DE102018112177A1 - Lane detection based on lane models - Google Patents
Lane detection based on lane models Download PDFInfo
- Publication number
- DE102018112177A1 DE102018112177A1 DE102018112177.6A DE102018112177A DE102018112177A1 DE 102018112177 A1 DE102018112177 A1 DE 102018112177A1 DE 102018112177 A DE102018112177 A DE 102018112177A DE 102018112177 A1 DE102018112177 A1 DE 102018112177A1
- Authority
- DE
- Germany
- Prior art keywords
- lane
- model
- static
- lane model
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title description 9
- 230000003068 static effect Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000013450 outlier detection Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 241001136792 Alle Species 0.000 description 1
- 208000012886 Vertigo Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30256—Lane; Road marking
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Abstract
Eine verbesserte Verfolgung einer Fahrspur für ein Fahrzeug soll bereitgestellt werden. Folglich wird ein Verfahren mit den Schritten der Bereitstellung von Einzelbildern der Fahrspur, der Extraktion von Fahrspurmerkmalen (8) aus den Einzelbildern und der Bereitstellung eines ersten Fahrspurmodells (10) vorgeschlagen. Dann wird das erste Fahrspurmodell (10) mit den Fahrspurmerkmalen aktualisiert (12). Ein zweites Fahrspurmodell (13) auf der Basis eines Ausreißerdetektionsalgorithmus wird bereitgestellt. Ein verfolgter Vertrauenswert für das aktualisierte erste Fahrspurmodell und ein statischer Vertrauenswert für das statische zweite Fahrspurmodell (13) werden berechnet. Auf der Basis beider Vertrauenswerte wird entschieden, ob das aktualisierte erste Fahrspurmodell oder das statische zweite Fahrspurmodell zum Berechnen von gegenwärtigen Informationen über die Fahrspur verwendet werden soll.An improved tracking of a traffic lane for a vehicle should be provided. Thus, there is provided a method comprising the steps of providing individual lanes of the lane, extracting lane features (8) from the frames, and providing a first lane model (10). Then, the first lane model (10) is updated with the lane features (12). A second lane model (13) based on an outlier detection algorithm is provided. A tracked confidence value for the updated first lane model and a static confidence value for the static second lane model (13) are calculated. Based on both confidence values, it is decided whether to use the updated first lane model or the static second lane model to calculate current lane information.
Description
Die vorliegende Erfindung bezieht sich auf ein Verfahren zum Verfolgen einer Fahrspur mit den Schritten der Bereitstellung von Einzelbildern der Fahrspur, der Extraktion von Fahrspurmerkmalen aus den Einzelbildern und der Bereitstellung eines Fahrspurmodells. Ferner bezieht sich die vorliegende Erfindung auf ein Fahrerassistenzsystem und eine Vorrichtung, die jeweils dazu ausgelegt sind, ein solches Verfahren durchzuführen. Außerdem, ist die vorliegende Erfindung auf ein Computerprogrammprodukt gerichtet, das in der Lage ist, das Verfahren zum Verfolgen einer Fahrspur durchzuführen.The present invention relates to a method of following a lane with the steps of providing lane images, extracting lane features from the frames, and providing a lane model. Further, the present invention relates to a driver assistance system and apparatus each adapted to perform such a method. In addition, the present invention is directed to a computer program product capable of executing the lane following method.
Verschiedene Fahrerassistenzsysteme sind aus dem Stand der Technik bekannt. Solche Fahrerassistenzsysteme können verschiedene Automatisierungsebenen aufweisen, beginnend mit der Ebene
Die Fahrspurdetektion unter Verwendung von Kamerasystemen war eine der ersten entwickelten Computersicht-ADAS- (fortschrittliches Fahrerassistenzsystem) Funktionen. Solche Fahrspurdetektionssysteme können auf Fahrspurmodellen für Mehrkamera- und Fischaugenkamerasysteme basieren.Lane detection using camera systems was one of the first developed computer vision ADAS (advanced driver assistance system) functions. Such lane detection systems may be based on lane models for multi-camera and fisheye camera systems.
Das Dokument
Ferner offenbart das Dokument
Die Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zum Verfolgen einer Fahrspur in einer verbesserten Qualität bereitzustellen. Ferner sollen eine entsprechende Vorrichtung und ein entsprechendes Computerprogrammprodukt bereitgestellt werden.The object of the present invention is to provide a method for tracking a lane in an improved quality. Furthermore, a corresponding device and a corresponding computer program product are to be provided.
Gemäß der vorliegenden Erfindung wird diese Aufgabe durch ein Verfahren, eine Vorrichtung und ein Computerprogrammprodukt gelöst, wie in den unabhängigen Ansprüchen definiert.According to the present invention, this object is achieved by a method, an apparatus and a computer program product as defined in the independent claims.
Folglich wird ein Verfahren zum Verfolgen einer Fahrspur bereitgestellt mit den Schritten
- - Bereitstellen von Einzelbildern der Fahrspur,
- - Extrahieren von Fahrspurmerkmalen aus den Einzelbildern und
- - Bereitstellen eines ersten Fahrspurmodells, sowie
- - Aktualisieren des ersten Fahrspurmodells mit den Fahrspurmerkmalen,
- - Bereitstellen eines statischen zweiten Fahrspurmodells auf der Basis eines Ausreißerdetektionsalgorithmus,
- - Berechnen eines verfolgten Vertrauenswerts für das aktualisierte erste Fahrspurmodell und eines statischen Vertrauenswerts für das statische zweite Fahrspurmodell und
- - Entscheiden auf der Basis beider Vertrauenswerte, ob das aktualisierte erste Fahrspurmodell oder das statische zweite Fahrspurmodell zum Berechnen von gegenwärtigen Informationen über die Fahrspur verwendet werden soll.
- Providing lanes of the traffic lane,
- - Extract lane features from the frames and
- - Provide a first lane model, as well
- - Updating the first lane model with the lane features,
- Providing a static second lane model based on an outlier detection algorithm,
- Calculating a tracked confidence score for the updated first lane model and a static confidence score for the static second lane model and
- Decide whether to use the updated first lane model or the static second lane model to calculate current lane information based on both confidence values.
Ein Fahrzeug, das beispielsweise auf oder in einer Fahrspur fährt, kann die Fahrspur verfolgen müssen, um Unterstützungsinformationen für den Fahrer als gegenwärtige Informationen über die Fahrspur bereitzustellen. Das Fahrzeug kann eine oder mehrere Kameras (z. B. ein Mehrkamerasystem oder ein Fischaugenkamerasystem) zum Bereitstellen von Bildern (auch Einzelbilder genannt) der Fahrspur umfassen. Fahrspurmerkmale wie Fahrtrichtungswinkel, seitliche Position (in Bezug auf das Fahrzeug), Fahrspurbreite und -krümmung werden aus den Einzelbildern extrahiert. Ein erstes Fahrspurmodell vorzugsweise zum Vorhersagen einer Fahrspurposition usw. wird bereitgestellt. Das erste Fahrspurmodell wird mit gegenwärtigen Fahrspurmerkmalen (wie Fahrtrichtungswinkel, seitliche Position, Fahrspurbreite oder -krümmung) aktualisiert.For example, a vehicle traveling on or in a lane may need to track the lane to provide assistance information to the driver as current lane information. The vehicle may include one or more cameras (eg, a multi-camera system or a fisheye camera system) for providing images (also called frames) of the lane. Lane features such as heading angle, lateral position (with respect to the vehicle), lane width and curvature are extracted from the frames. A first lane model, preferably for predicting a lane position, etc., is provided. The first lane model is updated with current lane features (such as heading angle, lateral position, lane width or curvature).
Überdies wird ein statisches zweites Fahrspurmodell bereitgestellt. Das Merkmal „statisch“ bedeutet, dass das Modell nicht mit gegenwärtigen Fahrspurmerkmalen aktualisiert wird. Das zweite Fahrspurmodell basiert vielmehr auf einem festen Ausreißerdetektionsalgorithmus. Dieser Algorithmus unterscheidet zwischen Ausreißern und Einliegern gemäß vorgegebenen Kriterien. In Bezug auf die extrahierten Fahrspurmerkmale wird ein Vertrauenswert für jedes Modell, beispielsweise auf der Basis einer statistischen Hypothese, berechnet. Insbesondere werden ein verfolgter Vertrauenswert für das aktualisierte erste Fahrspurmodell und ein statischer Vertrauenswert für das statische zweite Fahrspurmodell berechnet. Mit Hilfe dieser Vertrauenswerte wird entschieden, das aktualisierte erste Fahrspurmodell oder das statische zweite Fahrspurmodell für weitere Berechnungen in Bezug auf die verfolgte Fahrspur zu verwenden. Vorzugsweise wird jenes Modell verwendet, das den höheren Vertrauenswert liefert. Dies garantiert, dass die berechneten gegenwärtigen Informationen über die Fahrspur (beispielsweise die Fahrspurkoordinaten) genauer sind.In addition, a static second lane model is provided. The term "static" means that the model is not updated with current lane features. Rather, the second lane model is based on a fixed outlier detection algorithm. This algorithm distinguishes between outliers and nests according to given criteria. With respect to the extracted lane features, a confidence score is calculated for each model based on, for example, a statistical hypothesis. Specifically, a tracked confidence value for the updated first lane model and a static confidence value for the static second lane model are calculated. Using these confidence values, it is decided to use the updated first lane model or the static second lane model for further calculations with respect to the tracked lane. Preferably, the model that provides the higher confidence value is used. This guarantees that the calculated current lane information (for example, lane coordinates) is more accurate.
