DE102017113635A1 - Klassifikation und Lokalisation eines Objektes durch eine Lidar-Sensorvorrichtung eines Kraftfahrzeugs - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zum Betreiben einer Lidar-Sensorvorrichtung (2) eines Kraftfahrzeugs (1), bei welchem einem Objekt (O, O, O) in einer Umgebung (3) der Lidar-Sensorvorrichtung (2) mehrere Intensitäten (I) in Form einer Intensitätsverteilung zugeordnet werden, und eine jeweilige Winkel-Charakteristik (R,Γ) mit einer deterministischen Komponente (R,Γ) und mit einer stochastischen Komponente in einer Recheneinheit (5) der Lidar-Sensorvorrichtung (2) für mehreren Objektklassen hinterlegt wird, wobei die deterministische Komponente (,) einen jeweiligen deterministischen Einfluss von zumindest einem Referenz-Objekt (O, O, O) der jeweiligen Objektklasse in der abgetasteten Umgebung (3) auf die Intensitätsverteilung repräsentiert, und wobei die stochastische Komponente mit einer Wahrscheinlichkeitsdichtefunktion hinterlegt wird, welche einen stochastischen Einfluss auf die Intensitätsverteilung repräsentiert; und bei welchem das Objekt (O, O, O) anhand der zugeordneten Intensitätsverteilung als zu derjenigen Objektklasse zugehörig klassifiziert wird, für welche ein Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken (R,Γ) mit der hinterlegten Wahrscheinlichkeitsdichtefunktion die größte Zugehörigkeitswahrscheinlichkeit liefert, und bei welchem das Objekt (O, O, O) anhand der zugeordneten Intensitätsverteilung als an derjenigen Position (r, θ) lokalisiert wird, für welche der Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken (R,Γ) mit der hinterlegte Wahrscheinlichkeitsdichtefunktion die größte Aufenthaltswahrscheinlichkeit liefert, um die Klassifikation von Objekten (O, O, O) durch die Lidar-Sensorvorrichtung (2) in einem Kraftfahrzeug (1) zu verbessern.

Description

• Die Erfindung betrifft ein Verfahren zum Betreiben einer Lidar-Sensorvorrichtung eines Kraftfahrzeugs mit einem a) Abtasten einer Umgebung der Lidar-Sensorvorrichtung mit einem Abtast-Licht der Lidar-Sensorvorrichtung; einem b) Erfassen mehrerer von einem Objekt in der Umgebung reflektierten Lichtanteile des Abtast-Lichts durch eine Sensoreinheit der Lidar-Sensorvorrichtung für mehrere jeweilige Messwinkel mit einer jeweiligen Intensität; einem c) jeweiligen Zuordnen der erfassten Intensität und einer berechneten Entfernung der Lidar-Sensorvorrichtung von dem Objekt zu den Messwinkeln durch eine Recheneinheit der Lidar-Sensorvorrichtung; und einem d) Zuordnen mehrerer Intensitäten in Form einer Intensitätsverteilung zu dem Objekt. Sie betrifft auch eine Lidar-Sensorvorrichtung für ein Kraftfahrzeug, welche ausgebildet ist, eine Umgebung der Lidar-Sensorvorrichtung mit einem Abtast-Licht abzutasten, mit einer Sensoreinheit, welche ausgebildet ist, mehrere von einem Objekt in der Umgebung reflektierten Lichtanteile des Abtast-Lichts für mehrere jeweilige Messwinkel mit einer jeweiligen Intensität zu erfassen; und mit einer Recheneinheit, welche ausgebildet ist, zu den Messwinkeln jeweils die erfasste Intensität und eine berechnete Entfernung der Lidar-Sensorvorrichtung von dem Objekt zuzuordnen sowie mehrere Intensitäten in Form einer Intensitätsverteilung wiederum dem Objekt zuzuordnen.
• Unter einer Lidar-Sensorvorrichtung (Light Detection and Ranging-Vorrichtung, Vorrichtung zur optischen Abstands- und/oder Geschwindigkeitsmessung) für eine Kraftfahrzeug kann hier und im Folgenden jegliche optoelektronische Sensorvorrichtung für ein Kraftfahrzeug verstanden werden, welche einen oder mehrere Emitter zum Erzeugen und Abstrahlen zumindest eines Lichtstrahls (also eines oder mehrerer Lichtstrahlen) aufweist, mit dem oder denen als Abtast-Licht eine Umgebung der Sensorvorrichtung abtastbar ist, und welche eine entsprechende Sensoreinheit aufweist, welche für mehrere verschiedene Messwinkel, also ortaufgelöst, die reflektierten Lichtanteile des Lichtstrahls erfasst. Derartige Sensorvorrichtungen können beispielsweise Mehrfachstrahl-Intensitäts-Mess-Sensorvorrichtungen (multi-beam intensity measurement based sensor) umfassen oder sein. Dabei kann die Umgebung durch den Lichtstrahl seriell, also Punkt für Punkt nacheinander, oder parallel, also beispielsweise großflächig durch einen Blitz, abgetastet werden. Die Beobachtung der Sensorvorrichtung, also die erfassten reflektierten Lichtanteile des Abtast-Lichts, werden dabei üblicherweise in Paaren einer jeweiligen Entfernung d_i und einer jeweiligen Intensität I_i für jeden Messwinkel α_i angegeben. Diese Paare bilden einen sogenannten Beobachtungsvektor, dessen Einträge jeweils einem Messkanal i zugeordnet sind. Dabei kann ein Messwinkel α_i mehreren verschiedenen Messkanälen zugeordnet sein und entsprechend für den einen Messwinkel α_i mehrere jeweilige Entfernungen d_i und jeweilige Intensitäten I_i erfasst beziehungsweise berechnet werden.
• In diesem Zusammenhang ist beispielsweise aus der DE 10 2004 003 870 A1 ein Verfahren zur Klassifizierung von Objekten bekannt, bei welchem Objekte in einem Erfassungsbereich eines Sensors für elektromagnetische Strahlung auf Basis eines von dem Sensor erfassten Abstandsbildes klassifiziert werden. Dabei wird auch eine von der Energie des Echopulses abhängig Echopulseigenschaft berücksichtigt, beispielsweise eine Pulshöhe des jeweiligen Echopulses. Für die Echopulseigenschaft kann hier auch ein Referenzverlauf vorgegeben sein.
• Es stellt sich somit die Aufgabe, die Klassifikation von Objekten durch eine Lidar-Sensorvorrichtung in einem Kraftfahrzeug zu verbessern.
• Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen ergeben sich aus den abhängigen Patentansprüchen, der Beschreibung und den Figuren.
• Der Schlüsselgedanke ist hier, ein Objekt O über eine Winkel-Charakteristik (R_O(α);Γ_O(α)) zu definieren, die für einen gegebenen Messwinkel α_i einem Paar aus berechneter Entfernung d_i und erfasster Intensität I_i entspricht. Diese Winkel-Charakteristik kann durch eine Objektklasse K des Objektes, einen Typ des Objektes, und eine Position (r, θ) des Objektes parametrisiert werden. Die Position kann auch als Relativposition (zu einer Sensorvorrichtung) bezeichnet werden. Das Objekt O (K, r, θ) befindet sich dabei in den Polarkoordinaten auf der Position (r, θ) und gehört zu der Objektklasse K. Die Winkel-Charakteristik kann dann genutzt werden, um die Sensorvorrichtung inklusive ihres Einflusses auf die Messung über eine Wahrscheinlichkeitsfunktion zu modellieren, das Objekt zu lokalisieren, das heißt seine Position (relativ zu der Sensorvorrichtung oder einer Sensoreinheit der Sensorvorrichtung) abzuschätzen, sowie das Objekt zu klassifizieren. Gerade der erste dieser drei Punkte, das Modellieren des Einflusses der Sensorvorrichtung auf die Messung, kann in bekannten Systemen nur schwerlich umgesetzt werden.
• Ein Ziel des im Folgenden im Rahmen des Verfahrens beschriebenen Modells ist somit ein Verhalten der Lidar-Sensorvorrichtung zu beschreiben. Das bedeutet, dass das Modell zuverlässig die Beobachtung der Sensorvorrichtung als Funktion einer realen Szene vorsagen können soll. Diese Funktion kann genutzt werden, um reale Messungen mit der Sensorvorrichtung und deren Verarbeitung durch Simulationen zu ersetzen, sowie um grundsätzliche Begrenzungen der Sensorvorrichtung, die beispielsweise durch den Crammer-Rao Grenzwert vorgegeben werden, zu ermitteln.
• Die Erfindung betrifft nun ein Verfahren zum Betreiben einer Lidar-Sensorvorrichtung eines Kraftfahrzeugs mit einer Reihe von Verfahrensschritten. Die Lidar-Sensorvorrichtung kann im Folgenden der Einfachheit halber auch als „Sensorvorrichtung“ bezeichnet werden. Ein erster Schritt ist hier ein Abtasten einer Umgebung der Lidar-Sensorvorrichtung mit einem Abtast-Licht, beispielsweise einem oder mehreren Lichtstrahlen oder Laserstrahlen, der Lidar-Sensorvorrichtung. Das Abtast-Licht kann somit einen oder mehrere Lichtstrahlen umfassen, die von einem oder mehreren Emittern in die Umgebung der Lidar-Sensorvorrichtung abgestrahlt werden. Dabei kann die Umgebung abgetastet werden, indem beispielsweise ein Lichtstrahl die Umgebung seriell abfährt und so seriell eine Vielzahl von Messwinkeln αi abfährt oder indem eine Vielzahl von Lichtstrahlen zeitlich parallel die Vielzahl an Messwinkeln αi abtastet. Ein weiterer Verfahrensschritt ist ein Erfassen mehrerer von einem Objekt in der Umgebung reflektierten Lichtanteile des Abtast-Lichts durch eine Sensoreinheit der Lidar-Sensorvorrichtung für mehrere jeweilige Messwinkel α_i mit einer jeweiligen Intensität I_i des reflektierten Lichtanteils. Es werden somit durch die Sensoreinheit mehrere Lichtanteile erfasst, das heißt für jeden Messwinkel α_i zumindest ein reflektierter Lichtanteil. Es können somit grundsätzlich auch für einen Messwinkel α_i mehrere unterschiedliche Intensitäten I_i erfasst werden. Beispielsweise kann die Lidar-Sensorvorrichtung so 16 Messkanäle i, welchen unterschiedliche Messwinkel αi zugeordnet sind aufweisen und für eine vorgegebene Szene beispielsweise in sechs der 16 Messwinkel ein reflektierter Lichtanteil erfasst werden.
• Ein weiterer Verfahrensschritt ist ein jeweiliges Zuordnen der erfassten Intensität I_i und einer aus dem jeweiligen reflektierten Lichtanteil berechneten Entfernung d_i der Lidar-Sensorvorrichtung oder der Sensoreinheit von dem Objekt, an dem der jeweilige Lichtanteil reflektiert wurde, zu den Messwinkeln durch eine Recheneinheit der Lidar-Sensorvorrichtung. Die Entfernung d_i ist dabei wie bekannt aus einer Laufzeit des Abtast-Lichtes und des erfassten reflektierten Lichtanteils berechenbar. Jedem Messwinkel α_i wird somit eine Intensität I_i und eine Entfernung d_i zugeordnet. Daher kann die Beobachtung der Sensorvorrichtung durch den Beobachtungsvektor A= [.., (d_i, I_i),..] repräsentiert werden. Den Sensor- oder Messkanälen i ist dabei entsprechend der jeweilige Messwinkel α_i zugeordnet. In den jeweiligen Messkanälen i, in denen ein reflektierter Lichtanteil erfasst wurde, ist nun die Entfernung d_i und die Intensität I_i ungleich 0, im oben genannten Beispiel also für sechs der 16 Messwinkel α_i. Wird in einem Messkanal i für einen Messwinkel α_i kein reflektierter Lichtanteil erfasst, ist die entsprechende Intensität I_i gleich 0 oder nicht definiert und eine zugehörige Entfernung d_i unendlich oder nicht definiert. Dies ist im genannten Beispiel für die restlichen zehn Messwinkel α_i der Fall. Um den Beobachtungsvektor A formal zu definieren, auch wenn in einem jeweiligen Kanal oder Lichtstrahl i keine Intensität erfasst wird, wird in diesem Fall 0 für die detektierte Intensität und beispielsweise ein sehr großer endlicher Wert für die Entfernung angenommen.
• Ein weiterer Verfahrensschritt ist ein Zuordnen mehrerer Intensitäten in Form einer Intensitätsverteilung zu dem Objekt durch die Recheneinheit. Entsprechend können alternativ oder ergänzend auch mehrere Entfernungen in Form einer Entfernungsverteilung zu dem Objekt zugeordnet werden. Bei dem Zuordnen der Intensitäten zu dem Objekt können dem Objekt insbesondere die Messwinkel und damit Intensitäten zugeordnet werden, für welche die jeweiligen Entfernungen um weniger als einen vorgegebenen Wert voneinander abweichen und/oder welche einen zusammenhängenden Messwinkelbereich bilden.
• Ein wichtiger Verfahrensschritt ist dabei ein Hinterlegen einer jeweiligen Winkel-Charakteristik („angular characteristics“) (R_O(α);Γ_O(α)), welche eine oder mehrere Winkel-Charakteristika oder Merkmale umfasst, für mehrere Objektklassen in der Recheneinheit. Für jede Objektklasse ist also eine Winkel-Charakteristik (R_O(α);Γ_O(α)) hinterlegt. Die Winkel-Charakteristik kann dabei im Folgenden mit R_O(α) bezeichnet werden, wenn sie dich auf die berechneten Entfernungen bezieht, und/oder mit Γ_O(α), wenn sie sich auf die erfassten Intensitäten bezieht. Die Winkel-Charakteristik weist dabei eine deterministische Komponente (R _O(α);Γ_O (α)) und eine stochastische Komponente (w; n) auf. Deterministische Komponente und stochastische Komponente können dabei analog zur Winkel-Charakteristik mit R_O(α) beziehungsweise Γ _O(α) und w beziehungsweise n bezeichnet werden. Die deterministische Komponente repräsentiert einen jeweiligen deterministischen, also deterministisch bestimmbaren oder konkret vorhersagbaren, Einfluss von zumindest einem, bevorzugt mehreren Referenzobjekten der jeweiligen Objektklasse an einer vorgegebenen Position in der abgetasteten Umgebung auf die Intensitätsverteilung und/oder gegebenenfalls auf die Entfernungsverteilung. Diese deterministische Komponente kann dabei beispielsweise wie weiter unten erläutert empirisch für verschiedene Objektklassen ermittelt werden.
• Die deterministische Komponente der Winkel-Charakteristik beschreibt somit die Intensitätsverteilung und/oder die Entfernungsverteilung für ein gegebenes Objekt, ein Referenzobjekt, der Objektklasse K als eine Funktion des Winkels α und/oder des Abstands r, wobei (r, θ) die Position des Objekts O in Polarkoordinaten mit der Position der Sensoreinheit als Koordinatenursprung bezeichnet. Insbesondere kann die Winkel-Charakteristik auch einen bekannten deterministischen Einfluss der Lidar-Vorrichtung auf die erfassten Intensitäten repräsentieren, beispielsweise ein Strahleigenschaft des Abtast-Lichts in dem jeweiligen Messkanal i.
• Das Ziel ist es also, die Beobachtung der Sensoreinheit vorherzusagen, wenn das Objekt O sich in der Umgebung der Sensorvorrichtung zu einer vorgegebenen Zeit in der Position (r, θ) relativ zu der Sensoreinheit befindet. Dabei wird angenommen, dass die Beobachtung durch den Beobachtungsvektor gegeben ist, der sich aus (d_i, I_i) = (R_O (α_i), Γ_O (α_i)) für alle Messkanäle i zusammensetzt, wobei (R_O (α); Γ_O (α)) wie beschrieben die Winkel-Charakteristik für die Entfernung und die Intensität für das gegebene Objekt O als eine Funktion des Messwinkels α ist. Dabei kann vorliegend angenommen werden, dass die beobachteten Werte (d_i, I_i) die Werte einer jeweiligen Winkel-Charakteristik-Funktion sind, welche an den an den Messwinkeln α_i ausgewertet oder „gesampelt“ wurden.
• Es ist jedoch naiv, die Beobachtung rein basierend auf einem deterministischen Modell zu modellieren beziehungsweise verstehen und vorhersagen zu wollen. Daher wird die deterministische Komponente der Winkel-Charakteristik mit der stochastischen Komponente der Winkel-Charakteristik ergänzt. Es wird also ein stochastischer Einfluss von beispielsweise dem Objekt und/oder der Lidar-Sensorvorrichtung und/oder allgemein des Messvorgangs auf die erfassten Intensitäten, kurz die erfasste Intensitätsverteilung, in der Winkel-Charakteristik durch die stochastische Komponente berücksichtigt. Die konkret vorliegende und auszuwertende Intensitätsverteilung und/oder Entfernungsverteilung wird somit für ein Objekt O durch jeweilige Zufallsprozesse (R_O(α, Ω), Γ_O (α, Ω)) als Winkel-Charakteristiken erzeugt, wobei Ω für einen Wahrscheinlichkeitsraum oder die möglichen Realisierungen der Zufallsprozesse, die möglichen Realisierungen der Winkel-Charakteristiken, steht. Die durch die Zufallsprozesse (R_O (α, Ω), Γ_O (α, Ω) berücksichtigte Zufälligkeit („randomness“) deckt sämtliche (stochastische) Einflüsse ab, welche nicht von der deterministischen Komponente der Winkel-Charakteristik abgedeckt (oder berücksichtigt) werden, insbesondere (geringfügige) Abweichungen zwischen der gemäß der jeweiligen deterministischen Komponente der Winkel-Charakteristik für die Objektklasse eines in der Umgebung vorhandenen Objekts zu erwartenden Intensitätsverteilung und/oder Entfernungsverteilung und der für das vorhandene Objekt tatsächlich erfassten Intensitätsverteilung und/oder berechneten Entfernungsverteilung mit den erfassten Intensitäten beziehungsweise berechneten Entfernungen. Weitere insbesondere durch die stochastische Komponente kompensierte stochastische Einflüsse können beispielsweise eine unbekannte Verkippung der Lidar-Sensorvorrichtung aufgrund von beispielsweise Beschleunigung und/oder Beladung des Kraftfahrzeugs sein, sowie ein Signalrauschen in der Lidar-Sensorvorrichtung und/oder in der Messkette. Insbesondere kann hier sämtliches Signalrauschen der Messkette berücksichtigt oder kompensiert werden. Unter stochastischem Einfluss kann bevorzugt also jeglicher Einfluss verstanden werden, welcher nicht als deterministischer Einfluss durch die jeweilige deterministische Komponente der Winkel-Charakteristiken repräsentiert und damit berücksichtigt ist. Die Relation zwischen der deterministischen Komponente der Winkel-Charakteristik und der Winkel-Charakteristik als die erfasste Intensität beziehungsweise die berechnete Entfernung verursachenden Zufallsprozess ist dabei durch $${\overline{R}}_O\left(\alpha \right)=E_{\Omega }\left[R_O\left(\alpha ,\Omega \right)\right]$$

