DE102018005240A1 - Method for self-localization of a vehicle - Google Patents
Method for self-localization of a vehicle Download PDFInfo
- Publication number
- DE102018005240A1 DE102018005240A1 DE102018005240.1A DE102018005240A DE102018005240A1 DE 102018005240 A1 DE102018005240 A1 DE 102018005240A1 DE 102018005240 A DE102018005240 A DE 102018005240A DE 102018005240 A1 DE102018005240 A1 DE 102018005240A1
- Authority
- DE
- Germany
- Prior art keywords
- environment
- feature
- value
- map
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Abstract
Die Erfindung betrifft ein Verfahren zur Selbstlokalisierung eines Fahrzeugs, wobei
- Umgebungsdaten einer Umgebung des Fahrzeugs erfasst werden,
- die Umgebungsdaten mit einer digitalen Umgebungskarte abgeglichen werden,
- die Selbstlokalisierung des Fahrzeugs in der Umgebung anhand einer stochastischen Auswertung des Abgleichs der Umgebungsdaten mit der digitalen Umgebungskarte erfolgt,
- die Umgebungskarte als mindestens ein Grauwertbild (1) der Umgebung mit einer variablen Anzahl von Pixeln erstellt wird,
- das Grauwertbild (1) anhand einer zur Verfügung gestellten digitalen merkmalsbasierten Karte (2) der Umgebung ermittelt wird, in welcher Merkmale (3) der Umgebung eingetragen sind, und
- jeweils einem Pixel des Grauwertbilds (1) ein Wert als Distanzinformation zu einem bestimmten Merkmal (3) in der Umgebung zugeordnet wird.
Erfindungsgemäß werden die zugeordneten Werte der Pixel anhand der Funktion
Environmental data of an environment of the vehicle are recorded,
- the environmental data are compared with a digital environmental map,
the self-localization of the vehicle in the environment takes place on the basis of a stochastic evaluation of the comparison of the environment data with the digital environment map,
the environment map is created as at least one gray value image (1) of the environment with a variable number of pixels,
- The gray-scale image (1) is determined on the basis of a digital feature-based map (2) of the environment made available, in which features (3) of the environment are entered, and
- A pixel of the gray scale image (1) is assigned a value as distance information to a certain feature (3) in the environment.
According to the invention, the assigned values of the pixels are based on the function
Description
Die Erfindung betrifft ein Verfahren zur Selbstlokalisierung eines Fahrzeugs gemäß dem Oberbegriff des Anspruchs 1.The invention relates to a method for self-localization of a vehicle according to the preamble of claim 1.
In der
Der Erfindung liegt die Aufgabe zu Grunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Selbstlokalisierung eines Fahrzeugs anzugeben.The invention is based on the object of specifying a method for self-localization of a vehicle which is improved compared to the prior art.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Selbstlokalisierung eines Fahrzeugs mit den Merkmalen des Anspruchs 1.The object is achieved according to the invention by a method for the self-localization of a vehicle with the features of claim 1.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous embodiments of the invention are the subject of the dependent claims.
Bei einem Verfahren zur Selbstlokalisierung eines Fahrzeugs werden Umgebungsdaten einer Umgebung des Fahrzeugs erfasst, wobei die Umgebungsdaten mit einer digitalen Umgebungskarte abgeglichen werden und wobei die Selbstlokalisierung des Fahrzeugs in der Umgebung anhand einer stochastischen Auswertung des Abgleichs der Umgebungsdaten mit der digitalen Umgebungskarte erfolgt. Es ist vorgesehen, dass die Umgebungskarte als mindestens ein Grauwertbild der Umgebung mit einer variablen Anzahl von Pixeln, insbesondere mit einer vorgegebenen Pixelgröße, erstellt wird, wobei das Grauwertbild anhand einer zur Verfügung gestellten digitalen merkmalsbasierten Karte der Umgebung ermittelt wird, in welcher Merkmale der Umgebung eingetragen sind, wobei jeweils einem Pixel des Grauwertbilds als Wert eine Distanzinformation zu einem bestimmten Merkmal in der Umgebung zugeordnet wird.In a method for the self-localization of a vehicle, environmental data of an environment of the vehicle are recorded, the environmental data being compared with a digital environment map and the self-localization of the vehicle in the environment being carried out on the basis of a stochastic evaluation of the comparison of the environmental data with the digital environment map. It is provided that the environment map is created as at least one gray value image of the environment with a variable number of pixels, in particular with a predetermined pixel size, the gray value image being determined on the basis of a digital feature-based map of the environment in which features of the environment are entered, with a pixel of the gray scale image being assigned value information as a value to a certain feature in the environment.
