DE102019109338A1

DE102019109338A1 - Verfahren zum Abschätzen der Geometrie eines in einer Fahrzeugumgebung befindlichen Objekts

Info

Publication number: DE102019109338A1
Application number: DE102019109338.4A
Authority: DE
Inventors: Jens Honer; Hauke Kaulbersch
Original assignee: Valeo Schalter und Sensoren GmbH
Current assignee: Valeo Schalter und Sensoren GmbH
Priority date: 2019-04-09
Filing date: 2019-04-09
Publication date: 2020-10-15

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zum Abschätzen der Geometrie eines in einer Umgebung eines Fahrzeugs befindlichen Objekts, wobei das Verfahren die Verfahrensschritte aufweist:a) Trainieren eines Modells zur Objektzuordnung von durch einen Umfelderfassungssensor generierter Messdaten;b) nach Verfahrensschritt a), Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten betreffend ein detektiertes Objekt;c) Abschätzen der Geometrie des detektierten Objekts basierend auf den in Verfahrensschritt b) erfassten und den mittels des in Verfahrensschritt a) trainierten Modells zugeordneten Messdaten unter Verwendung eines Erwartungs-Maximierungs-Algorithmus.

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Abschätzen der Geometrie eines in einer Fahrzeugumgebung befindlichen Objekts. Die vorliegende Erfindung betrifft insbesondere eine Abschätzung der Geometrie von durch einen Umfelderfassungssensor erfassten Objekten in der Fahrzeugumgebung, insbesondere unter Verwendung von geclusterten Punktwolken. 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.
Moderne Sensorsysteme, insbesondere 77/79 GHz Radare sowie Lidare, besitzen ein extrem hohes Auflösungsvermögen und generieren für jedes Ziel eine Vielzahl von Messungen beziehungsweise Messpunkten pro Scan. Dies erlaubt es, neben der Position und Geschwindigkeit auch weitere Eigenschaften, wie etwa die Form von detektierten Objekten zu schätzen. Die hier beschriebene Problemstellung wird in der Literatur als Schätzen ausgedehnter Objekte (Extended Object) bezeichnet. Im Tracking generell gilt das Schema, dass eine Schätzung mit neuen Messungen aktualisiert wird, sobald diese zur Verfügung stehen, während die Schätzung zwischen zwei Scans basierend auf den bis dahin zur Verfügung stehenden Informationen prädiziert wird.
Insbesondere die Formschätzung bei ausgedehnten Objekten wird in bisherigen Modellen oft mit einer einfachen Verteilung beschrieben oder es erfolgt zur Beschreibung der Oberflächenkontur ein Verwenden eines so genannten Random Hypersurface Models (RHM).
Insbesondere im Falle von Objekten mit approximativ bekannter oder beschränkter Form, beispielsweise eines Fahrzeugs, ist die Verwendung eines Random Hypersurface Models von Vorteil. Die einfachste Approximation eines solchen Modells ist die Verwendung eines Rechtecks. Diese Approximation ignoriert jedoch Details wie z.B. Rundungen an den Fahrzeug-Ecken oder die erhöhte Streu-Rate von Radar-Wellen an Radkästen.
Für eine detaillierte Beschreibung wurden komplexe Modelle entwickelt, wie etwa ein Random Hypersurface Model basierend auf Gauß Prozessen oder Splines, welche es erlauben, Expertenwissen in die Modellierung einfließen zu lassen. Natürlich erfordert dies viel Wissen und Erfahrung auf Seiten des zuständigen Entwicklers.
Eine weitere Methode, derart detaillierte Modelle zu erzeugen, ist die Nutzung von Lernalgorithmen welche basierend auf einer menschlich schwer überschaubaren Datenmenge ein Model lernen. Eine dieser Möglichkeiten für Radar-Daten wurde 2017 in Scheel, Alexander, and Klaus Dietmayer, „Tracking Multiple Vehicles Using a Variational Radar Model‟ arXiv preprint arXiv:1711.03799 (2017), publiziert. In dieser Veröffentlichung wurde ein repräsentativer Datensatz von Radar-Detektionen von verschiedenen Fahrzeugen erstellt, und damit ein so genanntes Gaußsches Mischverteilungsmodell (Gaussian Mixture Model) mit einem Variationsansatz trainiert, um die räumliche Streu-Wahrscheinlichkeit zu approximieren. Im Gegensatz zu den vorher beschriebenen Ansätzen erfordert diese Methode kein Expertenwissen bezüglich Radar-Detektionen, beispielsweise, da der Lern-Algorithmus die Verteilung rein auf den zur Verfügung stehenden Daten erstellt.
Dieses gelernte Modell wurde nun in einem Tracking-System zur Schätzung des Objektes über mehrere Zeitschritte verwendet. Im Allgemeinen erfordert die Verwendung der Daten über einen Bayes-Ansatz eine Integration über die zuvor gelernte Verteilung, welche nur in sehr seltenen Spezialfällen analytisch berechenbar ist. Entsprechend kann in diesem Fall eine in der Literatur sehr etablierte numerische Methode, dem sogenannten Particle Filter, verwendet werden. Dieser approximiert die komplexe Verteilung durch eine Menge aus Punkt-Samples, den sogenannten Particles. Die Particles selbst werden dabei aus einer einfachen Verteilung gezogen. Dabei lässt sich zeigen, dass eine gewichtete Menge aus ausreichend vielen Particles jede Verteilung beliebig gut approximieren kann. Die Gewichte selbst werden über einen einfachen punktweisen Test mit der gelernten Verteilung (Likelihood) bestimmt: Für den Fall, dass sich das Fahrzeug im durch das Particle repräsentierten Zustand befindet, wird getestet, was die Wahrscheinlichkeit ist, genau die beobachtete Messungen zu bekommen. Dieser punktweise Test ist dabei deutlich einfacher als die volle Integration der Verteilung. Insbesondere stellt dieser Ansatz keine Anforderungen an die Funktion mit der Ausnahme, dass sie punktweise auswertbar sein soll.
Derartige aus dem Stand der Technik bekannte Lösungen können noch weiteres Verbesserungspotential bieten, insbesondere hinsichtlich einer verlässlichen und gut durchführbaren Abschätzung der Geometrie von durch einen Umfelderfassungssensor erfassten Objekten in der Fahrzeugumgebung, 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 Geometrie von durch einen Umfelderfassungssensor erfassten Objekten in der Fahrzeugumgebung 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 9 sowie durch eine Verwendung 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 Geometrie eines in einer Umgebung eines Fahrzeugs befindlichen Objekts, wobei das Verfahren die Verfahrensschritte aufweist:

a) Trainieren eines Modells zur Objektzuordnung von durch einen Umfelderfassungssensor generierten Messdaten;
b) nach Verfahrensschritt a), Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten betreffend ein detektiertes Objekt;
c) Abschätzen der Geometrie des detektierten Objekts basierend auf den in Verfahrensschritt b) erfassten und den mittels des in Verfahrensschritt a) trainierten Modells zugeordneten Messdaten unter Verwendung eines Erwartungs-Maximierungs-Algorithmus.

