeichens berücksichtigt werden, um die Güte der ermittelten Position weiter zu erhöhen. Der Zustand des Fahrzeugs kann insbesondere von einer Geschwindigkeit und/oder einer Drehrate des Fahrzeugs (z. B. bei einem Abbiegevorgang) abhängen.The optimization criterion may depend on a likelihood model that indicates the likelihood of detecting a traffic sign in response to a state of a vehicle as it travels along the path. A traffic sign record may then indicate the state of the vehicle upon detection of the traffic sign record. Thus, the state of a vehicle detecting the measurement data can be taken into account in the determination of the position of a traffic sign in order to further increase the quality of the determined position. The state of the vehicle may in particular depend on a speed and / or a rate of rotation of the vehicle (eg during a turning operation).
Das Ermitteln der Positionen der M Cluster kann umfassen, das Zuordnen der Verkehrszeichen-Datensätze der Vielzahl von Fahrten zu den M Clustern. Das Zuordnen kann dabei derart erfolgen, dass einem Cluster maximal nur ein Verkehrszeichen-Datensatz einer Fahrt der Vielzahl von Fahrten zugeordnet wird. Diese Bedingung kann für jede der Vielzahl von Fahrten gelten. Des Weiteren kann das Zuordnen derart erfolgen, dass ein Verkehrszeichen-Datensatz nur einem Cluster zugeordnet wird. So kann der Umstand berücksichtigt werden, dass ein Fahrzeug bei einer Fahrt entlang des Pfades ein tatsächliches Verkehrszeichen nur genau einmal detektiert. Durch die Berücksichtigung derartiger Randbedingungen kann die Güte der ermittelten Positionen weiter erhöht werden.Determining the locations of the M clusters may include assigning the traffic sign records of the plurality of trips to the M clusters. The assignment can be made in such a way that a cluster is assigned a maximum of only one traffic sign record of a trip of the plurality of trips. This condition may apply to each of the plurality of trips. Furthermore, the assignment can take place such that a traffic sign data record is assigned to only one cluster. Thus, the fact can be taken into account that a vehicle only detects an actual traffic sign just once when driving along the path. By taking into account such boundary conditions, the quality of the determined positions can be further increased.
Das Ermitteln der Positionen der M Cluster kann umfassen, das Ermitteln der Position eines Clusters auf Basis der Positionsdaten der ein oder mehreren Verkehrszeichen-Datensätze, die dem Cluster zugeordnet wurden. So kann die Position eines Clusters (und eines dadurch angezeigten Verkehrszeichens) in präziser Weise ermittelt werden.Determining the locations of the M clusters may include determining the location of a cluster based on the location data of the one or more traffic sign records associated with the cluster. Thus, the position of a cluster (and a traffic sign displayed thereby) can be determined in a precise manner.
Die Ermittlung der Positionen der M Cluster kann in iterativer Weise erfolgen. Insbesondere kann auf Basis der ermittelten Cluster-Positionen eine erneute Zuordnung der Verkehrszeichen-Datensätze erfolgen, und auf Basis der erneuten Zuordnung können neue Cluster-Positionen ermittelt werden. Dieser iterative Prozess kann bis zu Erreichen einer Abbruchbedingung wiederholt werden, um die (optimierten) Positionen der M Cluster zu ermitteln. Die Abbruchbedingung kann z. B. von einer Konvergenz eines Wertes des Optimierungskriteriums abhängen. So können die Positionen der Cluster in zuverlässiger und präziser Weise ermittelt werden. The determination of the positions of the M clusters can be done iteratively. In particular, on the basis of the determined cluster positions, a reassignment of the traffic sign data records can take place, and new cluster positions can be determined based on the reassignment. This iterative process can be repeated until an abort condition is reached in order to determine the (optimized) positions of the M clusters. The termination condition can z. B. depending on a convergence of a value of the optimization criterion. This allows the positions of the clusters to be determined in a reliable and precise manner.
