DE102019213927A1

DE102019213927A1 - Grid-basierte Leitpfosten-Klassifizierung

Info

Publication number: DE102019213927A1
Application number: DE102019213927.2A
Authority: DE
Inventors: Jannik Metzner; Daniel Fafula; Florian Maile
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2019-09-12
Filing date: 2019-09-12
Publication date: 2021-03-18

Abstract

Verfahren zur Gewinnung von Informationen über einen Straßenverlauf, wobei das Verfahren ein Erzeugen (S601) einer akkumulierten Rasterkarte aus Daten, die von verschiedenen Umfeldsensoren gewonnen werden umfasst, sowie ein Ermitteln (S602), auf Grundlage der Informationen in der akkumulierten Rasterkarte, einer Menge von Objekten, die potentielle Straßenbegrenzer darstellen.

Description

TECHNISCHES GEBIET
Die vorliegende Offenbarung betrifft das technische Gebiet der Fahrzeugsensorik und deren Datenauswertung, insbesondere für autonome oder teilautonome Fahrzeuge.
TECHNISCHER HINTERGRUND
Autonome oder teilautonome Fahrzeuge weisen Sensoren wie beispielsweise Kameras, Radar- und Lidar-Sensoren auf, die das Umfeld des Fahrzeugs sensorisch erfassen und deren Daten in einer Steuereinheit mittels geeigneter Software ausgewertet werden. Auf Grundlage der durch diese Datenverarbeitung gewonnenen Informationen kann eine Steuereinheit über entsprechende Aktuatoren Brems-, Geschwindigkeits-, Abstands-, Kompensations- und/oder Ausweichregelungen selbsttätig auslösen und durchführen.
Für leistungsstarke Fahrassistenzsysteme und autonome Fahrzeuge ist eine präzise Umfelderkennung wichtig. Zu diesem Zweck besitzen moderne Fahrzeuge eine Vielzahl von Sensoren, zum Beispiel Radar-, Lidar- oder Kamera-Sensoren, die ihre Messwerte in Form einer Punktwolke liefern. Aus den, von den Sensoren bereitgestellten Punktwolken gilt es, zuverlässige Informationen über mögliche Objekte im Fahrpfad oder auf Kollisionskurs zum eigenen Fahrzeug zu erhalten.
Daneben ist es wichtig, dass das autonome Fahrzeug selbstständig die zu befahrende Straße bzw. Fahrbahn zuverlässig erkennt.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Erfindung stellt ein Verfahren bereit, wie es in Anspruch 1 definiert ist, sowie eine entsprechende Vorrichtung wie sie in Anspruch 9 definiert ist und ein entsprechendes Computerprogramm, wie es in Anspruch 10 definiert ist, mit deren Hilfe die Straßen- bzw. Fahrbahnverlaufserkennung eines autonom fahrenden Fahrzeugs verbessert werden kann.
Die Ausführungsbeispiele zeigen insbesondere ein Verfahren zur Gewinnung von Informationen über einen Straßenverlauf, wobei das Verfahren ein Erzeugen einer akkumulierten Rasterkarte aus Daten, die von verschiedenen Umfeldsensoren gewonnen werden umfasst, sowie ein Ermitteln, auf Grundlage der Informationen in der akkumulierten Rasterkarte, einer Menge von Objekten, die potentielle Straßenbegrenzer darstellen.
Bei den aus der akkumulierten Rasterkarte ermittelten Objekten handelt es sich beispielsweise um jegliche Objekte, die üblicherweise in der Nähe des Straßenrandes positioniert sind, wie Leitpfosten, Straßenschilder oder andere Fahrbahnbegrenzungen. Bevorzugt handelt es sich bei den aus der akkumulierten Rasterkarte ermittelten Objekten jedoch um Leitpfosten, da diese häufig auftreten und üblicherweise regelmäßig und auf bekannte Weise in Bezug zum Straßenrand positioniert sind.
Durch das Ermitteln der Menge von Objekten, die potentielle Leitpfosten darstellen, beispielsweise durch ein Peak-Suche in den Belegungswahrscheinlichkeiten einer Rasterkarte, können Objekte, die potentielle Leitpfosten darstellen, als solche identifiziert werden und in der Rasterkarte markiert werden.
Durch die Kenntnis der Klasse eines extrahierten statischen Objekts aus beispielsweise einem Belegungsraster, das mit Hilfe von Sensordaten (Radar, Lidar) befüllt wurde, können weitere nützliche Informationen für den Fahrbetrieb von autonomen Fahrzeugen bestimmt werden. Hierzu gehören die Klassifizierung von Straßen (Landstraße, Bundesstraße, Autobahn (meistens links eine Leitplanke und rechts Straßenleitpfosten), die genauere Schätzung von Straßenkrümmung durch die Nutzung der Abstände zwischen den Straßenleitpfosten (in Deutschland ist die Krümmung von Kurven durch einen geringeren Abstand zwischen Straßenleitpfosten gekennzeichnet) und die Einschränkung des Suchbereichs bei der Freespace-Detection im Belegungsraster (Performance-Optimierung).
Nach einer bevorzugten Ausführungsform umfasst das Verfahren eine Suche nach validen Kombinationen von potentiellen Straßenbegrenzern auf Grundlage der Menge der potentiellen Straßenbegrenzer. Diese Suche nach Fahrbahnbegrenzungen auf Grundlage der Menge der potentiellen Straßenbegrenzer, insbesondere Leitpfosten, ermöglicht die Gewinnung eines approximierten Straßenverlaufs. Diese Suche nach Fahrbahnbegrenzungen kann beispielsweise auf einem Ausgleichsverfahren beruhen, das unterstützt wird durch den Algorithmus zur Berechnung der validen Kombinationen an Straßenbegrenzern, d.h. einer um Ausreißer bereinigten Untermenge der potentiellen Straßenbegrenzer. Vorzugsweise wird, wegen seiner Robustheit gegenüber Ausreißern, als Algorithmus zur Berechnung der um Ausreißer bereinigten Untermenge der potentiellen Straßenbegrenzer ein RANSAC-Algorithmus eingesetzt. Eine Alternative zu RANSAC wären sogenannte „M-Schätzer“. Diese ebenfalls robust gegenüber Ausreißern.
Das Verfahren kann ferner ein Aufteilen der Menge von Objekten in zwei Gruppen, nämlich potentielle Straßenbegrenzer links und rechts vom Straßenrand, umfasst. Dies hat den Vorteil, dass geschätzte Straßenränder verworfen werden können, die durch sowohl linke als auch rechte Straßenbegrenzer, insbesondere Leitpfosten, verlaufen.
Zudem kann das Verfahren eine Vorselektion potentieller Straßenbegrenzer auf Grundlage von Trajektorien dynamischer Objekte umfasst. Dadurch kann die Historie von Fahrtrajektorien von vorausfahrenden dynamischen Fahrzeugen für die Klassifizierung von Objekten als potentielle Straßenbegrenzer, insbesondere Leitpfosten, herangezogen werden. Durch diese Vorselektion potentieller Straßenbegrenzer, insbesondere Leitpfosten, auf Grundlage von Trajektorien dynamischer Objekte kann ein approximierter Straßenverlauf ermittelt werden.
Das Verfahren kann ferner eine Optimierung einer vorbekannten Schätzung des Straßenverlaufs auf Grundlage der Menge der potentiellen Straßenbegrenzer unter Verwerfen von Ausreißern umfassen. Durch einen Abgleich der potenziellen Straßenbegrenzer, insbesondere Leitpfosten, mit beispielsweise kamerabasiert ermittelten Fahrspurmarkierungen, Straßenkantenschätzungen oder dergleichen können beispielsweise Parameter, die den Straßenverlauf näherungsweise beschreiben optimiert werden. Vorzugsweise basiert die Optimierung auf einem Ausgleichsverfahren wie dem Least-Squares-Verfahren unter Verwerfung von Ausreißern.
