-
Die vorliegende Erfindung betrifft ein Verfahren zum Klassifizieren einer Umgebung eines Fahrzeugs. Außerdem betrifft die Erfindung ein Computerprogramm zum Ausführen eines derartigen Verfahrens. Schließlich betrifft die Erfindung ein Steuergerät zum Ausführen des Verfahrens sowie ein Fahrzeug mit einem derartigen Steuergerät.
-
Aus dem Stand der Technik ist bekannt, Straßentypen zu klassifizieren. Dadurch soll ermöglicht werden, dass das Fahrzeug erkennt, auf welcher Art von Straße es sich gerade bewegt. Beispielsweise sind solche Verfahren, die Straßen mittels Kameras klassifizieren, aus der
DE 10 2009 049 408 A1 oder aus der
DE 10 2011 121 442 A1 bekannt.
-
Ein anderer Ansatz ist aus der
DE 10 2016 210 534 A1 bekannt. Hierbei werden Belegungskarten verwendet, wobei anhand der Belegungskarten, auch Occupancy Grid genannt, eine Erkennung des Straßentyps durchgeführt wird.
-
Nachteilig an den bekannten Lösungen ist, dass gewisse Verkehrssituationen, insbesondere im dynamischen Bereich, nicht erkannt werden können. So ist beispielsweise die Verkehrssituation Stau nicht anhand der Belegungskarten erkennbar.
-
Es ist daher Aufgabe der Erfindung, ein Verfahren zum Klassifizieren einer Umgebung eines Fahrzeugs bereitzustellen, das bei einfacher und kostengünstiger Anwendung ein sicheres und zuverlässiges Charakterisieren eines Straßentyps ermöglicht. Gelöst wird die Aufgabe durch die Merkmale der unabhängigen Ansprüche. Die Unteransprüche haben bevorzugte Weiterbildungen der Erfindung zum Inhalt.
-
Die Aufgabe wird somit gelöst durch ein Verfahren zum Klassifizieren einer Umgebung eines Fahrzeugs, wobei das Verfahren die folgenden Schritte aufweist: Zunächst erfolgt ein Bereitstellen einer Belegungskarte der Umgebung. Die Belegungskarte ist in eine Vielzahl vordefinierter Unterbereiche unterteilt. Jeder Unterbereich zeigt anhand einer Belegungswahrscheinlichkeit an, ob der von dem Unterbereich repräsentierte Teil der Umgebung belegt ist, das heißt ein Hindernis aufweist. Anhand solcher Karten lässt sich somit die Umgebung darstellen, wobei als Informationen lediglich zur Verfügung steht, ob gewisse Bereiche der Umgebung ein Hindernis aufweisen oder nicht.
-
Als nächster Schritt erfolgt ein Klassifizieren der Umgebung. Dies geschieht durch Erstellen einer Wahrscheinlichkeitsverteilung, die angibt, mit welcher Wahrscheinlichkeit die Umgebung zu einer Kategorie aus einer Vielzahl von vordefinierten Kategorien zuzuordnen ist. Das Klassifizieren erfolgt anhand eines maschinellen Lernverfahrens. Es ist somit vorgesehen, dass eine Vielzahl von vordefinierten Kategorien vorhanden ist, wobei anhand des maschinellen Lernverfahrens erkannt wird, welche dieser vordefinierten Kategorien mit welcher Wahrscheinlichkeit auf die Umgebung passt. Auf diese Weise wird die Wahrscheinlichkeitsverteilung erhalten.
-
Es ist vorgesehen, dass das Klassifizieren durch das maschinelle Lernverfahren anhand eines vordefinierten Klassifikators erfolgt. Außerdem erfolgt das Klassifizieren anhand der Belegungskarte. Des Weiteren ist vorgesehen, dass das Klassifizieren anhand von zusätzlich bereitgestellten Sensordaten erfolgt. Die zusätzlich bereitgestellten Sensordaten repräsentieren die Umgebung und sind von der Belegungskarte verschieden. Somit ist ein weiterer Typ von Daten über die Umgebung zur Verfügung gestellt, sodass das maschinelle Lernverfahren genauer zwischen aktuellen Umgebungskategorien unterscheiden kann. Dadurch lässt sich die Wahrscheinlichkeitsverteilung mit größerer Zuverlässigkeit sowie insbesondere mit kürzerer Rechendauer ermitteln. Alternativ oder zusätzlich ist vorgesehen, dass das Klassifizieren außerdem anhand einer vorangegangenen Wahrscheinlichkeitsverteilung erfolgt. Die vorangegangene Wahrscheinlichkeitsverteilung ist diejenige Wahrscheinlichkeitsverteilung, die in einem zuvor durchgeführten Schritt des Klassifizierens erhalten wurde. Somit wird zusätzlich die Historie des Klassifizierens berücksichtigt. Da sich die Kategorie der Umgebung des Fahrzeugs in manchen Situationen, beispielsweise bei der Autobahnfahrt, nicht rasch ändert, steht somit eine Methode zur Verfügung, die das Klassifizieren schnell und zuverlässig ermöglicht.
-
Das beschriebene Verfahren wird vorteilhafterweise wiederholend ausgeführt. Somit ist in der Vergangenheit der Schritt des Klassifizierens bereits ausgeführt worden, wodurch auf eine in dem vorangegangenen Schritt des Klassifizierens erhaltene Wahrscheinlichkeitsverteilung zurückgegriffen werden kann, die für den nun durchzuführenden Schritt des Klassifizierens als vorangegangene Wahrscheinlichkeitsverteilung dient.
-
Durch das Hinzufügen der zusätzlich bereitgestellten Sensordaten und/oder der Historie der Wahrscheinlichkeitsverteilungen lässt sich die Klassifikation der Umgebung, insbesondere des aktuellen Straßentyps, verbessern. Auch kann durch eine passende Wahl von zusätzlich bereitgestellten Sensordaten eine dynamische Fahrsituation erkannt werden. Beispielsweise ist ermöglicht, ein Stauende zuverlässig zu erkennen.
-
In einer vorteilhaften Ausgestaltung ist vorgesehen, dass eine Gewichtung der vorangegangenen Wahrscheinlichkeitsverteilung bei dem Schritt des Klassifizierens mit zunehmendem Zeitabstand zu dem zuvor durchgeführten Schritt des Klassifizierens abnimmt. Besonders vorteilhaft ist vorgesehen, dass der Grad der Verringerung der Gewichtung der Kategorie abhängig von der vorangegangenen Wahrscheinlichkeitsverteilung ist. Grundsätzlich hat die abnehmende Gewichtung den Zweck, dass weit in der Vergangenheit liegende, erhaltene Wahrscheinlichkeitsverteilungen für den aktuellen Fahrzustand eine geringere Relevanz aufweisen als kürzlich erhaltene Wahrscheinlichkeitsverteilungen. Mit anderen Worten ist dadurch vorgesehen, dass die in naher Vergangenheit durchgeführte Klassifikation für die aktuelle Klassifikation eine höhere Relevanz aufweist als die in fernerer Vergangenheit durchgeführten Klassifikationen. Durch die Abhängigkeit der Abnahme der Gewichtung von der vorangegangenen Wahrscheinlichkeitsverteilung selbst lässt sich insbesondere der zu erwartende Grad der Veränderung der Umgebung miteinbeziehen. So ist beispielsweise bei Autobahnfahrten nicht zu erwarten, dass eine rasche Änderung der Umgebung erfolgt, während dies wiederum bei Stadtfahrten oder bei Fahrten auf einem Parkplatz durchaus der Fall sein kann.
-
Das maschinelle Lernverfahren berücksichtigt die vorangegangene Wahrscheinlichkeitsverteilung vorteilhafterweise mittels Bayes-Filter und/oder Markow-Kette. Insbesondere handelt es sich bei der wiederholten Klassifizierung der Umgebung nicht um rein zufällige Ergebnisse, vielmehr kann ein stochastischer Prozess mit Vorgeschichte angenommen werden. Somit kann die Klassifikation der Umgebung durch Überwachen der in der Vergangenheit erhaltenen Ergebnisse und Fusionieren dieser Ergebnisse verbessert werden.
-
In einer bevorzugten Ausführungsform umfassen die zusätzlich bereitgestellten Sensordaten eine Geschwindigkeitskarte und/oder eine Höhenkarte und/oder eine Intensitätskarte und/oder ein Videobild und/oder Navigationsdaten. Die Geschwindigkeitskarte der Umgebung ist, analog zu der Belegungskarte, in vordefinierte Unterbereiche unterteilt. Jeder Unterbereich repräsentiert einen Teil der Umgebung. In der Geschwindigkeitskarte ist ein Geschwindigkeitsvektor für jeden Unterbereich angegeben, wobei der Geschwindigkeitsvektor anzeigt, mit welcher Geschwindigkeit und in welche Richtung sich der durch den Unterbereich repräsentierte Teil der Umgebung bewegt. Die Höhenkarte der Umgebung ist ebenso in Unterbereiche unterteilt. Jeder Unterbereich weist eine Höhe auf, wobei die Höhe der Höhe des durch den Unterbereich repräsentierten Teils der Umgebung entspricht. Die Höhe ist insbesondere auf ein vordefiniertes Referenzmaß bezogen. Die Intensitätskarte der Umgebung ist ebenso in Unterbereiche unterteilt. Jeder Unterbereich beinhaltet einen Wert der von einem Sensor gemessenen Intensität oder Reflektivität. Beispielsweise misst ein Lidarsensor die Intensität des rückgestrahlten Lichtes als Reflektivität. Das Videobild kann von der Umgebung insbesondere durch eine Videokamera aufgenommen werden. Bei den Navigationsdaten ist insbesondere eine Lokalisierung des Fahrzeugs vorgesehen. Alle diese Daten liefern zusätzliche Informationen über die Umgebung des Fahrzeugs. Somit ist ermöglicht, dass diese Daten und Informationen auch für das Klassifizieren mittels des maschinellen Lernverfahrens verwendet werden. Dadurch lassen sich die einzelnen Umgebungstypen des Fahrzeugs zuverlässig und rasch unterscheiden, sodass die Wahrscheinlichkeitsverteilung zuverlässig und schnell gewonnen werden kann.
-
In einer besonders vorteilhaften Ausgestaltung erfolgt der Schritt des Klassifizierens derart, dass zunächst eine Gruppe von Prüfkategorien aus den vordefinierten Kategorien ausgewählt wird. Anschließend wird die Wahrscheinlichkeitsverteilung nur für diese Gruppe erstellt. Das Klassifizieren erfolgt anhand des Klassifikators und der Belegungskarte, wobei aus den zusätzlich bereitgestellten Sensordaten solche Sensordaten ausgewählt werden, die für jede Gruppe aus Prüfkategorien vordefiniert sind. Insbesondere wird somit anhand der Gruppe bestimmt, ob für das maschinelle Lernverfahren zusätzlich zur Belegungskarte die Geschwindigkeitskarte und/oder die Höhenkarte und/oder Intensitätskarte und/oder das Videobild und/oder die Navigationsdaten zu verwenden sind. Da sich verschiedene Umgebungstypen durch unterschiedliche Sensordaten optimal erkennen lassen, kann somit die für die jeweilige Gruppe aus Prüfkategorien optimale Datenmenge ausgewählt werden. Somit kann rasch und zuverlässig erkannt werden, ob die Umgebung und die Gruppe der Prüfkategorien zusammenpassen.
-
Bevorzugt ist vorgesehen, dass eine vordefinierte Teilgruppe der vordefinierten Kategorien vorhanden ist. In diesem Fall wird ein automatisiertes Fahren des Fahrzeugs nur dann zugelassen, wenn im Schritt des Klassifizierens erhalten wurde, dass der Umgebung mit einer größten Wahrscheinlichkeit aus der Wahrscheinlichkeitsverteilung eine vordefinierte Kategorie aus der vordefinierten Teilgruppe zuzuordnen ist. Ist dies nicht der Fall und es wurde im Schritt des Klassifizierens erhalten, dass der Umgebung mit einer größten Wahrscheinlichkeit aus der Wahrscheinlichkeitsverteilung keine vordefinierte Kategorie aus der vordefinierten Teilgruppe zuzuordnen ist, so wird das automatisierte Fahren des Fahrzeuges verhindert. Bei dem automatisierten Fahren handelt es sich insbesondere um ein autonomes Fahren. In der vordefinierten Teilgruppe sind somit solche Kategorien vorgesehen, bei denen die Umgebung die Rahmenvoraussetzungen für automatisiertes Fahren erfüllt. Beispielsweise handelt es sich bei solchen Umgebungen um Autobahnen. Damit kann insbesondere sichergestellt werden, dass der Fahrer des Fahrzeugs nur dann durch ein automatisiertes Fahren unterstützt wird, wenn entsprechende Rahmenbedingungen vorliegen. Wird anhand des Schrittes des Klassifizierens beispielsweise erkannt, dass das Fahrzeug eine Autobahn verlassen hat, so kann beispielsweise das System zum automatisierten Fahren abgeschaltet werden und eine Aufforderung an den Fahrer ergehen, die Steuerung des Fahrzeugs selbst zu übernehmen. Somit erfolgt insbesondere eine Unterstützung des Fahrers beim Aktivieren des automatisierten Fahrens.
-
Die Erfindung betrifft außerdem ein Computerprogramm. Das Computerprogramm ist eingerichtet, das Verfahren wie zuvor beschrieben auszuführen. Dazu wird das Computerprogramm vorteilhafterweise auf einer Rechenvorrichtung ausgeführt.
-
Außerdem betrifft die Erfindung ein maschinenlesbares Speichermedium. Auf dem Speichermedium ist das Computerprogramm gespeichert. Bei dem Speichermedium kann es sich um einen Flashspeicher und/oder um einen optischen Datenträger handeln. Andere Möglichkeiten der Speicherung sind ebenfalls gegeben, beispielsweise magnetisch.
-
Weiterhin betrifft die Erfindung ein Steuergerät. Das Steuergerät ist eingerichtet zum Ausführen des Verfahrens wie zuvor beschrieben. Alternativ oder zusätzlich ist das Steuergerät zum Ausführen des Computerprogramms wie zuvor beschrieben ausgebildet. Bei dem Steuergerät handelt es sich insbesondere um eine Komponente eines Fahrzeugs, wobei das Steuergerät mit einer Vielzahl von Sensoren zum Erfassen der Umgebung verbunden werden kann. Somit kann das Steuergerät zum Ausführen des zuvor beschriebenen Verfahrens auf Umgebungssensoren zurückgreifen. Vorteilhafterweise ist an das Steuergerät außerdem eine Videokamera angeschlossen, um somit ein Videobild der Umgebung zu erhalten. Zuletzt ist außerdem bevorzugt vorgesehen, dass dem Steuergerät Navigationsdaten übertragen werden können.
-
Schließlich betrifft die Erfindung ein Fahrzeug. Das Fahrzeug weist bevorzugt ein Steuergerät wie zuvor beschrieben auf. Somit ist es dem Fahrzeug ermöglicht, selbstständig seine Umgebung zu kategorisieren, um dies insbesondere abhängig von einer Aktivierbarkeit weiterer Funktionen zu machen. Auf diese Weise kann das Fahrzeug beispielsweise das Aktivieren eines automatisierten Fahrbetriebs verweigern, wenn eine Umgebung des Fahrzeugs als für automatisiertes Fahren nicht geeignet erkannt wurde.
-
Weitere Einzelheiten, Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung und den Figuren. Es zeigen:
- 1 eine schematische Abbildung eines Ablaufs des Verfahrens gemäß dem Ausführungsbeispiel der Erfindung, und
- 2 eine schematische Ansicht eines Fahrzeugs gemäß einem Ausführungsbeispiel der Erfindung.
-
Die 1 zeigt schematisch einen Ablauf des Verfahrens gemäß dem Ausführungsbeispiel der Erfindung. In einem ersten Schritt erfolgt ein Bereitstellen einer Belegungskarte 5, auch Occupancy Grid genannt. Die Belegungskarte 5 ist in eine Vielzahl von Unterbereichen unterteilt, wobei jeder Unterbereich einen eigenen Teil der Umgebung repräsentiert. Weist dieser Teil der Umgebung ein Hindernis auf, so wird dies durch eine entsprechende Belegungswahrscheinlichkeit des Unterbereichs der Belegungskarte 5 angezeigt. Es ist somit eine Karte vorhanden, die Hindernisse in der Umgebung anzeigt.
-
Zusätzlich zu den Daten der Belegungskarte 5 werden vorteilhafterweise zusätzliche Sensordaten 10 bereitgestellt. Die zusätzlichen Sensordaten 10 sind insbesondere eine Geschwindigkeitskarte 6 und/oder eine Höhenkarte 7 und/oder Intensitätskarte 8 und/oder ein Videobild 9 und/oder Navigationsdaten 21. Bei der Geschwindigkeitskarte 6, der Höhenkarte 7 und der Intensitätskarte 8, auch Velocity Grid, Height Grid und Intensity Grid genannt, handelt es sich um Karten analog zu der Belegungskarte 5. Die Geschwindigkeitskarte 6 zeigt dabei für jeden Unterbereich einen Geschwindigkeitsvektor des durch den Unterbereich repräsentierten Teils der Umgebung an. Die Höhenkarte 7 zeigt eine Höhe des durch den Unterbereich repräsentierten Teils der Umgebung an. Die Intensitätskarte 8 zeigt die Rückstrahlintensität oder Reflektivität des Unterbereichs der Umgebung an. Das Videobild 9 ist insbesondere durch eine an dem Fahrzeug angebrachte Kamera erfassbar. Die Navigationsdaten 21 erlauben insbesondere eine Lokalisierung des Fahrzeugs.
-
Nach dem Schritt des Bereitstellens 100 erfolgt ein Schritt des Klassifizierens 200. Für den Schritt des Klassifizierens 200 wird zumindest die Belegungskarte 5 sowie einer der zusätzlich bereitgestellten Sensordaten 10 verwendet. Alternativ oder zusätzlich zu den zusätzlich bereitgestellten Sensordaten 10 kann außerdem eine vorangegangene Wahrscheinlichkeitsverteilung 20 verwendet werden, die nachfolgend genauer erläutert wird.
-
Anhand eines Klassifikators 17 erfolgt ein Klassifizieren der Umgebung. Dazu wird eine Wahrscheinlichkeitsverteilung 11 ermittelt, wobei die Wahrscheinlichkeitsverteilung 11 angibt, mit welcher Wahrscheinlichkeit die Umgebung einer Kategorie aus einer Vielzahl von vordefinierten Kategorien 12 zuzuordnen ist. Der Klassifikator 17 ist insbesondere Teil eines maschinellen Lernverfahrens. Somit ist vorgesehen, dass besagtes maschinelles Lernverfahren zuvor mit einer Vielzahl von Belegungskarten 5 und zusätzlich bereitgestellten Sensordaten 10 sowie gegebenenfalls vorangegangenen Wahrscheinlichkeitsverteilung 20 trainiert wurde, um einen Klassifikator 17 zu erhalten. Dieser Klassifikator 17 kann anschließend angewandt werden, um aus den beschriebenen Daten auf die Wahrscheinlichkeitsverteilung 11 rückschließen zu können.
-
Wird die Wahrscheinlichkeitsverteilung 11 erhalten, so ist bekannt, welcher Umgebungstyp aktuell mit welcher Wahrscheinlichkeit vorherrscht. Wird das Verfahren wiederholt durchgeführt, so lässt sich die Wahrscheinlichkeitsverteilung 11, die in einem vorangegangenen Schritt erhalten wurde, als vorangegangene Wahrscheinlichkeitsverteilung 20 für das maschinelle Lernverfahren verwenden, um den Schritt des Klassifizierens 200 durchzuführen. Dies bedeutet, dass die Historie der Kategorisierung berücksichtigt wird, um eine aktuelle Kategorisierung zu vereinfachen. So ist während einer Fahrt des Fahrzeugs, insbesondere der Straßentyp zu jedem einzelnen Zeitpunkt nicht unabhängig vom letzten Zeitpunkt oder nächsten Zeitpunkt. Vielmehr handelt es sich um einen stochastischen Prozess mit Vorgeschichte, sodass eine Berücksichtigung der vorangegangenen Wahrscheinlichkeitsverteilung 20 vorteilhafterweise mittels Bayes-Filter und/oder Markow-Kette erfolgen kann. Somit ist ein sicheres und zuverlässiges Klassifizieren 200 ermöglicht.
-
Bei den vordefinierten Kategorien 12 handelt es sich beispielsweise um einen Parkplatz 13, eine Fahrsituation innerorts 14, eine Schnellfahrstraße 18 oder eine Autobahn 19. Die Kategorien Schnellfahrstraße 18 und Autobahn 19 sind dabei einer Teilgruppe 15 zugeordnet. Wird anhand des Klassifikators 17 erkannt, dass die Wahrscheinlichkeitsverteilung 11 eine größte Wahrscheinlichkeit einer der vordefinierten Kategorien aus der Teilgruppe 15 zuordnet, so ist außerdem erkannt, dass ein automatisiertes Fahren in dieser Umgebung möglich ist. Daher kann insbesondere die Aktivierung des automatisierten Fahrens nur dann freigegeben werden, wenn anhand der Wahrscheinlichkeitsverteilung 11 erkannt wurde, dass mit einer größten Wahrscheinlichkeit aus der Wahrscheinlichkeitsverteilung 11 der Umgebung 16 eine der vordefinierten Kategorien der Teilgruppe 15 zuzuordnen ist.
-
Besonders vorteilhaft erfolgt der Schritt des Klassifizierens 200 derart, dass zunächst eine Gruppe von Prüfkategorien aus den vordefinierten Kategorien 12 ausgewählt wird. Anschließend wird anhand des Klassifikators 17 die Wahrscheinlichkeitsverteilung 11 nur für diese Gruppe erstellt. Dabei werden die zusätzlich bereitgestellten Sensordaten 10 anhand der Gruppe von Prüfkategorien ausgewählt. So kann das Klassifizieren 200 anhand eines optimierten Datensatzes erfolgen, was zu einem zuverlässigen und raschen Kategorisieren der Umgebung führt.
-
2 zeigt schematisch ein Fahrzeug 1 gemäß einem Ausführungsbeispiel der Erfindung. Das Fahrzeug 1 umfasst ein Steuergerät 2, wobei das Steuergerät 2 bevorzugt zum Ausführen des zuvor beschriebenen Verfahrens ausgelegt ist. Dazu ist das Steuergerät 2 mit Sensoren gekoppelt, die eine Umgebung 16 des Fahrzeugs 1 erfassen können.
-
Insbesondere sind Umgebungssensoren 3 mit dem Steuergerät 2 gekoppelt. Solche Umgebungssensoren können insbesondere Abstandssensoren wie Ultraschallsensoren und/oder Radarsensoren und/oder Lidarsensoren sein. Diese Umgebungssensoren 3 ermöglichen vorteilhafterweise das Ermitteln einer Belegungskarte 5, wie zuvor beschrieben. Zusätzlich ist vorteilhafterweise eine Videokamera 4 vorhanden, die ebenfalls mit dem Steuergerät 2 gekoppelt ist. Anhand der Videokamera 4 lassen sich zusätzliche Sensordaten 10 in Form eines Videobilds 9 bereitstellen.
-
Das Steuergerät 2 ermöglicht somit verschiedene Sensoren des Fahrzeugs 1 zum Erfassen der Umgebung 16 zu kombinieren, um das maschinelle Lernverfahren auf diesem kombinierten Datensatz anzuwenden. Dadurch ist eine Erkennungsgenauigkeit verbessert, sodass im Schritt des Klassifizierens 200 eine hochwertige Kategorisierung vorgenommen werden kann. Außerdem lässt sich aufgrund der optimierten Datenbasis eine Rechendauer für den Schritt des Klassifizierens 200 minimieren. Ein weiterer Vorteil liegt darin, dass solche Fahrsituationen erkannt werden können, die nicht durch einen Einzelnen der Sensortypen erfasst werden kann. So kann insbesondere durch die Kombination von Abstandssensoren 3 und Videosensor 4 ein Stauende sicher und zuverlässig erkannt werden.
-
Bezugszeichenliste
-
- 1
- Fahrzeug
- 2
- Steuergerät
- 3
- Umfeldsensor
- 4
- Videokamera
- 5
- Belegungskarte
- 6
- Geschwindigkeitskarte
- 7
- Höhenkarte
- 8
- Intensitätskarte
- 9
- Videobild
- 10
- Zusätzlich bereitgestellte Sensordaten
- 11
- Wahrscheinlichkeitsverteilung
- 12
- Vordefinierte Kategorie
- 13
- Parkplatz
- 14
- Innerörtliche Straße
- 15
- Teilgruppe
- 16
- Umgebung
- 17
- Klassifikator
- 18
- Schnellstraße
- 19
- Autobahn
- 20
- Vorangegangene Wahrscheinlichkeitsverteilung
- 21
- Navigationsdaten
- 100
- Bereitstellen von Daten
- 200
- Klassifizieren der Umgebung
-
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 Patentliteratur
-
- DE 102009049408 A1 [0002]
- DE 102011121442 A1 [0002]
- DE 102016210534 A1 [0003]