Ein derartiges Verfahren erlaubt es auf effektive Weise, eine Lösung bereitzustellen, durch welche insbesondere mit geringem Rechenaufwand und dadurch kostengünstig und leicht implementierbar eine verlässliche Abschätzung der Geometrie von durch einen Umfelderfassungssensor erfassten Objekten in der Fahrzeugumgebung erlaubt werden kann.
Bei dem hier beschriebenen Verfahren handelt es sich somit um ein Verfahren zum Abschätzen der Geometrie eines in einer Umgebung eines Fahrzeugs befindlichen Objekts. Somit wird es erlaubt, nicht nur das Vorhandensein von Objekten grundsätzlich und die relative Position der Objekte zu dem eigenen Fahrzeug zu bestimmen, sondern ebenfalls besonders vorteilhaft die Geometrie beziehungsweise die Form der detektierten Objekte. Dadurch können Fahrunterstützungssequenzen gegebenenfalls besonders effektiv und sicher ausgeführt oder gerade verhindert werden. Darüber hinaus kann die Objekterkennung, also die Zuordnung von Sensordaten beziehungsweise Messdaten des Sensors zu bestimmten Objekten, verbessert werden. Dies bereits deshalb, da die Form bestimmte Objekte nahelegt und andere Objekte unwahrscheinlich macht beziehungsweise ausschließen kann.
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.
Das Verfahren kann ferner zumindest teilweise durch ein Fahrunterstützungssystem ausgeführt werden, welches Bestandteil des Fahrzeugs ist, und welches etwa eine Steuereinheit aufweist, in welche ein entsprechendes Computerprogrammprodukt geladen 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 zunächst gemäß Verfahrensschritt a) das Trainieren eines Modells zur Objektzuordnung von durch einen Umfelderfassungssensor generierter Messdaten.
Dieser Schritt kann grundsätzlich erfolgen, wie dies aus dem Stand der Technik bekannt ist. Eine besonders vorteilhafte Methode, detaillierte Modelle zu erzeugen beziehungsweise zu trainieren, ist die Nutzung von Lernalgorithmen welche basierend selbst auf einer menschlich schwer überschaubaren Datenmenge ein Model zur Objektzuordnung lernen beziehungsweise trainieren können. Eine dieser Möglichkeiten insbesondere für Radar-Daten wurde 2017 in Scheel, Alexander, and Klaus Dietmayer. „Tracking Multiple Vehicles Using a Variational Radar Model.“ arXiv preprint arXiv:1711.03799 (2017).publiziert. In dieser Veröffentlichung wurde ein repräsentativer Datensatz von Radar-Detektionen von verschiedenen Fahrzeugen erstellt, und damit ein so genanntes Gaussian Mixture Model mit einem Variationsansatz, etwa beschrieben in Attias, Hagai. „Inferring parameters and structure of latent variable models by variational Bayes.“ Proceedings of the Fifteenth conference on Uncertainty in artificial intelligence . Morgan Kaufmann Publishers Inc., 1999., trainiert, um die räumliche Streu-Wahrscheinlichkeit zu approximieren. Im Gegensatz zu den vorher beschriebenen Ansätzen erfordert diese Methode kein Expertenwissen bzgl. der Radar-Detektionen, da der Lern-Algorithmus die Verteilung rein auf den zur Verfügung stehenden Daten erstellt.
Vorteilhaft kann ein auch als Gaussian mixture model bezeichnetes Gaußsches Mischverteilungsmodell (GMM) verwendet werden. Dieses kann angelernt beziehungsweise trainiert werden auf verschiedenen Wegen. Beispielsweise kann ein Variationsansatz verwendet werden, wie etwa beschrieben in Willet, Peter, Yanhua Ruan, and R. Streit, „PMHT:Problems and some solutions“, IEEE Transactions on Aerospace and Electronic Systems 38.3 (2002):738-754. Das angelernte Gaußsche Mischmodell stellt einen Satz an M Gaußschen Komponenten zur Verfügung mit Zentrumspunkten {ŷ₀,...,ŷ_M} und mit der korrespondierenden Kovarianz der Messung {R₀,...,R_M} an Gaußschen Komponenten, was eine Dichtefunktion moduliert.
In anderen Worten kann es insbesondere mit Bezug auf den Verfahrensschritt a) vorgesehen sein, dass Verfahrensschritt a) unter Verwendung eines Gaußschen Mischmodells durchgeführt wird.
Grundsätzlich ist der hier beschriebene Verfahrensschritt a) jedoch nicht auf die vorbeschriebenen Beispiele beschränkt.
Weiterhin umfasst das hier beschriebene Verfahren gemäß Verfahrensschritt b) das Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten betreffend ein detektiertes Objekt.
Gemäß dem Verfahrensschritt b) erfolgen somit eine Umfelderfassung und damit eine Detektion von Objekten beziehungsweise von wenigstens einem Objekt in der Fahrzeugumgebung. Dieser Verfahrensschritt wird mit einem oder einer Mehrzahl gleicher oder verschiedener Umfelderfassungssensoren durchgeführt. Beispielsweise kann ein radarbasierter Sensor oder ein Laserscanner beziehungsweise ein LIDAR-System 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 b) 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.
Dabei kann bei einer Auswertung der Messdaten beziehungsweise der Sensordaten und dabei insbesondere bei einer Abschätzung der Geometrie der detektierten Objekte beziehungsweise des wenigstens einen detektierten Objekts auf den zuvor beschriebenen Trainingsschritt zurückgegriffen werden, wie dies nachfolgend insbesondere mit Bezug auf den Verfahrensschritt c) beschrieben wird.
Diesbezüglich umfasst das Verfahren gemäß dem Verfahrensschritt c) das Abschätzen der Geometrie des detektierten Objekts basierend auf den in Verfahrensschritt b) erfassten und den mittels des in Verfahrensschritt a) trainierten Modells zugeordneten Messdaten unter Verwendung eines Erwartungs-Maximierungs-Algorithmus.
Wesentlich ist somit, dass die in Verfahrensschritt b) erfassten Messdaten beziehungsweise Sensordaten ausgewertet werden vor dem Hintergrund des in Verfahrensschritt a) trainierten Modells, wobei die zugeordneten Messdaten mit Hilfe eines Erwartungs-Maximierungs-Algorithmus verarbeitet werden, wobei die Geometrie abgeschätzt wird.