Das Verfahren kann ferner eine Überprüfung der Distanz zwischen Straßenverlauf und den jeweiligen potentiellen Straßenbegrenzern umfassen. Damit kann die Identifikation der Straßenbegrenzer, insbesondere Leitpfosten, und die Approximation des Straßenverlaufs verbessert werden. Dadurch werden Regelmäßigkeiten in der Anordnung von Straßenbegrenzern, insbesondere Leitpfosten, am Straßenrand ausgenutzt.
Ferner kann das Verfahren eine Berücksichtigung der Symmetrie zwischen gegenüberliegenden potentiellen Straßenbegrenzern umfassten. Insbesondere bei Leitpfosten kann die Eigenschaft ausgenutzt werden, dass diese meistens paarweise auf beiden Fahrbahnseiten stehen. Auch dies kann die Identifikation der Leitpfosten und die Approximation des Straßenverlaufs verbessern.
Die Ausführungsbeispiele zeigen auch eine Vorrichtung, die einen Prozessor aufweist, der dazu ausgelegt ist, die Aspekte des beschriebenen Verfahrens auszuführen.
Zudem zeigen die Ausführungsbeispiele auch ein Computerprogramm, umfassend Instruktionen, die, wenn sie auf einem Prozessor ausgeführt werden, die Aspekte des beschriebenen Verfahrens zu implementieren.
Figurenliste
Im Folgenden wird die Erfindung anhand der in den Figuren dargestellten Ausführungsformen beispielhaft erläutert.

1 zeigt ein Blockdiagramm, das schematisch die Konfiguration eines Fahrzeugs gemäß einem Ausführungsbeispiel der vorliegenden Erfindung darstellt.
2 zeigt schematisch eine beispielhafte Konfiguration eines Steuergeräts für autonomes Fahren zeigt.
3 zeigt einen beispielhaften Umfeldsensor 26, hier insbesondere einen Radarsensor.
Die 4a, b, c zeigen die Gewinnung einer zweidimensionalen Rasterkarte aus Detektionsereignissen eines Radarsensors.
5 zeigt beispielhaft eine während einer Testfahrt gewonnene akkumulierte Rasterkarte, welche die Umgebung des Fahrzeugs aus der Vogelperspektive.
6 zeigt ein Flussdiagramm eines Algorithmus zur Leitpfosten-Klassifizierung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung.
7 zeigt die Rasterkarte der 5, jedoch ergänzt um zusätzliche Informationen, die aus der Ermittlung potentieller Leitpfosten (S602 in 6) und aus dem Fachmann bereits bekannten, vorausgehenden Algorithmen zur Verfügung stehen.
Die 8a und 8b zeigen den Prozess der Least-Squares-Optimierung eines Pfads durch die als potentielle Leitpfosten erkannten Objekte (Schritt S604 in 6).
9 zeigt eine mögliche Ausführungsform für einen Algorithmus zur Suche nach validen Leitpfostenkombinationen, um Informationen über den Straßenverlauf zu gewinnen.
In 10 zeigt eine beispielhafte Ausführungsform des Prozesses der Auswertung von Trajektorien dynamischer Objekte, um Informationen über den Straßenverlauf zu gewinnen (Schritt S609 in 6).
11 zeigt ein beispielhaftes Ergebnis der Vorselektion potentieller Leitpfosten durch den Prozess der Least-Squares-Optimierung der 8a, b.
12 zeigt ein einen beispielhaften Prozess der Überprüfung der Abstände der potentiellen Leitpfosten zueinander.
13 zeigt ein beispielhaftes Ergebnis des Prozesses der Überprüfung der Abstände der potentiellen Leitpfosten zueinander.
14 zeigt ein einen beispielhaften Prozess der Überprüfung der Symmetrie eines potentiellen Leitpfosten bezüglich einem potentiellen Leitpfosten auf der Gegenüberliegenden Straßenseite, wie er in Schritt S606 der 6 vorgenommen wird.

Im Folgenden werden Ausführungsbeispiele der vorliegenden Erfindung anhand der folgenden Figuren beschrieben.
1 zeigt ein Blockdiagramm, das schematisch die Konfiguration eines Fahrzeugs 10 gemäß einem Ausführungsbeispiel der vorliegenden Erfindung darstellt. Das Fahrzeug 10 umfasst mehrere elektronische Komponenten, welche via eines Fahrzeugkommunikationsnetzwerks 28 miteinander verbunden sind. Das Fahrzeugkommunikationsnetzwerk 28 kann beispielsweise ein im Fahrzeug eingebautes standardgemäßes Fahrzeugkommunikationsnetzwerk wie etwa ein CAN-Bus (Controller Area Network), ein LIN-Bus (Local Interconnect Network), ein LAN-Bus (Local Area Network), ein MOST-Bus und/oder ein FlexRay-Bus oder dergleichen sein.
In dem in 1 dargestellten Beispiel umfasst das Fahrzeug 10 eine Steuereinheit 12 (ECU 1) für ein Bremssystem. Das Bremssystem bezieht sich dabei auf die Komponenten, die ein Bremsen des Fahrzeugs ermöglichen. Das Fahrzeug 10 umfasst ferner eine Steuereinheit 14 (ECU 2), die einen Antriebsstrang steuert. Der Antriebsstrang bezieht sich dabei auf die Antriebskomponenten des Fahrzeugs. Der Antriebsstrang kann einen Motor, ein Getriebe, eine Antriebs-/ Propellerwelle, ein Differential und einen Achsantrieb umfassen. Das Fahrzeug 10 umfasst ferner eine Steuereinheit 16 (ECU 3), die ein Lenksystem steuert. Das Lenksystem bezieht sich dabei auf die Komponenten, die eine Richtungssteuerung des Fahrzeugs ermöglichen.
Die Steuereinheiten 12, 14, 16 und 18 können ferner von den oben genannten Fahrzeugsubsystemen Fahrzeugbetriebsparameter empfangen, die diese mittels einem oder mehreren Fahrzeugsensoren erfassen. Fahrzeugsensoren sind vorzugsweise solche Sensoren, die einen Zustand des Fahrzeugs oder einen Zustand von Fahrzeugteilen erfassen, insbesondere deren Bewegungszustand. Die Sensoren können einen Fahrgeschwindigkeitssensor, einen Gierraten-Sensor, einen Beschleunigungssensor, einen Lenkradwinkelsensor, einen Fahrzeuglastsensor, Temperatursensoren, Drucksensoren und dergleichen umfassen. Beispielsweise können auch Sensoren entlang der Bremsleitung angeordnet sein, um Signale auszugeben, die den Bremsflüssigkeitsdruck an verschiedenen Stellen entlang der hydraulischen Bremsleitung anzeigen. Andere Sensoren in der Nähe des Rades können vorgesehen sein, welche die Radgeschwindigkeit und den Bremsdruck erfassen, der am Rad aufgebracht wird.
Die Fahrzeugsensorik des Fahrzeugs 10 umfasst darüber hinaus eine Satellitennavigationseinheit 24 (GNSS-Einheit). Es sei darauf hingewiesen, dass im Kontext der vorliegenden Erfindung GNSS stellvertretend für sämtliche Globale Navigationssatellitensysteme (GNSS) steht, wie z.B. GPS, AGPS, Galileo, GLONASS (Russland), Compass (China), IRNSS (Indien) und dergleichen.
Das Fahrzeug 10 umfasst ferner ein oder mehrere Sensoren, welche dazu ausgelegt sind, das Umfeld des Fahrzeugs zu erfassen, wobei die Sensoren am Fahrzeug montiert sind und Bilder des Umfelds des Fahrzeugs erfassen, oder Objekte oder Zustände im Umfeld des Fahrzeugs erkennen. Die Umfeldsensoren 26 umfassen insbesondere Kameras, Radar-Sensoren, Lidar-Sensoren, Ultraschall-Sensoren oder dergleichen. Die Umfeldsensoren 26 können innerhalb des Fahrzeugs oder außerhalb des Fahrzeugs (z. B. an der Außenseite des Fahrzeugs) angeordnet sein. Beispielsweise kann eine Kamera in einem vorderen Bereich des Fahrzeugs 10 zur Aufnahme von Bildern eines vor dem Fahrzeug befindlichen Bereichs vorgesehen sein.
Das Fahrzeug 10 umfasst ferner eine Sensorverarbeitungseinheit 22 (ECU 4), die in der Lage ist auf Grundlage von Sensordaten, die von den Umweltsensoren 20 in Form einer Punktwolke bereitgestellt werden, eine Rasterkarte mit Belegungswahrscheinlichkeiten zu bestimmen.
Das Fahrzeug 1 umfasst ferner eine Steuereinheit für autonomes Fahren 18 (ECU 5). Die Steuereinheit für autonomes Fahren 18 ist dazu ausgelegt, das Fahrzeug 1 so zu steuern, dass dieses ganz oder teilweise ohne Einfluss eines menschlichen Fahrers im Straßenverkehr agieren kann. Wenn steuerungsseitig oder fahrerseitig ein Betriebszustand für das autonome Fahren aktiviert ist, bestimmt die Steuereinheit für autonomes Fahren 18, auf Grundlage von zur Verfügung stehenden Daten über eine vorgegebene Fahrtstrecke, von den Umweltsensoren 20 aufgenommenen Umgebungsdaten bzw. den von der Sensorverarbeitungseinheit 22 bereitgestellten verarbeiteten Daten, sowie von mittels den Fahrzeugsensoren erfassten Fahrzeugbetriebsparametern, die der Steuereinheit 18 von den Steuereinheiten 12, 14 und 16 zugeleitet werden, Parameter für den autonomen Betrieb des Fahrzeugs (beispielsweise Soll-Geschwindigkeit, Soll-Moment, Abstand zum Vorausfahrzeug, Abstand zum Fahrbahnrand, Lenkvorgang und dergleichen).
Das Fahrzeug 10 umfasst ferner eine Benutzerschnittstelle 32 (HMI = Human-Machine-Interface), die einem Fahrzeuginsassen ermöglicht, mit einem oder mehreren Fahrzeugsystemen in Interaktion zu stehen. Diese Benutzerschnittstelle 32 (beispielsweise eine GUI = Graphical User Interface) kann eine elektronische Anzeige zum Ausgeben einer Graphik, von Symbolen und/oder Inhalt in Textform, und eine Eingabeschnittstelle zum Empfangen einer Eingabe (beispielsweise manuelle Eingabe, Spracheingabe und Eingabe durch Gesten, Kopf- oder Augenbewegungen) umfassen. Die Eingabeschnittstelle kann beispielsweise Tastaturen, Schalter, berührungsempfindliche Bildschirme (Touchscreen), Eye-Tracker und dergleichen umfassen.
2a zeigt ein Blockdiagramm, das eine beispielhafte Konfiguration einer Steuereinheit für autonomes Fahren 18 (ECU 5) darstellt. Bei der Steuereinheit für autonomes Fahren 18 kann es sich beispielsweise um ein Steuergerät (electronic control unit ECU oder Electronic Control Module ECM) handeln. Die Steuereinheit für autonomes Fahren 18 umfasst einen Prozessor 41. Bei dem Prozessor 41 kann es sich beispielsweise um eine Recheneinheit wie eine zentrale Verarbeitungseinheit (CPU = Central Processing Unit) handeln, die Programminstruktionen ausführt. Der Prozessor der Steuereinheit für autonomes Fahren 18 ist beispielsweise dazu ausgelegt, beim Fahren je nach geplantem Fahrmanöver, basierend auf den Informationen des sensorbasierten Umfeldmodells, eine optimale Fahrposition (beispielsweise Folgeabstand oder Lateralversatz zu einem Vorausfahrzeug oder dergleichen) unter Berücksichtigung des zulässigen Fahrspurbereichs zu berechnen. Die errechnete optimale Fahrposition wird zur Steuerung von Aktuatoren der Fahrzeugsubsysteme 12, 14 und 16, beispielsweise von Brems-, Antriebs- und/oder Lenkaktuatoren, verwendet. Die Steuereinheit für autonomes Fahren 18 umfasst ferner einen Speicher und eine Eingabe/ Ausgabe-Schnittstelle. Der Speicher kann aus einem oder mehreren nichtflüchtigen computerlesbaren Medien bestehen und umfasst mindestens einen Programmspeicherbereich und einen Datenspeicherbereich. Der Programmspeicherbereich und der Datenspeicherbereich können Kombinationen von verschiedenen Arten von Speicher umfassen, beispielsweise von einem Nur-Lese-Speicher 43 (ROM = Read-Only Memory) und einem Direktzugriffsspeicher 42 (RAM = Random Access Memory) (z. B. dynamischer RAM („DRAM“), synchron DRAM („SDRAM“) usw.). Ferner kann die Steuereinheit für autonomes Fahren 18 ein externes Speicherlaufwerk 44, wie beispielsweise ein externes Festplattenlaufwerk (hard disk drive: HDD), ein Flashspeicher-Laufwerk oder ein nicht flüchtiges Festkörperlaufwerk (solid state drive: SSD) umfassen. Die Steuereinheit für autonomes Fahren 18 umfasst ferner eine Kommunikationsschnittstelle 45, über welche die Steuereinheit mit dem Fahrzeugkommunikationsnetzwerk (28 in 2) kommunizieren kann.
2b zeigt schematisch eine erfindungsgemäße Sensorverarbeitungseinheit 22. Alle Bestandteile der Sensorverarbeitungseinheit 22 sind über ein internes Kommunikationsnetzwerk 46 verbunden. Die Sensorverarbeitungseinheit 22 umfasst einen anwendungsspezifischen integrierten Schaltkreis 47 (ASIC oder auch FPGA). Bei dem integrierten Schaltkreis 47 kann es sich beispielsweise um eine GPU oder ein GPU Cluster handeln. Der integrierte Schaltkreis 47 ist derart konfiguriert, dass es Sensordaten in Form einer Punktwolke in eine Belegungsrasterkarte für das Sichtfeld des Sensors überführt. Die Sensorverarbeitungseinheit 22 umfasst einen Prozessor 41. Bei dem Prozessor 41 kann es sich beispielsweise um eine Recheneinheit wie eine zentrale Verarbeitungseinheit (CPU = Central Processing Unit) handeln, die Programminstruktionen ausführt, um beispielsweise Informationen für die Verarbeitung durch den integrierten Schaltkreis 47 aufzubereiten. Die Sensorverarbeitungseinheit 22 umfasst ferner einen Speicher und eine Eingabe/ Ausgabe-Schnittstelle. Der Speicher kann aus einem oder mehreren nichtflüchtigen computerlesbaren Medien bestehen und umfasst mindestens einen Programmspeicherbereich und einen Datenspeicherbereich. Der Programmspeicherbereich und der Datenspeicherbereich können Kombinationen von verschiedenen Arten von Speicher umfassen, beispielsweise von einem Nur-Lese-Speicher 43 (ROM = Read-Only Memory) und einem Direktzugriffsspeicher 42 (RAM = Random Access Memory) (z. B. dynamischer RAM („DRAM“), synchron DRAM („SDRAM“) usw.). Ferner kann die Sensorverarbeitungseinheit 22 ein externes Speicherlaufwerk 44, wie beispielsweise ein externes Festplattenlaufwerk (hard disk drive: HDD), ein Flashspeicher-Laufwerk oder ein nicht flüchtiges Festkörperlaufwerk (solid state drive: SSD) umfassen. Die Sensorverarbeitungseinheit 22 umfasst ferner eine Kommunikationsschnittstelle 45, über welche die Steuereinheit mit dem Fahrzeugkommunikationsnetzwerk (28 in 2) kommunizieren kann.
3 zeigt einen beispielhaften Umfeldsensor 26, hier insbesondere einen Radarsensor. Der Radarsensor 26 ist ein Erkennungs- und Ortungsgerät auf der Basis elektromagnetischer Wellen im Radiofrequenzbereich. Der Radarsensor sendet ein Signal als gebündelte elektromagnetische Welle aus (Primärsignal) und empfängt die von Objekten reflektierten Echos (Sekundärsignal). Über daraus erhaltene Informationen wie beispielsweise Laufzeitunterschiede werden Informationen über Detektionsereignisse („Zielpunkte“) P₁(r₁, (φ₁, θ₁, v₁, I₁), P₂(r₂, (φ₂, θ₂, v₂, I₂), P₃ (r₃, (φ₃, θ₃, v₃, I₃) ... , P_i(r_i, φ_i, θ_i, v_i, I_i) gewonnen, wie beispielsweise Azimutwinkel φ_i und Elevationswinkel θ_i, welche die Richtung zum Zielpunkt beschreiben, die Entfernung r_i zum Zielpunkt, die Radialgeschwindigkeit v_i und die Lateralgeschwindigkeit I_i, welche die Relativbewegung zwischen Radarsensor 26 und Zielpunkt P_i beschreiben. Die Relativbewegung kann beispielsweise durch den Doppler-Effekt aus der Verschiebung der Frequenz des reflektierten Signals berechnet werden. Durch Aneinanderreihen einzelner Messungen kann ggf. die Wegstrecke und die Absolutgeschwindigkeit eines Zielpunktes P_i ermittelt werden. Indem eine große Menge an Zielpunkten P_i (genannt „Punktwolke“) in ihrer Gesamtheit ausgewertet werden, können Zielpunkte P_i als zu einem eindeutigen Objekt zugehörig identifiziert werden (Clustering-Verfahren), Konturen von Objekten erkannt werden und bei ausreichender Auflösung des Radarsensors 26 Bilder der Objekte gewonnen werden.
Die 4a, b, c zeigen die Gewinnung einer zweidimensionalen Rasterkarte aus Detektionsereignissen eines Radarsensors. In 4a liegt ein Sichtbereich 31 eines Radarsensors vor dem Fahrzeug 1, auf dem der Radarsensor installiert ist. Im Sichtbereich 31 des Radarsensors befindet sich ein Objekt 32. Die am Objekt 32 reflektierten Radarwellen erzeugen im Radarsensor Detektionsereignisse, welche der Radarsensor in Form von Zielpunkten P_i ausgibt. Die Gesamtheit der auf diese Weise detektierten Detektionsereignisse liegen in Form einer Punktwolke vor, welche in einer Auswerteeinheit beim Sensor (oder auch extern) ausgewertet werden kann. 4b zeigt eine zweidimensionale Rasterkarte 33 (auch kurz „Grid“ genannt), welche so ausgelegt ist, dass sie den Sichtbereich 31 des Radarsensors kartesisch in Zellen gliedert. Durch die dem Fachmann bekannte Transformation der Ortskoordinaten aus dem Polarkoordinatensystem des Radarsensors in das kartesische Koordinatensystem der Rasterkarte 33 kann jeder Zielpunkt P_i eindeutig einer Zelle der Rasterkarte zugeordnet werden. In 4c sind jene Zellen, in denen jeweils mindestens ein Zielpunkt P_i enthalten ist, schraffiert dargestellt, wogegen jene Zellen, denen keine Zielpunkte P_i zugeordnet werden können, schraffiert dargestellt sind.
In eine derartige Rasterkarte werden sämtliche Sensordaten, hauptsächlich Punkwolken eingetragen. Mittels bekannter Techniken der Sensorfusion können in eine derartige Rasterkarte die Detektionsereignisse und daraus abgeleiteten Informationen mehrerer Umgebungssensoren eingeordnet werden. Dabei kann es sich auch um die Detektionsereignisse von Sensoren unterschiedlicher Sensortypen handeln, beispielsweise Radarsensoren, Lidarsensoren, Ultraschall oder dergleichen. Sind die Sensoren um das Fahrzeug verteilt, kann solch eine Rasterkarte die Umgebung rund um das Fahrzeug abbilden.
Durch Unterscheidung statischer und dynamischer Ziele kann die statische Umgebung des Fahrzeugs 1 erkannt werden. Auf diese Weise, und/oder durch Heranziehen von Informationen über die Eigenbewegung des Fahrzeugs 1 (auch „Ego-Bewegung“ genannt), wie beispielsweise der Fahrzeuggeschwindigkeit und der Fahrzeugposition (siehe GNSS 24 in 1) können die Informationen der Rasterkarte 33 aus den 4a, b, c in eine akkumulierte Rasterkarte eingetragen werden. Das Fahrzeug 1 bewegt sich auf dieser akkumulierten Rasterkarte und die neue Position des Fahrzeugs 1 wird kontinuierlich neu berechnet. Die Sensordaten werden in jedem Messzyklus mit einer kompensierten Fahrzeugposition in die akkumulierte Rasterkarte eingetragen. Mit diesem Ansatz können Sensordaten über die Zeit akkumuliert und statistisch (im Bezug zu einem „globalen“ Koordinatensystem) erfasst und ausgewertet werden.
5 zeigt beispielhaft eine während einer Testfahrt gewonnene akkumulierte Rasterkarte, welche die Umgebung des Fahrzeugs aus der Vogelperspektive. Die Rasterkarte zeigt eine beispielhafte akkumulierte Punktwolke, die mit mehreren hochauflösende Radarsensoren erfasst wurde. Die akkumulierte Rasterkarte deckt ein Gebiet von 400m auf der x-Achse und 200m auf der y-Achse ab und hat eine Auflösung von beispielsweise 20 cm x 20 cm (die Beschriftung der Rasterkarte der 5a entspricht Zellen und nicht Metern und entspricht somit der Auflösung der Rasterkarte). Die Rasterkarte kann durch die akkumulierten Messungen beliebig groß gewählt werden. Insbesondere ist der durch die Akkumulation gewonnene Bereich vor und hinter dem Ego-Fahrzeug groß genug, um den Straßenverlauf schätzen zu können. Durch visuellen Vergleich mit Kamerabildern können einige der Punkte der Punktwolke bereits ihren Entsprechungen in der Realwelt zugeordnet werden (siehe gestrichelte Pfeile und entsprechende Beschriftung). Beispielsweise sind zwei Leitpfosten und ein Pfosten einer Leitplanke zu erkennen. Auch ist aus der Fahrdynamik und aufgrund der Informationen von Positionssensoren die Ego-Trajektorie des Fahrzeugs bekannt.
6 zeigt ein Flussdiagramm eines Algorithmus zur Leitpfosten-Klassifizierung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung. Der in 6 beschriebene Algorithmus versucht die zur Verfügung stehende Informationen möglichst gut zu verwerten. Dabei werden auch Spezialsituationen, in denen z.B. keine Straßenverlaufsschätzungen zur Verfügung stehen berücksichtigt. In einem Schritt S601 werden die zu verschiedenen Zeiten aufgenommen Gridkarten der Sensoren in einer akkumulierten Rasterkarte gesammelt, wie dies oben unter Bezugnahme auf die 4a, b, c und 5 beschrieben wurde. In einem Schritt S602 werden auf Grundlage der Informationen in der akkumulierten Rasterkarte durch eine Peak-Suche in der akkumulierten Rasterkarte potentielle Leitpfosten ermittelt und als solche markiert. Ein Leitpfosten im Sichtfeld der Radarsensoren oder Lidarsensoren führt zu wiederholten Detektionen und somit Punkten in der Punktewolke, was sich in einem lokalen Maximum der Belegungswahrscheinlichkeiten an der Stelle des Leitpfostens in der akkumulierten Rasterkarte ausdrückt. Die Peak-Suche erkennt solche Maxima in der Belegungswahrscheinlichkeit und zieht ggf. auch Informationen über die Ausdehnung des Peaks heran, um auf das Vorliegen eines potentiellen Leitpfostens rückzuschließen. Beispielsweise kann die Peak-Suche dadurch erfolgen, dass ein bestimmter vorgegebener Schwellwert in der Belegungswahrscheinlichkeit einer Rasterzelle überschritten sein soll, die benachbarten Zellen aufgrund der geringen Ausdehnung eines Leitpfostens in X- und Y-Richtung dagegen ein deutlcihes Abfallen der Belegungswahrscheinlichkeit aufzeigen sollten, damit auf das potentielle Vorliegen eines Leitpfostens geschlossen wird. Stehen in einer evidenziellen Rasterkarte noch weiter Informationen wie Höheninformationen zum detektierten Objekt zur Verfügung, werden solche Informationen vorzugsweise bei der Identifizierung von potentiellen Leitpfosten mit berücksichtigt. Auf diese Weise wird eine Menge an Objekten aufgefunden und dementsprechend markiert, die jeweils potentielle Leitpfosten darstellen. Punkte der Punktwolke, welche potentiellen Leitpfosten zugeordnet werden können, werden auf diese Weise in der Rasterkarte also solche markiert.
Die prädizierte Ego-Trajektorie des Fahrzeugs kann ferner dazu genutzt werden, die in Schritt S602 markierten Objekte in zwei Gruppen zu unterteilen, nämlich potentielle Leitpfosten links und rechts vom Straßenrand, und entsprechend zu markieren.
In einem Schritt S603 wird geprüft, ob aus zuvor ausgeführten Algorithmen bzw. Prozessen bereits Straßenverlaufsinformationen, beispielsweise aus einer dem Fachmann bekannten Analyse von Fahrspurmarkierung, zur Verfügung stehen. Wird bei Schritt S603, erkannt, dass keine Straßenverlaufsinformationen zur Verfügung stehen, fährt der Algorithmus bei S610 mit einem Prozess der Suche nach validen Leitpfostenkombinationen auf Grundlage der potentiellen Leitpfosten fort (siehe 9 und entsprechende Beschreibung) und/oder bei S609 mit einem Prozess der Suche nach Begrenzungen von Trajektorien dynamischer Objekte (siehe 10 und entsprechende Beschreibung) fort. Bei zur Verfügung stehenden vorausfahrenden dynamischen Objekten wird Schritt S609 präferiert ausgeführt, um eine Vorselektion der potentiellen Leitpfosten durchzuführen. Durch die Schritte S609 und S610 alleine oder in Kombination steht ein erster approximierter Straßenverlauf und Informationen über mögliche Leitpfosten zur Verfügung und der Prozess fährt in einem Schritt S605 mit der Weiterverarbeitung der potentiellen Leitpfosten fort.
Wird dagegen bei Schritt S603, erkannt, dass Straßenverlaufsinformationen zur Verfügung stehen (beispielsweise aus einer vorhergehenden Analyse von Fahrspurmarkierungen), so brauchen die Prozesse der Schritte S609 und S610 nicht ausgeführt werden und der Algorithmus fährt mit Schritt S604 fort. Bei Schritt S604 wird auf Grundlage der potentiellen Leitpfosten eine Least-Squares-Optimierung des Straßenverlaufs unter Verwerfen von Ausreißern durchgeführt, wie dies unten unter Bezugnahme auf 8a näher beschrieben ist, wodurch die Abschätzung des Straßenverlaufs verbessert wird. Mit dieser verbesserten Abschätzung des Straßenverlaufs und den Informationen über mögliche Leitpfosten fährt der Prozess in einem Schritt S605 mit der Weiterverarbeitung der potentiellen Leitpfosten fort.
In einem nächsten Schritt S605 wird nun die Approximation des Straßenverlaufs und die Identifikation der Leitpfosten verbessert, indem die Distanz zwischen Straßenverlauf und den jeweiligen Straßengrenzern für verschiedene Leitpfosten-Kombinationen überprüft wird, wie dies unten unter Bezugnahme auf 12 näher beschrieben ist. In einem nächsten Schritt S606 wird nun die Identifikation der Leitpfosten verbessert werden, indem die Symmetrie zwischen gegenüberliegenden potentiellen Leitpfosten betrachtet wird, wie dies unten unter Bezugnahme auf die 14 näher beschrieben ist. In einem Schritt S607 wird schließlich basierend auf allen ermittelten Informationen für jedes als potentieller Leitpfosten markierte Objekt eine Wahrscheinlichkeit ermittelt, dass es sich bei dem markierten Objekt wirklich um einen Leitpfosten handelt Mit dieser finalen Berechnung der Wahrscheinlichkeiten endet der Algorithmus zur Leitpfosten-Klassifizierung.
Der Algorithmus der 6 ist regelbasiert und löst die Aufgabe der Klassifikation von Objekten als Leitpfosten durch das Ausnutzen von Regelmäßigkeiten in der Anordnung von Leitpfosten am Straßenrand (sie folgen üblicherweise in einem bestimmten Abstand aufeinander) (vgl. Schritt S605 in 6) und dem Abgleich eines den Stra-ßenverlauf beschreibenden Polynomverlaufs durch als potenzielle Straßenleitpfosten markierte, statische Objekte mit kamerabasiert ermittelten Fahrspurmarkierungen, Straßenkantenschätzungen (Schritt S604 in 6) und möglicherweise der Historie von Fahrtrajektorien von vorausfahrenden dynamischen Objekten (PKW, LKW) (vgl. Schritt S609 in 6). Des Weiteren kann die Eigenschaft, dass Leitpfosten meistens auf beiden Fahrbahnseiten stehen, ausgenutzt werden (vgl. Schritt S606 in 6).
7 zeigt die Rasterkarte der 5, jedoch ergänzt um zusätzliche Informationen, die aus der Ermittlung potentieller Leitpfosten (S602 in 6) und aus dem Fachmann bereits bekannten, vorausgehenden Algorithmen zur Verfügung stehen. In die Rasterkarte der 7 sind insbesondere sämtliche aus der Ermittlung potentieller Leitpfosten (S602 in 6) bekannten Objekte durch Kreise markiert, welche als Leitpfosten in Frage kommen. In 7 sind zudem weitere Informationen aufgenommen, welche dem Algorithmus der 6 ggf. aus vorausgehenden Algorithmen zur Verfügung stehen. Die aus der Fahrdynamik und aufgrund von Informationen von Positionssensoren bekannte Ego-Trajektorie des Fahrzeugs ist in 7 durch eine gestrichelte Linie markiert. Aus einer dem Fachmann bekannten Analyse von Kamerabildern sind ferner bereits Informationen über den Straßenverlauf bekannt. Zum Beispiel liegen Informationen über Straßenmarkierungen vor, wie insbesondere hier der gestrichelt markierte Verlauf der Mittellinie. Ebenso liegen als Informationen über den Straßenverlauf ggf. Schätzungen für die linken und rechten Straßengrenzen vor, welche in 7 durch einen jeweiligen gepunkteten Polynomverlauf angegeben sind. Liegen solche Informationen vor (siehe Schritt S603 des Algorithmus der 6), so werden diese im weiteren Algorithmus berücksichtigt (Schritt S604, S605 und S606 des Algorithmus der 6). Liegen solche Informationen über den Straßenverlauf nicht vor (siehe Schritt S603 des Algorithmus der 6), so werden solche Informationen durch Auswertung der Punktewolke der akkumulierten Rasterkarte gewonnen (vgl. Schritte S609 und S610 der 6).
Die 8a und 8b zeigen den Prozess der Least-Squares-Optimierung eines Pfads durch die als potentielle Leitpfosten erkannten Objekte (Schritt S604 in 6). Steht eine Straßenverlaufsschätzung (Road boundary estimation) zur Verfügung, kann das Polynom, das den Straßenverlauf beschreibt (bzw. die Parameter, welche das Polynom beschreiben), durch ein Ausgleichsverfahren, wie hier dem Least-Squares-Algorithmus, unter Verwerfen von Ausreißern („outlier rejection“) optimiert werden. Dabei wird beispielsweise die euklidische Distanz der potentiellen Leitpfosten zum Polynom minimiert. Dadurch wird das Polynom so verschoben bzw. modifiziert, dass es durch möglichst viele potentielle Leitpfosten verläuft. Die potentiellen Leitpfosten, die zu weit vom verschobenen Polynom entfernt sind, werden vom Optimierungsprozess als sogenannte Ausreißer („outlier“) erkannt und bei der weiteren Klassifizierung nicht mehr berücksichtigt. D.h. potentielle Leitpfosten, welche als Ausreißer erkannt werden, werden nicht mehr also solche markiert und somit als potentielle Leitpfosten verworfen. Derartige Verfahren sind dem Fachmann bekannt. Weisberg, S. in „Applied Linear Regression", 2005, Wiley Series in Probability and Statistics, third edition, Wiley-Interscience, Hoboken, NJ beschreibt beispielsweise ein Verfahren, bei dem erst Ausreißer erkannt werden und dann mit den verbleibenden Daten eine Optimierung erfolgt. Auch kann einer der vielen bekannten Ansätze verwendet werden, bei denen eine Ausreißererkennung und eine robuste Regression gleichzeitig durchgeführt werden. Beispiele für solche Verfahren sind von Xiaoli Gaoet al. in „Penalized Weighted Least Squares for Outlier Detection and Robust Regression", ar-Xiv:1603.07427v1 [stat.ME], 24. März 2016, angeführt. 8a zeigt ein beispielhaftes Ergebnis einer solchen Least-Squares-Optimierung mit Ausreißer-Erkennung. Die punktierten Linien zeigen wie in der 7 den aus vorangehenden Methoden geschätzten Polynomverlauf der linken und rechten Straßengrenzen. Die durchgezogene Linie in der 8a zeigen jeweilige mittels Least-Squares-Fit der potentiellen Leitpfosten optimierte Polynomverläufe für die linken bzw. rechten Straßengrenzen.
Ein Objekt, das als potentieller Leitpfosten markiert ist, weicht deutlich von den optimierten Straßengrenzen ab und wird vom Optimierungsalgorithmus als Ausreißer erkannt und demgemäß verworfen. 8b zeigt mit einer zusätzlichen fetten durchgezogenen Linie zudem einen fehlgeschlagenen Polynomfit, bei dem die euklidische Distanz der potentiellen Leitpfosten zum Polynom nicht optimal ist und der von dem Least-Squares-Optimierungsprozess folglich verworfen wird.
9 zeigt eine mögliche Ausführungsform für einen Algorithmus zur Suche nach validen Leitpfostenkombinationen, um Informationen über den Straßenverlauf zu gewinnen (S610 in 6). Hierbei wird in einem ersten Schritt S901 nach dem Start des Algorithmus zunächst ein Suchgebiet in der akkumulierten Rasterkarte abhängig von der Ego-Orientierung des Fahrzeugs, bestimmt. Beispielsweise kann als Suchgebiet ein Sektor in Richtung der Ego-Orientierung des Fahrzeugs mit einem Öffnungswinkel von +ϕ bis -ϕ um die Ego-Orientierung gewählt werden, wobei ϕ ein vorgegebener Winkel (z.B. 30°, etc.) ist, der den Öffnungswinkel des Sektors definiert. Das Suchgebiet ist dabei nicht auf das aktuelle Blickfeld der Sensoren des Fahrzeugs beschränkt, da die akkumulierte Karte auch Bereich außerhalb der Sichtbereiche der einzelnen Sensoren abdeckt. In einem nächsten Schritt S902 wird mit einem Ausgleichsverfahren, hier beispielsweise einem Least-Square-Algorithmus (Methode der kleinsten Quadrate), ein Polynom durch valide Kombinationen von im Suchbereich liegenden potentiellen Leitpfosten gelegt, um den linken bzw. rechten Straßenverlauf abzuschätzen. Da Least-Square-Algorithmen bei einer größeren Anzahl von Ausreißern oft versagen, wird der Least-Square-Algorithmus durch einen RANSAC-Algorithmus unterstützt, der auf Grundlage eines Modells für den Straßenverlauf (z.B. polynomialer Straßenverlauf), bei jeder Iteration des Algorithmus eine valide Kombination von Leitpfosten erzeugt, d.h. eine um Ausreißer bereinigten Untermenge (sogenanntes „Consensus Set“) der Leitpfosten. Durch diese valide Kombination an Leitpfosten wird mittels des Least-Square-Verfahrens ein Polynom gelegt, das als eine Abschätzung des linken oder rechten Fahrbahnrandes betrachtet werden kann. Der RANSAC-Algorithmus testet auf diese Weise iterativ zufällige Kombinationen (oder auch „Untermengen“) aus der Gesamtmenge der Objekte, die potentielle Leitpfosten darstellen, wie sie durch Schritt S602 der 6 gewonnen wurden. Diese Untermengen sind beispielsweise alle möglichen Polynome, die durch die Objekte (Leitpfosten) gelegt werden können, mit Berücksichtigung von Einschränkungen wie z.B. dem vorgegebenen Suchbereich. Der RANSAC wird vorzugsweise so parametriert, dass Leitpfostenkandidtaten die als „Inlier“ erachtete werden (d.h. keine Ausreißer sind) relativ Nahe im Bereich der RANSAC-Suchlinie liegen. Anschließend wird durch den Least Square-Fit ein genaueres Polynom durch die mittels RANSAC aufgefundenen Punkte (potentielle Leitpfosten) der Untermenge gelegt. Durch den RANSAC-Algorithmus werden Polynomverläufe durch Kombinationen potentieller Leitpfosten ausgeschlossen, die zu viele Ausreißer aufweisen. Damit können nicht valide Leitpfostenkombinationen mit Leitpfosten sowohl auf der linken als auch auf der rechten Straßenseite ausgeschlossen werden. Schritt S902 liefert eine Untermenge aller Kombinationen von Leitpfosten, die ein plausibles Polynom auf der linken oder rechten Straßenseite darstellen können. In Schritt S903 wird geprüft, ob bereits genug Kombinationen geprüft wurden, beispielsweise indem ermittelt wird, ob die Zahl der kombinatorisch möglichen Kombinationen getestet wurden, oder eine vorgegebene Maximalzahl an getesteten Kombinationen (Iterationen) erreicht wurde. Wird bei Schritt S903 erkannt, dass noch nicht genug Kombinationen gefunden bzw. geprüft wurden, so kehrt der Algorithmus zu Schritt S902 zurück und führt eine weitere Iteration des RANSAC bzw. des iterativen Fittens eines Polynoms durch jene Objekte durch, die als potentielle Leitpfosten markiert sind, um weitere Kombinationen zur erkennen. Wird bei Schritt S903 dagegen erkannt, dass genug Konfigurationen (alle benötigten oder erwünschten Kombinationen) aufgefunden wurden, endet der Algorithmus. Nur Leitpfosten der aufgefundenen validen Kombinationen von potentiellen Leitpfosten werden als potentielle Leitpfosten weiterverwendet. Objekte, die nach dem Prozess keiner validen Kombination von Leitpfosten zugeordnet werden können, werden aus der Menge der potentiellen Leitpfosten verworfen, indem beispielsweise eine entsprechende Markierung entfernt wird.
In 10 zeigt eine beispielhafte Ausführungsform des Prozesses der Auswertung von Trajektorien dynamischer Objekte, um Informationen über den Straßenverlauf zu gewinnen (Schritt S609 in 6). Dabei werden getrackte Trajektorien vorausfahrender Fahrzeuge oder anderer dynamischer Objekte einbezogen und es wird versucht, mit einer geglätteten Trajektorie des dynamischen Objekts die Menge der potentiellen Leitpfosten zu begrenzen. In einem ersten S1001 werden potentielle Leitpfosten unter Zuhilfenahme vorausberechneter Trajektorien dynamischer Objekte in die beiden Gruppen „links“ und „rechts“ (der Straße) separiert. Hierzu werden vorausberechnete Trajektorien anderen dynamischer Objekte als dem Ego-Fahrzeug selbst, verwendet. Hierbei wird die Tatsache ausgenutzt, dass Fahrzeuge üblicherweise auf der Straße fahren, also genau zwischen Leitpfosten, die die linke Straßenbegrenzung markieren und Leitpfosten, die die rechte Straßenbegrenzung markieren. In einem nächsten Schritt S1002 wird eine Least-Squares-Optimierung unter Erkennung von Ausreißern einer „geglätteten“ dynamischen Objekt-Trajektorie jeweils durch die in „links“ und „rechts“ aufgeteilten Leitpfosten gefittet (wie bereits in Bezug auf die 8a, b beschrieben), um so eine Abschätzung des Fahrbahnverlaufs bzw. der Fahrbahngrenzen zu erhalten und einschätzen zu können, bei welchen der potentiellen Leitpfosten es sich tatsächlich um solche handelt. Die verbleibende Menge an Leitpfosten wird dann zur Weiterverarbeitung bereitgestellt (d.h. an den nächsten Schritt S604 von 6 übergeben). Damit endet der Prozess der Auswertung von Trajektorien dynamischer Objekte.
Ist diese Vorselektierung der Schritte S604, S609 und S610 durch diese Prozesse erfolgreich, kann wie unten in Bezug auf die 12 und 14 näher beschrieben, eine Kombination von potentiellen Leitpfosten extrahiert werden, die vermutlich Leitpfosten darstellen.
11 zeigt ein beispielhaftes Ergebnis der Vorselektion potentieller Leitpfosten durch den Prozess der Least-Squares-Optimierung der 8a, b. Im Vergleich zu 7 wurden Ausreißer bereits durch die Least-Squares-Optimierung mit Ausreißer-Erkennung verworfen.
12 zeigt ein einen beispielhaften Prozess der Überprüfung der Abstände der potentiellen Leitpfosten zueinander, wie er in Schritt S605 der 6 vorgenommen wird. Der Prozess basiert auf den durch den Prozess der Least-Square-Optimierung der 8a, b (siehe auch S604 in 6) gewonnen optimierten Informationen über den Straßenverlauf, insbesondere den jeweiligen optimierten Polynomverläufen für den linken bzw. den rechten Straßenrand. Durch einen Plausibilitätstest, welcher die Abstände benachbarter Leitpfosten zueinander in Richtung des Straßenverlaufs berücksichtigt, wird die Menge der potentiellen Leitpfosten weiter eingeschränkt. In einem Schritt S1201 werden für einen zu prüfenden potentiellen Leitpfosten in Richtung des entsprechenden gefitteten Polynoms für den linken bzw. den rechten Fahrbandrand die benachbarten Leitpfosten ermittelt. In Schritt S1202 wird der Abstand zwischen dem zu prüfenden Leitpfosten und seinem vorausgehenden Leitpfosten ermittelt. In Schritt S1203 wird der Abstand zwischen dem zu prüfenden Leitpfosten und seinem nachfolgenden Leitpfosten ermittelt. In Schritt S1204 wird ermittelt, ob es sich bei beiden Abständen um einen unüblichen Abstand handelt. Hierbei wird die Tatsache ausgenutzt, dass aufeinanderfolgende Leitpfosten üblicherweise einen bestimmten Abstand d₁ voneinander aufweisen, die vorbekannt ist und beispielsweise ungefähr 50m beträgt. Dieser vorbekannte Abstand d₁ kann sich beispielsweise aus entsprechenden Regularien ergebenen, wobei ggf. nationale oder regionale Abweichung der Regularien berücksichtigt werden können. Wird erkannt, dass ein potentieller Leitpfosten einen unüblichen Abstand von seinen unmittelbaren Nachbarn auf der gleichen Straßenseite aufweist, dann wird dieser als potentieller Leitpfosten verworfen. Wird in Schritt S1205 erkannt, dass unübliche Abstände vorliegen, so fährt der Prozess mit Schritt S1205 fort. Bei Schritt S1205 wird der zu prüfende Leitpfosten, der als unüblich positioniert erkannt wurde verworfen. Wird in Schritt S1205 dagegen erkannt, dass übliche Abstände vorliegen, so endet der Prozess ohne Verwerfen des potentiellen Leitpfostens.
Im Ausführungsbeispiel der 12 wird beim Erkennen unüblicher Abstände ein Leitpfosten verworfen. In alternativen Ausführungsformen kann allerdings je nach Abweichung der Abstände von der Norm die Wahrscheinlichkeit („Confidence“) dafür modifiziert werden, dass es sich bei dem zu prüfenden Leitpfosten tatsächlich um einen handelt. So kann diese Wahrscheinlichkeit bei großen Abweichungen von der Norm stark verkleinert werden.
13 zeigt ein beispielhaftes Ergebnis des Prozesses der Überprüfung der Abstände der potentiellen Leitpfosten zueinander. Leitpfosten im Abstand d1 werden als üblich beabstandet erkannt, wogegen Leitpfosten im Abstand d2 zu eng beabstandet sind, so dass ein Leitpfosten vermutlich fehlerhaft als potentieller Leitpfosten klassifiziert wurde, was durch den Prozess der 12 erkannt wird, so dass der Leitpfosten, der als unüblich positioniert erkannt wird, verworfen werden kann (Schritt S1205 der 12).
Der Abstand des MPD zum Straßenrand (wenn bekannt) wird ebenfalls bei der Berechnung der Sicherheit für die Objektklasse berücksichtigt.
14 zeigt ein einen beispielhaften Prozess der Überprüfung der Symmetrie eines potentiellen Leitpfosten bezüglich einem potentiellen Leitpfosten auf der Gegenüberliegenden Straßenseite, wie er in Schritt S606 der 6 vorgenommen wird. Der Prozess basiert auf den durch den Prozess der Least-Square-Optimierung der 8a, b (siehe auch S604 in 6) gewonnen optimierten Informationen über den Stra-ßenverlauf, insbesondere den jeweiligen optimierten Polynomverläufen für den linken bzw. den rechten Straßenrand. Durch einen Plausibilitätstest, welcher die Symmetrie gegenüberliegender Leitpfosten berücksichtigt, wird die Menge der potentiellen Leitpfosten weiter eingeschränkt. In einem Schritt S1401 werden für einen zu prüfenden potentiellen Leitpfosten ein Leitpfosten auf der gegenüberliegenden Fahrbahnseite ermittelt. In Schritt S1402 wird die Symmetrie zwischen dem zu prüfenden Leitpfosten und seinem gegenüberliegenden Leitpfosten ermittelt. In Schritt S1403 wird ermittelt, ob eine Symmetrie vorliegt. Hierbei wird die Tatsache ausgenutzt, dass zwischen Leitpfosten auf den gegenüberliegenden Fahrbahnseiten üblicherweise einen Symmetrie herrscht. Wird erkannt, dass ein potentieller Leitpfosten keiner unüblichen Symmetrie zu einem Nachbarn auf der anderen Straßenseite aufweist, dann wird dieser als potentieller Leitpfosten verworfen. Wird in Schritt S1403 keine Symmetrie erkannt, so fährt der Prozess mit Schritt S1404 fort. Bei Schritt S1404 wird der zu prüfende Leitpfosten, der als unüblich positioniert erkannt wurde verworfen. Wird in Schritt S1404 dagegen erkannt, dass eine Symmetrie vorliegt, so endet der Prozess ohne Verwerfen des potentiellen Leitpfostens.
15 zeigt das Ergebnis eines solchen Symmetrie-Checks. Es können drei symmetrische Paare an potentiellen Leitpfosten erkannt werden. Für einen Leitpfosten gibt es keinen Symmetriepartner. Infolge dessen wird dieser nicht zuordenbare Leitpfosten verworfen.
Mit der auf diese Weise aufgefundene Menge an Leitpfosten können nun robustere Aussagen über den Straßenverlauf getroffen werden, als mit der ursprünglichen Menge an potentiellen Leitpfosten, die durch Peak-Suche in der akkumulierten Rasterkarte identifiziert wurde (Schritt 602 in 6).
Leitpfosten sind in Deutschland 50 Zentimeter von der äußersten befestigten Kante der Straßenoberfläche und in der Regel im Längsabstand in der Geraden und der Ebene von 50 Meter aufgestellt. In Kurven stehen die Leitpfosten je nach Radius bzw. Halbmesser der Kurve in geringerem Abstand. Bei einem Kurvenradius von 20 m stehen die Leitpfosten üblicherweise in einem Abstand von 3 m, bei einem Kurvenradius von 50 m in einem Abstand von 5 m, bei einem Kurvenradius von 100 m in einem Abstand von 10m, bei einem Kurvenradius von 300 m in einem Abstand von 20 m, bei einem Kurvenradius von 600 m und mehr in einem Abstand von 50 m. Aus dem Polynom, das den Verlauf der Leitpfosten angibt, kann folglich auf den Verlauf der äußersten befestigten Kante der Straßenoberfläche geschlossen werden. Der Abstand der Leitpfosten voneinander gibt zudem einen Hinweis über den Kurvenradius und damit auch einen Hinweis auf den weiteren Verlauf der Straße.
Ferner noch kann die hier vorgestellte Erfindung erweitert werden, indem die Erfindung in Kombination mit einer Leitplankenerkennung zur Erkennung einer Autobahnfahrt, in Kombination mit einer Baumklassifizierung, in Kombination einer Fahrbahnschätzung durch Approximierung der Fahrbahnkante durch die Leitpfosten (Leitpfosten stehen ca. 30cm vom Fahrbahnrand entfernt) verwendet wird. Diese Kombination kann mittels zwei seperater Vorrichtungen oder einer einzelnen, kombinierten Vorrichtung realisiert werden.
Bezugszeichenliste

12: ECU 1 Bremssystem
14: ECU 2 Antriebsstrang
16: ECU 3 Lenksystem
18: ECU 5 autonomes Fahren
22: ECU 4 Sensorverarbeitung
24: GNSS
26: Umfeldsensoren
25: HMI
32: Objekt (Fahrzeug)
31: Sichtbereich des Sensors
P_i: Punkte (Detektionen)
33: Rasterkarte
34: Zelle der Rasterkarte mit hoher Belegungswahrscheinlichkeit
35: Zelle der Rasterkarte mit niedriger Belegungswahrscheinlichkeit
41: CPU
42: RAM
43: ROM
45: CAN-IF
44: Speichereinheit
47: Applikationspezifischer Schaltkreis

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

Weisberg, S. in „Applied Linear Regression“, 2005, Wiley Series in Probability and Statistics, third edition, Wiley-Interscience, Hoboken [0042]
Xiaoli Gaoet al. in „Penalized Weighted Least Squares for Outlier Detection and Robust Regression“, ar-Xiv:1603.07427v1 [stat.ME], 24. März 2016 [0042]

Claims

Verfahren zur Gewinnung von Informationen über einen Straßenverlauf, wobei das Verfahren ein Erzeugen (S601) einer akkumulierten Rasterkarte aus Daten, die von verschiedenen Umfeldsensoren gewonnen werden umfasst, sowie ein Ermitteln (S602), auf Grundlage der Informationen in der akkumulierten Rasterkarte, einer Menge von Objekten, die potentielle Straßenbegrenzer darstellen.
Verfahren nach Anspruch 1, wobei das Verfahren eine Suche (S610) nach validen Kombinationen von potentiellen Straßenbegrenzern auf Grundlage der Menge der potentiellen Straßenbegrenzer umfasst.
Verfahren nach Anspruch 2, wobei die Suche (S610) nach Fahrbahnbegrenzungen auf einem Ausgleichsverfahren beruht, das unterstützt wird durch einen Algorithmus zur Berechnung einer um Ausreißer bereinigten Untermenge der potentiellen Straßenbegrenzer.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren ferner ein Aufteilen (S602) der Menge von Objekten in zwei Gruppen, nämlich potentielle Straßenbegrenzer links und rechts vom Straßenrand, umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren ferner eine Vorselektion (S609) potentieller Straßenbegrenzer auf Grundlage von Trajektorien dynamischer Objekte umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren eine Optimierung (S604) einer vorbekannten Schätzung des Straßenverlaufs auf Grundlage der Menge der potentiellen Straßenbegrenzer unter Verwerfen von Ausreißern umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren eine Überprüfung (S605) der Distanz zwischen Straßenverlauf und den jeweiligen potentiellen Straßenbegrenzern umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren eine Berücksichtigung (S606) der Symmetrie zwischen gegenüberliegenden potentiellen Straßenbegrenzern umfasst.
Vorrichtung, die einen Prozessor aufweist, der dazu ausgelegt ist, das Verfahren nach einem der Ansprüche 1 bis 8 auszuführen.
Computerprogramm, umfassend Instruktionen, die, wenn sie auf einem Prozessor ausgeführt werden, das Verfahren nach einem der Ansprüche 1 bis 8 implementieren.