In einer bevorzugten Ausführungsform wird die Aktualisierung des ersten Fahrspurmodells durch Vorhersagen einer neuen Version des ersten Fahrspurmodells mit Hilfe von Kalman-Filterung und Anpassen der neuen Version des ersten Fahrspurmodells an die extrahierten Fahrspurmerkmale durchgeführt. Eine solche Prozedur ermöglicht es, das Modell mit einer Vielzahl von Merkmalselementen leicht zu aktualisieren. Diese Merkmalselemente beschreiben die Fahrspur und bilden einen Zustandsvektor für das Kalman-Filter.In a preferred embodiment, the updating of the first lane model is performed by predicting a new version of the first lane model using Kalman filtering and adapting the new version of the first lane model to the extracted lane features. Such a procedure makes it possible to easily update the model with a plurality of feature elements. These feature elements describe the lane and form a state vector for the Kalman filter.
Vorzugsweise verfolgen das erste Fahrspurmodell und das zweite Fahrspurmodell eine Fahrspurgeometrie über die Zeit. Folglich stellen die Fahrspurmodelle vorzugsweise gegenwärtige Informationen über Fahrspurabmessungen, die Fahrspurposition und/oder die Fahrspurorientierung bereit. Solche Informationen können in Bezug auf den Typ der Fahrspur klassifiziert werden.Preferably, the first lane model and the second lane model track a lane geometry over time. Thus, the lane models preferably provide current information about lane dimensions, lane position, and / or lane orientation. Such information may be classified in relation to the type of lane.
In einer weiteren vorteilhaften Entwicklung beziehen sich die Fahrspurmerkmale auf Fahrspurmarkierungen und vor dem Aktualisieren des ersten Fahrspurmodells mit Fahrspurmarkierungen werden die Fahrspurmarkierungen in zwei separate Sätze für eine linke Grenze und eine rechte Grenze durch Berechnen einer Trennlinie mit Hilfe des ersten Fahrspurmodells aufgeteilt. Vorzugsweise ist die Trennlinie ein Polynom zweiter Ordnung. Das Vorzeichen des seitlichen Abstandes von der Trennlinie kann verwendet werden, um die Fahrspurmarkierungen in linke Fahrspurmarkierungen und rechte Fahrspurmarkierungen zu klassifizieren. Eine solche Trennung in eine linke und rechte Fahrspurgrenze stellt eine hohe Qualität sicher, wenn das entsprechende Fahrspurmodell angepasst wird.In a further advantageous development, the lane features relate to lane markings, and prior to updating the first lane model with lane markers, the lane markers are divided into two separate left boundary and one right boundary sets by calculating a division line using the first lane model. Preferably, the dividing line is a second order polynomial. The sign of the lateral distance from the dividing line may be used to classify the lane markings into left lane markings and right lane markings. Such a separation into a left and right lane boundary ensures high quality when adapting the corresponding lane model.
In einer weiteren Ausführungsform wird das statische Fahrspurmodell auf der Basis einer am besten passenden Fahrspurhypothese für die extrahierten Fahrspurmerkmale unter Verwendung einer Stichprobenübereinstimmung und einer Least-Square-Fit bewertet. Insbesondere kann eine spezielle Fahrspurmodellhypothese für jedes Einzelbild berechnet werden. Dies kann in zwei Schritten durchgeführt werden: Stichprobenübereinstimmung (RANSAC) und Least-Square-Fit. Dies führt zu gegenwärtigen Modellparametern, die für das statische Fahrspurmodell verwendet werden.In another embodiment, the static lane model is evaluated based on a best fit lane hypothesis for the extracted lane features using a sample match and a least square fit. In particular, a specific lane model hypothesis can be calculated for each frame. This can be done in two steps: Sample Matching (RANSAC) and Least Square Fit. This results in current model parameters used for the static lane model.
Gemäß einer weiteren Ausführungsform wird für jede einer linken und einer rechten Grenze der Fahrspur eine vorgegebene Anzahl von Merkmalen verwendet, um das statische zweite Fahrspurmodell durch Durchführen von Polynomanpassung zu berechnen. Sechs Merkmale werden beispielsweise zufällig für jede Grenze zum Berechnen eines am besten passenden Kandidatenmodells ausgesucht.According to another embodiment, a predetermined number of features are used for each of a left and a right border of the lane to pass through the static second lane model Perform polynomial fitting to calculate. For example, six features are randomly selected for each boundary to compute a best fit candidate model.
Gemäß einer weiteren Ausführungsform wird eines des ersten Fahrspurmodells und des zweiten Fahrspurmodells in einem ersten Zeitschritt verwendet und dieses Modell wird in einem zweiten Zeitschritt, der unmittelbar dem ersten Zeitschritt folgt, immer noch verwendet, falls der direkte Vertrauenswert und der statische Vertrauenswert unter einem vorgegebenen Schwellenwert liegen. Dies bedeutet, dass das Fahrspurmodell zwischen zwei Zeitschritten fest ist. Folglich wird eine Änderung des Fahrspurmodells nur durchgeführt, wenn der jeweilige Vertrauenswert hoch genug ist, d. h. über dem vorgegebenen Schwellenwert liegt.According to another embodiment, one of the first lane model and the second lane model is used in a first time step, and this model is still used in a second time step immediately following the first time step, if the direct confidence value and the static confidence value are below a predetermined threshold lie. This means that the lane model is fixed between two time steps. Consequently, a change of the lane model is only performed if the respective confidence value is high enough, i. H. above the predetermined threshold.
