DE102017126183A1

DE102017126183A1 - Method for detecting and classifying an object by means of at least one sensor device based on an occupancy map, driver assistance system and motor vehicle

Info

Publication number: DE102017126183A1
Application number: DE102017126183.4A
Authority: DE
Inventors: Suneeza Hanif; Jens Honer; Georg Arbeiter; Alexander Lougovski
Original assignee: Valeo Schalter und Sensoren GmbH
Current assignee: Valeo Schalter und Sensoren GmbH
Priority date: 2017-11-09
Filing date: 2017-11-09
Publication date: 2019-05-09

Abstract

Die Erfindung betrifft ein Verfahren zum Erfassen und zur Klassifizierung eines Objekts (O1, O2, O3, O4, O5) mittels zumindest einer Sensorvorrichtung (2) auf Basis einer bereitgestellten Belegungskarte (7), welche eine Mehrzahl an gitterförmig angeordneten Zellen (8, 8a, 8b, 8c) aufweist, wobei in vorbestimmten Zeitschritten wiederholt zumindest ein Teil der Umgebung (3) abgetastet wird und eine Belegungswahrscheinlichkeit (B) zu einer jeweiligen Zelle (8, 8a, 8b, 8c) in Abhängigkeit von einer Anzahl an erfassten Scanpunkten (P) in einem zu einer jeweiligen Zelle (8, 8a, 8b, 8c) zugeordneten Ortsbereich (9) der Umgebung (3) zugeordnet wird. Weiterhin wird überprüft, ob die Belegungskarte (7) zumindest einen zusammenhängenden Zellenbereich (C1, C2, C3, C4, C5) mit einer Belegungswahrscheinlichkeitsdichte größer als ein vorbestimmter Grenzwert aufweist, und falls ja, wird ein Objekt (O1, O2, O3, O4, O5) erfasst. Weiterhin wird eine räumliche Autokorrelation (A) eines räumlichen Verlaufs (16, 17, 18, 19, 20) der Belegungswahrscheinlichkeiten (B) für den zumindest einen Zellenbereich (C1, C2, C3, C4, C5) ermittelt und das Objekt (O1, O2, O3, O4, O5) als statisch oder dynamisch in Abhängigkeit von der räumlichen Autokorrelation (A) klassifiziert.

The invention relates to a method for detecting and classifying an object (O1, O2, O3, O4, O5) by means of at least one sensor device (2) on the basis of a provided occupancy map (7) which has a plurality of cells (8, 8a , 8b, 8c), wherein at least a part of the environment (3) is repeatedly sampled at predetermined time steps and an occupancy probability (B) to a respective cell (8, 8a, 8b, 8c) in dependence on a number of acquired scan points ( P) in a to a respective cell (8, 8a, 8b, 8c) associated location area (9) of the environment (3) is assigned. Furthermore, it is checked whether the occupancy card (7) has at least one contiguous cell area (C1, C2, C3, C4, C5) with an occupancy probability density greater than a predetermined threshold, and if so, an object (O1, O2, O3, O4 , O5). Furthermore, a spatial autocorrelation (A) of a spatial progression (16, 17, 18, 19, 20) of the occupancy probabilities (B) for the at least one cell area (C1, C2, C3, C4, C5) is determined and the object (O1, O2, O3, O4, O5) are classified as static or dynamic depending on the spatial autocorrelation (A).

Description

Die Erfindung betrifft ein Verfahren zum Erfassen und zur Klassifizierung eines Objekts mittels zumindest einer Sensorvorrichtung auf Basis einer Belegungskarte. Dabei wird die Belegungskarte bereitgestellt, welche eine Mehrzahl an gitterförmig angeordneten Zellen aufweist, wobei jeder Zelle ein festgelegter Ortsbereich einer Umgebung der Sensorvorrichtung zugeordnet ist. Weiterhin wird in vorbestimmten Zeitschritten zumindest ein Teil der Umgebung durch die zumindest eine Sensorvorrichtung wiederholt abgetastet und eine Belegungswahrscheinlichkeit zu einer jeweiligen Zelle in Abhängigkeit von einer Anzahl an durch die zumindest eine Sensorvorrichtung erfassten Scanpunkten in einem zu einer jeweiligen Zelle zugeordneten Ortsbereich der Umgebung zugeordnet.The invention relates to a method for detecting and classifying an object by means of at least one sensor device based on an occupancy map. In this case, the occupancy card is provided, which has a plurality of lattice-shaped cells, wherein each cell is assigned a defined local area of an environment of the sensor device. Furthermore, at least part of the environment is scanned repeatedly by the at least one sensor device in predetermined time steps, and an occupancy probability associated with a respective cell as a function of a number of scan points detected by the at least one sensor device in a location area of the environment assigned to a respective cell.

Aus dem Stand der Technik sind vielfältige Arten von Umfeldsensoren bekannt, die zum Erfassen eines Kraftfahrzeugumfelds dienen. Auf einer derartigen Umfelderfassung können dann entsprechende Fahrerassistenzsysteme aufbauen, die die Umfelderfassung nutzen, um beispielsweise Objekte in der Umgebung eines Kraftfahrzeugs zu detektieren und auch zu klassifizieren. Auch können beispielsweise erfasste Objekte getrackt werden, das heißt ihre Position und ihr Bewegungsverlauf kann verfolgt werden. Gerade beim Tracking von Objekten ist es wichtig, sinnvoll zwischen statischen und dynamischen Objekten zu unterscheiden.Various types of environmental sensors are known from the prior art, which serve for detecting a motor vehicle environment. Corresponding driver assistance systems can then be set up on such an environment detection, which use the surroundings detection, for example, to detect and also classify objects in the surroundings of a motor vehicle. Also, for example, detected objects can be tracked, that is, their position and their course of movement can be tracked. Especially when tracking objects, it is important to distinguish between static and dynamic objects.

Eine Möglichkeit zur Klassifizierung von statischen und dynamischen Objekten ist in der Dissertation „Belegungskartenbasierte Umfeldwahrnehmung in Kombination mit objektbasierten Ansätzen für Fahrerassistenzsysteme“ (Mohamed Essayed Bouzouraa-2011) beschrieben. Dort ist eine Methode zur Unterscheidung von statischen und sich bewegenden Objekten auf Basis von Scanpunkten offenbart. Hierbei werden Scanpunkte in jedem Erfassungszeitschritt in die Zellen einer Belegungskarte, einer sogenannten Grid Map, eingetragen. Jeder Zelle wird auf Basis der Scanpunkte innerhalb der Zelle eine Belegungswahrscheinlichkeit zugeordnet. Für statische Objekte, die sich also immer am selben Ort befinden und damit immer den gleichen Zellen zugeordnet sind, sind die Belegungswahrscheinlichkeiten in diesen Zellen sehr hoch, während diese für bewegte Objekte sehr niedrig sind, da diese nur kurz und damit in Form weniger Scanpunkte am selben Ort erfasst werden. Überschreitet die Belegungswahrscheinlichkeit einen Grenzwert, so werden die Scanpunkte innerhalb der Zelle als statisch klassifiziert. Bei einer niedrigen Belegungswahrscheinlichkeit werden die Scanpunkte als dynamisch klassifiziert.A possibility for the classification of static and dynamic objects is described in the dissertation "occupancy map-based environment perception in combination with object-based approaches for driver assistance systems" (Mohamed Essayed Bouzouraa-2011). There, a method for distinguishing static and moving objects based on scan points is disclosed. In this case, scan points are entered in each acquisition time step in the cells of an occupancy map, a so-called grid map. Each cell is assigned an occupancy probability based on the scan points within the cell. For static objects, which are always located in the same place and are therefore always assigned to the same cells, the occupancy probabilities in these cells are very high, while these are very low for moving objects, since these are only short and thus in the form of fewer scan points on same place. If the occupancy probability exceeds a limit value, the scan points within the cell are classified as static. With a low occupancy probability, the scan points are classified as dynamic.

Diese Klassifikationsmethode ist jedoch in vielen Situationen unzureichend. Bewegt sich beispielsweise ein Objekt nur sehr langsam, so würden die Belegwahrscheinlichkeiten der korrespondierenden Zellen der Belegungskarte sehr hoch sein, und das Objekt würde fälschlicherweise als statisches Objekt klassifiziert werden. Würde man den Grenzwert für die Belegungswahrscheinlichkeit entsprechend höher wählen, so würde es auch für statische Objekte sehr viele Zeitschritte und damit lange dauern, bis ein solch hoher Grenzwert erreicht ist. Wenn nun eine solche Vorgehensweise in einem Kraftfahrzeug, das sich mit sehr hohe Geschwindigkeit bewegt, Anwendung findet, dann wären solche langen Zeitdauern nur wenig praktikabel, da die Latenzzeiten, die dann auftreten würden, bis statische Objekte den Wahrscheinlichkeitsgrenzwert erreichen bemessen an der Zeit, in welcher sich die Objekte überhaupt im Erfassungsbereich des Laserscanners befinden, zu groß wären.However, this classification method is inadequate in many situations. For example, if an object moves very slowly, the document probabilities of the corresponding cells of the occupancy map would be very high, and the object would be erroneously classified as a static object. If one were to choose the limit value for the occupancy probability correspondingly higher, it would also take a very long time for static objects and thus for a long time until such a high limit value is reached. Now, if such an approach is used in a motor vehicle traveling at very high speed, such long time periods would be impractical because the latencies that would then occur until static objects reach the probability threshold are measured at the time which the objects are actually in the detection range of the laser scanner would be too large.

Daher ist es Aufgabe der vorliegenden Erfindung, ein Verfahren zum Erfassen und zur Klassifizierung eines Objekts mittels zumindest einer Sensorvorrichtung auf Basis einer Belegungskarte, ein Fahrerassistenzsystem sowie ein Kraftfahrzeug bereitzustellen, welche eine zuverlässigere Klassifikation von statischen und dynamischen Objekten erlauben.It is therefore an object of the present invention to provide a method for detecting and classifying an object by means of at least one sensor device based on an occupancy map, a driver assistance system and a motor vehicle, which allow a more reliable classification of static and dynamic objects.

Diese Aufgabe wird gelöst durch ein Verfahren, ein Fahrerassistenzsystem und ein Kraftfahrzeug mit den Merkmalen gemäß den jeweiligen unabhängigen Ansprüchen. Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der abhängigen Ansprüche, der Beschreibung und den Figuren.This object is achieved by a method, a driver assistance system and a motor vehicle having the features according to the respective independent claims. Advantageous embodiments of the invention are subject of the dependent claims, the description and the figures.

Bei einem erfindungsgemäßen Verfahren zum Erfassen und zur Klassifizierung eines Objekts mittels zumindest einer Sensorvorrichtung auf Basis einer Belegungskarte wird die Belegungskarte bereitgestellt, welche eine Mehrzahl an gitterförmig angeordneten Zellen aufweist, wobei jeder Zelle ein festgelegter Ortsbereich einer Umgebung der Sensorvorrichtung zugeordnet ist. Weiterhin wird in vorbestimmten Zeitschritten zumindest ein Teil der Umgebung durch die zumindest eine Sensorvorrichtung abgetastet und eine Belegungswahrscheinlichkeit zu einer jeweiligen Zelle in Abhängigkeit von einer Anzahl an durch die zumindest eine Sensorvorrichtung erfassten Scanpunkten in einem zu einer jeweiligen Zelle zugeordneten Ortsbereich der Umgebung zugeordnet. Darüber hinaus wird überprüft, ob die Belegungskarte zumindest einen zusammenhängenden Zellenbereich aufweist, welcher eine Belegungswahrscheinlichkeitsdichte aufweist, die größer ist als ein vorbestimmter Grenzwert, und falls ja, wird ein Objekt in dem Ortsbereich, welcher dem zumindest einen zusammenhängenden Zellenbereich zugeordnet ist, erfasst. Darüber hinaus wird eine räumliche Autokorrelation eines räumlichen Verlaufs der Belegungswahrscheinlichkeiten für den zumindest einen Zellenbereich ermittelt und das Objekt als statisch oder dynamisch in Abhängigkeit von der räumlichen Autokorrelation klassifiziert.In a method according to the invention for detecting and classifying an object by means of at least one sensor device based on an occupancy map, the occupancy map is provided which has a plurality of cells arranged in a grid, each cell being assigned a defined local area of an environment of the sensor device. Furthermore, at least part of the environment is scanned by the at least one sensor device at predetermined time steps, and an occupancy probability associated with a respective cell as a function of a number of scan points detected by the at least one sensor device in a location area of the environment assigned to a respective cell. In addition, it is checked whether the occupancy map has at least one contiguous cell area having an occupancy probability density greater than a predetermined limit, and if so, an object in the location area associated with the at least one contiguous cell area is detected. In addition, a spatial autocorrelation of a spatial course of the occupancy probabilities for the at least one cell area is determined and the object as static or dynamically classified as a function of the spatial autocorrelation.

Die Erfindung beruht dabei auf der Erkenntnis, dass bewegte Objekte ein Belegungswahrscheinlichkeitsmuster in der Belegungskarte verursachen, welches sich signifikant von dem eines statischen Objekts oder auch dem von Rauschsignalen unterschreitet. Wird beispielsweise mittels der Sensorvorrichtung ein vorausfahrendes Kraftfahrzeug erfasst, so ergibt sich hieraus in einem Erfassungszeitschritt eine zum Heck dieses Fahrzeug korrespondierende Linie in der Bewegungskarte mit erhöhter Belegungswahrscheinlichkeit im Vergleich zu den Belegungswahrscheinlichkeiten der Umgebung. Wird das Kraftfahrzeug in einem nächsten Zeitschritt erneut erfasst, so ergibt sich wiederum eine zur Heck dieses Fahrzeugs korrespondierende Linie mit erhöhter Belegungswahrscheinlichkeit, die um die Strecke, welches das Kraftfahrzeug zwischen den beiden Erfassungszeitschritten gefahren ist, gegenüber der zuvor erfassten Linie in der Belegungskarte verschoben ist. Mit anderen Worten ergibt sich für ein in einer bestimmten Richtung fahrendes Fahrzeug in der Belegungskarte eine Abfolge paralleler Linien, die senkrecht zur Bewegungsrichtung des Kraftfahrzeugs, oder im Allgemeinen eines bewegten Objekts, verlaufen. Ein derartiges Linienmuster ließe sich zwar prinzipiell auch bereits auf Basis der Belegungskarte als solches, zum Beispiel durch geeignete Mustererkennungsverfahren, detektieren, jedoch nur mit einem bestimmten Maß an Zuverlässigkeit bedingt durch unweigerlich vorhandenes Messrauschen. Durch die Betrachtung der Autokorrelation bzw. der Autokorrelationsfunktion eines solchen Musters lassen sich dynamische Objekte jedoch deutlich zuverlässiger und robuster detektieren. Die Autokorrelation beschreibt dabei die Ähnlichkeit des Belegungswahrscheinlichkeitsverlaufs in einem bestimmten räumlich zusammenhängenden Zellenbereich zu sich selbst in Abhängigkeit von einem räumlichen Versatz dieses Belegungswahrscheinlichkeitsverlaufs zu sich selbst. Die Begriffe Autokorrelation und Autokorrelationsfunktion werden hierbei und im Folgenden synonym verwendet. Da also bewegte Objekte ein derart stark korreliertes Belegungswahrscheinlichkeitsmuster in der Belegungskarte hinterlassen, lässt sich durch die Betrachtung der Autokorrelation eine äußerst zuverlässige Klassifizierung eines Objekts als statisch oder dynamisch vornehmen.The invention is based on the recognition that moving objects cause an occupancy probability pattern in the occupancy map, which is significantly lower than that of a static object or even of noise signals. If, for example, a preceding motor vehicle is detected by means of the sensor device, this results in a detection time step corresponding to the rear of this vehicle line in the motion map with increased occupancy probability in comparison to the occupancy probabilities of the environment. If the motor vehicle is detected again in a next time step, the result again is a line corresponding to the rear of this vehicle with an increased occupancy probability, which is shifted by the distance which the motor vehicle traveled between the two acquisition time steps from the previously detected line in the occupancy map , In other words, for a vehicle traveling in a certain direction, the occupancy map results in a sequence of parallel lines that run perpendicular to the direction of movement of the motor vehicle or, in general, of a moving object. In principle, such a line pattern could already be detected on the basis of the occupancy map as such, for example by means of suitable pattern recognition methods, but only with a certain degree of reliability due to inevitably existing measurement noise. By considering the autocorrelation or the autocorrelation function of such a pattern, however, dynamic objects can be detected much more reliably and robustly. In this case, the autocorrelation describes the similarity of the occupancy probability course in a certain spatially connected cell area to itself as a function of a spatial offset of this occupancy probability course to itself. The terms autocorrelation and autocorrelation function are used synonymously here and below. Since moving objects leave such a highly correlated occupancy probability pattern in the occupancy map, the autocorrelation allows a highly reliable classification of an object to be static or dynamic.

Die Belegungskarte kann im Allgemeinen auch als Belegungsgitter oder Occupancy Grid Map bezeichnet werden. Grid Maps repräsentieren die Umgebung als Gitter, insbesondere als zweidimensionales Gitter, das aus einzelnen Zellen besteht, die vorzugsweise eine fixe Größe haben. Jeder Zelle können feste Eigenschaften zugewiesen werden. In diesem Fall wird jeder Zelle zumindest die Wahrscheinlichkeit, dass sie belegt ist, zugewiesen, die entsprechend die Belegungswahrscheinlichkeit für eine jeweilige Zelle bereitstellt. Weiterhin verläuft die Belegungskarte vorzugsweise in einer Ebene, welche beispielsweise in Bezug zur Umgebung horizontal angeordnet ist. Ist die Sensorvorrichtung beispielsweise als Laserscanner ausgebildet, so kann dieser beispielsweise frontseitig an einem Kraftfahrzeug angeordnet sein und die Umgebung ebenfalls in einer horizontalen Ebene oder zumindest in einer Scanebene scannen, die um einen vorbestimmten Winkel gegenüber der Horizontalen geneigt ist. Der Laserscanner kann die Umgebung auch in mehreren Scanebenen scannen, beispielsweise in einer ersten Scanebene, in einer zweiten Scanebene, welche gegenüber der ersten um 3°in vertikaler Richtung g eneigt ist, und in einer dritten Scanebene, welche gegenüber der ersten Scanebene um 6°in vertikaler Richtung geneigt ist, wobei die vertikale Richtung in Richtung der Hochachse eines Kraftfahrzeugs definiert wird, welches den Laserscanner aufweist. Die Belegungskarte erstreckt sich in diesem Beispiel parallel zur längs und Querachse des Kraftfahrzeugs.The occupancy card can also be commonly referred to as occupancy grid or occupancy grid map. Grid maps represent the environment as a grid, in particular as a two-dimensional grid, which consists of individual cells, which preferably have a fixed size. Each cell can be assigned fixed properties. In this case, each cell is assigned at least the probability that it is occupied, which accordingly provides the occupancy probability for a respective cell. Furthermore, the occupancy card preferably runs in a plane which is arranged horizontally, for example, in relation to the environment. If the sensor device is embodied, for example, as a laser scanner, it can for example be arranged on the front of a motor vehicle and also scan the surroundings in a horizontal plane or at least in a scan plane which is inclined by a predetermined angle relative to the horizontal. The laser scanner can also scan the surroundings in several scan planes, for example in a first scan plane, in a second scan plane, which is inclined 3 ° in the vertical direction relative to the first, and in a third scan plane, which is 6 ° in relation to the first scan plane is inclined in the vertical direction, wherein the vertical direction is defined in the direction of the vertical axis of a motor vehicle having the laser scanner. The occupancy card extends in this example parallel to the longitudinal and transverse axis of the motor vehicle.

Gemäß einer weiteren vorteilhaften Ausgestaltung der Erfindung wird eine Bewegung der Sensorvorrichtung relativ zur Umgebung erfasst und die erfasste Bewegung bei der Zuordnung von den durch die zumindest eine Sensorvorrichtung erfassten Scanpunkten zu den Zellen der Belegungskarte berücksichtigt. Dies erlaubt vorteilhafterweise eine Eigenbewegungskompensation. Punkte werden durch eine Sensorvorrichtung üblicherweise in einem Sensorvorrichtungs-festen Koordinatensystem erfasst. Die Belegungskarte beziehungsweise deren Zellen sind dagegen ortsfest und somit auch durch ein ortsfestes Koordinatensystem beschrieben. Durch diese Ausführungsform der Erfindung wird es vorteilhafterweise ermöglicht, dass die in Bezug zum Sensorvorrichtungs-festen Koordinatensystem erfassten Scanpunkte auch bei Bewegung der Sensorvorrichtung in Bezug auf die Umgebung den richtigen Ortsbereichen der jeweiligen Zellen zugeordnet werden. Das Sensorvorrichtungs-feste Koordinatensystem hängt damit über eine einfache Transformation mit dem ortsfesten Koordinatensystem der Belegungskarte zusammen, wobei diese Transformation durch die Bewegung der Sensorvorrichtung relativ zur Umgebung bestimmt ist. Die Bewegung der Sensorvorrichtung relativ zur Umgebung ist insbesondere durch eine Geschwindigkeit der Sensorvorrichtung sowie eine Richtung der Bewegung bestimmt. Ist die Sensorvorrichtung Teil eines Kraftfahrzeugs, so können diese Größen auf einfache Weise mittels Kraftfahrzeugsensoren ermittelt werden, zum Beispiel Geschwindigkeitssensoren, diverse Positionserfassungsmittel oder Lenkwinkelsensoren.According to a further advantageous embodiment of the invention, a movement of the sensor device is detected relative to the environment and the detected movement in the assignment of the detected by the at least one sensor device scan points to the cells of the occupancy map taken into account. This advantageously allows proper motion compensation. Dots are typically detected by a sensor device in a sensor-fixed coordinate system. The occupancy card or its cells, however, are stationary and thus also described by a stationary coordinate system. This embodiment of the invention advantageously allows the scan points detected relative to the sensor device-fixed coordinate system to be assigned to the correct location areas of the respective cells even when the sensor device moves with respect to the surroundings. The sensor device-fixed coordinate system is thus connected via a simple transformation with the fixed coordinate system of the occupancy map, this transformation being determined by the movement of the sensor device relative to the environment. The movement of the sensor device relative to the environment is determined in particular by a speed of the sensor device and a direction of movement. If the sensor device is part of a motor vehicle, then these variables can be determined in a simple manner by means of motor vehicle sensors, for example speed sensors, various position detection means or steering angle sensors.