  

  $${\overline{\Gamma }}_O\left(\alpha \right)=E_{\Omega }\left[{\Gamma }_O\left(\alpha ,\Omega \right)\right]$$

  
• Gegeben, wobei E_Ω den Erwartungswert über dem Wahrscheinlichkeitsraum Ω beschreibt. Dies führt dazu, dass die Beobachtung (d_i, I_i) in einem gegebenen Messkanal i (also für einen jeweiligen Lichtstrahl) für alle i gegeben ist durch: $$\begin{array}{ll}\left(di,Ii\right)=(R_O\left(\alpha ,\Omega \right),\left({\Gamma }_O\left(\alpha ,\Omega \right)\right)\hfill & \left(3\right)\hfill \\ =\left({\overline{R}}_O\left({\alpha }_i\right)+w_i\left(\Omega \right),{\overline{\Gamma }}_O\left({\alpha }_i\right)+n_i\left(\Omega \right)\right)\hfill & \left(4\right)\hfill \end{array}$$

  

  wobei w_i(Ω) und n_i(Ω) die stochastische oder zufällige Komponente der Winkel-Charakteristik repräsentieren und einen Mittelwert von 0 aufweisen. Der zufällige Charakter dieser Teile, also die stochastische Komponente der Winkel-Charakteristik, kann durch ihre zugehörige Wahrscheinlichkeitsdichtefunktion (probability density function, pdf) p_O(w₀,...,w_N-1, n₀,...,n_N-1) für N Messkanäle i vollständig beschrieben werden. Die Wahrscheinlichkeitsdichtefunktion p_O repräsentiert daher den stochastischen Einfluss auf die Intensitätsverteilung ebenso wie die stochastische Komponente. Daher wird die Wahrscheinlichkeitsdichtefunktion für die stochastische Komponente in der Recheneinheit hinterlegt und automatisch mit der Wahrscheinlichkeitsdichtefunktion inhärent auch die stochastische Komponente. Die Wahrscheinlichkeitsdichtefunktion kann durch den in den Messwinkeln α_i abgetasteten Zufallsprozess gegeben sein. Die Likelihood-Funktion für eine gegebene Beobachtung A kann daher mit der Wahrscheinlichkeitsdichtefunktion p_O beschrieben werden und ist gegeben durch $$\mathrm{\Lambda }\left(\mathbf{A}|\text{O}\right)=p_O\left(d_0-{\overline{R}}_O\left({\alpha }_0\right),\dots ,d_{N-1}-{\overline{R}}_O\left({\alpha }_{N-1}\right),I_O-{\overline{\Gamma }}_O\left({\alpha }_0\right),\dots ,I_{N-1}-{\overline{\Gamma }}_O\left({\alpha }_{N-1}\right)\right).$$

  
• Daher erfolgt in dem erfindungsgemäßen Verfahren auch ein Hinterlegen der Wahrscheinlichkeitsdichtefunktion, welche den, insbesondere sämtlichen, stochastischen Einfluss von dem Objekt in der abgetasteten Umgebung auf die Intensitätsverteilung und/oder die Entfernungsverteilung sowie den stochastischen Einfluss der Lidar-Sensorvorrichtung an sich auf die Intensitätsverteilung und/oder die Entfernungsverteilung repräsentiert. Die Winkel-Charakteristik wird dabei mit der Wahrscheinlichkeitsdichtefunktion in der Recheneinheit hinterlegt. Der stochastische Einfluss des Objekts kann dabei beispielsweise die oben genannten geringfügigen Abweichungen betreffen. Der Einfluss der Lidar-Sensorvorrichtung auf die Intensitätsverteilung kann dabei beispielsweise die beschriebene unbekannte Verkippung oder das beschriebene Signalrauschen repräsentieren.
• Ein großer Vorteil der gewählten Beschreibung ist, dass sie für die Sensorvorrichtung mathematisch exakt ist, wenn die Objektklassen (und damit die deterministische Komponenten) genau definiert sind und eine vollständige Beschreibung der Zufälligkeit oder Zufallsprozesse (und damit die stochastische Komponenten), aus welchen sich über das Abtasten beziehungsweise Sampeln an den Messwinkeln α_i die Wahrscheinlichkeitsdichtefunktion ableitet, verfügbar ist. In der Praxis ist daher eine möglichst genaue Beschreibung der Zufallsprozesse und damit der stochastischen Komponente für eine vorliegende Sensorvorrichtung ein wichtiger Punkt. Beispielsweise kann die genaue Beschreibung wie weiter unten beschrieben erreicht werden. Für die stochastische Komponente können dabei wie für vorteilhafte Ausführungsformen beschrieben vereinfachende Annahmen getroffen werden.
• Ausgehend von dem beschriebenen vorteilhaften Verfahren ist nun ein Maximum-Likelihood-Schätzer (maximum-likelihood-estimator), ein Maximalwahrscheinlichkeitsschätzer, inhärent verfügbar. Betrachtet man hier den Beobachtungsvektor A in der Sensorvorrichtung so findet ein Maximum-Likelihood-Schätzer das O, für welches Λ(A|O) maximiert wird. Dies ergibt $$\begin{array}{c}\widehat{\theta },\widehat{r},\widehat{K}=\text{arg}ma{x}_{O:\theta ,r,k}\left(\Lambda \left(A|O\right)\right)\\ =\text{arg}ma{x}_{O:\theta ,r,K}{p}_O\left(d_0-{\overline{R}}_O\left(\theta -{\alpha }_0\right),\dots ,d_{N-1}-{\overline{R}}_O\left(\theta -{\alpha }_{N-1}\right),I_O-\overline{\Gamma }\left(\theta -{\alpha }_0\right),\dots ,I_{N-1}-{\overline{\Gamma }}_O\left(\theta -{\alpha }_{N-1}\right)\right).\end{array}$$

  
• Für eine bekannte Wahrscheinlichkeitsdichtefunktion ist mit Gleichung (7) so geschätzte Position (θ̂,r̂) und geschätzte Objektklasse K̂ des Objekts O bestimmbar. Zwar ist es grundsätzlich denkbar, dass ein anderer Schätzer mit einer geringeren Varianz für den allgemeinen Fall (das heißt „unbiased“) existiert, allerdings ist die hier vorgeschlagene Wahrscheinlichkeitsbeschreibung besonders vorteilhaft, wenn mehrere Beobachtungen hintereinander durchgeführt werden und beispielsweise mit einem Kalman-Filter ein Posterior abgeschätzt werden soll, also eine Objektverfolgung realisiert werden soll.
• Entsprechend erfolgt als weiterer Verfahrensschritt ein Klassifizieren des Objekts O anhand der zugeordneten Intensitätsverteilung als zu derjenigen Objektklasse K zugehörig, für welche ein (das heißt der allgemein als solcher bekannte) Maximum-Likelihood-Schätzer, also ein Schätzer, welcher nach der Maximum-Likelihood-Methode oder Maximalwahrscheinlichkeitsmethode arbeitet, für die hinterlegten Winkel-Charakteristiken mit der hinterlegten Wahrscheinlichkeitsdichtefunktion (oder mit den hinterlegten Wahrscheinlichkeitsdichtefunktionen) die größte Zugehörigkeitswahrscheinlichkeit liefert. Ebenfalls erfolgt ein Lokalisieren des Objekts anhand der zugeordneten Intensitätsverteilung als an der Position (r, θ) relativ zu der Sensoreinheit verortet, für welche der Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken mit der hinterlegten Wahrscheinlichkeitsdichtefunktion (oder mit den hinterlegten Wahrscheinlichkeitsdichtefunktionen) die größte Aufenthaltswahrscheinlichkeit liefert.
• Dabei können auch weitere Parameter für das Klassifizieren genutzt beziehungsweise berücksichtigt werden, beispielsweise eine Eigengeschwindigkeit des Objekts und/oder eine Rotation des Objekts. Insbesondere können, um das Modell möglichst einfach zu halten, diese weiteren Parameter, welche die Beobachtung beeinflussen, entweder als zufällige Parameter betrachtet werden (beispielsweise die Eigengeschwindigkeit des Objekts) und in der Wahrscheinlichkeitsdichtefunktion berücksichtigt werden, oder als deterministische Parameter betrachtet werden, welche beispielsweise über die Vorgabe oder die Funktion weiterer Objektklassen oder beispielsweise auch Unterklassen berücksichtigt werden können. Derartige Unterklassen können beispielsweise für eine Objektklasse „Kraftfahrzeug“ Frontansicht des Kraftfahrzeugs, Heckansicht des Kraftfahrzeugs, Kraftfahrzeug im Regen, Kraftfahrzeug bei Schneefall und dergleichen sein. Das Objekt kann insbesondere auch anhand der Messwinkelverteilung, welche der Intensitätsverteilung entspricht, lokalisiert werden.
• Das beschriebene Verfahren hat den Vorteil, dass das Objekt durch den Maximum-Likelihood-Schätzer auf eine vereinheitlichte Weise in einem integrierten Gesamtansatz sowohl lokalisiert als auch klassifiziert werden kann. Dabei ist ein wichtiger Punkt, dass über die gewählte Beschreibung erstmalig das Verhalten der Sensorvorrichtung selber explizit in der Verarbeitung berücksichtigt wird. Insgesamt wird so die Genauigkeit des Klassifizierens und des Lokalisierens erhöht und gleichzeitig eine Basis geschaffen, welche es erlaubt, Werkzeuge der Mathematik, welche im Zusammenhang mit Maximum-Likelihood-Schätzern bereits bekannt sind, nun auf eine Lidar-Sensorvorrichtung anzuwenden. Beispielsweise kann so der Crammer-Rao-Grenzwert für die Sensorvorrichtung bestimmt werden, was in dem konventionellen Sensorsystemen und entsprechenden Betriebsverfahren aufgrund der dortigen komplizierten Beschreibung der Sensorvorrichtung praktisch nicht möglich ist. Besonders vorteilhaft ist vorliegend, dass deterministische und stochastische Einflüsse getrennt quantifiziert werden können, was es erlaubt, das Verfahren gezielt auf zu erwartende Szenarien anzupassen und für eine verbesserte Klassifikation und Lokalisation gezielt auch das vorhandene Vorwissen bestmöglich zu nutzen.
• Insbesondere kann hier das Abtasten der Umgebung, das Erfassen der reflektierten Lichtanteile, das Zuordnen der erfassten Intensitäten zu den Messwinkeln und das Zuordnen der Intensitäten zu dem Objekt in Form der Intensitätsverteilung sowie das Klassifizieren und Lokalisieren wiederholt, insbesondere fortlaufend, erfolgen.
• In einer vorteilhafte Ausführungsform ist vorgesehen, dass die hinterlegte Winkel-Charakteristik eine eindimensionale Funktion der Intensität über dem Messwinkel α ist. Es wird somit angenommen, dass die Entfernung d_i jeweils für alle Messwinkel α_i konstant gleich der Entfernung r des Objekts O ist, das heißt $${\overline{R}}_O\left({\alpha }_i\right)=r$$