Überdies kann der direkte Vertrauenswert für eine Hypothese in Bezug auf das erste Fahrspurmodell berechnet werden und der statische Vertrauenswert wird für eine Hypothese in Bezug auf das zweite Fahrspurmodell auf der Basis der Fahrspurmerkmale aus den Einzelbildern berechnet. Folglich können Fahrspurmarkierungen in Bezug auf die zwei verschiedenen Modelle zuverlässig klassifiziert werden.Moreover, the direct confidence value for a hypothesis regarding the first lane model may be calculated, and the static confidence value is calculated for a hypothesis regarding the second lane model based on the lane characteristics from the frames. Consequently, lane markings can be reliably classified with respect to the two different models.
In einer anderen Ausführungsform wird der Vertrauenswert für jedes des ersten und des zweiten Fahrspurmodells durch zuerst Berechnen von unabhängigen Vertrauenswerten für die linke und die rechte Grenze der Fahrspur und dann Berechnen eines Mittelwerts dieser unabhängigen Vertrauenswerte für den Vertrauenswert für das jeweilige erste oder zweite Fahrspurmodell berechnet. Folglich können die verschiedenen Fahrspurmodelle gewichtet und verglichen werden. Insbesondere kann für jede Modellhypothese ein Vertrauenswert berechnet werden, um die Modelle zu gewichten und zu vergleichen. Der Mittelwert als gemeinsamer Vertrauenswert ist zuverlässiger als jeder einzelne Vertrauenswert.In another embodiment, the confidence score for each of the first and second lane models is calculated by first calculating independent confidence values for the left and right limits of the lane and then calculating an average of these independent confidence values for the confidence value for the respective first or second lane model. Consequently, the different lane models can be weighted and compared. In particular, a confidence score can be calculated for each model hypothesis to weight and compare the models. The mean value as a common trust is more reliable than any single trustworthiness.
In einer bevorzugten Ausführungsform werden detektierte Fahrspurmarkierungen in Einlieger und Ausreißer in Bezug auf das erste Fahrspurmodell getrennt und nur die Einlieger werden verwendet, um das erste Fahrspurmodell zu aktualisieren. In diesem Fall wird eine Modellanpassung nur mit Einliegermarkierungen durchgeführt. Folglich weist die Modellanpassung eine verbesserte Qualität auf.In a preferred embodiment, detected lane markers are separated into enrollees and outliers with respect to the first lane model and only the mates are used to update the first lane model. In this case, model matching is done only with locator marks. As a result, the model matching has improved quality.
Die vorstehend erwähnte Aufgabe kann auch durch ein Fahrerassistenzsystem gelöst werden, das dazu ausgelegt ist, ein Verfahren gemäß irgendeinem Verfahren zum Verfolgen einer Fahrspur durchzuführen, wie vorstehend beschrieben. Irgendeine andere Vorrichtung zum Verfolgen einer Fahrspur kann dazu ausgelegt sein, die beschriebenen Verfahren durchzuführen. Modifikationen und Vorteile des erfindungsgemäßen Verfahrens können auch für das erfindungsgemäße Fahrerassistenzsystem oder die erfindungsgemäße Vorrichtung gelten.The above-mentioned object can also be achieved by a driver assistance system configured to perform a method according to any lane following method as described above. Any other lane tracking device may be configured to perform the described methods. Modifications and advantages of the method according to the invention can also apply to the driver assistance system according to the invention or the device according to the invention.
Außerdem wird die obige Aufgabe auch durch ein Computerprogrammprodukt mit Programmcodemitteln gelöst, die insbesondere in einem computerlesbaren Medium gespeichert sind, um das Verfahren zum Verfolgen einer Fahrspur gemäß irgendeinem der vorangehenden Ansprüche durchzuführen, wenn das Computerprogrammprodukt auf einer Computervorrichtung einer elektronischen Steuereinheit abgearbeitet wird.In addition, the above object is also achieved by a computer program product having program code means stored in particular in a computer readable medium to perform the lane keeping method according to any one of the preceding claims when the computer program product is executed on a computer device of an electronic control unit.
Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Es sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder von diesen abweichen.Further features of the invention will become apparent from the claims, the figures and the description of the figures. The features and combinations of features mentioned above in the description as well 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 specified combination but also in other combinations without departing from the scope 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. Moreover, embodiments and combinations of features, in particular by the embodiments set out above, are to be regarded as disclosed which go beyond the feature combinations set out in the back references of the claims or deviate therefrom.
Die vorliegende Erfindung wird nun in Verbindung mit den beigefügten Figuren genauer beschrieben, die zeigen in:
-
1 ein Prinzipblockdiagramm eines Fahrspurerfassungssystems; -
2 ein Blockdiagramm des Verarbeitungsschemas eines Fahrspurmodellmoduls; -
3 ein Diagramm eines Fahrspurmodells; -
4 ein Diagramm für die Trennung von Fahrspurmarkierungen; -
5 ein Diagramm für die Eigenbewegungskompensation und -
6 ein Aktivitätsdiagramm fürdas Fahrspurmodellmodul von 2 .