Erfindungsgemäß werden die zugeordneten Werte der Pixel anhand der Funktion
Aus dem Stand der Technik ist es bereits bekannt, dass die Werte der Pixel insbesondere anhand einer Gauß-Funktion, insbesondere anhand der allgemein bekannten Gaußschen Fehlerfunktion, insbesondere anhand der Funktion y=exp(-x2) (auch geschrieben als y=exp(-x^2) oder y = e-x
Bei der erfindungsgemäßen Lösung wird somit in die Funktion y=exp(-x2) der zusätzliche Parameter σ eingeführt.In the solution according to the invention, the additional parameter σ is thus introduced into the function y = exp (-x 2 ).
Mittels des Verfahrens ist eine digitale Umgebungskarte erstellbar, die eine gesamte, aus der Umgebung erfasste Referenzinformation enthält, so dass eine Fehleranfälligkeit beim Abgleich der erfassten Daten mit der Umgebungskarte sehr gering ist. Gegenüber konventionellen als Grauwertbild gespeicherten Umgebungskarten ist zudem ein Speicherbedarf zur Durchführung des Verfahrens verringert, da das Grauwertbild anhand der merkmalsbasierten Karte erstellt wird. D. h., es wird ein merkmalsbasiertes Grauwertbild erstellt, bei dem die Merkmale beispielsweise als punkt- und/oder linienförmige Strukturen dargestellt sind. Damit eignet sich das Verfahren auch für große Umgebungen, insbesondere zur Anwendung in einem öffentlichen Verkehrsbereich.By means of the method, a digital map of the surroundings can be created, which contains all reference information acquired from the environment, so that the likelihood of errors when comparing the recorded data with the map of the surroundings is very low. Compared to conventional environmental maps stored as a gray-scale image, a memory requirement for carrying out the method is also reduced, since the gray-level image is created on the basis of the feature-based map. In other words, a feature-based gray-scale image is created, in which the features are represented, for example, as point and / or line structures. The method is therefore also suitable for large environments, in particular for use in a public traffic area.
Des Weiteren erfordert das Verfahren gegenüber konventionellen Verfahren, bei denen aus den Umgebungsdaten ermittelte Merkmale mit Merkmalen aus einer digitalen, merkmalsbasierten Karte assoziiert werden, auch einen verringerten Speicherbedarf. Dies resultiert daraus, dass zur Selbstlokalisierung keine zusätzlichen beschreibenden Eigenschaften einzelner Merkmale erforderlich sind.Furthermore, the process requires compared to conventional processes in which the Features determined in the environment are associated with features from a digital, feature-based map, also a reduced memory requirement. This results from the fact that no additional descriptive properties of individual features are required for self-localization.
Durch die erfindungsgemäße Einführung des zusätzlichen Parameters σ in die Funktion y=exp(-x2), so dass an Stelle der Funktion y=exp(-x2) bei der erfindungsgemäßen Lösung die Funktion
Dieser Parameter σ hat folgende Einflüsse:This parameter σ has the following influences:
Für besonders kleine Beträge von σ werden die Features, d. h. die Merkmale, sehr dünn im Feature Grid, d. h. im Grauwertbild, eingetragen. D. h. eine gegebene Struktur der Umgebung wird sehr scharf im Feature Grid, d. h. im Grauwertbild, wiedergegeben. Dadurch steigt eine erreichbare Genauigkeit der Selbstlokalisierung (zum Beispiel mit einem Partikelfilter), die ein solches schmales Feature Grid, d. h. Grauwertbild, verwendet.For particularly small amounts of σ, the features, i.e. H. the features, very thin in the feature grid, d. H. in the gray scale image. I.e. a given structure of the environment becomes very sharp in the feature grid; H. in the gray scale image. This increases the achievable accuracy of self-localization (for example with a particle filter), which is such a narrow feature grid, i. H. Grayscale image, used.
Für besonders große Beträge von σ werden die Features, d. h. die Merkmale, sehr breit im Feature Grid, d. h. im Grauwertbild, eingetragen. D. h. die auch als Features bezeichneten Merkmale haben größeren Einfluss über einen weiten Bereich im Feature Grid, d. h. im Grauwertbild. Dadurch wird eine Selbstlokalisierungsberechnung (zum Beispiel mit einem Partikelfilter) im Allgemeinen schnell in die richtige Richtung gezogen. D. h. sowohl eine Konvergenzzeit als auch die Gefahr, sich in einem falschen lokalen Optimum zu verfangen, ist für gewöhnlich geringer bei einer Lokalisierung mit einem solchen breiten Feature Grid, d. h. Grauwertbild.
Der Parameter σ der Feature Grid-Berechnung, d. h. der Berechnung des Grauwertbildes, wird somit vorteilhafterweise adaptiv entsprechend einer jeweils momentanen geschätzten Unsicherheit der Selbstlokalisierung bestimmt. Dadurch kann bei einem ungenauen Zustand der Selbstlokalisierung ein breites Feature Grid, d. h. ein Grauwertbild mit breit dargestellten Merkmalen, berechnet werden, so dass die Lokalisierung schnell zu einer genaueren Schätzung konvergieren kann, und bei genaueren Zuständen kann ein schmales Feature Grid berechnet werden, d. h. ein Grauwertbild mit schmal dargestellten Merkmalen, um eine sehr hohe erreichbare Genauigkeit zu ermöglichen. Der Zusammenhang zwischen der geschätzten Lokalisierungsunsicherheit und dem Parameterwert für σ kann dabei sowohl kontinuierlich als auch diskret gewählt werden.For particularly large amounts of σ, the features, ie the features, are entered very broadly in the feature grid, ie in the gray value image. I.e. The features, which are also referred to as features, have greater influence over a wide area in the feature grid, ie in the gray-scale image. As a result, a self-localization calculation (for example with a particle filter) is generally quickly drawn in the right direction. I.e. Both a convergence time and the risk of getting caught in a wrong local optimum are usually less when localized with such a wide feature grid, ie gray-scale image.
The parameter σ of the feature grid calculation, ie the calculation of the gray value image, is thus advantageously determined adaptively in accordance with a currently estimated uncertainty of the self-localization. As a result, a wide feature grid, i.e. a gray-scale image with features that are shown broadly, can be calculated in the case of an inaccurate state of self-localization, so that the localization can quickly converge to a more accurate estimate, and a narrow feature grid, ie a, can be calculated in more precise conditions Grayscale image with narrowly depicted features to enable a very high achievable accuracy. The relationship between the estimated localization uncertainty and the parameter value for σ can be chosen both continuously and discretely.
Das Verfahren dient insbesondere einer umgebungsbasierten Selbstlokalisierung in bekannten Umgebungen, beispielsweise für eine Anwendung beim autonomen Fahren.The method is used in particular for environment-based self-localization in known environments, for example for use in autonomous driving.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.Exemplary embodiments of the invention are explained in more detail below with reference to drawings.
Dabei zeigen:
-
1 schematisch eine merkmalsbasierte Karte, -
2 schematisch ein Grauwertbild mit grob dargestellten Merkmalen, -
3 schematisch ein Grauwertbild mit mittelgrob dargestellten Merkmalen, und -
4 schematisch ein Grauwertbild mit fein dargestellten Merkmalen.
-
1 schematically a feature-based map, -
2 schematically a gray value image with roughly represented features, -
3 schematically a gray-scale image with medium-sized features, and -
4 schematically a gray scale image with finely represented features.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.Corresponding parts are provided with the same reference symbols in all figures.
Anhand der
In diesem in der
In this in the
Die merkmalsbasierte Karte
Dadurch, dass nur einzelne, hervorstechende Merkmale
Das Grauwertbild
Das Ergebnis des ersten Schrittes ist somit ein zweidimensionales Grauwertbild
In einem zweiten Schritt erfolgt mittels der in das Grauwertbild
Bei der Distanztransformation werden alle Pixel des Grauwertbildes
In einem dritten Schritt erfolgt eine weitere Transformation der Werte der Pixel, wobei die Werte beispielsweise anhand der Funktion
Das Ergebnis des dritten Schritts ist eine Umgebungskarte, die als ein merkmalsbasiertes Grauwertbild
In einem vierten Schritt erfolgt die Selbstlokalisierung des Fahrzeugs in der Umgebung. Dazu erfasst eine Sensorik des Fahrzeugs, z. B. eine Anzahl von Radarsensoren oder ein Laserscanner, die Umgebung des Fahrzeugs. Dabei erfasste Umgebungsdaten werden ausgewertet und mit der im dritten Schritt erstellten Umgebungskarte abgeglichen. Dazu kann beispielsweise ein Partikel-Filter verwendet werden, bei welchem es sich um eine sequenzielle Monte-Carlo-Methode handelt, bei der im Allgemeinen eine sogenannte a-postperiori Wahrscheinlichkeitsverteilung einer Zustandsschätzung durch eine diskrete Stichprobe repräsentiert wird, deren Elemente Partikel genannt werden. D. h., der Partikel-Filter wählt in jedem Zeitschritt diejenige Position und Orientierung eines Partikels als Lokalisierungsergebnis aus, mit welchen die aktuell erfassten Umgebungsdaten bestmöglich in die Umgebungskarte passen.In a fourth step, the vehicle is self-localized in the area. For this purpose, a sensor system of the vehicle, e.g. B. a number of radar sensors or a laser scanner, the surroundings of the vehicle. The environmental data recorded is evaluated and compared with the environmental map created in the third step. For this purpose, for example, a particle filter can be used, which is a sequential Monte Carlo method, in which a so-called a-postperiori probability distribution of a state estimate is generally represented by a discrete sample, the elements of which are called particles. In other words, in each time step, the particle filter selects the position and orientation of a particle as the localization result with which the currently recorded environmental data fit as well as possible in the environmental map.
Eine Aktualisierung der Umgebungskarte erfolgt in vorgegebenen Zeitschritten. Da eine Bewegung des Fahrzeugs zwischen zwei Zeitschritten üblicherweise sehr gering ist, überschneiden sich die Umgebungskarten aus aufeinanderfolgenden Zeitschritten sehr stark. Aus diesem Grund wird die aktuelle Umgebungskarte bevorzugt unter Verwendung der Umgebungskarte des vorhergehenden Zeitschritts mit einem geeigneten Aktualisierungsverfahren erstellt. Damit kann ein Rechenaufwand zur Erstellung der Umgebungskarte begrenzt werden.The area map is updated in predefined time steps. Since a movement of the vehicle between two time steps is usually very small, the area maps from successive time steps overlap very strongly. For this reason, the current environment map is preferred using the environment map of the previous one Time step created with a suitable update process. This can limit the amount of computation required to create the area map.
Zur Durchführung des ersten bis vierten Schritts sind ausreichend leistungsfähige Recheneinheiten im Fahrzeug erforderlich. Des Weiteren ist zur Bestimmung des Schätzwerts für die Unsicherheit der a-priori-Verteilungsfunktion beispielsweise ein satellitengestütztes Positionsbestimmungssystem, z. B. GPS, erforderlich. Alternativ kann dieser Schätzwert auch anhand von Informationen aus einer Historie des Fahrzeugs, z. B. ein zuletzt bekannter Abstellort, ermittelt werden.Sufficiently powerful computing units in the vehicle are required to carry out the first to fourth steps. Furthermore, to determine the estimated value for the uncertainty of the a priori distribution function, for example, a satellite-based position determination system, e.g. B. GPS, required. Alternatively, this estimate can also be based on information from a history of the vehicle, e.g. B. a last known storage location can be determined.
Das hier beschriebene Verfahren ist eine Weiterbildung dieses oben beschriebenen aus der
Das hier beschriebene Verfahren entspricht somit vorteilhafterweise im Wesentlichen dem oben beschriebenen aus der
Dadurch wird die Lokalisierung beschleunigt oder präzisiert, da mit diesem zusätzlichen Parameter σ eine Breite, mit der Features, d. h. Merkmale
Dieser Parameter σ hat somit folgende Einflüsse:This parameter σ therefore has the following influences:
Für besonders kleine Beträge von σ werden die Features, d. h. die Merkmale
Für besonders große Beträge von σ werden die Features, d. h. die Merkmale
Der Parameter σ der Feature Grid-Berechnung, d. h. der Berechnung des Grauwertbildes
The parameter σ of the feature grid calculation, ie the calculation of the gray scale image
Das Verfahren dient insbesondere einer umgebungsbasierten Selbstlokalisierung in bekannten Umgebungen, beispielsweise für eine Anwendung beim autonomen Fahren.The method is used in particular for environment-based self-localization in known environments, for example for use in autonomous driving.
Das hier beschriebene Verfahren unterscheidet sich somit insbesondere ab dem dritten Schritt vom aus der
Somit erfolgt im hier beschriebenen Verfahren im dritten Schritt die weitere Transformation der Werte der Pixel, wobei die Werte anhand der Funktion
Das Ergebnis des dritten Schritts ist eine Umgebungskarte, die als merkmalsbasiertes Grauwertbild
Im vierten Schritt erfolgt die Selbstlokalisierung des Fahrzeugs in der Umgebung. Dazu erfasst eine Sensorik des Fahrzeugs, z. B. eine Anzahl von Radarsensoren oder ein Laserscanner, die Umgebung des Fahrzeugs. Dabei erfasste Umgebungsdaten werden ausgewertet und mit der im dritten Schritt erstellten Umgebungskarte abgeglichen. Dazu kann beispielsweise ein Partikel-Filter verwendet werden, bei welchem es sich um eine sequenzielle Monte-Carlo-Methode handelt, bei der im Allgemeinen eine sogenannte a-postperiori Wahrscheinlichkeitsverteilung einer Zustandsschätzung durch eine diskrete Stichprobe repräsentiert wird, deren Elemente Partikel genannt werden. D. h., der Partikel-Filter wählt in jedem Zeitschritt diejenige Position und Orientierung eines Partikels als Lokalisierungsergebnis aus, mit welchen die aktuell erfassten Umgebungsdaten bestmöglich in die Umgebungskarte passen.In the fourth step, the vehicle is self-localized in the area. For this purpose, a sensor system of the vehicle, e.g. B. a number of radar sensors or a laser scanner, the surroundings of the vehicle. The environmental data recorded is evaluated and compared with the environmental map created in the third step. For this purpose, for example, a particle filter can be used, which is a sequential Monte Carlo method, in which a so-called a-postperiori probability distribution of a state estimate is generally represented by a discrete sample, the elements of which are called particles. In other words, in each time step, the particle filter selects the position and orientation of a particle as the localization result with which the currently recorded environmental data fit as well as possible in the environmental map.
Eine Aktualisierung der Umgebungskarte erfolgt vorteilhafterweise in vorgegebenen Zeitschritten. Da eine Bewegung des Fahrzeugs zwischen zwei Zeitschritten üblicherweise sehr gering ist, überschneiden sich die Umgebungskarten aus aufeinanderfolgenden Zeitschritten sehr stark. Aus diesem Grund wird die aktuelle Umgebungskarte bevorzugt unter Verwendung der Umgebungskarte des vorhergehenden Zeitschritts mit einem geeigneten Aktualisierungsverfahren erstellt. Damit kann ein Rechenaufwand zur Erstellung der Umgebungskarte begrenzt werden.The environment map is advantageously updated in predetermined time steps. Since a movement of the vehicle between two time steps is usually very small, the area maps from successive time steps overlap very strongly. For this reason, the current environment map is preferably created using the environment map of the previous time step with a suitable update method. This can limit the amount of computation required to create the area map.
Zur Durchführung des Verfahrens weist das Fahrzeug vorteilhafterweise eine geeignete Sensorik, d. h. mindestens einen geeigneten Sensor, zur Umfelderfassung auf, zum Beispiel einen Radarsensor oder einen Laserscanner. Des Weiteren besteht vorteilhafterweise ein Zugang zu einer Datenbank, die die merkmalsbasierte Karte
Das Fahrzeug weist des Weiteren vorteilhafterweise eine oder mehrere ausreichend leistungsfähig dimensionierte Recheneinheiten auf, um die benötigten Berechnungen zur Feature Grid-Erstellung, d. h. zur Erstellung des Grauwertbildes
Des Weiteren ist, insbesondere für einen Anlauf der Lokalisierung nach dem hier beschriebenen Verfahren, ein hinreichend genauer Prior-Schätzwert für die Fahrzeugposition notwendig. Dieser kann beispielsweise durch ein oder mehrere satellitengestützte Lokalisierungssysteme, d. h. mittels mindestens eines globalen Navigationssatellitensystems, zum Beispiel GPS, und/oder durch Informationen aus einer Historie des Fahrzeugs bestimmt werden, beispielsweise aus der Information, wo das Fahrzeug zuletzt abgestellt wurde.Furthermore, a sufficiently precise prior estimate for the vehicle position is necessary, in particular for a start of the localization according to the method described here. This can, for example, by one or more satellite-based localization systems, i. H. be determined by means of at least one global navigation satellite system, for example GPS, and / or by information from a history of the vehicle, for example from the information where the vehicle was last parked.
BezugszeichenlisteLIST OF REFERENCE NUMBERS
- 11
- GrauwertbildGray scale image
- 22
- merkmalsbasierte Kartefeature-based map
- 33
- Merkmalcharacteristic
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant has been generated automatically and is only included for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
- DE 102016011378 A1 [0002, 0019, 0031, 0032, 0038]DE 102016011378 A1 [0002, 0019, 0031, 0032, 0038]
Claims (4)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018005240.1A DE102018005240A1 (en) | 2018-07-03 | 2018-07-03 | Method for self-localization of a vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018005240.1A DE102018005240A1 (en) | 2018-07-03 | 2018-07-03 | Method for self-localization of a vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018005240A1 true DE102018005240A1 (en) | 2020-01-09 |
Family
ID=68943438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018005240.1A Withdrawn DE102018005240A1 (en) | 2018-07-03 | 2018-07-03 | Method for self-localization of a vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102018005240A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016011378A1 (en) | 2016-09-21 | 2017-04-13 | Daimler Ag | Method for self-localization of a vehicle |
-
2018
- 2018-07-03 DE DE102018005240.1A patent/DE102018005240A1/en not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016011378A1 (en) | 2016-09-21 | 2017-04-13 | Daimler Ag | Method for self-localization of a vehicle |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112016002817T5 (en) | CHANGE BASED BASED IMAGE RECORDING SYSTEM | |
DE102017116088A1 (en) | Apparatus and method for estimating a position of a vehicle | |
DE102018214510A1 (en) | Parking ticket generation on the street | |
DE102014111126A1 (en) | Method for generating an environment map of an environmental area of a motor vehicle, driver assistance system and motor vehicle | |
DE102015115012A1 (en) | Method for generating an environment map of an environment of a motor vehicle based on an image of a camera, driver assistance system and motor vehicle | |
EP1421568A1 (en) | Method for determining a model travel path | |
DE102017203276A1 (en) | Method and device for determining a trajectory in off-road scenarios | |
DE102012107886A1 (en) | Method for the electronic detection of traffic signs | |
WO2018054521A1 (en) | Method for the self-location of a vehicle | |
DE102015003666A1 (en) | Method for processing acquired measured data of a sensor | |
DE102018124979A1 (en) | Driver assistance system for determining a distance between two vehicles with a camera | |
DE102010011982A1 (en) | Method for the computer-aided creation and / or updating of a reference map for a satellite-based location of an object | |
DE102019132150A1 (en) | Method for automatically calibrating an environment sensor, in particular a lidar sensor, of a vehicle on the basis of occupancy cards and computing device | |
DE102019209206A1 (en) | PARKING CARDS REFINING USING AN OCCUPATIONAL BEHAVIOR ANOMALY DETECTOR | |
DE102021003567A1 (en) | Process for the recognition of object relationships and attributions from sensor data | |
DE102018128535A1 (en) | Training an artificial neural network with data captured by sensors of a vehicle | |
DE102018005240A1 (en) | Method for self-localization of a vehicle | |
DE102022212343A1 (en) | AUTONOMOUS DRIVING SYSTEM | |
DE102020208080A1 (en) | Detection of objects in images under equivariance or invariance with respect to the object size | |
DE102019216184A1 (en) | Method for the robustification of a neural network against adversarial disturbances | |
DE102021000519A1 (en) | Method for validating map object relationships and attributions for a digital map | |
DE102019132151A1 (en) | Method for calibrating an environment sensor of a vehicle on the basis of data from a reference environment sensor, taking into account occupancy cards, computing device and sensor system | |
DE102022123499B3 (en) | Computer-implemented method, processor circuit and computer program for processing measurement points received from an environment sensor, in particular radar measurement points, for object detection and a correspondingly equipped motor vehicle | |
DE102016122031A1 (en) | Resource-saving map for a driver assistance system of a motor vehicle | |
DE102022207097A1 (en) | Method for training a machine learning algorithm for obtaining information about a current environment of a motor vehicle from data recorded by at least one environmental sensor of the motor vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R081 | Change of applicant/patentee |
Owner name: DAIMLER AG, DE Free format text: FORMER OWNER: DAIMLER AG, 70327 STUTTGART, DE |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |