DE102018215288A1 - Verfahren und Verarbeitungseinheit zur Verfolgung eines Objektes - Google Patents

Abstract

Es wird ein Verfahren (400) zur Verfolgung eines Objektes (150) in einem räumlichen Bereich, der eine Vielzahl von Zellen (201) umfasst, beschrieben. Das Verfahren (400) umfasst, an einem aktuellen Zeitpunkt, das Ermitteln (401), für jede der Vielzahl von Zellen (201), ob die jeweilige Zelle (201) an einem vorhergehenden Zeitpunkt einem dynamischen Objekt (150) zugeordnet war oder nicht. Außerdem umfasst das Verfahren (400) das Aufteilen (402), für zumindest eine der Vielzahl von Zellen (201), einer Evidenzmasse dafür, dass die jeweilige Zelle (201) an dem vorhergehenden Zeitpunkt Teil eines Objektes (150) war, auf eine Vielzahl von Partikeln (300); wobei ein Partikel (300) eine Bewegung (301) eines Teils der Evidenzmasse der jeweiligen Zelle (201) beschreibt; und wobei ein Partikel (300) ein Objekt-Attribut aufweist, das anzeigt, ob und ggf. welchem Objekt (300) die jeweilige Zelle (201) an dem vorhergehenden Zeitpunkt zugeordnet war. Außerdem umfasst das Verfahren (400) das Prädizieren (403), auf Basis der jeweiligen Bewegung (301), einer prädizierten Position innerhalb des räumlichen Bereichs für jedes der Vielzahl von Partikeln (300) der Vielzahl von Zellen (201) an dem aktuellen Zeitpunkt. Des Weiteren umfasst das Verfahren (400) das Ermitteln (404), für jede der Vielzahl von Zellen (201), einer Menge von Partikeln (300), deren prädizierte Position sich in der jeweiligen Zelle (201) befindet. Außerdem umfasst das Verfahren (400), für jede der Vielzahl von Zellen (201), das Zuordnen (405) der jeweiligen Zelle (201) zu einem Objekt (150), in Abhängigkeit von den Objekt-Attributen der Partikel (300) der ermittelten Menge von Partikeln (300) für die jeweilige Zelle (201).

Description

• Die Erfindung betrifft ein Verfahren und eine entsprechende Verarbeitungseinheit, die es z.B. einem Fahrzeug ermöglichen, ein Objekt in der Umgebung des Fahrzeugs auf Basis von Sensordaten zu erkennen und/oder über eine Sequenz von Zeitpunkten zu verfolgen.
• Ein Fahrzeug umfasst typischerweise eine Mehrzahl von unterschiedlichen Umfeldsensoren, die eingerichtet sind, Sensordaten bezüglich eines Umfelds des Fahrzeugs zu erfassen. Beispielhafte Umfeldsensoren sind Radarsensoren, Ultraschallsensoren, LIDAR-Sensoren, Bildsensoren, etc. Auf Basis der Sensordaten der ein oder mehreren Umfeldsensoren eines Fahrzeugs können ein oder mehrere Objekte (z.B. ein oder mehrere andere Fahrzeuge) in einem Umfeld des Fahrzeugs detektiert werden.
• Das vorliegende Dokument befasst sich mit der technischen Aufgabe, ein Verfahren und eine entsprechende Verarbeitungseinheit bereitzustellen, durch die in präziser und robuster Weise ein Objekt, insbesondere im Umfeld eines Fahrzeugs, detektiert und nachverfolgt werden kann. Besonderer Fokus liegt dabei darauf, die Abmessungen eines Objektes in präziser Weise zu ermitteln und über der Zeit zu tracken bzw. nachzuverfolgen.
• Die Aufgabe wird durch jeden der unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
• Gemäß einem Aspekt wird ein Verfahren zur Verfolgung eines Objektes in einem räumlichen Bereich beschrieben, wobei der räumliche Bereich eine Vielzahl von Zellen umfasst. Das Verfahren umfasst, an einem aktuellen Zeitpunkt, das Ermitteln, für jede der Vielzahl von Zellen, ob die jeweilige Zelle an einem vorhergehenden Zeitpunkt einem dynamischen (d.h. einem beweglichen und/oder einem sich bewegenden) Objekt zugeordnet war oder nicht. Außerdem umfasst das Verfahren das Auf- bzw. Verteilen, für zumindest eine der Vielzahl von Zellen, einer Evidenzmasse dafür, dass die jeweilige Zelle an dem vorhergehenden Zeitpunkt Teil eines Objektes war, auf eine Vielzahl von Partikeln; wobei ein Partikel eine Bewegung bzw. eine Bewegungshypothese eines Teils der Evidenzmasse der jeweiligen Zelle beschreibt; und wobei ein Partikel ein Objekt-Attribut aufweist, das anzeigt, ob und ggf. welchem Objekt die jeweilige Zelle an dem vorhergehenden Zeitpunkt zugeordnet war. Außerdem umfasst das Verfahren das Prädizieren, auf Basis der jeweiligen Bewegung bzw. Bewegungshypothese, einer prädizierten Position innerhalb des räumlichen Bereichs für jedes der Vielzahl von Partikeln der Vielzahl von Zellen an dem aktuellen Zeitpunkt. Des Weiteren umfasst das Verfahren das Ermitteln, für jede der Vielzahl von Zellen, einer Menge von Partikeln, deren prädizierte Position sich in der jeweiligen Zelle befindet. Außerdem umfasst das Verfahren, für jede der Vielzahl von Zellen, das Zuordnen der jeweiligen Zelle zu einem Objekt, in Abhängigkeit von den Objekt-Attributen der Partikel der ermittelten Menge von Partikeln für die jeweilige Zelle.
• Gemäß einem weiteren Aspekt wird eine Verarbeitungseinheit beschrieben, die eingerichtet ist, das in diesem Dokument beschriebene Verfahren auszuführen.
• Gemäß einem weiteren Aspekt wird ein Fahrzeug, etwa ein (Straßen-) Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus), und/oder ein mobiler Roboter beschrieben, das bzw. der die in diesem Dokument beschriebene Verarbeitungseinheit umfasst.
• Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs) ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
• Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
• Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.
• Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen
• 1 ein beispielhaftes Fahrzeug mit einer Mehrzahl von unterschiedlichen Umfeldsensoren;
• 2 ein beispielhaftes Raster einer Umgebung eines Fahrzeugs;
• 3 beispielhafte Partikel einer Zelle eines Rasters;
• 4 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Nachverfolgung eines Objektes;
• 5 beispielhafte Partikel in einem Raster einer Umgebung eines Fahrzeugs; und
• 6 beispielhafte Partikel-Cluster.
• Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der Detektion und insbesondere der Nachverfolgung zumindest eines Objektes auf Basis von Sensordaten von ein oder mehreren Umfeldsensoren. In diesem Zusammenhang zeigt 1 ein Fahrzeug 100 mit ein oder mehreren Umfeldsensoren 111 zur Erfassung von Sensordaten. Das Fahrzeug 100 umfasst weiter eine Verarbeitungseinheit 101, die eingerichtet ist, auf Basis der Sensordaten ein Objekt 150 im Umfeld des Fahrzeugs 100 zu detektieren. Ein detektiertes Objekt 150 kann dann in einer Fahrzeugfunktion 102 (z.B. für das teilautomatisierte oder hochautomatisierte Fahren des Fahrzeugs 100) berücksichtigt werden.
• Das vorliegende Dokument befasst sich insbesondere mit der konsistenten multisensoriellen Modellierung der Umgebung eines Fahrzeuges 100, die statische Hindernisse, befahrbare Bereiche und/oder dynamische Objekte 150 auf verschiedenen Abstraktionsebenen abbildet und diese ganzheitlich schätzt. Dabei kann die lokale Umgebung eines Fahrzeugs 100 als Dynamic Occupancy Grid Map bzw. Raster 200 geschätzt bzw. dargestellt werden (siehe 2).
• 2 zeigt ein beispielhaftes Raster 200 einer Umgebung des Fahrzeugs 100 mit einer Vielzahl von Rasterzellen oder kurz Zellen 201. Das Raster 200 kann die Umgebung bzw. das Umfeld des Fahrzeugs 100 in die Vielzahl von zwei- oder drei-dimensionalen Zellen 201 aufteilen. Eine zwei-dimensionale Zelle 201 kann dabei eine Rechteckform aufweisen (beispielsweise mit einer Kantenlänge von 10cm, 5cm, 2cm, 1cm oder weniger).
• Die Verarbeitungseinheit 101 kann eingerichtet sein, auf Basis der Sensordaten für ein oder mehrere der Zellen 201 (insbesondere für jede Zelle 201) Messdaten zu ermitteln, die anzeigen, ob eine Zelle 201 an einem bestimmten Zeitpunkt t belegt ist oder nicht. Insbesondere können die Messdaten z_c für eine Zelle c 201 anzeigen $$z_c=\left(m\left(S{D}_{z,t}\right),m\left(F_{z,t}\right)\right),$$

  

  wobei m(SD) = m({S, D}) eine Evidenz bzw. Evidenzmasse dafür ist, dass die Zelle c 201 durch ein Objekt 150 belegt ist, das nicht eindeutig als statisch („S“) oder dynamisch („D“) erkannt werden kann, und wobei m(F) eine Evidenz dafür ist, dass die Zelle c 201 frei („F“) ist, und somit nicht durch ein Objekt 150 belegt ist (und somit eine freie Zelle 201 ist). Die Evidenz m(SD) dafür, dass die Zelle 201 durch ein Objekt 150 belegt ist, kann als Objekt-Wahrscheinlichkeit bzw. als untere Schranke der Objekt-Wahrscheinlichkeit dafür betrachtet werden, dass die Zelle 201 durch ein Objekt 150 belegt ist (insbesondere im Sinne der Dempster-Shafer Theorie). Die Evidenzmassen könne jeweils Werte zwischen 0 und 1 sein. Die Summe der Evidenzmassen einer Zelle 201 kann auf den Wert 1 normiert sein.
• Typischerweise können auf Basis einer zeitlich isolierten Messung an einem bestimmten Zeitpunkt t nur die Evidenzen bzw. Evidenzmassen m(SD), m(F) ermittelt werden, da nicht festgestellt werden kann, ob das Objekt durch ein statisches oder ein dynamisches Objekt 150 belegt ist. Es kann jedoch angenommen werden, dass nach einer Sequenz von Messungen an einer entsprechenden Sequenz von Zeitpunkten, an dem aktuellen Zeitpunkt t ein Belegungsraster $$M_t$$

  

  200 bereitgestellt werden kann, das für die unterschiedlichen Zellen 201 unterschiedliche Evidenzen für unterschiedliche Hypothesen anzeigt, $$M_t=\left\{m\left(S_t\right),m\left(D_t\right),m\left(S{D}_t\right),m\left(F_t\right),m\left(F{D}_t\right)\right\},$$