Das Ermitteln der Anzahl M von Clustern kann umfassen, das Ermitteln eines (optimierten) Wertes des Optimierungskriteriums für unterschiedliche Anzahlen von Clustern. Die (optimale) Anzahl M kann dann auf Basis der Werte des Optimierungskriteriums für die unterschiedlichen Anzahlen von Clustern ermittelt werden. Insbesondere kann die Anzahl M ausgewählt werden, für die der relativ beste Wert des Optimierungskriteriums ermittelt wurde. So kann die Anzahl von Verkehrszeichen entlang des Pfades in präziser Weise ermittelt werden.Determining the number M of clusters may include determining an (optimized) value of the optimization criterion for different numbers of clusters. The (optimal) number M can then be determined on the basis of the values of the optimization criterion for the different numbers of clusters. In particular, the number M for which the relatively best value of the optimization criterion was determined can be selected. Thus, the number of traffic signs along the path can be determined in a precise manner.
Das Optimierungskriterium kann von einem probabilistischen Modell für Messfehler in den Positionsdaten bezüglich der Position des detektierten Verkehrszeichens abhängen. Insbesondere kann bei der Zuordnung von Verkehrszeichen-Datensätzen zu Clustern ein solches Modell für Messfehler bei den Positionsdaten berücksichtigt werden. So können die Cluster und die Positionen der Cluster mit einer erhöhten Genauigkeit bestimmt werden.The optimization criterion may depend on a probabilistic model for measurement errors in the position data with respect to the position of the detected traffic sign. In particular, when assigning traffic sign data sets to clusters, such a model can be taken into account for measurement errors in the position data. Thus, the clusters and the positions of the clusters can be determined with increased accuracy.
Alternativ oder ergänzend kann das Optimierungskriterium von einem Abstand zwischen der ermittelten Position eines Clusters und der Positionen von ein oder mehreren detektierten Verkehrszeichen abhängen, deren ein oder mehreren Verkehrszeichen-Datensätze dem Cluster zugeordnet wurden. Mit anderen Worten, das Optimierungskriterium kann den Abstand zwischen der ermittelten Position eines Clusters und der Positionen der dem Cluster zugeordneten detektierten Verkehrszeichen berücksichtigen. Dabei können insbesondere relativ große Abstände bestraft werden. So können die Cluster und die Positionen der Cluster mit hoher Genauigkeit bestimmt werden.Alternatively or additionally, the optimization criterion may depend on a distance between the determined position of a cluster and the positions of one or more detected traffic signs whose one or more traffic sign data sets have been assigned to the cluster. In other words, the optimization criterion can take into account the distance between the determined position of a cluster and the positions of the detected traffic signs associated with the cluster. In particular, relatively large distances can be punished. Thus, the clusters and the positions of the clusters can be determined with high accuracy.
In einem bevorzugten Fall umfasst das Optimierungskriterium für einen Pfad p (bzw. entspricht das Optimierungskriterium): mitIn a preferred case, the optimization criterion for a path p (or corresponds to the optimization criterion) comprises: With
Das Optimierungskriterium
Dabei entspricht nÜberfahrten der Anzahl von Fahrten entlang des Pfads p.
Bei Verwendung des o. g. Optimierungskriteriums können die Anzahl M von Clustern und die Positionen der Cluster in besonders präziser Weise bestimmt werden.When using the o. G. Optimization criteria, the number M of clusters and the positions of the clusters can be determined in a particularly precise manner.
Das Verfahren kann umfassen, das Ermitteln der Positionen von Clustern, im Folgenden als Pfadcluster bezeichnet, für einen ersten Pfad und für einen zumindest teilweise unterschiedlichen zweiten Pfad durch den Teilbereich des Straßennetzes. Dabei kann der erste Pfad einen ersten Straßenabschnitt und der zweite Pfad einen zweiten Straßenabschnitt des Straßennetzes umfassen, wobei der erste Straßenabschnitt und der zweite Straßenabschnitt derart ausgelegt sein können, dass bei einer Fahrt entlang des zweiten Straßenabschnittes ein Verkehrszeichen auf dem ersten Straßenabschnitt detektiert werden kann. Dies kann z. B. dann vorkommen, wenn der erste Straßenabschnitt und der zweite Straßenabschnitt parallel zueinander verlaufen.The method may include determining the positions of clusters, hereinafter referred to as path clusters, for a first path and for an at least partially different second path through the subarea of the road network. In this case, the first path may comprise a first road section and the second path may comprise a second road section of the road network, wherein the first road section and the second road section may be designed so that a traffic sign on the first road section can be detected when driving along the second road section. This can be z. B. occur when the first road section and the second road section parallel to each other.
Es kann dann auf Basis der Pfadcluster für den ersten und zweiten Pfad eine Position eines Superclusters für den ersten Straßenabschnitt ermittelt werden, so dass ein Supercluster-Optimierungskriterium verbessert wird. Dabei zeigt das Supercluster zumindest ein Verkehrszeichen an und die Position des Superclusters zeigt die Position des zumindest einen Verkehrszeichens an. Das Supercluster-Optimierungskriterium kann von einer Wahrscheinlichkeit dafür abhängen, dass ein Verkehrszeichen eines Straßenabschnitts bei der Fahrt entlang eines anderen Straßenabschnitts erfasst werden kann.It can then be determined based on the path clusters for the first and second path, a position of a supercluster for the first road section, so that a supercluster optimization criterion is improved. The supercluster indicates at least one traffic sign and the position of the supercluster indicates the position of the at least one traffic sign. The supercluster optimization criterion may depend on a likelihood that a traffic sign of a road segment may be detected while driving along another road segment.
Durch die Ermittlung von Superclustern für einzelne Straßenabschnitte auf Basis der zuvor ermittelten Pfadcluster für unterschiedliche Pfade können Überlappungen zwischen den unterschiedlichen Pfaden in zuverlässiger und präziser Weise erkannt und ausgewertet werden. So kann die Güte der ermittelten Positionen von Verkehrszeichen weiter erhöht werden.By identifying super clusters for individual road sections based on the previously determined path clusters for different paths, overlaps between the different paths can be detected and evaluated in a reliable and precise manner. Thus, the quality of the determined positions of traffic signs can be further increased.
Das Supercluster-Optimierungskriterium kann von einer Plausibilität der ermittelten Position des Superclusters für den ersten Straßenabschnitt in Bezug auf typische Positionen von Verkehrszeichen in einem Straßenabschnitt abhängen. Typische Positionen von Verkehrszeichen in einem Straßenabschnitt können dabei empirisch ermittelt werden. So kann die Genauigkeit der Positionen von Superclustern (bzw. damit verbundenen Verkehrszeichen) erhöht werden.The supercluster optimization criterion may depend on a plausibility of the ascertained position of the supercluster for the first road segment with respect to typical locations of traffic signs in a road segment. Typical positions of traffic signs in a road section can be determined empirically. Thus, the accuracy of the positions of superclusters (or associated traffic signs) can be increased.
Alternativ oder ergänzend kann das Supercluster-Optimierungskriterium von einem Abstand zwischen der ermittelten Position des Superclusters und der Positionen der ein oder mehreren Pfadcluster abhängen, die dem Supercluster zugeordnet sind. So können die Positionen von Superclustern (und damit von Verkehrszeichen) in präziser Weise ermittelt werden.Alternatively or additionally, the supercluster optimization criterion may depend on a distance between the determined position of the supercluster and the positions of the one or more path clusters associated with the supercluster. This allows the positions of superclusters (and therefore traffic signs) to be determined in a precise manner.
In einem bevorzugten Beispiel umfasst das Supercluster-Optimierungskriterium (bzw. entspricht das Supercluster-Optimierungskriterium: mit In a preferred example, the supercluster optimization criterion comprises (or corresponds to the supercluster optimization criterion: With
Das Optimierungskriterium LLHGlobal kann ggf. eine Teilmenge der o. g. Terme
Dabei entspricht nPfade der Anzahl von Pfaden, die für die Ermittlung von Superclustern betrachtet werden.
Mit dem o. g. Optimierungskriterium können Überlappungen zwischen den Pfadclustern unterschiedlicher Pfade in zuverlässiger und präziser Weise detektiert und ausgewertet werden, um mit hoher Genauigkeit die Positionen von Verkehrszeichen zu bestimmen.With the o. G. Optimization criterion, overlaps between the path clusters of different paths can be reliably and precisely detected and evaluated in order to determine with high accuracy the positions of traffic signs.
