DE102019217263A1 - Verfahren zum Bestimmen einer Qualität von geografischen Daten - Google Patents
Verfahren zum Bestimmen einer Qualität von geografischen Daten Download PDFInfo
- Publication number
- DE102019217263A1 DE102019217263A1 DE102019217263.6A DE102019217263A DE102019217263A1 DE 102019217263 A1 DE102019217263 A1 DE 102019217263A1 DE 102019217263 A DE102019217263 A DE 102019217263A DE 102019217263 A1 DE102019217263 A1 DE 102019217263A1
- Authority
- DE
- Germany
- Prior art keywords
- data
- point
- determining
- assignment
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/56—Particle system, point based geometry or rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computer Graphics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Instructional Devices (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Bestimmen einer Qualität von geografischen Daten, umfassend die Schritte:Empfangen (S10) der geografischen Daten (10), die ein Modell eines Straßenabschnitts abbilden, und von Referenzdaten (20), die eine genaue Referenz des Straßenabschnitts abbilden;Bestimmen (S20) einer Datenpunktewolke (11) aus den geografischen Daten (10) und Bestimmen einer Referenzpunktewolke (21) aus den Referenzdaten (20);Zuordnen (S30) jeweils eines Datenpunkts (D) der Datenpunktewolke (11) zu jeweils einem Referenzpunkt (R) der Referenzpunktewolke (21) unter Durchführung eines iterative closest point Algorithmus, ICP Algorithmus, wobei der ICP Algorithmus iterativ einen Datenpunkt (D) abhängig von mindestens einer Randbedingung zuordnet, wobei die Randbedingung eine Distanz des Datenpunkts (D) zu einem Referenzpunkt (R) umfasst;Bestimmen (S40) einer Objektzuordnung (ZO) abhängig von den zugeordneten Datenpunkten (D) und Referenzpunkten (R), wobei die Objektzuordnung (ZO) eine Zuordnung eines rekonstruierten Modells (12) des Straßenabschnitts mit einer rekonstruierten Referenz (22) des Straßenabschnitts darstellt;Bestimmen (S50) einer Qualität der geografischen Daten (10) abhängig von der Objektzuordnung (ZO).
Description
- Die Erfindung bezieht sich auf ein Verfahren zum Bestimmen einer Qualität von geografischen Daten, eine Vorrichtung zum Ausführen des Verfahrens, ein Computerprogramm und ein computerlesbares Speichermedium.
- Die Datenqualität von Straßenmodellen wird üblicherweise basierend auf der ISO19157:2013 Norm bestimmt. Hierbei werden Messwerte, also geografische Daten, die ein Modell eines Straßenabschnitts abbilden, mit Referenzdaten gemäß vorgegeben Formeln verglichen.
- Beim Vergleichen der geografischen Daten mit den Referenzdaten ist in der zitierten Norm jedoch nicht festgelegt, welche Teile der geografischen Daten genau mit welchen Teilen der Referenzdaten verglichen werden sollen. Hierbei kann es beispielsweise sein, dass eine Information der geografischen Daten mit einer Information der Referenzdaten verglichen wird, die semantisch gar nicht dasselbe Objekt abbilden. Somit kann es bei der Bestimmung einer Qualität der geografischen Daten im Hinblick auf die Referenzdaten zu falschen Annahmen kommen, die das Ergebnis verfälschen.
- Somit ist es Aufgabe der vorliegenden Erfindung, ein verbessertes Verfahren zum Bestimmen einer Qualität von geografischen Daten.
- Die Aufgabe wird durch den Gegenstand der unabhängigen Ansprüche gelöst. Weiter bevorzugte Ausführungsformen sind Gegenstand der abhängigen Patenansprüche.
- Gemäß einem Aspekt der Erfindung umfasst ein Verfahren zum Bestimmen einer Qualität von geografischen Daten folgende Schritte.
- In einem ersten Schritt werden die geografischen Daten empfangen, die ein Modell eines Straßenabschnitts abbilden, und Referenzdaten empfangen, die eine genaue Referenz des Straßenabschnitts abbilden. In einem zweiten Schritt wird eine Datenpunktewolke aus den geografischen Daten bestimmt und eine Referenzpunktewolke aus den Referenzdaten bestimmt. In einem dritten Schritt wird jeweils ein Datenpunkt der Datenpunktewolke zu jeweils einem Referenzpunkt der Referenzpunktewolke unter Durchführung eines iterative closest point Algorithmus, ICP Algorithmus, zugeordnet, wobei der ICP Algorithmus iterativ einen Datenpunkt einem Referenzpunkt abhängig von mindestens einer Randbedingung zuordnet, wobei die Randbedingung eine Distanz des Datenpunkts zu einem Referenzpunkt umfasst. In einem vierten Schritt wird eine Objektzuordnung abhängig von den zugeordneten Datenpunkten und Referenzpunkten bestimmt, wobei die Objektzuordnung eine Zuordnung eines rekonstruierten Modells des Straßenabschnitts mit einer rekonstruierten Referenz des Straßenabschnitts darstellt. In einem fünften Schritt wird eine Qualität der geografischen Daten abhängig von der Objektzuordnung bestimmt.
- Die Qualität der geografischen Daten umfasst vorzugsweise eine Genauigkeit der geografischen Daten im Hinblick auf die Referenzdaten.
- Vorzugsweise umfasst das Zuordnen der Datenpunkte zu den Referenzpunkten ein Annähern der Datenpunktwolke zu der Referenzwolke.
- Vorzugsweise stellt die Distanz des Datenpunkts zu einem Referenzpunkt eine Randbedingung dar, die vorzugsweise um weitere Randbedingungen erweitert werden kann. Weiter vorzugsweise wirkt die Randbedingung bei der Zuordnung eines Datenpunktes zu einem Referenzpunkt als Filter.
- Somit ist ein verbessertes Verfahren zum Bestimmen einer Qualität von geografischen Daten bereitgestellt.
- In einer bevorzugten Ausführungsform umfasst die mindestens eine Randbedingung eine Objektklasse des Datenpunkts und des Referenzpunkts.
- Vorzugsweise umfasst jeder Datenpunkt der Datenpunktwolke semantische Informationen, wie beispielsweise die Objektklasse. Beispiele einer Objektklasse umfassen ein Verkehrsschild, eine Straßenmarkierung und/oder eine Spurart.
- Auf diese Weise wird beim Zuordnen eines Datenpunkts zu einem Referenzpunkt nicht nur auf den Abstand geachtet, sondern auch weitere semantische Informationen beachtet. Vorzugsweise wird ein Datenpunkt nicht dem am nächsten liegendsten Referenzpunkt zugeordnet, wenn sich die Objektklasse des Datenpunkts und des Referenzpunkts unterscheiden. In anderen Worten wird ein Datenpunkt der Objektklasse Verkehrsschild nicht einem Referenzpunkt der Objektklasse Straßenmarkierung zugeordnet.
- Insbesondere wenn einem Datenpunkt mehrere Referenzpunkte zugeordnet werden können werden zusätzliche semantische Informationen wie die Objektklasse mit in die Zuordnungsentscheidung einbezogen.
- Somit ist ein verbessertes Verfahren zum Bestimmen einer Qualität von geografischen Daten bereitgestellt.
- In einer bevorzugten Ausführungsform umfasst die mindestens eine Randbedingung einem Objekttypen und/oder einem Objektsubtypen des Datenpunkts und des Referenzpunkts.
- Vorzugsweise umfasst eine Objektklasse mindestens einen Objekttyp. Beispielsweise umfasst ein Objekttyp der Objektklasse Verkehrsschild die Objekttypen Warnschild und/oder Geschwindigkeitsschild. Beispielsweise umfasst ein Objekttyp der Objektklasse Straßenmarkierung die Objekttypen durchgezogen und/oder unterbrochen. Beispielsweise umfasst ein Objekttyp der Objektklasse Spurart die Objekttypen normal und/oder Seitenstreifen.
- Weiter vorzugsweise umfasst ein Objekttyp wiederum Objektsubtypen. Beispielsweise umfasst ein Objektsubtyp des Objekttyps Warnschild die Objektsubtypen Baustelle und/oder linke Kurve. Beispielsweise umfasst ein Objektsubtyp des Objekttyps Geschwindigkeitsschild die Objektsubtypen 50 km/h und/oder 80 km/h. Beispielsweise umfasst ein Objektsubtyp des Objekttyps durchgezogen die Objektsubtypen weiße Farbe und/oder gelbe Farbe. Beispielsweise umfasst ein Objektsubtyp des Objekttyps unterbrochen die Objektsubtypen weiße Farbe und/oder gelbe Farbe.
- Auf diese Weise kann jedem Datenpunkt eine semantische Information zugeordnet werden.
- Somit ist ein verbessertes Verfahren zum Bestimmen einer Qualität von geografischen Daten bereitgestellt.
- In einer bevorzugten Ausführungsform umfasst die Objektklasse, der Objekttyp und/oder der Objektsubtyp ein Konfidenzlevel, wobei der ICP Algorithmus die Zuordnung abhängig von dem jeweiligen Konfidenzlevel bestimmt.
- Beispielsweise wird eine Konfidenz bestimmt, ob ein Verkehrsschild überhaupt existent ist. Wenn solch eine Konfidenz gering ist, wird der entsprechende Datenpunkt vorzugsweise ignoriert.
- Somit ist ein verbessertes Verfahren zum Bestimmen einer Qualität von geografischen Daten bereitgestellt.
- In einer bevorzugten Ausführungsform bilden die Datenpunkte die geografischen Daten mit einer vorher festgelegten Datenauflösung ab und die Referenzpunkte bilden die Referenzdaten mit einer vorher festgelegten Referenzauflösung ab, wobei die Datenauflösung der Referenzauflösung entspricht.
- Vorzugsweise ist die Datenauflösung und die Referenzauflösung auf 10cm festgelegt.
- Grundsätzlich sind die Datenauflösung und die Referenzauflösung frei wählbar. Je höher die Auflösung, desto genauer kann die Qualität der geografischen Daten bestimmt werden.
- Somit ist ein verbessertes Verfahren zum Bestimmen einer Qualität von geografischen Daten bereitgestellt.
- In einer bevorzugten Ausführungsform wird beim Zuordnen ein Datenpunkt der Datenpunktewolke jeweils lediglich mit einem Referenzpunkt der Referenzpunktewolke gleichzeitig verglichen.
- Somit ist ein verbessertes Verfahren zum Bestimmen einer Qualität von geografischen Daten bereitgestellt.
- In einer bevorzugten Ausführungsform wird der ICP Algorithmus durch ein Abbruchkriterium abgebrochen, wobei das Abbruchkriterium eine vorbestimmte Anzahl an Iterationen, einen minimalen Abstand eines Datenpunkts zu einem Referenzpunkt und/oder dass sich ein gemittelter Abstand der einander zugeordneten Datenpunkte und Referenzpunkte nur geringfügig, beispielsweise unter 10mm, geändert hat, umfasst.
- Beispielsweise ist ein minimaler Abstand 1cm. Weiter beispielsweise umfasst das Abbruchkriterium 50 Iterationen.
- Somit ist ein verbessertes Verfahren zum Bestimmen einer Qualität von geografischen Daten bereitgestellt.
- Gemäß einem Aspekt der Erfindung ist eine Vorrichtung zum Bestimmen einer Qualität von geografischen Daten eingerichtet, das Verfahren, wie es hier beschrieben ist, auszuführen.
- Gemäß einem Aspekt der Erfindung ist ein Computerprogramm vorgesehen, das, wenn es auf einem Prozessor ausgeführt wird, den Prozessor anleitet, die Schritte des Verfahrens, wie es hier beschrieben ist, auszuführen.
- Gemäß einem Aspekt der Erfindung ist ein computerlesbares Speichermedium vorgesehen, auf dem ein Computerprogramm, wie es hier beschrieben ist, gespeichert ist.
- Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Die beiliegenden Zeichnungen veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Konzepten der Erfindung.
- Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die dargestellten Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.
- Es zeigen:
-
1 : eine Datenpunktwolke aus geografischen Daten und eine Referenzpunktwolke aus Referenzdaten; -
2 : teilweise zu Referenzpunkten zugeordnete Datenpunkte; -
3 : vollständig zu Referenzpunkten zugeordnete Datenpunkte; -
4 : ein rekonstruiertes Modell des Straßenabschnitts; und -
5 : schematisch ein Verfahren zum Bestimmen einer Qualität von geografischen Daten. -
1 zeigt geografische Daten10 , die einen Straßenabschnitt modellieren. In diesem Fall handelt es sich um eine Straße, die in einer Kurve aufgeht und an dessen Straßenrand ein Verkehrsschild steht. Die geografischen Daten10 werden beispielsweise von einer Straßendatenbank abgefragt. Die geografischen Daten10 liegen vorzugsweise im protobuf-Format, im geojson-Format oder im Keyhole Markup Language, KML, -Format vor. Bei den geografischen Daten10 handelt es sich um Messdaten. Um die Qualität dieser geografischen Daten10 zu bestimmen müssen diese mit Referenzdaten20 verglichen werden. Die Referenzdaten liegen vorzugsweise im OpenDrive-Format vor. Es wird angenommen, dass es sich bei den Referenzdaten um die sogenannte ground truth handelt, also in anderen Worten, dass die Referenzdaten die Wirklichkeit mit einer Genauigkeit von 100% abbilden. - Zum Bestimmen der Qualität der geografischen Daten
10 würde im einfachsten Fall ein direktes Vergleichen mit den Referenzdaten20 genügen. Hierzu kann der Norm ISO19157:2013 gefolgt werden, welche die Messwerte gemäß vorgegebener Formeln mit den Referenzwerten vergleicht. Allerdings wird hierbei nicht abgebildet, welcher Teil der geografischen Daten10 mit welchem Teil der Referenzdaten20 verglichen werden soll. - Deshalb werden die geografischen Daten
10 in eine Datenpunktewolke11 umgewandelt, welche die geografischen Daten10 in einer vorher festgelegten Auflösung abbilden. Zum Beispiel wird eine Auflösung von 10 cm gewählt. Ähnlich wie die geografischen Daten10 werden die Referenzdaten20 in eine Referenzpunktewolke21 umgewandelt. Die Auflösung der Referenzpunktewolke21 entspricht hierbei der Auflösung der Datenpunktewolke11 . Die Datenpunktewolke11 umfasst somit eine Vielzahl von Datenpunkten D und die Referenzpunktewolke21 umfasst eine Vielzahl von Referenzpunkten R. - Wie in
2 gezeigt ist wird iterativ jedem Datenpunkt D ein Referenzpunkt R zugeordnet. Jede dieser Zuordnung ist als Punktzuordnung ZP markiert. Die Zuordnung wird basierend auf einem iterative closest point, ICP, Algorithmus durchgeführt. Hierbei wird jedem Datenpunkt D Schritt für Schritt einer der Referenzpunkte R zugeordnet abhängig von einer Randbedingung. In der einfachsten Form umfasst die Randbedingung einen Abstand des Datenpunkts D zu dem Referenzpunkt R. In anderen Worten wird ein Datenpunkt D mit umliegenden Referenzpunkten R verglichen, vorzugsweise paarweise. Der Referenzpunkt, der dem Datenpunkt D am nächsten liegt wird dem Datenpunkt D zugeordnet. Zusätzlich zu dem Abstand als Randbedingung werden semantische Informationen der Datenpunkte D und der Referenzpunkte R mit einkalkuliert. Die semantischen Informationen umfassen beispielsweise Objektklassen, Objekttypen und/oder Objektsubtypen. In andern Worten wird ein Datenpunkt D mit der Objektklasse Straßenschild nicht einem Referenzpunkt R der Objektklasse Fahrbahnmarkierung zugeordnet, auch wenn die jeweiligen Punkte sehr nah aneinander liegen. Auf diese Weise kann sichergestellt werden, dass eine Qualität der geografischen Daten nicht durch falsche Datenvergleiche ungenau bestimmt wird. - In
3 ist eine vollständige Zuordnung der Datenpunkte D zu den jeweiligen Referenzpunkten R abgebildet. Im Zuge der Zuordnung wurden sämtliche Datenpunkte D den Referenzpunkten R angenähert ohne die Positionierung der Datenpunkte D untereinander und der Referenzpunkte R untereinander zu ändern. - Wie in
4 gezeigt ist, wird aus den Zugeordneten Datenpunkten D und Referenzpunkten R wieder mindestens ein Objekt bestimmt. Diese Objektzuordnung ZO beispielsweise ein rekonstruiertes Modell12 einer linken Fahrbahnmarkierung das einer rekonstruierten Referenz22 der linken Fahrbahnmarkierung zugeordnet ist. - Basierend auf den Objektzuordnungen ZO kann nun wie gewohnt eine Qualität der geografischen Daten
10 bestimmt werden. Im Vergleich zu bekannten Verfahren können mit dem beschriebenen Verfahren semantische Informationen in den Vergleichsprozess mit einbezogen werden. Aus diese Weise kann ein robusteres Bestimmen der Qualität der geografischen Daten bereitgestellt werden. -
5 zeigt schematisch ein Verfahren zum Bestimmen einer Qualität von geografischen Daten10 . In einem ersten SchrittS10 werden die geografischen Daten10 empfangen, die ein Modell eines Straßenabschnitts abbilden, und Referenzdaten20 empfangen, die eine genaue Referenz des Straßenabschnitts abbilden. In einem zweiten SchrittS20 wird eine Datenpunktewolke11 aus den geografischen Daten10 bestimmt und eine Referenzpunktewolke21 aus den Referenzdaten20 bestimmt. In einem dritten SchrittS30 wird jeweils ein Datenpunkt D der Datenpunktewolke11 zu jeweils einem Referenzpunkt R der Referenzpunktewolke21 unter Durchführung eines iterative closest point Algorithmus, ICP Algorithmus, zugeordnet, wobei der ICP Algorithmus iterativ einen Datenpunkt D abhängig von mindestens einer Randbedingung einem Referenzpunkt R zuordnet, wobei die Randbedingung eine Distanz des Datenpunkts D zu einem Referenzpunkt R umfasst. In einem vierten SchrittS40 wird eine Objektzuordnung ZO abhängig von den zugeordneten Datenpunkten D und Referenzpunkten R bestimmt, wobei die Objektzuordnung ZO eine Zuordnung eines rekonstruierten Modells12 des Straßenabschnitts mit einer rekonstruierten Referenz22 des Straßenabschnitts darstellt. In einem fünften SchrittS50 wird eine Qualität der geografischen Daten10 abhängig von der Objektzuordnung ZO bestimmt.
Claims (10)
- Verfahren zum Bestimmen einer Qualität von geografischen Daten, umfassend die Schritte: Empfangen (S10) der geografischen Daten (10), die ein Modell eines Straßenabschnitts abbilden, und von Referenzdaten (20), die eine genaue Referenz des Straßenabschnitts abbilden; Bestimmen (S20) einer Datenpunktewolke (11) aus den geografischen Daten (10) und Bestimmen einer Referenzpunktewolke (21) aus den Referenzdaten (20); Zuordnen (S30) jeweils eines Datenpunkts (D) der Datenpunktewolke (11) zu jeweils einem Referenzpunkt (R) der Referenzpunktewolke (21) unter Durchführung eines iterative closest point Algorithmus, ICP Algorithmus, wobei der ICP Algorithmus iterativ einen Datenpunkt (D) abhängig von mindestens einer Randbedingung einem Referenzpunkt (R) zuordnet, wobei die Randbedingung eine Distanz des Datenpunkts (D) zu einem Referenzpunkt (R) umfasst; Bestimmen (S40) einer Objektzuordnung (ZO) abhängig von den zugeordneten Datenpunkten (D) und Referenzpunkten (R), wobei die Objektzuordnung (ZO) eine Zuordnung eines rekonstruierten Modells (12) des Straßenabschnitts mit einer rekonstruierten Referenz (22) des Straßenabschnitts darstellt; und Bestimmen (S50) einer Qualität der geografischen Daten (10) abhängig von der Objektzuordnung (ZO).
- Verfahren nach
Anspruch 1 , wobei die mindestens eine Randbedingung eine Objektklasse des Datenpunkts (D) und des Referenzpunkts (R) umfasst. - Verfahren nach
Anspruch 2 , wobei die mindestens eine Randbedingung einen Objekttypen und/oder einen Objektsubtypen des Datenpunkts und des Referenzpunkts umfasst. - Verfahren nach einem der
Ansprüche 2 oder3 , wobei die Objektklasse, der Objekttyp und/oder der Objektsubtyp ein Konfidenzlevel umfasst, wobei der ICP Algorithmus die Zuordnung abhängig von dem jeweiligen Konfidenzlevel bestimmt. - Verfahren nach einem der voranstehenden Ansprüche, wobei die Datenpunkte (D) die geografischen Daten (10) mit einer vorher festgelegten Datenauflösung abbilden und die Referenzpunkte (R) die Referenzdaten (20) mit einer vorher festgelegten Referenzauflösung abbilden; wobei die Datenauflösung der Referenzauflösung entspricht.
- Verfahren nach einem der voranstehenden Ansprüche, wobei beim Zuordnen ein Datenpunkt (D) der Datenpunktewolke (11) jeweils lediglich mit einem Referenzpunkt (R) der Referenzpunktwolke (12) gleichzeitig verglichen wird.
- Verfahren nach einem der voranstehenden Ansprüche, wobei der ICP Algorithmus durch ein Abbruchkriterium abgebrochen wird, wobei das Abbruchkriterium eine vorbestimmte Anzahl an Iterationen und/oder einen minimalen Abstand eines Datenpunkts (D) zu einem Referenzpunkt (R) umfasst.
- Vorrichtung zum Bestimmen einer Straßenmodellqualität, die eingerichtet ist, dass Verfahren nach einem der
Ansprüche 1 bis7 auszuführen. - Computerprogramm, das, wenn es auf einem Prozessor ausgeführt wird, den Prozessor anleitet, die Schritte des Verfahrens, nach einem der
Ansprüche 1 bis7 , auszuführen. - Computerlesbares Speichermedium, auf dem ein Computerprogramm nach
Anspruch 9 gespeichert ist.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019217263.6A DE102019217263A1 (de) | 2019-11-08 | 2019-11-08 | Verfahren zum Bestimmen einer Qualität von geografischen Daten |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019217263.6A DE102019217263A1 (de) | 2019-11-08 | 2019-11-08 | Verfahren zum Bestimmen einer Qualität von geografischen Daten |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019217263A1 true DE102019217263A1 (de) | 2021-05-12 |
Family
ID=75583874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019217263.6A Ceased DE102019217263A1 (de) | 2019-11-08 | 2019-11-08 | Verfahren zum Bestimmen einer Qualität von geografischen Daten |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019217263A1 (de) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180188043A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Classification of surfaces as hard/soft for combining data captured by autonomous vehicles for generating high definition maps |
US20180216942A1 (en) * | 2017-02-02 | 2018-08-02 | Baidu Usa Llc | Method and system for updating localization maps of autonomous driving vehicles |
US20190266779A1 (en) * | 2018-02-27 | 2019-08-29 | Nvidia Corporation | Analysis of point cloud data using polar depth maps and planarization techniques |
DE102019104482A1 (de) * | 2018-02-23 | 2019-08-29 | GM Global Technology Operations LLC | Massen-abtastende punktwolkenkarte |
DE102019203623A1 (de) * | 2019-03-18 | 2020-09-24 | Zf Friedrichshafen Ag | Verfahren zur Bereitstellung einer Karte |
-
2019
- 2019-11-08 DE DE102019217263.6A patent/DE102019217263A1/de not_active Ceased
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180188043A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Classification of surfaces as hard/soft for combining data captured by autonomous vehicles for generating high definition maps |
US20180216942A1 (en) * | 2017-02-02 | 2018-08-02 | Baidu Usa Llc | Method and system for updating localization maps of autonomous driving vehicles |
DE102019104482A1 (de) * | 2018-02-23 | 2019-08-29 | GM Global Technology Operations LLC | Massen-abtastende punktwolkenkarte |
US20190266779A1 (en) * | 2018-02-27 | 2019-08-29 | Nvidia Corporation | Analysis of point cloud data using polar depth maps and planarization techniques |
DE102019203623A1 (de) * | 2019-03-18 | 2020-09-24 | Zf Friedrichshafen Ag | Verfahren zur Bereitstellung einer Karte |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112014002019B4 (de) | Kurvenformmodelliereinrichtung, Fahrzeuginformationsverarbeitungssystem, Kurvenformmodellierverfahren und Kurvenformmodellierprogramm | |
EP2027487B1 (de) | Berechnungsverfahren für netzwerkspezifische grössen in einem netzwerk aus referenzstationen für ein satellitenbasiertes positionierungssystem | |
DE102015209186A1 (de) | Verfahren zur Ermittlung einer Beschreibung eines Fahrstreifens | |
DE102016207089A1 (de) | Verfahren und Vorrichtung zum Vergleichen zweier Karten mit darin hinterlegten Landmarken | |
DE102014204317A1 (de) | Verfahren und Vorrichtung zur Ermittlung von Kreuzungsparametern | |
DE102019209540A1 (de) | Verfahren und Vorrichtung zur optimalen Aufteilung von Testfällen auf unterschiedliche Testplattformen | |
DE102016220249A1 (de) | Verfahren und System zur Lokalisierung eines Fahrzeugs | |
DE102022122594A1 (de) | Ausrichtungsvalidierung in fahrzeugbasierten sensoren | |
DE102020211636A1 (de) | Verfahren und Vorrichtung zum Bereitstellen von Daten zum Erstellen einer digitalen Karte | |
DE102019215522A1 (de) | Verfahren zum Aktualisieren von Attributen in einer digitalen Karte | |
DE102021204550A1 (de) | Verfahren zum Erzeugen wenigstens eines Datensatzes zum Trainieren eines Algorithmus maschinellen Lernens | |
DE102019217263A1 (de) | Verfahren zum Bestimmen einer Qualität von geografischen Daten | |
DE102019217265B3 (de) | Verfahren zum Bestimmen einer Qualität von geografischen Spurdaten | |
DE102017209283A1 (de) | Verfahren zum Optimieren einer digitalen Karte für ein automatisiertes Fahrzeug | |
DE102019114600A1 (de) | Unterscheiden von virtuellen objekten voneinander | |
DE102019217264A1 (de) | Verfahren zum Erkennen von Änderungen in Referenzdaten für geografische Daten | |
DE112007001776T5 (de) | Verfahren zum Auswählen eines Bildes zur Einfügung in ein Dokument | |
DE102006038303B4 (de) | Verfahren und Vorrichtung zum Bestimmen der Koordinaten von Referenzpunkten | |
EP3011273B1 (de) | Verfahren zum ermitteln von korrekturwerten für einen routenberechnungsalgorithmus | |
DE112020005759T5 (de) | Verfahren und System zum Bestimmen der Aufgabenkompatibilität in neuronalen Netzen | |
DE102016206627A1 (de) | Verfahren und Vorrichtung zum Vermessen eines zu testenden Systems | |
DE102019215656A1 (de) | Verfahren zum Bewerten einer ausgewählten Route, Routenbewertungssystem und Computerprogramm | |
DE102019217951A1 (de) | Verfahren und Vorrichtung zum Bestimmen einer Domänendistanz zwischen mindestens zwei Datendomänen | |
DE102019209561A1 (de) | Verfahren und Vorrichtung zum Optimieren eines Leiterplattenmaterials für die Herstellung einer Leiterplatte mithilfe eines Bayes`schen Optimierungsprozesses | |
DE102021207629A1 (de) | Verfahren zum Überprüfen einer Zuverlässigkeit eines Modells einer Verkehrsdynamik an einem Verkehrsknotenpunkt |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R002 | Refusal decision in examination/registration proceedings | ||
R016 | Response to examination communication | ||
R003 | Refusal decision now final |