  

  wobei m(FD_t) = m({F, D}_t) die Evidenz für die Hypothese anzeigt, dass eine in der Vergangenheit nicht-belegte Zelle 201 zum Zeitpunkt t durch ein dynamisches Objekt 150 belegt ist. Des Weiteren zeigt m(S_t) die Evidenz bzw. Evidenzmasse dafür an, dass die Zelle c 201 am Zeitpunkt t durch ein statisches Objekt 150 belegt ist. Außerdem zeigt m(D_t) die Evidenz bzw. Evidenzmasse dafür an, dass die Zelle c 201 am Zeitpunkt t durch ein dynamisches Objekt 150 belegt ist. Das Belegungsraster $M_t$

  

  beschreibt den Status bzw. den Zustand der Zellen 201 des Rasters 200 an einem bestimmten Zeitpunkt t. Die Evidenzen bzw. Evidenzmassen des Belegungsrasters $M_t$

  

  200, die unter Berücksichtigung der aktuellen Sensordaten an dem aktuellen Zeitpunkt t ermittelt wurden, werden in diesem Dokument auch als tatsächliche Evidenzmassen bezeichnet.
• Die Bewegung eines möglichen Objektes 150 kann durch sogenannte Partikel beschrieben werden. Zu diesem Zweck kann die Evidenzmasse einer Zelle 201 für die Hypothese, dass ein bewegliches Objekt 150 vorliegt, auf eine Vielzahl von Partikeln aufgeteilt werden. Insbesondere können die tatsächliche Evidenzmasse m(D_t-1) und/oder die tatsächliche Evidenzmasse m(SD_t-1) für den Zeitpunkt t - 1 auf eine Vielzahl von Partikeln 300 aufgeteilt werden (siehe 3). Dabei können die Partikel 300 unterschiedliche Bewegungen 301 bzw. unterschiedliche Bewegungs-Hypothesen aufweisen. Insbesondere können die unterschiedlichen Bewegungen 301 dabei unterschiedliche Geschwindigkeiten und/oder unterschiedliche Bewegungsrichtungen aufweisen. Beispielsweise können mit einer räumlichen Auflösung von 360°/R R unterschiedliche Bewegungsrichtungen und mit einer bestimmten Werte-Auflösung V unterschiedliche Geschwindigkeiten berücksichtigt werden, so dass in einer Zelle 201 R x V unterschiedliche Partikel 300 initialisiert werden. Es kann somit bei der Initialisierung von Partikeln 300 für eine Zelle 201 angenommen werden, dass sich das Objekt 150, zu dem die Zelle 201 gehört, beliebig bewegen kann.
• Das (tatsächliche) Belegungsraster $M_{t-1}$

  

  200 und die Partikel 300 können dazu verwendet werden, ein Belegungsraster $M_t$

  

  für einen nachfolgenden Zeitpunkt t zu prädizieren. Anders ausgedrückt, das (prädizierte) Belegungsraster $M_t$

  

  für den Zeitpunkt t kann aus dem (tatsächlichen) Belegungsraster $M_{t-1}$

  

  und/oder den Partikeln 300 für einen vorhergehenden Zeitpunkt t - 1 prädiziert werden. Dabei kann für die Evidenzmassen angenommen werden, $$m\left(S_t^{\text{'}}\right)=m\left(S_{t-1}\right),$$

  

  $$m\left(S{D}_t^{\text{'}}\right)=m\left(S{D}_{t-1}\right),$$

  

  $$m\left(D_t^{\text{'}}\right)=\mathrm{0,}$$

  

  $$m\left(F_t^{\text{'}}\right)=0$$

  

  $$m\left(F{D}_t^{\text{'}}\right)=\frac{m\left(F{G}_{t-1}\right)+m\left(F_{t-1}\right)}{1-m\left(D_{t-1}\right)}.$$

  
• Der Haken (') zeigt dabei an, dass es sich um eine (statisch) prädizierte Evidenzmasse handelt. Somit können statische Aspekte aus dem (tatsächlichen) Belegungsraster $M_{t-1}$

  

  des vorhergehenden Zeitpunkts t - 1 auf den Zeitpunkt t übertragen werden, um ein statisch prädiziertes Belegungsraster $M{\text{'}}_t$

  

  zu ermitteln.
• Die dynamischen Aspekte können anhand der Partikel 300 berücksichtigt werden. Insbesondere kann für jede Zelle 201 jeweils die Summe der (Partikel-) Evidenzmassen der Partikel 300 ermittelt werden, die zum Zeitpunkt t in die jeweilige Zelle 201 fallen. Basierend darauf kann dann die Evidenzmasse dafür ermittelt werden, dass es sich bei einer Zelle 201 um ein dynamisches Objekt 150 handelt, z.B. $$m\left({\widehat{D}}_t^c\right)=min\left(1-{\epsilon }_o,{\displaystyle \sum _{\chi \in {\widehat{\chi }}_t^c}{o}_{\chi }}\right),{\epsilon }_o\in \left(\mathrm{0,1}\right)$$

  

  wobei Σ o_χ die Summe der (Partikel-) Evidenzmassen der Partikel 300 ist, die in eine bestimmte Zelle 201 fallen, und wobei ε_o eine einstellbare Konstante zwischen 0 und 1 ist. Durch die min() Funktion kann gewährleistet werden, dass die (dynamisch) prädizierte Evidenzmasse m(D̂_t) einer Zelle c 201 nicht größer als eins wird. Es ergibt sich somit auf Basis der Partikel 300 ein dynamisch prädiziertes Belegungsraster ${\widehat{M}}_t$

  
• Das dynamisch prädizierte Belegungsraster ${\widehat{M}}_t$

  

  und das statisch prädizierte Belegungsraster $M{\text{'}}_t$

  

  können überlagert werden, um ein prädiziertes Belegungsraster ${\overline{M}}_t$

  

  zu ermitteln, z.B. mittels $${\overline{\mathcal{M}}}_t=\left(1-\overline{\epsilon }\right)\left({\widehat{\mathcal{M}}}_t\oplus {\mathcal{M}}_t^{\text{'}}\right).$$

  
• Dabei kann bei der Kombination ein zeitlicher Unsicherheitsfaktor ε berücksichtigt werden.
• Das Kombinieren des dynamisch prädizierten Belegungsrasters ${\widehat{M}}_t$

  

  und des statisch prädizierten Belegungsrasters $M{\text{'}}_t$

  

  kann für kompatible Hypothesen bzw. Evidenzmassen durch Multiplikation der Evidenzmassen erfolgen. Andererseits liegt bei widersprüchlichen Hypothesen ein Konflikt vor. Dies kann insbesondere dann der Fall sein, wenn für eine Zelle 201 über die dynamische Prädiktion ${\widehat{M}}_t$

  

  eine Evidenzmasse m(D̂_t) und über die statische Prädiktion $M{\text{'}}_t$

  

  eine Evidenzmasse m(S'_t) prädiziert wird. Ein robuster Ansatz für die Konfliktauflösung kann sein, dass in diesem Fall die tatsächliche Evidenzmasse m(S_t-1) des vorhergehenden Zeitpunkts t - 1 als prädizierte Evidenzmasse m(S _t) verwendet wird.
• Somit kann auf Basis des tatsächlichen Belegungsrasters $M_{t-1}$

  

  und der Partikel 300 für einen vorhergehenden Zeitpunkt (t - 1) ein prädiziertes Belegungsraster ${\overline{M}}_t$

  

  ermittelt werden.
• Des Weiteren stehen zum Zeitpunkt t für die einzelnen Zellen 201 neue Messungen zur Verfügung, die in einem gemessenen Belegungsraster $M_{z,t}$

  

  zusammengefasst werden können. Dabei kann das gemessene Belegungsraster $M_{z,t}$

  

  für jede Zelle 201 die Evidenzmassen m(SD_z,t) und m(F_z,t) anzeigen. Das prädizierte Belegungsraster ${\overline{M}}_t$

  

  kann dann mit dem gemessenen Belegungsraster $M_{z,t}$

  

  kombiniert werden, um das tatsächliche Belegungsraster $M_t$

  

  am Zeitpunkt t zu ermitteln, d.h. $${\mathcal{M}}_t={\overline{\mathcal{M}}}_t\oplus {\mathcal{M}}_{z,t}$$

  
• Die Kombination der Evidenzmassen kann wiederum durch Multiplikation von Evidenzmassen für kompatible Hypothesen erfolgen. Andererseits können sich bei inkompatiblen Hypothesen Konflikte ergeben. Ein derartiger Konflikt kann insbesondere auftreten, wenn die aktuellen Messdaten eine Evidenzmasse für eine nicht-belegte Zelle 201, d.h. m(F_z,t), anzeigen, während das prädizierte Belegungsraster ${\overline{M}}_t$

  

  Evidenzmassen für ein statisches, ein dynamisches oder ein nicht eindeutig statisches bzw. dynamisches Objekt 150 anzeigt. Die sich daraus ergebenden Konflikt-Evidenzmassen $$\begin{array}{c}\varsigma \left({\overline{\mathcal{M}}}_t,{\mathcal{M}}_{z,t}\right)=\underset{{\varsigma }_1}{\underbrace{m\left({\overline{S}}_t\right)m\left(F_{z,t}\right)}}+\underset{{\varsigma }_2}{\underbrace{m\left({\overline{D}}_t\right)m\left(F_{z,t}\right)}}+\\ \underset{{\varsigma }_3}{\underbrace{m\left({\overline{SD}}_t\right)m\left(F_{z,t}\right)}}\end{array}$$

  

  können z.B. wie folgt den verschiedenen Hypothesen zugeordnet werden, $$m\left(S_t\right)\leftarrow \frac{1}{2}{\varsigma }_1,$$

  

  $$m\left(F_t\right)\leftarrow \frac{1}{2}{\varsigma }_1+{\varsigma }_2+{\varsigma }_3.$$

  
• Im Rahmen der Ermittlung eines gemessenen Belegungsrasters $M_{z,t}$

  

  wird typischerweise keine Evidenzmasse für die Hypothesen „statisches Objekt“ bzw. „dynamisches Objekt“ ermittelt, sondern nur die Evidenzmasse m(SD_z,t), dafür dass eine Zelle 201 durch ein nicht näher spezifiziertes Objekt 150 belegt ist. Als Folge daraus würde beim Kombinieren des prädizierten Belegungsrasters ${\overline{M}}_t$

  

  mit dem gemessenen Belegungsraster $M_{z,t}$

  

  nur die Evidenzmasse für die Hypothese SD erhöht, nicht aber die Evidenzmasse für die Hypothesen S bzw. D.
• Um die Genauigkeit eines Belegungsrasters $M_t$

  

  am Zeitpunkt t zu erhöhen, kann die Evidenzmasse für die Hypothese SD, d.h. $$\begin{array}{c}m\left(SD|{\overline{\mathcal{M}}}_t{\oplus }_c{\mathcal{M}}_{z,t}\right)=\underset{{\lambda }_1}{\underbrace{m\left({\overline{SD}}_t\right)m\left({\mathrm{\Theta }}_{z,t}\right)}}+\\ \underset{{\lambda }_2}{\underbrace{m\left({\overline{SD}}_t\right)m\left(S{D}_{z,t}\right)}}+\underset{{\lambda }_3}{\underbrace{m\left({\overline{\mathrm{\Theta }}}_t\right)m\left(S{D}_{z,t}\right)}}\end{array}$$

  

  auf die Hypothesen SD, S und D aufgeteilt werden. Hierbei kann $m\left(SD|{\overline{M}}_t{\oplus }_c{M}_{z,t}\right)$

  

  die Dempster-Shafer Evidenz-Kombination, in diesem Fall für die Hypothese SD, beschreiben, gegeben dem prädizierten Belegungsraster ${\overline{M}}_t$

  

  und dem gemessenen Belegungsraster $M_{z,t}$

  

  ohne Normierung bzw. Berücksichtigung von Konflikten. Mit anderen Worten, $m\left(SD|{\overline{M}}_t{\oplus }_c{M}_{z,t}\right)$

  

  kann die Multiplikation der Evidenzmassen der Hypothesen beschreiben, deren Schnittmenge der beschriebenen Hypothese entspricht, in diesem Fall der Hypothese SD mit der zugehörigen kombinierten Menge {S, D} aus den Hypothesen eines statischen Objekts S oder eines dynamischen Objekts D. Die Aufteilung kann wie folgt erfolgen, $$m\left(S{D}_t\right)\leftarrow {\lambda }_1$$

  

  $$m\left(S_t\right)\leftarrow {\lambda }_2$$

  

  $$m\left(D_t\right)\leftarrow f_D{\lambda }_3,$$

  

  $$m\left(S{D}_t\right)\leftarrow \left(1-f_D\right){\lambda }_3,$$

  

  wobei f_D eine positive Zahl kleiner eins ist, die von der Anzahl von Partikeln 300 in der betrachteten Zelle 201 abhängen kann. Alternativ oder ergänzend kann f_D von dem Messwert der radialen Geschwindigkeit der betrachteten Zelle 201 abhängen, wobei der Messwert z.B. mittels eines Radarsensors 111 erfasst werden kann. Dabei kann f_D mit steigender Geschwindigkeit ansteigen.
• Andererseits kann auch Evidenzmasse, die beim Kombinieren der Hypothese für ein dynamisches Objekt 150 zugewiesen würde, zumindest teilweise auf die Hypothese SD umverteilt werden, um Messfehler oder fehlerhafte Vereinfachungen der Messmodelle der jeweiligen Sensoren zu berücksichtigen. Für die Evidenzmasse für die Hypothese D ergibt sich, $$\begin{array}{r}m\left(D|{\overline{\mathcal{M}}}_t{\oplus }_c{\mathcal{M}}_{z,t}\right)=m\left({\overline{D}}_t\right)\left(1-m\left(F_{z,t}\right)\right)+\\ \underset{{\lambda }_4}{\underbrace{m\left({\overline{FD}}_t\right)m\left(S{D}_{z,t}\right)}}\end{array}$$

  
• Der entsprechende Term λ₄, der die Kombination aus der prädizierten Evidenzmasse m(FD _t) der FD-Hypothese, d.h. die Hypothese, dass die Zelle 201 frei oder dynamisch belegt ist, und der gemessenen Evidenzmasse m(SD_z,t) der SD-Hypothese für eine nicht weiter klassifizierte Belegung darstellt, kann wie folgt umverteilt werden $$m\left(D_t\right)\leftarrow \left(1-\gamma \right){\lambda }_4+f_D\gamma {\lambda }_4,$$

  

  $$m\left(S{D}_t\right)\leftarrow \left(1-{\gamma }_D\right)\gamma {\lambda }_4,$$

  

  wobei γ ein Designparameter zwischen 0 und 1 ist.
• Die resultierenden Evidenzmassen des tatsächlichen Belegungsrasters ${\mathcal{M}}_t$

  

  am Zeitpunkt t ergeben sich somit als $$m\left(S_t\right)=m\left(S|{\mathcal{M}}_t{\oplus }_c{\mathcal{M}}_{z,t}\right)+\frac{1}{2}{\zeta }_1+{\lambda }_2,$$

  

  $$\begin{array}{c}m\left(D_t\right)=m\left(D|{\overline{\mathcal{M}}}_t{\oplus }_c{\mathcal{M}}_{z,t}\right)-\left(1-f_D\right)\gamma {\lambda }_4\\ +f_D{\lambda }_3,\end{array}$$

  

  $$\begin{array}{c}m\left(S{D}_t\right)=m\left(SD|{\overline{\mathcal{M}}}_t{\oplus }_c{\mathcal{M}}_{z,t}\right)-{\lambda }_2-f_D{\lambda }_3\\ +\left(1-f_D\right)\gamma {\lambda }_4,\end{array}$$

  

  $$\begin{array}{l}m\left(F_t\right)=m\left(F|{\overline{\mathcal{M}}}_t{\oplus }_c{\mathcal{M}}_{z,t}\right)+\frac{1}{2}{\zeta }_1+{\zeta }_2+{\zeta }_3,\\ m\left(F{D}_t\right)=m\left(FD|{\overline{\mathcal{M}}}_t{\oplus }_c{\mathcal{M}}_{z,t}\right).\end{array}$$

  
• Zusätzlich zur Ermittlung eines tatsächlichen Belegungsrasters ${\mathcal{M}}_t$

  

  für den Zeitpunkt t kann die Verteilung der Partikel 300 aktualisiert werden, um ein aktuelles Bild der dynamischen Aspekte, insbesondere der Bewegungsrichtung von ein oder mehreren Objekten 150, einer Umgebung zu erstellen. Zu diesem Zweck kann die Evidenzmasse für die Hypothese eines dynamischen Objekts 150, d.h. m(D_t), auf eine Vielzahl von Partikeln 300 verteilt werden. Dabei kann die Anzahl von Partikeln 300 für eine Zelle 201 proportional zu der Evidenzmasse m(D_t) der Zelle 201 sein.
• Die Dichte an Partikeln 300 für eine Zelle 201 kann z.B. gewählt werden als $${\rho }^c=m\left(D_t^c\right)+\left(1-f_D\right)\left({\lambda }_3+\gamma {\lambda }_4\right)$$

  

  und kann somit in Abhängigkeit von der Evidenzmasse für ein dynamisches Objekt D sowie in Abhängigkeit von einer durch die aktuelle Messung ${\mathcal{M}}_{z,t}$

  

  erhöhten Evidenzmasse m(SD), die möglicherweise einem dynamischen Objekt entsprechen kann, gewählt werden. Ergänzend kann auch die Evidenzmasse für ein statisches Objekt S berücksichtigt werden, wobei eine höhere Evidenzmasse m(S_t) die Dichte an Partikeln 300 verringert, da die Partikel 300 den Hypothesen dynamischer Objekte entsprechen. Die Dichte der Partikel 300 kann mit einem Maximalwert von Partikeln 300 für eine Zelle 201 multipliziert werden, um die adaptive Anzahl von Partikeln 300 für eine Zelle 201 zu bestimmen. Alternativ kann die Anzahl an Partikeln 300 in einer Zelle 201 unabhängig von den Evidenzmassen gewählt werden und z.B. auf einen konstanten festen Wert definiert werden.
• Von den zur Verfügung stehenden Partikeln 300 können zumindest ein Teil aus den prädizierten Partikeln 300 des vorhergehenden Zeitpunkts (t - 1) hergeleitet werden, die in die jeweilige Zelle 201 prädiziert wurden. So kann eine Filterung entlang der Bewegungsrichtung eines Objekts 150 erfolgen. Des Weiteren kann eine (relativ niedrige) Anzahl von zufällig verteilten neuen Partikeln 300 generiert werden. So kann die Robustheit des iterativen Verfahrens zur Aktualisierung eines tatsächlichen Belegungsrasters ${\mathcal{M}}_t$

  

  erhöht werden. Die gesamte dynamische Evidenzmasse m(D_t) einer Zelle 201 kann gleichmäßig auf die Gesamtzahl von Partikeln 300 der Zelle 201 verteilt werden, so dass die Summe der (Partikel-) Evidenzmassen Σ o_χ aller Partikel 300 der Zelle 201 der dynamischen Evidenzmasse m(D_t) dieser Zelle 201 entspricht. Die aktualisierten Partikel 300 können dann wiederum dazu verwendet werden, ein dynamisch prädiziertes Belegungsraster ${\widehat{\mathcal{M}}}_{t+1}$

  

  für einen nachfolgenden Zeitpunkt t + 1 zu ermitteln.
• Ein (tatsächliches) Belegungsraster ${\mathcal{M}}_t$

  

  (das für jede Zelle 201 des Rasters 200 tatsächliche Evidenzmassen m(S_t), m(D_t), m(SD_t), m(F_t), m(FD_t) umfasst) kann somit iterativ auf Basis von Sensordaten von ein oder mehreren Umfeldsensoren 111 aktualisiert werden. Das iterative Verfahren kann für eine Sequenz von Zeitpunkten t - 1, t, t + 1, t + 2, .... wiederholt werden, z.B. mit einer Wiederholrate bzw. Abtastfrequenz von 1Hz, 10Hz, 100Hz oder mehr. An einem aktuellen Zeitpunkt t kann auf Basis der Sensordaten ein gemessenes Belegungsraster ${\mathcal{M}}_{z,t}$

  

  ermittelt werden (das für jede Zelle 201 des Rasters 200 gemessene Evidenzmassen m(SD_z,t), m(F_z,t) umfasst). Das gemessene Belegungsraster ${\mathcal{M}}_{z,t}$

  

  kann mit einem prädizierten Belegungsraster ${\overline{\mathcal{M}}}_t$

  

  kombiniert werden, um das tatsächliche Belegungsraster ${\mathcal{M}}_t$

  

  zu ermitteln. Dabei kann das prädizierte Belegungsraster ${\overline{\mathcal{M}}}_t$

  

  durch das Kombinieren eines statisch prädizierten Belegungsrasters $\mathcal{M}{\text{'}}_t$

  

  und eines dynamisch prädizierten Belegungsrasters ${\widehat{\mathcal{M}}}_t$

  

  ermittelt werden. Das statisch prädizierte Belegungsraster $\mathcal{M}{\text{'}}_t$

  

  kann durch einen Mapping-Prozess aus dem (tatsächlichen) Belegungsraster ${\mathcal{M}}_{t-1}$

  

  des vorhergehenden Zeitpunktes (t - 1) prädiziert bzw. ermittelt werden. Das dynamisch prädizierte Belegungsraster ${\widehat{\mathcal{M}}}_t$

  

  kann durch einen Partikel-Tracking-Prozess aus der tatsächlichen D-Evidenzmasse m(D_t-1) der einzelnen Zellen 201 an dem vorhergehenden Zeitpunkt (t - 1) ermittelt werden. Dabei kann der Partikel-Tracking-Prozess einen Resampling-Schritt umfassen, bei dem die tatsächliche D-Evidenzmasse m(D_t-1) einer Zelle 201 auf alte und/oder neue Partikel 300 verteilt wird. Auf Basis der Bewegung 301 der Partikel 300 kann dann eine Bewegung und/oder Verteilung der Partikel-Evidenzmassen innerhalb des Rasters 200 auf den aktuellen Zeitpunkt t prädiziert werden. Aus der Verteilung der Partikel-Evidenzmassen an dem aktuellen Zeitpunkt t kann dann die dynamisch prädizierte D-Evidenzmasse m(D̂_t) der einzelnen Zellen 201 ermittelt werden (z.B. auf Basis der Summe der Partikel-Evidenzmasse in der jeweiligen Zelle 201).
• Es kann somit an einer Sequenz von Zeitpunkten t eine entsprechende Sequenz von tatsächlichen Belegungsrastern ${\mathcal{M}}_t$

  

  200 mit tatsächlichen Evidenzmassen, z.B. m(SD_t), m(S_t), m(D_t), m(F_t) und/oder m(FD_t), ermittelt werden. Auf Basis dieser tatsächlichen Evidenzmassen für die einzelnen Zellen 201 können mittels eines Clustering-Algorithmus (ggf. neue) Objekte 150 detektiert werden, und die einzelnen Zellen 201 können ein oder mehreren (dynamischen) Objekten 150 zugewiesen werden. Des Weiteren kann die in einem vorhergehenden Zeitpunkt t - 1 ermittelte Objektzuordnung dazu verwendet werden, eine Objektzuordnung für den aktuellen Zeitpunkt t zu prädizieren. Die prädizierte Objektzuordnung kann mit der auf Basis eines aktuellen Belegungsrasters ${\mathcal{M}}_t$

  

  ermitteln Objektzuordnung überlagert werden, um eine (tatsächliche) Objektzuordnung für den aktuellen Zeitpunkt t zu ermitteln. Die einzelnen (dynamischen) Objekte 150 können jeweils z.B. durch eine (rechteckige) Bounding Box, oder eine andere geometrische Form, beschrieben werden, wobei in der weiteren Beschreibung ohne Beschränkung der Allgemeinheit eine solche Box-Repräsentation verwendet wird. Allgemein kann eine Bounding Box eines Objekts 150 als Umrandung des Objektes 150 bezeichnet werden. Beispielhafte Formen einer Umrandung sind eine (rechteckige) Box, eine Box mit abgerundeten Kanten, eine elliptische Umrandung, etc.
• Auf Basis der prädizierten Objektzuordnung der Zellen 201 können prädizierte Bounding Boxen (bzw. Umrandungen) für die einzelnen Objekte 150 ermittelt werden. Des Weiteren können auf Basis der tatsächlichen Objektzuordnung tatsächliche Bounding Boxen (bzw. Umrandungen) für die einzelnen Objekte 150 ermittelt werden.
• Zur Erkennung eines Objektes 150 können somit zusammenhängende dynamische Zellen 201 (die eine relativ hohe dynamische Evidenzmasse aufweisen) anhand eines Clustering-Algorithmus zu einem zusammenhängenden Objekt 150 zusammengefasst werden. Bei Objekten 150, die relativ nah zueinander angeordnet sind, kann es dabei zu Fehlzuordnungen von einzelnen Zellen 201 zu den unterschiedlichen Objekten 150 kommen. Zur Erhöhung der Güte, mit der einzelne Zellen 201 zu unterschiedlichen Objekten 150 zugeordnet werden, kann den einzelnen Partikeln 300 als zusätzliches Attribut bzw. Label die Zugehörigkeit zu einem bestimmten Objekt 150 zugeordnet werden. Insbesondere kann ein Partikel 300 ein Objekt-Attribut aufweisen, das anzeigt, ob die Zelle 201, in dem sich das Partikel 300 bei der Initialisierung des Partikels 300 befindet, einem (dynamischen) Objekt 150 zugeordnet ist oder nicht. Des Weiteren kann durch einen Objekt-Identifikator das genaue Objekt 150 angezeigt werden, dem die Zelle 201 zugeordnet ist.
• τ_t-1 kann die Menge an dynamischen Objekten 150 wiedergeben, die zum Zeitpunkt t - 1 in dem tatsächlichen Belegungsraster ${\mathcal{M}}_{t-1}$

  

  bekannt sind. Jedem Partikel 300 kann als Objekt-Attribut ein Objekt 150 τ ∈ τ_t-1 zugeordnet sein, oder es kann als Objekt-Attribut angezeigt werden, dass das Partikel 300 keinem Objekt 150 zugeordnet ist.
• Ein Partikel 300 ist maximal genau einem Objekt 150 oder keinem Objekt 150 zugeordnet. Ein zu einem bestimmten Zeitpunkt t neu initialisiertes Partikel 300 kann ggf. keinem Objekt 150 zugeordnet sein. Des Weiteren kann ein Partikel 300 im Rahmen des Partikel-Tracking-Prozesses, insbesondere bei dem Resampling-Schritt, sein aktuelles Objekt-Attribut bzw. seine aktuelle Objekt-Zuordnung beibehalten. Außerdem kann der Prozess der Filterung der Partikel 300 unverändert bleiben, d.h. die Verteilung der Evidenzmasse einer Zelle 201 auf bereits existierende Partikel 300 und auf neue Partikel 300 kann unabhängig von der Objekt-Zugehörigkeit der einzelnen Partikel 300 sein. So kann ein robustes Tracking von Objekten 150 auf Partikel-Ebene ermöglicht werden (ohne Verzerrung durch eine modellbasierte Objekt-Ebene).
• Wie oben dargelegt, kann der Partikel-Tracking-Prozess einen Resampling-Schritt umfassen, bei dem die tatsächliche D-Evidenzmasse m(D_t-1) einer Zelle 201 auf alte und/oder neue Partikel 300 verteilt wird. Diese Partikel 300 weisen jeweils eine Objekt-Zugehörigkeit als Objekt-Attribut auf. Auf Basis der Bewegung bzw. Bewegungs-Hypothese 301 der einzelnen Partikel 300 kann dann eine Position der Partikel 300 an dem (aktuellen) Zeitpunkt t prädiziert werden.
• Zur Ermittlung der Zugehörigkeit einer Zelle 201 zu einem (dynamischen) Objekt 150 kann am Zeitpunkt t auf Basis der prädizierten Positionen ermittelt werden, welche Partikel 300 in die Zelle 201 fallen, und welcher Anteil der Partikel 300 den jeweiligen Objekten 150 τ ∈ τ_t-1 zugeordnet ist. Die Zelle 201 kann dann auf Basis der Verteilung der Objekt-Zuordnung der Partikel 300 einem oder ggf. keinem Objekt 150 zugeordnet werden. Insbesondere kann die Zelle 201 dem Objekt 150 τ ∈ τ_t-1 zugeordnet werden, das den relativ höchsten Anteil von Partikeln 300 in der Zelle 201 aufweist. Diese Zuordnung kann ggf. nur dann erfolgen, wenn der relativ höchste Anteil einen bestimmten Mindestschwellenwert (z.B. von 50%, 60%, 70%, 80% oder mehr) erreicht oder überschreitet. Andererseits kann ggf. festgelegt werden, dass die Zelle 201 nicht Teil eines Objektes 150 ist bzw. diese Zelle 201 nicht eindeutig einem Objekt 150 zugeordnet werden kann.
• Es kann somit zu einem Zeitpunkt t auf Basis der Objekt-Attribute der Partikel 300, deren prädizierte Position in eine Zelle 201 fällt, überprüft werden, ob die Zelle 201 Teil eines bereits bekannten Objektes 150 τ ∈ τ_t-1 ist. Zur Erkennung von neuen Objekten 150 kann darüber hinaus für die Zellen 201, die keinem Objekt 150 zugeordnet werden können (die aber eine relativ hohe dynamische Evidenzmasse aufweisen), ein Clustering-Algorithmus verwendet werden, um benachbarte, nicht-zugeordnete Zellen 201 zu einem zusammenhängenden (neuen) Objekt 150 zusammenzufassen. So kann die Menge τ_t von dynamischen Objekten 150 aktualisiert werden.
• Nach Berücksichtigung einer aktuellen Messung am Zeitpunkt t können aktualisierte, tatsächliche, Bounding Boxes (bzw. Umrandungen) für eine bestimmte Menge τ_t von (dynamischen) Objekten 150 bereitgestellt werden. Basierend auf diesen tatsächlichen Boxen (bzw. Umrandungen) für die unterschiedlichen Objekte 150 kann eine Aktualisierung der Objekt-Attribute der Partikel 300 erfolgen. Dies ist beispielhaft in 5 dargestellt. 5 zeigt auf der linken Seite ein Belegungsraster 200 mit einer Vielzahl von Partikeln 300 (wobei die Partikel 300 an der jeweiligen prädizierten Position angeordnet sind). Des Weiteren veranschaulicht 5, linke Seite, die Objekt-Attribute der Partikel 300, wobei die Partikel 300 in dem Bereich 500 keinem dynamischen Objekt 150 zugeordnet sind, wobei die Partikel 300 in dem Bereich 501 einem ersten dynamischen Objekt 150 zugeordnet sind, und wobei die Partikel 300 in dem Bereich 502 einem zweiten dynamischen Objekt 150 zugeordnet sind.
• 5, rechte Seite, zeigt die tatsächlichen Bounding Boxen (bzw. Umrandungen) 511, 512 für das erste bzw. das zweite Objekt 150, die im Rahmen einer (Modellbasierten) Objekterkennung zum Zeitpunkt t ermittelt wurden. Des Weiteren zeigt 5, rechte Seite, vergrößerte Toleranzbereiche 513, 514 um die tatsächlichen Bounding Boxen (bzw. Umrandungen) 511, 512. Es kann überprüft werden, ob ein Partikel 300 außerhalb einer tatsächlichen Box (bzw. Umrandung) 511, 512 und/oder außerhalb des Toleranzbereichs 513, 514 angeordnet ist. Wenn dies der Fall ist, so kann diesem Partikel 300 das Objekt-Attribut zugeordnet werden, das anzeigt, dass das Partikel 300 nicht Teil eines dynamischen Objekts 150 ist. Anderseits kann einem Partikel 300 das innerhalb genau einer tatsächlichen Box (bzw. Umrandung) 511, 512 liegt, die Zugehörigkeit zu dem entsprechenden Objekt 150 als Objekt-Attribut zugewiesen werden (ggf. nur dann, wenn das Partikel 300 eine Bewegung 301 aufweist, die in einem Toleranzbereich der Bewegung des Objektes 150 liegt).
• In einem Überlappungsbereich von tatsächlichen Boxen (bzw. Umrandungen) 511, 512 von unterschiedlichen Objekten 150 erfolgt typischerweise keine neue Zuordnung zu einem Objekt 150. In diesem Fall wird einem neu initialisierten Partikel 300 ein Objekt-Attribut zugewiesen, das anzeigt, dass das Partikel 300 nicht Teil eines dynamischen Objekts 150 ist. Ein Partikel 300, das hingegen bereits ein Objekt-Attribut zu einem bestehenden Objekt 150 aufweist und sich weiterhin innerhalb des Toleranzbereichs des zugeordneten Objekts 150 befindet, behält diese Zuordnung typischerweise bei. Somit kann durch eine zu einem vorherigen Zeitpunkt eindeutigen Zuordnung (ohne Überlappungsbereich) die aus dem vorhergehenden Zeitpunkt weiter bestehende Partikel-Objektzugehörigkeit dazu verwendet werden, auch bei an dem aktuellen Zeitpunkt auftretenden Überlappungsbereichen mehrerer Objekte 150 weiterhin eine eindeutige Zuordnung der Zellen 201 zu den Objekten 150 zu ermöglichen.
• Somit können zum Zeitpunkt t die Objekt-Attribute der einzelnen Partikel 300 aktualisiert werden. Dabei können Partikel 300, die sich außerhalb der tatsächlichen Boxen (bzw. Umrandungen) 511, 512 befinden, eine Zuordnung zu einem Objekt 150 verlieren. Andererseits können Partikel 300, die keinem Objekt 150 zugeordnet sind und sich eindeutig innerhalb einer Box (bzw. Umrandung) 511, 512 befinden, einem Objekt 150 zugeordnet werden. Partikel 300, die bereits einem Objekt 150 zugeordnet sind und sich weiterhin innerhalb des Toleranzbereichs 513, 514 befinden, können dieses Objekt-Attribut beibehalten. Die aktualisierten Partikel 300 können dann im Rahmen des Partikel-Tracking-Prozesses für den nachfolgenden Zeitpunkt t + 1 verwendet werden. Dabei können die Partikel 300 das jeweils aktualisierte Objekt-Attribut beibehalten.
• Infolge der Zuordnung der Partikel 300 zu unterschiedlichen Objekten 150 (auf Basis der prädizierten Position der Partikel 300) können unterschiedliche Cluster von Zellen 201 entstehen, die jeweils den gleichen Objekten 150 zugeordnet sind. Dies ist beispielhaft in 6 dargestellt. Insbesondere zeigt 6 auf der linken Seite Zellen 201, die aufgrund der Objekt-Attribute der Partikel 300 unterschiedlichen Objekten 601, 602 zugewiesen wurden. Für alle Zellen 201, die einem bestimmten Objekt τ 601, 602 zugewiesen wurden, kann die prädizierte D-Evidenzmasse m(D _t) betrachtet werden und es kann eine mittlere (dynamische) Evidenzmasse der Zellen 201 berechnet werden, die dem bestimmten Objekt 601, 602 zugeordnet sind. Es können dann alle Zellen 201, die nicht zumindest die mittlere Evidenzmasse oder einen (ggf. geringeren) Evidenzmassen-Schwellenwert aufweisen, von dem Objekt τ 601, 602 entkoppelt werden. So können Fehlzuweisungen von Zellen 201 zu Objekten 601, 602 reduziert werden. In 6, linke Seite, sind die Zellen 201 dargestellt, die nach diesem Entkopplungs-Schritt noch einem Objekt 601, 602 zugeordnet sind. Die Objekt-Attribute der Partikel 300 einer Zelle 201, die von einem Objekt 601, 602 entkoppelt wurde, können aktualisiert werden, insbesondere derart, dass die aktualisierten Objekt-Attribute anzeigen, dass das jeweilige Partikel 300 keinem Objekt 150 zugeordnet ist.
• Des Weiteren können räumlich zusammenhängende Zellen 201 (mittels eines Clustering-Algorithmus) zu Clustern 611, 612 zusammengefasst werden (siehe 6, Mitte). Dabei kann ggf. auch eine angrenzende Zelle 201, die keinem Objekt 601, 602 zugewiesen ist, berücksichtigt werden, wenn ein ausreichend hoher Anteil der Partikel 300 dieser Zelle 201 dem Objekt 601, 602 des Clusters 611, 612 oder zumindest nicht einem anderem Objekt 150 zugewiesen ist.
• Die einzelnen Cluster 611, 612 können mit den prädizierten Bounding Boxen (bzw. Umrandungen) 621, 622 der ein oder mehreren unterschiedlichen Objekte 601, 602 verglichen werden. Dabei kann eine prädizierte Bounding Box (bzw. Umrandung) 621, 622 auf Basis des prädizierten Belegungsrasters ${\overline{\mathcal{M}}}_t$