Das Verfahren kann das Ermitteln der Positionen von Ml Pfadclustern für L unterschiedliche Pfade, wobei L eine ganze Zahl ist, mit L > 0, insbesondere L > 1, 2, 5, 10, 100 (typischerweise nPfade = L). Ml entspricht dabei der Anzahl von Pfadclustern auf dem lten Pfad, mit l = 1, ..., L (typischerweise
Der Teilbereich zur Ermittlung eines Pfades umfasst eine erste Zelle, die durch ein oder mehrere zweiten Zelle zumindest teilweise umschlossen wird. Beispielsweise kann die erste Zelle durch 8 zweite Zellen vollständig umschlossen werden. Das Verfahren kann das Verwerfen eines Clusters der M Cluster umfassen, dessen Position in einer zweiten Zelle und/oder nicht in der ersten Zelle liegt. Das Verfahren kann dann für einen weiteren Teilbereich ausgeführt werden, in dem eine der zweiten Zellen durch ein oder mehrere weitere Zellen zumindest teilweise umschlossen wird. Zur Ermittlung der Positionen von Clustern (d. h. Verkehrszeichen) können somit sich überlappende Teilbereiche betrachtet werden. So kann die Güte der ermittelten Positionen weiter erhöht werden. Des Weiteren ermöglicht eine Zerlegung eines Straßennetzes in Teilbereiche eine lineare Skalierung des Verfahrens auf beliebig große Straßennetze.The partial area for determining a path comprises a first cell, which is at least partially enclosed by one or more second cells. For example, the first cell may be completely enclosed by 8 second cells. The method may include discarding a cluster of the M clusters whose location is in a second cell and / or not in the first cell. The method can then be carried out for a further subarea in which one of the second cells is at least partially enclosed by one or more further cells. In order to determine the positions of clusters (ie traffic signs) overlapping subareas can thus be considered. Thus, the quality of the determined positions can be further increased. Furthermore, a decomposition of a road network into subareas allows a linear scaling of the method to arbitrarily large road networks.
Bei dem Verwerfen kann die Möglichkeit vorgehalten werden, dass ein Cluster auch dann nicht verworfen wird, wenn die ermittelte Position außerhalb der ersten Zelle liegt. Insbesondere kann ein solches Cluster berücksichtigt werden, wenn das Verfahren für einen weiteren Teilbereich ausgeführt wird. Insbesondere kann ein solches Cluster bei der Ermittlung von Superclustern berücksichtigt werden. So kann die Zuverlässigkeit der Detektion von Verkehrszeichen weiter erhöht werden.In the case of discarding, the possibility can be provided that a cluster is not discarded even if the determined position lies outside the first cell. In particular, such a cluster can be taken into account if the method is carried out for a further subarea. In particular, such a cluster can be taken into account in the determination of super clusters. Thus, the reliability of the detection of traffic signs can be further increased.
Die im Rahmen des Verfahrens ermittelten Cluster (d. h. Verkehrszeichen) und die ermittelten Positionen können dazu verwendet werden, eine digitale Karte des Straßennetzes zu verbessern. Insbesondere kann die ermittelte Information im Rahmen der Ermittlung von Routen durch das Straßennetz verwendet werden. Des Weiteren kann die Information für das (ggf. voll autonome) Führen eines Fahrzeugs durch das Straßennetz verwendet werden. The identified clusters (ie traffic signs) and the identified positions can be used to improve a digital map of the road network. In particular, the determined information can be used in the context of the determination of routes through the road network. Furthermore, the information for the (possibly fully autonomous) driving a vehicle through the road network can be used.