-
1 a principle block diagram of a lane detection system; -
2 a block diagram of the processing scheme of a lane model module; -
3 a diagram of a lane model; -
4 a diagram for the separation of lane markings; -
5 a diagram for the self-motion compensation and -
6 an activity diagram for the lane model module of2 ,
Die folgenden Ausführungsformen stellen bevorzugte Beispiele der vorliegenden Erfindung dar.The following embodiments are preferred examples of the present invention.
Die Fahrzeuggeometrieinformationen vom Systemeingabemodul
Eine Berechnungseinheit
Eine Entscheidungslogik
Eine Fahrspurmodellklasse kann zwei Linienklassen für die linke und die rechte Grenze zu einem Fahrspurmodell kombinieren. Es enthält Verfahren zum Anpassen des Fahrspurmodells durch die 2D-Merkmalspositionen. Diese Klasse berechnet auch das Gesamtvertrauen für die Fahrspur.A lane model class may combine two line classes for the left and right boundaries to a lane model. It includes methods for adapting the lane model through the 2D feature positions. This class also calculates the overall confidence for the lane.
Im Folgenden wird ein Algorithmus für das erfindungsgemäße Verfahren zum Verfolgen einer Fahrspur genauer beschrieben. Vorzugsweise wird die Verfolgung des ersten Fahrspurmodells mit Hilfe eines Kalman-Filters durchgeführt. Der Kalman-Filter-Zustandsvektor
Die Zustandsparameter werden auf der Basis von 2D-Merkmalen der Fahrspurmarkierungen in Fahrzeugkoordinaten abgeschätzt. Im Gegensatz zu dem, was in der Literatur zu finden ist, werden im vorliegenden Sensormodell die 2D-Merkmale nicht direkt verwendet, um den Zustand zu modifizieren. Stattdessen werden die 2D-Merkmale verwendet, um eine Fahrspur für den aktuellen Zeitstempel als Zwischenschritt anzupassen. Diese angepasste Fahrspur ist die gegenwärtige Messung für den Filteraktualisierungsschritt. Dies führt zu einem Sensormodell, in dem der Messvektor
Der Nachteil dieses Modells besteht darin, dass von irgendwelchen möglichen Covarianten zwischen den Elementen des Zustandsvektors nicht Gebrauch gemacht wird. Dies bedeutet, dass die Zustandscovariantenmatrix
Im Verfolgungssystem (vergleiche
- - das erste Fahrspurmodell, d. h. das Aktualisierungsmodell, das unter Verwendung von Fahrspurmarkierungen des aktuellen Zeitstempels berechnet wird, die mit Hilfe des vorhergesagten Fahrspurmodells gefiltert werden und
- - das zweite Fahrspurmodell, d. h. das statische (beste) Modell, das unter Verwendung von Fahrspurmarkierungen des aktuellen Zeitstempels berechnet wird, die mit Hilfe einer RANSAC gefiltert werden.
- the first lane model, ie the update model calculated using lane markings of the current timestamp, which are filtered using the predicted lane model, and
- the second lane model, ie the static (best) model calculated using lane markings of the current timestamp, which are filtered using a RANSAC.
Später - im Fahrspurpositionslogikblock
Eine Trennung von Fahrspurmarkierungen für linke und rechte Fahrspurgrenzen wird vor dem Anpassen des Fahrspurmodells durchgeführt. Die Fahrspurmarkierungen
In einer bevorzugten Ausführungsform wird eine Berechnung von statischen Fahrspurmodellhypothesen für das aktuelle Einzelbild durchgeführt. Die Wahrscheinlichkeit der Hypothesen wird beispielsweise berechnet, dass eine Fahrspurmarkierung des aktuellen Einzelbildes zur linken Grenze der Fahrspur gehört. Für jedes Einzelbild kann ein Fahrspurmodell einer besten Hypothese berechnet werden. Dies wird in zwei Schritten durchgeführt. Zuerst wird eine RANSAC (Stichprobenübereinstimmung) verwendet, um Einliegermerkmale aus dem linken und dem rechten Merkmalssatz auszuwählen. Mit diesen Einliegern wird eine Least-Square-Fit durchgeführt, um die gegenwärtigen Modellparameter zu finden.In a preferred embodiment, a calculation of static lane model hypotheses for the current frame is performed. For example, the likelihood of the hypotheses is computed that a lane marker of the current frame belongs to the left boundary of the lane. For each frame can be calculated as a lane model of a best hypothesis. This is done in two steps. First, a RANSAC (sample match) is used to select left and right feature set entrant features. With these embedders, a least square fit is performed to find the current model parameters.