  

  (ohne Berücksichtigung einer aktuellen Messung an dem aktuellen Zeitpunkt t) ermittelt werden.
• Es kann ermittelt werden, zu welchem Anteil ein Cluster 611, 612 innerhalb der prädizierten Box (bzw. Umrandung) 622 eines Objektes 150, 602 liegt. Des Weiteren kann ermittelt werden, wie stark die Breite und/oder Länge eines Clusters 611, 612 mit der Breite und/oder Länge der prädizierten Box (bzw. Umrandung) 622 des Objektes 150, 602 korreliert. Basierend darauf kann die Zuweisung der Zellen 201 eines Cluster 611, 612 zu einem Objekt 150, 602 beibehalten oder aufgehoben werden. Insbesondere kann die Zuweisung aufgehoben werden, wenn nur ein relativ geringer Anteil der Zellen 201 eines Clusters 611, 612 innerhalb der prädizierte Box (bzw. Umrandung) 622 liegt und/oder wenn die Breite und/oder Länge eines Clusters 611, 612 nur relativ wenig mit der Breite und/oder Länge der prädizierten Box (bzw. Umrandung) 622 des Objektes 150, 602 korrelieren. Dabei kann beim Aufheben der Zuordnung der Cluster 611, 612 sichergestellt werden, dass für jedes Objekt 150, 602 immer zumindest ein Cluster 611, 612 weiterhin dem Objekt 150, 602 zugeordnet bleibt. Die Objekt-Attribute der Partikel 300 einer Zelle 201, die von einem Objekt 601, 602 entkoppelt wurde, können aktualisiert werden, insbesondere derart, dass die aktualisierten Objekt-Attribute anzeigen, dass das jeweilige Partikel 300 keinem Objekt 150 zugeordnet ist. Durch die o.g. Entkopplung bzw. Zuordnung von einzelnen Zellen 201 kann die Güte der Erkennung von Konturen eines Objektes 150 erhöht werden.
• Die so ermittelte Zuordnung der Zellen 201 zu Objekten 150, 601, 602 kann für die Ermittlung der tatsächlichen Boxen (bzw. Umrandungen) 511, 512 der Objekte 150 (an dem aktuellen Zeitpunkt t) verwendet werden. So können die Position, die Ausrichtung und/oder die Form von Objekten 150 in effizienter, zuverlässiger und robuster Weise nachverfolgt werden (an einer Sequenz von Zeitpunkten).
• 4 zeigt ein Ablaufdiagramm eines beispielhaften Verfahrens 400 zur Verfolgung eines Objektes 150 in einem räumlichen Bereich, wobei der Bereich eine Vielzahl von Zellen 201 umfasst. Das Verfahren 400 kann durch eine Auswerteeinheit 101 (insbesondere in einem Fahrzeug 100) ausgeführt werden. Das Objekt 150 kann z.B. ein anderer Verkehrsteilnehmer auf einer von einem Fahrzeug 100 befahrenen Fahrbahn sein. Typischerweise können durch das Verfahren 400 eine Mehrzahl von unterschiedlichen Objekten 150 nachverfolgt werden (an einer Sequenz von Zeitpunkten). Dabei kann jedem Objekt 150 ein Objekt-Identifikator zugewiesen sein.
• Der räumliche Bereich kann ein durch ein oder mehrere Umfeldsensoren 111 erfasstes Umfeld eines Fahrzeugs 100 sein. Das Fahrzeug 100 kann in Abhängigkeit von der im Rahmen des Verfahrens 400 ermittelten Zuordnung der Vielzahl von Zellen 201 zu ein oder mehreren Objekten 150 betrieben werden. Insbesondere kann das Fahrzeug 100 derart (automatisch) geführt werden, dass das Fahrzeug 100 nicht mit den ein oder mehreren detektierten Objekten 150 kollidiert. So wird ein zuverlässiger (autonomer) Betrieb eines Fahrzeugs 100 ermöglicht.
• Das Verfahren 400 umfasst, an einem aktuellen Zeitpunkt t, das Ermitteln 401, für jede der Vielzahl von Zellen 201, ob die jeweilige Zelle 201 an einem (direkt) vorhergehenden Zeitpunkt t - 1 einem dynamischen Objekt 150 zugeordnet war oder nicht. Des Weiteren kann ggf. ein Objekt-Identifikator für ein Objekt 150 ermittelt werden, dem die jeweilige Zelle 201 zugeordnet war. Dabei können unterschiedliche Objekte 150 durch unterschiedliche Objekt-Identifikatoren identifiziert werden.
• Außerdem umfasst das Verfahren 400 das Aufteilen 402, für zumindest eine der Vielzahl von Zellen 201, einer (tatsächlichen und/oder dynamischen) Evidenzmasse (m(SD_t-1), m(D_t-1)) dafür, dass die jeweilige Zelle 201 an dem vorhergehenden Zeitpunkt t - 1 Teil eines Objektes 150 war, auf eine Vielzahl von Partikeln 300. Insbesondere können in den Zellen 201 des räumlichen Bereichs, die aufgrund der ermittelten Evidenzmassen der Zellen 201 als „dynamische“ Zellen klassifiziert wurden, Partikel 300 gestreut werden, um die Bewegung der jeweiligen Zelle 201 abzubilden. Zu diesem Zweck kann die dynamische Evidenzmasse einer Zelle 201 auf mehrere Partikel 300 aufgeteilt werden, die dann jeweils eine bestimmte Partikel-Evidenzmasse aufweisen, wobei die Summe der Partikel-Evidenzmasse typischerweise der dynamischen Evidenzmasse der Zelle 201 entspricht.
• Die Vielzahl von Partikeln 300 einer Zelle 201 kann zumindest teilweise Partikel 300 des vorhergehenden Zeitpunkts t - 1 umfassen, deren prädizierte Position an dem vorhergehenden Zeitpunkt t - 1 in der Zelle 201 lag. Dabei kann insbesondere die Bewegung 301 des Partikel 300 übernommen bzw. unverändert bleiben. Des Weiteren können die Objekt-Attribute dieser Partikel 300 beibehalten bleiben. Außerdem kann die Vielzahl von Partikeln 300 einer Zelle 201 zumindest teilweise neue Partikel 300 mit unterschiedlichen Bewegungen 301 umfassen. Den neuen Partikeln 300 kann ein Objekt-Attribut zugewiesen werden, das anzeigt, ob und ggf. welchem Objekt 150 die Zelle 201 an dem vorhergehenden Zeitpunkt t - 1 zugeordnet war. So können neue Bewegungshypothesen für ein Objekt 150 überprüft werden.
• Ein Partikel 300 kann eine Bewegung bzw. eine Bewegungs-Hypothese 301, insbesondere eine Bewegungsrichtung und eine Bewegungsgeschwindigkeit, eines Teils der Evidenzmasse (m(SD_t-1), m(D_t-1)) der jeweiligen Zelle 201 beschreiben. Des Weiteren kann ein Partikel 300 ein Objekt-Attribut aufweisen, das anzeigt, ob und ggf. welchem Objekt 150 die jeweilige Zelle 201 an dem vorhergehenden Zeitpunkt t - 1 zugeordnet war, bzw. ob und ggf. welchem Objekt 150 das (wiederverwendete) Partikel 300 an dem vorhergehenden Zeitpunkt t - 1 zugeordnet war. Mit anderen Worten, der Objekt-Identifikator einer Zelle 201 kann als Objekt-Attribut auf zumindest einige der Partikel 300 (ggf. auf alle Partikel 300) dieser Zelle 201 übertragen werden.
• Außerdem umfasst das Verfahren 400 das Prädizieren 403, auf Basis der jeweiligen Bewegung bzw. Bewegungs-Hypothese 301, einer prädizierten Position innerhalb des räumlichen Bereichs für jedes der Vielzahl von Partikeln 300 der Vielzahl von Zellen 201 an dem aktuellen Zeitpunkt t. Mit anderen Worten, es kann auf Basis der Bewegungs-Hypothesen der einzelnen Partikel 300 ermittelt werden, wohin sich die einzelnen Partikel 300 zwischen dem vorhergehenden Zeitpunkt t - 1 und dem aktuellen Zeitpunkt t bewegen.
• Des Weiteren umfasst das Verfahren 400 das Ermitteln 404, für jede der Vielzahl von Zellen 201, einer Menge von Partikeln 300, deren prädizierte Position sich in der jeweiligen Zelle 201 befindet. Mit anderen Worten, es kann auf Basis der Partikel 300 ermittelt werden, wohin sich die Evidenzmassen der zum Zeitpunkt t - 1 als „dynamisch“ klassifizierten Zellen 201 bis zum Zeitpunkt t bewegt haben.
• Die Objekt-Attribute der einzelnen Partikel 300 können dann dazu verwendet werden, an dem aktuellen Zeitpunkt t eine Zuordnung von Zellen 201 zu ein oder mehreren unterschiedlichen Objekten 150 zu ermitteln. Insbesondere kann das Verfahren 400 umfassen, für jede der Vielzahl von Zellen 201, Zuordnen 405 der jeweiligen Zelle 201 zu einem Objekt 150, in Abhängigkeit von den Objekt-Attributen der Partikel 300 der ermittelten Menge von Partikeln 300 für die jeweilige Zelle 201.
• Durch die Verwendung von Partikeln 300 mit Objekt-Attributen kann in zuverlässiger Weise eine Nachverfolgung von ein oder mehreren Objekten 150 erfolgen. Insbesondere kann durch die Verwendung von Partikeln 300 mit Objekt-Attributen in zuverlässiger Weise ermittelt werden, in welche Richtung sich die dynamische Evidenzmasse der Zellen 201 eines Objekts 150 zwischen zwei Zeitschritten t - 1 und t bewegt hat. Dies ermöglicht eine zuverlässige, effiziente und robuste Nachverfolgung von Objekten 150.
• Das Zuordnen 405 einer bestimmten Zelle 201 zu einem Objekt 150 kann umfassen, das Ermitteln, auf Basis der ermittelten Menge von Partikeln 300 der bestimmten Zelle 201, einer Häufigkeit von unterschiedlichen Attributwerten bzw. unterschiedlichen Objekt-Identifikatoren der Objekt-Attribute der Partikel 300 in der ermittelten Menge von Partikeln 300. Insbesondere kann ermittelt werden, welches Objekt 150 am häufigsten durch die Partikel 300 der ermittelten Menge von Partikeln 300 angezeigt wird. Die bestimmte Zelle 201 kann dann zu dem Objekt 150 zugeordnet werden, das dem Attributwert bzw. Objekt-Identifikator mit der relativ höchsten Häufigkeit entspricht. Eine derartige Zuordnung kann ggf. nur dann erfolgen und/oder die bestimmte Zelle 201 kann ggf. keinem Objekt 150 zugeordnet werden, wenn der Attributwert bzw. der Objekt-Identifikator mit der relativ höchsten Häufigkeit kleiner als oder gleich wie ein (vordefinierter) Häufigkeits-Schwellenwert sind. So können in zuverlässiger Weise (für den aktuellen Zeitpunkt t) eine Zuordnung zwischen Zellen 201 und ein oder mehreren Objekten 150, und somit eine zuverlässige Nachverfolgung von Objekten 150, erfolgen.
• Das Zuordnen 405 einer bestimmten Zelle 201 zu einem Objekt 150 kann umfassen, das Ermitteln, für jede der Vielzahl von Zellen 201, auf Basis der Objekt-Attribute der Partikel 300 der ermittelten Menge von Partikeln 300 der bestimmten Zelle 201, ob und ggf. welchem Objekt 150 die jeweilige Zelle 201 in einer Grund-Zuordnung zugewiesen ist. Die Grund-Zuordnung kann z.B. allein auf Basis der Objekt-Attribute der Partikel 300 ermittelt werden. Die Grund-Zuordnung kann dann weiter angepasst werden, um die Zuverlässigkeit und Robustheit der Objekt-Nachverfolgung weiter zu erhöhen.
• Des Weiteren kann das Verfahren 400 umfassen, das Ermitteln, für jede der Vielzahl von Zellen 201, auf Basis von Partikel-Evidenzmassen der Partikel 300 der ermittelten Menge von Partikeln (300) der jeweiligen Zelle 201, einer prädizierten (dynamischen) Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

  

  m(Ŝ_t), m(D̂_t)) für die jeweilige Zelle 201. Mit anderen Worten, es kann (ggf. allein auf Basis der Partikel 300) prädiziert werden, welche dynamische Evidenzmasse eine bestimmte Zelle 201 an dem aktuellen Zeitpunkt t haben wird. Mit noch anderen Worten, es können (wie oben dargelegt), ein prädiziertes Belegungsraster ${\overline{\mathcal{M}}}_t$

  

  und insbesondere ein dynamisch prädiziertes Belegungsraster ${\widehat{\mathcal{M}}}_t$

  

  ermittelt werden.
• Außerdem kann auf Basis der prädizierten Evidenzmassen eine mittlere prädizierte Evidenzmasse aller Zellen 201 ermittelt werden, die gemäß der Grund-Zuordnung einem bestimmten Objekt 150 zugeordnet sind. Mit anderen Worten, es kann ermittelt werden, welche mittlere prädizierte (dynamische) Evidenzmasse die Zellen 201 aufweisen, die gemäß der Grund-Zuordnung einem bestimmten Objekt 150 zugewiesen wurden. Dabei kann für jedes (dynamische) Objekt 150 eine mittlere prädizierte Evidenzmasse ermittelt werden.
• Die prädizierte (dynamische) Evidenzmasse $m\left({\widehat{SD}}_t\right),$

  

  m(Ŝ_t), m(D̂_t)) einer Zelle 201, die gemäß der Grund-Zuordnung dem bestimmten Objekt 150 zugeordnet ist, kann dann mit der mittleren prädizierten Evidenzmasse für die Zellen 201 des bestimmten Objekts 150 verglichen werden, und ggf. kann die Zuordnung der Zelle 201 zu dem bestimmten Objekt 150, in Abhängigkeit von dem Vergleich, entfernt werden. Insbesondere kann eine Zelle 201 entfernt werden, wenn die prädizierte (dynamische) Evidenzmasse der Zelle 201 z.B. kleiner als die mittlere prädizierte Evidenzmasse oder kleiner als ein von der mittleren prädizierten Evidenzmasse abhängiger Wert ist. So kann die Schärfe, mit der die Konturen eines Objekts 150 nachverfolgt werden können, erhöht werden.
• Auf Basis der Grund-Zuordnung oder auf Basis einer von der Grund-Zuordnung abgeleiteten Zuordnung, können ein oder mehrere Cluster 611, 612 von räumlich benachbarten Zellen 201, die gemäß der Grund-Zuordnung bzw. der abgeleiteten Zuordnung einem bestimmten Objekt 150, 602 zugeordnet sind, ermittelt werden. Ggf. kann dann eine an ein Cluster 611, 612 angrenzende Zelle 201, die keinem Objekt 150, 601, 602 zugeordnet ist, in Abhängigkeit von der prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

  

  m(Ŝ_t), m(D̂_t)) der Zelle 201, dem Cluster 611, 612 zugeordnet werden (insbesondere, wenn die prädizierte (dynamische) Evidenzmasse der Zelle 201 ausreichend hoch ist). So kann die Schärfe, mit der die Konturen eines Objekts 150 nachverfolgt werden können, erhöht werden.
• Auf Basis der (dynamischen) Evidenzmassen (m(SD_t-1), m(D_t-1)) für die Vielzahl von Zellen 201 an dem vorhergehenden Zeitpunkt t - 1 kann eine prädizierte Umrandung (insbesondere Bounding Box) 622 ermittelt werden, die ein bestimmtes Objekt 150, 602 umschließt. Die prädizierte Umrandung 622 für ein bestimmtes Objekt 150, 602 kann anzeigen, wo sich das bestimmte Objekt 150, 602 voraussichtlich an dem aktuellen Zeitpunkt t befinden wird, und/oder welche Form (insbesondere Länge und/oder Breite) das bestimmte Objekt 150, 602 aufweisen wird.
• Es kann dann in Abhängigkeit von der prädizierten Umrandung 622 für das bestimmte Objekt 150 ggf. die Zuordnung der Zellen 201 eines Clusters 611 zu dem bestimmten Objekt 150 entfernt werden. Insbesondere kann das Verfahren 400 umfassen, das Ermitteln von Überlappungs-Information in Bezug auf eine Überlappung zwischen einem Cluster 611 von Zellen 201, die dem bestimmten Objekt 150, 602 zugeordnet sind, und der prädizierten Umrandung 622 für das bestimmte Objekt 150. Des Weiteren kann das Verfahren 400 umfassen, das Ermitteln von Form-Information in Bezug auf eine Ähnlichkeit einer Form (insbesondere der Länge und/oder der Breite) des Clusters 611 von Zellen 201, die dem bestimmten Objekt 150, 602 zugeordnet sind, mit der Form (insbesondere der Länge und/oder der Breite) der prädizierten Umrandung 622 für das bestimmte Objekt 150. Die Zuordnung der Zellen 201 des Clusters 611 zu dem bestimmten Objekt 150 kann dann in Abhängigkeit von der Überlappungs-Information und/oder der Form-Information entfernt oder beibehalten werden. Insbesondere kann die Zuordnung dann entfernt werden, wenn die Überlappungs-Information anzeigt, dass das Cluster 611 nur einen relativ niedrigen Überlappungsgrad mit der prädizierten Umrandung 622 aufweist, und/oder wenn die Form-Information anzeigt, dass das Cluster 611 eine Form aufweist, die signifikant (z.B. um mehr als einen vordefinierten Form-Schwellenwert) von der Form der prädizierten Umrandung 622 abweicht. Mit anderen Worten, es kann jeweils ein Übereinstimmungs- bzw. Gütemaß zwischen den einzelnen Clustern 611 und dem jeweiligen prädizierten Objekt 150 bzw. der daraus abgeleiteten prädizierten Umrandung 622 ermittelt werden, insbesondere hinsichtlich der Position (Überlappungs-Information) und/oder der Geometrie (Form-Information). Des Weiteren kann auch weitere mögliche extrahierte Informationen des Objekts 150 berücksichtigt werden, welche für die Bewertung und schließlich für die Auswahl bzw. Zuordnung der Cluster 611 herangezogen werden kann. So können die Robustheit und die Zuverlässigkeit der Nachverfolgung von Objekten 150 weiter erhöht werden.
• Das Verfahren 400 kann umfassen, das Ermitteln, auf Basis von Sensordaten bezüglich des räumlichen Bereichs, einer tatsächlichen Umrandung 511, 512, die ein bestimmtes Objekt 150 an dem aktuellen Zeitpunkt t umschließt. Durch die Berücksichtigung von aktuellen Sensordaten (an dem aktuellen Zeitpunkt t) kann die tatsächliche Umrandung (insbesondere Bounding Box) 511, 512 eines bestimmten Objektes 150 in präziser Weise ermittelt werden. Die tatsächliche Umrandung 511, 512 eines Objektes 150 kann dann dazu verwendet werden, die Objekt-Attribute der Partikel 300 zu aktualisieren. Insbesondere kann das Objekt-Attribut von zumindest einem Partikel 300 in Abhängigkeit von der tatsächlichen Umrandung 511, 512, insbesondere in Abhängigkeit davon, ob sich die prädizierte Position des Partikels 300 innerhalb oder außerhalb der tatsächlichen Umrandung 511, 512 befindet, angepasst werden. Die derart angepassten Partikel 300 können dann in einem nachfolgenden Zeitschritt zur Vorhersage der Bewegung eines Objektes 150 verwendet werden. Durch die Aktualisierung der Objekt-Attribute der Partikel 300 können die Zuverlässigkeit und die Genauigkeit der Nachverfolgung eines Objektes 150 weiter erhöht werden.
• Im Rahmen des Verfahrens 400 kann somit, für jede der Vielzahl von Zellen 201, auf Basis der Objekt-Attribute der Partikel 300 der ermittelten Menge von Partikeln 300 der jeweiligen Zelle 201 ermittelt werden, ob und ggf. welchem Objekt 150 die jeweilige Zelle 201 in einer Zuordnung zugewiesen ist. Des Weiteren kann auf Basis der ermittelten Zuordnung die Position eines Objektes 150, insbesondere einer das Objekt 150 umgebenden tatsächlichen Umrandung 511, 512, an dem aktuellen Zeitpunkt t, ermittelt werden. Das Verfahren 400 kann an einer Sequenz von aufeinanderfolgenden Zeitpunkten wiederholt werden, um die Position des Objektes 150, insbesondere die tatsächliche Umrandung 511, 512 für das Objekt 150, an der Sequenz von Zeitpunkten zu ermitteln. Es kann somit eine zuverlässige und robuste Nachverfolgung von Objekten 150 erfolgen.
• Wie oben dargelegt, können im Rahmen des beschriebenen Verfahrens 400 (dynamische) Evidenzmassen von Zellen 201 auf Partikel 300 aufgeteilt werden. Die (dynamische) Evidenzmasse einer Zelle 201 für die Hypothese, dass die Zelle 201 durch ein dynamisches Objekt 150 belegt ist, kann auf Basis der Sensordaten bezüglich des räumlichen Bereichs ermittelt und an aufeinanderfolgenden Zeitschritten aktualisiert werden.
• Zum Ermitteln der (dynamischen) Evidenzmasse kann das Verfahren 400 umfassen, das Ermitteln, für jede der Vielzahl von Zellen 201, auf Basis von Sensordaten bezüglich des räumlichen Bereichs, einer gemessenen Evidenzmasse (m(SD_z,t)) für eine erste Hypothese (SD), dass eine jeweilige Zelle 201 an dem aktuellen Zeitpunkt t belegt ist. Des Weiteren kann auf Basis der ermittelten Mengen von Partikeln 300 für die unterschiedlichen Zellen 201 der Vielzahl von Zellen 201, eine prädizierte Evidenzmasse (m(SD _t), m(S _t), m(D _t)) für die erste Hypothese (SD, S, D) an dem aktuellen Zeitpunkt t ermittelt werden. Die tatsächliche Evidenzmasse (m(SD_t), m(S_t), m(D_t)) an dem aktuellen Zeitpunkt t für die Hypothese, dass die jeweilige Zelle 201 an dem aktuellen Zeitpunkt t durch ein (dynamisches) Objekt 150 belegt ist, kann dann durch Kombinieren der gemessenen Evidenzmasse (m(SD_z,t)) mit der prädizierten Evidenzmasse (m(SD _t), m(S _t), m(D _t)) ermittelt werden. Durch die Berücksichtigung von Sensordaten von dem aktuellen Zeitpunkt t und durch die Berücksichtigung von Partikeln 300 aus einem vorhergehenden Zeitpunkt t - 1 kann die tatsächliche (dynamische) Evidenzmasse der Zellen 201 in besonders präziser Weise ermittelt werden. Die Position eines Objektes 150, insbesondere die Position einer das Objekt 150 umgebenden tatsächlichen Umrandung 511, 512, in dem räumlichen Bereich an dem aktuellen Zeitpunkt t, kann dann in präziser Weise auf Basis der tatsächlichen (dynamischen) Evidenzmasse (m(SD_t), m(S_t), m(D_t)) an dem aktuellen Zeitpunkt t ermittelt werden.
• Das Ermitteln der prädizierten Evidenzmasse (m(SD _t), m(S _t), m(D _t)) für die Hypothese, dass die jeweilige Zelle 201 an dem aktuellen Zeitpunkt t durch ein (dynamisches) Objekt 150 belegt ist, kann umfassen, das Prädizieren einer statisch prädizierten Evidenzmasse (m(SD'_t), m(S'_t), m(D'_t)) an dem aktuellen Zeitpunkt t auf Basis der tatsächlichen Evidenzmasse (m(SD_t-1 ), m(S_t-1), m(D_t-1)) an dem vorhergehenden Zeitpunkt (t - 1). Des Weiteren kann eine dynamisch prädizierte Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

  

  m(Ŝ_t), m(D̂_t)) an dem aktuellen Zeitpunkt t auf Basis der ermittelten Mengen von Partikeln 300 ermittelt werden. Die prädizierte Evidenzmasse (m(SD _t), m(S _t), m(D _t)) für die Hypothese, dass die jeweilige Zelle 201 an dem aktuellen Zeitpunkt t durch ein (dynamisches) Objekt 150 belegt ist, kann dann in präziser Weise durch Kombinieren der statisch prädizierten Evidenzmasse (m(SD'_t), m(S'_t), m(D'_t)) und der dynamisch prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

  

  m(Ŝ_t), m(D̂_t) ermittelt werden. Dabei kann das Ermitteln der dynamisch prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

  

  m(Ŝ_t), m(D̂_t)) insbesondere das Aufsummieren der Partikel-Evidenzmassen der ermittelten Menge von Partikeln 300 für die Zelle 201 umfassen.
• Außerdem wird in diesem Dokument eine Auswerteeinheit 101 zur Verfolgung eines Objektes 150 in einem räumlichen Bereich beschrieben, wobei der räumliche Bereiche eine Vielzahl von Zellen 201 umfasst. Die Auswerteeinheit 101 kann eingerichtet sein, das in diesem Dokument beschriebene Verfahren 400 auszuführen.
• Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.

Claims (15)

1. Verfahren (400) zur Verfolgung eines Objektes (150) in einem räumlichen Bereich, der eine Vielzahl von Zellen (201) umfasst, wobei das Verfahren (400) umfasst, an einem aktuellen Zeitpunkt (t), - Ermitteln (401), für jede der Vielzahl von Zellen (201), ob die jeweilige Zelle (201) an einem vorhergehenden Zeitpunkt (t - 1) einem dynamischen Objekt (150) zugeordnet war oder nicht; - Aufteilen (402), für zumindest eine der Vielzahl von Zellen (201), einer Evidenzmasse (m(SD_t-1), m(D_t-1)) dafür, dass die jeweilige Zelle (201) an dem vorhergehenden Zeitpunkt (t - 1) Teil eines Objektes (150) war, auf eine Vielzahl von Partikeln (300); wobei ein Partikel (300) eine Bewegung (301), insbesondere eine Bewegungsrichtung und eine Bewegungsgeschwindigkeit, eines Teils der Evidenzmasse (m(SD_t-1), m(D_t-1)) der jeweiligen Zelle (201) beschreibt; wobei ein Partikel (300) ein Objekt-Attribut aufweist, das anzeigt, ob und ggf. welchem Objekt (150) die jeweilige Zelle (201) an dem vorhergehenden Zeitpunkt (t - 1) zugeordnet war; - Prädizieren (403), auf Basis der jeweiligen Bewegung (301), einer prädizierten Position innerhalb des räumlichen Bereichs für jedes der Vielzahl von Partikeln (300) der Vielzahl von Zellen (201) an dem aktuellen Zeitpunkt (t); - Ermitteln (404), für jede der Vielzahl von Zellen (201), einer Menge von Partikeln (300), deren prädizierte Position sich in der jeweiligen Zelle (201) befindet; und - für jede der Vielzahl von Zellen (201), Zuordnen (405) der jeweiligen Zelle (201) zu einem Objekt (150), in Abhängigkeit von den Objekt-Attributen der Partikel (300) der ermittelten Menge von Partikeln (300) für die jeweilige Zelle (201).
2. Verfahren (400) gemäß Anspruch 1, wobei das Zuordnen (405) einer Zelle (201) zu einem Objekt (150) umfasst, - Ermitteln, auf Basis der ermittelten Menge von Partikeln (300) der Zelle (201), einer Häufigkeit von unterschiedlichen Attributwerten der Objekt-Attribute der Partikel (300) in der ermittelten Menge von Partikeln (300); und - Zuordnen (405) der Zelle (201) zu dem Objekt (150), das dem Attributwert mit der relativ höchsten Häufigkeit entspricht; und/oder - Zuordnen (405) der Zelle (201) zu keinem Objekt (150), wenn der Attributwert mit der relativ höchsten Häufigkeit kleiner als oder gleich wie ein Häufigkeits-Schwellenwert ist.
3. Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Zuordnen (405) einer Zelle (201) zu einem Objekt (150) umfasst, - Ermitteln, für jede der Vielzahl von Zellen (201), auf Basis der Objekt-Attribute der Partikel (300) der ermittelten Menge von Partikeln (300) der jeweiligen Zelle (201), ob und ggf. welchem Objekt (150) die jeweilige Zelle (201) in einer Grund-Zuordnung zugewiesen ist; - Ermitteln, für jede der Vielzahl von Zellen (201), auf Basis von Partikel-Evidenzmassen der Partikel (300) der ermittelten Menge von Partikeln (300) der jeweiligen Zelle (201), einer prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

   

   m(Ŝ_t), m(D̂_t)) für die jeweilige Zelle (201); - Ermitteln einer mittleren prädizierten Evidenzmasse aller Zellen (201), die gemäß der Grund-Zuordnung einem bestimmten Objekt (150) zugeordnet sind; und - Vergleichen der prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

   

   m(Ŝ_t), m(D̂_t)) einer Zelle (201), die gemäß der Grund-Zuordnung dem bestimmten Objekt (150) zugeordnet ist, mit der mittleren prädizierten Evidenzmasse; und - Entfernen der Zuordnung der Zelle (201) zu dem bestimmten Objekt (150), in Abhängigkeit von dem Vergleich.
4. Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Zuordnen (405) einer Zelle (201) zu einem Objekt (150) umfasst, - Ermitteln, für jede der Vielzahl von Zellen (201), auf Basis der Objekt-Attribute der Partikel (300) der ermittelten Menge von Partikeln (300) der jeweiligen Zelle (201), ob und ggf. welchem Objekt (150) die jeweilige Zelle (201) in einer Grund-Zuordnung zugewiesen ist; - Ermitteln, auf Basis der Grund-Zuordnung, von ein oder mehreren Clustern (611, 612) von räumlich benachbarten Zellen (201), die gemäß der Grund-Zuordnung einem bestimmten Objekt (150, 602) zugeordnet sind; - Zuordnen einer an ein Cluster (611, 612) angrenzenden Zelle (201), die keinem Objekt (150, 601, 602) zugeordnet ist, in Abhängigkeit von einer prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

   

   m(Ŝ_t), m(D̂_t)) der Zelle (201).
5. Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Zuordnen (405) einer Zelle (201) zu einem Objekt (150) umfasst, - Ermitteln, für jede der Vielzahl von Zellen (201), auf Basis der Objekt-Attribute der Partikel (300) der ermittelten Menge von Partikeln (300) der jeweiligen Zelle (201), ob und ggf. welchem Objekt (150) die jeweilige Zelle (201) in einer Grund-Zuordnung zugewiesen ist; - Ermitteln, auf Basis der Grund-Zuordnung, von ein oder mehreren Clustern (611, 612) von räumlich benachbarten Zellen (201), die gemäß der Grund-Zuordnung einem bestimmten Objekt (150, 602) zugeordnet sind; - Ermitteln, auf Basis der Evidenzmassen (m(SD_t-1), m(D_t-1)) für die Vielzahl von Zellen (201)) an dem vorhergehenden Zeitpunkt (t - 1), einer prädizierten Umrandung (622), die das bestimmte Objekt (150, 602) umschließt; - Entfernen der Zuordnung der Zellen (201) eines Clusters (611) zu dem bestimmten Objekt (150), in Abhängigkeit von der prädizierten Umrandung (622) für das bestimmte Objekt (150).
6. Verfahren (400) gemäß Anspruch 5, wobei - das Verfahren (400) umfasst, Ermitteln von Überlappungs-Information in Bezug auf eine Überlappung zwischen einem Cluster (611) von Zellen (201), die dem bestimmten Objekt (150, 602) zugeordnet sind, und der prädizierten Umrandung (622) für das bestimmte Objekt (150); und/oder - das Verfahren (400) umfasst, Ermitteln von Form-Information in Bezug auf eine Ähnlichkeit einer Form des Clusters (611) von Zellen (201), die dem bestimmten Objekt (150, 602) zugeordnet sind, und der prädizierten Umrandung (622) für das bestimmte Objekt (150); und - die Zuordnung der Zellen (201) des Clusters (611) zu dem bestimmten Objekt (150) in Abhängigkeit von der Überlappungs-Information und/oder der Form-Information entfernt wird.
7. Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren (400) umfasst, - Ermitteln, auf Basis von Sensordaten bezüglich des räumlichen Bereichs, einer tatsächlichen Umrandung (511, 512), die ein bestimmtes Objekt (150) an dem aktuellen Zeitpunkt (t) umschließt; und - Anpassen des Objekt-Attributes von zumindest einem Partikel (300) in Abhängigkeit von der tatsächlichen Umrandung (511, 512), insbesondere in Abhängigkeit davon, ob sich die prädizierte Position des Partikels (300) innerhalb oder außerhalb der tatsächlichen Umrandung (511, 512) befindet.
8. Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - die Vielzahl von Partikeln (300) einer Zelle (201) zumindest teilweise Partikel (300) des vorhergehenden Zeitpunkts (t - 1) umfassen, deren prädizierte Position an dem vorhergehenden Zeitpunkt (t - 1) in der Zelle (201) lag; und/oder - die Vielzahl von Partikeln (300) einer Zelle (201) zumindest teilweise neue Partikel (300) mit unterschiedlichen Bewegungen (301) umfasst.
9. Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren (400) umfasst, - Ermitteln, für jede der Vielzahl von Zellen (201), auf Basis der Objekt-Attribute der Partikel (300) der ermittelten Menge von Partikeln (300) der jeweiligen Zelle (201), ob und ggf. welchem Objekt (150) die jeweilige Zelle (201) in einer Zuordnung zugewiesen ist; und - Ermitteln einer Position eines Objektes (150), insbesondere einer das Objekt (150) umgebenden tatsächlichen Umrandung (511, 512), an dem aktuellen Zeitpunkt (t), auf Basis der ermittelten Zuordnung.
10. Verfahren (400) gemäß Anspruch 9, wobei das Verfahren (400) an einer Sequenz von aufeinanderfolgenden Zeitpunkten wiederholt wird, um die Position des Objektes (150), insbesondere die tatsächliche Umrandung (511, 512) für das Objekt (150), an der Sequenz von Zeitpunkten zu ermitteln.
11. Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren (400) umfasst, - Ermitteln, für jede der Vielzahl von Zellen (201), auf Basis von Sensordaten bezüglich des räumlichen Bereichs, einer gemessenen Evidenzmasse (m(SD_z,t)) für eine erste Hypothese (SD), dass eine jeweilige Zelle (201) an dem aktuellen Zeitpunkt (t) belegt ist; - Ermitteln, auf Basis der ermittelten Mengen von Partikeln (300) für die unterschiedlichen Zellen (201) der Vielzahl von Zellen (201), einer prädizierten Evidenzmasse (m(SD _t), m(S _t), m(D _t)) für die erste Hypothese (SD, S, D) an dem aktuellen Zeitpunkt (t); und - Ermitteln der tatsächlichen Evidenzmasse (m(SD_t), m(S_t), m(D_t)) an dem aktuellen Zeitpunkt (t) durch Kombinieren der gemessenen Evidenzmasse (m(SD_z,t)) mit der prädizierten Evidenzmasse (m(SD _t), m(S _t), m(D _t)); und - Ermitteln einer Position eines Objektes (150), insbesondere einer das Objekt (150) umgebenden tatsächlichen Umrandung (511, 512), in dem räumlichen Bereich an dem aktuellen Zeitpunkt (t), auf Basis der tatsächlichen Evidenzmasse (m(SD_t), m(S_t), m(D_t)) an dem aktuellen Zeitpunkt (t).
12. Verfahren (400) gemäß Anspruch 11, wobei das Ermitteln der prädizierten Evidenzmasse (m(SD _t), m(S _t), m(D _t)) umfasst, - Prädizieren einer statisch prädizierten Evidenzmasse (m(SD'_t), m(S'_t), m(D'_t)) an dem aktuellen Zeitpunkt (t) auf Basis der tatsächlichen Evidenzmasse (m(SD_t-1), m(S_t-1), m(D_t-1)) an dem vorhergehenden Zeitpunkt (t - 1); - Ermitteln einer dynamisch prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

    

    m(Ŝ_t), m(D̂_t)) an dem aktuellen Zeitpunkt (t) auf Basis der ermittelten Mengen von Partikeln (300); und - Ermitteln der prädizierten Evidenzmasse (m(SD _t), m(S _t), m(D _t)) für die erste Hypothese (SD, S, D) durch Kombinieren der statisch prädizierten Evidenzmasse (m(SD'_t), m(S'_t), m(D'_t)) und der dynamisch prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

    

    m(Ŝ_t), m(D̂_t))
13. Verfahren (400) gemäß Anspruch 12, wobei - ein Partikel (300) mit einer Partikel-Evidenzmasse assoziiert ist; und - das Ermitteln der dynamisch prädizierten Evidenzmasse ( $m\left({\widehat{SD}}_t\right),$

    

    mŜ_t), m(D̂_t)) das Aufsummieren der Partikel-Evidenzmassen der ermittelten Menge von Partikeln (300) für die Zelle (201) umfasst.
14. Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei - der räumliche Bereich ein durch ein oder mehrere Umfeldsensoren (111) erfasste Umfeld eines Fahrzeugs (100) ist; und - das Fahrzeug (100) in Abhängigkeit von der ermittelten Zuordnung der Vielzahl von Zellen (201) zu ein oder mehreren Objekten (150) betrieben wird.
15. Auswerteeinheit (101) zur Verfolgung eines Objektes (150) in einem räumlichen Bereich, der eine Vielzahl von Zellen (201) umfasst, wobei die Auswerteeinheit (101) eingerichtet ist, an einem aktuellen Zeitpunkt (t), - für jede der Vielzahl von Zellen (201) zu ermitteln, ob die jeweilige Zelle (201) an einem vorhergehenden Zeitpunkt (t - 1) einem dynamischen Objekt (150) zugeordnet war oder nicht; - für zumindest eine der Vielzahl von Zellen (201), eine Evidenzmasse (m(SD_t-1), m(D_t-1)) dafür, dass die jeweilige Zelle (201) an dem vorhergehenden Zeitpunkt (t - 1) Teil eines Objektes (150) war, auf eine Vielzahl von Partikeln (300) aufzuteilen; wobei ein Partikel (300) eine Bewegung (301), insbesondere eine Bewegungsrichtung und eine Bewegungsgeschwindigkeit, eines Teils der Evidenzmasse (m(SD_t-1), m(D_t-1)) der jeweiligen Zelle (201) beschreibt; wobei ein Partikel (300) ein Objekt-Attribut aufweist, das anzeigt, ob und ggf. welchem Objekt (150) die jeweilige Zelle (201) an dem vorhergehenden Zeitpunkt (t - 1) zugeordnet war; - auf Basis der jeweiligen Bewegung (301) eine prädizierte Position innerhalb des räumlichen Bereichs für jedes der Vielzahl von Partikeln (300) der Vielzahl von Zellen (201) an dem aktuellen Zeitpunkt (t) zu prädizieren; - für jede der Vielzahl von Zellen (201) eine Menge von Partikeln (300) zu ermitteln, deren prädizierte Position sich in der jeweiligen Zelle (201) befindet; und - für jede der Vielzahl von Zellen (201), in Abhängigkeit von den Objekt-Attributen der Partikel (300) der ermittelten Menge von Partikeln (300) für die jeweilige Zelle (201), die jeweilige Zelle (201) einem Objekt (150) zuzuordnen.

Images