-
Stand der Technik
-
Auf dem Gebiet der autonom betriebenen Fahrzeuge sind exakte Kartendaten mit weltweiter Abdeckung eine wichtige Voraussetzung. Durch exakte Kartendaten kann die Fähigkeit eines autonom betriebenen Fahrzeugs auf Umfelddaten zu reagieren erheblich verbessert werden. Üblicherweise werden Strecken mit Messfahrzeugen abgefahren, um Kartendaten zu ermitteln. Solche Messfahrzeuge sind mit umfangreicher Sensorik ausgestattet um Daten zu gewinnen, die in die Kartenerstellung einfließen können (beispielsweise Radar, Lidar, Kameras, Positionierungsinstrumente (GNSS and IMU) etc.).
-
Die Erstellung von exakten Kartendaten, die für den Betrieb von autonom betriebenen Fahrzeugen erforderlich sind, erfordert normalerweise umfangreiche Bearbeitung von Kartendaten. Dies gilt insbesondere in Bereichen mit begrenzter GNSS-Verfügbarkeit, wie beispielsweise Tunneln, Städten, in der Umgebung von hohen Gebäuden etc. In solchen Situationen können von Messfahrzeugen ermittelte Daten nicht so genau georeferenziert werden. Dadurch ist die Zuordnung/Assoziierung von Daten zu bestimmten Positionen eingeschränkt. Es treten höhere Fehler auf. Manuelle Nachbearbeitungsschritte umfassen beispielsweise die Plausibilisierung und Korrektur von Georeferenzierungen in solchen Bereichen. Dies kann beispielsweise die Zuordnung/Assoziierung von Daten zu bestimmten Georeferenzen umfassen. In einem Tunnel kann beispielsweise die Spur, auf welchem ein Messfahrzeug gefahren ist, manuell (ggf. teilautomatisiert manuell) registriert und zusätzlich berücksichtigt werden. Solche manuelle Arbeit ist sehr zeitaufwendig und damit teuer.
-
Durch das hier beschriebene Verfahren soll manuelle bzw. besonders aufwendige Arbeit zur Erstellung von exakten Kartendaten vermieden bzw. reduziert werden.
-
Offenbarung der Erfindung
-
Hier beschrieben wird ein Verfahren zur automatisierten Reduzierung von Unsicherheiten von Positionsbestimmungen (Die Positionsbestimmung umfasst die Bestimmung von sowohl Position als auch Orientierung des Fahrzeuges) in Bereichen, in denen die Unsicherheit von Positionsbestimmungen prinzipiell erhöht ist aufweisend die folgenden Schritte:
- a) Erstellen eines Datenbestands zur Untersuchung durch die Übernahme von Positionsdatensätzen umfassend einen Positionsdaten und Varianzdaten aus einem Bereich mit prinzipiell erhöhter Unsicherheit in dem Datenbestand,
- b) Aufbau einer Kovarianzmatrix aus den Positionsdatensätzen, Verknüpfungsdaten und Assoziierungsdaten,
- c) Erkennen von Positionsdatensätzen mit besonders geringer Varianz innerhalb des Datenbestandes, und
- d) Iterative Reduktion von Varianzdaten der -Positionsdatensätze ausgehend von den in Schritt c) erkannten Positionsdatensätzen mit besonders geringer Varianz.
-
Positionsdatensätze sind insbesondere GNSS-Positionsdatensätze. GNSS-Positionsdatensätze bestehen im Allgemeinen aus Parametern, die die Pose (die Kombination von Position und Orientierung) selbst beschreiben, sowie zusätzlichen Parametern, die eine Unsicherheit der jeweiligen Positionsbestimmungen beschreiben. Diese Parameter können auch als Varianzparameter bezeichnet werden. Darüber hinaus können GNSS-Positionsdatensätze auch noch weitere Parameter enthalten, die die GNSS-Positionsdatensätze mit weiteren Parametern verknüpfen, die beispielsweise auch mit anderen Sensoren ermittelt werden konnten. Dies können beispielsweise Zuordnungen von GNSS- Positionsdatensätzen zu Umfelddaten sein, die mit einem Umfeldsensor an der jeweiligen Pose ermittelt wurden.
-
Positionsdatensätze können aber auch beliebige andere Arten von Positionsdatensätzen sein. Hierzu zählen beispielsweise auf Landmarken basierte (georeferenzierte Positionsdatensätze), die beispielsweise über Image-Mapping-Technologien (Image-Mapping= Bildvergleich) gewonnen werden können. Positionsdatensätze können in einem absoluten Koordinatensystem beschrieben sein, wie beispielsweise einem globalen Koordinatensystem in welchem jeder Punkt auf der Erdkugel durch Länge und Breite definiert ist. Positionsdatensätze können aber auch in einem relativen Koordinatensystem beschrieben sein, welches die Position in Bezug auf eine andere Position beschreibt. Relative Koordinatensysteme können auch selbst einer Bewegung unterworfen sein. Das beschriebene Verfahren ist für Positionsdaten in solchen Koordinatensystemen gleichermaßen geeignet.
-
Exakte Kartendaten für autonom betriebene Fahrzeuge erfordern insbesondere Umfelddaten in Verbindung mit den jeweiligen Positionsdaten. Durch solche Daten kann im Betrieb von einem autonomen Fahrzeug im Fahrzeug eine exakte Fahrzeugpose berechnet werden, wenn beispielsweise ein eigeschränkter GNSS-Empfang oder geringfügige Landmarken vorliegt. Dabei kann auf die Umfelddaten zurückgegriffen werden, damit das autonom betriebene Fahrzeug erkennen kann wo es sich innerhalb des aus den Kartendaten bekannten Umfelds befindet.
-
Der Datenbestand, der in Schritt a) erstellt wird, umfasst eine Menge von Positionsdatensätzen, die mit dem hier beschriebenen Verfahren näher untersucht werden soll. Eine Kovarianzmatrix, die in Schritt b) aufgebaut wird, beinhaltet üblicherweise Informationen aus allen Positionsdatensätzen, die hier untersucht werden sollen. Die Kovarianzmatrix ist die Inverse einer Informationsmatrix, die mit den Positionsdatensätzen aufgebaut werden kann. Die Positionsdatensätze selbst besetzen eine Diagonale der Informationsmatrix. Rechts und links bzw. oberhalb und unterhalb von der Diagonale sind Verknüpfungsdaten in der Informationsmatrix angegeben, die die einzelnen Positionsdatensätze untereinander bzw. miteinander verknüpfen. Mit Verknüpfungsdaten sind hier insbesondere auch Daten aus einer Inertialsensorik, IMU (IMU = Initial Measurement Unit) gemeint, die bevorzugt die Nebendiagonalen der Informationsmatrix besetzen. Die Erkennung von Positionsdatensätzen mit besonders geringer Varianz in Schritt c) dient dazu einen Ausgangspunkt für die eigentliche Durchführung des Verfahrens (die automatisierte Reduzierung von Unsicherheiten) zu finden. Diese Erkennung kann manuell, teilautomatisiert oder automatisiert ablaufen und beispielsweise auch dadurch erfolgen, dass Varianzdaten der Positionsdatensätze auf eine besonders hohe Genauigkeit rückschließen lassen. Besonders geeignet ist die automatisiert Erkennung von Positionsdatensätzen mit geringer Varianz anhand von Schwellwerten für die Varianz. Alle Positionsdatensätze, deren Varianz unterhalb eines (definierten) Schwellwertes liegt, können dann als Positionsdatensätze mit geringer Unsicherheit und damit als Ausgangspunkt für die Durchführung des beschriebenen Verfahrens verstanden werden. Die Informationen aus Schritt c) fließen bevorzugt auch in die Kovarianzmatrix mit ein. Bevorzugt wird Schritt c) also während der Durchführung von Schritt b) durchgeführt. Der Aufbau der Kovarianzmatrix b) ist bevorzugt erst abgeschlossen, wenn die Daten aus Schritt c) zur Verfügung stehen und in die Kovarianzmatrix bzw. in die Informationsmatrix zur Erzeugung der Kovarianzmatrix mit eingeflossen sind.
-
Die Iterative Reduktion in Schritt d) sowie der Schritt b) und ggf. auch Schritt c) erfolgen bevorzugt mehrfach. Die Iterative Reduktion reduziert Unsicherheiten Schritt für Schritt ausgehend von den Daten, die bereits in Schritt c) als nicht so unsicher in Ihrer Genauigkeit bzw. als Daten mit geringer Varianz erkannt wurden. Es können beispielsweise 1, 2, 3 oder n Iterationen (n größer 10, n größer 20 oder sogar n größer 50) durchgeführt werden. Die iterative Reduktion erfolgt beispielsweise in Form einer Matrizenoperation, die mit der Kovarianzmatrix durchgeführt wird, die in Schritt c) aufgebaut wurde. Die Kovarianzmatrix wird dabei für jeden Iterationsschritt neu aufgebaut. Bevorzugt geschieht das, indem zunächst eine Aktualisierung der Informationsmatrix erfolgt. Bei dieser Aktualisierung werden die verbesserten Werte für Daten (insbesondere Positionsdaten) die in der letzten Iteration des Verfahrens berechnet wurden benutzt, um die Informationsmatrix neu aufzubauen. Gegebenenfalls reicht es aus, wenn die Informationsmatrix nicht komplett neu aufgebaut wird. Gegebenenfalls werden nur (einzelne) Werte der Informationsmatrix aktualisiert. Anschließend wird erneut die Kovarianzmatrix als Inverse der (aktualisierten) Informationsmatrix berechnet.
-
Um die Information hinsichtlich der in Schritt c) erkannten Positionsdatensätze zur Reduktion der Unsicherheit für die iterative Reduktion in Schritt d) berücksichtigen zu können werden in Schritt b) bevorzugt zusätzliche Parameter in die Informationsmatrix eingefügt. Diese zusätzlichen Parameter basieren bevorzugt auf in Schritt c) während einer vorangegangenen Verfahrensiteration gewonnenen Information. Dies geschieht üblicherweise nicht in den Positionsdatensätzen, sondern oberhalb und/oder unterhalb bzw. rechts oder links von der Diagonalen der Informationsmatrix. Zu den zusätzlichen Informationen zählen bevorzugt auch die weiter oben schon beschriebenen Verknüpfungsdaten aus einer Inertialsensorik (IMU), die insbesondere die Nebendiagonalen der Informationsmatrix.
-
Wenn im Zusammenhang mit dem hier beschriebenen Verfahren von manuellen Nachbearbeitungsschritten die Rede ist, die durch das hier beschriebene Verfahren entfallen oder zumindest reduziert werden können, heißt dies nicht unbedingt manuell in dem Sinne, dass hier individuelle Nacharbeit durch einen Menschen gemeint ist. Der Begriff „manuelle Nachbearbeitungsschritte“ umfasst insbesondere auch Nachbearbeitungsschritte, die mit Hilfe von anderen (systemexternen) Sensordaten automatisiert oder teilautomatisiert durchgeführt werden. Beispielsweise ist es denkbar, dass in einem Messfahrzeug eine sehr aufwendige Inertialsensorik (IMU) enthalten ist, die auch bei einem Wegfall von exakten Positionsdaten (beispielsweise aus einem GNSS) eine Substitution solcher GNSS-Daten ermöglicht. Die Verwendung solcher Daten ist aus einer Perspektive, die das hier beschriebene Verfahren ins Zentrum rückt sehr ähnlich zu einer klassischen manuellen Datenerkennung und -korrektur, weil diese Daten in einem regulären Betrieb nicht verfügbar wären. Eine solche automatisierte oder teilautomatisierte Nachbearbeitung wird daher hier auch als manuelle Nachbearbeitung bezeichnet. Mit anderen Worten: Mit dem Begriff „manuelle Nachbearbeitung“ ist hier auch eine „zusätzliche“ oder „externe“ oder „systemexterne“ Nachbearbeitung gemeint. Eine Inertialsensorik (IMU), wie sie vorstehend beschrieben ist und wie Sie in Messfahrzeugen verwendet wird, ist sehr aufwendig und kann in bestimmten Situationen auch keine ausreichende Datenqualität liefern. Dann kann durch das hier beschriebene Verfahren eine erheblich bessere Datenqualität erreicht werden.
-
Besonders bevorzugt ist das Verfahren, wenn bei der iterativen Reduktion in Schritt d) bei jeder Reduktion eine RMC-Funktion [RMC = Relativ Marginal Covariance] angewendet wird. Das RMC-Verfahren und RMC-Funktionen sind beispielsweise in „G. Golub and R. Plemmons, Large-scale geodetic leastsquares adiustment by dissection and orthogonal decomposition, Linear Algebra Appl., vol. 34, pp. 3-28, 1980.“ beschrieben.
-
Ziel des beschriebenen Verfahrens ist die automatische Reduktion von Unsicherheiten ohne zusätzliche „manuelle“ (d.h. zusätzliche, externe oder systemexterne) Nachbearbeitung. Vorliegendes Wissen welches insbesondere in Schritt c) einfließt, kann genutzt werden, um die Unsicherheiten schrittweise automatisiert zu reduzieren. Dafür wesentlich ist existierendes Wissen um Zusammenhänge zwischen den einzelnen Positionsdatensätzen (Datenassoziationen).
-
Die Iteration mit Hilfe der der RMC-Funktion läuft üblicherweise dadurch ab, dass die Matrixwerte der Kovarianzmatrix mit jeder Iteration nach folgender Funktion neu berechnet werden:
x
i repräsentiert dabei die Position eines Fahrzeugs zu einem gegeben Zeitpunkt. Der Term conv
xixi repräsentiert die Autokorrelation der Schätzungen der absoluten Kovarianz für x
i. und entsprechend für x
j, wobei der Term conv
xixj die Schätzung der absoluten Kreuzkorrelation repräsentiert. Durch die iterative Datenassoziation verändert sich der Wert der Kreuzkorrelation bei jeder Iteration durch Hinzufügen weiterer erfasster Daten. Dies führt zu einer Veränderung bzw. Reduzierung der berechneten Kovarianzmatrix (Relative marginal covariance
xixj).
-
Wie an der Formel erkannt werden kann, wird ein RMC-Wert mit zunehmender Kreuz-Korrelation kleiner.
-
Durch die iterative Durchführung des beschriebenen Verfahren, werden Assoziationsdaten aus vorhergehenden Iterationsschritten dazu genutzt Positionsdaten in nachfolgenden Iterationsschritten zu verbessern. In anderen Worten: Insgesamt in der Kovarianzmatrix enthaltene Unsicherheiten wandern aus der Diagonalen der Matrix mit den Daten heraus in die Bereiche der Assoziationsdaten (oberhalb und unterhalb bzw. rechts und links) von der Diagonalen. So können die Exaktheit der Positionsdaten automatisiert verbessert werden.
-
Außerdem vorteilhaft ist das Verfahren, wenn der Bereich mit prinzipiell erhöhter Unsicherheit in Schritt a) so festgelegt wird, dass innerhalb des Bereichs Teilbereiche existieren in denen Positionsdatensätze mit einer geringeren Varianz existieren.
-
Solche Bereiche dienen als Ausgangspunkt des beschriebenen Verfahrens, um auch unsichere Positionsdatensätze mit hoher Varianz effektiv verbessern zu können. In Bereichen mit geringerer Unsicherheit ist eine zuverlässigere Datenassoziation möglich, daher ist es vorteilhaft in diesen Bereichen zu beginnen.
-
Weiter vorteilhaft ist, wenn der Bereich in Schritt a) eine Strecke ist, auf der eine schlechte Empfangbarkeit von Signalen (beispielsweise GNSS-Signalen) vorliegt oder eine Strecke in der eine geringe Verfügbarkeit von Landmarken vorliegt. Ein Beispiel für solche Strecken könnte ein Tunnel sein.
-
Besonders bevorzugt ist, wenn der Bereich eine Tunnelstrecke ist. In weiteren Ausführungsvarianten kann der Bereich aber auch eine (offene) Straße in einer Stadt, beispielsweise in einer Häuserschlucht, eine Strecke in einem Gebäude (bspw. einem Parkhaus) etc. sein.
-
Auch bevorzugt ist, wenn beim Erstellen des Datenbestands in Schritt a) - Positionsdatensätze verwendet werden, die bei mindestens zwei Messfahrten mit Messfahrzeugen in dem Bereich gewonnen wurden.
-
In weiteren Ausführungsvarianten können auch Daten von noch mehr Messfahrten, beispielsweise drei oder mehr Messfahrten, berücksichtigt werden. Von großem Vorteil ist, wenn Daten von mehreren Messfahrten (also mindestens zwei Messfahrten) verwendet werden, weil dann Datenassoziierungen zwischen Daten aus mehreren Messfahrten ermittelt werden können, eine geringe Varianz (Unsicherheit) aufweisen und die effektiv zur Reduktion von Varianzen/Unsicherheiten von -Positionsdaten innerhalb der Kovarianzmatrix verwendet werden können.
-
Besonders vorteilhaft ist, wenn beim Aufbau der Kovarianzmatrix Verknüpfungsdaten verwendet werden, durch die einzelne Positionsdatensätze innerhalb des Datenbestandes verknüpft sind.
-
Bevorzugt ist, wenn die Verknüpfungsdaten zwischen Positionsdatensätzen durch das zeitliche und räumliche Aufeinanderfolgen der Erstellung der Positionsdatensätze entlang einer Messfahrt eines Messfahrzeuges erzeugt werden. Solche Verknüpfungsdaten können beispielsweise durch die Verwendung von IMU-Sensor (IMU = Initial Measurement Unit = Inertialsensorik) gewonnen werden. Mit Hilfe einer Inertialsensorik lässt sich feststellen wie sich das Messfahrzeug zwischen der Erstellung eines ersten Positionsdatensatzes und der Erstellung eines zweiten Positionsdatensatzes weiter bewegt hat. So können Verknüpfungsdaten erzeugt werden.
-
Auch bevorzugt ist, wenn Verknüpfungsdaten durch Datenassoziierung zwischen -Positionsdatensätzen erzeugt werden, welche bei unterschiedlichen Messfahrten mit Messfahrzeugen gewonnen wurden.
-
Solche Daten können beispielsweise durch ICP-Verfahren (ICP = Iterative closest Point) gewonnen werden. Hierbei werden Positionsdaten der verschiedenen Messfahrten als Punktwolke analysiert. Solche Punktwolken können miteinander verglichen werden, um die am nächsten aneinander liegenden Punkte der verschiedenen Messfahrten zu finden. Eine andere Technologie zur Erstellung von Datenassoziationen zwischen Positionsdatensätzen verschiedener Messfahrten sind sogenannte Feature-Matching-Methoden. Hierbei werden Umfeld Informationen verglichen, die während beider Messfahrten unabhängig voneinander gewonnen werden. Beispielsweise können Deskriptor-Punkte (charakteristische Punkte) auf Kamerabildern miteinander verglichen werden. Deskriptor-Punkte, die auf Kamerabildern erkannt werden, die bei verschiedenen Messfahrten erstellt wurden können zur Datenassoziierung dienen. Mögliche Deskriptor-Punkte sind Straßenschilder, Lichter (beispielsweise die Beleuchtung in einem Tunnel) oder charakteristische Kantenpunkte oder Leitplanke.
-
Außerdem bevorzugt ist, wenn nachfolgend zu Schritt d) aus der Kovarianzmatrix mit reduzierten Varianzdaten eine Strecke erkannt wird, die in Korrekturdaten zur Korrektur von Positionsbestimmungen hinterlegt werden kann.
-
Bei dieser nachfolgenden Bearbeitung der Verfahrensergebnisse des bis hierhin beschriebenen Verfahrens geht es darum die gewonnenen Daten effektiv zu verwerten um Kartendaten zu verbessern. Die aufgefundene Information über eine Strecke kann in Kartendaten hinterlegt werden. Dies geschieht üblicherweise in Form von sogenannten Korrekturdaten, die Teil der Kartendaten sind.
-
Das Verfahren sowie das technische Umfeld werden nachfolgend anhand der Figuren näher erläutert. Die Figuren zeigen bevorzugte Ausführungsbeispiele, auf die das Verfahren jedoch nicht begrenzt ist:
-
Es zeigen:
- 1: ein Beispiel für einen Bereich mit prinzipiell erhöhter Unsicherheit der Positionsdatensätzen;
- 2: beispielhaft Iterationen, zur Reduktion der Unsicherheit bei dem Beispiel aus 1;
- 3: Beispiele für Positionsdatensätze, die Ausgangsbasis für das Verfahren sein können;
- 4: ein Beispiel für eine Informationsmatrix, welche aus den Positionsdatensätzen aus 3 aufgebaut wurde; und
- 5: ein Ablaufdiagramm des beschriebenen Verfahrens.
-
1 zeigt ein Beispiel für einen Bereich 1 mit prinzipiell erhöhter Unsicherheit in Positionsdaten. Dies kann beispielsweise eine Straßenstrecke 18 sein, die durch einen Tunnel 20 führt. Der Tunnel 20 hat eine Einfahrt 19 und eine Ausfahrt 21. In dem Tunnel 20 existiert eine Unsicherheit 17 der Positionsbestimmung, die mit einem Abstand von der Einfahrt 19 bzw. von der Ausfahrt 21 größer wird. Die Bereiche in unmittelbarer Nähe von Einfahrt 19 und Ausfahrt 21 sind Teilbereiche 4 in welchen die Unsicherheit 17 deutlich geringer ist.
-
In der 2 sind beispielhaft Iterationen 9 gezeigt mit denen die Unsicherheit im gesamten Tunnel reduziert werden kann. Zu erkennen ist, dass ausgehend von den Teilbereichen 4 mit jeder Iteration 9 die Unsicherheit im gesamten Tunnel reduziert wird. Dies geschieht letztlich durch die Nutzung der Verknüpfungen zwischen den einzelnen Positionsdaten. Hier beispielhaft sind (nur) eine erste Iteration 14, eine zweite Iteration 15 sowie eine n-te Iteration 16 (bspw. 10, 20, oder 50 Iteration) gezeigt.
-
3 zeigt Beispiele für Positionsdatensätze, die Ausgangsbasis für das Verfahren sein können. Hier gezeigt sind beispielhaft jeweils 4 Positionsdatensätze 3, die bei einer Messfahrt 6 entlang der Messtrecke 5 gewonnen wurden. Zu erkennen sind auch Datenassoziierungen 8 zwischen den einzelnen Positionsdaten 3. Hier dargestellt sind zwei verschiedene Arten von Datenassoziierungen 8. Gestrichelt dargestellt sind Verknüpfungen entlang von Strecken 10, die durch den Verlauf bzw. das Stattfinden einer Messfahrt 6 festgelegt werden. Solche Daten können mit einer Inertialsensorik (IMU) ermittelt werden. Durch einen dicken Strich angedeutet sind Datenassoziierungen 8, die zusätzlich bereitgestellt werden können und die beispielsweise durch ICP-Verfahren oder Feature-Matching erstellt werden können.
-
4 zeigt ein Beispiel für eine Informationsmatrix 2, welche aus den Positionsdatensätzen 3 aus 3 aufgebaut wurde. Auf der Diagonalen der Informationsmatrix 2 befinden sich die Positionsdatensätze 3. Zu erkennen ist, dass Verknüpfungen entlang der Strecke 10 unmittelbar benachbart zu der Diagonalen angeordnet sind, weil hierdurch nur unmittelbar benachbarte Positionsdatensätze 3 verknüpft werden. Die Informationsmatrix 2 kann unterteilt werden in eine Matrix einer ersten Strecke 11 und eine Matrix einer zweiten Strecke 12 sowie einer Verknüpfungsmatrix 13, die oberhalb und unterhalb bzw. rechts und links der Diagonalen angeordnet ist und in der weitere Datenassoziierungen abgelegt sein können. Die Verknüpfungsmatrix 13 in einer anderen Darstellung ist unterhalb der Informationsmatrix 2 in der 4 nochmal dargestellt. Aus der Informationsmatrix 2 kann die Kovarianzmatrix als Inverse Matrix berechnet werden.
-
5 zeigt ein Ablaufdiagramm des beschriebenen Verfahrens mit den Verfahrensschritten a), b), c) und d). Für die Verfahrensschritte b), c) und d) ist die Iteration 9 als Pfeil angedeutet.