  

  ist für alle i („constant distance model“). Die stochastische Komponente kann dabei auf Null gesetzt werden. Diese vorteilhafte Annahme beruht auf der Feststellung, dass für ein Objekt die beobachteten Abstände d_i oft auf einer eindimensionalen Linie liegen, welche im Wesentlichen senkrecht zu fächerartig von der Sensoreinheit ausgehenden Strahlen verläuft. Daher kann angenommen werden, dass die Entfernungskomponente d_i des Beobachtungsvektors A für alle Messkanäle i, welche auf ein gleiches Objekt bezogen sind, konstant ist. Es wird somit angenommen, dass alle berechneten Entfernungen für das zu klassifizierende und lokalisierende Objekt gleich sind, und beispielsweise einen Mittelwert der tatsächlich gemessenen Entfernungen d_i sind. Dies erscheint eine sehr drastische Annahme, allerdings ist der Vorteil, der dadurch erreicht wird, eine beträchtliche Reduzierung der Komplexität. Abweichungen von dieser Annahme können auch als stochastischer Einfluss über die Wahrscheinlichkeitsdichtefunktion berücksichtigt werden. Werden keine konstanten Entfernungen angenommen für die unterschiedlichen Messkanäle i können die Entfernungsinformationen eine wertvolle Informationsquelle sein, welche dazu benutzt werden können das Verfahren weiter in der Genauigkeit zu erhöhen.Das hat den Vorteil, dass die Beobachtung, das heißt der Beobachtungsvektor A, in den für das Klassifizieren und Lokalisieren betrachteten Messkanälen i ausschließlich durch die erfassten Intensitäten I_i bestimmt ist.
• In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass nach dem Klassifizieren und Lokalisieren des Objekts ein Kalman-Filter zur Positionsverfolgung des Objekts, zum sogenannten „Tracking“ des Objekts, angewendet wird. Für die bekannte gegebene Wahrscheinlichkeitsdichtefunktion p_O ermöglicht die Gleichung (7) die Lokalisierung und Klassifikation des Objekts. Ausgehend von der Wahrscheinlichkeitsdichtefunktion p_O kann also die Schätzung des Maximum-Likelihood-Schätzers weiter, beispielsweise durch den Kalman-Filter, ausgewertet werden. Falls der Maximum-Likelihood-Schätzer zur Objektverfolgung mit dem Kalman-Filter kombiniert wird, folgt ein Prior, also eine Vorhersage über das Objekt O, aus der Zustandsaktualisierung in dem Kalman-Filter, sodass eine maximale Wahrscheinlichkeit für den Posterior abgeleitet werden kann.
• In einer weiteren Ausführungsform ist vorgesehen, dass für die Wahrscheinlichkeitsdichtefunktion eine Normalverteilung, insbesondere eine mehrdimensionale Normalverteilung, eine sogenannte „multivariate Gaussian distribution“, angenommen wird. Die Wahrscheinlichkeitsdichtefunktion kann hier somit eine Normalverteilung sein beziehungsweise normal verteilt sein. Überdies wird dabei die Unabhängigkeit der einzelnen Intensitäten der Intensitätsverteilung und/oder der einzelnen Entfernungen der Entfernungsverteilung angenommen. Es wird also die Unabhängigkeit der erfassten Intensitäten und/oder der berechneten Entfernungen untereinander angenommen beziehungsweise dass die Intensitäten und/oder Entfernungen als Komponenten der jeweiligen Verteilung unabhängig sind.
• Dieser Ausführungsform liegt die Erkenntnis zugrunde, dass, selbst wenn der in Gleichung (7) beschriebene Schätzer ausgehend von den im Rahmen dieses Verfahrens getroffenen Annahmen über das Verhalten der Sensorvorrichtung (also über das Sensormodell), welches dem Schätzer zugrunde liegt, das bestmögliche Ergebnis liefert, eine mathematische Beschreibung der stochastischen Einflüsse auf die Messung, das heißt die genaue Wahrscheinlichkeitsdichtefunktion, unter Umständen nur mit großem Aufwand auszuwerten ist. Das Treffen der genannten Annahmen bezüglich der Wahrscheinlichkeitsdichtefunktion p_O , welche durch Zufallsprozesse bei der Beobachtung bestimmt ist, vereinfacht das Auswerten dabei signifikant und ist im allgemeinen Fall leicht anzuwenden. Ist nämlich die Wahrscheinlichkeitsdichtefunktion p_O eine Normalverteilung mit unabhängigen individuellen Komponenten, ergibt sich $$p_O=C{\displaystyle {\prod }_{i}exp\left[-\frac{{\left[d_i-{\overline{R}}_O\left(\theta -{\alpha }_i\right)\right]}^2}{2{\sigma }_{d,i}^2}-\frac{{\left[I_i-{\overline{\Gamma }}_O\left(\theta -{\alpha }_i\right)\right]}^2}{2{\sigma }_{I,i}^2}\right]}$$

  

  wobei C eine Normierungskonstante ist und σ²d_,i, σ² _I,i jeweils die Varianzen der i-ten Komponente repräsentieren. Der Maximum-Likelihood-Schätzer wird damit vereinfacht zu $$\widehat{\theta },\widehat{r},\widehat{K}=\text{arg}mi{n}_{O:\theta ,r,K}{\displaystyle {\sum }_i{W}_{d,i}{\left[d_i-{\overline{R}}_O\left(\theta -{\alpha }_i\right)\right]}^2+W_{I,i}{\left[I_i-{\overline{\Gamma }}_O\left(\theta -{\alpha }_i\right)\right]}^2,}$$

  

  wobei die Gewichte gegeben sind durch $W_{d,i}=\frac{1}{{\sigma }_{d,i}^2}\text{ und }{W}_{I,i}=\frac{1}{{\sigma }_{I,i}^2}.$

  
• Wird nun beispielsweise wie weiter oben in einer anderen Ausführungsform angenommen, dass für die Winkel α_i der berechnete Abstand r_i konstant, also r ist, das heißt für alle Winkel αi mit den Intensitäten I_i für die vorgenommenen Berechnungen dieser Abstand auf r gesetzt, so ist der geschätzte Abstand r̂ direkt durch $\widehat{r}=\raisebox{1ex}{$1$}\!\left/ \!\raisebox{-1ex}{$N$}\right.{\displaystyle {\sum }_i{d}_i}$

  

  gegeben, wobei N die Anzahl der Messkanäle i für das Objekt ist, beziehungsweise die Anzahl der Messkanäle i, die dem Objekt zugeordnet sind. Das Minimierungsproblem in Gleichung (9) vereinfacht sich somit in diesem Fall zu $$\widehat{\theta },\widehat{K}=\text{arg}mi{n}_{O:\theta ,K}{{\displaystyle {\sum }_{i}W}}_{I,i}{\left[I_i-{\overline{\Gamma }}_O\left(\theta -{\alpha }_i\right)\right]}^2.$$