Zuerst wird eine Vorfilterung unter Verwendung von modellgesteuerter RANSAC durchgeführt. Aus der Liste von Merkmalen von der linken und der rechten Grenze werden n Merkmale (
Ferner wird eine ModellLeast-Square-Fit durchgeführt. Dies bedeutet, dass eine Modellanpassung für jedes Hypothesenmodell durch ein Anpassungsverfahren kleinster Quadrate durchgeführt wird. Das Ziel besteht darin, eine Lösung für die folgende Gleichung zu finden:
Der Lösungsvektor
Die Matrix
Daher können wir schreiben für A = X'X:
Und für B = X'Y:
Wobei sich
Um die Gleichung (0.1) zu lösen, kann man die Cramersche Regel oder irgendeinen anderen gültigen Mechanismus verwenden.To solve equation (0.1), one can use Cramer's rule or any other valid mechanism.
Ein Vertrauenswert wird für jede Modellhypothese berechnet, um die Modelle zu gewichten und zu vergleichen. Der Vertrauenswert für das Modell wird durch zuerst Berechnen von unabhängigen Vertrauenswerten für die linke und die rechte Grenze und dann Berechnen des Mittelwerts als gemeinsames Vertrauen ausgeführt. Die Berechnung eines Vertrauenswerts ist ein gewöhnliches statistisches Verfahren zum Abschätzen einer Hypothese hinsichtlich der Zugehörigkeit eines Parameters zu einem vorgegebenen Intervall.A confidence score is calculated for each model hypothesis to weight and compare the models. The confidence value for the model is performed by first computing independent confidence values for the left and right bounds, and then computing the mean value as a common trust. The calculation of a confidence score is a common statistical technique for estimating a hypothesis regarding the membership of a parameter at a given interval.
Ein weiterer wesentlicher Schritt besteht darin, das verfolgte erste Modell zu aktualisieren. Es muss beachtet werden, dass die folgende Schreibweise x̂n|m die Abschätzung des Filterzustandes zu jeweils n gegebenen Beobachtungen bis zu und einschließlich jeweils m ≤ n darstellt.Another essential step is to update the tracked first model. It should be noted that the following notation x n | m represents the estimate of the filter state for every n given observations up to and including m≤n, respectively.
Sobald die Anpassung eines Fahrspurmodells erfolgreich war, wird dieses Modell beibehalten und für anschließende Zeitschritte aktualisiert. Im Allgemeinen wird die Verfolgung mit einem Kalman-Filter in zwei Schritten ausgeführt: im ersten Schritt - dem Vorhersageschritt - wird der Modellzustand vom vorherigen Zeitstempel t-1 auf die aktuelle Zeit t mit Hilfe eines Systemmodells überführt. Im vorliegenden Fall nimmt das Systemmodell an, dass das Fahrspurmodell zwischen zwei Zeitschritten fest ist. Dies gilt ungefähr, wenn wir ausreichend kleine Zeitinkremente zwischen zwei aufeinander folgenden Verarbeitungsschritten annehmen. Der Fehler, der durch diese Annahme eingeführt wird, wird indirekt in der Zustandsvarianz
Nachdem das Modell auf die aktuelle Zeit überführt wurde, besteht der nächste Schritt darin, Fahrspurmarkierungen, die im aktuellen Zeitschritt detektiert wurden, zum existierenden Modell zuzuweisen. Dieser Schritt trennt die Fahrspurmarkierungen in Einlieger und Ausreißer in Bezug auf das verfolgte Modell. Mit den Einliegermarkierungen kann man eine Modellanpassung ähnlich wie für die statische beste Anpassung durchführen, außer dass man keine RANSAC vor der Least-Square-Fit durchführen muss.After the model has been updated to the current time, the next step is to assign lane markers detected in the current time step to the existing model. This step separates the lane markings in the stoker and the outlier with respect to the tracked model. With the locator tags, you can do a model fit similar to the static best fit, except that you do not have to do RANSAC before the least square fit.
Die Eigenbewegungskompensation wird nun in Verbindung mit
Vor dem Zuweisen von Fahrspurmarkierungen des aktuellen Zeitschritts zum existierenden Modell muss die Bewegung des Eigenfahrzeugs
- 1.
Von beiden Fahrspurgrenzen 19 ,20 des t-1-Fahrspurmodells Auswählen von drei Punkten des Polynoms bei x = -1m, x = 0m und x = +1m. - 2. Mit Hilfe von gegebenen Eigenbewegungsinformationen (Translationsvektor
- 3. Durchführen einer Parabelanpassung durch die drei Punkte für die linke und die
rechte Fahrspurgrenze 19 ,20 .
- 1. From both lane boundaries
19 .20 of the t-1 lane model Select three points of the polynomial at x = -1m, x = 0m and x = + 1m. - 2. Using given eigenmotion information (translation vector
- 3. Perform a parabola fit through the three points for the left and right lane boundaries
19 .20 ,
In einem nächsten Schritt wird eine Zuordnung von Fahrspurmarkierungen zum existierenden Modell analysiert. Dies bedeutet, dass, nachdem die Eigenbewegungskompensation ausgeführt wurde, der nächste Schritt darin besteht, Fahrspurmarkierungen zum vorhergesagten Modell zuzuweisen.In a next step, an assignment of lane markings to the existing model is analyzed. That is, after the self-motion compensation has been performed, the next step is to assign lane markers to the predicted model.