Befindet sich beispielsweise ein statisches Objekt in einem bestimmten Ortsbereich, so werden in diesem Ortsbereich in jedem Zeitschritt Scanpunkte erfasst. Dies führt dazu, dass die Belegungswahrscheinlichkeiten in der diesem Ortsbereich zugeordneten Zelle in jedem Zeitschritt erhöht wird. Dabei wird die Belegungswahrscheinlichkeiten vorzugsweise nur bis zu einem vorbestimmten Maximalwert der Belegungswahrscheinlichkeiten, wie beispielsweise 1, erhöht.If, for example, there is a static object in a certain location area, then in this location area every time step becomes Scan points detected. As a result, the occupancy probabilities in the cell assigned to this location area are increased in each time step. The occupancy probabilities are preferably increased only up to a predetermined maximum value of the occupancy probabilities, such as 1, for example.

Optional kann auch eine Zerfallsfunktion oder ein Zerfallsfaktor vorgesehen sein, mit welchen die Belegungswahrscheinlichkeiten einer jeweiligen Zelle in jedem Zeitschritt multipliziert wird. Dies bewirkt, dass die Belegungswahrscheinlichkeit einer jeweiligen Zelle nach einem Zeitschritt reduziert wird, wenn in dem der jeweiligen Zelle zugeordneten Ortsbereich für den Zeitschritt kein Scanpunkt erfasst wurde. Dadurch wird es vorteilhafterweise gewährleistet, dass Zellen, die einmal belegt waren, nun jedoch nicht mehr belegt sind, nicht dauerhaft als belegt gelten.Optionally, a decay function or a decay factor can also be provided, with which the occupancy probabilities of a respective cell in each time step are multiplied. This has the effect that the occupancy probability of a respective cell is reduced after a time step if no scan point was detected in the location area assigned to the respective cell for the time step. This advantageously ensures that cells that were once occupied but are no longer occupied are not considered to be permanently occupied.

Bevor die Autokorrelation ermittelt wird, wird in der Belegungskarte zunächst nach zusammenhängenden Zellenbereichen mit vorbestimmt erhöhter Belegungswahrscheinlichkeitsdichte gesucht. Zur Detektion solcher zusammenhängenden Zellenbereiche oder Cluster mit erhöhter Belegungswahrscheinlichkeitsdichte können bekannte Clusterverfahren bzw. Clusteralgorithmen verwendet werden, wie zum Beispiel DBSCAN (Density-Based Spatial Clustering of Applications with Noise), das heißt dichtebasierte räumliche Clusteranalyse mit Rauschen. Hierdurch lassen sich Cluster bzw. zusammenhängende Zellenbereiche in der Belegungskarte identifizieren bzw. zu solchen Bereichen gehörende Zellen zusammenfassen, die entsprechend solche Cluster beziehungsweise Zellenbereiche mit erhöhter Belegungswahrscheinlichkeitsdichte formen. Wird also ein solcher zusammenhängender Zellenbereich mit erhöhter Belegungswahrscheinlichkeitsdichte gefunden, so wird hierdurch das Vorhandensein eines Objekts in dem zu diesem Zellenbereich zugeordneten Ortsbereich oder zugeordneten Ortsbereichen erfasst. Die räumliche Autokorrelation bzw. Autokorrelationsfunktion kann dann entsprechend für jeden der so gefundenen zusammenhängenden Zellenbereiche ermittelt werden und dadurch die erfassten Objekte jeweils als statisch oder dynamisch in Abhängigkeit von der betreffenden räumlichen Autokorrelation klassifiziert werden.Before the autocorrelation is determined, the occupancy map first looks for contiguous cell areas with a predetermined increased occupancy probability density. For the detection of such contiguous cell areas or clusters with increased occupancy probability density, known cluster methods or cluster algorithms can be used, such as DBSCAN (Density-Based Spatial Clustering of Applications with Noise), that is, density-based spatial cluster analysis with noise. In this way, clusters or contiguous cell areas in the occupancy map can be identified or cells belonging to such areas can be summarized, which accordingly form such clusters or cell areas with increased occupancy probability density. If, therefore, such a contiguous cell area is found with an increased occupancy probability density, the presence of an object in the location area or assigned location areas assigned to this cell area is thereby detected. The spatial autocorrelation or autocorrelation function can then be determined correspondingly for each of the contiguous cell areas thus found and thereby the detected objects can each be classified as static or dynamic as a function of the relevant spatial autocorrelation.

Bei einer vorteilhaften Ausgestaltung der Erfindung stellt die zumindest eine Sensorvorrichtung einen Laserscanner dar. Damit können vorteilhafterweise die Vorteile der Erfindung in Bezug auf eine einfache und zuverlässige Klassifikation von statischen und bewegten Objekten für die als Laserscanner ausgebildete zumindest eine Sensorvorrichtung genutzt werden. Vorteile lassen sich dabei gerade im Hinblick auf eine zuverlässige Klassifikation von Objekten erzielen, deren korrekte Klassifikation auf Basis der Erfassung durch einen Laserscanner üblicherweise problematisch ist, wie beispielsweise Leitplanken.In an advantageous embodiment of the invention, the at least one sensor device is a laser scanner. Advantageously, the advantages of the invention with respect to a simple and reliable classification of static and moving objects for the at least one sensor device designed as a laser scanner can be used. Advantages can be achieved precisely with regard to a reliable classification of objects whose correct classification on the basis of detection by a laser scanner is usually problematic, such as crash barriers.

Das erfindungsgemäße Verfahren und dessen Ausführungsformen lassen sich dabei aber im Allgemeinen mit jeder beliebig ausgebildeten Sensorvorrichtung umsetzen. Diese kann beispielsweise abgesehen von der bevorzugten Ausbildung als Laserscanner auch als Radarsensor und/oder Ultraschallsensor ausgebildet sein. Auch eine Ausbildung als Kamera, Stereokamera oder Time-of-flight-Kamera ist denkbar. Das Abtasten der Umgebung durch die Sensorvorrichtung sowie das Erfassen eines Scanpunkts ist dabei im Allgemeinen als eine Erfassung zumindest des Teils der Umgebung basierend auf dem durch die Sensorvorrichtung entsprechend ihrer Ausbildung bereitgestellten Messprinzip zu verstehen. Einzelne Scanpunkte müssen dabei nicht notwendigerweise zeitlich aufeinanderfolgend erfasst werden, sondern können beispielsweise auch gleichzeitig erfasst werden. Zudem kann das Verfahren auch im Zusammenhang mit einer Sensoranordnung aufweisend mehrere verschiedene ausgebildete Sensorvorrichtungen oder gleichartig ausgebildete Sensorvorrichtungen ausgeführt werden. Dabei kann das beschriebene Verfahren in gleicher Weise auch bei der Verwendung mehrerer Sensorvorrichtungen, wie beispielsweise mehrerer Laserscanner, ganz analog angewandt werden.However, the method according to the invention and its embodiments can generally be implemented with any sensor device of any design. This can be formed, for example, apart from the preferred embodiment as a laser scanner as a radar sensor and / or ultrasonic sensor. Training as a camera, stereo camera or time-of-flight camera is also conceivable. The scanning of the environment by the sensor device and the detection of a scan point is to be understood in general as a detection of at least the part of the environment based on the measuring principle provided by the sensor device according to their training. Individual scan points do not necessarily have to be recorded in chronological succession, but can also be detected simultaneously, for example. In addition, the method can also be carried out in connection with a sensor arrangement having a plurality of different sensor devices or identically designed sensor devices. In this case, the method described in the same way even when using a plurality of sensor devices, such as several laser scanners, can be applied quite analogously.

Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung wird überprüft, ob die ermittelte Autokorrelation mehrere Spitzen aufweist, und falls ja, wird das Objekt als dynamisches Objekt klassifiziert. Wie bereits beschrieben hinterlassen dynamische Objekte in der Belegungskarte üblicherweise ein typisches Linienmuster. Daraus resultiert eine räumliche Autokorrelation, die mehrere aufeinanderfolgende Spitzen oder Peaks in Bewegungsrichtung des Objekts aufweist. Zwischen diesen Spitzen fällt die Autokorrelationsfunktion bis auf unweigerlich immer vorhandenes Untergrundrauschen näherungsweise auf Null ab. Demgegenüber weist die Autokorrelationsfunktion eines statischen Objekts einen räumlich algebraischen Zerfall, zum Beispiel einen linearen Zerfall, auf. Durch diesen signifikanten Unterschied des Verlaufes der jeweiligen Autokorrelationsfunktionen von dynamischen und statischen Objekten lässt sich vorteilhafterweise ein dynamisches Objekt, und entsprechend auch ein statisches Objekt, besonders zuverlässig erkennen, wenn die Autokorrelation auf das Vorhandensein mehrerer Spitzen hin überprüft wird. Ist dies der Fall, so kann das Objekt sehr zuverlässig als dynamisches Objekt klassifiziert werden.In a further advantageous embodiment of the invention, it is checked whether the determined autocorrelation has multiple peaks, and if so, the object is classified as a dynamic object. As already described, dynamic objects in the occupancy map typically leave a typical line pattern. This results in a spatial autocorrelation that has several consecutive peaks or peaks in the direction of movement of the object. Between these peaks, the autocorrelation function falls approximately to zero, except for inevitably always existing background noise. In contrast, the autocorrelation function of a static object has a spatial algebraic decay, for example a linear decay. By virtue of this significant difference in the course of the respective autocorrelation functions of dynamic and static objects, a dynamic object, and correspondingly also a static object, can be detected particularly reliably if the autocorrelation is checked for the presence of a plurality of peaks. If this is the case, then the object can be very reliably classified as a dynamic object.

Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung wird für den Fall, dass die ermittelte Autokorrelation mehrere Spitzen aufweist, eine Geschwindigkeit des Objekts in Abhängigkeit von einem räumlichen Abstand zwischen zumindest zwei der mehreren Spitzen ermittelt. Der Abstand zwischen den Spitzen der Autokorrelation ist dabei proportional zur Geschwindigkeit des dynamischen Objekts, so dass sich aus dem Abstand dieser Spitzen nun vorteilhafterweise die Geschwindigkeit des Objekts ermitteln lässt. Insbesondere kann die Geschwindigkeit dabei als Quotient zwischen dem Abstand zweier aufeinanderfolgender Spitzen und dem Zeitintervall zwischen zwei Zeitschritten, in welchen das wiederholte Abtasten erfolgt ist, berechnet werden. Diese Geschwindigkeit stellt dabei insbesondere eine über mehrere Zeitschritte gemittelte Geschwindigkeit des bewegten Objekts dar, da sich auch die Autokorrelation aus der Betrachtung des Belegungswahrscheinlichkeitsverlaufs über mehrere Zeitschritte hinweg ergibt. Durch die Betrachtung der Autokorrelation lässt sich nun vorteilhafterweise nicht nur eine sehr robuste Klassifikation von Objekten als statisch oder dynamisch vornehmen, es kann sogar eine Information über die Geschwindigkeit eines als dynamisch klassifizierten Objekts aus der Autokorrelation abgeleitet werden.In a further advantageous embodiment of the invention, in the event that the determined autocorrelation has multiple peaks, one Speed of the object as a function of a spatial distance between at least two of the multiple peaks determined. The distance between the peaks of the autocorrelation is proportional to the velocity of the dynamic object, so that from the distance of these peaks now advantageously the speed of the object can be determined. In particular, the speed can be calculated as a quotient between the distance between two successive peaks and the time interval between two time steps in which the repeated sampling has taken place. In particular, this speed represents a speed of the moving object averaged over several time steps, since the autocorrelation also results from the consideration of the occupancy probability course over a plurality of time steps. By considering the autocorrelation, advantageously not only a very robust classification of objects can be made as static or dynamic, it is even possible to derive information about the speed of an object classified as dynamically from the autocorrelation.

Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung wird eine Differenz zwischen einem Maximalwert und einem Mittelwert der Autokorrelation ermittelt und das Objekt als dynamisches Objekt klassifiziert, falls die Differenz größer ist als ein vorbestimmter Grenzwert. Vorteilhafterweise kann so eine Klassifikation eines erfassten Objekts nicht nur auf Basis einer Detektion von Spitzen in der Autokorrelation erfolgen, sondern zusätzlich oder alternativ auch auf Basis einer Betrachtung der Differenz zwischen einem Maximalwert und dem Mittelwert der Autokorrelation. Ist die Autokorrelationsfunktion beispielsweise auf einen Maximalwert von 1 normiert, so ergibt sich für ein statisches Objekt typischerweise einen Mittelwert von ca. 0,5. Der Mittelwert der Autokorrelation für ein dynamisches Objekt liegt dagegen deutlich niedriger, beispielsweise im Bereich von ca. 0,2. Aufgrund dieses signifikanten Unterschieds des Mittelwerts der Autokorrelation für ein dynamisches und für ein statisches Objekt lässt sich auf Basis der Betrachtung der Differenz zwischen dem Maximalwert und einem solchen Mittelwert ebenso zuverlässig ein Objekt als statisch oder dynamisch klassifizieren.In a further advantageous embodiment of the invention, a difference between a maximum value and an average value of the autocorrelation is determined and the object is classified as a dynamic object if the difference is greater than a predetermined limit value. Advantageously, such a classification of a detected object can be made not only on the basis of a detection of peaks in the autocorrelation, but additionally or alternatively also on the basis of a consideration of the difference between a maximum value and the mean value of the autocorrelation. If, for example, the autocorrelation function is normalized to a maximum value of 1, the result for a static object is typically a mean value of approximately 0.5. By contrast, the mean value of the autocorrelation for a dynamic object is significantly lower, for example in the range of approximately 0.2. Because of this significant difference in the average of the autocorrelation for a dynamic and for a static object, it is equally possible to classify an object statically or dynamically based on the consideration of the difference between the maximum value and such a mean value.

Die Betrachtung dieser Differenz stellt dabei nicht nur eine alternative Möglichkeit zur Klassifikation von erfassten Objekten als statisch oder dynamisch dar, sondern sie kann beispielsweise auch zusätzlich zur Überprüfung, ob die ermittelte Autokorrelation mehrere Spitzen aufweist, herangezogen werden, um dadurch ein vorhergehendes Klassifikationsergebnis zusätzlich zu verifizieren und damit die Klassifikation noch zuverlässiger und robuster zu gestalten. Neben der Betrachtung oben beschriebener Differenz kann alternativ oder zusätzlich auch eine andere Größe, zum Beispiel der Quotient aus Maximalwert und Mittelwert herangezogen werden, der mit einem entsprechenden Grenzwert verglichen werden kann, um das Objekt als statisch oder dynamisch zu klassifizieren. Ist die Autokorrelation in Bezug auf ihren Maximalwert normiert, so kann zur Klassifikation auch nur der Mittelwert betrachtet und mit einem entsprechenden Grenzwert verglichen werden.The consideration of this difference not only represents an alternative possibility for the classification of detected objects as static or dynamic, but can, for example, additionally be used to check whether the determined autocorrelation has multiple peaks, thereby additionally verifying a previous classification result and thus make the classification even more reliable and robust. In addition to the consideration described above, alternatively or additionally, another variable, for example the quotient of maximum value and mean value, can be used, which can be compared with a corresponding limit value in order to classify the object as static or dynamic. If the autocorrelation is normalized with respect to its maximum value, only the mean value can be considered for classification and compared with a corresponding limit value.

Bei einer weiteren vorteilhaften Ausgestaltung wird ein Mittelwert der Autokorrelation ermittelt und in Abhängigkeit vom Mittelwert eine Geschwindigkeit des Objekts ermittelt. Auch die Geschwindigkeit eines dynamischen Objekts lässt sich nicht nur auf Basis eines räumlichen Abstands zwischen den Peaks der Autokorrelationsfunktion bestimmen, sondern vorteilhafterweise auch auf Basis des beschriebenen Mittelwerts der Autokorrelationsfunktion. Dieser Mittelwert kann dabei beispielsweise wiederum zu einem Bezugswert, wie zum Beispiel dem Maximalwert der Autokorrelation in Bezug gesetzt werden. Ist die Autokorrelationsfunktion ohnehin, zum Beispiel wiederum auf einen Maximalwert von 1, normiert, so kann auch nur der Mittelwert als solches zur Ermittlung der Geschwindigkeit des Objekts herangezogen werden. Je schneller sich ein Objekt bewegt, desto größer sind auch die räumlichen Abstände zwischen den Peaks der entsprechenden Autokorrelationsfunktion. Über eine bestimmte Anzahl an Zeitschritten betrachtet ist der Mittelwert der Autokorrelationsfunktion für ein schnelleres Objekt entsprechend kleiner als für ein langsameres Objekt. Auch in diesem Fall wird die Geschwindigkeit wiederum als mittlere Geschwindigkeit über mehrere Zeitschritte gemittelt ermittelt.In a further advantageous refinement, an average value of the autocorrelation is determined and a speed of the object is determined as a function of the mean value. The speed of a dynamic object can also be determined not only on the basis of a spatial distance between the peaks of the autocorrelation function, but also advantageously on the basis of the mean value of the autocorrelation function described. In this case, this mean value can in turn be related to a reference value, such as the maximum value of the autocorrelation, for example. If the autocorrelation function is normalized anyway, for example once again to a maximum value of 1, then only the mean value can be used as such to determine the speed of the object. The faster an object moves, the greater the spatial distances between the peaks of the corresponding autocorrelation function. Considered over a certain number of time steps, the mean value of the autocorrelation function is correspondingly smaller for a faster object than for a slower object. In this case as well, the velocity is again averaged as average velocity over several time steps.

Zusätzlich oder alternativ kann die Geschwindigkeit eines als dynamisch klassifizierten Objekts auch auf Basis der Belegungswahrscheinlichkeiten als solches berechnet werden. Daher stellt es eine weitere vorteilhafte Ausgestaltung dar, wenn für den Fall, dass das Objekt als dynamisch klassifiziert wurde, im Zellenbereich ein Abstand von Linien mit maximalen Belegungswahrscheinlichkeiten ermittelt wird und eine Geschwindigkeit des Objekts in Abhängigkeit vom ermittelten Abstand ermittelt wird. Wie eingangs beschrieben ergeben sich für ein dynamisches Objekt in der Belegungskarte mehrere aufeinanderfolgende parallele Linien senkrecht zur Bewegungsrichtung des Objekts. Je größer der Abstand zwischen diesen Linien ist, desto schneller bewegt sich das Objekt. Der Abstand dieser Linien ergibt sich dabei ebenfalls aus der Geschwindigkeit des Objekts multipliziert mit der Zeitdifferenz zwischen zwei Zeitschritten der wiederholten Abtastung mittels der zumindest einen Sensorvorrichtung. Entsprechend kann aus diesem Abstand wiederum, die Geschwindigkeit berechnet werden.Additionally or alternatively, the speed of an object classified as dynamic can also be calculated as such on the basis of the occupancy probabilities. Therefore, it is a further advantageous embodiment if, in the case where the object has been classified as dynamic, a distance of lines with maximum occupancy probabilities is determined in the cell area and a speed of the object is determined as a function of the determined distance. As described above, for a dynamic object in the occupancy map, there are several consecutive parallel lines perpendicular to the direction of movement of the object. The larger the distance between these lines, the faster the object moves. The spacing of these lines likewise results from the speed of the object multiplied by the time difference between two time steps of the repeated sampling by means of the at least one sensor device. Accordingly, from this distance, in turn, the speed can be calculated.

So gibt es vorteilhafterweise auch mehrere Möglichkeiten, die Geschwindigkeit eines als dynamisch klassifizierten Objekts auf Basis der Belegungskarte bzw. auf Basis der Betrachtung der Autokorrelation zu ermitteln. Die beschriebenen Maßnahmen können wiederum nicht nur als Alternativen fungieren, sondern auch kumulativ angewendet werden, um dadurch die Geschwindigkeit des Objekts mit höherer Genauigkeit zu ermitteln. Beispielsweise kann die Geschwindigkeit des Objekts auch als Mittelung oder gewichtete Mittelung der gemäß den jeweiligen Verfahren bestimmten Geschwindigkeiten berechnet werden. Thus, there are advantageously also several possibilities to determine the speed of an object classified as dynamic on the basis of the occupancy map or on the basis of the consideration of the autocorrelation. The described measures, in turn, can not only function as alternatives, but can also be applied cumulatively, thereby determining the speed of the object with higher accuracy. For example, the speed of the object may also be calculated as averaging or weighted averaging of the speeds determined according to the particular method.

Bei einer weiteren Folge vorteilhaften Ausgestaltung der Erfindung wird die Belegungskarte in jedem vorbestimmten Zeitschritt aktualisiert und die Schritte

- Überprüfen, ob die Belegungskarte zumindest einen zusammenhängenden Zellenbereich aufweist, welcher eine Belegungswahrscheinlichkeitsdichte aufweist, die größer ist als ein vorbestimmter Grenzwert, und falls ja, erfassen eines Objekts in dem Ortsbereich, welcher dem zumindest einen Zellenbereich zugeordnet ist;
- Ermitteln einer räumlichen Autokorrelation eines räumlichen Verlaufs der Belegungswahrscheinlichkeiten für den zumindest einen Zellenbereich; und
- Klassifizieren des Objekts als statisch oder dynamisch in Abhängigkeit von der räumlichen Autokorrelation;

werden in jedem Zeitschritt auf Basis der aktualisierten Belegungskarte durchgeführt. Die Erfassung und Klassifizierung von Objekten kann hierdurch besonders aktuell gehalten und damit besonders genau bereitgestellt werden, da sie hierdurch immer auf der in jedem Zeitschritt aktualisierten Belegungskarte basieren. In a further advantageous embodiment of the invention, the occupancy map is updated in each predetermined time step and the steps

- checking whether the occupancy card has at least one contiguous cell area having an occupancy probability density greater than a predetermined threshold, and if so, detecting an object in the location area associated with the at least one cell area;
Determining a spatial autocorrelation of a spatial progression of the occupancy probabilities for the at least one cell area; and
Classify the object as static or dynamic depending on the spatial autocorrelation;

are performed in each time step based on the updated occupancy map. The collection and classification of objects can thus be kept up-to-date and thus provided with particular precision, since they are always based on the occupancy map updated in each time step.

Gemäß einer alternativen Ausführungsform wird die Belegungskarte in jedem vorbestimmten Zeitschritt aktualisiert und die Schritte

werden in vorbestimmten zweiten Zeitschritten, die ein Vielfaches der vorbestimmten Zeitschritte darstellen, auf Basis der zu den jeweiligen zweiten Zeitschritten aktualisierten Belegungskarte durchgeführt. Die Erfassung und Klassifizierung eines Objekts muss also damit nicht notwendigerweise auch in jedem Aktualisierungszeitschritt der Aktualisierung der Belegungskarte durchgeführt werden, sondern kann beispielsweise auch nur in jedem zweitem, fünften, zehnten oder auch erst in jedem zwanzigsten Erfassungszeitschritt beziehungsweise Zeitschritt durchgeführt werden. Hierdurch lassen sich der Berechnungsaufwand und die dafür erforderliche Zeit entsprechend deutlich reduzieren.According to an alternative embodiment, the occupancy map is updated every predetermined time step and the steps

are performed in predetermined second time steps, which are a multiple of the predetermined time steps, based on the occupancy map updated at the respective second time steps. Thus, the detection and classification of an object does not necessarily have to be carried out in each update time step of updating the allocation card, but can also be carried out, for example, only in every second, fifth, tenth or only every twentieth acquisition time step or time step. As a result, the calculation effort and the time required for it can be significantly reduced accordingly.

Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung wird für den Fall, dass ein detektiertes Objekt als dynamisch klassifiziert wurde, die dem Objekt in dem Zellenbereich zugeordneten Belegungswahrscheinlichkeiten aus der Belegungskarte entfernt, wodurch eine bereinigte Belegungskarte bereitgestellt wird. So kann eine bereinigte Belegungskarte bereitgestellt werden, die ausschließlich statische Objekte umfasst. Dies ist besonders vorteilhaft, da es vielzählige Fahrerassistenzfunktionen gibt, für die es relevante ist zu wissen, wo in der Umgebung des Kraftfahrzeugs sich statische Objekte befinden, und insbesondere nur statische Objekte, wie zum Beispiel autonome oder teilautonome Fahrfunktionen eines Kraftfahrzeugs, um auf Basis der statischen Objekte in der Umgebung des Kraftfahrzeugs mögliche Fahrtrajektorien zu berechnen.In a further advantageous embodiment of the invention, in the event that a detected object has been classified as dynamic, the occupancy probabilities associated with the object in the cell area are removed from the occupancy map, thereby providing an adjusted occupancy map. Thus, an adjusted occupancy map can be provided that includes only static objects. This is particularly advantageous because there are numerous driver assistance functions for which it is relevant to know where static objects are located in the environment of the motor vehicle, and in particular only static objects, such as autonomous or semi-autonomous driving functions of a motor vehicle, on the basis of static objects in the vicinity of the motor vehicle to calculate possible Fahrtrajektorien.

Daher stellt es eine weitere vorteilhafte Ausgestaltung der Erfindung dar, wenn eine erste Fahrerassistenzfunktion auf Basis der bereinigten Belegungskarte ausgeführt wird. Dynamische Objekte können sich damit nicht mehr negativ oder störend oder verfälschend auf die Ausführung solcher Fahrerassistenzfunktion auswirken, die lediglich auf Basis von detektierten statischen Objekten arbeiten.Therefore, it represents a further advantageous embodiment of the invention, when a first driver assistance function is performed on the basis of the adjusted occupancy card. Dynamic objects can thus no longer have a negative or disturbing or distorting effect on the execution of such driver assistance function, which work only on the basis of detected static objects.

Bei einer weiteren vorteilhaften Ausgestaltung der Erfindung wird für den Fall, dass ein detektiertes Objekt als dynamisch klassifiziert wurde, das Objekt mittels eines Tracking-Verfahrens verfolgt. Solche Tracking-Verfahren können wiederum vorteilhafterweise für andere Assistenzfunktionen genutzt werden. Daher stellt es eine weitere vorteilhafte Ausgestaltung der Erfindung dar, wenn eine zweite Fahrerassistenzfunktion, die von der ersten Fahrerassistenzfunktion verschieden ist, auf Basis des mittels des Tracking-Verfahrens verfolgten Objekts ausgeführt wird. Solche Fahrerassistenzfunktionen können beispielsweise ACC (Adaptive Cruise Control) oder Ähnliches darstellen.In a further advantageous embodiment of the invention, in the event that a detected object has been classified as dynamic, the object is tracked by means of a tracking method. Such tracking methods can in turn be advantageously used for other assistance functions. Therefore, it represents a further advantageous embodiment of the invention, when a second driver assistance function, which is different from the first driver assistance function, is executed on the basis of the tracked by the tracking method object. Such driver assistance functions For example, they may represent ACC (Adaptive Cruise Control) or the like.

Ein erfindungsgemäßes Fahrerassistenzsystem für ein Kraftfahrzeug ist dazu ausgelegt, ein erfindungsgemäßes Verfahren oder eines seiner Ausgestaltungen durchzuführen.An inventive driver assistance system for a motor vehicle is designed to carry out a method according to the invention or one of its refinements.

Ein erfindungsgemäßes Kraftfahrzeug weist ein erfindungsgemäßes Fahrerassistenzsystem auf. Das Kraftfahrzeug ist insbesondere als Personenkraftwagen ausgebildet.A motor vehicle according to the invention has a driver assistance system according to the invention. The motor vehicle is designed in particular as a passenger car.

Die mit Bezug auf das erfindungsgemäße Verfahren vorgestellten bevorzugten Ausführungsformen und deren Vorteile gelten entsprechend für das erfindungsgemäße Fahrerassistenzsystem und für das erfindungsgemäße Kraftfahrzeug.The preferred embodiments presented with reference to the method according to the invention and their advantages apply correspondingly to the driver assistance system according to the invention and to the motor vehicle according to the invention.

Darüber hinaus ermöglichen die im Zusammenhang mit dem erfindungsgemäßen Verfahren und seinen Ausgestaltungen genannten Verfahrensschritte die Weiterbildung des erfindungsgemäßen Fahrerassistenzsystems und des erfindungsgemäßen Kraftfahrzeugs durch weitere gegenständliche Merkmale.In addition, the method steps mentioned in connection with the method according to the invention and its embodiments make possible the further development of the driver assistance system according to the invention and the motor vehicle according to the invention by further objective features.

Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehende in der Beschreibung genannten Merkmale und Merkmalskombinationen, so wie 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.Further features of the invention will become apparent from the claims, the figures and the description of the figures. The above features and combinations of features mentioned in the description, such as the features and feature combinations mentioned below in the description of the figures and / or shown alone in the figures, can be used not only in the respectively indicated combination but also in other combinations or in isolation, without the To leave frame of the invention. Thus, embodiments of the invention are to be regarded as encompassed and disclosed, which are not explicitly shown and explained in the figures, however, emerge and can be produced by separated combinations of features from the embodiments explained. Embodiments and combinations of features are also to be regarded as disclosed, which thus do not have all the features of an originally formulated independent claim.

Die Erfindung wird nun anhand von bevorzugten Ausführungsbeispielen sowie unter Bezugnahme auf die beigefügten Zeichnungen näher erläutert.The invention will now be described with reference to preferred embodiments and with reference to the accompanying drawings.

Dabei zeigen:

1 eine schematische Darstellung eines Kraftfahrzeugs mit einem Laserscanner in einer Seitenansicht gemäß einem Ausführungsbeispiel der Erfindung;
2 eine schematische Darstellung des Kraftfahrzeugs mit dem Laserscanner und einer Belegungskarte in einer Draufsicht gemäß einem Ausführungsbeispiel der Erfindung;
3 eine schematische Darstellung einer Anordnung von Scanpunkten in einer Belegungskarte gemäß einem Ausführungsbeispiel der Erfindung;
4 eine schematische Darstellung der auf Basis der Scanpunkte den jeweiligen Zellen zugeordneten Belegungswahrscheinlichkeiten gemäß einem Ausführungsbeispiel der Erfindung;
5 eine schematische Darstellung einer gemäß einer Ausführungsform des erfindungsgemäßen Verfahrens erstellten Belegungskarte;
6 eine graphische Darstellung eines Belegungswahrscheinlichkeitsverlaufs für ein statisches und ein dynamisches Objekt; und
7 eine graphische Darstellung der Autokorrelation des Belegungswahrscheinlichkeitsverlaufs für ein statisches und ein dynamisches Objekt, auf Basis welcher eine Klassifikation des Objekts gemäß einem Ausführungsbeispiel der Erfindung erfolgt.

Showing:

1 a schematic representation of a motor vehicle with a laser scanner in a side view according to an embodiment of the invention;
2 a schematic representation of the motor vehicle with the laser scanner and an occupancy card in a plan view according to an embodiment of the invention;
3 a schematic representation of an arrangement of scan points in an occupancy card according to an embodiment of the invention;
4 a schematic representation of the assigned on the basis of the scan points the respective cells occupancy probabilities according to an embodiment of the invention;
5 a schematic representation of a created according to an embodiment of the method according to the invention allocation card;
6 a graphical representation of an occupancy probability course for a static and a dynamic object; and
7 a graphical representation of the autocorrelation of the occupancy probability course for a static and a dynamic object, based on which a classification of the object is carried out according to an embodiment of the invention.

1 zeigt eine schematische Darstellung eines Kraftfahrzeugs 1 mit einer hier exemplarisch als ein Laserscanner 2 ausgebildeten Sensorvorrichtung in einer Seitenansicht gemäß einem Ausführungsbeispiel der Erfindung. Im Allgemeinen kann die Sensorvorrichtung aber auch als Radarsensor oder Ultraschallsensor oder beliebig anders ausgebildeter Umfeldsensor ausgebildet sein. Die im Folgenden und auch im Zusammenhang mit den anderen Figuren beschriebenen Beispiele lassen sich ganz analog auch mit einer von einem Laserscanner verschiedenen Sensorvorrichtung umsetzen. 1 shows a schematic representation of a motor vehicle 1 with an example here as a laser scanner 2 trained sensor device in a side view according to an embodiment of the invention. In general, however, the sensor device can also be embodied as a radar sensor or ultrasound sensor or any environment sensor of any other design. The examples described below and also in connection with the other figures can be implemented quite analogously also with a sensor device different from a laser scanner.

Der Laserscanner 2 ist hierbei exemplarisch an einer Fahrzeugfront des Kraftfahrzeugs 1 angeordnet. Weiterhin ist der Laserscanner 2 dazu ausgelegt, zumindest einen Teil der Umgebung 3 in vorbestimmten Zeitschritten wiederholt abzutasten. Diese Abtastung kann dabei in einer oder mehreren Scanebenen erfolgen. In 1 sind weiterhin exemplarisch drei Scanebenen dargestellt, wobei eine erste Scanebene 4 parallel zur Fahrzeuglängsachse in z-Richtung und parallel zur Fahrzeugquerachse in x-Richtung verläuft. Eine zweite Scanebene 5 ist gegenüber der ersten Scanebene 4 um einen Winkel a, zum Beispiel 3°, mit Bezug auf den Laserscanner 2 als Ursprung geneigt. Eine dritte Scanebene 6 ist gegenüber der ersten Scanebene 4 um einen Winkel β, zum Beispiel 6°, mit Bezug auf den Laserscanner 2 als U rsprung geneigt. Zum Abtasten der Umgebung 3 kann der Laserscanner 2 beispielsweise den Abtaststrahl zunächst in der ersten Scanebene 4 bewegen, anschließend über die zweite Scanebene 5 hinweg, anschließend über die dritte Scanebene 6 hinweg, und anschließend wieder über die erste Scanebene 4 hinweg, usw. Befindet sich im Erfassungsbereich des Laserscanners 2 ein Objekt, so wird dies durch den Laserscanner 2 als entsprechender Scanpunkt P erfasst. Ein solcher Scanpunkt P ist hier in 1 exemplarisch dargestellt.The laser scanner 2 Here is an example of a vehicle front of the motor vehicle 1 arranged. Furthermore, the laser scanner 2 designed to be at least part of the environment 3 to repeatedly scan at predetermined time intervals. This scan can be done in one or more scans. In 1 Furthermore, three scan lines are shown by way of example, with a first scan plane 4 parallel to the vehicle longitudinal axis in the z-direction and parallel to the vehicle transverse axis in the x-direction. A second scan plane 5 is opposite the first scan plane 4 by an angle a, for example 3 °, with respect to the laser scanner 2 inclined as origin. A third scan plane 6 is opposite the first scan plane 4 at an angle β, for example 6 °, with respect to the laser scanner 2 when U inclined. For scanning the environment 3 can the laser scanner 2 for example, the scanning beam first in the first scan plane 4 then move across the second scan plane 5 then across the third scanning plane 6 and then again over the first one scan plane 4 away, etc. Located in the detection area of the laser scanner 2 an object, this is done by the laser scanner 2 detected as a corresponding scan point P. Such a scan point P is here in 1 exemplified.

Weiterhin ist eine Belegungskarte 7 bereitgestellt, welche eine Mehrzahl an gitterförmig angeordneten Zellen 8 (vergleiche 2) aufweist. Diese Belegungskarte 8 stellt eine zweidimensionale Belegungskarte dar, ist ortsfest in Bezug auf die Umgebung 3 angeordnet und verläuft in horizontaler Richtung, das heißt in diesem Beispiel ebenfalls parallel zur Fahrzeuglängsachse und parallel zur Fahrzeugquerachse. Jeder Zelle 8 der Belegungskarte 7 ist entsprechend ein Ortsbereich 9 der Umgebung 3 zugeordnet. Dieser Ortsbereich 9 erstreckt sich beispielsweise ausgehend von der ihm zugeordneten Zelle 8 in vertikaler Richtung, das heißt in der dargestellten y-Richtung, senkrecht zur Ebene, in welcher die Belegungskarte 7 verläuft. Wird also beispielsweise in 1 ein Scanpunkt P im Umgebungsbereich 9 erfasst, welcher der Zelle 8 zugeordnet ist, selbst wenn sich der Scanpunkt P nicht in der Ebene der Belegungskarte 7 befindet, so wird dieser Scanpunkt P der betreffenden Zelle 8, welche dem Ortsbereich 9 zugeordnet ist, zugeordnet, was durch den Pfeil 10 veranschaulicht werden soll.Furthermore, an occupancy card 7 comprising a plurality of grid-shaped cells 8th (see 2 ) having. This occupancy card 8th represents a two-dimensional occupancy map, is stationary in relation to the environment 3 arranged and extends in the horizontal direction, that is in this example also parallel to the vehicle longitudinal axis and parallel to the vehicle transverse axis. Every cell 8th the occupancy card 7 is accordingly a local area 9 the environment 3 assigned. This location area 9 extends, for example, starting from its associated cell 8th in the vertical direction, that is, in the y-direction shown, perpendicular to the plane in which the occupancy map 7 runs. So, for example, in 1 a scan point P in the surrounding area 9 detects which of the cell 8th is assigned, even if the scan point P is not in the plane of the occupancy map 7 is, then this scan point P of the cell in question 8th which the local area 9 is assigned, what is indicated by the arrow 10 should be illustrated.

Anhand einer Belegungskarte, wie die hier dargestellte Belegungskarte 7, kann wie später noch näher beschrieben wird ein Objekt in der Umgebung 3 detektiert werden, sowie auch klassifiziert werden, ob es sich bei diesem Objekt um ein statisches oder dynamisches Objekt handelt. Um die mittels des Laserscanners 2 erfassten Scanpunkte P auszuwerten und eine entsprechende Belegungskarte 7 zu erstellen, kann das Kraftfahrzeug 1 weiterhin eine Auswerteeinrichtung 11 aufweisen, die dazu ausgelegt, auf Basis der erstellten Belegungskarte 7 zu bestimmen, ob sich Objekte in der Umgebung 3 des Kraftfahrzeugs 1 befinden, und ob es sich bei solchen Objekten um statische Objekte oder dynamisch Objekte handelt. Die Auswerteeinrichtung 11 kann dabei auch Teil eines Fahrerassistenzsystems 12 des Kraftfahrzeugs 1 darstellen, welches die ermittelten Informationen weiter verwertet. Beispielsweise kann die Auswerteeinrichtung 11 erfasste dynamische Objekte für einen Tracking dieser Objekte verwenden, was von einem Fahrerassistenzsystem zur automatischen Distanzregelung verwendet werden kann. Erfasste und als dynamische oder statisch klassifizierte Objekte können auch für automatische Einparksysteme, Spurhalteassistenten, adaptive Fernlichtassistenten, Notbremsassistenten, usw. verwendet werden.Based on an occupancy card, such as the occupancy card shown here 7 , as will be described in more detail later, an object in the environment 3 be detected, as well as classified, whether this object is a static or dynamic object. To the by means of the laser scanner 2 evaluated scan points P and evaluate a corresponding occupancy card 7 can create the motor vehicle 1 furthermore an evaluation device 11 Have designed, based on the created occupancy card 7 to determine if there are objects in the environment 3 of the motor vehicle 1 and whether such objects are static objects or dynamic objects. The evaluation device 11 can also be part of a driver assistance system 12 of the motor vehicle 1 represent, which further uses the determined information. For example, the evaluation device 11 use captured dynamic objects to track these objects, which can be used by a driver assistance system for automatic distance control. Detected and classified as dynamic or static objects may also be used for automatic parking systems, lane departure warning systems, adaptive high beam assistants, emergency braking assistants, etc.

2 zeigt eine schematische Darstellung des Kraftfahrzeugs 1 und die Belegungskarte 7 in einer Draufsicht. Das Kraftfahrzeug 1, das wiederum den Laserscanner 2 aufweist, der einen Erfassungsbereich 13 aufweist, der in der horizontalen Ebene, das heißt in der x-z-Ebene, hier exemplarisch durch zwei Striche 13a, 13b begrenzt dargestellt ist. In diesem Beispiel in 2 ist weiterhin aus Gründen der Übersichtlichkeit nur eine Zelle 8 der Belegungskarte mit einem Bezugszeichen versehen. Während sich das Kraftfahrzeug 1 relativ zur Umgebung frei bewegen kann, bleibt jedoch die Bewegungskarte 7 beziehungsweise deren Zellen 8 immer ortsfest, das heißt einem festgelegten Ortsbereich zugeordnet. 2 shows a schematic representation of the motor vehicle 1 and the occupancy card 7 in a top view. The car 1 , in turn, the laser scanner 2 having a detection area 13 which is in the horizontal plane, that is in the xz Level, here exemplified by two lines 13a . 13b is shown limited. In this example in 2 is still only one cell for reasons of clarity 8th the occupancy card provided with a reference numeral. While the motor vehicle 1 move freely relative to the environment, however, remains the motion map 7 or their cells 8th always stationary, that is assigned to a defined location area.

3 zeigt nun eine schematische Darstellung einer Belegungskarte 7 mit einer Anordnung von in einem Erfassungszeitschritt erfassten Scanpunkten P. In diesem Beispiel wurden nun für manche Zellen 8 der Belegungskarte 7 mehr Scanpunkte P erfasst als in anderen. Entsprechend wird gemäß der Anzahl der in einer jeweiligen Zelle 8 erfassten Scanpunkte P den jeweiligen Zellen 8 eine entsprechende Belegungswahrscheinlichkeit zugeordnet, was in 4 schematisch veranschaulicht ist. 3 now shows a schematic representation of an occupancy card 7 with an array of scan points P detected in one acquisition time step. In this example, for some cells now 8th the occupancy card 7 more scan points P detected than in others. Accordingly, according to the number of cells in each cell 8th detected scan points P the respective cells 8th assigned a corresponding occupancy probability, which is in 4 is illustrated schematically.

4 zeigt dabei eine schematische Darstellung der Belegungskarte 7 mit den auf Basis der Scanpunkte P aus 3 den jeweiligen Zellen 8, die nun zur besseren Unterscheidung mit 8a, 8b und 8c bezeichnet sind, zugeordneten Belegungswahrscheinlichkeiten, welche in 4 durch unterschiedliche Muster innerhalb der betreffenden Zellen 8a, 8b, 8c veranschaulicht sind. Die Zellen 8a weisen hierbei entsprechend der Anzahl der Scanpunkte P, die in den ihnen zugeordneten Ortsbereichen 9 erfasst wurden, die höchste Belegungswahrscheinlichkeit auf, die Zelle 8b die zweithöchste Belegungswahrscheinlichkeiten und die Zellen 8c die dritthöchste Belegungswahrscheinlichkeit, während alle übrigen Zellen 8 keine Belegungswahrscheinlichkeiten bzw. die Belegungswahrscheinlichkeiten von nahezu oder gleich 0 aufweisen. In jedem Erfassungszeitschritt neu erfasste Scanpunkte P werden entsprechend in die Belegungskarte 7 eingetragen und darauf basierend erneut die aktualisierte Belegungswahrscheinlichkeit für jede Zelle 8 berechnet. 4 shows a schematic representation of the occupancy map 7 with those based on the scan points P off 3 the respective cells 8th , which are now designated for better distinction with 8a, 8b and 8c, assigned occupancy probabilities, which in 4 by different patterns within the cells in question 8a . 8b . 8c are illustrated. The cells 8a indicate here according to the number of scan points P in their assigned local areas 9 were recorded, the highest occupancy probability on the cell 8b the second highest occupancy probabilities and cells 8c the third highest occupancy probability, while all remaining cells 8th have no occupancy probabilities or the occupancy probabilities of almost or equal to 0. In each acquisition time step newly detected scan points P are correspondingly in the occupancy map 7 and, based on this again, the updated occupancy probability for each cell 8th calculated.

Optional kann die Belegungswahrscheinlichkeiten zu jedem Zeitschritt in einer Zelle 8 auch mit einem Zerfallsfaktor, oder im Allgemeinen auch einer Zerfallsfunktion, multipliziert werden. Eine solche Zerfallsfunktion bewirkt, dass die Belegungswahrscheinlichkeiten einer jeweiligen Zellen 8 in jedem Zeitschritt reduziert wird, wenn in dem jeweiligen der Zelle 8 zugeordneten Ortsbereich 9 für den Zeitschritt kein Scanpunkt P erfasst wurde. Dadurch wird es vorteilhafterweise gewährleistet, dass Zellen 8, die einmal belegt waren, nun jedoch nicht mehr belegt sind, nicht dauerhaft als belegt gelten. Für den Fall, dass sich der Laserscanner 2, bzw. das Kraftfahrzeug 1, in Bezug zur Umgebung 3 bewegt, kann eine entsprechende Eigenbewegungskompensation hinzukommen.Optionally, the occupancy probabilities at each time step in a cell 8th can also be multiplied by a decay factor, or generally also a decay function. Such a decay function causes the occupancy probabilities of a respective cell 8th is reduced in each time step, if in the respective cell 8th assigned location area 9 no scan point P was detected for the time step. This advantageously ensures that cells 8th which were once occupied, but are no longer occupied, are not considered permanently occupied. In the event that the laser scanner 2 , or the motor vehicle 1 , in relation to the environment 3 moved, can to add a corresponding proper motion compensation.

Wird eine derartige Belegungskarte 7 auf Basis der Scanpunkte P mehrerer aufeinanderfolgender Zeitschritte erstellt, so ergibt sich für statische und dynamische Objekte jeweils ein charakteristischer Verlauf, welche nun anhand von 5, 6 und 7 näher beschrieben wird.Will such an occupancy card 7 On the basis of the scan points P of several successive time steps created, so there is a characteristic course for static and dynamic objects, which is now based on 5 . 6 and 7 will be described in more detail.

5 zeigt dabei eine schematische Darstellung einer Belegungskarte 7 nach mehreren Zeitschritten, die gemäß einer Ausführungsform des erfindungsgemäßen Verfahrens erstellt wurde. In der Belegungskarte 7 sind nun verschiedene Wahrscheinlichkeitsverläufe zu erkennen, insbesondere ein erster Wahrscheinlichkeitsverlauf 16 und ein zweiter Wahrscheinlichkeitsverlauf 17, welche jeweils zu einem statischen Objekt O1, O2, zum Beispiel einer Leitplanke oder einer Randbebauung einer Fahrbahn, korrespondieren, sowie ein dritter, vierter und fünfter Wahrscheinlichkeitsverlauf 18, 19, 20, welche jeweils zu dynamischen Objekten O3, O4, O5, insbesondere dem Eigenfahrzeug 1 mit der Sensorvorrichtung 2 vorausfahrenden Kraftfahrzeugen, korrespondieren. Die Leitplanken erscheinen in der Belegungskarte 17 mit einer hohen und insbesondere im Wesentlichen konstanten Belegungswahrscheinlichkeit am Ort der jeweiligen Zellen 8 der Belegungskarte 7, welche zu dem Ortsbereich 9 korrespondieren, an welchem der Laserscanner 2 die betreffenden Leitplankenabschnitte als Scanpunkte P erfasst hat. Die zu den Kraftfahrzeugen korrespondierenden Wahrscheinlichkeitsverläufe 16, 17, 18 zeigen einen anderen Verlauf. Der Wahrscheinlichkeitsverlauf dynamischer Objekte O3, O4, O5, insbesondere der Kraftfahrzeuge zeichnet sich dabei durch mehrere, aufeinanderfolgende, im Wesentlichen parallele, Linien aus, die senkrecht zur Bewegungsrichtung der betreffenden dynamischen Objekte O3, O4, O5 verlaufen. 5 shows a schematic representation of an occupancy card 7 After several time steps, which was created according to an embodiment of the method according to the invention. In the occupancy card 7 now different probability profiles are to be recognized, in particular a first probability course 16 and a second probability course 17 , which each become a static object O1 . O2 , for example, a guardrail or an edge development of a roadway, correspond, as well as a third, fourth and fifth course of probability 18 . 19 . 20 , which each become dynamic objects O3 . O4 . O5 , especially the own vehicle 1 with the sensor device 2 preceding vehicles, correspond. The guardrails appear in the occupancy card 17 with a high and in particular substantially constant occupancy probability at the location of the respective cells 8th the occupancy card 7 leading to the location area 9 correspond to which of the laser scanner 2 has detected the relevant guard rail sections as scan points P. The probability profiles corresponding to the motor vehicles 16 . 17 . 18 show a different course. The probability course of dynamic objects O3 . O4 . O5 , in particular the motor vehicle is characterized by a plurality of successive, substantially parallel, lines which are perpendicular to the direction of movement of the respective dynamic objects O3 . O4 . O5 run.

Der räumliche Verlauf der Belegungswahrscheinlichkeit B in einer bestimmten Richtung, insbesondere in Bewegungsrichtung eines dynamischen Objekts, ist für ein statisches sowie ein dynamisches Objekt normal graphisch in 6 dargestellt. Hierbei ist an der x-Achse die Zellennummer N in der bestimmten Richtung aufgetragen, in welcher der Wahrscheinlichkeitsverlauf betrachtet wird, sowie an der y-Achse die Belegungswahrscheinlichkeit B. Weiterhin bezeichnet hierbei 21 den Verlauf der Belegungswahrscheinlichkeit B für ein statisches Objekt O1, O2, sowie 22 den Verlauf der Belegungswahrscheinlichkeit B für ein dynamisches Objekt O3, O4, O5.The spatial course of the occupancy probability B in a certain direction, in particular in the direction of movement of a dynamic object, is normal graphically for a static as well as a dynamic object 6 shown. Here, the x-axis is the cell number N plotted in the specific direction in which the probability course is considered, as well as the occupancy probability on the y-axis B , Furthermore referred to here 21 the course of the occupancy probability B for a static object O1 . O2 , such as 22 the course of the occupancy probability B for a dynamic object O3 . O4 . O5 ,

Die Autokorrelation der Wahrscheinlichkeitsmuster dynamischer Objekte O3, O4, O5 unterscheidet sich damit ebenfalls signifikant von der Autokorrelation statischer Objekte O1, O2, was nun vorteilhafterweise genutzt werden kann, um Objekte O1, O2, O3, O4, O5 auf besonders zuverlässige Weise als statisch oder dynamisch zu klassifizieren. Dabei wird wie folgt vorgegangen: Zunächst werden in der Belegungskarte 7 Cluster C1, C2, C3, C4, C5 mit hoher Wahrscheinlichkeitsdichte bestimmt. Solche Cluster stellen dabei zusammenhängende Zellenbereiche C1, C2, C3, C4, C5 dar, deren Belegungswahrscheinlichkeitsdichte oberhalb eines vorbestimmten Grenzwerts liegt. Zur Detektion derartiger Cluster C1, C2, C3, C4, C5 können bekannte Cluster-Algorithmen verwendet werden. Wird eines oder mehrere solcher Cluster C1, C2, C3, C4, C5 in der Belegungskarte 7 erkannt, so gilt ein Objekt in dem zu diesem Zellenbereich C1, C2, C3, C4, C5 korrespondierenden Ortsbereich 9 als erfasst.The autocorrelation of the probability patterns of dynamic objects O3 . O4 . O5 This also differs significantly from the autocorrelation of static objects O1 . O2 , which can now be used advantageously to objects O1 . O2 . O3 . O4 . O5 classify as static or dynamic in a particularly reliable way. The procedure is as follows: First, the occupancy card 7 cluster C1 . C2 . C3 . C4 . C5 determined with high probability density. Such clusters provide related cell areas C1 . C2 . C3 . C4 . C5 whose occupancy probability density is above a predetermined threshold. For the detection of such clusters C1 . C2 . C3 . C4 . C5 known cluster algorithms can be used. Will one or more such clusters C1 . C2 . C3 . C4 . C5 in the occupancy card 7 If detected, an object in the cell area applies to this C1 . C2 . C3 . C4 . C5 corresponding local area 9 as recorded.

Zur Klassifikation dieser erfassten Objekte O1, O2, O3, O4, O5 als statisch oder dynamisch wird für jedes Cluster C1, C2, C3, C4, C5 nun weiterhin wie folgt vorgegangen: Für jedes Cluster C1, C2, C3, C4, C5 wird nun die räumliche Autokorrelationsfunktion A des Verlaufs der Belegungswahrscheinlichkeiten B ermittelt. Die Autokorrelationsfunktion A kann dabei insbesondere als zweidimensionale normalisierte Autokorrelation A berechnet werden, wie in 7 exemplarisch im eindimensionalen Fall dargestellt.To classify these detected objects O1 . O2 . O3 . O4 . O5 being static or dynamic for each cluster C1 . C2 . C3 . C4 . C5 Now proceed as follows: For each cluster C1 . C2 . C3 . C4 . C5 now becomes the spatial autocorrelation function A the course of occupancy probabilities B determined. The autocorrelation function A may in particular as a two-dimensional normalized autocorrelation A be calculated as in 7 exemplified in the one-dimensional case.

7 zeigt dabei den Verlauf der Autokorrelationsfunktion A in Abhängigkeit vom Ort, der wieder durch die Zellennummer N repräsentiert wird, exemplarisch für ein statisches Objekt O1, O2, sowie für ein dynamisches Objekt O3, O4, O5. Dabei bezeichnet 23 den Verlauf der Autokorrelation A für ein statisches Objekt O1, O2 und 24 den Verlauf einer Autokorrelationsfunkton A für ein dynamisches Objekt O3, O4, O5. Der Verlauf 23 des statischen Objekts O1, O2 zeigt dabei einen algebraischen, linearen Zerfall, während sich der Verlauf 24 für das dynamische Objekt O3, O4, O5 durch mehrere Spitzen 24a auszeichnet. 7 shows the course of the autocorrelation function A depending on the location, again by the cell number N is represented, exemplary for a static object O1 . O2 , as well as a dynamic object O3 . O4 . O5 , 23 denotes the course of the autocorrelation A for a static object O1 . O2 and 24 the course of an autocorrelation function A for a dynamic object O3 . O4 . O5 , The history 23 of the static object O1 . O2 shows an algebraic, linear decay, while the course 24 for the dynamic object O3 . O4 . O5 through several peaks 24a distinguished.

Dieser für dynamische Objekte O3, O4, O5 charakteristische Verlauf 24 kann nun vorteilhafterweise für die Klassifizierung herangezogen werden. Hierzu können die zu jeweiligen Clustern C1, C2, C3, C4, C5 berechneten Autokorrelationsfunktionen A auf das Auftreten solcher Spitzen 24a hin untersucht werden, zum Beispiel mittels bestimmter Mustererkennungsverfahren oder Funktionsanalyseverfahren oder Ähnliches. So lassen sich Objekte O1, O2, O3, O4, O5 besonders zuverlässig als statisch oder dynamisch klassifizieren.This one for dynamic objects O3 . O4 . O5 characteristic course 24 can now be used advantageously for the classification. For this purpose, the respective clusters C1 . C2 . C3 . C4 . C5 calculated autocorrelation functions A on the occurrence of such peaks 24a be examined, for example by means of certain pattern recognition method or function analysis method or the like. This is how objects can be left O1 . O2 . O3 . O4 . O5 classify particularly reliably as static or dynamic.

Ein weiterer signifikanter Unterschied zwischen dem Verlauf 23 der Autokorrelationsfunktion A für statische Objekte O1, O2 und dem Verlauf 24 für dynamische Objekte O3, O4, O5 besteht zudem auch im Mittelwert M1, M2 der Autokorrelationsfunktion A, zum Beispiel im Vergleich zu deren Maximalwert Amax, der in diesen Beispielen in 7 auf 1 normiert ist. Der Mittelwert M1 für das statische Objekt O1, O2 liegt dabei deutlich über dem Mittelwert M2 für das dynamische Objekt O3, O4, O5. Daher kann vorteilhafterweise auch der Mittelwert M1, M2 der Autokorrelation A1 oder die Differenz zwischen dem Maximalwert Amax und den jeweiligen Mittelwerten m1, M2 für die jeweiligen Cluster C1, C2, C3, C4, C5 herangezogen werden, um die den jeweiligen Clustern zugeordneten Objekte O1, O2, O3, O4, O5 durch Vergleich des jeweiligen Mittelwerts M1, M2 oder der Differenz aus Maximalwert Amax und dem Mittelwert M1, M2 mit einem entsprechenden Grenzwert als statisch oder dynamisch zu klassifizieren. Zum Beispiel kann ein Objekt O1, O2, O3, O4, O5 als dynamisch klassifiziert werden, falls der Mittelwert M1, M2 kleiner ist als ein vorbestimmter erster Grenzwert, der vorzugsweise im Bereich zwischen 0,2 und 0,5 liegt, oder ein Objekt O1, O2, O3, O4, O5 wird als dynamisch klassifiziert, falls die Differenz aus Maximalwert Amax und dem Mittelwert M1, M2 größer ist als ein zweiter vorbestimmter Grenzwert, der zum Beispiel im Bereich zwischen 0,8 und 0,5 liegt. Andernfalls wird das Objekt O1, O2, O3, O4, O5 als statisch klassifiziert.Another significant difference between the course 23 the autocorrelation function A for static objects O1 . O2 and the course 24 for dynamic objects O3 . O4 . O5 is also in the mean value M1 . M2 the autocorrelation function A, for example, in comparison to its maximum value Amax, which in these examples in FIG 7 normalized to 1. The mean M1 for the static object O1 . O2 is well above the average M2 for the dynamic object O3 . O4 . O5 , Therefore, advantageously, the mean value M1 . M2 the autocorrelation A1 or the difference between the maximum value Amax and the respective mean values m1, M2 for the respective clusters C1 . C2 . C3 . C4 . C5 are used to the assigned to the respective clusters objects O1 . O2 . O3 . O4 . O5 by comparing the respective mean value M1 . M2 or the difference between the maximum value Amax and the mean value M1 . M2 with a corresponding limit value as static or dynamic. For example, an object O1 . O2 . O3 . O4 . O5 be classified as dynamic if the mean M1 . M2 is less than a predetermined first limit, preferably in the range between 0.2 and 0.5, or an object O1 . O2 . O3 . O4 . O5 is classified as dynamic if the difference between the maximum value Amax and the mean M1 . M2 is greater than a second predetermined threshold, for example in the range between 0.8 and 0.5. Otherwise, the object becomes O1 . O2 . O3 . O4 . O5 classified as static.

Weiterhin können die als dynamisch klassifizierten Objekte O3, O4, O5 aus der Belegungskarte 7 entfernt werden. Diese bereinigte Belegungskarte kann dann entsprechend einem Assistenzsystem zur Ausführung einer Assistenzfunktion auf Basis ausschließlich der statischen Objekte O1, O2 zu Grunde gelegt werden. Die als dynamisch klassifizierten Objekte O3, O4, O5 können dagegen mittels eines Tracking-Verfahrens verfolgt werden und darauf basierend weitere Assistenzfunktionen durchgeführt werden.Furthermore, the objects classified as dynamic O3 . O4 . O5 from the occupancy card 7 be removed. This adjusted occupancy card can then be used according to an assistance system for performing an assistance function based solely on the static objects O1 . O2 be based on. The objects classified as dynamic O3 . O4 . O5 On the other hand, they can be tracked by means of a tracking method and, based on this, further assistance functions can be carried out.

Auf Basis der Autokorrelationsfunktion A ist es jedoch nicht nur möglich, besonders zuverlässig statische und dynamische Objekte O1, O2, O3, O4, O5 zu klassifizieren, sondern es können im Falle von dynamischen Objekten O3, O4, O5 auch eine Information über deren Geschwindigkeit aus der Autokorrelationsfunktion A abgeleitet werden. Insbesondere ist dabei der Abstand d zwischen zwei Peaks 24a mit der Geschwindigkeit des dynamischen Objekts O3, O4, O5 korreliert. Dieser Abstand d stellt dabei das Produkt aus der Geschwindigkeit und dem Zeitintervall zwischen zwei Erfassungszeitschritten dar. Insbesondere stellt eine so ermittelte Geschwindigkeit eine mittlere Geschwindigkeit gemittelt über mehrere Zeitschritte dar, da die Geschwindigkeitsberechnung auf der über mehrere Zeitschritte hinweg verlaufenden Wahrscheinlichkeitsspur der Belegungskarte 7 basiert.On the basis of the autocorrelation function A, however, it is not only possible to have particularly reliable static and dynamic objects O1 . O2 . O3 . O4 . O5 but in the case of dynamic objects O3 . O4 . O5 Also information about their speed from the autocorrelation function A are derived. In particular, the distance d is between two peaks 24a with the speed of the dynamic object O3 . O4 . O5 correlated. In this case, this distance d represents the product of the speed and the time interval between two acquisition time steps. In particular, a speed thus determined represents a mean speed averaged over several time steps, since the speed calculation is based on the probability lane of the occupancy map over several time steps 7 based.

Die Berechnung der Autokorrelation A sowie die darauf basierende Klassifikation von Objekten O1, O2, O3, O4, O5 kann dabei in jedem Erfassungszeitschritt erfolgen oder auch in einem zeitlichen Abstand, der größer ist als der Abstand zwischen zwei Erfassungszeitschritten ist. Dies kann je nach zu erreichender Güte sowie in Anpassung auf eine vorhandene Rechenkapazität vorgegeben werden.The calculation of the autocorrelation A as well as the classification of objects based on it O1 . O2 . O3 . O4 . O5 can take place in each acquisition time step or even in a time interval which is greater than the distance between two acquisition time steps. This can be specified depending on the quality to be achieved as well as adaptation to an existing computing capacity.

Insgesamt wird so ein Verfahren zur Erfassung und Klassifikation von Objekten als statisch oder dynamisch bereitgestellt, welches auf Basis der Betrachtung der Autokorrelation des Belegungswahrscheinlichkeitsverlaufs eine besonders zuverlässige Unterscheidung zwischen statischen und dynamischen Objekten ermöglicht, sowie zusätzlich auch die Gewinnung weiterer Informationen über dynamische Objekte, wie beispielsweise deren Geschwindigkeit.Overall, such a method for detecting and classifying objects as static or dynamic is provided, which on the basis of the consideration of the autocorrelation of the occupancy probability course allows a particularly reliable distinction between static and dynamic objects, as well as obtaining additional information about dynamic objects, such as their speed.

Claims

Method for detecting and classifying an object (O1, O2, O3, O4, O5) by means of at least one sensor device (2) on the basis of an occupancy map (7), comprising the steps of: a) providing the occupancy map (7) containing a plurality grid-like arranged cells (8, 8a, 8b, 8c), wherein each cell (8, 8a, 8b, 8c) is associated with a defined location area (9) an environment (3) of the sensor device (2); b) in predetermined time steps repeatedly scanning at least a part of the environment (3) by the at least one sensor device (2); and c) assigning an occupancy probability (B) to a respective cell (8, 8a, 8b, 8c) as a function of a number of scan points (P) detected by the at least one sensor device (2) in a cell (8, 8a, 8c). 8a, 8b, 8c) associated local area (9) of the environment (3); characterized by the steps d) checking whether the occupancy card (7) has at least one contiguous cell area (C1, C2, C3, C4, C5) having an occupancy probability density greater than a predetermined threshold, and if so detecting Object (O1, O2, O3, O4, O5) in the location area (9) associated with the at least one cell area (C1, C2, C3, C4, C5); e) determining a spatial autocorrelation (A) of a spatial progression (16, 17, 18, 19, 20) of the occupancy probabilities (B) for the at least one cell area (C1, C2, C3, C4, C5); and f) classifying the object (O1, O2, O3, O4, O5) as static or dynamic depending on the spatial autocorrelation (A).

Method according to Claim 1 , characterized in that the at least one sensor device (2) is designed as a laser scanner (2).

Method according to one of the preceding claims, characterized in that checked whether the determined autocorrelation (A) has a plurality of peaks (24a), and if so, the object (O1, O2, O3, O4, O5) is classified as a dynamic object (O3, O4, O5).

Method according to Claim 3 , characterized in that in the case that the determined autocorrelation (A) has a plurality of tips (24a), a speed of the object (O3, O4, O5) as a function of a spatial distance (d) between at least two of the plurality of tips ( 24a) is determined.

Method according to one of the preceding claims, characterized in that a difference between a maximum value (Amax) and an average value (M1, M2) of the autocorrelation (A) is determined and the object (O1, O2, O3, O4, O5) as dynamic Object (O3, O4, O5) is classified, if the difference is greater than a predetermined limit.

Method according to one of the preceding claims, characterized in that an average value (M2) of the autocorrelation (A) is determined and a speed of the object (O3, O4, O5) is determined as a function of the mean value (M2).

Method according to one of the preceding claims, characterized in that in the case where the object (O1, O2, O3, O4, O5) has been classified as dynamic, in the cell region (C1, C2, C3, C4, C5) a distance of Lines with maximum occupancy probability (B) is determined and a speed of the object (O3, O4, O5) is determined as a function of the determined distance.

Method according to one of the preceding claims, characterized in that the occupancy card (7) is updated in each predetermined time step and the steps d), e) and f) are performed in each time step on the basis of the updated occupancy card (7).

Method according to one Claims 1 to 7 Characterized in that the occupancy map (7) is updated in each predetermined time step, and steps d), e) and f) in predetermined second time steps representing a multiple of the predetermined time steps, based on the updated to the respective second time steps occupancy map (7).

Method according to one of the preceding claims, characterized in that, in the event that a detected object (O1, O2, O3, O4, O5) has been classified as dynamic, the object (O3, O4, O5) in the cell area (C1 Occupancy probabilities (B) associated with the occupancy map (7) are removed, thereby providing an adjusted occupancy map.

Method according to Claim 10 , characterized in that a first driver assistance function is executed on the basis of the adjusted occupancy card.

Method according to one of the preceding claims, characterized in that in the event that a detected object (O1, O2, O3, O4, O5) has been classified as dynamic, the object (O3, O4, O5) is tracked by means of a tracking method becomes.

Method according to Claim 12 , characterized in that a second driver assistance function based on the tracked by the tracking method object (O3, O4, O5) is executed.

Driver assistance system (12) for a motor vehicle (1), wherein the driver assistance system (12) is adapted to perform a method according to any one of the preceding claims.

Motor vehicle (1) with a driver assistance system according to Claim 14 ,