  
• Es ergibt sich somit der Vorteil einer vereinfachten Berechnung, welche auf generelle Fälle anwendbar ist.
• In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass von mehreren Objekten in der Umgebung reflektierte Lichtanteile erfasst werden, also mehrere Objekte in der abgetasteten Umgebung vorhanden sind, an welchen das Abtast-Licht reflektiert wird, so dass die erfassten Lichtanteile teilweise von unterschiedlichen Objekten stammen. Insbesondere wird eines der Objekte, bevorzugt nur eines der Objekte, für das Klassifizieren und Lokalisieren ausgewählt. Das Auswählen kann durch die Recheneinheit erfolgen. Das eine Objekt kann insbesondere auch für das jeweilige Zuordnen der erfassten Intensitäten beziehungsweise Zuordnen mehrerer der Intensitäten als Intensitätsverteilung zu dem Objekt ausgewählt werden. Insbesondere kann hier das Objekt mit der geringsten Entfernung von der Lidar-Sensorvorrichtung oder der Sensoreinheit ausgewählt werden. In einer realistischen Situation wird die Sensorvorrichtung im Allgemeinen nicht nur Information, das heißt reflektierte Lichtanteile, von einem Objekt, sondern von einer ganzen Szene mit mehreren Objekten erhalten und entsprechend verarbeiten müssen. Eine Möglichkeit dies zu berücksichtigen ist, jeweils einzelne Objekte zu beschreiben und jede mögliche Anordnung (und/oder Kombination) dieser Objekte in der Szene als einzelne Objektklasse zu betrachten. Dies führt jedoch zu einer unüberschaubaren Komplexität, da die Anzahl an Objektklassen hier schnell eine extrem große Zahl annimmt.
• Eine praktikablere Möglichkeit kann es sein, einen Kombinationsoperator „°“ zu definieren, welcher für zwei Objekte O₁ , O₂ , an welchen die Lichtanteile reflektiert werden, die Beobachtung beziehungsweise den Beobachtungsvektor A_1&2 = A₁°A₂ ergibt, wobei A₁, A₂ die Beobachtungsvektoren für die jeweiligen einzelnen Objekte O₁ , O₂ sind. Da die berechnete Entfernung durch die Zeitmessung in dem jeweiligen Messkanal bestimmt ist und die erfasste Intensität durch den Betrag der reflektierten Energie, welche durch die Sensoreinheit für den jeweiligen Messkanal i erfasst wird, sollte der Kombinationsoperator die folgenden Aspekte umsetzten oder berücksichtigen: Erstens die Addition der Intensitäten von zwei sich nicht überlappenden Objekten mit gleichem Abstand, zweitens ein teilweises oder vollständiges Abdecken von Objekten mit unterschiedlichem Abstand untereinander, drittens eine Veränderung des Dynamikbereiches der Sensoreinheit, welcher an eine vorliegende Situation angepasst werden könnte, und viertens sogenannte Geisterobjekte oder Schattenobjekte, welche auf Mehrfachreflexionen des Abtastlichts zurückgeführt werden können.
• Der einfachste Ansatz ist es ein dominantes Objekt zu bestimmen, so dass der Beobachtungsvektor dieses dominanten Objektes unmittelbar Teil des gesamten Beobachtungsvektors ist. Bevorzugt wird dabei das Objekt mit der geringsten Entfernung von der Lidar-Sensorvorrichtung als dominantes Objekt gewählt. Hierfür kann auch der Erfassungsbereich der Sensoreinheit künstlich eingeschränkt werden, das heißt aus den vorhandenen Messkanälen eine Untermenge vorausgewählt werden, für welche die erfassten Intensitäten und berechneten Entfernungen dann für das weitere Verfahren genutzt werden.
• Wenn mehrere Objekte in der Umgebung vorhanden sind ist es entsprechend vorteilhaft, die Zusammensetzung der Beobachtung oder des Beobachtungsvektors genau zu definieren. Aber selbst in diesem Fall wird die Komplexität durch mehrere Objekte in der Umgebung deutlich gesteigert. Allerdings ist es hier möglich, wenn wie in einer oben beschriebenen Ausführungsform in dem beschriebenen Verfahren ein Kalman-Filter zur Objektverfolgung genutzt wird, eine Kenntnis über einen Prior (prior knowledge) dieses Kalman-Filters zu benutzen, um eine Information über die Objekte und deren Anordnung in der Umgebung zu verwerten.
• Überdies kann, falls die inverse Operation zu A_1&2 = A₁°A₂ definiert ist, die von einem beispielsweise durch den Kalman-Filter verfolgten Objekt erwartete Beobachtung von der Gesamtbeobachtung, die es zu verbessern gilt, abgezogen werden. Dies ist besonders nützlich, falls die Beobachtung mehrere miteinander wechselwirkende einzelne Objekte betrifft.
• Die vorgeschlagene Vereinfachung der Auswahl eines der Objekte als „dominantes“ Objekt bringt den Vorteil, dass beschriebene Verfahren erheblich vereinfacht wird und dennoch gute Ergebnisse erzielt werden, da in den meisten realen Fällen das Objekt, auf welches es bei dem Lokalisieren und Klassifizieren ankommt in der Tat ein dominantes oder bestimmendes Objekt. Die Anwendung der hier beschriebenen Einzelobjektannahme auf ein dominantes oder bestimmendes Objekt ist dabei im mathematischen Sinne optimal, wenn die entsprechende Winkel-Charakteristik oder Winkel-Charakteristiken für das Objekt präzise vorgegeben sind.
• Das Erhalten von Winkel-Charakteristiken und gegebenenfalls auch von Komponenten der Wahrscheinlichkeitsdichtefunktion ist in der Praxis ein wichtiger Aspekt. Diese Winkel-Charakteristiken sind für jede Sensorvorrichtung unterschiedlich, da diese Winkel-Charakteristiken jedoch nur ein einziges Mal bestimmt werden müssen, um hinterlegt werden zu können, ist ein gewisser Aufwand bei dem Erhalten der Winkel-Charakteristiken jedoch akzeptabel. Grundsätzlich gibt es zum Erhalten der Winkel-Charakteristiken zwei Ansätze. Der erste Ansatz ist dabei eine physikalische Realität in einem Modell abzubilden. Der zweite Ansatz erfolgt über eine stochastische Behandlung des jeweiligen durch die Sensorvorrichtung realisierten Messaufbaus. Da im ersten Fall jeweilige physikalische Eigenschaften der genutzten Sensorvorrichtung genutzt werden müssen, kann diese an dieser Stelle nicht diskutiert werden, da sie von der verwendeten Sensorvorrichtung als solcher abhängt. Im Gegensatz dazu kann der zweite Ansatz für jedwede Lidar-Sensorvorrichtung, also jede optoelektronische intensitätsmessungsbasierte Sensorvorrichtung, genutzt werden, weshalb im Folgenden auf den Messaufbau und das stochastische Verarbeiten der Ergebnisse eingegangen wird, um zu erläutern, wie die Winkel-Charakteristiken erhalten werden können.
• In einer weiteren vorteilhaften Ausführungsform ist vorgesehen sein, dass die Winkel-Charakteristik jeder Objektklasse aus einer Messung abgeleitet wird, welche für eine Vielzahl von Positionen (r, θ) oder Relativpositionen (r, θ-α), insbesondere Entfernungen r oder Winkel θ beziehungsweise θ-α, zumindest eines Referenzobjekts der jeweiligen Objektklasse die von dem zumindest einen Referenzobjekt verursachten erfassten Intensitäten und berechneten Entfernungen repräsentiert. Es kann vorgesehen sein, dass die Winkel-Charakteristik jeder Objektklasse ein Histogramm, insbesondere ein mehrdimensionales Histogramm, umfasst oder aus einem Histogramm, insbesondere einem mehrdimensionalen Histogramm, abgeleitet wird, welches für eine Vielzahl von Positionen (r, θ) oder Relativpositionen (r, θ-α), insbesondere Entfernungen r oder Winkel θ beziehungsweise θ-α, zumindest eines Referenzobjekts der jeweiligen Objektklasse die von dem zumindest einen Referenzobjekt verursachten erfassten Intensitäten und berechneten Entfernungen repräsentiert. Das Histogramm kann also aus der Messung abgeleitet sein.
• Bevorzugt können hier auch jeweils mehrere Referenzobjekte durch die Winkel-Charakteristik beziehungsweise das Histogramm repräsentiert werden, beispielsweise indem die Winkel-Charakteristik mehrere Histogramme umfasst oder aus mehreren Histogrammen abgeleitet wird. Beispielsweise kann die Winkel-Charakteristik ein gemitteltes Histogramm aus mehreren Einzelhistogrammen die jeweiligen einzelnen Referenzobjekte entsprechend umfassen.
• Die Idee ist hier, Realisierungen der den Beobachtungen zu Grunde liegenden Zufallsprozesse zu sammeln und aus den gesammelten Realisierungen die Winkel-Charakteristiken abzuleiten. Grundsätzlich sind die Winkel-Charakteristiken für jede Objektklasse K und jegliche mögliche Position (r, θ) erforderlich, um die Zufallsprozesse in Abhängigkeit des Winkels α zu beschreiben. Grundsätzlich muss daher für die beiden (also berechnete Entfernungen und erfasste Intensitäten betreffenden) Zufallsprozesse und für alle Objektklassen K ein dreidimensionales empirisches Histogramm gemessen werden mit den Dimensionen (r, θ, α). Da durch jede real existierende Sensorvorrichtung nur diskrete Beobachtungen verfügbar sind, müssen die Zufallsprozesse dabei von den beobachteten Stichproben („samples“) interpoliert werden. Dabei ist eine Vereinfachung möglich, da die Winkel-Charakteristiken eine Funktion der Relativpositionen (r, θ - α) beziehungsweise des Relativwinkels θ-α sind. Dies reduziert die Komplexität, sodass anstelle der dreidimensionalen Histogramme nur zweidimensionale Histogramme erforderlich sind, um Γ_O(θ - α) und R_O(θ - α) für alle Objektklassen K und möglichen oder betrachteten Entfernungen r auszuwerten. Zum Messen der Winkel-Charakteristiken werden zwei Möglichkeiten vorgeschlagen, welche weiter unten spezifiziert werden.
• Grundsätzlich ergibt sich aus der Messung der Winkel-Charakteristiken der Vorteil, dass auf einfache Weise eine sehr genaue Winkel-Charakteristik erreicht werden kann, vor allem die deterministische Komponente genau bestimmt werden kann. Dafür kann beispielsweise die Sensoreinheit der Sensorvorrichtung in einem Abstand r von einem zu vermessenden Referenzobjekt der Objektklasse K positioniert werden und unter Messen der entsprechenden reflektierten Intensitäten einmal um 360°gedreht werden. Dies sollte mehrfach wiederholt werden, da jede Messung für eine Umdrehung der Sensoreinheit eine Realisierung in Ω beiträgt. Sind genügend Realisierungen des Messprozesses gesammelt, kann das Referenzobjekt in eine andere Position, das heißt in eine andere Entfernung bewegt werden. Die Messung kann dabei mit unterschiedlichen Referenzobjekten einer Objektklasse K durchgeführt werden, um robustere Winkel-Charakteristiken zu erhalten. Beispielsweise kann die Messung für ein Objekt zehnmal wiederholt werden, was sich als unaufwändig und hinreichend genau erwiesen hat. Dieser Messvorgang muss entsprechend für jede gewünschte Objektklasse, beispielsweise die Objektklasse Fußgänger und/oder die Objektklasse Tiere und/oder die Objektklasse Fahrzeuge und/oder die Objektklasse Verkehrsinfrastruktur und dergleichen durchgeführt werden.
• In einer besonders vorteilhaften Ausführungsform ist dabei vorgesehen, dass die Messung für die Vielzahl von Entfernungen des Referenzobjektes für unterschiedlichen Positionen oder Relativpositionen des Referenzobjekts zu der Sensoreinheit von der Sensoreinheit aufgenommen wird beziehungsweise wurde oder ist. Die Messung kann dabei ein empirisches Histogramm umfassen, für welches für die Vielzahl von Entfernungen jeweils die erfassten Intensitäten und die berechneten Entfernungen enthalten sind. Die Relativpositionen umfassten dabei insbesondere unterschiedliche Relativwinkel (θ - α). Insbesondere wird die Messung dabei unter durch die Sensorvorrichtung messbar unterschiedlichen Bedingungen (unterschiedlichen Messbedingungen) durchgeführt, bevorzugt unter unterschiedlichen Witterungsbedingungen wie bei Sonne, Nebel, Schnee, Regen und/oder unterschiedlichen Beleuchtungsbedingungen wie bei Tag und Nacht als Tageszeiten und/oder unterschiedlichen Sensorbedingungen wie Verschmutzungen und/oder individuellen Strahleigenschaften für die unterschiedlichen Messwinkel αi und/oder unterschiedlichen Referenz-Objekt-Bedingungen wie Verschmutzung und/oder Ausrichtung, also Rotation, des Referenzobjektes.
• Dieser Ausführungsform liegt somit die Erkenntnis zugrunde, dass eine besonders genaue und realistische Vorgabe der Winkel-Charakteristiken besonders vorteilhaft ist, und beispielsweise Winkel-Charakteristiken von einer Objektklasse mit zwei Objekten, welche sich sehr stark unterscheiden in zwei Winkel-Charakteristiken einer jeweiligen eigenen Objektklasse, beispielsweise einer zugehörigen Objekt-Unterklasse, aufgespaltet werden sollten. Daher kann es vorteilhaft sein, die entsprechende Messung unter unterschiedlichen Bedingungen durchzuführen. Es ist daher auch vorteilhaft, den Unterschied der erhaltenen Winkel-Charakteristik beziehungsweise der evaluierten Funktion Γ_O(α) für unterschiedliche Kanäle i zu testen. Wieder kann es hier vorteilhaft sein, die Winkel-Charakteristik individuell für jeden Messkanal i vorzugeben, wenn die Winkel-Charakteristik sich für unterschiedliche Messkanäle messbar unterscheidet. Diese dann individuellen Winkel-Charakteristiken können simultan erfasst oder aufgenommen beziehungsweise gesammelt werden. Im Folgenden wird aus Gründen der Übersichtlichkeit angenommen, dass alle Messkanäle i die Winkel-Charakteristiken auf identische Weise erfassen. Die Erweiterung des vorgestellten Verfahrens zu individualisierten Winkel-Charakteristiken ist jedoch leicht möglich.
• Aus den Messungen lässt sich auch die Wahrscheinlichkeitsdichtefunktion in allgemein bekannter Weise ableiten, da die Messungen ja Realisierungen des der Wahrscheinlichkeitsdichtefunktion entsprechenden Zufallsprozesses sind. Beispielsweise ergibt sich im einfachsten Fall einer Gaußschen Verteilung und mit den identischen Entfernungen (constant distance model) für alle für ein Objekt erfassten Intensitäten, also einer normalverteilten Wahrscheinlichkeitsdichtefunktion mit d_i = r für alle i, der mittlere Vektor und die Kovarianzmatrix, welche dem stochastischen Einfluss auf die erfassten Intensitäten beschreibt, zu $${\mu }_{i,O}=E_{\Omega }\left[{\Gamma }_O\left(\theta -{\alpha }_i,\Omega \right)\right]$$

  

  $${\displaystyle {\sum }_{i,j,O}=E_{\Omega }\left[\left({\Gamma }_O\left(\theta -{\alpha }_i,\Omega \right)-{\mu }_{i,O}\right)\left({\Gamma }_O\left(\theta -{\alpha }_j,\Omega \right)-{\mu }_{j,O}\right)\right]}$$

  

  sodass letztendlich die gemeinsame Wahrscheinlichkeitsdichtefunktion p₀~N(µ₀,∑₀) mit dem Mittelwertsvektor µ_O=[µ_0,O,...µ_N-1,O] und der Kovarianzmatrix Σ_O mit den Elementen aus Gleichung (12).
• Bei dem Erfassen sollte die Rotationsgeschwindigkeit der Sensoreinheit langsam genug sein, sodass der Einfluss der Rotation auf die Winkel-Charakteristik vernachlässigbar ist. Der stochastische Einfluss auf die Messung, welcher durch die Wahrscheinlichkeitsdichtefunktion p_O bestimmt ist, wird dabei als stationär angesehen, variiert als nicht in der Zeit. Auf eine in der Zeit variierende Wahrscheinlichkeitsdichtefunktion wird weiter unten noch eingegangen. In diesem Fall sind die dort näher beschriebenen Übergangswahrscheinlichkeiten wichtig.
• Es ergibt sich somit der Vorteil, dass die Winkel-Charakteristiken besonders realistisch sind und entsprechend das Verfahren mit einer besonders großen Genauigkeit durchgeführt werden kann.
• Alternativ oder ergänzend kann die Winkel-Charakteristik der jeweiligen Objektklasse auch aus annotierten Daten über eine Szene mit einem Referenzobjekt der entsprechenden Objektklasse in der Umgebung der Lidar-Sensorvorrichtung in Kombination mit zu der Szene korrespondierenden Sensordaten der Sensoreinheit ermittelt werden. Dabei repräsentieren die Sensordaten, die am Referenzobjekt reflektierten für die unterschiedlichen Messwinkel erfassten Lichtanteile.
• Dieser Ansatz setzt voraus, dass derartige annotierte Daten und entsprechende Sensordaten verfügbar sind. Für das Annotieren der Daten können diese Daten entweder manuell annotiert werden oder unter Zuhilfenahme eines Referenz-Sensorsystems, beispielsweise eines Kamerasystems. Da hier bevorzugt real erfasste Daten genutzt werden, sollte zunächst jeweils ein zu bestimmendes Objekt in der realen Szene festgelegt werden. Beispielsweise kann hier nur das Objekt mit der geringsten Entfernung zur Sensorvorrichtung oder alle Objekte, welche in einer vorgegebenen Richtung der Sensorvorrichtung am nächsten liegen, betrachtet werden. Der Hauptunterschied zu der zuvor beschriebenen Methode ist hier, dass die Winkel-Charakteristiken der Referenzobjekte nur als Stichproben verfügbar sind. Die einfachste Möglichkeit hier die Winkel-Charakteristiken zu erhalten ist es, eine Quantifizierung der Relativposition (θ - α) für die realen Szenen vorzunehmen und entsprechend empirische Dichten für jede Quantifizierung zu messen. Die Mittelwerte, welche von diesen empirischen Dichten abgeleitet werden, können dann die deterministische Komponente der entsprechenden Winkel-Charakteristik für die Objektklasse oder einen Teil der deterministischen Komponente bilden. Die Feinheit der Quantifizierung und die Menge der verfügbaren annotierten Daten sind hier kritische Parameter. Beispielsweise können hier für eine Objektklasse 10.000 Messungen einer Winkel-Charakteristik oder mehr durchgeführt werden. Diese Zahl hat sich als hinreichend groß für eine gute Genauigkeit des Verfahrens erwiesen.
• Die beschriebenen Messungen von Intensitäten I_i und die entsprechenden Berechnungen der Entfernungen d_i führen zu entsprechenden Histogrammen und/oder Kurven für die Winkel-Charakteristiken. Da das Speichern einer großen Anzahl von Beispielen für jede Entfernung r und/oder jede Relativposition (θ - α) und für jede Objektklasse K sehr aufwändig ist, ist es sinnvoll, diese Kurven zu parametrisieren. Entsprechend ist in einer bevorzugten Ausführungsform vorgesehen, dass die Winkel-Charakteristik als parametrisierte Kurve hinterlegt wird, insbesondere als eine Summe aus gewichteten Kernel-Funktionen, bevorzugt gewichteten Gaußschen Verteilungen, mit einem jeweiligen Mittelwert und einer jeweiligen Varianz.
• Die Kernel-Funktionen {k_j(θ - α, ξ_j)}_j können dabei durch einen Vektor ξ_j parametrisiert werden, sodass Γ_O (θ - α) ≈ Σ_J k_j(θ - α, ξ_j). Für Gaußsche Kernel kann die (hier aus Gründen der Übersichtlichkeit nur auf die erfasste Intensität bezogene) Winkel-Charakteristik dann mit einer Parametrisierung über Mittelwerte und Varianzen ξ=[µ, v², w] insbesondere in der Form $${\overline{\Gamma }}_O\left(\theta -\alpha \right)\approx {\displaystyle {\sum }_j{w}_j\text{exp}}\left(-\frac{{\left(\theta -\alpha -{\mu }_j\right)}^2}{2v_j^2}\right)$$

  

  beschrieben werden. Dabei wird durch die Summe über die w_j die Form der Winkel-Charakteristik bestimmt. Im gezeigten Beispiel wird die Winkel-Charakteristik so für jede Entfernung r nur durch die Anzahl der betrachteten Gauß-Verteilungen oder Gauß-Kernel mal drei parametrisiert.
• Durch das Parametrisieren der Winkel-Charakteristik ergibt sich ein weiterer Vorteil. Da das oben beschriebene Messen der erfassten Intensitäten für zumindest ein Referenzobjekt der Objektklasse wesentlich schneller gute Ergebnisse liefert, also weniger Messungen erforderlich sind als bei der Verwendung von annotierten Daten, ist die Verwendung annotierten Daten aus realen aufgenommenen Szenen vergleichsweise ineffizient. Wenn jedoch nur die Parameter einer parametrisierten Kurve, beispielsweise der in Gleichung (13) dargestellten parametrisierten Kurve abgeschätzt werden müssen, wird die Effizienz des Abschätzens der Winkel-Charakteristik wesentlich verbessert. Insbesondere ergibt sich für die erfasste Intensität I_i für den Messwinkel α_i nach Gleichung (4) mit I_i = Γ _O(α_i) + n_i $$I_i\approx {\displaystyle {\sum }_j{w}_j\text{exp}}\left(-\frac{{\left(\theta -{\alpha }_i-{\mu }_j\right)}^2}{2v_j^2}\right)+n_i$$

  
• Erneut unter der Annahme, dass die Entfernungen r für ein Objekt konstant sind und in allen Messkanälen i die Winkel-Charakteristiken gleichen Einfluss auf die erfassten Intensitäten und Wahrscheinlichkeitsdichtefunktionen haben, ist somit für eine gegebene Objektklasse K und einen Abstand r eine Menge von Messungen {(I_k,φ_k)} verfügbar. Dabei wird hier k als Index gewählt anstelle von i, um deutlich zu machen, dass φ_K = θ - α_k sowohl mit i als auch mit θ variiert wird. Mit der Annahme voneinander unabhängiger Messungen ist die Wahrscheinlichkeit für eine gemessene Sammlung solcher Daten durch $$\Lambda \left(I|K,r\right)={\displaystyle \prod _k\Lambda \left(I_k|K,r\right)}$$

  

  gegeben. Ist n_i in Gleichung (14) als Gaußsches Rauschen mit Mittelwert Null und Varianz σ² (φ) angenommen, ergibt sich für die Wahrscheinlichkeit $$\Lambda \left(I|K,r\right)={\displaystyle {\prod }_{k}exp}\left(-\frac{{\left({\overline{\Gamma }}_O\left({\phi }_k\right)-I_k\right)}^2}{2{\sigma }^2\left({\phi }_k\right)}\right)$$

  

  $$\approx {\displaystyle {\prod }_{k}exp}\left(-\frac{{\left({\displaystyle {\sum }_j{w}_j\text{exp}\left(-\frac{{\left({\phi }_k-{\mu }_j\right)}^2}{2v_j^2}\right)-I_k}\right)}^2}{2{\sigma }^2\left({\phi }_k\right)}\right)$$

  

  $$\approx exp\left(-{\displaystyle {\sum }_k-\frac{{\left({\displaystyle \sum {}_j{w}_j\text{exp}}\left(-\frac{{\left({\phi }_k-{\mu }_j\right)}^2}{2v_j^2}\right)-I_k\right)}^2}{2{\sigma }^2\left({\phi }_k\right)}}\right)$$

  

  und somit für den Maximum-Likelihood-Schätzer für eine φ-invariante Varianz der Winkel-Charakteristik, also σ²(φ)= σ² für alle φ, $${\left\{{\widehat{w}}_j,{\widehat{\mu }}_j,{\widehat{v}}_j^2\right\}}_{j,{\sigma }^2}=\text{arg}mi{n}_{{\left\{w_j,{\mu }_j,v_j^2\right\}}_{j,{\sigma }^2}}{\displaystyle {\sum }_k\frac{{\left({\displaystyle {\sum }_j{w}_j\text{exp}}\left(\frac{-{\left({\phi }_k-{\mu }_j\right)}^2}{2v_j^2}\right)-I_k\right)}^2}{2{\sigma }^2}}.$$

  
• Diese Gleichung kann über moderne Methoden berechnet werden, welche auf der Maximierung eines Erwartungswertes beruhen, beispielsweise wie sie in dem Artikel „EM Algorithms for Weighted Data Clustering with Application to Audio-Visual Scene Analysis“ von ID Gebru et al. (arXiv preprint arXiv: 1509.01509, 2015) vorgeschlagen werden. Dabei wird die Genauigkeit der abgeleiteten Winkel-Charakteristik für eine gegebene Anzahl von Stichproben wesentlich verbessert.
• Für die Winkel-Charakteristik, genauer die Wahrscheinlichkeitsdichtefunktion, kann eine Gaußsche Verteilung mit dem Mittelwert 0 für die Stichproben in den entsprechenden Messwinkeln angenommen werden. Dies soll im Folgenden kurz gerechtfertigt werden:
• Die Rauschquelle und damit das Rauschen, welche der Annahme des Gaußschen Rauschens am stärksten widersprechen würde, ist wahrscheinlich ein Rauschen, welches auf ein Verschmelzen unterschiedlicher Objekte in eine einzige Objektklasse zurückzuführen ist. Werden beispielsweise zwei Referenz-Objekte, zum Beispiel eine Limousine und ein Pickup, der gleichen Objektklasse, zum Beispiel der Objektklasse „Kraftfahrzeug“, zugeordnet, und jedes der Referenz-Objekte hat signifikant unterschiedliche Winkel-Charakteristiken, kann die Winkel-Charakteristik für die Objektklasse durch das Mittel der Winkel-Charakteristiken der Referenz-Objekte gegeben sein. Soll nun ein Objekt, beispielsweise ein Pickup, korrekt klassifiziert werden, weicht die erfasste Intensitätsverteilung deutlich von der deterministischen Komponente der hinterlegten Winkel-Charakteristik ab. Die muss dann über die stochastische Komponente kompensiert werden. Allerdings hätte die stochastische Komponente dann keine Gaußsche Verteilung, da die stochastische Komponente oder die Zufälligkeit hier auch Informationen über das Objekt, hier die genannte Limousine und den Pickup, enthält.
• Ist die Gaußsche Annahme zu stark verletzt, so kann eine Zerlegung des Rauschens vorgenommen werden, so dass der nicht-Gaußsche Teil des Rauschens über eine Korrektur der Winkel-Charakteristik zum Beispiel über Objekt-Unterklassen „Limousine“ und „Pickup“, berücksichtigt wird und der Gaußsche Teil dann entsprechend der Annahme des Gaußschen Rauschens genügen würde.
• In einer bevorzugten weiteren Ausführungsform ist vorgesehen, dass, falls das Lokalisieren keine eindeutige Position für das Objekt ergibt, also beispielsweise die Wahrscheinlichkeit für eine erste Position sich um weniger als einen vorgegebenen Grenzbetrag von der Wahrscheinlichkeit für eine zweite Position unterscheidet, für den Maximum-Likelihood-Schätzer zwei sich linear überlagernde Objekte angenommen werden, welche durch den Maximum-Likelihood-Schätzer klassifiziert und lokalisiert werden. Dabei haben die beiden Positionen bevorzugt einen vorgegebenen Mindestabstand voneinander.
• In diesem Fall kann beispielsweise die Gleichung (10) angepasst werden auf eine Zusammensetzung von zwei Objekten, O₁ , O₂ , deren jeweiliger Winkel θ₁ , θ₂ abgeschätzt werden kann durch: $${\widehat{\theta }}_1,{\widehat{\theta }}_2=\text{arg}mi{n}_{{\theta }_1,{\theta }_2}{\displaystyle {\sum }_i{\left(I_i-{\overline{\Gamma }}_{K,r}\left({\theta }_1-{\alpha }_i\right)-{\overline{\Gamma }}_{K,r}\left({\theta }_2-{\alpha }_i\right)\right)}^2,}$$

  

  wobei vorliegend zur Vereinfachung sämtliche Wichtungen oder Gewichte auf 1 gesetzt wurden. Dies ist in den Figurenbeispielen nochmals näher erläutert. Es kann also sobald bekannt ist, dass mehr als ein Objekt vorhanden ist, angenommen werden, dass die Beobachtung der beiden Objekte eine lineare Superposition der Einzelbeobachtungen ist, und somit durch die in Gleichung (19) beschriebene Aufteilung die Lokalisierung verbessert werden. Vorteilhafterweise ist beziehungsweise sind die Objekte dabei schon klassifiziert, sodass deren Objektklasse K in Gleichung (19) bekannt ist.
• Das hat den Vorteil, dass die Genauigkeit und Zuverlässigkeit des Verfahrens unter realen Bedingungen, bei welchen durchaus mehrere Objekte vorhanden sein können, verbessert wird.
• In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass die Winkel-Charakteristiken und damit auch die Wahrscheinlichkeitsdichtefunktion jeweils eine Funktion der Zeit sind, deren zeitliche Veränderung insbesondere durch eine Markov-Kette erster Ordnung beschrieben wird.
• Zuvor wurden ausschließlich statische Szenen betrachtet. Dies ermöglicht ein sehr robustes Verfahren zum Klassifizieren und Lokalisieren. Unter bestimmten Voraussetzungen ist die Erweiterung auf dynamische Szenen jedoch leicht realisierbar. An dieser Stelle ist wichtig, dass die bisher aus dem Stand der Technik bekannten Methoden prinzipbedingt nicht kompatibel mit den im Folgenden beschriebenen Ansätzen sind. Ein großer Vorteil der bisher beschriebenen Ausführungsformen ist somit deren mögliche Erweiterung und Anwendung auf dynamische Szenen. In einer dynamischen Szene mit zumindest einem sich bewegenden Objekt sind die entsprechenden der Beobachtung zugrundeliegenden Prozesse zusätzlich zeitabhängig, sodass die jeweilige Beobachtung durch (d_i,I_i) = (R_O(α,t,Ω), (Γ_O(α,t,Ω)) beschrieben wird, wobei t die Zeit beschreibt.
• Für stationäre Prozesse ist nun weder die Wahrscheinlichkeitsdichtefunktion p_O und damit die stochastische Komponente der Winkel-Charakteristik noch die deterministische Komponente der Winkel-Charakteristik eine Funktion der Zeit. Da die Beobachtungen jeweils als diskrete Stichproben über der Zeit vorliegen, kann eine Markov-Kette für eine Beschreibung der dynamischen Szene benutzt werden. Wird vorteilhafterweise eine Markov-Kette erster Ordnung angenommen, beschreibt eine Übergangswahrscheinlichkeit P_O(t+Δt|t) die Abhängigkeit zwischen der Wahrscheinlichkeitsdichtefunktion p_O in den Zeitpunkten t und t + Δt, wobei Δt eine Größe oder Dauer eines Zeitschrittes ist.
• Im Falle von sich bewegenden Objekten sollte die Veränderung der Position des Objekts O: K, r, θ in einem Zeitschritt Δt betrachtet werden. Das bedeutet, dass die deterministischen und stochastischen Komponenten der Winkel-Charakteristiken sich ändern können, da sie eine Funktion der Position sind. Daher muss besonderes Augenmerk auf die korrekte Formulierung der Übergangswahrscheinlichkeiten gelegt werden.
• Typischerweise wird ein Kalman-Filter für die Lokalisierung und Nachverfolgung (Tracking) von Objekten genutzt. Umfasst der Zustand im Kalman-Filter nun zusätzlich zu der Position und einer Veränderung der Position eine Klassifikation, so führt hier eine geeignete Anpassung des Kalman-Filters zu einem Maximum-Likelihood-Schätzer für eine verborgene Markov-Kette (hidden Markov chain), in welcher das Beobachtungsmodell Informationen von zwei aufeinanderfolgenden Beobachtungen und der Übergangswahrscheinlichkeit nutzt. Hierfür können beispielsweise die in dem Artikel „On Sparsity by NUV-EM, Gaussian Message Passing, and Kalman-Smoothing‟ von Hans-Andrea Loelinger et al. (arXiv Preprint arXiv: 1602.02673, 2016) genannten Summenprodukt-Algorithmen für Faktorgraphen genutzt werden.
• Das hat den Vorteil, dass in einer dynamischen Szene, einer sich verändernden Umgebung, eine Objektverfolgung mit einer Klassifikation kombiniert und in einem einheitlichen mathematischen Rahmen beschrieben werden kann. Dies vereinfacht die Gesamtimplementierung und eröffnet neue Möglichkeiten der Verarbeitung der Sensordaten.
• Die Erfindung betrifft auch eine Lidar-Sensorvorrichtung für ein Kraftfahrzeug, welche ausgebildet ist, eine Umgebung der Lidar-Sensorvorrichtung mit einem Abtastlicht abzutasten, wobei die Lidar-Sensorvorrichtung eine Sensoreinheit und eine Recheneinheit aufweist. Die Sensoreinheit ist dabei ausgebildet, mehrere von einem Objekt in der Umgebung reflektierte Lichtanteile des Abtastlichts für mehrere jeweilige Messwinkel mit einer jeweiligen Intensität zu erfassen. Die Recheneinheit ist ausgebildet, zu den Messwinkeln jeweils die erfasste Intensität und eine berechnete Entfernung der Lidar-Sensorvorrichtung von dem Objekt zuzuordnen, sowie mehrere Intensitäten in Form einer Intensitätsverteilung wiederum dem Objekt zuzuordnen.
• Wichtig ist hier, dass in der Recheneinheit für mehrere Objektklassen eine jeweilige Winkel-Charakteristik mit einer deterministischen Komponente und mit einer stochastischen Komponente hinterlegt ist. Dabei repräsentiert die deterministische Komponente einen jeweiligen deterministischen Einfluss von zumindest einem Referenzobjekt der jeweiligen Objektklasse in der abgetasteten Umgebung auf die Intensitätsverteilung. Die stochastische Komponente ist mit einer Wahrscheinlichkeitsdichtefunktion hinterlegt, welche einen stochastischen Einfluss auf die Intensitätsverteilung repräsentiert. Ferner ist die Recheneinheit ausgebildet, das Objekt anhand der zugeordneten Intensitätsverteilung als zu derjenigen Objektklasse zugehörig zu klassifizieren, für welche ein Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken mit der hinterlegten Wahrscheinlichkeitsdichtefunktion (oder den hinterlegten Wahrscheinlichkeitsdichtefunktionen) die größte Zugehörigkeitswahrscheinlichkeit liefert, und das Objekt anhand der zugeordneten Intensitätsverteilung als an derjenigen Position relativ zu der Sensoreinheit verortet zu lokalisieren, für welche der Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken mit der hinterlegten Wahrscheinlichkeitsdichtefunktion (oder den hinterlegten Wahrscheinlichkeitsdichtefunktionen) die größte Aufenthaltswahrscheinlichkeit liefert.
• Vorteile und vorteilhafte Ausführungsformen der Lidar-Sensorvorrichtung entsprechen hier Vorteilen und vorteilhaften Ausführungsformen des beschriebenen Verfahrens.
• Die Erfindung betrifft auch ein Kraftfahrzeug mit einer solchen Lidar-Sensorvorrichtung.
• Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen, sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Es sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder abweichen.
• Ausführungsbeispiele der Erfindung werden nachfolgend anhand schematischer Zeichnungen näher erläutert. Dabei zeigen:
• 1 Kraftfahrzeug mit einer beispielhaften Ausführungsform einer Lidar-Sensorvorrichtung in einem ersten Beispielszenario;
• 2 eine Darstellung beispielhafter für das erste Beispielsszenario erfasster Intensitäten und berechneter Entfernungen;
• 3 eine Darstellung beispielhafter deterministischer Komponenten einer Winkel-Charakteristik für das Objekt im ersten Beispielszenario;
• 4 eine Darstellung beispielhafter Stichproben einer Intensitätsverteilung für das Objekt im ersten Beispielszenario;
• 5 eine Darstellung für das erste Beispielszenario erwarteter erfasster Intensitäten und der deterministischen Komponenten aus 3;
• 6 eine Darstellung der deterministischen Komponenten von 3 mit einer geschätzten Aufenthaltswahrscheinlichkeit für das Objekt des ersten Beispielszenarios;
• 7 eine beispielhafte Darstellung durch die Lidar-Sensorvorrichtung erfasster Intensitäten im Fall einer nicht angepassten Dynamik der Sensoreinheit;
• 8 eine beispielhafte Darstellung eines beispielhaften Messaufbaus zum Messen der deterministischen Komponente der Winkel-Charakteristik für eine Objektklasse;
• 9 eine Darstellung beispielhafter Entfernungen für den Messaufbau von 8;
• 10 eine Darstellung beispielhafter Intensitäten für den Messaufbau von 8;
• 11 eine Darstellung beispielhafter erfasster Intensitäten mit einer beispielhaften Quantifizierung;
• 12 eine Darstellung weiterer beispielhafter erfasster Intensitäten mit einer beispielhaften weiteren Quantifizierung;
• 13 eine Draufsicht auf ein zweites Beispielszenario;
• 14 eine Darstellung der erfassten Intensitäten und einer Winkel-Charakteristik für das zweite Beispielszenario;
• 15 eine Darstellung von Lokalisierungs- und Klassifizierungstermen für einen Maximum-Likelihood-Schätzer für das zweite Beispielszenario;
• 16 eine Draufsicht auf ein drittes Beispielszenario;
• 17 eine Darstellung der erfassten Intensitäten und eine Winkel-Charakteristik für das dritte Beispielszenario;
• 18 eine Darstellung von Lokalisierungs- und Klassifizierungstermen für einen Maximum-Likelihood-Schätzer für das dritte Beispielszenario; und
• 19 eine Darstellung eines beispielhafter zweidimensionaler Lokalisierungsterms für das dritte Beispielszenario.
• In den Figuren werden gleiche oder funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen.
• 1 zeigt ein Kraftfahrzeug 1 mit einer beispielhaften Ausführungsform einer Lidar-Sensorvorrichtung 2 in einem Beispielsszenario. Die Lidar-Sensorvorrichtung 2 ist dabei ausgebildet, eine Umgebung 3 der Lidar-Sensorvorrichtung 2 beziehungsweise des Kraftfahrzeugs 1 mit einem Abtastlicht abzutasten. Vorliegend ist der Umgebung 3 in der Darstellung ein Koordinatensystem hinterlegt, um die Funktionsweise der Lidar-Sensorvorrichtung 2 besser erläutern zu können. In diesem und dem Koordinatensystem der 2 bis 8 sowie der 13, 14, 16 und 17 sind als die Einheiten der Achsen beispielhaft Meter [m] gewählt.
• Die Lidar-Sensorvorrichtung 2 weist eine Sensoreinheit 4 auf, welche ausgebildet ist, mehrere von einem Objekt O in der Umgebung 3 reflektierten Lichtanteile des Abtastlichts für mehrere jeweilige Messwinkel α_i (2) mit einer jeweiligen Intensität I_i (2) zu erfassen. Die Lidar-Sensorvorrichtung 2 weist auch eine Recheneinheit 5 auf, welche ausgebildet ist, den Messwinkeln α_i jeweils die erfasste Intensität I_i und eine berechnete Entfernung d_i (2) der Lidar-Sensorvorrichtung 2, beziehungsweise des Kraftfahrzeugs 1, von dem Objekt O zuzuordnen, sowie mehrere Intensitäten I_i in Form einer Intensitätsverteilung wiederum dem Objekt O zuzuordnen.
• Wichtig ist hier, dass in der Recheneinheit 5 für mehrere Objektklassen K eine jeweilige Winkel-Charakteristik R_O ,Γ_O mit einer deterministischen Komponente R _O,Γ _O (3) und mit einer stochastischen Komponente w, n hinterlegt ist. Dabei repräsentiert die deterministische Komponente R _O,Γ _O einen jeweiligen deterministischen Einfluss von zumindest einem Referenzobjekt der jeweiligen Objektklasse K in der abgetasteten Umgebung 3 auf die Intensitätsverteilung. Die stochastische Komponente w, n ist dabei mit oder mittels einer Wahrscheinlichkeitsdichtefunktion p_O hinterlegt. Die Wahrscheinlichkeitsdichtefunktion p_O charakterisiert dabei die stochastische Komponente w, n. Die Stochastische Komponente w, n und damit die Wahrscheinlichkeitsdichtefunktion p_O repräsentieren so einen stochastischen Einfluss auf die erfassten Intensitäten I_i welche dem Objekt O zugeordnet werden, kurz: einen stochastischen Einfluss auf die erfasste Intensitätsverteilung. Der stochastische Einfluss kann sich beispielsweise in Fluktuationen der erfassten Intensitäten I_i niederschlagen. Eine Beobachtung, das heißt die erfassten Intensitäten I_i und/oder die berechneten Entfernungen d_i sind daher für ein Objekt O durch die Gleichungen (3) und (4) beschreibbar.
• Die Recheneinheit 5 ist hier ausgebildet, das Objekt O anhand der zugeordneten Intensitätsverteilung als zu derjenigen Objektklasse K zugehörig zu klassifizieren, für welche ein Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken R_O ,Γ_O mit der hinterlegten Wahrscheinlichkeitsfunktion p_O die größte Zugehörigkeitswahrscheinlichkeit liefert, und das Objekt O anhand der zugeordneten Intensitätsverteilung als an derjenigen Position (r, θ) relativ zu der Sensoreinheit 4 verortet zu lokalisieren, für welche der Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken R_O ,Γ_O mit der hinterlegten Wahrscheinlichkeitsdichtefunktion p₀ die größte Aufenthaltswahrscheinlichkeit liefert.
• Vorliegend ist nun eine schematische Draufsicht auf das Kraftfahrzeug 1 in der Umgebung 3 zu sehen, bei welcher sich vor dem Kraftfahrzeug in positiver x-Richtung in einer Entfernung r in einem Winkel θ relativ zu einer Fahrzeuglängsachse L des Kraftfahrzeugs 1, also an der Position (r, θ) ein weiteres Kraftfahrzeug als Objekt O befindet. Dieses Beispielsszenario liegt auch den in den 2 bis 7 dargestellten Graphen zugrunde.
• So zeigt 2 eine Darstellung beispielhafter für das Beispielsszenario von 1 erfasster Intensitäten und berechneter Entfernungen. Die Sensorvorrichtung 2 weist hier mehrere, vorliegend 16 Messkanäle i = 0 bis 15 auf. Diesen ist vorliegend jeweils ein Messwinkel α_i mit i = 0 bis 15, also α₀ bis α₁₅ , zugeordnet. Für die Messwinkel α₀ sowie α₇ bis α₁₅ wird im gezeigten Beispiel keine Intensität durch die Sensoreinheit 4 erfasst. Für die Messwinkel α₁ bis α₆ wird hier eine jeweilige Intensität I₁ bis I₆ erfasst, deren Größe vorliegend durch die Länge der entsprechend mit I₁ bis I₆ markierten gestrichelten Linien dargestellt wird. Da für die Messkanäle i = 1 bis 6 vorliegend ein aus der Umgebung von dem Objekt O reflektierter Lichtanteil erfasst wird, kann durch die Recheneinheit 5 auch für jeden der Messwinkel α₁ bis α₆ eine Entfernung d₁ bis d₆ berechnet werden. Diese sind vorliegend ebenfalls für die jeweiligen Messkanäle α_i mit i = 1 bis 6, also α₁ bis α₆ , eingezeichnet. Die Größe der Entfernungen d₁ bis d₆ wird vorliegend durch die Länge der entsprechend mit d₁ bis d₆ markierten Pfeile dargestellt. Insbesondere können die berechneten Entfernungen d_i benutzt werden, um die erfassten Intensitäten I_i dem Objekt O zuzuordnen. Beispielsweise können die Intensitäten I_i in den Messkanälen i mit den gleichen Entfernungen d_i = r oder d_i = ± Δr, wobei Δr eine vorgebbare Abweichung ist, als Intensitätsverteilung dem (gleichen) Objekt O zugeordnet werden, vorliegend also die Intensitäten I_i mit i = 1 bis 6.
• In 3 ist eine Darstellung beispielhafter deterministischer Komponenten einer Winkel-Charakteristik für das Objekt im ersten Beispielszenario gezeigt. Wie in 2 sind die Messwinkel α_i ausgehend von der Sensoreinheit 4 (1) als Koordinatenursprung fächerartig eingezeichnet. Dabei wird für das Objekt O ein gleichmäßiger Abstand r von der der Sensoreinheit 4 beziehungsweise der Sensorvorrichtung 2 oder dem Kraftfahrzeug 1 angenommen, so dass die Entfernungen d₁ bis d₆ = r und die deterministische Komponente R _O bezüglich der Entfernungsverteilung als Kreis um den Ursprung des gezeigten Koordinatensystems gegeben ist. Die deterministische Komponente Γ _O , mit der die Intensitätsverteilung erfassten Intensitäten I₁ bis I₆ beschrieben werden soll, das heißt welcher die erfassten Intensitäten I₁ bis I₆ zugeschrieben werden sollen, ist hier für das Objekt O in den zugehörigen Messwinkeln α_i in der Entfernung r eingezeichnet.
• In der Realität werden für das Beispielsszenario von 1 die jeweiligen erfassten Intensitäten I_i hier I₁ bis I₆ , und Entfernungen d_i , hier d₁ bis d₆ , nicht durch die deterministischen Komponenten R _O , Γ _O beschrieben werden können. Entsprechend kann auch durch Gleichsetzen der Beobachtung mit der deterministischen Komponente R _O , Γ _O der Winkelcharakteristik R_O ,Γ_O allein die Objektklasse K für die Beobachtung (also das beobachtete Objekt O) nicht als die (bekannte) Objektklasse der jeweiligen (zu den erfassten Intensitäten passenden) Winkelcharakteristik R_O ,Γ_O bestimmt werden. Vielmehr wird über stochastische Einflüsse hier eine Abweichung vorhanden sein, vergleiche hierzu die Gleichungen (3) und (4). Dies wird anhand der 4, 5 und 6 für die gemessenen Intensitäten I₁ bis I₆ erläutert. Für die berechneten Entfernungen d₁ bis d₆ wird dabei der Einfachheit halber die konstante Entfernung d_i = r für i = 1 bis 6 angenommen („constant distance model“). Das für die Intensitätsverteilung erläuterte gilt jedoch mutatis mutandis auch für die Entfernungverteilung der berechneten Entfernungen d_i .
• In 4 ist eine Darstellung beispielhafter Stichproben einer Intensitätsverteilung für das Objekt im ersten Beispielszenario dargestellt. Dabei ist zur besseren Veranschaulichung ein anderer Maßstab gewählt als in den 2 und 3. Die gestrichelten Linien stellen hier jeweils eine beispielhafte Stichprobe Γ₀(α, Ω) dar, welche durch den Wahrscheinlichkeitsraum Ω bestimmt werden. Jede Stichprobe, also jede tatsächlich erfasste Intensität (jede Realisierung), ist ein Element in dem Wahrscheinlichkeitsraum Ω. Die durchgezogene Linie zeigt hier den Erwartungswert E_Ω[Γ_O(α,Ω)] für die erfasste Intensitätsverteilung. Der Erwartungswert E_Ω[Γ_O(α,Ω)] entspricht der deterministischen Komponente Γ _o(α) (3), vergleiche hierzu Gleichungen (1) und (2). Die Kurven Γ₀(α, Ω) zeigen somit Stichproben der Winkel-Charakteristik R_O ,Γ_O , welche durch das Erfassen der Intensitäten I_i abgetastet oder gesampelt wird. Dabei ist der Betrag jeder der in den jeweiligen Messkanälen i = 1 bis 6 erfassten Intensitäten I_i durch den Erwartungswert E_Ω[Γ_o(α,Ω] zuzüglich eines entsprechenden Zufallsbeitrags n_i(Ω) gegeben, vergleiche hierzu auch Gleichung (4). Der Maximum-Likelihood-Schätzer liefert nun ausgehend von den erfassten Intensitäten I_i die Winkel-Charakteristik R_O ,Γ_O und damit die Objektklasse K, aus welcher die Stichprobe mit der größten Wahrscheinlichkeit zugeordnet werden kann.
• Die Zufälligkeit der Beobachtung d_i , I_i wird nochmals in 5 unterstrichen. Diese zeigt eine Darstellung von für das erste Beispielszenario erwarteten erfassten Intensitäten und von den deterministischen Komponenten aus 3. Wie in 3 ist jeweils die deterministische Komponente Γ _O(α) und R _O(α) dargestellt. Zusätzlich ist nun die erwartete Beobachtung, die erwarteten erfassten Intensitäten I₁ bis I₆ eingezeichnet, welche durch die abgetastete deterministische Komponente R _O , Γ _O der Winkel-Charakteristik R_O ,Γ_O gegeben ist und welche in den Messwinkeln α_i für alle i abgetastet (oder „gesampled“) wird. Entsprechend sind die Werte der eingezeichneten Intensitäten I_i mit i = 1 bis 6 in dieser Darstellung gleich den Werten der deterministischen Komponente Γ _O(α) für die Messwinkel α₁ bis α₆. Wie beispielsweise aus 2 ersichtlich ist, werden die erfassten Intensitäten im Allgemeinen von den in 5 gezeigten Idealwerten für die Intensitäten I_i abweichen. Vorliegend wird die stochastische Komponente w_i ,n_i für die jeweiligen Messkanäle i = 1 bis 6 durch sechs kleine eingefügten Grafiken i=1,.. i=6 symbolisch dargestellt. Diese verdeutlichen, dass die jeweilige erfasste Intensität (und vorliegend die jeweilige Entfernung) sich durch einen Erwartungswert (in den eingefügten Grafiken repräsentiert durch den zentralen Punkte) und eine zufällige Abweichung von dem Erwartungswert (in den eingefügten Grafiken repräsentiert durch die konzentrischen Ringe um die zentralen Punkte) beschreiben lässt.
• 6 zeigt eine Darstellung der deterministischen Komponenten von 3 in der bekannten Darstellung sowie zusätzlich die Verteilung einer geschätzten Aufenthaltswahrscheinlichkeit für das Objekt O. Die geschätzte Aufenthaltswahrscheinlichkeit p(θ̂,r̂|O) bezeichnet also die Wahrscheinlichkeit, dass das Objekt O an dem Ort (θ̂,r̂) zu finden ist. Vorliegend ist diese durch konzentrische Ringe dargestellt, welche sich um die tatsächliche Position (θ, r) des Objekts O legen. Die gezeigte Verteilung der Aufenthaltswahrscheinlichkeit oder eine Näherung davon kann in einem Kalman-Filter als Beobachtung oder Beobachtungsmodell verwendet werden und somit zur Objektverfolgung dienen.
• 7 zeigt eine beispielhafte Darstellung durch die Lidar-Sensorvorrichtung erfasster Intensitäten im Fall einer nicht angepassten Dynamik der Sensoreinheit. Ist die erfasste Intensität I_i größer als ein durch die Dynamik der Sensoreinheit bestimmter Grenzwert, so reduziert sich die Beobachtung (d_i , I_i ) auf eine reine Punkt- oder Abstandsinformation, wie sie durch die roten Kreuze 6₁ bis 6₄ dargestellt sind, da in diesem Fall die erfassten Intensitäten I_i nicht sinnvoll über die Winkel-Charakteristik R_O ,Γ_O zu einer Klassifikation des Objekts O genutzt werden können. Ein Anpassen der Dynamik der Sensoreinheit 4 an die erfassten Intensitäten I_i kann also entscheidend zu dem Klassifizieren und Lokalisieren beitragen.
• In 8 ist eine schematische Darstellung eines beispielhaften Messaufbaus zum Messen der deterministischen Komponente R _O , Γ_O der Winkel-Charakteristik R_O ,Γ_O für eine Objektklasse K dargestellt. Für jede Objektklasse K wird dabei ein entsprechendes Referenzobjekt O, beispielsweise ein Fußgänger und/oder ein Kraftfahrzeug und/oder ein Verkehrsschild und/oder ein anderes Objekt, in dem Abstand r vor der Sensoreinheit 4 auf den Polarkoordinaten (r, 0) platziert. Während nun die Sensoreinheit 4 um 360°gedreht wird, werden die erfassten Intensitäten (10) und Entfernungen (9) als Funktion des Relativwinkels (θ - α) aufgenommen. Dies kann mehrfach wiederholt werden, da jede Umdrehung eine Realisierung der erfassten Intensitäten und/oder Entfernungen aus dem Wahrscheinlichkeitsraum Ω liefert und sich so beispielsweise ein Mittelwert der erfassten Intensitäten und/oder Entfernungen dem jeweiligen Erwartungswert annähert. Die deterministische Komponente R _O , Γ _O wird folglich für die Objektklasse K umso genauer bestimmt, desto öfter die Messung wiederholt wird. Nachdem eine ausreichende Anzahl von Realisierungen erfasst oder gemessen wurde, wird das entsprechende Objekt O zu einer anderen Position, also in eine andere Entfernung r, bewegt. Als eine ausreichende Anzahl von Messungen haben sich hier zehn Messungen erwiesen. Vorteilhafterweise werden diese Messungen zum Messen der jeweiligen deterministischem Komponente R _O , Γ _o der Winkel-Charakteristik R_O , Γ_O für eine Objektklasse K mit mehreren unterschiedlichen Referenzobjekten O dieser Objektklasse K wiederholt, um die deterministischem Komponente R _O , Γ _O robust für die gesamte Objektklasse K zu erfassen.
• In 9 sind nun beispielhafte berechnete Entfernungen für den Messaufbau von 8 dargestellt. Die Entfernung sind dabei vorliegend in Metern über dem Relativwinkel (θ - α) in rad aufgetragen. Die dünne Linie stellt hier eine konkrete, verrauschte Realisierung R_O(θ - α,Ω) der (entfernungsbezogenen) deterministischen Komponente R _O dar. Tatsächlich gibt es hier analog zu den in 10 gezeigten Realisierungen der (intensitätsbezogenen) deterministischen Komponente Γ _O eine Vielzahl von unterschiedlichen Realisierungen im Wahrscheinlichkeitsraum Ω. Aus Gründen der Übersichtlichkeit ist hier jedoch nur eine einzige solche Realisierung oder Stichprobe eingezeichnet. Zugleich ist die deterministische Komponente R _O , welche dem Erwartungswert E_Ω[R_O(θ - α,Ω)] der berechneten Entfernung für eine konkrete Realisierung entspricht, durch die dicke Linie repräsentiert. Diese deterministische Komponente R _O ist vorliegend eine Gerade bei einer Entfernung von ca. 24 m.
• In 10 sind nun analog zu 9 beispielhafte erfasste Intensitäten für den Messaufbau von 8 dargestellt. Die Intensitäten sind dabei in willkürlichen Einheiten über dem Relativwinkel (θ - α) in rad eingezeichnet. Die jeweiligen Realisierungen Γ_O(θ - α,Ω) sind durch die dünne Linien repräsentiert. Die dicke Linie repräsentiert hier den Erwartungswert E_Ω[Γ_O(θ - α,Ω)] und somit der deterministischen Komponente Γ _O für die erfassten Intensitäten über dem Relativwinkel (θ - α). Deutlich wird hier der stochastische Einfluss auf die jeweiligen Realisierungen Γ_O(θ - α,Ω) der Intensitäten, das heißt auf die erfassten Intensitäten I_i .
• Anhand von 11 und 12 wird nun eine alternative Methode zum Messen und damit Erzeugen der Winkel-Charakteristik erklärt werden. In beiden Figuren sind dabei in Form von Kreuzen 7 gemessene Intensitäten für ein gegebenes Objekt O in einer festgelegten Entfernung r in willkürlichen Einheiten über dem Relativwinkel (θ - α) in rad eingezeichnet.
• Für beide Messungen werden die Relativwinkel (θ - α) diskretisiert, in beiden Figuren also die Relativwinkel in durch vertikale Linien 8 begrenzte Relativwinkel-Intervalle 9 aufgeteilt. Dabei ist die Diekretisierung in 11 gröber als in 12, das heißt die Relativwinkel-Intervalle 9 sind in 11 größer, ein Relativwinkel-Intervall 9 umfass in 11 also mehr Relativwinkel-Werte als in 12. Aus der Verteilung der gemessenen Intensitäten innerhalb eines Relativwinkel-Intervalls 9 lässt sich eine jeweilige empirische Dichte 10 für das Relativwinkel-Intervall 9 ableiten. Die Dichte 10 ist vorliegend in den jeweiligen Relativwinkel-Intervallen 9 ausgehend von jeweiligen vertikalen Nulllinien 11 als Häufigkeit über der Intensität in willkürlichen Einheiten angetragen. Liegt die Dichte 10 somit bei Null für eine gegebene Intensität, so liegt diese auf der Nulllinie 11. Aus Gründen der Übersichtlichkeit sind die Dichten 10 für Wert Null teilweise nicht dargestellt.
• Aus den Dichten 10 wiederum lässt sich für jedes Relativwinkel-Intervall 9 ein entsprechender Mittelwert 12 ableiten. Die Mittelwerte 12 ergeben im gezeigten Beispiel in ihrer Gesamtheit die gemessene deterministische Komponente Γ _O(θ - α) der Winkel-Charakteristik Γ_O(6 - α). Wie aus dem Vergleich von 11 mit 12 ersichtlich, hat sowohl die Feinheit der Diekretisierung oder Quantifizierung (quantization level) als auch die Menge der verfügbaren gemessenen Intensitäten 7 einen erheblichen Einfluss auf die abgeleitete deterministische Komponente Γ _O(θ - α) der Winkel-Charakteristik Γ_O(θ - α). Für 12 sind hier rund 10.000 Messungen durchgeführt worden, welche aus Gründen der Übersichtlichkeit nicht sämtlich eingezeichnet sind (in 11 sind ebenfalls nicht sämtliche den Dichten 10 zu Grunde liegenden gemessenen Intensitäten eingezeichnet). Diese Anzahl von Messungen hat sich jedoch als hinreichend für eine zuverlässige Durchführung, ein zuverlässiges Klassifizieren und Lokalisieren beziehungsweise ein zuverlässiges Bestimmen deterministische Komponente Γ _O(θ - α) herausgestellt. Für beide gezeigten gemessenen Intensitäten ist dabei wieder eine konstante Entfernung von d_i = r für alle i angenommen.
• In den 13 bis 18 werden zwei weitere Beispielszenarien erläutert, um das Potenzial des beschriebenen Verfahrens darzustellen. Ziel ist es, die Beobachtung für eine simulierte Sensoreinheit mit einem theoretisch modellierten Modellszenario so gut zu beschreiben, dass diese theoretische Beschreibung der realen Beobachtung durch einen realen Sensor in dem Modellszenario entspricht. Anhand des Vergleichs von theoretischer Beschreibung und realer Beobachtung kann der Maximum-Likelihood-Schätzer dann das Objekt klassifizieren und lokalisieren. Dabei wird im Folgenden angenommen, dass Beobachtungen durch die Sensoreinheit voneinander unabhängig sind. Entsprechend kann für jedes Objekt unabhängig von anderen vorhandenen Objekten die jeweilige Winkel-Charakteristik gefunden werden kann. Eine Beobachtung mehrerer Objekte wird also vorteilhafterweise als eine lineare Überlagerung der Beobachtungen der einzelnen Objekte angenommen. Für eine jeweilige einzelne Beobachtung gilt Gleichung (4), wobei ein Rauschen durch die Wahrscheinlichkeitsdichtefunktion p_O beschrieben ist. Werden wie vorliegend konstante Entfernungen d_i = r für alle i angenommen, kann die Entfernung r des Objekts O zuzüglich eines Rauschterms für alle Messkanäle i angenommen werden.
• Das zweite Beispielsszenario ist in 13 dargestellt. Dort befindet sich ein Kraftfahrzeug als Objekt O auf den Polarkoordinaten (r; θ)=(24,04m; 0).
• In 14 sind entsprechend den 2, 3 erfasste Intensitäten I₅ bis I₁₀ sowie die deterministischen Komponenten R _O(α), Γ_O (α) für die Objektklasse K des Objekts O, vorliegend also für Kraftfahrzeuge, dargestellt. Deutlich zu sehen ist hier, dass die erfassten Intensitäten I₅ bis I₁₀ jeweils in stochastischer Weise von dem jeweils für den entsprechenden Kanal i beziehungsweise Messwinkel α_i mit hier i = 5 bis 10 durch die deterministische Komponente Γ_O (α) vorgegebenen erwarteten Wert abweichen.
• In 15 ist schließlich für zwei beispielhafte Objektklassen K, nämlich die Objektklasse Fahrzeug und die Objektklasse Fußgänger, jeweils der Lokalisierungs- und Klassifizierungsterm, wie er aus Gleichung (10) hervorgeht, dargestellt. Vorliegend ist der Logarithmus des Werts des entsprechenden Terms über dem Winkel θ mit einer ersten Kurve 13 und einer zweiten Kurve 14 dargestellt. Jede Kurve 13, 14 entspricht hier einer jeweiligen Objektklasse K, die erste Kurve 13 der Fußgängerklasse und die zweite Kurve 14 der Fahrzeugklasse. Der Maximum-Likelihood-Schätzer findet hier das jeweilige Minimum. Für die Fußgänger-Kurve 13 wird hier bei dem Winkel θ_P ein Wert P als Minimum identifiziert, für die Fahrzeug-Kurve 14 bei dem Winkel θ_C ein Wert C. Allerdings ist der Wert C des Minimums der Fahrzeug-Kurve 14 fast eine Größenordnung, also fasst den um Faktor 10 kleiner als der Wert P. Der Maximum-Likelihood-Schätzer wird somit das Objekt O aus 13 als zur Fahrzeugklasse zugehörig klassifizieren und entsprechend θC oder (r, θC) als den Ort des Objekts O ausgeben.
• In dem in 16 dargestellten dritten Beispielszenario ist nun das als Fahrzeug ausgeführte Objekt O durch zwei Fußgänger ersetzt. Die Fußgänger sind als erstes und zweites Objekt O1, O2 jeweils an den Positionen (r, θ1) und (r, θ2) angeordnet, wobei r wieder 24,04 m beträgt und θ1 = 0,0625 und θ2 = -0,0625 rad sind.
• In 17 ist nun analog zu 14 für die beiden Objekte O1, O2 die deterministische Komponente R _{O 1&2} (α), Γ _{O 1&2} (α) der linear überlagerten Winkel-Charakteristiken R_{O 1} , Γ_{O 1} , R_{O 2} , Γ_{O 2} sowie die erfassten Intensitäten, hier I6 bis I9, dargestellt. Dabei wird angenommen, dass die jeweiligen Winkelcharakteristik R_{O 1} , Γ_{O 1} , R_{O 2} , Γ_{O 2} für die Fußgänger bekannt ist. Auf Grund der linearen Überlagerung, kann die Intensität I_i für einen bestimmten Messkanal i mit I_i = Γ _r,KP(θ₁ - α_i) + Γ _r,KP(θ₂ - α_i) + n_i angenommen werden. Dabei ist Γ _{r,K P} die (intensitätsbezogene) deterministische Komponente der Winkel-Charakteristik Γ_{r,K P} für die Fußgänger-Objektklasse K_P in der Entfernung r.
• In 18 ist nun entsprechend zu 15 der Lokalisierungs- und Klassifizierungsterm gemäß Gleichung (12) dargestellt, wobei wiederum die Gewichte oder Wichtungen W_i für alle Messkanäle auf 1 gesetzt wurden. Die Fahrzeug-kurve 14 erreicht hier für den Winkel θ_c einen Minimalwert C, welcher jedoch deutlich über dem Minimalwert P₁ bei dem Winkel θ_P1 der Fußgänger-Kurve 13 liegt, vorliegend um den Faktor 5 größer ist. Daher wird das Objekt O, das heißt vorliegend die Objekte O₁ und O₂ , als Fußgänger identifiziert. Allerdings ist ein zweites Minimum der Fußgänger-Kurve 13 mit dem Wert P₂ bei Winkel θ_P2 nur geringfügig größer als das Minimum P₁ ; vorliegend etwa doppelt so groß. Daher kann das als Fußgänger klassifizierte Objekt O₁ , O₂ nicht genau lokalisiert werden. Dies macht insofern Sinn, da ja die Winkelcharakteristik Γ_{r,K P} beziehungsweise deren deterministische Komponente Γ _{r,K P} für eine einzige Person vorgegeben und hinterlegt wird, so dass bei einer Überlagerung eine eindeutige Lokalisierung ein überraschendes Ergebnis wäre.
• Da vorliegend somit zwei Minima P₁ , P₂ detektiert werden, welche sich um weniger als einen vorgegebenen Betrag unterscheiden und/oder sich überdies in ihrer Position, den Winkeln θ_P1 und θ_P2 um weniger als einen vorbestimmten Winkelbetrag unterscheiden, kann insbesondere durch die Recheneinheit 5 (1) erkannt werden, dass mehr als eine Person, mehr als ein Objekt O₁ , O₂ vorhanden sein muss. Ein weiterer Hinweis auf die Anwesenheit von mehr als einem Objekt kann beispielsweise auch in Form eines Priors von einem Kalman-Filter abgeleitet werden. Sind mehrere Objekte O₁ , O₂ vorhanden, kann die Gleichung (12) so in Gleichung (19) überführt werden, so dass eine zweidimensionale Metrik zum Finden des Minimums für beide Winkel θ₁ , θ₂ abgeleitet werden kann mit Σ_i = (I_{i -} Γ _r,KP(θ₁ - α_i) - Γ _r,KP(θ₂ - α_i))².
• Diese ist in 19 logarithmisch über den beiden Winkeln θ₁ , θ₂ dargestellt. In 19 ist somit ein beispielhafter zweidimensionaler Lokalisierungsterm für das dritte Beispielszenario mit den beiden Objekten O₁ und O₂ dargestellt. Hier fällt einerseits die Symmetrie des dargestellten Lokalisierungsterms auf, welche darin begründet ist, dass die beiden Objekte O₁ und O₂ vorliegend identische Objekte sind. Damit ergeben zwei symmetrische Lösungen das größte Minimum, nämlich einerseits die Position θ_P1' und θ_P2' und andererseits die Position θ_P1 und θ_P2 , da beide Objekte vertauscht werden können Auch der Wert des Minimums ist in diesem Fall geringer als die Werte P₁ , P₂ in 18. Der Maximum-Likelihood-Schätzer, welcher mit Gleichung (19) beschrieben ist, ist folglich in der Lage, zu erkennen, dass mit einer höheren Wahrscheinlichkeit zwei Objekte O₁ und O₂ , zwei Fußgänger vorliegen, als nur ein einziges Objekt. Zusätzlich kann er die Position beider Objekte bestimmen.
• Schließlich ist die Ausgabe des Maximum-Likelihood-Schätzers weich in dem Sinne, dass eine vollständige stochastische Beschreibung der Wahrscheinlichkeit von Lokalisierung und Klassifikation (die in 19 visualisierte Funktion) an einem Ort θ beziehungsweise (r, θ) für eine Objektklasse K verfügbar ist, da der zu minimierende Lokalisierungs- und Klassifizierungsterm unter Erhalt aller vorhandener Information über die Wahrscheinlichkeitsmaximierung für die jeweilige Beobachtung abgeleitet wurde. Daher kann beispielsweise auch die Wahrscheinlichkeitsdichtefunktion p_O aus den Metriken beziehungsweise Termen, die in den 15, 18 und 19 visualisiert sind, abgeleitet werden.
• ZITATE ENTHALTEN IN DER BESCHREIBUNG
• Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
• Zitierte Patentliteratur
• DE 102004003870 A1 [0003]
• Zitierte Nicht-Patentliteratur
• ID Gebru et al. (arXiv preprint arXiv: 1509.01509, 2015) [0052]
• „On Sparsity by NUV-EM, Gaussian Message Passing, and Kalman-Smoothing‟ von Hans-Andrea Loelinger et al. (arXiv Preprint arXiv: 1602.02673, 2016) [0063]

Claims (12)

1. Verfahren zum Betreiben einer Lidar-Sensorvorrichtung (2) eines Kraftfahrzeugs (1), mit den Verfahrensschritten: a) Abtasten einer Umgebung (3) der Lidar-Sensorvorrichtung (2) mit einem Abtast-Licht der Lidar-Sensorvorrichtung (2); b) Erfassen mehrerer von einem Objekt (O, O₁, O₂) in der Umgebung (3) reflektierten Lichtanteile des Abtast-Lichts durch eine Sensoreinheit (4) der Lidar-Sensorvorrichtung (2) für mehrere jeweilige Messwinkel (α_i) mit einer jeweiligen Intensität (I_i); c) jeweiliges Zuordnen der erfassten Intensität (I_i) und einer berechneten Entfernung (d_i) der Lidar-Sensorvorrichtung (2) von dem Objekt (O, O₁, O₂) zu den Messwinkeln (α_i) durch eine Recheneinheit (5) der Lidar-Sensorvorrichtung (2); d) Zuordnen mehrerer Intensitäten (I_i) in Form einer Intensitätsverteilung zu dem Objekt (O, O₁, O₂); gekennzeichnet durch ein e) Hinterlegen einer jeweiligen Winkel-Charakteristik (R_O,Γ_O) mit einer deterministischen Komponente (R_O ,Γ_O ) und mit einer stochastischen Komponente in der Recheneinheit (5) für mehreren Objektklassen, wobei die deterministische Komponente (R _O,Γ _O) einen jeweiligen deterministischen Einfluss von zumindest einem Referenz-Objekt (O, O₁, O₂) der jeweiligen Objektklasse in der abgetasteten Umgebung (3) auf die Intensitätsverteilung repräsentiert, und wobei die stochastische Komponente mit einer Wahrscheinlichkeitsdichtefunktion hinterlegt ist, welche einen stochastischen Einfluss auf die Intensitätsverteilung repräsentiert; f) Klassifizieren des Objekts (O, O₁, O₂) anhand der zugeordneten Intensitätsverteilung als zu derjenigen Objektklasse zugehörig, für welche ein Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken (R _O,Γ _O) mit der hinterlegten Wahrscheinlichkeitsdichtefunktion die größte Zugehörigkeitswahrscheinlichkeit liefert, und Lokalisieren des Objekts (O, O₁, O₂) anhand der zugeordneten Intensitätsverteilung als an derjenigen Position (r, θ) verortet, für welche der Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken (R _O,Γ _O) mit der hinterlegte Wahrscheinlichkeitsdichtefunktion die größte Aufenthaltswahrscheinlichkeit liefert.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die hinterlegte Winkel-Charakteristik (R_O,Γ_O) eine eindimensionale Funktion der Intensität (I_i) über dem Messwinkel (α_i) ist.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass nach dem Klassifizieren und Lokalisieren des Objekts (O, O₁, O₂) ein Kalman-Filter zur Positionsverfolgung des Objekts (O, O₁, O₂) angewendet wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für die Wahrscheinlichkeitsdichtefunktion eine Normalverteilung, insbesondere eine mehrdimensionale Normalverteilung, angenommen wird sowie die Unabhängigkeit der einzelnen Intensitäten (I_i) der Intensitätsverteilung angenommen wird.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass von mehreren Objekten (O, O₁, O₂) in der Umgebung (3) reflektierte Lichtanteile erfasst werden, und eines der Objekte (O, O₁, O₂) für das Klassifizieren und Lokalisieren gemäß Verfahrensschritt f) ausgewählt wird, insbesondere das Objekt (O, O₁, O₂) mit der geringsten Entfernung (d_i) von der Lidar-Sensorvorrichtung (2).
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Winkel-Charakteristik (R_O,Γ_O) jeder Objektklasse aus einer Messung abgeleitet wird, welche für eine Vielzahl von Relativpositionen (r, θ-α) zumindest eines Referenz-Objekts (O, O₁, O₂) der Objektklasse die von dem zumindest einen Referenz-Objekt (O, O₁, O₂) verursachten erfassten Intensitäten (I_i) und berechneten Entfernungen (d_i) repräsentiert.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die Messung für die Vielzahl von Entfernungen (d_i) des Referenz-Objekts (O, O₁, O₂) für unterschiedliche Relativpositionen (r, θ-α) des Referenz-Objekts (O, O₁, O₂) zu der Sensoreinheit (4) unter unterschiedlichen Bedingungen von der Sensoreinheit (4) aufgenommen wird, insbesondere unterschiedlichen Witterungsbedingungen und/oder unterschiedlichen Beleuchtungsbedingungen und/oder unterschiedlichen Sensorbedingungen und/oder unterschiedlichen Referenz-Objekt-Bedingungen.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Winkel-Charakteristik (R_O,Γ_O) als parametrisierte Kurve hinterlegt wird, insbesondere als eine Summe aus gewichteten Kernel-Funktionen mit einem jeweiligen Mittelwert und einer jeweiligen Varianz.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass, falls das Lokalisieren keine eindeutige Position (r, θ) für das Objekt (O, O₁, O₂) ergibt, für den Maximum-Likelihood-Schätzer zwei sich linear überlagernde Objekte (O, O₁, O₂) angenommen werden, welche durch den Maximum-Likelihood-Schätzer klassifiziert und lokalisiert werden.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Winkel-Charakteristiken (R_O,Γ_O) und die Wahrscheinlichkeitsdichtefunktion jeweils eine Funktion der Zeit sind, deren zeitliche Veränderung insbesondere durch eine Markov Kette erster Ordnung beschrieben wird.
11. Lidar-Sensorvorrichtung (2) für ein Kraftfahrzeug (1), welche ausgebildet ist, eine Umgebung (3) der Lidar-Sensorvorrichtung (2) mit einem Abtast-Licht abzutasten, mit - einer Sensoreinheit (4), welche ausgebildet ist, mehrere von einem Objekt (O, O₁, O₂) in der Umgebung (3) reflektierte Lichtanteile des Abtast-Lichts für mehrere jeweilige Messwinkel (α_i) mit einer jeweiligen Intensität (I_i) zu erfassen; und mit - einer Recheneinheit (5), welche ausgebildet ist, zu den Messwinkeln (α_i) jeweils die erfasste Intensität (I_i) und eine berechnete Entfernung (d_i) der Lidar-Sensorvorrichtung (2) von dem Objekt (O, O₁, O₂) zuzuordnen sowie mehrere Intensitäten (I_i) in Form einer Intensitätsverteilung wiederum dem Objekt (O, O₁, O₂) zuzuordnen, dadurch gekennzeichnet, dass - in der Recheneinheit (5) für mehrere Objektklassen eine jeweilige Winkel-Charakteristik (R_O,Γ_O) mit einer deterministischen Komponente (R _O,Γ _O) und mit einer stochastischen Komponente hinterlegt ist, wobei die deterministische Komponente (R _O,Γ _O) einen jeweiligen deterministischen Einfluss von zumindest einem Referenz-Objekt (O, O₁, O₂) der jeweiligen Objektklasse in der abgetasteten Umgebung (3) auf die Intensitätsverteilung repräsentiert, und wobei die stochastische Komponente mit einer Wahrscheinlichkeitsdichtefunktion hinterlegt ist, welche einen stochastischen Einfluss auf die Intensitätsverteilung repräsentiert; und dass - die Recheneinheit (5) ausgebildet ist, das Objekt (O, O₁, O₂) anhand der zugeordneten Intensitätsverteilung als zu derjenigen Objektklasse zugehörig zu klassifizieren, für welche ein Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken (R_O,Γ_O) mit der hinterlegten Wahrscheinlichkeitsdichtefunktion die größte Zugehörigkeitswahrscheinlichkeit liefert, und das Objekt (O, O₁, O₂) anhand der zugeordneten Intensitätsverteilung als an derjenigen Position (r, θ) verortet zu lokalisieren, für welche der Maximum-Likelihood-Schätzer für die hinterlegten Winkel-Charakteristiken (R_O,Γ_O) mit der hinterlegten Wahrscheinlichkeitsdichtefunktion die größte Aufenthaltswahrscheinlichkeit liefert.
12. Kraftfahrzeug (1) mit einer Lidar-Sensorvorrichtung (2) nach Anspruch 11.

Images