Gemäß einem weiteren Aspekt wird eine Auswerteeinheit zur Ermittlung von Positionen von Verkehrszeichen in einem Straßennetz beschrieben. Die Auswerteeinheit (z. B. ein Server oder Computer) ist eingerichtet, einen Pfad durch einen Teilbereich des Straßennetzes zu ermitteln. Außerdem ist die Auswerteeinheit eingerichtet, Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen entlang des Pfades zu ermitteln, wobei die Messdaten mittels Umfeldsensorik der ein oder mehreren Fahrzeuge erfasst wurden. Die Messdaten einer Fahrt umfassen ein oder mehrere Verkehrszeichen-Datensätze für entsprechende ein oder mehrere detektierte Verkehrszeichen, die bei der Fahrt entlang des Pfades detektiert wurden, wobei ein Verkehrszeichen-Datensatz für ein detektiertes Verkehrszeichen Positionsdaten bezüglich einer Position des detektierten Verkehrszeichens umfasst. Die Auswerteeinheit ist weiter eingerichtet, auf Basis der Messdaten eine Anzahl M von Clustern zur Gruppierung der Verkehrszeichen-Datensätze und Positionen der M Cluster entlang des Pfades zu ermitteln, so dass ein Optimierungskriterium verbessert wird. Dabei zeigt ein Cluster zumindest ein (ggf. genau ein) Verkehrszeichen an und die Position eines Clusters zeigt die Position zumindest (ggf. genau) eines Verkehrszeichens an. Das Optimierungskriterium kann von einer Wahrscheinlichkeit dafür abhängen, dass ein Verkehrszeichen bei einer Fahrt entlang des Pfades von der Umfeldsensorik der ein oder mehreren Fahrzeuge detektiert wird.According to a further aspect, an evaluation unit for determining positions of traffic signs in a road network is described. The evaluation unit (eg a server or computer) is set up to determine a path through a subarea of the road network. In addition, the evaluation unit is set up to determine measurement data of a plurality of journeys of one or more vehicles along the path, the measurement data having been acquired by means of environment sensors of the one or more vehicles. The measurement data of a trip comprises one or more traffic sign records for corresponding one or more detected traffic signs detected while traveling along the path, wherein a traffic sign record for a detected traffic sign comprises position data relating to a position of the detected traffic sign. The evaluation unit is further set up on the basis of the measurement data to determine a number M of clusters for grouping the traffic sign data sets and positions of the M clusters along the path, so that an optimization criterion is improved. A cluster indicates at least one (possibly exactly one) traffic sign and the position of a cluster indicates the position at least (possibly exactly) of a traffic sign. The optimization criterion may depend on a probability that a traffic sign is detected by the environment sensor of the one or more vehicles when driving along the path.
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.In another aspect, a software (SW) program is described. The SW program can be set up to run on a processor and thereby perform the method described in this document.
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.In another aspect, a storage medium is described. The storage medium may include a SW program that is set up to run on a processor and thereby perform the method described in this document.
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Desweiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.It should be understood that the methods, devices and systems described herein may be used alone as well as in combination with other methods, devices and systems described in this document. Furthermore, any aspects of the methods, devices, and systems described herein may be combined in a variety of ways. In particular, the features of the claims can be combined in a variety of ways.
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigenFurthermore, the invention will be described in more detail with reference to exemplary embodiments. Show
Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der präzisen und zuverlässigen Ermittlung der Positionen von Verkehrszeichen (in diesem Dokument auch beispielhaft als Schilder bezeichnet) in einem Straßennetz, auf Basis von Messdaten einer Vielzahl von Fahrten von Messfahrzeugen in dem Straßennetz.
Bei einer Vielzahl von Fahrten von Messfahrzeugen
- • Information in Bezug auf einen Typ des
Verkehrszeichens 104 ; und/oder - • Information in Bezug auf den Zustand (z. B. Position, Geschwindigkeit, Orientierung, Drehrate) des
Messfahrzeugs 101 bei der Detektion desVerkehrszeichens 104 ; und/oder - • Positionsdaten in Bezug auf einen Position des
Verkehrszeichens 104 .
- • Information related to a type of
traffic sign 104 ; and or - • Information related to the condition (eg position, speed, orientation, yaw rate) of the measuring
vehicle 101 in the detection of thetraffic sign 104 ; and or - • Position data related to a position of the
traffic sign 104 ,
Die Vielzahl von Verkehrszeichen-Datensätze einer Vielzahl von Fahrten in einem Straßennetz können z. B. individuell durch einen Clusteralgorithmus ausgewertet werden. Dabei ergeben sich jedoch diverse Nachteile:
- • Die Anzahl der ermittelten Schildpositionen hängt typischerweise von der Anzahl der Schildmeldungen (d. h. von der Anzahl
von detektierten Verkehrszeichen 104 bzw. von der Anzahl von Verkehrszeichen-Datensätzen) ab. Mit einer steigenden Anzahl von Detektionen von Verkehrszeichen104 (d. h. mit einer steigenden Anzahl von Verkehrszeichen-Datensätzen) an der gleichen Stelle in einem Straßennetz steigt tendenziell die Anzahl der von einemClusteralgorithmus angelernten Schilder 104 , um die durch die Abweichung zwischen Schildmeldungen (d. h. Verkehrszeichen-Datensätzen) und Schildkandidaten (d. h. ermittelte Cluster-Positionen) entstehenden Optimierungskosten zu minimieren. - • Eng
beieinander stehende Schilder 104 können typischerweise nicht unterschieden werden, da die zugehörigen Meldungen (d. h. Detektionen bzw. Verkehrszeichen-Datensätze) durch einen Clusteralgorithmus typischerweise dem gleichen Schildkandidaten zugewiesen werden und somit bei nah beieinander liegenden Schildern104 lediglich eine einzige Schildposition (d. h. Cluster-Position) ermittelt wird. - • Im Rahmen eines Clusteralgorithmus auf Basis der individuellen Schildmeldungen bzw. Verkehrszeichen-Datensätze können typischerweise die Geschwindigkeit und die
Drehrate eines Fahrzeugs 101 nicht berücksichtigt werden. Eine hohe Geschwindigkeit bzw. Drehrate (z. B. bei einem Abbiegevorgang) kann jedoch zu Ungenauigkeiten bei der Detektion eines Verkehrszeichens104 führen. Als Folge daraus können sich Ungenauigkeiten bei den erlernten Cluster-Positionen ergeben. Zudem kann es bei hohen Geschwindigkeiten vorkommen, dass die Schildmeldungen (d. h. Verkehrszeichen-Datensätze) zu einemSchild 104 bei unterschiedlichen Fahrten aufgrund von Messungenauigkeiten relativ stark streuen, so dass anstelle eines tatsächlichen Schildes104 mehrere Cluster-Positionen ermittelt werden. - • Bei dem Erlernen von Schildpositionen können Heuristiken zu typischen Schildpositionen berücksichtigt werden, um die Genauigkeit eines Clusteralgorithmus zu erhöhen. Dabei ist der Einfluss von Heuristiken zu typischen Schildpositionen auf die erlernten Schildposition typischerweise abhängig von der Anzahl der Schildmeldungen in den Messdaten. Bei Auftreten von systematischen Fehlern in den Schildmeldungen kann dies zum Erlernen von nicht plausiblen Schildpositionen führen.
- • Das Clustern bzw. Gruppieren von individuellen Verkehrszeichen-Datensätzen weist typischerweise einen Rechenaufwand auf, der mit der Größe des berücksichtigten Bereichs eines Straßennetzes überlinear ansteigt, und ist somit typischerweise nicht auf beliebig große Bereiche anwendbar.
- • The number of shield positions determined typically depends on the number of shield messages (ie the number of detected
traffic signs 104 or the number of traffic sign records). With an increasing number of detections of traffic signs104 (ie, with an increasing number of traffic sign records) at the same location in a road network, the number of signs learned by a cluster algorithm tends to increase104 to minimize the cost of optimization due to the discrepancy between sign messages (ie traffic sign records) and sign candidates (ie, identified cluster locations). - • Closely spaced
signs 104 typically can not be distinguished, since the associated messages (ie, detections or traffic sign records) are typically assigned to the same tag candidate by a cluster algorithm, and thus with closely spacedtags 104 only a single shield position (ie cluster position) is determined. - • As part of a cluster algorithm based on the individual sign messages or traffic sign data sets typically the speed and the rate of turn of a
vehicle 101 not considered. However, a high speed or yaw rate (eg in a turn-off operation) can lead to inaccuracies in the detection of atraffic sign 104 to lead. As a result, inaccuracies in the learned cluster positions may result. Additionally, at high speeds, the sign messages (ie traffic sign records) may become asign 104 Difficult to scatter on different trips due to measurement inaccuracies, so instead of anactual sign 104 several cluster positions are determined. - • When learning shield positions, heuristics of typical shield positions can be considered to increase the accuracy of a cluster algorithm. The influence of heuristics on typical shield positions on the learned shield position is typically dependent on the number of shield messages in the measurement data. If systematic errors in the sign messages occur, this can lead to the learning of implausible shield positions.
- The clustering of individual traffic sign records typically has computational overhead that increases linearly with the size of the considered area of a road network, and thus typically is not applicable to arbitrarily large areas.
Im Folgenden wird ein Verfahren beschrieben, mit dem auf Basis von Verkehrszeichen-Datensätzen aus einer Vielzahl von Fahrten in einem Straßennetz in präziser und zuverlässiger Weise Schildpositionen von Verkehrszeichen
Im Schritt S1 (Referenzzeichen
Es kann somit in einem Schritt S1,
Für die Ermittlung der Schildpositionen einer Zelle
Anhand der Eingangsdaten
In einem Schritt S3
In einem Schritt S4
p1 entspricht der Wahrscheinlichkeit dafür, dass es sich bei einer beliebigen aber festen Schildmeldung (d. h. bei einem Verkehrszeichen-Datensatz) um eine Falschmeldung handelt,
Durch Berücksichtigung der Wahrscheinlichkeit p2 für das Detektieren eines auf dem durchfahrenen Pfad
Die Berechnung von
Ein mögliches Vorgehen zur Ermittlung der Pfadcluster
Ausgehend von der so ermittelten optimalen Zuordnung
Nach Abschluss eines vollständigen Durchlaufs der Schritte S4a, S4b, S4c und S4d wird geprüft, ob der beste Wert von
Eine Variante des Schrittes S4
Eine weitere Variante des Schrittes S4
Als Ergebnis des Schritts S4
Jedes Supercluster
Neben den einem Supercluster
Für eine gegebene Anzahl von Superclustern
Durch geeignete Wahl von
Ein mögliches Vorgehen zur Ermittlung der Supercluster
Eine Besonderheit besteht bei der Straßenseite, die Schilderbrücken repräsentiert. Schilderbrücken weisen in der Regel mehrere Schilder auf, während ein Supercluster
Jeder der so ermittelten Supercluster-Kandidaten
Auf Basis der ermittelten Supercluster-Kandidaten
Beim Einsatz von Local-Hill-Climbing-Methoden wird der Wert von LLHGlobal stückweise erhöht, indem gegenüber der zuletzt akzeptierten Menge
Vorteilhafterweise wird für den Schritt S5b
Um die Konsistenz der Ergebnisse mit den bereits bei der Abarbeitung der benachbarten Zellen
Die Ermittlung des zu einer Menge
Die Anpassung der Menge
Unter Umständen können die ermittelten „neuen” Supercluster-Positionen
Ausgehend von der Position
Wie oben beschrieben, erfolgt die Berechnung der Schildpositionen
In einer besonderen Ausprägung des Verfahrens
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.The present invention is not limited to the embodiments shown. In particular, it should be noted that the description and figures are intended to illustrate only the principle of the proposed methods, apparatus and systems.
Claims (18)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016216154.7A DE102016216154A1 (en) | 2016-08-29 | 2016-08-29 | Method and evaluation unit for determining the position of traffic signs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016216154.7A DE102016216154A1 (en) | 2016-08-29 | 2016-08-29 | Method and evaluation unit for determining the position of traffic signs |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102016216154A1 true DE102016216154A1 (en) | 2018-03-01 |
Family
ID=61166450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102016216154.7A Pending DE102016216154A1 (en) | 2016-08-29 | 2016-08-29 | Method and evaluation unit for determining the position of traffic signs |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102016216154A1 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019180143A1 (en) * | 2018-03-23 | 2019-09-26 | Continental Automotive Gmbh | System for producing confidence values in the backend |
WO2019180149A1 (en) * | 2018-03-23 | 2019-09-26 | Continental Automotive Gmbh | System for generating confidence values in the back end |
US10755118B2 (en) | 2018-07-31 | 2020-08-25 | Here Global B.V. | Method and system for unsupervised learning of road signs using vehicle sensor data and map data |
CN111832179A (en) * | 2020-07-17 | 2020-10-27 | 北京赛目科技有限公司 | Unmanned vehicle test scene creating method and device |
DE102020201280A1 (en) | 2020-02-03 | 2021-08-05 | Continental Automotive Gmbh | Means for determining positions and validating traffic signs along a road section |
CN114877772A (en) * | 2022-04-20 | 2022-08-09 | 苏交科集团检测认证有限公司 | Device and method for measuring installation angle of raised road sign |
-
2016
- 2016-08-29 DE DE102016216154.7A patent/DE102016216154A1/en active Pending
Non-Patent Citations (3)
Title |
---|
A. Welzel, A. Auerswald, G. Wanielik: Accurate Camera-based Traffic Sign Localization. In: 2014 IEEE 17th International Conference on Intelligent Transportation Systems (ITSC), October 8-11, 2014, Qingdao, China |