Unter einem Erwartungs-Maximierungs-Algorithmus kann im Sinne der vorliegenden Erfindung insbesondere ein wie nachstehend beschriebener Algorithmus verstanden werden.
Ein Erwartungs-Maximierungs-Algorithmus (EM-Algorithmus) beziehungsweise ein Erwartungs-Maximierungs-Verfahren (EM-Verfahren) bezeichnet einen Algorithmus beziehungsweise ein Verfahren, bei dem die Parameter eines statistischen Modells so optimiert werden sollen, dass sie die beobachteten Daten am besten erklären. Diese Wahrscheinlichkeit hängt jedoch nicht nur von den beobachteten Daten und den Modellparametern ab, sondern auch von einem Satz unbeobachteter Daten.
Der Erwartungs-Maximierungs-Algorithmus beginnt mit einer initialen Schätzung an Modellparametern und durchläuft dann insbesondere seine zwei namensgebende Schritte, den sogenannten auch als Expectation Schritt bezeichneten Erwartungsschritt und den auch als Maximization Schritt bezeichneten Maximierungsschritt.
Im Erwartungsschritt wird zunächst angenommen, dass die Modellparameter bekannt sind. Unter dieser Voraussetzung wird nun die Wahrscheinlichkeitsverteilung der Zustände der nicht beobachteten Daten berechnet.
Im Maximierungsschritt werden die Modellparameter so verbessert, dass sie die beobachteten Daten besser erklären. Hierbei nimmt man für die unbeobachteten Daten die (feste) Verteilung aus dem vorigen Erwartungsschritt an.
Diese beiden Schritte werden bevorzugt solange iterativ wiederholt, bis ein definiertes Abbruchkriterium erreicht ist. In anderen Worten kann es vorgesehen sein, dass Verfahrensschritt c) und dabei insbesondere der EM-Algorithmus durchgeführt wird in einer Vielzahl von Iterationsstufen, was ein besonders exaktes und verlässliches Ergebnis ermöglicht.
Das EM Verfahren ist sehr allgemein und lässt sich sehr allgemein auf eine Vielzahl von Problemen anwenden. Im Folgenden wird dieses Verfahren insbesondere in Bezug auf die hier relevante Anwendung und dabei bevorzugt auf die Anwendung in einem PMHT als bevorzugte aber in keiner Weise beschränkende Ausführungsform beschrieben, in dem die versteckten Parameter die Zuordnung der Messungen zu den Messquellen sind.
Dabei wird im Erwartungsschritt, basierend auf der momentanen Schätzung für den Zustand des Objekts, also der momentanen Schätzung für die Position, Orientierung, usw. die Wahrscheinlichkeit der Zuordnung auch der verborgenen Parameter der Messungen zu den Messquellen, berechnet.
Im Maximierungsschritt wird daraufhin, basierend auf der zuvor geschätzten Wahrscheinlichkeit der Zuordnung auch der verborgenen Parameter der Messungen zu den Messquellen, eine Optimierung der momentanen Zustands-Schätzung vorgenommen.
Ein einfaches Beispiel eines EM-Verfahrens beziehungsweise eines EM-Algorithmus ist der ICP, wie er beispielsweise beschrieben ist in He, Ying, et al. „An iterative closest points algorithm for registration of 3D laser scanner point clouds with geometric features.“ Sensors 17.8 (2017): 1862. Dieses Verfahren berechnet die optimale Transformation, insbesondere durch wenigstens eines von Rotation und Translation, um zwei Punktwolken aufeinander zu bringen. In diesem Fall bestehen die nicht beobachteten Daten in der Zuordnung, welcher Punkt der ersten Punktwolke zu welchem Punkt der zweiten Punktwolke gehört. Der Erwartungsschritt berechnet die Zuordnungswahrscheinlichkeit während der Maximierungsschritt basierend auf dieser Zuordnung die Summe der Distanzen zwischen den jeweils zueinander zugeordneten Punkten minimiert und die erste Punktwolke entsprechend rotiert und transliert. Durch die Rotation und Translation kann sich nun wiederum die optimale Zuordnung ändern, weshalb wieder der Erwartungsschritt ausgeführt wird. Das Verfahren wird so lange iteriert, bis Summe der Distanzen zwischen den jeweils zueinander zugeordneten Punkten unterhalb einem vorher definierten Schwellwert liegt.
Dem Vorstehenden folgend ist es insbesondere vorgesehen, dass der Erwartungs-Maximierungs-Algorithmus wenigstens einen Erwartungsschritt und einen Maximierungs-Schritt aufweist, wobei in dem Erwartungsschritt basierend auf einer Schätzung des Zustands des detektierten Objekts die Wahrscheinlichkeit der Zuordnung der Messungen zu dem Objekt ermittelt wird.
Weiterhin ist es wie vorstehend angedeutet insbesondere vorgesehen, dass der Erwartungs-Maximierungs-Algorithmus wenigstens einen Erwartungsschritt und einen Maximierungs-Schritt aufweist, wobei in dem Maximierungs-Schritt basierend auf der zuvor geschätzten Wahrscheinlichkeit der Zuordnung der Messungen zu dem Objekt eine Prüfung und gegebenenfalls Korrektur der Schätzung des Zustands des detektierten Objekts durchgeführt wird.
Der Erwartungs-Maximierungs-Algorithmus dient dazu, eine bestmögliche a posteriori Schätzung (MAP-Schätzung) zu ermöglichen des Parameters θ basierend auf einem Satz von Messungen X und der Marginalisierung eines Satzes an verborgenen Parametern Z: $a r g m a x_{X} P (θ | X) = a r g m a x_{X} \int_{z} P (θ, z | X)$
wobei diese Gleichung für einen Satz an diskreten verborgenen Parametern evaluiert zu $a r g m a x_{X} P (θ | X) = a r g m a x_{X} P (θ, z | X) .$
Um eine MAP-Schätzung zu finden, werden in einem EM-Ansatz der Erwartungsschritt und der Maximierungsschritt wie vorstehend beschrieben bevorzugt iterativ wiederholt, und zwar mit 1 als Iterationsindex, wobei zunächst die erwartete Posterior-Wahrscheinlichkeit mit Bezug auf die bedingte Wahrscheinlichkeit unter dem momentanen Zustandsparemeter θ¹, also dem Verhältnis von Messung zur Quelle, berechnet wird: $Q (θ | θ^{l}) = E_{Z | X, l} [l o g [P (θ, Z | X)],$
und wobei ferner neue Zustandsparameter θ gefunden werden, welche die Funktion Q(θ|θ^l) maximieren zu argmax_θ Q(θ|θ^l).
Basierend auf der neuen Schätzung von θ können der erste Schritt und gegebenenfalls die weiteren Schritte wiederholt werden.
Ein gemäß Verfahrensschritt a) gelerntes Modell kann eine Hypothese bereitstellen, etwa bevorzugt im Sinne von diskreten verborgenen Parametern Z, wie etwa Bestandteilen eines Gaußschen Mischmodells, basierend auf der die Form beziehungsweise Geometrie generiert werden und durch dessen Grundrauschen die Messungen durchgeführt wurden, und wodurch es erlaubt wird, den PMHT anzuwenden, der eine vereinfachte Formulierung der objektiven Funktion Q̂(θ|θ^l) über das Einführen von Pseudo-Messungen und Kovarianzen findet, was äquivalent ist zu der Maximierung $a r g m a x_{θ} Q (θ | θ^{l}) = a r g m a x_{θ} \hat{Q} (θ | θ^{l}) .$
Diese erlaubt es, einen Glätter anzuwenden, wie etwa einen sogenannten „Kalman Smoother“ oder einen sogenannten „Unscented Kalman Smoother“ für nicht lineare Probleme, um das Maximierungsproblem zu lösen, welches für eine einzige Zeitinstanz auf den entsprechenden Filter anstatt auf den Glätter reduziert ist.
Vorherige Ansätze verwendeten handgefertigte Formen, wie etwa Rechtecke, und diese wurden parametrisiert durch Messquellen. Dabei dient jede Mischkomponente des sogenannten variierenden Gaußschen Mischmodell (varitional Gaussian mixture, VGM) unmittelbar als eine Messquelle. Die Annahme von unabhängigen Zuordnungen zwischen den Messungen erlaubt eine Mehrzahl an Messungen pro Quelle, was in diesem Zusammenhang eine gute Approximation darstellt.
Die Komplexität bezüglich der Zeit skaliert naturgemäß mit der Anzahl an Iterationsstufen und der Nummer an Komponenten des VGM. Weiterhin erlaubt die Historie des Ansatzes umfassend einen PMHT beziehungsweise einen EM-Ansatz als ein Batchalgorithmus eine direkte Ausweitung zu einem Batch-Verfahren und in dieser Weise kann eine Anwendung nicht nur in einem online-Algorithmus für ein Tracking sondern auch ein offline-Algorithmus angedacht werden der in Referenzsystemen abläuft, etwa für eine Validierung.
Wie vorstehend beschrieben kann es vorteilhaft sein, in Verfahrensschritt c) einen PMHT-Filter anzuwenden. Ein wichtiges Merkmal des PMHT gemäß der vorliegenden Erfindung ist ein Modell, durch welches Q(θ|θ^l) = E_Z|X,θ(log[P(θ,Z|X)] maximiert werden kann.
Grundsätzlich kann Q(θ|θ^l) ausgedrückt werden als $Q (θ | θ^{l}) = \sum_{Z} l o g (P (θ, Z | X)) \prod_{i = 1}^{N} w_{j (i), i}^{l} = l o g (P (θ)) + \sum_{j = 1}^{M} \sum_{i = 1}^{N} l o g (π_{j} N {x_{i}; H (θ^{l}, j) θ, R_{j}})) w_{j (i), i}^{l},$
wobei
$w_{j (i), i}^{l}$
die posteriore Wahrscheinlichkeit der iten Messung bei der Iteration l von der yten Quelle (bezüglich i) ist, wobei
M die Anzahl an Hypothesen jedweder Messungen beziehungsweise deren Ursprünge ist; wobei
N die Anzahl der Messungen ist; wobei
π_j die vorherige Wahrscheinlichkeit der yten Hypothese ist; wobei
R_j die Kovarianz des Messrauschens der yten Hypothese ist; wobei
h(0^l,j) die fte Messursprung bezüglich des aktuellen Zustandsparameters ist; wobei
$H (θ^{l}, j) = \frac{d (θ^{l}, j)}{d θ_{l}}$
ein sogenannter Jacobi („jacobian“) des Messursprungs mit Bezug auf den aktuellen Zustandsparameter ist.
Unter der Annahme, dass die Quellen gleichmäßig auf der Oberfläche des Objekts verteilt sind und diese unabhängig voneinander sind, kann eine Funktion Q̂(θ|θ^l) mit dem selben Derivat wie Q(θ|θ^l) ausgedrückt werden als $\hat{Q} (θ | θ^{l}) = log (P (θ)) - \frac{1}{2} {\sum_{j = 1}^{M} [{\tilde{x}}_{j} - H (θ^{l}, j) θ]}^{T} {\tilde{R}}_{j} {[{\tilde{x}}_{j} - H (θ^{l}, j) θ]}^{T},$
mit der Pseudo-Messung x̃_j und der Pseudo-Kovarianz R̃_j derart, dass ${\tilde{x}}_{j} = (\sum_{i = 1}^{N} w_{j, i}^{l} x) / \sum_{i = 1}^{N} w_{j, i}^{l},$
${\tilde{R}}_{j} = R_{j} / \sum_{j = 1}^{N} w_{j, i}^{l}$
Die Maximierung von Q̂(θ|θ^t) beschreibt ein für einen Kalman-Filter, beziehungsweise einen Kalman Smoother, für mehrere Zeitinstanzen lösbares Problem mit Messungen x̃_j und Kovarianzen R̃_j. Diese Formulierung lässt in dem Kontext des Trackings die Generierung der Hypothese für die Messursprünge aus. Ein grundsätzliches Problem ist die Auswahl des Parameters oder wie der verborgene Parameter über die Oberfläche verteilt ist. Dieses Problem kann erfindungsgemäß umgangen werden durch das angelernte beziehungsweise trainierte Modell, welches einen gelernten beziehungsweise trainierten Satz von M Hypothesen {ŷ₀,...,ŷ_M} und die korrespondierende Kovarianz {R₀,...,R_M} für diese bereitstellt.
Dies derart, dass es möglich wird, den Status des gelernten Modells mit den Parametern θ = [m, Φ] zu beschreiben, wobei m das Zentrum beziehungsweise der Mittelpunkt des Objekts ist und Φ die Orientierung des Modells ist. Daher kann die Hypothese eines Messursprungs beschrieben werden als h(θ ,j) = R^Φ ŷ₀+ m, wobei R^Φ die Rotationsmatrix mit Bezug auf die Orientierung ist. Die Berechnung des entsprechenden Jacobis ist für den Fachmann problemlos durchführbar.
Ein derartiges Verfahren zur Abschätzung der Geometrie eines detektierten Objekts kann insbesondere und besonders bevorzugt im Rahmen einer Objektzuordnung verwendet werden. Eine Objektzuordnung soll dabei insbesondere bedeuten, dass von den Messdaten unter Verwendung der abgeschätzten Geometrie auf die Art des Objekts geschlossen werden kann beziehungsweise dass das Objekt klassifiziert werden kann, um so etwa auf mögliche oder wahrscheinliche Verhaltensweisen des Objekts zu schließen. Somit können Fahrsequenzen sicherer und verlässlicher durchgeführt werden, was eine Fahrunterstützung somit grundsätzlich verbessern kann.
Ein derartiges Verfahren kann gegenüber den Lösungen aus dem Stand der Technik signifikante Vorteile aufweisen beziehungsweise Nachteile von Verfahren des Stands der Technik effektiv überwinden.
Ein überwundener Nachteil des aus dem Stand der Technik bekannten Particle Filters, beispielsweise, kann darin gesehen werden, dass bei Verwendung des Particle Filtersdie Anzahl der benötigten Particles exponentiell mit der Dimension des Parameter-Raums zunimmt. Aufgrund der punktweisen Auswertung der gelernten Funktion für jedes Particle skaliert damit die Laufzeit ebenfalls exponentiell mit der Dimension des Parameter-Raums. Durch diese Laufzeit ist die Anwendbarkeit für eingebettete Systeme mit starken Laufzeitanforderungen zumeist nicht gegeben.
Für das Beispiel eines einfachen Fahrzeugs wird ein Set von Parametern benötigt, das mindestens die Position im 2-dimensionalen Raum, eine Orientierung des Fahrzeugs und ihre Änderung sowie die Geschwindigkeit entlang dieser Orientierung umfasst. Der typische Parameter-Raum ist dementsprechend fünfdimensional, wobei gerade für hochauflösende Sensoren oft auch Länge und Breite des Fahrzeugs interessant sein können.
Derartige Einschränkungen liegen bei einem Verfahren wie hier beschrieben gerade nicht vor, da es wesentlich ist, ein gelerntes Modell mit Hilfe eines EM-Algorithmus, beispielsweise unter Verwendung eines Probabilistic Multi Hypothesis filter (PMHT), zu schätzen, anstatt dies mittels eines Particle Filters zu tun.
Im Gegensatz zu der Verwendung eines Particle Filters skaliert der EM-Algorithmus, insbesondere der PMHT, quadratisch mit der Dimension des Parameter-Raums, und ist somit speziell für die Anwendung beim Fahrzeug-Tracking besser geeignet. Dieses vorteilhafte Skalenverhalten wird erreicht, indem neue Messungen mit dem EM-Algorithmus beziehungsweise dem EM-Verfahren verarbeitet werden, anstatt viele Hypothesen gleichzeitig zu nutzen und diese punktweise wie im Particle Filter auszuwerten.
Darüber hinaus bieten sich ferner gegenüber einer Lösung basierend auf einem stochastischen Particle Filter die Vorteile, wonach das hier beschriebene Verfahren insbesondere unter Verwendung eines EM-Verfahrens eine verbesserte Reproduzierbarkeit und dadurch gesteigerte Verlässlichkeit ermöglicht, und ferner etwa aufgrund der erfindungsgemäß reduzierten Rechenleistung einfacher implementierbar und grundsätzlich kostengünstig umsetzbar ist.
Wie vorstehend angedeutet kann es ferner von Vorteil sein, dass in Verfahrensschritt c) als Erwartungs-Maximierungs-Algorithmus ein PMHT-Filter verwendet wird. Ein derartiger Filter ist ein spezifisches EM Verfahren, welches bereits erfolgreich für das Extended Object Tracking mit sehr freien aber handerstellten Modellen eingesetzt wurde, wie etwa beschrieben in Kaulbersch, Hauke, Marcus Baum, and Peter Willett. „EM approach for tracking star-convex extended objects." Information Fusion (Fusion), 201720th International Conference on . IEEE, 2017; und auch in Willett, Peter, Yanhua Ruan, and R. Streit. „PMHT: Problems and some solutions.“ IEEE Transactions on Aerospace and Electronic Systems 38.3 (2002): 738-754. Im Gegensatz zum ICP, wie dieser vorstehend beschrieben ist, wird beim PMHT keine diskrete Zuweisung der Messungen zu den Messquellen vorgenommen, sondern es erfolgt vielmehr eine statistische Zuordnung. Genauer wird im Erwartungsschritt für jede Messung die Wahrscheinlichkeit berechnet, zu welcher der möglichen Messquellen diese gehören könnte. Basierend auf dieser weichen Zuordnung wird nun der Maximierungs-Schritt, also die Optimierung der Parameter durchgeführt. Dies lässt sich algorithmisch äquivalent durch die Definition von sogenannten Pseudo-Messungen, also einem gewichteten Mittel der ursprünglichen Messungen für jede Messquelle, umformulieren. Durch diese weiche Zuweisung wird die Laufzeit dieser Optimierung signifikant verringert, jedoch ohne die Optimierung zu verschlechtern.
Das hier vorgeschlagene Verfahren verwendet nun den PHMT-Filter um Zuordnung der Messungen in einem Scan zu der, etwa mittels des Gaußschen Mischmodells repräsentierten, gelernten Verteilung insbesondere iterativ zu bestimmen und gleichzeitig die optimalen Zustands-Parameter des Objekts zu erhalten. Im Falle des Gaußschen Mischmodells werden hierbei die Gauss-Komponenten des gelernten Modells als potenzielle Quellen der Messungen betrachtet.
Der PMHT-Filter erlaubt nun die effiziente Berechnung der Zuweisung und optimierten Zustands-Parameter, ohne dass ein Particle-Filter mit dem problematischen Skalierungsverhalten notwendig wäre, so dass die Vorteile eines gelernten Modells nutzbar sind.
Es kann weiterhin bevorzugt sein, dass die Verfahrensschritte a) und b) durchgeführt werden unter Verwendung eines Radar-basierten Umfelderfassungssensors oder eines LIDAR-basierten Umfelderfassungssensors. In dieser Ausgestaltung kann ausgenutzt werden, dass insbesondere radarbasierte Umfelderfassungssensoren, wie etwa 77/79 GHz Radare, oder auch LIDAR-basierte Umfelderfassungssensoren, ein extrem hohes Auflösungsvermögen besitzen und für jedes Ziel beziehungsweise jedes detektierte Objekt eine Vielzahl von Messungen beziehungsweise Messpunkte pro Scan generieren.
Dies erlaubt es, neben der Position und Geschwindigkeit auch weitere Eigenschaften, wie etwa die Form beziehungsweise Geometrie des detektierten Objekts besonders exakt zu schätzen, da die Schätzung auf einer großen Anzahl von Messdaten beruhen kann. Insbesondere bei derartigen Datensätzen beziehungsweise Sensordaten kann das vorstehende Verfahren synergistische Effekte liefern, da insbesondere bei derartigen Verfahren die Vorteile des beschriebenen Verfahrens besonders effektiv zum Tragen kommen.
Insbesondere kann es besonders vorteilhaft sein, dass das hier beschriebene Verfahren mit vergleichsweise geringem Rechenaufwand auch große Datenmengen verlässlich und effektiv verarbeiten kann. Daher kann eine Abschätzung der Geometrie von in der Fahrzeugumgebung sich befindlichen Objekten besonders verlässlich und effektiv sein und auch Fahrsequenzen können mit einer besonders hohen Sicherheit und Verlässlichkeit ausgewählt und ausgeführt oder gerade verhindert werden. Dadurch kann eine Fahrunterstützung insbesondere in dieser Ausgestaltung besonders verlässlich sein.
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 Figuren verwiesen, und umgekehrt.
Beschrieben wird ferner ein Computerprogrammprodukt zum Abschätzen der Geometrie eines in einer Fahrzeugumgebung befindlichen Objekts, insbesondere im Rahmen eines Verfahrens zur Objektzuordnung von Messdaten, wobei es vorgesehen ist, dass das Computerprogrammprodukt ausgestaltet ist, ein Verfahren zumindest zum Teil auszuführen, wie dies vorstehend im Detail beschrieben ist.
Insbesondere ist es bei dem hier beschriebenen Computerprogrammprodukt vorgesehen, dass dieses Computerprogrammprodukt 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 Geometrie eines in einer Fahrzeugumgebung befindlichen Objekts, insbesondere im Rahmen eines Verfahrens zur Objektzuordnung von Messdaten in der Umgebung des Fahrzeugs zumindest zum Teil ausgeführt wird. Beispielsweise kann das Verfahren vollständig ausgeführt oder zumindest alle Schritte initiiert werden, etwa durch Durchführung der entsprechenden Schritte oder beispielsweise durch Ansteuern eines Umfelderfassungssensors und das Empfangen der entsprechenden Daten.
Dadurch kann es ermöglicht werden, dass mit geringem Rechenaufwand eine verlässliche Abschätzung der Geometrie von sich in der Fahrzeugumgebung befindlichen Objekten ermöglicht wird und ferner, etwa unter Zuhilfenahme einer abgeschätzten Geometrie beziehungsweise Form der detektierten Objekte, eine effektive Objektzuordnung ermöglicht wird. Unter einer Objektzuordnung kann dabei in an sich bekannter Weise insbesondere verstanden werden ein Vorgang, bei dem detektierte Objekte einer konkreten Objektklasse zugeordnet werden können, wie etwa einem Gebäude, einem Fahrzeug, einem Fußgänger usw. Dadurch kann weiterhin 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 Figuren verwiesen, und umgekehrt.
Gegenstand der vorliegenden Erfindung ist ferner ein Fahrunterstützungssystem, wobei das Fahrunterstützungssystem wenigstens einen Umfelderfassungssensor und eine computerbasierte Auswerteeinrichtung aufweist, wobei es vorgesehen ist, dass das Fahrunterstützungssystem 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, und ferner bei dem Auswählen und/oder Durchführen beziehungsweise Verhindern bestimmter Fahrsequenzen Fahrunterstützung liefern.
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 computerbasierte Auswerteeinheit oder in anderen Worten eine Steuereinheit bereitgestellt, welche beispielsweise ein Prozessor sein oder diesen umfassen kann. 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 Verarbeiten der Messdaten geeignet. Hierzu kann in die Steuereinheit etwa ein Computerprogrammprodukt geladen werden, wie dies vorstehend beschrieben ist. Das Fahrunterstützungssystem kann so ein vorstehend beschriebenes Verfahren ausführen beziehungsweise initiieren. 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 Geometrie von in der Fahrzeugumgebung sich befindenden Objekten und dabei ferner eine effektive und verlässliche Objektzuordnung erlaubt werden kann. Dadurch kann sicher und effizient eine Aussage hinsichtlich der Auswahl und/oder Durchführung beziehungsweise Verhindern 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 Figuren verwiesen, und umgekehrt.
Dem Vorstehenden folgend ist Gegenstand der Erfindung ferner die Verwendung eines Verfahrens oder eines Computerprogrammprodukts zum Abschätzen der Geometrie eines in einer Fahrzeugumgebung befindlichen Objekts insbesondere im Rahmen einer Objektzuordnung von Messdaten beziehungsweise Sensordaten, wie diese vorstehend im Detail beschrieben sind.
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 Diagramm zeigend die Lernphase eines Verfahrens gemäß der Erfindung;
2 ein Diagramm zeigend die Anwendungsphase eines Verfahrens gemäß der Erfindung unter Anwendung eines EM-Algorithmus;
3 ein Diagramm zeigend Trainingsdaten zum Anlernen eines Models;
4 ein Diagramm zeigend ein angelerntes Modell;
5 eine Beschreibung des gelernten Modells;
6 eine initiale Schätzung zur Anwendung eines EM-Algorithmus;
7 eine iterative Wiederholung des EM-Algorithmus in der Iterationsstufe 0;
8 eine iterative Wiederholung des EM-Algorithmus in der Iterationsstufe 1;
9 eine iterative Wiederholung des EM-Algorithmus in der Iterationsstufe 2;
10 eine iterative Wiederholung des EM-Algorithmus in der Iterationsstufe 3;
11 eine iterative Wiederholung des EM-Algorithmus in der Iterationsstufe 4;
12 eine iterative Wiederholung des EM-Algorithmus in der Iterationsstufe 9;
13 eine iterative Wiederholung des EM-Algorithmus in der Iterationsstufe 13; und
14 eine iterative Wiederholung des EM-Algorithmus in der finalen Iterationsstufe.

In den Figuren wird ein Verfahren gemäß der vorliegenden Erfindung dargestellt. Grundsätzlich dient das Verfahren gemäß der Erfindung dem Abschätzen der Geometrie eines in einer Umgebung eines Fahrzeugs befindlichen Objekts.
Das Verfahren umfasst die folgenden Verfahrensschritte:

a) Trainieren eines Modells zur Objektzuordnung von durch einen Umfelderfassungssensor generierter Messdaten;
b) nach Verfahrensschritt a), Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten betreffend ein detektiertes Objekt;
c) Abschätzen der Geometrie des detektierten Objekts basierend auf den in Verfahrensschritt b) erfassten und den mittels des in Verfahrensschritt a) trainierten Modells zugeordneten Messdaten unter Verwendung eines Erwartungs-Maximierungs-Algorithmus.

Ein derartiges Verfahren kann grundsätzlich in zwei Grundschritten ausgeführt werden, nämlich einem Lernschritt und einem Anwendungsschritt.
In der 1 ist ein Diagramm gezeigt, welches den Lernschritt des erfindungsgemäßen Verfahrens darstellen soll.
Dabei stellt der Block10 das Erzeugen von Trainingsdaten dar. Diese dienen dazu, ein Modell zu trainieren, was durch den Block 12 dargestellt sein soll. Insbesondere kann basierend selbst auf einer menschlich schwer überschaubaren Datenmenge der Trainingsdaten ein Model zur Objektzuordnung gelernt beziehungsweise trainiert werden. Vorteilhaft kann ein auch als Gaussian mixture model bezeichnetes Gaußsches Mischverteilungsmodell (GMM) verwendet werden. Dieses kann angelernt beziehungsweise trainiert werden auf verschiedenen Wegen. Beispielsweise kann ein Variationsansatz verwendet werden, wie etwa beschrieben in Willet, Peter, Yanhua Ruan, and R. Streit, „PMHT:Problems and some solutions“, IEEE Transactions on Aerospace and Electronic Systems 38.3 (2002):738-754.
Der Block 14 beschreibt schließlich das Erhalten des trainierten Modells, welches im Weiteren verwendet werden kann.
Diese Phase kann beispielsweise durch eine Steuereinheit eines Fahrunterstützungssystems ausgeführt werden.
2 zeigt weiterhin die Anwendungsphase, nachdem die Lernphase abgeschlossen ist. Dabei zeigt 2 insbesondere die Anwendung eines Erwartungs-Maximierungs-Algorithmus. Diese Phase kann beispielsweise wiederum durch eine Steuereinheit eines Fahrunterstützungssystems ausgeführt werden.
Der Block 16 beschreibt das Empfangen Messdaten etwa als geclusterte Daten. Diese Daten können in an sich bekannter Weise erstellt beziehungsweise bereitgestellt werden, in dem die Umgebung des Fahrzeugs detektiert wird unter Verwendung wenigstens eines Umfelderfassungssensors, wie beispielsweise unter Verwendung wenigstens eines Umfelderfassungssensors, der ausgewählt ist aus der Gruppe bestehend aus Laserscannern, wie etwa LIDARs, Ultraschallsensoren, Kameras oder radarbasierten Sensoren.
Anschließend ist der Erwartungs-Maximierungs-Algorithmus dargestellt, dabei beschreibt der Block 18 eine initiale Schätzung an Modellparametern welcher gefolgt wird von dem Block 20, dem auch als Expectation Schritt bezeichneten Erwartungsschritt, und dem Bock 22 für den auch als Maximization Schritt bezeichneten Maximierungsschritt.
Im Erwartungsschritt wird zunächst angenommen, dass die Modellparameter bekannt sind. Unter dieser Voraussetzung wird nun die Wahrscheinlichkeitsverteilung der Zustände der nicht beobachteten Daten berechnet. Im Maximierungsschritt werden die Modellparameter so verbessert, dass sie die beobachteten Daten besser erklären. Hierbei nimmt man für die unbeobachteten Daten die (feste) Verteilung aus dem vorigen Erwartungsschritt an.
Diese beiden Schritte werden bevorzugt solange iterativ wiederholt, bis ein definiertes Abbruchkriterium erreicht ist. Somit kann der EM-Algorithmus durchgeführt werden in einer Vielzahl von Iterationsstufen, was durch den Block 24 und die Verbindung zu dem Block 20 dargestellt sein soll.
Wenn etwa eine vorgegebene Anzahl an Iterationsstufen durchlaufen ist, kann eine finale Schätzung er Geometrie eines Objekts ausgegeben werden. Das wird durch den Block 26 dargestellt.
Die 3 und 4 beziehen sich wiederum auf die Lernphase des vorliegenden Verfahrens.
Dabei zeigt die 3 Trainingsdaten, welche dazu verwendet werden, ein Model zu trainieren, wie dies vorstehend beschrieben ist. Dabei betreffen die Trainingsdaten die Außenkontur beziehungsweise die Geometrie eines Fahrzeugs als Objekt, welches sich in der Umgebung eines das Verfahren ausführenden Fahrzeugs befinden kann. Im Detail zeigt 3 ein Histogramm akkumulierter, simulierter Messungen eines Sensors basierend auf einem Modell eines Fahrzeugs. Dabei spannen die X-Achse und die linke Y-Achse die Umgebung des Fahrzeugs in horizontaler Ebene und damit etwa den Erfassungsbereich eines Sensors auf und stellt die rechte Z-Achse die Häufigkeit der simulierten Sensordaten dar.
4 zeigt auf den in 3 gezeigten angelerntes Gaußsches Mischverteilungsmodell (GMM). Spezifischer zeigt es durch die unterschiedliche Schraffierung die Zugehörigkeit der Bereiche des Histogramms zu spezifischen Gauß-Komponenten des gelernten Modells.
5 zeigt eine Beschreibung des gelernten Modells, indem die negativen logarithmischen Likelihood-Funktionen des gelernten Modells in zehn Schnitten als zweidimensionale Höhenlinien dargestellt werden.
Die 6 bis 14 zeigen wiederum die Anwendung eines Erwartungs-Maximierungs-Algorithmus.
In 6 wird die Initialschätzung als schraffiert markierte Kreise dargestellt (X1), während potentielle Messquellen als Sterne dargestellt werden (X2). In diesem Scenario sind die Front und die linke Seite des Fahrzeugs für den korrespondierenden Sensor sichtbar und die Messungen, welche der Sensor in diesem Scenario wahrnimmt, sind als weiße Kreise (X3) gekennzeichnet. Es ist deutlich erkennbar, dass die initiale Schätzung signifikant von der wahren Schätzung abweicht.
In der 6 ist somit der initiale Schritt des Algorithmus gezeigt, der eine initiale Schätzung an Modellparametern betrifft. Das Ergebnis kann signifikant verbessert werden, indem der Erwartungsschritt und der Maximierungsschritt ausgeführt werden. Wie vorstehend bereits beschrieben wird im Erwartungsschritt zunächst angenommen, dass die Modellparameter bekannt sind. Unter dieser Voraussetzung wird nun die Wahrscheinlichkeitsverteilung der Zustände der nicht beobachteten Daten berechnet. Im Maximierungsschritt werden die Modellparameter so verbessert, dass sie die beobachteten Daten besser erklären. Hierbei nimmt man für die unbeobachteten Daten die (feste) Verteilung aus dem vorigen Erwartungsschritt an.
Diese beiden Schritte werden bevorzugt solange iterativ wiederholt, bis ein definiertes Abbruchkriterium erreicht ist. In den folgenden Figuren sind weitere Iterationen des Algorithmus dargestellt.
Dies ist in den 7 bis 14 gezeigt, wobei diese Figuren unterschiedliche Stufen einer Iteration zeigen. So zeigt 7 die Iterationsstufe 0, 8 zeigt die Iterationsstufe 1, 9 zeigt die Iterationsstufe 2, 10 zeigt die Iterationsstufe 3, 11 zeigt die Iterationsstufe 9, 12 zeigt die Iterationsstufe 9, 13 zeigt die Iterationsstufe 13 und 14 zeigt die finale Schätzung, wenn die Iteration abgebrochen wird beziehungsweise beendet ist.
Dabei ist gut zu erkennen, wie durch die Iterationen das Ergebnis stets genauer wird und so bei der finalen Schätzung beziehungsweise bei der letzten Iterationsstufe ein sehr verlässliches Ergebnis der Schätzung der Geometrie eines Objekts erhalten werden kann.
Grundsätzlich werden die momentanen Messquellen, welche die Messquellen der letzten Iteration beziehungsweise der Initial-Schätzung im ersten Schritt darstellen, als große weiße Kreise markiert.
Alle Messquellen, die als Gauß-Komponenten modelliert sind, welche im Erwartungsschritt eine signifikante Zuweisung erhalten haben, sind als schwarze Punkte markiert (X4). Es ist zu beachten, dass aus Gründen der Übersichtlichkeit Komponenten mit zu geringen Gewichten vernachlässigt werden. Die Original-Messungen sind in dieser Figur durch kleine Kreise mit einem + (X5) markiert. Die Pseudo-Messungen, welche sich aus den Original-Messungen ergeben, werden hier als kleine weiße Kreise dargestellt (X6). Der Zusammenhang zwischen Pseudo-Messungen und Messquellen wird dabei mit schwarzen Linien angezeigt. Basierend auf dieser Zuweisung wird in dem Maximierungs-Schritt eine neue Schätzung des Zustands errechnet, deren Messquellen als schraffierte Kreise dargestellt werden (X7).
In 14 sehen wir das Ergebnis des iterativen Verfahrens in dem sich die neu errechneten Messquellen der letzten Iteration, dargestellt durch schraffierte Kreise, mit den Messquellen des tatsächlichen Ziels decken.
Bezugszeichenliste

10: Block
12: Block
14: Block
16: Block
18: Block
20: Block
22: Block
24: Block
26: Block

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

Kaulbersch, Hauke, Marcus Baum, and Peter Willett. „EM approach for tracking star-convex extended objects.“ Information Fusion (Fusion), 201720th International Conference on . IEEE, 2017 [0059]

Claims

Verfahren zum Abschätzen der Geometrie eines in einer Umgebung eines Fahrzeugs befindlichen Objekts, wobei das Verfahren die Verfahrensschritte aufweist: a) Trainieren eines Modells zur Objektzuordnung von durch einen Umfelderfassungssensor generierter Messdaten; b) nach Verfahrensschritt a), Durchführen einer Umfelderfassung der Umgebung des Fahrzeugs mit wenigstens einem Umfelderfassungssensor unter Generierung von Messdaten betreffend ein detektiertes Objekt; c) Abschätzen der Geometrie des detektierten Objekts basierend auf den in Verfahrensschritt b) erfassten und den mittels des in Verfahrensschritt a) trainierten Modells zugeordneten Messdaten unter Verwendung eines Erwartungs-Maximierungs-Algorithmus.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Verfahrensschritt c) ein PMHT-Filter verwendet wird.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Erwartungs-Maximierungs-Algorithmus wenigstens einen Erwartungsschritt und einen Maximierungs-Schritt aufweist, wobei in dem Erwartungsschritt basierend auf einer Schätzung des Zustands des detektierten Objekts die Wahrscheinlichkeit der Zuordnung der Messungen zu dem Objekt ermittelt wird.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass der Erwartungs-Maximierungs-Algorithmus wenigstens einen Erwartungsschritt und einen Maximierungs-Schritt aufweist, wobei in dem Maximierungs-Schritt basierend auf der zuvor geschätzten Wahrscheinlichkeit der Zuordnung der Messungen zu dem Objekt eine Prüfung und gegebenenfalls Korrektur der Schätzung des Zustands des detektierten Objekts durchgeführt wird.
Verfahren nach einem der Ansprüche 1 bis 4 dadurch gekennzeichnet, dass Verfahrensschritt a) unter Verwendung eines Gaußschen Mischmodells durchgeführt wird.
Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass Verfahrensschritt c) durchgeführt wird in einer Vielzahl von Iterationsstufen.
Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass die Verfahrensschritte a) und b) durchgeführt werden unter Verwendung eines Radarbasierten Umfelderfassungssensors oder eines Lidar-basierten Umfelderfassungssensors.
Computerprogrammprodukt zum Abschätzen der Geometrie eines in einer Fahrzeugumgebung befindlichen Objekts, 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 Geometrie eines in einer Fahrzeugumgebung befindlichen Objekts.