DE102017108130B4

DE102017108130B4 - Verfahren zur Datenfusion eines Datensatzes, entsprechende Recheneinheit und Fahrzeug welches mit einer entsprechenden Recheneinheit ausgestattet ist sowie Computerprogramm

Info

Publication number: DE102017108130B4
Application number: DE102017108130.5A
Authority: DE
Inventors: Bernd Rech; Lukas Fröhlich; Christian Merfels
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2017-04-13
Filing date: 2017-04-13
Publication date: 2024-02-29
Anticipated expiration: 2037-04-14
Also published as: DE102017108130A1

Abstract

Verfahren zur Positionsbestimmung für ein Fahrzeug, bei dem- zur Messung der Fahrzeugposition mittels mehrerer Sensoren Sensordaten mit autokorrelierten Messfehlern erfasst (310) und in einer Datenfusion zu einem Datensatz kombiniert werden;- ein Autokorrelationskoeffizient ϕ für den Datensatz bestimmt wird (320);- jeweils zu einer Messung i eine Kovarianz-Matrix Σibestimmt wird (330);- die jeweilige Kovarianz-Matrix Σigemäß:Σ˜i=MKM(Φ)Σiskaliert (340) wird, wobei der von dem Autokorrelationskoeffizienten ϕ und der Anzahl der Messungen Mabgeleitete Wert KM(ϕ) die folgende Form hat:KM(ϕ)=M−(M−2)ϕ1+ϕ, und- basierend auf dem Datensatz und den skalierten Kovarianz-Matrizen Positionsdaten für das Fahrzeug mit einer Schätzung der Ungenauigkeit der Positionsbestimmung ermittelt werden.

Description

Verfahren zur Datenfusion eines Datensatzes, entsprechende Recheneinheit und Fahrzeug welches mit einer entsprechenden Recheneinheit ausgestattet ist sowie Computerprogramm
Die Erfindung betrifft ein Verfahren zur Datenfusion eines Datensatzes. Der Vorschlag betrifft weiterhin eine entsprechende Recheneinheit die ausgelegt ist das Verfahren zur Datenfusion durchzuführen und ein entsprechend ausgelegtes Computerprogramm das ausgelegt ist bei Abarbeitung in einer Recheneinheit das Verfahren zur Datenfusion durchzuführen sowie ein Fahrzeug welches mit einer entsprechenden Recheneinheit ausgestattet ist.
Unter autonomem Fahren (manchmal auch automatisches Fahren, automatisiertes Fahren oder pilotiertes Fahren genannt) ist die Fortbewegung von Fahrzeugen, mobilen Robotern und fahrerlosen Transportsystemen zu verstehen, die sich weitgehend autonom verhalten. Es gibt verschiedene Abstufungen des Begriffs autonomes Fahren. Dabei wird auf bestimmten Stufen auch dann von autonomen Fahren gesprochen, wenn noch ein Fahrer im Fahrzeug befindlich ist, der ggfs. nur noch die Überwachung des automatischen Fahrvorgangs übernimmt. In Europa haben die verschiedenen Verkehrsministerien (in Deutschland war die Bundesanstalt für Straßenwesen beteiligt) zusammengearbeitet und die folgenden Autonomiestufen definiert.

• Level 0: „Driver only“, der Fahrer fährt selbst, lenkt, gibt Gas, bremst etc.
• Level 1: Bestimmte Assistenzsysteme helfen bei der Fahrzeugbedienung (u.a. ein Abstandsregelsystem - Automatic Cruise Control ACC).
• Level 2: Teilautomatisierung. U.a. automatisches Einparken, Spurhaltefunktion, allgemeine Längsführung, beschleunigen, abbremsen etc. werden von den Assistenzsystemen übernommen (u.a. Stauassistent).
• Level 3: Hochautomatisierung. Der Fahrer muss das System nicht dauernd überwachen. Das Fahrzeug führt selbstständig Funktionen wie das Auslösen des Blinkers, Spurwechsel und Spurhalten durch. Der Fahrer kann sich anderen Dingen zuwenden, wird aber bei Bedarf innerhalb einer Vorwarnzeit vom System aufgefordert die Führung zu übernehmen. Diese Form der Autonomie ist auf Autobahnen technisch machbar. Der Gesetzgeber arbeitet darauf hin, Level 3-Fahrzeuge zuzulassen. Die gesetzlichen Rahmenbedingungen wurden dafür bereits geschaffen.
• Level 4: Vollautomatisierung. Die Führung des Fahrzeugs wird dauerhaft vom System übernommen. Werden die Fahraufgaben vom System nicht mehr bewältigt, kann der Fahrer aufgefordert werden, die Führung zu übernehmen.
• Level 5: Kein Fahrer erforderlich. Außer dem Festlegen des Ziels und dem Starten des Systems ist kein menschliches Eingreifen erforderlich.

Bei diesen Systemen wird eine genaue Positionsbestimmung des Fahrzeuges von Stufe zu Stufe wichtiger. Aus dem Stand der Technik sind auch Techniken bekannt, um im Zusammenhang mit einer Fahrerassistenzfunktionalität eine geschätzte Position eines Kraftfahrzeugs zu bestimmen (Positionsbestimmung). Insbesondere sind Techniken der Positionsbestimmung bekannt, welche Absolut-Positionsdaten und Odometrie-Positionsdaten beim Bestimmen der geschätzten Position des Kraftfahrzeugs berücksichtigen.
Dabei indizieren die Absolut-Positionsdaten die gemessene Position des Kraftfahrzeugs zu einem bestimmten Zeitpunkt in absoluten Werten, beispielsweise in einem UTM oder WGS84 Referenzkoordinatensystem. Optional können die Absolut-Positionsdaten auch mit einer Orientierung versehen sein, welche z.B. eine aktuelle Bewegungsrichtung des Kraftfahrzeugs indizieren. Eine Kombination aus Position und Orientierung wird häufig auch als Pose bezeichnet. Dabei wird die Position meistens zweidimensional in einem kartesischen Koordinatensystem angegeben.
Die Odometrie-Positionsdaten hingegen indizieren eine Eigenbewegung bzw. Relativbewegung des Kraftfahrzeugs, zum Beispiel in einem willkürlich festgelegten Referenzkoordinatensystem oder im sogenannten Fahrzeugkoordinatensystem (engl. body frame). Dabei wird die Eigenbewegung z.B. jeweils relativ in Bezug auf eine vorangegangene Position des Kraftfahrzeugs indiziert.
Um verschiedene Positionsdaten beim Bestimmen der geschätzten Position des Kraftfahrzeugs zu berücksichtigen, sind Techniken der Positionsbestimmung bekannt, die ein oder mehrere Odometrie-Positionsdaten und ein oder mehrere Absolut-Positionsdaten miteinander kombinieren (Sensorfusion). Die verschiedenen Positionsdaten können von unterschiedlichen Posititonsbestimmungssystemen ausgegeben werden. Die Posititonsbestimmungssysteme können unterschiedliche Techniken zur Posititonsbestimmungssystemen einsetzen, sodass die Positionsdaten der unterschiedlichen Posititonsbestimmungssystemen voneinander unabhängige Schätzungen der Position darstellen können.
Aus der DE 10 2015 219 577.5 ist ein Beispiel eines Standes der Technik bekannt, bei dem die Positionsbestimmung basierend auf einer Technik zur Absolut-Positionsbestimmung z.B. Global Positioning Sattelite System GPS in Kombination mit einer Odometrie-Technik durch Informationsfusion ermittelt wird. Zum Beispiel könnte eine Laser-basierte Abstandsmessung (engl. Light detection and ranging, LIDAR) zum Bestimmen von Odometrie-Positionsdaten eingesetzt werden. Dementsprechend auch die RADAR-Technik. Auch die visuelle Posenerkennung kann basierend auf Unterschieden in sequentiell aufgenommenen Bildern, die eine Landmarke abbilden, die Odometrie-Positionsdaten bereitstellen. Informationen aus der Fahrwerk-Odometrie können zum Bereitstellen der Odometrie-Positionsdaten verwendet werden; zum Beispiel können in diesem Zusammenhang ein Lenkwinkel und/oder eine Drehgeschwindigkeit der Räder berücksichtigt werden. Es könnten auch Beschleunigungssensoren zum Bereitstellen der Odometrie-Positionsdaten verwendet werden; zum Beispiel könnte ein elektronisches Stabilitätssystem (ESP) diese Sensordaten liefern.
Bei dem Begriff der Informationsfusion handelt es sich um einen Oberbegriff, dieser umfasst die Teilbereiche Sensorfusion und Datenfusion. Es geht in jedem Fall darum Daten von mehreren Quellen miteinander zu verknüpfen. Bei der unveröffentlichten DE 10 2015 219 577.5 steht die Sensorfusion im Vordergrund. Dabei werden für jeden von mehreren Zeitpunkten jeweils Absolut-Positionsdaten eines Kraftfahrzeugs ermittelt; ferner werden Odometrie-Positionsdaten des Kraftfahrzeugs ermittelt. Es wird ein Posen-Graph erzeugt, wobei Kanten des Posen-Graphs den Odometrie-Positionsdaten entsprechen und Knoten des Posen-Graphs den Absolut-Positionsdaten entsprechen. Der Posen-Graph wird zum Erhalten einer geschätzten Position optimiert. Optional kann auch die Odometrie geschätzt werden. Eine Fahrerassistenzfunktionalität des Kraftfahrzeugs wird basierend auf der geschätzten Position gesteuert. Die Fahrerassistenzfunktionalität kann in Beispielen auch das autonome Fahren betreffen.
Aus DE 10 2013 208 521 A1 ist ein Verfahren zum kollektiven Erlernen und Erstellen eines digitalen Straßenmodells bekannt. Es werden dabei von einer Mehrzahl von Fahrzeugen Trajektorien- und Perzeptionsdaten erfasst. Es werden Assoziierungen zwischen den Trajektorien erstellt, indem für entsprechende, zu assoziierende Trajektorienpunkte Merkmalsraster und Wahrscheinlichkeitsfeld-Merkmalsraster gebildet werden und diese korreliert werden, um Assoziationshypothesen zu bilden. Basierend auf den Assoziierungen, sowie auf Basis von Odometrie- und Positionserfassungen wird ein Informationsgraph gebildet und das zugehörige Optimierungsproblem zur Schätzung optimaler Trajektorienpunkte gelöst. Die erfassten Perzeptionsdaten werden auf Basis der geschätzten Trajektorienpunkte bewertet, aggregiert und fusioniert, um ein hochgenaues Straßenmodell zu erstellen.
Das Dokument DE 10 2014 211 178 A1 beschreibt ein Verfahren zur Korrektur von Messdaten eines ersten Sensorsystems, wobei das erste Sensorsystem oder ein zweites Sensorsystem und ein Sensorbasissystem eng gekoppelt sind. Die Sensorsysteme, erfassen jeweils unterschiedliche Messdaten. Die Messdaten beschreiben jeweils direkt oder indirekt Navigationsdaten. Die indirekt beschriebenen Navigationsdaten werden aus den Messdaten oder aus bekannten physikalischen oder mathematischen Zusammenhängen berechnet. Die Messdaten des ersten Sensorsystems weisen erste Fehlerwerte auf, wobei die ersten Fehlerwerte bei Vorliegen einer ausreichenden Anzahl von Messdaten des zweiten Sensorsystems oder von Messdaten des Sensorbasissystems beobachtbar sind. Die ersten Fehlerwerte werden korrigiert, wenn sie beobachtbar sind und als konstant angenommen, wenn sie nicht beobachtbar sind.
Das Dokument US 7,991,550 B2 beschreibt ein Verfahren zum gleichzeitigen Verfolgen einer Vielzahl von Objekten und zum Registrieren einer Vielzahl von Objekt-Lokalisierungssensoren, die an einem Fahrzeug angebracht sind, relativ zu dem Fahrzeug. Das Verfahren basiert auf gesammelten Sensordaten, historischen Sensorregistrierungsdaten, historischen Objekttrajektorien und einem gewichteten Algorithmus basierend auf geometrischer Nähe zum Fahrzeug und Varianz der Sensordaten. Für eine Bestimmung von Trajektorien der Objekte werden Sensordaten fusioniert. Es wird die Methode der kleinsten Fehlerquadrate zur Ermittlung der Trajektorien eingesetzt.
Das Dokument WO 2015/189183 A1 beschreibt ein Verfahren zur Korrektur von Ausgabedaten eines Sensorbasissystems, wobei das Sensorbasissystem und mindestens ein weiteres Sensorsystem Eingangsdaten erfassen und diese als Ausgabedaten ausgeben. Mittels der Ausgabedaten des mindestens einen weiteren Sensorsystems erfolgt eine Bestimmung von Fehlerwerten der Ausgabedaten des Sensorbasissystems. Die Fehlerwerte werden mittels einer Anbringung von Korrekturen korrigiert. Die Bestimmung der Fehlerwerte umfasst eine Bestimmung eines Fehlerwerts einer Steigung einer Kennlinie des Sensorbasissystems, wobei die Kennlinie eine Abhängigkeit der Ausgabedaten des Sensorbasissystems von den Eingangsdaten des Sensorbasissystems beschreibt. Die Ausgabedaten können zu einem Fusionsdatensatz fusioniert werden.
Das Dokument WO 2015/189204 A1 beschreibt ein Verfahren zur verbesserten Erkennung oder Kompensation von Fehlerwerten. Messwerte, physikalische Größen beschreiben, werden von einem Sensorsystem erfasst. Die Messwerte sind mit Fehlerwerten behaftet, welche Abweichungen der Messwerte von den beschriebenen physikalischen Größen beschreiben. Die Fehlerwerte werden mittels eines Vergleichs erkannt oder kompensiert. Dabei werden Messwerte, die einen Grenzwert überschreiten, nicht herangezogen, um Fehlerwerte anderer Messwerte zu erkennen oder zu kompensieren. Die Messwerte können zu einem Fusionsdatensatz fusioniert werden.
Für das Szenario von mit Funkkommunikationsmodulen ausgestatteten Fahrzeugen, die im öffentlichen Straßenverkehr direkt miteinander kommunizieren, sei es für ein kooperatives oder autonomes Fahren, ist der Austausch der ermittelten Positionen der Fahrzeuge untereinander ebenfalls sehr wichtig.
Dafür ist allerdings Fahrzeugkommunikation, insbesondere Fahrzeugdirektkommunikation erforderlich. Zur Fahrzeugkommunikation werden verschiedene System entwickelt. Als Beispiele werden genannt WLAN basierte Fahrzeugkommunikation, auch „Ad Hoc Domain“ genannt und Fahrzeugkommunikation im Bereich der Mobilfunknetze. Bei Mobilfunkbasierten Technik muss allerdings die Basisstation die Nachrichten von Fahrzeug zu Fahrzeug vermitteln. Das ist der Bereich, wo die Kommunikation in der sogenannten „Infrastructure Domain“ stattfindet. Für die kommende Mobilfunkgeneration wird auch die Fahrzeugdirektkommunikation ermöglicht. Bei LTE, entsprechend Long Term Evolution heißt diese Variante LTE-V, bei der 5G Initiative heißt diese Variante D2D.
Typische Kommunikations-Szenarien sind Sicherheitsszenarien, Verkehrseffizienzszenarien und Infotainment. Für den Bereich Sicherheit werden folgende Szenarien genannt: „Cooperative Forward Collision Warning“, „Pre-Crash Sensing/Warning“, „Hazardous Location Warning“. In diesen Bereichen tauschen die Fahrzeuge untereinander Informationen wie Position, Richtung und Geschwindigkeit aus, auch Parameter wie Größe und Gewicht. Weitere Informationen die übertragen werden betreffen Absichtsinformationen, wie Fahrzeug beabsichtigt zu überholen, Fahrzeug biegt links/rechts ab, usw. die für das kooperative Fahren interessant sind. Dabei werden oft Sensordaten übermittelt. Falls eine Gefahrensituation vorliegt und der Fahrer nicht reagiert, könnte das Auto automatisch abbremsen, so dass ein Unfall verhindert wird oder zumindest die Folgen bei dem unvermeidlichen Unfall möglichst gering gehalten werden.
Im Bereich Verkehrseffizienz werden genannt: „Enhanced Route Guidance and Navigation“, „Green-Light Optimal Speed Advisory“, „V2V Merging Assistance“ und das „Platooning“. Mit Platooning ist das intelligente Kolonnenfahren als Anwendungsfall gemeint, welches auch unter dem Begriff „High Density Platooning“ bekannt ist. Dabei werden die Abstände zwischen den Fahrzeugen der Kolonne z.B. LKWs der jeweiligen Verkehrssituation angepasst und geregelt. Ziel ist es den Abstand zwischen den Kolonnenfahrzeugen möglichst zu verringern um den Energieverbrauch zu senken. Dazu müssen ständig Nachrichten ebenfalls mit Positionsangaben zwischen den Kolonnenfahrzeugen ausgetauscht werden.
Im Bereich Infotainment steht der Internet-Zugang im Vordergrund.
Es existieren in vielen Fahrzeugen mit automatischen Fahrfunktionen mehrere Ortungslösungen, die Positionsmessungen liefern. Diese Positionsmessungen sind mit Unsicherheiten behaftet. In DE 10 2015 219 577.5 wird eine Lösung vorgestellt, um diese mehreren Positionsmessungen in einer Ortungsfusion zu kombinieren. Diese Ortungsfusion genannte Lösung zur Sensorfusion ist sehr flexibel und beruht auf der Erzeugung eines Posen-Graphs aus dem die geschätzte Position des Fahrzeuges erhalten wird. Diese Ortungsfusion trifft (wie sehr viele statistische Algorithmen) die Annahme, dass der Messfehler für die i-te Positionsmessung, $z_{i}^{w}$
sich durch weißes Rauschen beschreiben lässt.
Das Problem mit dieser Annahme ist, dass weißes Rauschen unkorreliert ist. In diesem Kontext bedeutet unkorreliert, dass der Fehler zu jedem Zeitpunkt zufällig ist und nicht von den vorhergegangen Werten abhängt. Diese Annahme trifft in der Realität oft nicht zu. Betrachtet man z.B. die Fehlercharakteristik eines GPS-Signals, fällt auf, dass die Fehler sehr wohl voneinander abhängen. Im Falle von GPS liegt das daran, dass die Fehler aufgrund von Umweltfaktoren beeinflusst werden, wobei diese Faktoren über kurze Zeiträume konstant sind. Ebenso kann die in vielen Sensoren enthaltene Vorverarbeitung des Signals (z.B. Filtern mit Kalman-Filter) eine korrelierte Fehlercharakteristik künstlich erzeugen. 1 zeigt den autokorrelierten Fehler eines GPS-Moduls im Vergleich zu künstlichem weißen Rauschen mit gleicher Kovarianz. Bei Approximation des autokorrelierten Fehlers mit einem Modell der Ordnung 1 ist der Autokorrelationskoeffizient ϕ₁ = 0.9984.
Eine Übersicht verschiedener Verfahren zur Schätzung der Transformationsmatrix bei Zeitreihen mit autokorrelierten Residuen wird in RHEE, Hak-Yong. Least Squares Estimation with Autocorrelated Residuals: A Survey. Journal of the Korean Statistical Society, Vol. 4, 1975, No. 1, S. 39- 56. - eISSN 2005-2863 gegeben.
In JULIER, Simon J., Fusion of dependent information in posegraphs. 2012 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI). IEEE, 2012. S. 504-509 wird das Problem der Fusion von Messungen, die korreliertes Rauschen enthalten, betrachtet. Es wird ein Fusionsalgorithmus mit gewichteter geometrischer Dichte (Weighted Geometric Density, WGD) beschrieben.
Es wurde im Rahmen der Erfindung erkannt, dass es für eine genaue Ermittlung einer Führungsgröße, z.B. die Positionsermittlung bei einer Ortungsfunktion sehr stark auf die Datenfusion ankommt. Werden die Fehlercharakteristiken der Eingangsdaten für die Datenfusion falsch modelliert, kann dies großen Einfluss auf die Qualität der Lösung haben. Insbesondere führt die Annahme von „weißen Rauschen“ dazu, dass die Unsicherheit der fusionierten Schätzung als zu klein angenommen wird, falls die wahren Fehler hingegen autokorreliert sind. Es besteht also der Bedarf für eine verbesserte Methode, um Daten von autokorrelierten Sensormessungen konsistent zu fusionieren, sodass die resultierende Unsicherheit der Schätzung die wahre Unsicherheit realistischer darstellt.
Diese Aufgabe wird durch ein Verfahren gemäß Anspruch 1, eine Recheneinheit gemäß Anspruch 3, ein Fahrzeug gemäß Anspruch 4 und ein Computerprogramm gemäß Anspruch 5 gelöst.
Die abhängigen Ansprüche beinhalten vorteilhafte Weiterbildungen und Verbesserungen der Erfindung entsprechend der nachfolgenden Beschreibung dieser Maßnahmen.
Ein Vorteil der Erfindung ist, dass durch die Vorverarbeitung der Eingangsdaten die Unsicherheit der fusionierten Führungsgrößenschätzung realistischer approximiert wird.
Gegenüber einem eher theoretisch mathematischen Ansatz, bei dem die globale Fehlerfunktion Graphen-basiert optimiert wird, entspricht die erfindungsgemäße Methode eher einem praktischen Ansatz, der leichter mit einer Recheneinheit implementiert werden kann. Dabei wird von dem bekannten „Covariance Intersection“-Algorithmus ausgegangen, der sich dadurch auszeichnet, dass durch alleinige Skalierung der Kovarianz-Matrizen der Eingangsdaten eine konsistente Führungsgrößenschätzung erreicht werden kann ohne, dass das zugrundeliegende Optimierungsproblem für die globale Fehlerfunktion dadurch komplizierter wird. Durch die Informations-theoretische Erweiterung der Skalierung der Kovarianz-Matrizen wird eine Führungsgrößenschätzung ermöglicht, die mit wesentlich weniger Unsicherheit auskommt. Dazu wird ein Skalierungsfaktor so berechnet, dass der Informationsgehalt der Fusion der Schätzgrößen mit skalierten Kovarianz-Matrizen gleich dem Informationsgehalt der optimalen Fusion der autokorrelierten Schätzgrößen ist. Durch die Verwendung der Skalierung hingegen ergibt sich der Vorteil, dass weiterhin die einfachere Verarbeitung unter Annahme des weißen Rauschens möglich ist, aber trotzdem der Informationsgehalt identisch bleibt und damit die geschätzte Kovarianz-Matrix der fusionierten Schätzgrößen korrekt abgebildet wird.
Es gibt viele Anwendungsmöglichkeiten dieser Methode. Bei dem speziellen Anwendungsfall, der Ortungsfunktion für automatisierte Fahrzeuge wirkt sich die Methode insofern positiv aus, als das eine korrekte Schätzung der Positionsunsicherheit für den sicheren Einsatz dieser Technik unerlässlich ist.
Ein Ausführungsbeispiel der Erfindung ist in den Zeichnungen dargestellt und wird nachfolgend anhand der Figuren näher erläutert.
Es zeigen:

1 typische Messergebnisse mit einer bestimmten Varianz für den autokorrelierten Messfehler eines GPS-Moduls im Vergleich zu künstlich generierten Messwerten, die durch „weißes Rauschen“ gleicher Varianz überlagert sind;
2 das Prinzip der Fahrzeugkommunikation über Mobilfunk;
3 ein Blockdiagramm für die Fahrzeugelektronik eines Kraftfahrzeuges; und
4 ein Flussdiagramm für ein Programm zur Abarbeitung in einer Recheneinheit welches bei Abarbeitung die Methode des expliziten Modellierens der Korrelation von Sensormessungen durchführt; und
5 ein Flussdiagramm für ein Programm zur Abarbeitung in einer Recheneinheit welches bei Abarbeitung die Methode des Skalierens der Kovarianz-Matrizen durchführt.

Die vorliegende Beschreibung veranschaulicht die Prinzipien der erfindungsgemäßen Offenbarung. Es versteht sich somit, dass Fachleute in der Lage sein werden, verschiedene Anordnungen zu konzipieren, die zwar hier nicht explizit beschrieben werden, die aber Prinzipien der erfindungsgemäßen Offenbarung verkörpern und in ihrem Umfang ebenfalls geschützt sein sollen.
2 zeigt das Prinzip der Fahrzeugkommunikation mittels Mobilfunk. Die Fahrzeuge sind mit Bezugszahl 30 versehen.
Der Begriff Fahrzeug versteht sich als Sammelbegriff sei es für Kraftfahrzeuge mit Brennkraftmaschine oder Elektromotor, sei es für Fahrräder mit und ohne Elektromotor oder andere mit Muskelkraft betriebene Fahrzeuge, sei es für Fahrzeuge mit einem, zwei, vier oder mehr Rädern. Sei es für Motorräder, Personenkraftwagen, Lastkraftwagen, Busse, Landwirtschaftsfahrzeuge oder Baumaschinen. Die Aufzählung ist nicht abschließend und umfasst auch weitere Fahrzeugkategorien.
Die Fahrzeuge in 2 sind jeweils mit einem Kommunikationsmodul 31 ausgestattet, das als Sende- und Empfangseinheit für die Kommunikation in einem Mobilfunknetz dient. Das Fahrzeug 30 entspricht hier wegen des integrierten Kommunikationsmoduls 31 einer Mobilfunknetz-Teilnehmerstation. Alle Nachrichten von den Fahrzeugen (Uplink) und zu den Fahrzeugen (Downlink) werden entweder über eine Basisstation 20 geleitet, die eine Mobilfunkzelle bedient oder im Fall von Fahrzeugdirektkommunikation (Sidelink) unmittelbar zwischen den Fahrzeugen 30 ausgetauscht. Befinden sich die Fahrzeuge 30 innerhalb dieser Mobilfunkzelle, sind sie bei der Basisstation 20 angemeldet bzw. eingebucht. Verlassen sie die Mobilfunkzelle, werden sie an die benachbarte Zelle übergeben (Handover) und dementsprechend an der Basisstation 20 abgemeldet bzw. ausgebucht. Die Basisstation 20 stellt auch einen Zugang zum Internet zur Verfügung, so dass die Fahrzeuge 30 bzw. alle anderen Mobilfunk-Teilnehmer in der Mobilfunkzelle mit Internetdaten versorgt sind. Dazu steht die Basisstation 20 über die sogenannte S1-Schnittstelle mit dem EPC 40 (Evolved Packet Core) in Verbindung. Über das Internet 10 oder ein anderes Weitverkehrsnetz WAN erreichbar ist noch ein Zentralrechner 50 z.B. einer Verkehrsleitzentrale an die z.B. die Positionsdaten der einzelnen Fahrzeuge 30 gemeldet werden.
Derartige Mobilfunk-Technologien sind standardisiert und es wird diesbezüglich auf die entsprechenden Spezifikationen von Mobilfunkstandards hingewiesen. Als ein modernes Beispiel eines Mobilfunkstandards wird auf die 3GPP Initiative und den LTE-Standard (Long Term Evolution) Bezug genommen. Viele der zugehörigen ETSI Spezifikationen liegen z.Z. in der Version 13 vor. Als Beispiel wird genannt: ETSI TS 136 213 V13.0.0 (2016-05); Evolved Universal Terrestrial Radio Access (E-UTRA); Physical layer procedures (3GPP TS 36.213 version 13.0.0 Release 13).
Bevor nun im Einzelnen auf die Verbesserungen im Bereich der Datenfusion eingegangen wird, wird zunächst noch der typischen Aufbau einer Kfz-Elektronik anhand der 3 beschrieben. Bezugszahl 100 bezeichnet die KFz-Elektronik eines modernen Kraftfahrzeuges 30 in ihrer Gesamtheit. Mit der Bezugszahl 151 ist ein Motorsteuergerät bezeichnet. Die Bezugszahl 152 entspricht einem ESP-Steuergerät und die Bezugszahl 153 bezeichnet ein ABS-Steuergerät. Weitere Steuergeräte wie Getriebesteuergerät, Airbag-Steuergerät usw. können im Kraftfahrzeug vorhanden sein. Die Vernetzung solcher Steuergeräte geschieht typischerweise mit dem CAN-Bussystem (Controller Area Network) 104 welches als ISO Norm standardisiert ist, ISO 11898. Da verschiedene Sensoren im Kraftfahrzeug installiert werden und diese nicht mehr nur an einzelne Steuergeräte angeschlossen werden, werden solche Sensordaten ebenfalls über das Bussystem 104 zu den einzelnen Steuergeräten übertragen. Beispiele von Sensoren im Kraftfahrzeug sind Raddrehzahlsensoren, Lenkwinkelsensoren, Beschleunigungssensoren, Drehratensensoren, Reifendrucksensoren, Abstandssensoren usw. Die verschiedenen Sensoren mit dem das Fahrzeug ausgestattet ist, sind in der 3 mit der Bezugszahl 161, 162, 163 bezeichnet.
Das moderne Kraftfahrzeug kann aber noch weitere Komponenten aufweisen wie Videokameras, z.B. als Rückfahrkamera oder als Fahrerüberwachungskamera oder auch als Frontkamera um das Verkehrsgeschehen zu beobachten. Als Beispiel weiterer Komponenten wird auch ein Radargerät für die Realisierung eines Radartempomaten oder zur Realisierung eines Abstandswarnungs- oder Kollisionswarnungsgerätes genannt.
Seit einigen Jahren werden Fahrerassistenzsysteme angeboten, welche mit RADAR-, LIDAR- oder Videosensorik die Fahrumgebung erfassen, sich durch Interpretation dieser Sensordaten eine interne Repräsentation der Fahrsituation bilden und aufbauend auf diesem Wissen zunehmend anspruchsvolle Funktionen durch Information und Warnung des Fahrers bis hin zu gezielten Eingriffen in die Fahrzeugführung ausführen. So kann beispielsweise die Längsführung auf gut strukturierten Straßen, wie Autobahnen, durch ein mit LIDAR-Sensorik und/oder RADAR-Sensorik ausgestattetes ACC System (Adaptive Cruise Control) zu einem hohen Zeitanteil automatisch ausgeführt werden. In der 3 ist als Beispiel ein LIDAR-Sensor mit dem Bezugszeichen 105 versehen.
Im Kraftfahrzeug 30 befinden sich dann auch noch weitere elektronische Vorrichtungen. Diese sind mehr im Bereich der Fahrgastzelle angeordnet und werden oft auch von dem Fahrer bedient. Beispiele sind eine Benutzerschnittstellenvorrichtung mit dem der Fahrer Fahrmodi anwählen kann, aber auch klassische Komponenten bedienen kann. Darunter fallen Gangwahl sowie auch Blinker-Steuerung, Scheibenwischersteuerung, Lichtsteuerung, usw. Diese Benutzerschnittstellenanordnung ist mit der Bezugszahl 130 versehen. Die Benutzerschnittstellenanordnung 130 ist oft auch mit einem Dreh/Druckschalter ausgestattet, über den der Fahrer die verschiedenen Menüs anwählen kann die auf einem Display im Cockpit angezeigt werden. Andererseits fällt auch ein berührungsempfindliches Display in diese Kategorie. Selbst die Spracheingabe für die Bedienungsunterstützung fällt in diesen Bereich.
Davon unterschieden wird oft ein Navigationssystem 120, welches ebenfalls im Bereich des Cockpits verbaut wird. Die Route, welche auf einer Karte angezeigt wird, kann natürlich ebenfalls auf dem Display im Cockpit dargestellt werden. Weitere Komponenten, wie eine Freisprecheinrichtung können vorhanden sein, sind aber nicht näher dargestellt. Die Bezugszahl 110 bezeichnet noch eine On-Board Unit. Diese On-Bord Unit 110 entspricht entspricht dem Kommunikationsmodul 31 über das das Fahrzeug mobile Daten empfangen und senden kann. Wie beschrieben kann es sich hier um ein Mobilfunk-Kommunikationsmodul, z. B. nach dem LTE und LTE-V-Standard handeln.
Die Geräte des Fahrgastraumes sind ebenfalls untereinander vernetzt über ein Bussystem, das mit der Bezugszahl 102 bezeichnet wird. Es kann sich z. B. um das CAN-Bussystem nach handeln, hier allerdings in der Variante für Datenübertragung mit höherer Datenrate zwischen Infotainment-Geräten. Alternativ wird auch Ethernet für die Vernetzung von Komponenten im Fahrzeug eingesetzt. Zu dem Zweck, das fahrzeugrelevante Sensordaten über das Kommunikationsmodul 110 zu einem anderen Fahrzeug oder zu einem anderen Zentralrechner übertragen werden sollen, ist das Gateway 140 vorgesehen. Dieses ist mit beiden verschiedenen Bussystemen 102 und 104 verbunden. Das Gateway 140 ist dazu ausgelegt die Daten, die es über den CAN-Bus 104 empfängt so umzusetzen, dass sie in das Übertragungsformat des Highspeed-CAN-Busses 102 umgesetzt werden, so dass sie in den dort spezifizierten Paketen verteilt werden können. Für die Weiterleitung dieser Daten nach extern, ist das Kommunikationsmodul 110 mit dazu ausgerüstet, diese Datenpakete zu empfangen und wiederum in das Übertragungsformat des entsprechend eingesetzten Kommunikationsstandards umzusetzen. Das Gateway 140 kann auch als Rechenmittel für andere Aufgaben benutzt werden.
Im Folgenden wird auf die Datenfusion am Beispiel der Positionsbestimmung genauer eingegangen. Ergänzend wird auf die schon erwähnte frühere Patentanmeldung DE 10 2015 219 577.5 derselben Anmelderin für weitere Einzelheiten zur Positionsmessung und Datenfusion / Sensorfusion Bezug genommen.
Wie beschrieben, sind im Fahrzeug verschiedene Sensoren verbaut, aus deren Messwerten Positionsdaten bestimmt werden können. Bei der Struktur der KFz-Elektronik gemäß 3 sind dies ein GPS-Modul, das Teil des Navigationssystems 120 ist. Es liefert Daten über eine absolute Position des Fahrzeuges. Daneben gibt es die Sensoren LIDAR-System 105, Video-Kamera und ESP-System 152, die als Odometrie-Sensoren arbeiten und dementsprechend Daten für eine relative Position des Fahrzeuges 30 liefern. Jedes dieser Komponenten wird die Datenaufbereitung, insbesondere die Messwerteerfassung und - Verarbeitung und insbesondere eine der im Folgenden beschriebenen Methoden zur Datenfusion selbst in einer zugehörigen Recheneinheit durchführen.
Jede Positionsmessung sei es mit Hilfe eines GPS-Modul oder durch Odometrie ist mit einem Fehler behaftet. Bei dem GPS-System kommt es beispielsweise darauf an, dass die für die Zeitmessungen verwendeten Uhren hochgenau synchronisiert sind. Bei diesem System müssen sogar relativistische Effekte einkalkuliert werden. Bei der Odometrie kommt es auch darauf an, dass der Reifenumfang sehr genau bestimmt wird, d.h. es kommt auch auf den Reifenabrieb und -luftdruck an. Messfehler sind also unvermeidlich und müssen mit einkalkuliert werden.
Für die folgende theoretische Betrachtung wird daher im Rahmen dieser Offenbarung von folgender Fehlercharakteristik ausgegangen: Dabei wird angenommen, dass sich eine Positionsmessung z_i bestehend aus den x, y-Koordinaten und der Bewegungsrichtung ihrer „wahren“ Position p_i und einem Messfehler ∈_i zusammensetzt: Die Gleichung (1) gibt den autokorrelierten Positionsmesswert $z_{i}^{a}$
an. $z_{i}^{a} = p_{i} + ε_{i}^{a} .$
Für den autokorrelierten Messfehler ∈^a gilt, dass er nicht zu jedem Zeitpunkt komplett zufällig ist, sondern dass er sich nach einem autoregressiven Model 1. Ordnung (AR(1)) verhält: $\begin{matrix} ε_{i}^{a} = ϕ ε_{i - 1}^{a} + v_{i}^{a}, & v_{i}^{a} \sim N (0, Σ_{v}) . \end{matrix}$
Hierbei bezeichnet ϕ(es gilt |ϕ| < 1) den Autokorrelationskoeffizienten. Der Fehler der i-ten Positionsmessung hängt also auch von dem vorherigen Positionsfehler $ε_{i - 1}^{a}$
ab. Zusätzlich gibt es einen Term $v_{i}^{a},$
der einen zufälligen Fehler zu dem korrelierten Fehler hinzufügt. Die Größenordnung dieses Fehlerterms wird durch seine Kovarianz-Matrix Σ_v beschrieben. Die Kovarianz-Matrix bezeichnet dabei die räumliche Ungenauigkeit, v_i,d des d-ten Vektoreintrages der i-ten Positionsmessung und Cov(·,·) die Kovarianz der beiden Funktionsargumente. $\sum_{v} = [\begin{matrix} C o v (v_{i,1}, v_{i,1}) & \dots & C o v (v_{i,1}, v_{i, d}) \\ ⋮ & ⋱ & ⋮ \\ C o v (v_{i, d}, v_{i,1}) & \dots & C o v (v_{i, d}, v_{i, d}) \end{matrix}]$
Das Ziel der Messwerteverarbeitung besteht nun darin den genauen Verlauf des Fehlers über die verschiedenen Positionsmessungen anzugeben. Aus den Messwerten können dann die zugehörigen wahren Positionen berechnet werden. Die wahren Positionen werden im Rahmen einer Ausgleichsrechnung durch die berechnete Ausgleichstrajektorie angegeben. Dafür werden Algorithmen der statistischen Auswertung von Messergebnissen eingesetzt. Bei vielen dieser Algorithmen wird allerdings die Annahme getroffen, dass sich die Fehler wie weißes Rauschen verhalten, was in der Realität jedoch selten der Fall ist.
Eine Methode, um mit autokorrelierten Fehlercharakteristiken umzugehen, besteht darin die Messfehler nach Gleichung (1) zu „dekorrelieren“. Diesbezüglich wird auf eine Voranmeldung der Patentanmelderin, Bezug genommen. Die Voranmeldung hat die Anmeldenummer DE 10 2016 222 272 A1 . Diese Form der Dekorrelation benötigt eine zweite, unkorrelierte Quelle an Positionsmessungen, also z.B. Odometrie und Positionsmessung mit GPS-Modul.
Da nicht in allen Fahrsituationen eine solche zweite Quelle zur Verfügung steht, werden hier zwei neuartige Methoden vorgestellt, die Messfehler nach Gleichung (1) in das Modell der Ortungsfusion gemäß DE 10 2015 219 577.5 zu integrieren und so die Schätzung der Unsicherheit zu verbessern.
Zunächst geht es darum den Autokorrelationskoeffizienten ϕ genauer zu bestimmen.
In folgenden Abschnitt wird dann ein diskretes Autokorrelationsmodell der Ordnung 1 für die Positionsfehlerbestimmung der Messungen $z_{i}^{a}$
beschrieben (vgl. Gleichung (2)).
Wie die Bestimmung des Autokorrelationskoeffizienten im Detail funktioniert, steht dabei hier nicht im Fokus. Dafür kann auf bekannte Methoden der Literatur zurückgegriffen werden. Ein Beispiel zur Offline-Bestimmung des Modells wird hier erwähnt; als Alternative können andere Offline- oder Online-Methoden zur Bestimmung des Autokorrelationskoeffizienten genutzt werden. Für die beiden Methoden gemäß der Offenbarung ist es Voraussetzung, den Autokorrelationskoeffizienten ϕ für jede Quelle der Positionsmessungen bestimmt zu haben.
Durch Autokorrelationsanalyse kann der Korrelationskoeffizient bestimmt werden. In einem Offline-Verfahren wird dazu ein Datensatz mit Positionsmessungen $z_{i}^{a}$
aufgezeichnet. Außerdem wird zusätzlich im gleichen Zeitraum ein Datensatz mit Referenzpositionsmessungen aufgezeichnet. Diese können zum Beispiel durch Referenzsensorik, beispielsweise Referenz-GPS-Einheiten, gemessen werden. Es genügt, wenn diese Referenzsensorik während der Entwicklung bzw. im Labor verfügbar ist, sie muss danach hinterher nicht in jedem Fahrzeug verbaut sein. Der Fehler $ε_{i}^{a}$
wird nun zu jedem Zeitpunkt über die Differenz der Referenzpositionsmessungen und $z_{i}^{a}$
aus Gleichung (1) bestimmt. Dies ergibt eine zeitliche Abfolge des Positionsfehlers. Anschließend wird die partielle Autokorrelationsfunktion von $ε_{i}^{a}$
analysiert. Daraus ergeben sich dann direkt die Korrelationskoeffizienten. Eine Möglichkeit, die partielle Autokorrelationsfunktion zu bestimmen, ist z.B. die Benutzung der Yule-Walker-Gleichungen. Zusätzlich kann kontrolliert werden, ob die Messfehler tatsächlich durch ein autoregressives Modell erster Ordnung approximiert werden können, indem überprüft wird, ob die Korrelationskoeffizienten höherer Ordnung signifikant von Null abweichen oder nicht. Für den Autokorrelationskoeffizienten gilt die Bedingung |ϕ| < 1. Für die meisten Sensoren gilt, dass der Wert zwischen Null und Eins liegt. Negative Korrelationswert sind möglich, aber äußert ungewöhnlich, weil sie bedeuten, dass mehrere Messungen insgesamt mehr Informationsgehalt haben als die Summe der Informationsgehalte der Einzelmessungen. Würde man zwei Messungen durchführen, hätte man bei der zweiten Messung (unter Kenntnis der ersten Messung) mehr Information gewonnen als nur durch die zweite Messung alleine. Ein Korrelationswert von ϕ = 0 bedeutet, dass die Werte unkorreliert sind, also, dass die Unsicherheit des aktuellen Messwertes nicht von der Unsicherheit des vorhergehenden Messwertes beeinflusst wird. Ein Korrelationswert von ϕ= 1 bedeutet, dass die Messungen maximal korreliert sind, man also, durch mehrfache Messungen überhaupt keine Zusatzinformation bekommt.
Für eine effiziente Lösung des Optimierungsproblems der Ortungsfusion ist es vorteilhaft, die sogenannte „System-Matrix“ so dünn besetzt wie möglich zu halten. Diese System-Matrix ist ein integraler Bestandteil für die zugrundeliegende Optimierung der Ortungsfusion. Die System-Matrix ist ausschlaggebend für die Lösung des Optimierungsproblems. Ähnlich wie zur Lösung linearer Gleichungssysteme die Koeffizienten-Matrix aufgestellt wird und analysiert wird um die Lösungsmenge des linearer Gleichungssystems zu finden, wird die System-Matrix mit numerischen Verfahren ausgewertet um das Optimierungsproblem bezüglich der Berechnung der Ausgleichstrajektorie durch die Menge an Positionsmessungen zu lösen. Diese numerischen Verfahren sind bekannt und werden im Folgenden nicht näher betrachtet. Beispiele für diese numerischen Verfahren sind das Gauss-Newton-Verfahren oder Levenberg-Marquardt-Verfahren.
Im Folgenden werden die beiden neuartigen Methoden erläutert, um autokorrelierte Messfehler konsistent zu fusionieren:

1. Durch explizites Modellieren der korrelierten Messfehler. Dabei wird die tri-diagonale Struktur der System-Matrix beeinflusst, was zu einem erhöhten Aufwand für die Berechnung der Lösung führt.
2. Durch Skalieren der Kovarianz-Matrizen, in der Art, dass die tri-diagonale Struktur der System-Matrix erhalten bleibt und die Kovarianz der fusionierten Positionsschätzung jedoch die Korrelation der Messfehler widerspiegelt.

Es sind beide Ansätze möglich, um autokorrelierte Positionsmessungen im Kontext der Ortungsfusion zu integrieren. Wir schlagen die zweite Methode als präferierte Lösung vor, da sie sowohl in der Lage ist, autokorrelierte Fehler sinnvoll zu fusionieren, als auch die Komplexität des grundlegenden Optimierungsproblems nicht erhöht.
Wie in allen Graphen-basierten Optimierungen, lässt sich die globale Fehlerfunktion als quadratische Form schreiben, $F (x) = e {(x | z)}^{T} Ω e (x | z),$
wobei Ω die inverse gemeinsame Kovarianz-Matrix (auch Informations- oder Gewichtungsmatrix genannt) für alle Messungen beschreibt und die Residuen in einem Vektor zusammengefasst werden: $e (x | z) = {[e_{1} {(x {| z}_{1})}^{T} \dots e_{M} {(x {| z}_{M})}^{T}]}^{T},$
Für den Fall von unkorrelierten Messungen, hat die gemeinsame Kovarianz-Matrix eine Block-diagonale Struktur: $Ω= Ω^{w} = [\begin{matrix} Ω_{1} \\ ⋱ \\ Ω_{M} \end{matrix}],$
wobei hier davon ausgegangen wird, dass alle Messungen die gleiche Unsicherheit haben (Ω₁ = Ω₂ = ... = Ω_M). Der Vorteil bei der Annahme von weißen Messrauschen ist, dass sich die Block-diagonale Struktur der Kovarianz-Matrix positiv auf das Optimierungsproblem auswirkt. Mit dieser dünnbesetzten Struktur, lässt sich die Optimierung schneller berechnen. Es wird hier also zwischen der Genauigkeit der Modellierung und der Lösungsgeschwindigkeit des Optimierungsproblems abgewogen. Bis heute werden auch autokorrelierte Positionsmessungen nach diesem Prinzip fusioniert, obwohl dies zu suboptimalen Lösungen führen kann. Soweit der übliche Ansatz um autokorrelierte Positionsmessungen zu korrelieren. Dieser Ansatz ist aber mit den Nachteilen behaftet wie zuvor erwähnt.
Im Folgenden wird nun die erste Methode der beiden neuen Ansätze vorgestellt. In vielen Anwendungen ist es von größerer Bedeutung, den Messfehler richtig abzubilden, da eine Vernachlässigung zu sogenannter inkonsistenter Kovarianzschätzung führen kann. In diesem Kontext bedeutet „inkonsistent“, dass die geschätzte Kovarianz deutlich kleiner als die wahre Kovarianz ist. Daher wird in einem ersten Schritt präsentiert, wie man autokorrelierte Messfehler in eine globale Fehlerfunktion (vgl. Gleichung (4)) integrieren kann. Gleichung (6) beschreibt die inverse gemeinsame Kovarianz-Matrix Ω = Σ^-1 von unkorrelierten Messungen. Die Invertierung von Σ ist im Fall von unkorrelierten Messungen einfach, da auch diese lediglich eine Block-diagonale Struktur aufzeigt. Im Fall von autokorrelierten Fehlern, ist dies allerdings nicht einfach möglich. Angenommen die Messfehler werden durch ein autoregressives Model 1. Ordnung (vgl. Gleichung (2)) beschrieben, dann ist die gemeinsame Kovarianz-Matrix $Σ^{A R (1)} = \frac{1}{1 - ϕ^{2}} [\begin{matrix} Σ_{v} \\ ⋱ \\ Σ_{v} \end{matrix}] [\begin{matrix} 1 & ϕ 1 & ϕ^{2} 1 \dots & ϕ^{M - 1} 1 \\ ϕ 1 & 1 & ⋮ \\ ϕ^{2} 1 & ⋱ & ϕ^{2} 1 \\ ⋮ & 1 & ϕ 1 \\ ϕ^{M - 1} 1 & \dots & ϕ^{2} 1 & ϕ 1 & 1 \end{matrix}]$
wobei ϕ der Autokorrelationskoeffizient, Σ_v die Kovarianz des unabhängigen Fehlerterms aus Gleichung (2), und 1 die Einheitsmatrix ist. Obwohl diese Matrix voll besetzt ist, weist die Inverse lediglich eine dünnbesetzte (tri-diagonale) Struktur auf. Neben Elementen auf der Hauptdiagonalen, sind lediglich die Einträge auf den ersten beiden Nebendiagonalen nicht gleich Null: $Ω^{A R (1)} = {(Σ^{A R (1)})}^{- 1} = [\begin{matrix} 1 & - ϕ 1 \\ - ϕ 1 & (1 + ϕ^{2}) 1 & - ϕ 1 \\ - ϕ 1 & ⋱ \\ ϕ^{2} 1 \\ (1 + ϕ^{2}) 1 & - ϕ 1 \\ - ϕ 1 & 1 \end{matrix}] [\begin{matrix} Σ_{v}^{- 1} \\ ⋱ \\ Σ_{v}^{- 1} \end{matrix}]$
Mit der expliziten Form aus Gleichung (8) kann nun die globale Fehlerfunktion (4) um autokorrelierte Fehler erweitert werden.
Im Folgenden geht es jetzt noch um die Erläuterung der zweiten neuartigen Methodik um autokorrelierte Fehler in die Ortungsfusion konsistent zu integrieren. Dabei wird dieser Vorschlag gegen eine ähnliche bekannte (jedoch sub-optimale) Methodik abgegrenzt. Wie oben angesprochen, ist das Problem bei der expliziten Modellierung von autokorrelierten Messfehlern, dass das zugrundeliegende Optimierungsproblem aufwendiger wird. Eine andere Methodik um korrelierte Messdaten zu betrachten besteht darin, die Unsicherheit künstlich zu vergrößern. Ein prominentes Beispiel ist der sogenannte „Covariance Intersection“-Algorithmus (CI). Angenommen wir haben MMessungen, deren Korrelationsverhalten wir nicht kennen, besagt der CI- Algorithmus, dass die Kovarianz-Matrix jeder Messung um den Faktor Mskaliert wird, $\sum_{i}^{C I} = M Σ_{i}$
Diesbezüglich wird noch auf den bereits genannten Artikel von Simon J. Julier verwiesen, in dem nähere Informationen zu diesem Ansatz zu finden sind.
Von einer Informations-theoretischen Seite betrachtet bedeutet Gleichung (9), dass nur der Informationsgehalt von einer einzelnen Messung für die Fusion in Betracht gezogen wird. Aufgrund dieser Skalierung ist es garantiert, dass die geschätzte Kovarianz der fusionierten Pose nicht kleiner sein wird als die wahre Kovarianz. Nun ist allerdings das Problem, dass die geschätzte Unsicherheit deutlich zu konservativ ist.
Man beachte, dass durch alleinige Skalierung der Kovarianzmatrizen der Eingangsdaten eine konsistente Schätzung erreicht wurde, ohne jedoch dabei das zugrundeliegende Optimierungsproblem komplizierter zu machen. Aus dieser Argumentation heraus motivieren wir den zweiten Ansatz, der in dieser Erfindungsmeldung präsentiert wird.
Anstatt die Kovarianzmatrizen der Eingangsdaten mit der Anzahl der Messungen zu skalieren (vgl. Gleichung (9)), schlagen wir offenbarungsgemäß folgenden Skalierungsfaktor vor: $\begin{matrix} {\tilde{Σ}}_{i} = \frac{M}{K_{M (Φ)}} Σ_{i} & mit K_{M} (ϕ) = \frac{M - (M - 2) ϕ}{1 + ϕ} \end{matrix}$
wobei der Korrelationskoeffizient ϕ aus den Eingangsdaten bestimmt wurde (vgl. Abschnitt 2.2). Die Idee hinter diesem Faktor ist die folgende: Anstatt die Korrelation explizit zu modellieren, um das Optimierungsproblem nicht komplizierter zu machen, skalieren wir die Kovarianzen der Posenschätzungen. Dabei wollen wir aber nicht zu konservativ schätzen, wie es der Cl-Algorithmus tut, sondern möglichst nah an der wahren Unsicherheit der fusionierten Positionsschätzung liegen. Der Faktor aus Gleichung (10) garantiert eine optimale und konsistente Kovarianzschätzung unter der Annahme, dass sich die Messfehler nach Gleichung (1) verhalten. Dies liegt darin begründet, dass die Skalierung eine Unsicherheitsschätzung der fusionierten Schätzgrößen ermöglicht, so dass diese die Fisher-Information abbilden. Diese wiederum erlaubt Aussagen über die theoretische bestmögliche Qualität von Parameterschätzungen zu treffen. Durch die Wahl der Skalierung mit dem Faktor nach Gleichung (10) wird exakt die Fisher-Information abgebildet, so dass die Unsicherheitsschätzung der fusionierten Schätzgrößen exakt die Cramer-Rao untere Grenze beschreibt. Wenn der Fehler der Schätzgrößen sich also exakt mittels eines autokorrelierten Models erster Ordnung beschreiben lässt, bildet diese Skalierung exakt die beste Unsicherheitsschätzung ab, die ein optimaler Schätzer erreichen kann.
4 zeigt noch ein Flussdiagramm für ein Programm, das von der Recheneinheit eines Sensor-Moduls zu dem Zweck der Datenfusion nach der Methode des Modellierens der korrelierten Messfehler abgearbeitet wird. Der Programmstart ist mit Bezugszahl 200 bezeichnet. Im Programmschritt 210 findet die Erfassung von Sensordaten statt. Das GPS-Modul liefert beispielsweise die absolute Pose des Fahrzeuges 30 bestehend aus Position und Orientierung für den i-ten Messvorgang. Die Messwerte sind natürlich mit Fehler behaftet. Mehrere aufeinanderfolgende Messwerte werden gesammelt und zu einem Datensatz zusammengestellt.
Im Programmschritt 220 findet eine Berechnung des Autokorrelationskoeffizienten ϕ statt. Dies geschieht mit den Rechenmethoden, wie zuvor beschrieben.
Im Programmschritt 230 erfolgt eine Berechnung der inversen gemeinsamen Kovarianz-Matrix nach Gleichung (8).
Im Programmschritt 240 erfolgt die Berechnung der globalen Fehlerfunktion nach Gleichung (4).
Dann wird die Rechenmethode der kleinsten Fehlerquadrate eingesetzt um die optimale Ausgleichstrajektorie für den Datensatz zu berechnen. Als Ergebnis werden die genauen Positionsdaten für das Fahrzeug zu den Messwerten im Datensatz geliefert. Ebenfalls wird zu den Positionsdaten auch die jeweilige Ungenauigkeit der Positionsangabe geliefert.
Das Programm endet im Programmschritt 260.
5 zeigt noch ein Flussdiagramm für ein Programm, das von der Recheneinheit eines Sensor-Moduls zu dem Zweck der Datenfusion nach der Methode des Skalierens der Kovarianz-Matrizen abgearbeitet wird. Der Programmstart ist mit Bezugszahl 300 bezeichnet. Im Programmschritt 310 findet wieder die Erfassung von Sensordaten statt wie im Programmschritt 210.
Im Programmschritt 320 findet eine Berechnung des Autokorrelationskoeffizienten ϕ statt. Dies geschieht genauso wie im Programmschritt 220.
Im Programmschritt 330 erfolgt eine Berechnung der Kovarianz-Matrizen für die einzelnen i-ten Messungen nach Gleichung (3).
Im Programmschritt 340 erfolgt die Skalierung der Kovarianz-Matrizen nach Gleichung (10). Hier erfolgt zunächst die Berechnung des Skalierungsfaktors, der dann auf die einzelnen Kovarianz-Matrizen angewendet wird. Die Vorverarbeitung des Datensatzes ist damit schon abgeschlossen.
Im Programmschritt 350 wird die Systemmatrix aufgestellt.
Im Programmschritt 360 erfolgt die Lösung des Optimierungsproblems mit Hilfe der Systemmatrix. Als Ergebnis werden wieder die genauen Positionsdaten mit der Angabe der Ungenauigkeit für das Fahrzeug zu den Messwerten im Datensatz geliefert.
Das Programm endet im Programmschritt 370.
Alle hierin erwähnten Beispiele wie auch bedingte Formulierungen sind ohne Einschränkung auf solche speziell angeführten Beispiele zu verstehen. So wird es zum Beispiel von Fachleuten anerkannt, dass das hier dargestellte Blockdiagramm eine konzeptionelle Ansicht einer beispielhaften Schaltungsanordnung darstellt. In ähnlicher Weise ist zu erkennen, dass ein dargestelltes Flussdiagramm, Zustandsübergangsdiagramm, Pseudocode und dergleichen verschiedene Varianten zur Darstellung von Prozessen darstellen, die im Wesentlichen in computerlesbaren Medien gespeichert und somit von einem Computer oder Prozessor ausgeführt werden können.
Es sollte verstanden werden, dass das vorgeschlagene Verfahren und die zugehörigen Vorrichtungen in verschiedenen Formen von Hardware, Software, Firmware, Spezialprozessoren oder einer Kombination davon implementiert werden können. Spezialprozessoren können anwendungsspezifische integrierte Schaltungen (ASICs), Reduced Instruction Set Computer (RISC) und / oder Field Programmable Gate Arrays (FPGAs) umfassen. Vorzugsweise wird das vorgeschlagene Verfahren und die Vorrichtung als eine Kombination von Hardware und Software implementiert. Die Software wird vorzugsweise als ein Anwendungsprogramm auf einer Programmspeichervorrichtung installiert. Typischerweise handelt es sich um eine Maschine auf Basis einer Computerplattform die Hardware aufweist, wie beispielsweise eine oder mehrere Zentraleinheiten (CPU), einen Direktzugriffsspeicher (RAM) und eine oder mehrere Eingabe/Ausgabe (I/O) Schnittstelle(n). Auf der Computerplattform wird typischerweise außerdem ein Betriebssystem installiert. Die verschiedenen Prozesse und Funktionen, die hier beschrieben wurden, können Teil des Anwendungsprogramms sein, oder ein Teil der über das Betriebssystem ausgeführt wird.
Die Offenbarung ist nicht auf die hier beschriebenen Ausführungsbeispiele beschränkt. Es gibt Raum für verschiedene Anpassungen und Modifikationen, die der Fachmann aufgrund seines Fachwissens als auch zu der Offenbarung zugehörend in Betracht ziehen würde.
Die Anwendungsmöglichkeiten für die beschriebenen Methoden sind nicht auf den Einsatz im Kraftfahrzeug beschränkt. Es kommt auch in anderen Gebieten auf die genaue Ermittlung der Positionen an. Als Beispiele werden genannt Flugzeuge und Drohnen, wie auch die Gebiete der mobilen Robotik in vielfältigen Bereichen. Selbst für Unterwasserroboter können die Verfahren eingesetzt werden. Hier wäre ein Ortungssensor z.B. auch ein Sonar-Gerät.
Aber selbst damit sind die Anwendungsbereiche noch nicht erschöpft. Die Vorschläge lassen sich nicht nur für die Ermittlung von Positionsdaten einsetzen. Es können auch beliebige andere Sensor-Messwerte wie Einspritzdruck, Lenkwinkelstellung, Drosselklappenstellung, Raddrehzahlwerte, Reifendruckwerte, Temperaturwerte, Luftdruckwerte, Beschleunigungswerte, Feldstärke, Strahlungsstärke, usw. in dieser Form verarbeitet werden.
Bezugszeichenliste

10: Internet
20: Basisstation
30: Mobilfunknetz-Teilnehmerstation
31: Mobilfunknetz-Kommunikationsmodul
40: Evolved Packet Core EPC
50: Verkehrsleit-Zentralrechner
100: Blockdiagramm Fahrzeug-Elektronik
102: Highspeed CAN-Bus
105: Lidar-Sensor
104: CAN-Bus
110: On-Board Unit
120: Navigationssystem
130: Benutzerschnittstellenanordnung
140: Gateway
151: Motor-Steuergerät
152: ESP-Steuergerät
153: ABS-Steuergerät
161: Sensor 1
162: Sensor 2
163: Sensor 3
200: Programmstart
210: Sensordatenerfassung
220: Berechnung des Autokorrelationskoeffizienten
230: Berechnung der inversen gemeinsame Kovarianz-Matrix
240: Berechnung der globalen Fehlerfunktion
250: Berechnung der Ausgleichstrajektorie
260: Programmende
300: Programmstart
310: Sensordatenerfassung
320: Berechnung des Autokorrelationskoeffizienten
330: Berechnung der Kovarianz-Matrizen
340: Skalierung der Kovarianz-Matrizen
350: Aufstellen der Systemmatrix
360: Berechnung der Ausgleichstrajektorie
370: Programmende

Claims

Verfahren zur Positionsbestimmung für ein Fahrzeug, bei dem - zur Messung der Fahrzeugposition mittels mehrerer Sensoren Sensordaten mit autokorrelierten Messfehlern erfasst (310) und in einer Datenfusion zu einem Datensatz kombiniert werden; - ein Autokorrelationskoeffizient ϕ für den Datensatz bestimmt wird (320); - jeweils zu einer Messung i eine Kovarianz-Matrix Σ_i bestimmt wird (330); - die jeweilige Kovarianz-Matrix Σ_i gemäß: ${\tilde{Σ}}_{i} = \frac{M}{K_{M (Φ)}} Σ_{i}$
skaliert (340) wird, wobei der von dem Autokorrelationskoeffizienten ϕ und der Anzahl der Messungen Mabgeleitete Wert K_M(ϕ) die folgende Form hat: $K_{M} (ϕ) = \frac{M - (M - 2) ϕ}{1 + ϕ}, und$
- basierend auf dem Datensatz und den skalierten Kovarianz-Matrizen Positionsdaten für das Fahrzeug mit einer Schätzung der Ungenauigkeit der Positionsbestimmung ermittelt werden.
Verfahren nach Anspruch 1, wobei die Sensordaten von einem GPS-Modul, einem Odometrie-Modul, einem LIDAR-Modul, RADAR-Modul, einer Video-Kamera und/oder einem ESP-Modul des Fahrzeugs erfasst werden.
Recheneinheit, die ausgelegt ist, ein Verfahren nach Anspruch 1 oder 2 auszuführen.
Fahrzeug (39), in dem eine Recheneinheit nach Anspruch 3 verbaut ist.
Computerprogramm, das Programmschritte aufweist, die bei Abarbeitung in einer Recheneinheit ein Verfahren nach Anspruch 1 oder 2 durchführen.