S. Äyrämö, T. Kärkkäinen: Introduction to partitioning-based clustering methods with a robust example. Reports of the Department of Mathematical Information Technology Series C. Software and Computational Engineering No. C. 1/2006, University Jyväskylä |
Y. Li et al.: LIDAR-INCORPORATED TRAFFIC SIGN DETECTION FROM VIDEO LOG IMAGES OF MOBILE MAPPING SYSTEM. In: Intern. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XLI-B1, 2016, XXIII ISPRS Congress, 12–19 July 2016 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019180143A1 (en) * | 2018-03-23 | 2019-09-26 | Continental Automotive Gmbh | System for producing confidence values in the backend |
WO2019180149A1 (en) * | 2018-03-23 | 2019-09-26 | Continental Automotive Gmbh | System for generating confidence values in the back end |
US10755118B2 (en) | 2018-07-31 | 2020-08-25 | Here Global B.V. | Method and system for unsupervised learning of road signs using vehicle sensor data and map data |
DE102020201280A1 (en) | 2020-02-03 | 2021-08-05 | Continental Automotive Gmbh | Means for determining positions and validating traffic signs along a road section |
WO2021155985A1 (en) | 2020-02-03 | 2021-08-12 | Continental Automotive Gmbh | Means for ascertaining positions and validating traffic signs along a road section |
CN111832179A (en) * | 2020-07-17 | 2020-10-27 | 北京赛目科技有限公司 | Unmanned vehicle test scene creating method and device |
CN111832179B (en) * | 2020-07-17 | 2023-08-15 | 北京赛目科技有限公司 | Unmanned vehicle test scene creation method and device |
CN114877772A (en) * | 2022-04-20 | 2022-08-09 | 苏交科集团检测认证有限公司 | Device and method for measuring installation angle of raised road sign |
CN114877772B (en) * | 2022-04-20 | 2023-09-08 | 苏交科集团检测认证有限公司 | Raised road sign installation angle measuring device and measuring method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016216154A1 (en) | Method and evaluation unit for determining the position of traffic signs | |
DE102013208521B4 (en) | Collective learning of a highly accurate road model | |
WO2017016799A1 (en) | Determining arrangement information for a vehicle | |
DE102012218058A1 (en) | Traffic Sensor Management | |
DE112017005958T5 (en) | Robot control and calibration procedure | |
DE102019002487A1 (en) | Method for checking a surroundings detection sensor of a vehicle and method for operating a vehicle | |
DE102019216914A1 (en) | SYSTEM AND METHOD FOR THE AUTOMATED GENERATION OF SEMANTIC CARDS | |
DE112018008077T5 (en) | Global mapping using local on-board maps created through fleet trajectories and observations | |
WO2020048669A1 (en) | Method for determining a lane change indication of a vehicle, computer-readable storage medium, and vehicle | |
DE102017208509A1 (en) | Method for generating a road model during a journey of a motor vehicle and control device and motor vehicle | |
DE102015212027A1 (en) | Method and device for automatic determination of traffic regulations at road intersections | |
DE102014212866A1 (en) | Method for determining a parking space from a number of measuring points | |
DE102020118629B4 (en) | Computer-implemented method for determining the validity of an estimated position of a vehicle | |
EP3289578B1 (en) | Analysis of the assignment of grid-based environment maps of a vehicle | |
DE102020200169B3 (en) | Method for merging several data sets for the generation of a current lane model of a roadway and device for data processing | |
DE102018123393A1 (en) | Detection of parking areas | |
DE102019211100A1 (en) | Method, device and computer program for processing data about a traffic light system | |
DE102020118589A1 (en) | IMPROVED VEHICLE OPERATION | |
DE102020112825A1 (en) | Method for detecting relevant static objects within a lane as well as computing device for a driver assistance system of a vehicle | |
DE102018215288A1 (en) | Method and processing unit for tracking an object | |
EP3688659A1 (en) | Method for automatically identifying parking areas and/or non-parking areas | |
DE102017209977A1 (en) | Method and apparatus for determining a free object space and generating a defined boundary | |
DE102014204933A1 (en) | Method and device for generating a segmentation layer | |
DE102021006166A1 (en) | Procedure for data transfer between two digital road maps | |
DE102020003008A1 (en) | Automatic visual perception by means of an environment sensor arrangement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed |