DE102018121165A1

DE102018121165A1 - Verfahren zum Abschätzen der Umgebung eines Fahrzeugs

Info

Publication number: DE102018121165A1
Application number: DE102018121165.1A
Authority: DE
Inventors: Jens Honer; Hanne Hettmann; Tobias Hirscher
Original assignee: Valeo Schalter und Sensoren GmbH
Current assignee: Valeo Schalter und Sensoren GmbH
Priority date: 2018-08-30
Filing date: 2018-08-30
Publication date: 2020-03-05

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs, wobei das Verfahren die Verfahrensschritte aufweist:a) Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten; undb) Abschätzen, ob die Messdaten Objektdaten sind, die von einem dynamischen Objekt oder einem statischen Objekt stammen; wobeib1); Verfahrensschritt b) mittels eines Bayes Filters erfolgt, und wobeib2) bei Verfahrensschritt b) eine konkurrierende Assoziation der Messdaten dahingehend erfolgt, welchem Objekt aus einer Mehrzahl von detektierten Objekten die Messdaten zuzuordnen sind, und dahingehend, mit welcher Wahrscheinlichkeit die Messdaten einem statischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die statische Umgebung repräsentiert wird, oder ob die Messdaten einem dynamischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die dynamische Umgebung repräsentiert wird, indemb3) eine Wahrscheinlichkeit für die Messdaten ermittelt wird, gemäß der die Zuordnung der Messdaten zu den statischen Objekten oder den dynamischen Objekten erfolgt.

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Abschätzen der Umgebung eines Fahrzeugs. Die vorliegende Erfindung betrifft insbesondere ein Verfahren zum Abschätzen der Umgebung eines Fahrzeugs um zu ermitteln, ob in der Fahrzeugumgebung statische oder dynamische Objekte vorliegen. Die vorliegende Erfindung betrifft ferner ein Computerprogrammprodukt, das dazu ausgestaltet ist, ein derartiges Verfahren zumindest zum Teil auszuführen. Die vorliegende Erfindung betrifft weiterhin ein Fahrunterstützungssystem, welches dazu ausgestaltet ist, ein derartiges Verfahren zumindest zum Teil auszuführen.
Eine Vielzahl von Fahrunterstützungssystemen ist an sich bekannt. Dabei ist es oftmals notwendig, die Umgebung auf dynamische Objekte und auf statische Objekte zu untersuchen. Dies ermöglicht ein möglichst umfassendes Bild der Fahrzeugumgebung und kann sichere Hinweise zum Auswählen und Ausführen von Fahrstrategien geben.
Fahrunterstützungssysteme, die etwa als Umfeld-Erfassungs-Systeme beziehungsweise Umfeld-Abschätzungs-Systeme („Environment estimation systems“) ausgestaltet sein können, basieren meist entweder auf Erfassungssystemen, welche den dynamischen Status eines Objekt abschätzen sollen, oder welche die Umgebung untersuchen und abschätzen, ob in bestimmten Bereichen Hindernisse vorliegen. Während die erstere Variante insbesondere für sich bewegende Objekte, wie etwa Fahrzeuge oder VRUs, also beispielsweise Fußgänger, Motorradfahrer oder Fahrradfahrer angepasst ist, ist die zweite Variante insbesondere vorteilhaft für eine Kartierung der Umgebung, um statische Objekte zu erfassen. Bei einer Kartierung ist daher eine Hauptannahme, dass sich die Umgebung nicht verändert.
Obwohl derartige Systeme parallel verwendet werden können, ist die Verwendung von erfassten Daten für die beiden Varianten bislang noch nicht ausgereift. Werden die Daten in beiden Systemen verwendet, kann dies einen hohen Rechenaufwand bedeuten. Werden die Daten aber nur in ausgewählten Systemen verwendet, kann dies zu verbesserungswürdigen Ergebnissen führen.
Eine Kombination dieser Versuche ist bislang nur sehr eingeschränkt realisiert. G. Tanzmeier, Evidential Grid-Based Tracking and Mapping, in IEEE Transactions on Intelligent Transportation Systems, Volume 18 Issue 6, June 2017 und D. Nuss, A Random Finite Set Approach for Dynamic Occupancy Grid Maps with Real-Time Application, arXiv:1605.02406v2 [cs.RO] 10 Sep 2016, haben derartige Versuche offenbart. Es wird eine Belegungs - Zellkarte beziehungsweise Belegungs - Rasterkarte („occupancy grid map“) offenbart, bei der mittels eines Filters die Wahrscheinlichkeit der Belegung einzelner Zellen transferiert werden kann. Diese Lösung erkennt jedoch nur Bewegungen, aber schätzt keine Objekte. In anderen Worten, ein Objekt wird als eine Sammlung unabhängiger Elemente repräsentiert, welche sich insbesondere unabhängig voneinander bewegen können. Es fehlt somit ein globaler Zusammenhang. Darüber hinaus weisen derartige Lösungen einen vergleichsweise hohen Rechenaufwand auf.
Derartige aus dem Stand der Technik bekannte Lösungen können noch weiteres Verbesserungspotential bieten, insbesondere hinsichtlich einer verlässlichen Abschätzung bezüglich des Vorliegens sowohl von dynamischen Objekten als auch von statischen Objekten, wobei ferner bevorzugt die Rechenleistung vergleichsweise gering gehalten werden soll.
Es ist daher die Aufgabe der vorliegenden Erfindung, die aus dem Stand der Technik bekannten Nachteile zumindest teilweise zu überwinden. Es ist insbesondere die Aufgabe der vorliegenden Erfindung, eine Lösung bereitzustellen, durch welche insbesondere mit geringem Rechenaufwand eine verlässliche Abschätzung der Umgebung mit Bezug auf sich bewegende beziehungsweise dynamische Objekte und/oder mit Bezug auf immobile, also statische, Objekte erlaubt werden kann.
Die Lösung der Aufgabe erfolgt erfindungsgemäß durch ein Verfahren mit den Merkmalen des Anspruchs 1. Die Lösung der Aufgabe erfolgt erfindungsgemäß ferner durch ein Computerprogrammprodukt mit den Merkmalen des Anspruchs 8. Die Lösung der Aufgabe erfolgt erfindungsgemäß ferner durch ein Fahrunterstützungssystem mit den Merkmalen des Anspruchs 10. Bevorzugte Ausgestaltungen der Erfindung sind in den Unteransprüchen, in der Beschreibung oder den Figuren beschrieben, wobei weitere in den Unteransprüchen oder in der Beschreibung oder den Figuren beschriebene oder gezeigte Merkmale einzeln oder in einer beliebigen Kombination einen Gegenstand der Erfindung darstellen können, wenn sich aus dem Kontext nicht eindeutig das Gegenteil ergibt.
Es wird vorgeschlagen ein Verfahren zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs, wobei das Verfahren die Verfahrensschritte aufweist:

a) Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten; und
b) Abschätzen, ob die Messdaten Objektdaten sind, die von einem dynamischen Objekt oder einem statischen Objekt stammen; wobei
- b1); Verfahrensschritt b) mittels eines Bayes-Filters erfolgt, und wobei
- b2) bei Verfahrensschritt b) eine konkurrierende Assoziation der Messdaten dahingehend erfolgt, welchem Objekt aus einer Mehrzahl von detektierten Objekten die Messdaten zuzuordnen sind, und dahingehend, mit welcher Wahrscheinlichkeit die Messdaten einem statischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die statische Umgebung repräsentiert wird, oder ob die Messdaten einem dynamischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die dynamische Umgebung repräsentiert wird, indem
- b3) eine Wahrscheinlichkeit für die Messdaten ermittelt wird, gemäß der die Zuordnung der Messdaten zu den statischen Objekten oder den dynamischen Objekten erfolgt.

Ein derartiges Verfahren erlaubt eine verlässliche und effektive Zuordnung von Messdaten zu statischen oder dynamischen Objekten, wobei das Verfahren weiterhin mit einem vergleichsweise geringen Rechenaufwand möglich ist.
Das hier beschriebene Verfahren dient somit insbesondere dem Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs. In anderen Worten soll die Umgebung des Fahrzeugs beziehungsweise die Fahrzeugumgebung dahingehend untersucht werden, ob statische und/oder dynamische Objekte vorhanden sind und an welcher Position relativ zu dem Fahrzeug diese vorliegen.
Dabei kann das hier beschriebene Verfahren eingesetzt werden für ein vollständig autonomes Fahren, also kann das Verfahren für ein Fahren des Fahrzeugs ohne einen Fahreingriff eines Fahrers ausgelegt sein. Alternativ ist es möglich, dass das Verfahren dazu dient, den Fahrer bei einem Fahren lediglich zu unterstützen, also etwa um Fahrhinweise auszugeben, wobei der Fahrer bestimmte Fahreingriffe selbst durchführen muss.
Ferner kann unter einem statischen Objekt insbesondere ein derartiges Objekt verstanden werden, welches seine Position im Raum nicht verändert, also immobil ist. Beispiele hierfür umfassen etwa Bauwerke, Straßenbegrenzungen, Gewächse und Ähnliches. Unter dynamischen Objekte können im Gegensatz dazu insbesondere derartige Objekte verstanden werden, die mobil sind und sich entsprechend bewegen. Beispiele für dynamische Objekte umfassen etwa Personen, Tiere oder sich bewegende Fahrzeuge.
Das Verfahren kann ferner zumindest teilweise durch ein Fahrunterstützungssystem ausgeführt werden, welches Bestandteil des Fahrzeugs ist. Insbesondere kann das Fahrzeug ein Kraftfahrzeug sein.
Um das Verfahren durchzuführen weist das hier beschriebene Verfahren die folgenden Verfahrensschritte auf, wobei die nachfolgend beschriebenen Verfahrensschritte grundsätzlich in der beschriebenen Reihenfolge chronologisch oder auch in einer zumindest teilweise abweichenden Reihenfolge ablaufen können, wenn dies aus dem Kontext nicht eindeutig ausgeschlossen wird.
Das Verfahren umfasst gemäß Verfahrensschritt a) das Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten.
Gemäß dem Verfahrensschritt a) erfolgt somit eine Umfelderfassung und damit eine Detektion von Objekten in der Fahrzeugumgebung. Dieser Verfahrensschritt wird mit einem oder einer Mehrzahl gleicher oder verschiedener Umfelderfassungssensoren durchgeführt. Beispielsweise kann ein Laserscanner eingesetzt werden. Grundsätzlich können jedoch sämtliche Umfelderfassungssensoren verwendet werden, ohne den Rahmen der Erfindung zu verlassen. Somit kann dieser Schritt grundsätzlich erfolgen durch an sich bekannte Umfelderfassungssensoren, die Bestandteil des Fahrunterstützungssystems sein können. Bevorzugt kann Verfahrensschritt a) erfolgen unter Verwendung wenigstens eines Umfelderfassungssensors, der ausgewählt ist aus der Gruppe bestehend aus Laserscannern, wie etwa LIDARs, Ultraschallsensoren, Kameras oder radarbasierten Sensoren. Derartige Umfelderfassungssensoren sind weitläufig bekannt und können auf sichere und effektive Weise eine Umfeldbeobachtung ermöglichen, wobei dadurch entsprechende Objekte detektiert werden können.
In diesem Verfahrensschritt werden durch den einen oder durch die mehreren Umfelderfassungssensoren ferner Messdaten, etwa in Form von Punktwolken und grundsätzlich umfassend Objektdaten, generiert. Diese Messdaten können somit ausgewertet werden, um die Umgebung des Fahrzeugs charakterisieren zu können.
Weiterhin umfasst das Verfahren gemäß Verfahrensschritt b) das Abschätzen, ob die Messdaten Objektdaten sind, die von einem dynamischen Objekt oder einem statischen Objekt stammen. In anderen Worten soll gemäß Verfahrensschritt b) ermittelt beziehungsweise abgeschätzt werden, ob durch die Sensoren Objekte detektiert wurden, welche durch die Messdaten repräsentiert werden und welche zu der statischen Umgebung gehören, wobei die statische Umgebung durch statische Objekte gebildet wird, oder welche durch die Messdaten repräsentiert werden und welche zu der dynamischen Umgebung gehören, wobei die dynamische Umgebung durch dynamische Objekte gebildet wird. Dieser Schritt ermöglicht somit grundsätzlich das Charakterisieren der Umgebung des Fahrzeugs und erlaubt so das Vorschlagen und Umsetzen von Fahrstrategien, wie dies dem Fachmann für Fahrunterstützungssysteme grundsätzlich bekannt ist.
Um den Verfahrensschritt b) auszuführen, umfasst das Verfahren die Verfahrensschritte b1), b2) und b3), wie diese nachfolgend im Detail beschrieben sind.
Gemäß Verfahrensschritt b1) ist es definiert, dass dieser Schritt mittels eines Bayes-Filters erfolgt. Derartige mathematische Filter sind an sich bekannt und werden somit hier nicht im Detail beschrieben. Grundsätzlich ist unter der Verwendung eines Bayes-Filter ein rekursives, probabilistisches Verfahren zur Schätzung von Wahrscheinlichkeitsverteilungen bei gegeben Beobachtungen und Messungen zu verstehen. Es erfolgt somit eine statistische Auswertung anhand eines sogenannten „Multi-target Bayes-Filters“, dessen Implementierungen für die hier zu lösende Aufgabe unter vergleichsweise geringem Rechenaufwand verlässliche Ergebnisse liefern kann.
Gemäß Verfahrensschritt b2) ist ferner vorgesehen, dass bei Verfahrensschritt b), unter Verwendung des Bayes-Filters, eine konkurrierende Assoziation der Messdaten dahingehend erfolgt, welchem Objekt aus einer Mehrzahl von detektierten Objekten die Messdaten zuzuordnen sind, und dahingehend, ob die Messdaten einem statischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die statische Umgebung repräsentiert wird, oder ob die Messdaten einem dynamischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die dynamische Umgebung repräsentiert wird, wobei dieser Verfahrensschritt gemäß b3) abläuft, indem eine Wahrscheinlichkeit für die Messdaten ermittelt wird, gemäß der die Zuordnung der Messdaten zu den statischen Objekten oder den dynamischen Objekten erfolgt.
Wie vorstehend bereits angedeutet erfolgt somit eine statistische abschätzende Auswertung der Messdaten, welche für die hier zu lösende Aufgabe mittels eines Bayes-Filters unter vergleichsweise geringem Rechenaufwand verlässliche Ergebnisse liefern kann.
Im Detail wird dem Vorstehenden folgend somit zunächst ermittelt, welchem Objekt beziehungsweise welchen Objekten von bereits detektierten Objekten bestimmte Messdaten zugeordnet werden können. Diesbezüglich können beispielsweise durch vorherige Messungen in einer Punktwolke beziehungsweise in einer Karte bereits Objekte detektiert worden sein, wobei die neuen Ergebnisse eine Zuordnung zu diesen verfolgten Objekten ermöglichen kann. Alternativ kann unmittelbar anhand der Messdaten eine Zuordnung zu Objekten an bestimmten Positionen erfolgen. Den jeweiligen Objekten können dabei Identifizierungen, wie etwa sogenannte IDs, zugeordnet werden, um diese im weiteren Verlauf zu verfolgen.
Ferner erfolgt eine konkurrierende Assoziation der Messdaten dahingehend, ob die Messdaten einem statischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die statische Umgebung repräsentiert wird, oder ob die Messdaten einem dynamischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die dynamische Umgebung repräsentiert wird. Mit anderen Worten sollen die Messdaten unmittelbar zugeordnet werden derart, mit welcher Wahrscheinlichkeit sie einem Modell zugeordnet werden können, das ein dynamisches Objekt beschreibt, und mit welcher Wahrscheinlichkeit sie einem Modell zugeordnet werden können, das ein statisches Objekt beschreibt. Diese Zuordnung erfolgt dabei konkurrierend unter Abschätzung der Messdaten. Daraus resultierend kann eine wahrscheinlichkeitsbasierte Zuordnung realisiert werden, die nicht zwingend als „entweder/oder“ Abschätzung erfolgen muss. Dies kann eine besonders effiziente Verarbeitung und Auswertung der Messdaten ermöglichen. Ferner kann, wenn die Wahrscheinlichkeitswerte gespeichert werden, zu einem späteren Zeitpunkt beziehungsweise bei einer späteren Messung die Abschätzung überprüft und gegebenenfalls korrigiert werden.
Dabei können insbesondere für dynamische Objekte eine Mehrzahl an Modellen verwendet werden. Beispielsweise kann je ein geeignetes Modell für ein spezifisches dynamisches Objekt Verwendung finden, wie etwa für ein Motorrad, einen Personenkraftwagen usw. Dies kann zwar den Rechenaufwand erhöhen, was jedoch aufgrund der signifikant erhöhten Genauigkeit akzeptiert werden kann.
Die Modelle können in sich bekannter Weise in einem Steuersystem beziehungsweise einem entsprechenden Speicher eines Fahrunterstützungssystems hinterlegt sein und durch den Bayes-Filter verwendet werden. Ferner können hier grundsätzlich herkömmliche Modelle verwendet werden, die entsprechende dynamische oder statische Objekte beschreiben und als solche bekannt sind oder problemlos umgesetzt werden können.
Entsprechend kann durch statistische Auswertungen anhand einer Wahrscheinlichkeit ermittelt werden, ob die detektierten Objekte dynamische Objekte oder statische Objekte sind. Dies kann der Fachmann durch einen Bayes-Filter problemlos umsetzen, da ein derartiger sogenannter „Multi-target-Filter“ derartige Problemstellungen effektiv lösen kann.
Das beschriebene Verfahren schafft somit eine kombinierte Möglichkeit, sowohl statische als auch dynamische Objekte simultan und konsistent zu detektieren beziehungsweise zuzuordnen. Dies wird durch eine kompetitive Assoziation beziehungsweise Zuordnung der ermittelten Daten ermöglicht.
Das hier beschrieben Verfahren erlaubt es dadurch, mit vergleichsweise geringem Rechenaufwand eine Umfeldbeobachtung zu ermöglichen und auszuwerten, wobei das Umfeld bezüglich statischer und dynamischer Objekte effizient und konsistent untersucht werden kann. Dies ermöglicht auf effektive Weise verlässliche Daten zu erhalten, basierend auf welchen ein Fahrunterstützungssystem sicher und verlässlich arbeiten kann.
Beispielsweise können sicher und effizient Fahrstrategien entwickelt und Fahraktionen ausgeführt werden.
Bevorzugt kann es vorgesehen sein, dass bei Start von Verfahrensschritt b2) unter den Messdaten befindliche Objektdaten jeweils entweder einem dynamischen Objekt zugeordnet sind oder einem statischen Objekt zugeordnet sind. In dieser Ausgestaltung kann eine besonders effiziente Implementierung des Verfahrens ermöglicht werden. Denn bei der Auswertung der Messdaten gemäß Verfahrensschritt b) dahingehend, ob ermittelte Objektdaten einem statischen oder einem dynamischen Objekt beziehungsweise einer statischen Umgebung oder einer dynamischen Umgebung zuzuordnen sind, kann die Ausgabe des Bayes-Filters bereits auf einem Vorwissen basieren, welches eine Zuordnung zu dynamischen oder statischen Objekten betrifft.
Diese Ausgestaltung kann darauf basieren, dass zwei unterschiedliche Modelle, also ein Modell betreffend ein dynamisches Objekt und ein Modell betreffend ein statisches Objekt, niemals gemeinsam für ein verfolgtes Objekt auftreten. In anderen Worten kann vorausgesetzt werden, dass ein Objekt stets nur statisch oder dynamisch ist, somit eine exklusive Entscheidung gefällt werden kann. Ist eine Zuordnung getroffen, kann diese daher meist im Wesentlichen ohne Probleme beibehalten werden, da sich die Position erfasster Objekte zwischen zwei Messungen meist von einer Messung zu einer nachfolgenden Messung nicht derart unvermittelt ändert, dass ein bereits detektiertes Objekt, insoweit es sich weiter im Erfassungsbereich des Sensors befindet, nicht verfolgt werden könnte. Dies gilt ersichtlich in besonders effizienter Weise für statische Objekte.
Dadurch kann durch eine Einschränkung der Möglichkeiten für spezifische Objekte der Rechenaufwand signifikant minimiert werden, da für diese Objekte im Wesentlichen eine Verifizierung des Vorwissens stattfindet. Somit ist diese Ausgestaltung insbesondere geeignet, um das Verfahren durchzuführen für fortschreitende Messungen, bei denen bereits eine Umfelderfassung erfolgt ist, welche Daten und entsprechende Zuordnungen betreffend statische und dynamische Objekte geliefert hat.
Dies erlaubt dem Bayes-Filter unmittelbar bei der Zuordnung, um welches Objekt es sich handelt, wie dies vorstehend beschrieben ist, eine Zuordnung als statisches oder dynamisches Objekt zu fällen.
Beispielsweise kann diese Ausgestaltung für verfolgte Objekte stattfinden. Da sich jedoch bei einer fortschreitenden Messung stets neue Objekte im Erfassungsbereich der Sensoren befinden, wird diese Ausgestaltung stets nur für einen Teil der Messdaten umsetzbar sein.
Es kann ferner bevorzugt sein, dass das Modell für die dynamischen Objekte beziehungsweise für die dynamische Umgebung ein Objekt indiziert und wenigstens die Position und deren zeitliche Ableitungen speichert, und dass das Modell für die statische Objekte beziehungsweise für die statische Umgebung die Position des Objekts indiziert und deren Belegungswahrscheinlichkeit speichert. In dieser Ausgestaltung können sehr effektive und vor allem einfach zu rechnende Modelle für die statische beziehungsweise für die dynamische Umgebung verwendet werden. Dadurch können unter Verwendung derartiger Modelle für die statische Umgebung beziehungsweise die dynamische Umgebung effizient, sicher und mit vergleichsweise geringer Rechenleistung entsprechende Zuordnungen ermöglicht werden.
Beispielsweise können für die statischen Objekte an sich bekannte Zellkarten („grid maps“) mit entsprechenden Belegungswahrscheinlichkeiten verwendet werden.
Darüber hinaus ist auch ein Verfolgen der Objekte auf einfache Weise möglich, so dass auch Messsequenzen über längere Zeiträume problemlos möglich sind.
Es kann ferner bevorzugt sein, dass bei Verfahrensschritt b3) ferner ermittelt wird, mit welcher Wahrscheinlichkeit die Messdaten weder einem statischen Objekt noch einem dynamischen Objekt zuzuordnen sind und damit zu verwerfen sind. In dieser Ausgestaltung kann die Genauigkeit der Zuordnung weiter verbessert werden. Denn oftmals kommt es vor, dass Messdaten etwa auf Reflexionen oder anderen Effekten beruhen, welche somit bei einer Zuordnung als statisches oder dynamisches Objekt einer Fehlinterpretation unterliegen würden. Wenn diese Messdaten nun nicht zwingend Objekten zugeordnet werden sondern als Fehlmessung, als sogenannter „clutter“, verworfen werden, ist die Wahrscheinlichkeit einer Fehlzuordnung signifikant reduziert. Somit können insbesondere in dieser Ausgestaltung verlässliche und sichere Ergebnisse einer Detektion ermöglicht werden.
Bezüglich des mathematischen Filters kann es weiterhin bevorzugt sein, dass der auch als Bayes'sche Filter bezeichnete Bayes-Filter ausgewählt ist aus der Gruppe bestehend aus den folgenden Filtern, wobei in für den Fachmann verständlicher Weise die üblichen englischsprachigen Begriffe verwendet werden: Random Finite Set Filter, insbesondere Realisierungen als sogenannte Probability Hypothesis Density Filter, Cardinalized Probability Hypothesis Density Filter, Multi-Bernoulli Filter, wie etwa Cardinality Balanced Multi-Bernoulil Filter, Generalized Labeled Multi-Bernoulli Filter, Labeled Multi-Bernoulli Filter, Poisson Multi-Bernoulli Mixture Filter, Poisson Multi-Bernoulli Filter, oder deren Approximationen. Es hat sich gezeigt, dass insbesondere die vorgenannten mathematischen Filter zur Durchführung des hier beschriebenen Verfahrens und dabei insbesondere für Verfahrensschritt b) geeignet sind. Denn unter Verwendung dieser Filter kann die hier durchzuführende Assoziation basierend auf einer statistischen Auswertung effizient und konsistent ermöglicht werden, wobei verlässliche Ergebnisse mit vergleichsweise geringem rechenaufwand erzeugt werden können.
Es kann weiterhin bevorzugt sein, dass das Modell der statischen Objekte auf einer Karte basiert, welche geclustert ist, wobei lediglich die objektenthaltenden Cluster berücksichtigt werden. In dieser Ausgestaltung kann es ermöglicht werden, dass nicht eine gesamte virtuelle Karte des Erfassungsfelds des Umfelderfassungssensors oder der Umfelderfassungssensoren, wie etwa eine vollständige Zellkarte („grid map“), insbesondere eines bereits detektierten Bereichs, erneut untersucht werden muss. Vielmehr können, insbesondere beruhend auf Vorkenntnissen erhalten durch zeitlich vorangehende Messungen, die Bereiche beziehungsweise Cluster, auch Partitionen genannt, virtuell ausgeschnitten und verwendet werden, in welchen statische Objekte vorliegen. Diese Möglichkeit beruht darauf, dass statische Objekte sich nicht bewegen, weshalb deren Position auf einfache Weise vorhersagbar ist. Die Zuordnung von Messungen, welche in anderen Kartenteilen liegen, kann weitestgehend ausgeschlossen werden. Dadurch wird es möglich, dass lediglich die Bereiche einer Karte bei einer Assoziation in Betracht gezogen werden, welche eine signifikante Zuordnungs-Wahrscheinlichkeit besitzen. Nach der Assoziation und gegebenenfalls einer Korrektur, was etwa durch einen binären Bayes Filter realisierbar ist, können die einzelnen Kartenteile wieder zu einer gemeinsamen Karte verbunden werden.
In dieser Ausgestaltung können die zu assoziierenden Kartenanteile somit signifikant reduziert werden, was den Rechenaufwand deutlich reduzieren kann. Dabei leidet die Genauigkeit beziehungsweise die Exaktheit der Schätzung jedoch nicht, so dass auch bei besonders geringem Rechenaufwand exakte und verlässliche Ergebnisse möglich sind.
Ein Clustern kann dabei beispielsweise realisiert werden unter Verwendung eines Voronoi-Diagramms beziehungsweise der hierfür angewandten Zerlegung des Raumes.
Weiterhin kann es bevorzugt sein, dass das Verfahren auf einem gemeinsamen Messschritt und damit auf denselben Objektdaten beruht. Somit ist es nicht mehr notwendig, dass gegebenenfalls unter der Auswertung von Messdaten verschiedener Sensoren oder verschiedener Messschritte ermittelt werden sollte, ob statische oder dynamische Objekte in der Fahrzeugumgebung vorliegen. Sondern das hier beschriebene Verfahren ermöglicht es vielmehr, dass basierend auf nur einem Satz an Messdaten, welche bevorzugt von demselben Sensor oder zumindest von derselben Sensorgruppe geliefert werden, eine Auswertung dahingehend ermöglicht werden kann, ob und wo statische beziehungsweise dynamische Objekte vorliegen. Somit kann in dieser Ausgestaltung die Rechenleistung besonders gering gehalten werden, beziehungsweise kann das Verfahren in anderen Worten besonders effizient in Fahrunterstützungssysteme implementiert werden.
Bezüglich weiterer Vorteile und Merkmale des Verfahrens wird auf die Beschreibung des Computerprogrammprodukts, des Fahrunterstützungssystems, die Verwendung, als auch auf die Figuren und die Beschreibung der Figur verwiesen, und umgekehrt.
Beschrieben wird ferner ein Computerprogrammprodukt zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs, welches dazu ausgestaltet ist, ein Verfahren zumindest zum Teil, etwa vollständig, auszuführen wie dieses vorstehend im Detail beschrieben ist.
Insbesondere ist es bei dem hier beschriebenen Computerprogrammprodukt vorgesehen, dass dieses Programmteile umfasst, die in einem Prozessor einer computerbasierten Auswerteeinrichtung, etwa eines Fahrunterstützungssystems, geladen zur Durchführung des vorstehend genannten Verfahrens eingerichtet sind.
Somit weist das Computerprogrammprodukt Programme beziehungsweise wenigstens Programmteile auf, welche in einem Prozessor einer computerbasierten Auswerteeinrichtung geladen werden können und etwa in einem Speicher gespeichert sein können, die etwa Bestandteil eines Fahrunterstützungssystems sein können. Anhand dieser Programme beziehungsweise Programmteile kann es ermöglicht werden, dass das vorstehend beschriebene Verfahren zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs ausgeführt wird.
Dadurch kann es ermöglicht werden, dass mit geringem Rechenaufwand eine verlässliche Abschätzung der Umgebung mit Bezug auf vorhandene sich bewegende beziehungsweise dynamische Objekte und mit Bezug auf statische Objekte erlaubt werden kann. Dadurch kann sicher und effizient eine Aussage hinsichtlich der Auswahl und/oder Durchführung von Fahrstrategien eines Fahrzeugs getroffen werden.
Bezüglich weiterer Vorteile und Merkmale des Computerprogrammprodukts wird auf die Beschreibung des Verfahrens, des Fahrunterstützungssystems, der Verwendung, als auch auf die Figuren und die Beschreibung der Figur verwiesen, und umgekehrt.
Beschrieben ist ferner ein Fahrunterstützungssystem, wobei das Fahrunterstützungssystem wenigstens einen Umfelderfassungssensor und eine computerbasierte Auswerteeinrichtung aufweist, wobei das Fahrunterstützungssystem dazu ausgestaltet ist, ein Verfahren zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs zumindest zum Teil, etwa vollständig, auszuführen, wie dies vorstehend beschrieben ist.
Es wird ferner ein Fahrunterstützungssystem für ein Fahrzeug zum Unterstützen eines Fahrers des Fahrzeugs beschrieben, wobei das Fahrunterstützungssystem wenigstens eine Steuereinheit aufweist, die mit Daten wenigstens eines Umfelderfassungssensors speisbar ist, wobei die Steuereinheit dazu ausgestaltet ist, ein Verfahren auszuführen, wie dies vorstehend im Detail beschrieben ist.
Das Fahrunterstützungssystem kann Teil eines Fahrzeugs sein, wie beispielsweise eines Pkws. Das Fahrunterstützungssystem kann insbesondere zum Erzeugen von Umgebungsdaten als Basis für eine Fahrunterstützung, wie etwa das Erzeugen einer Fahrtrajektorie, vorgesehen sein, wie vorstehend ausführlich beschrieben ist.
Für eine Umfeldbeobachtung beziehungsweise Umfelderfassung weist das Fahrunterstützungssystem mindestens einen Umfelderfassungssensor auf. Der Umfelderfassungssensor kann vorzugsweise Teil des Fahrunterstützungssystems sein, das auch das Verfahren ausführt. Der mindestens eine Umfelderfassungssensor kann beispielsweise ein beliebiger geeigneter auf dem Fachgebiet bekannter Sensor sein. Ferner kann zum Überwachen der Umgebung nur ein oder können mehrere verschiedene oder gleiche einzelne Sensoren verwendet werden, die eine Sensoranordnung aus einem oder mehreren Umgebungssensoren beziehungsweise Umfelderfassungssensoren bilden. Der mindestens eine Umfelderfassungssensor kann beispielsweise aufweisen oder bestehen aus einem oder mehreren gleichen oder unterschiedlichen Sensoren, die ausgewählt sind aus der Gruppe bestehend aus Laserscannern, wie etwa LIDARs, Ultraschallsensoren, Kameras oder radarbasierten Sensoren oder weiteren Sensoren, die auf dem Fachgebiet zum Überwachen der Umgebung bekannt sind.
Ferner wird eine Steuereinheit, wie beispielsweise ein Prozessor, bereitgestellt. Die Steuereinheit ist zum Auswerten der von dem oder den Sensoren gelieferten Sensordaten beziehungsweise Messdaten und zum Erfassen, Speichern und Abrufen von Messdaten und gegebenenfalls zum Assoziieren der Messdaten geeignet. Hierzu kann in die Steuereinheit etwa ein Computerprogrammprodukt geladen werden, wie dies vorstehend beschrieben ist. Darüber hinaus kann das Fahrunterstützungssystem etwa einen Datenspeicher und ein Ein- und/oder Ausgabe-Interface aufweisen.
Durch das hier beschriebene Fahrunterstützungssystem kann es somit ermöglicht werden, dass mit geringem Rechenaufwand eine verlässliche Abschätzung der Umgebung mit Bezug auf vorhandene sich bewegende beziehungsweise dynamische Objekte und mit Bezug auf statische Objekte erlaubt werden kann. Dadurch kann sicher und effizient eine Aussage hinsichtlich der Auswahl und/oder Durchführung von Fahrstrategien eines Fahrzeugs getroffen werden.
Bezüglich weiterer Vorteile und Merkmale des Fahrunterstützungssystems wird auf die Beschreibung des Verfahrens, des Computerprogrammprodukts, die Verwendung, als auch auf die Figuren und die Beschreibung der Figur verwiesen, und umgekehrt.
Dem Vorstehenden folgend ist Gegenstand der Erfindung ferner die Verwendung eines Verfahrens oder eines Computerprogrammprodukts zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs, wie diese vorstehend im Detail beschrieben sind, zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten.
Bezüglich der Vorteile und Merkmale der Verwendung wird auf die Beschreibung des Verfahrens, des Fahrunterstützungssystems, des Computerprogrammprodukts, als auch auf die Figuren und die Beschreibung der Figur verwiesen, und umgekehrt.
Weitere Vorteile und vorteilhafte Ausgestaltungen der erfindungsgemäßen Gegenstände werden durch die Zeichnungen veranschaulicht und in der nachfolgenden Beschreibung erläutert. Dabei ist zu beachten, dass die Zeichnungen nur beschreibenden Charakter haben und nicht dazu gedacht sind, die Erfindung in irgendeiner Form einzuschränken. Es zeigen:

1 ein schematisches Diagramm zeigend eine Assoziation für eine Ausgestaltung des erfindungsgemäßen Verfahrens;
2 ein schematisches Diagramm zeigend eine Assoziation für eine weitere Ausgestaltung des erfindungsgemäßen Verfahrens;
3 ein schematisches Diagramm zeigend eine Ausgestaltung des erfindungsgemäßen Verfahrens; und
4 eine Rasterkarte darstellend eine statische Umgebung für eine Assoziation für ein Verfahren gemäß der vorliegenden Erfindung.

1

Ein derartiges Verfahren kann beispielsweise Bestandteil eines Computerprogrammprodukts sein und als solches in einen Prozessor eines Fahrunterstützungssystems geladen werden beziehungsweise sein. Grundsätzlich kann das Verfahren somit zumindest zum Teil von dem Fahrunterstützungssystem ausgeführt werden.
Dabei kann das hier beschriebene Verfahren eingesetzt werden für ein vollständig autonomes Fahren, also kann das Verfahren für ein Fahren des Fahrzeugs ohne einen Fahreingriff eines Fahrers ausgelegt sein. Alternativ ist es möglich, dass das Verfahren dazu dient, den Fahrer bei einem Fahren lediglich zu unterstützen, also etwa um Fahrhinweise auszugeben, wobei der Fahrer des mit dem Fahrunterstützungssystem ausgestatteten Fahrunterstützungssystems bestimmte Fahreingriffe selbst durchführen muss.
Ein derartiges Verfahren weist die folgenden Verfahrensschritte auf:

a) Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten; und
b) Abschätzen, ob die Messdaten Objektdaten sind, die von einem dynamischen Objekt oder einem statischen Objekt stammen; wobei
- b1); Verfahrensschritt b) mittels eines Bayes Filters erfolgt, und wobei
- b2) bei Verfahrensschritt b) eine konkurrierende Assoziation der Messdaten dahingehend erfolgt, welchem Objekt aus einer Mehrzahl von detektierten Objekten die Messdaten zuzuordnen sind, und dahingehend, mit welcher Wahrscheinlichkeit die Messdaten einem statischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die statische Umgebung repräsentiert wird, oder ob die Messdaten einem dynamischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die dynamische Umgebung repräsentiert wird, indem
- b3) eine Wahrscheinlichkeit für die Messdaten ermittelt wird, gemäß der die Zuordnung der Messdaten zu den statischen Objekten oder den dynamischen Objekten erfolgt.

Insbesondere erfolgt in diesem Verfahren eine konkurrierende Assoziation der Messdaten dahingehend, ob die Messdaten einem statischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die statische Umgebung repräsentiert wird, oder ob die Messdaten einem dynamischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die dynamische Umgebung repräsentiert wird. Mit anderen Worten sollen die Messdaten unmittelbar zugeordnet werden derart, ob sie einem Modell zugeordnet werden können, das ein dynamisches Objekt beschreibt oder derart, ob sie einem Modell zugeordnet werden können, das ein statisches Objekt beschreibt. Diese Zuordnung erfolgt dabei konkurrierend und dabei in einer wahrscheinlichkeitsbasierten Zuordnung derselben Messdaten, was eine besonders effiziente Verarbeitung der Messdaten ermöglicht und ferner besonders effizient ein späteres Korrigieren erlaubt.
Eine derartige konkurrierende Assoziation, welche einen Kernpunkt des hier beschriebenen Verfahrens ausmacht, ist in der 1 gezeigt.
In der 1 ist eine Wahrscheinlichkeitsmatrix 10 dargestellt, auf deren Basis die Zuordnung der Messdaten sowie die Interpretation der Objekte erfolgt.
Dabei zeigt das Feld 12 eine Wahrscheinlichkeit einer Assoziation, dass ein dynamisches Objekt einer Messung zugeordnet werden kann. Das Feld 14 zeigt eine Wahrscheinlichkeit dass einem Objekt keine Messung zugeordnet werden konnte (Miss-Detektion) und das Feld 16 zeigt eine Wahrscheinlichkeit, dass ein Objekt nicht existiert. Entsprechend zeigt das Feld 18 eine Wahrscheinlichkeit, dass die Messung der statischen Karte zugeordnet werden konnte und zeigt das Feld 20 eine Wahrscheinlichkeit, dass die Messung eine zu verwerfende Messung („clutter“) war.
In der Wahrscheinlichkeitsmatrix 10 entspricht eine Zeile der ersten sieben Zeilen, wie etwa die Zeile 23, jeweils einem Objekt, sowie eine Spalte der ersten elf Spalten einer Messung. Entsprechend codiert die Schnittmenge der dritten Zeile, also der Zeile 23 mit dem Feld 12 die Wahrscheinlichkeit, dass das dritte Objekt einer Messung zugeordnet ist, die Schnittmenge der Zeile 23 mit dem Feld 14 die Wahrscheinlichkeit, dass das dritte Objekt nicht detektiert wurde, sowie die Schnittmenge der Zeile 23 mit dem Feld 16, dass das dritte Objekt nicht existiert.
Äquivalent codiert die Schnittmenge der siebten Spalte 25 mit dem Feld 12 die Wahrscheinlichkeit, dass die siebte Messung einem (beliebigen) Objekt zugeordnet ist, die Schnittmenge der Spalte 25 mit dem Feld 18 die Wahrscheinlichkeit, dass die siebte Messung der statischen Umgebung zugeordnet ist, sowie die Schnittmenge der Spalte 25 mit dem Feld 20 die Wahrscheinlichkeit, dass die siebte Messung eine zu verwerfende Messung („clutter“) ist.
Der Punkt 21₁ ist dementsprechend die Wahrscheinlichkeit, dass das dritte Objekt der siebten Messung zugeordnet ist, der Punkt 21₂ die Wahrscheinlichkeit, dass die siebte Messung der fünften Partition der statischen Karte zugeordnet ist, sowie der Punkt 21₃ die Wahrscheinlichkeit, dass die siebte Messung eine zu verwerfende Messung („clutter“) ist.
Basierend auf dieser Wahrscheinlichkeit kann mittels eines Bayes-Filter, insbesondere einem LMB-Filter mit Update („LMB with joint prediction and update“), etwa unter Verwendung von dem sogenannten Murty's Algorithmus oder einem Gibbs Sampler, eine gemeinsame Wahrscheinlichkeitsverteilung für diese Zuordnung ermittelt werden. Dabei kann unter anderem auch berücksichtigt werden, dass eine Messung maximal einem Objekt zugeordnet werden kann. Es ist dabei zu beachten, dass die gemeinsame Wahrscheinlichkeitsverteilung die gleiche Struktur hat wie die Wahrscheinlichkeitsmatrix 10.
Somit werden bei dieser Assoziation, wie dies vorstehend beschrieben ist, zwei oder mehr verschiedene Modelle konkurrierend verwendet, wobei wenigstens ein Modell statische Objekte betrifft, wie durch das Feld 18 gezeigt) und ein oder mehrere weitere Modelle dynamische Objekte betreffen, wie durch das Feld 12 gezeigt. Dadurch kann auf einfache und konsistente Weise eine Umgebung des Fahrzeugs charakterisiert werden, die sowohl statische wie auch dynamische Objekte aufweist.
Die Ausgestaltung in 1 zeigt dabei eine Wahrscheinlichkeitsmatrix 10, bei der für das Feld 18 ein vollständiges Kartensystem vorliegt, also etwa eine Rasterkarte, welche den gesamte Detektionsbereich des Umfelderfassungssensors umfasst, und hier Zuordnungen zwischen Messungen und dem gesamten Kartensystem beachtet werden. Dies erlaubt ein höchst genaues Ergebnis, bedeutet aber eine wenn auch schon gegenüber dem Stand der Technik bereits reduzierte aber dennoch weiter verbesserbare Rechenleistung.
Um dies weiter zu verbessern kann eine Wahrscheinlichkeitsmatrix 22 gemäß 2 verwendet werden. Diese entspricht im Wesentlichen der Assoziation aus 1, weshalb hier im Wesentlichen auf die Unterschiede eigegangen wird.
Bei einer Assoziation basierend auf einer derartigen Wahrscheinlichkeitsmatrix 22 gemäß 2 kann bei einem Zuordnen einer Messung zu einer statischen Umgebung gemäß Feld 18 nicht die gesamte statische Umgebung, wie etwa eine vollständige Rasterkarte Verwendung finden, sondern es kann vielmehr eine statische Umgebung beziehungsweise ein entsprechendes Modell verwendet werden, wobei das Modell der statischen Objekte auf einer Karte basiert, welche geclustert ist, wobei lediglich die Teile der Karte, welche Messungen beinhalten, berücksichtigt werden, und jeweils nur Zuordnungen zwischen Teilen der Karte und Messungen als relevant eingestuft werden, bei denen die jeweilige Messung in dem entsprechenden Teil der Karte liegt.
Somit entspricht in der Ausgestaltung gemäß 2 das Feld 18 einem Cluster oder mehreren Clustern einer statischen Karte. Dies kann weiter signifikant Rechenleistung einsparen.
Ein Verfahren mit einer derartigen Assoziation ist in dem Diagramm 24 gemäß 3 rein schematisch und beispielhaft gezeigt.
In dem Diagramm 24 stellt der Strang 26 dar, dass das Modell für die dynamische Umgebung ein Objekt indiziert und wenigstens die Position und deren zeitliche Ableitungen speichert, und stellt der Strang 28 dar, dass das Modell für die statische Umgebung die Position indiziert und deren Belegungswahrscheinlichkeit speichert. Allgemeiner stellt der Strang 26 die dynamischen Objekte dar und stellt der Strang 28 die statischen Objekte dar.
Dabei repräsentieren die Blöcke 30 jeweils Objekte, die durch Messungen detektiert sind und als Objekte klassifiziert sind. Diese gehen ein in eine Assoziation, welche durch den Block 32 dargestellt ist. Die Assoziation ist vorstehend im Detail beschrieben unter Verwendung eines Bayes-Filter als konkurrierende Assoziation. Anschließend kann eine Korrektur durch den Block 34 in dem Block 26 erfolgen, wie diese in für den Fachmann bekannter Weise problemlos ausführbar ist. Die Korrektur kann beispielsweise ausgeführt werden als ein mit den Assoziationswahrscheinlichkeiten gewichtetes Mittel der jeweiligen korrigierten Moden. Dies ist unter Verwendung bekannter mathematischer Verfahren für den Fachmann problemlos möglich. Für die Korrektur der einzelnen Moden kann beispielsweise kann ein Kalman-Filter oder ein Partikel-Filter verwendet werden. Die nunmehr korrigierten Assoziationen zu dynamischen Objekten beziehungsweise zu Objekten, welche der dynamischen Umgebung zugeordnet sind, werden durch die Blöcke 36 dargestellt.
Der Strang 28 betrifft weiterhin wie vorstehend angedeutet die statische Umgebung des Fahrzeugs. Dabei ist zunächst eine Gesamtkarte beziehungsweise eine die Umgebung vollständig repräsentierende Rasterkarte als Block 38 gezeigt. Diese wird geclustert, etwa im Sinne eines Voronoi-Diagramms derart, dass lediglich Cluster beziehungsweise Partitionen für die Assoziation und die Korrektur verwendet werden. Dabei ist es wie vorstehend beschrieben vorgesehen, dass die Karten-Cluster derart ausgewählt und virtuell auf getrennten Partitionen aus einer Gesamtkarte ausgeschnitten sind, dass bei den Messungen die Wahrscheinlichkeit hoch ist, dass diese nur einem bestimmten Teil einer Umgebungskarte beziehungsweise den jeweiligen Partitionen zuzuordnen sind, eine Zuordnung zu anderen Partitionen beziehungsweise zu getrennten Kartenteilen jedoch nur eine sehr geringe Wahrscheinlichkeit aufweist. In dieser Ausgestaltung kann es in anderen Worten ermöglicht werden, dass nicht eine gesamte virtuelle Karte des Detektionsfelds des Umfelderfassungssensors oder der Umfelderfassungssensoren, wie etwa eine Zellkarte („grid map“) insbesondere eines bereits detektierten Bereichs, erneut untersucht werden muss. Vielmehr können, insbesondere beruhend auf Vorkenntnissen erhalten durch zeitlich vorangehende Messungen, die Bereiche beziehungsweise Cluster virtuell ausgeschnitten und verwendet werden, in welchen statische Objekte vorliegen.
Somit werden bei der Assoziation und der anschließenden Korrektur lediglich die Bereiche beziehungsweise Cluster einer Karte bei einer Assoziation beziehungsweise Korrektur in Betracht gezogen werden, in denen sich in sehr hoher Wahrscheinlichkeit statische Objekte befinden. Nach der Assoziation und einer Korrektur, stellen die Blöcke 42 die als dynamische Objekte assoziierten und korrigierten Cluster dar. Diese können anschließend wieder in eine als Block 44 gezeigte Gesamtkarte verschmolzen beziehungsweise zusammengesetzt werden.
Weiter dargestellt sind als Block 46 eine Messung erzeugend Messdaten, die entsprechend zugeordnet werden und auf denen das Verfahren basiert. Dabei basieren insbesondere das Clustern, die Assoziation und die Korrektur unmittelbar auf den Messdaten.
In der 4 ist ferner eine Rasterkarte („grid map“) gezeigt, in der dargestellt ist, dass Messungen, die als Sterne 48 gezeigt sind, in unterschiedliche räumliche Positionen der Rasterkarte fallen können. Dabei zeigen die unterschiedlichen Schraffierungen eine entsprechende Belegungswahrscheinlichkeit der jeweiligen Zellen. So weisen die Zellen 50 eine hohe Belegungswahrscheinlichkeit auf, weisen die Zellen 52 eine mittlere Belegungswahrscheinlichkeit auf und weisen die Zellen 54 eine geringe Belegungswahrscheinlichkeit auf. Derartige Belegungswahrscheinlichkeiten können verwendet werden, um ein Clustern der Karte auszuführen und nur die belegten Cluster in einer Assoziation zu verwenden, wie dies vorstehend im Detail beschrieben ist.
So kann beispielsweise die Messung, gekennzeichnet durch den Stern 48a, welche in eine Zelle 54 mit einer geringen Belegungswahrscheinlichkeit fällt, bei einer Assoziation außer Acht bleiben. Dagegen können die Messungen gekennzeichnet durch die Sterne 48b und 48c, welche in Zellen 50, 52 mit mittleren und hohen Belegungswahrscheinlichkeiten fallen, bei einer Assoziation verwendet werden beziehungsweise Bestandteil von bei einer Assoziation verwendeten Clustern beziehungsweise Partitionen sein.
Dabei ist es aufgrund einer meist hohen Messschärfe wahrscheinlich, dass ein Objekt nicht nur in eine Zelle fällt. Daher kann ein Clustern beispielsweise derart erfolgen, dass bei der durch den Stern 48b, 48c dargestellten Messung sämtliche schraffierten Zellen 50, 52 als ein Cluster verwendet werden, oder dass um eine Messung 48b, 48c, welche eine hohe oder mittlere Belegungswahrscheinlichkeit ergibt, eine gewisse Toleranz eingerechnet wird, um ein entsprechendes Cluster zu erhalten, welches die Zellen 50, 52 mit hohen oder mittleren Belegungswahrscheinlichkeit vollständig umfasst.
Bezugszeichenliste

10: Wahrscheinlichkeitsmatrix
12: Feld
14: Feld
16: Feld
18: Feld
20: Feld
21₁: Punkt
21₂: Punkt
21₃: Punkt
22: Wahrscheinlichkeitsmatrix
23: Zeile
24: Diagramm
25: Spalte
26: Strang
28: Strang
30: Block
32: Block
34: Block
36: Block
38: Block
40: Block
42: Block
44: Block
46: Block
48: Stern
50: Zelle
52: Zelle
54: Block

Claims

Verfahren zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs, wobei das Verfahren die Verfahrensschritte aufweist: a) Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten; und b) Abschätzen, ob die Messdaten Objektdaten sind, die von einem dynamischen Objekt oder einem statischen Objekt stammen; wobei b1); Verfahrensschritt b) mittels eines Bayes Filters erfolgt, und wobei b2) bei Verfahrensschritt b) eine konkurrierende Assoziation der Messdaten dahingehend erfolgt, welchem Objekt aus einer Mehrzahl von detektierten Objekten die Messdaten zuzuordnen sind, und dahingehend, mit welcher Wahrscheinlichkeit die Messdaten einem statischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die statische Umgebung repräsentiert wird, oder ob die Messdaten einem dynamischen Objekt zuzuordnen sind, das durch mindestens ein Modell beschreibend die dynamische Umgebung repräsentiert wird, indem b3) eine Wahrscheinlichkeit für die Messdaten ermittelt wird, gemäß der die Zuordnung der Messdaten zu den statischen Objekten oder den dynamischen Objekten erfolgt.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass bei Start von Verfahrensschritt b2) unter den Messdaten befindliche Objektdaten jeweils entweder einem dynamischen Objekt zugeordnet sind oder einem statischen Objekt zugeordnet sind.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Modell für die dynamische Umgebung ein Objekt indiziert und wenigstens die Position und deren zeitliche Ableitungen speichert, und dass das Modell für die statische Umgebung die Position indiziert und deren Belegungswahrscheinlichkeit speichert.
Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass bei Verfahrensschritt b3) ferner ermittelt wird, mit welcher Wahrscheinlichkeit die Messdaten weder einem statischen Objekt noch einem dynamischen Objekt zuzuordnen sind und damit zu verwerfen sind.
Verfahren nach einem der Ansprüche 1 bis 4 dadurch gekennzeichnet, dass der Bayes-Filter ausgewählt ist aus der Gruppe bestehend aus Random Finite Set Filter, insbesondere Realisierungen als sogenannte Probability Hypothesis Density Filter, Cardinalized Probability Hypothesis Density Filter, Multi-Bernoulli Filter, wie etwa Cardinality Balanced Multi-Bernoulil Filter, Generalized Labeled Multi-Bernoulli Filter, Labeled Multi-Bernoulli Filter, Poisson Multi-Bernoulli Mixture Filter, Poisson Multi-Bernoulli Filter, oder deren Approximationen.
Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass das Modell der statischen Objekte auf einer Karte basiert, welche geclustert ist, wobei lediglich die objektenthaltenden Cluster berücksichtigt werden.
Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass das Verfahren auf einem gemeinsamen Messschritt und damit auf denselben Objektdaten beruht.
Computerprogrammprodukt zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten in der Umgebung des Fahrzeugs, dadurch gekennzeichnet, dass das Computerprogrammprodukt ausgestaltet ist, ein Verfahren nach einem der Ansprüche 1 bis 7 zumindest zum Teil auszuführen.
Fahrunterstützungssystem, wobei das Fahrunterstützungssystem wenigstens einen Umfelderfassungssensor und eine computerbasierte Auswerteeinrichtung aufweist, dadurch gekennzeichnet, dass das Fahrunterstützungssystem dazu ausgestaltet ist, ein Verfahren nach einem der Ansprüche 1 bis 7 zumindest zum Teil auszuführen.
Verwendung eines Verfahrens nach einem der Ansprüche 1 bis 7 oder eines Computerprogrammprodukts nach Anspruch 8 zum Abschätzen der Umgebung eines Fahrzeugs mit Bezug auf das Vorhandensein von dynamischen Objekten und statischen Objekten.