Danach wird ein Aktualisierungsmodell z. B. auf der Basis der folgenden Berechnungsschritte berechnet. Mit der vorgefilterten Liste von Fahrspurmarkierungen vom vorherigen Verarbeitungsschritt wird ein Fahrspurmodel mit Hilfe des Verfahrens kleinster Quadrate angepasst. Diese Operation kleinster Quadrate wird in einer ähnlichen Weise wie für das statische Fahrspurmodell durchgeführt, aber mit einigen Unterschieden:
- - Wenn der Zuordnungsschritt vorher Fahrspurmarkierungen für nur eine der zwei Grenzen gefunden hat, wird die Fahrspur durch Anpassen des Polynoms für diese Seite und Spiegeln derselben auf die andere Seite mit Hilfe der bekannten Fahrspurbreite rekonstruiert
- - In Gleichung (0.2) des Abschätzers kleinster Quadrate wird ein zusätzliches Gewicht für jedes Merkmal eingeführt. Dieses Gewicht wird beispielsweise von der Positionsvarianz des Merkmals oder dem Detektionsvertrauen des Merkmals abgeleitet. In beiden Fällen führt eine höhere Positionsvarianz/ein höheres Vertrauen zu einem niedrigeren Gewicht am Ergebnis.
- If the assignment step has previously found lane markings for only one of the two boundaries, the lane is reconstructed by fitting the polynomial for that page and mirroring it to the other side using the known lane width
- In equation (0.2) of the least squares estimator, an additional weight is introduced for each feature. This weight is derived, for example, from the positional variance of the feature or the detection confidence of the feature. In both cases, a higher positional variance / confidence leads to a lower weight on the result.
Im Schätzer kleinster Quadrate wird ein zusätzlicher Regulierungsfaktor für die Krümmung des Modells eingeführt, der verhindert, dass der Krümmungswert zu hoch wird, d. h. eine Überanpassung des Modells an die Fahrspurdaten wird vermieden. Der Regulierungsparameter ist sehr unkompliziert hinzuzufügen. Die Kostenfunktion nimmt die nachstehenden zusätzlichen Parameter:
Äquivalente Matrixform
Und mit den in (0.5) beschriebenen Gewichten:
Siehe https://www.cs.ubc.ca/~schmidtm/Documents/2005_Notes_Lasso.pdf. Das Lösen von (0.8) ist äquivalent zum Minimieren durch (0.6), wenn eine der Diagonalen im obigen
Wobei die K-Diagonale in allen Elementen abgesehen von jenem auf null gesetzt wird, das wir unterdrücken wollen. Wenn wir beispielsweise den Krümmungsparameter unterdrücken wollen, würden wir das obere linke Element von Kauf
Der Fahrspurpositionslogik- (LPL) Block
Falls die Entscheidung im Entscheidungsblock
Falls die Entscheidung im Entscheidungsblock
Wenn die Entscheidung im Entscheidungsblock
Falls die Entscheidung im Entscheidungsblock
Falls erforderlich, findet eine Modellaktualisierung statt. D. h. der letzte Schritt der Verfolgung kann der Aktualisierungs- oder Korrekturschritt sein. Hier wird der Zustandsvektor (Fahrtrichtung, Fahrspurbreite, seitlicher Versatz und Krümmung) mit Hilfe des ausgewählten Modells vom LPL-Block aktualisiert. Für jedes der vier unabhängigen Filter kann man vier unabhängige Kalman-Verstärkungsfaktoren berechnen, die in den Vektor
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 the documents listed by the applicant has been generated automatically and is included solely 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 PatentliteraturCited patent literature
- WO 2013/022153 A1 [0004]WO 2013/022153 A1 [0004]
- US 2013/0141520 A1 [0005]US 2013/0141520 A1 [0005]
Claims (13)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018112177.6A DE102018112177A1 (en) | 2018-05-22 | 2018-05-22 | Lane detection based on lane models |
PCT/EP2019/062641 WO2019224103A1 (en) | 2018-05-22 | 2019-05-16 | Lane detection based on lane models |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018112177.6A DE102018112177A1 (en) | 2018-05-22 | 2018-05-22 | Lane detection based on lane models |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018112177A1 true DE102018112177A1 (en) | 2019-11-28 |
Family
ID=66668884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018112177.6A Pending DE102018112177A1 (en) | 2018-05-22 | 2018-05-22 | Lane detection based on lane models |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102018112177A1 (en) |
WO (1) | WO2019224103A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116872926A (en) * | 2023-08-16 | 2023-10-13 | 北京斯年智驾科技有限公司 | Automatic driving lane keeping method, system, device and storage medium |
EP4261105A1 (en) * | 2022-04-13 | 2023-10-18 | Bayerische Motoren Werke Aktiengesellschaft | Planning of trajectories for an automated vehicle |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021217420A1 (en) * | 2020-04-28 | 2021-11-04 | 华为技术有限公司 | Lane tracking method and apparatus |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10349631A1 (en) * | 2003-10-24 | 2005-05-19 | Robert Bosch Gmbh | Driver assistance method and apparatus based on lane information |
DE102004003502B3 (en) * | 2004-01-23 | 2005-08-11 | Audi Ag | Method and device for assistance in guiding a motor vehicle |
WO2013022153A1 (en) * | 2011-08-05 | 2013-02-14 | Lg Electronics Inc. | Apparatus and method for detecting lane |
US20130141520A1 (en) * | 2011-12-02 | 2013-06-06 | GM Global Technology Operations LLC | Lane tracking system |
DE102013003216A1 (en) * | 2013-02-27 | 2013-09-05 | Daimler Ag | Method for determining traffic lane for steering control of automatically controlled vehicle by using traffic lane determining system, involves balancing process data among each other for determining traffic lanes in continuous manner |
DE102015207373A1 (en) * | 2014-04-25 | 2015-10-29 | Honda Motor Co., Ltd. | Lane detection device |
DE102017209962A1 (en) * | 2016-11-16 | 2018-05-17 | Mitsubishi Electric Corporation | Track separation line recognition device, track separation line recognition method, driving support device with track separation line recognition device and driving support method with track separation line recognition method |
-
2018
- 2018-05-22 DE DE102018112177.6A patent/DE102018112177A1/en active Pending
-
2019
- 2019-05-16 WO PCT/EP2019/062641 patent/WO2019224103A1/en active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10349631A1 (en) * | 2003-10-24 | 2005-05-19 | Robert Bosch Gmbh | Driver assistance method and apparatus based on lane information |
DE102004003502B3 (en) * | 2004-01-23 | 2005-08-11 | Audi Ag | Method and device for assistance in guiding a motor vehicle |
WO2013022153A1 (en) * | 2011-08-05 | 2013-02-14 | Lg Electronics Inc. | Apparatus and method for detecting lane |
US20130141520A1 (en) * | 2011-12-02 | 2013-06-06 | GM Global Technology Operations LLC | Lane tracking system |
DE102013003216A1 (en) * | 2013-02-27 | 2013-09-05 | Daimler Ag | Method for determining traffic lane for steering control of automatically controlled vehicle by using traffic lane determining system, involves balancing process data among each other for determining traffic lanes in continuous manner |
DE102015207373A1 (en) * | 2014-04-25 | 2015-10-29 | Honda Motor Co., Ltd. | Lane detection device |
DE102017209962A1 (en) * | 2016-11-16 | 2018-05-17 | Mitsubishi Electric Corporation | Track separation line recognition device, track separation line recognition method, driving support device with track separation line recognition device and driving support method with track separation line recognition method |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4261105A1 (en) * | 2022-04-13 | 2023-10-18 | Bayerische Motoren Werke Aktiengesellschaft | Planning of trajectories for an automated vehicle |
CN116872926A (en) * | 2023-08-16 | 2023-10-13 | 北京斯年智驾科技有限公司 | Automatic driving lane keeping method, system, device and storage medium |
Also Published As
Publication number | Publication date |
---|---|
WO2019224103A1 (en) | 2019-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102013205950B4 (en) | Roadside detection method | |
DE102015108605B4 (en) | Lane change path planning algorithm for an autonomous vehicle | |
DE102017129075A1 (en) | PARKING NAVIGATION SYSTEM AND METHOD | |
DE102013203165B4 (en) | Method for connecting targets from at least two object detection systems | |
EP2504209B1 (en) | Method to estimate the roll angle in a car | |
DE102013205952B4 (en) | Reconfigurable system and method for the detection of a free path | |
DE112016000422B4 (en) | SPEED CONTROL DEVICE AND SPEED CONTROL METHOD FOR VEHICLES | |
EP3298541A1 (en) | Method for estimating traffic lanes | |
WO2014127777A2 (en) | Method and device for determining a traffic lane state | |
DE102013113570A1 (en) | Bayes network for tracking objects using search points using multiple LiDAR sensors | |
DE102015207373A1 (en) | Lane detection device | |
DE102010035812B4 (en) | Road marking line detection device for vehicles | |
DE102010035813A1 (en) | Road marking line recognition device for vehicles | |
DE102018112177A1 (en) | Lane detection based on lane models | |
DE102015220252A1 (en) | Lane keeping assistance system and procedures for this | |
DE102013205854B4 (en) | Method for detecting a free path using temporary coherence | |
DE102017117593A1 (en) | Vehicle driving assistance device | |
EP2023265A1 (en) | Method for recognising an object | |
DE102020203756A1 (en) | MOTORWAY EXIT DETECTION AND LINE REFLECTION FOR VEHICLE TRACTION DETERMINATION | |
DE102012203909A1 (en) | Filter method and filter device for sensor data | |
DE102017118651A1 (en) | Method and system for collision avoidance of a vehicle | |
DE102017123842A1 (en) | Lane detection method | |
DE102018121008A1 (en) | CROSS TRAFFIC RECORDING USING CAMERAS | |
EP3610224B1 (en) | Method, device, and computer-readable storage medium with instructions for estimating the pose of a motor vehicle | |
DE102018211368A1 (en) | A method of describing an environment of a vehicle through the topology of the busy road |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed |