-
Die Erfindung betrifft ein Verfahren zur Bestimmung einer Eigenbewegung mittels Lidar-Odometrie nach der im Oberbegriff von Anspruch 1 näher definierten Art sowie ein Fahrzeug mit einem Lidar und einer Recheneinheit.
-
Fahrerassistenzsysteme gewinnen, insbesondere mit zunehmender Automatisierung von Fahrzeugen, an Bedeutung und finden vermehrt auch Einzug in Kleinwagen. Zur korrekten Funktionsweise der Fahrerassistenzsysteme benötigen diese in der Regel hochgenaue Umgebungsinformationen, insbesondere Abstandsinformationen zwischen dem Fahrzeug sowie in der Umgebung befindlichen statischen und dynamischen Objekten, zu denen beispielsweise Leitplanken, Ampeln Bäume oder dergleichen sowie weitere Verkehrsteilnehmer zählen. Abstandsinformationen werden bereits durch den Einsatz einer Vielzahl verschiedener Sensoren gewonnen. Beispielsweise ist das Erfassen von Relativabständen mittels Radar, Ultraschall, Kameras oder mittels Lidar bekannt.
-
Der Begriff Lidar steht dabei für Light Detection and Ranging und ist eine dem Radar verwandte Methode zur optischen Abstands- und Geschwindigkeitsmessung, bei der anstatt Radiowellen Licht, insbesondere Laserstrahlen, verwendet werden. Dabei wird ein Laserstrahl mit Hilfe eines um eine oder mehrere Achsen rotierenden Spiegels entlang der Umgebung zur deren Abtastung umgelenkt und zurückgestreutes Licht von einem optischen Sensor erfasst, wobei aus einer Laufzeit des ausgesendeten und zurückgeworfenen Lichts eine Entfernung zu einem Ort der Streuung berechnet werden kann. Lidare werden bei Fahrzeugen zur Umgebungserfassung und zur Lidar-Odometrie eingesetzt, womit eine Bestimmung einer Eigenbewegung des Fahrzeugs ermöglicht wird.
-
Hierzu werden mit Hilfe des Lidars zu aufeinander folgenden Zeitpunkten erzeugte Umgebungsscans miteinander verglichen. Beim Scannen der Umgebung werden Punktwolken generiert, welche Abstandsinformationen zwischen dem Fahrzeug und Licht zurück streuenden Umgebungsobjekten umfassen. Eine Berechnung der Eigenbewegung des Fahrzeugs wird dadurch ermöglicht, dass die von zeitlich unmittelbar aufeinanderfolgenden Scans erzeugten Punktwolken zueinander registriert werden. Hierbei handelt es sich um eine translatorische und/oder rotatorische Verschiebung einer der Punktwolken, so lange, bis eine möglichst exakte Überdeckung mit der aus dem vorigen Scan beziehungsweise dem aktuellen Scan bestimmten Punktwolke vorliegt. Mathematisch betrachtet entspricht dies einer Minimierung einer summierten Distanz, wobei die summierte Distanz einem Abstand zwischen korrespondierenden, von den Punktwolken umfasster Punkte entspricht, wobei eine Summenbildung über sämtliche Punkte erfolgt. Ein solches Verfahren zur zueinander Registrierung von Punktwolken ist der Iterative Closest Point Algorithmus (ICP), der beispielsweise aus Zhang, Ji, and Sanjiv Singh. „LOAM: Lidar Odometry and Mapping in Real-time.“ Robotics: Science and Systems. Vol. 2. No. 9. 2014. bekannt ist.
-
Während des Betriebs des Fahrzeugs kommt es dabei zu Situationen, in denen ein Großteil der Umgebung statisch ist, jedoch dynamische Objekte in der Nähe des Fahrzeugs vorliegen. Dies führt dazu, dass die von zwei aufeinanderfolgenden Scans erzeugten Punktwolken im Registrierungsprozess nur schwer zur Deckung gebracht werden können. Während dabei die von den Punktwolken umfassten Punkte, welche statischen Objekten entsprechen, sich zur Deckung bringen lassen, ist dies für die Punkte, welche den dynamischen Objekten entsprechen, nicht möglich, da sich diese während der Scandauer weiter bewegt haben. Dies führt dazu, dass der Iterative Closest Point Algorithmus eine von der Realität abweichende Eigenbewegung des Fahrzeugs berechnet. Eine weitere Situation welche die Registrierung von Punktwolken zueinander erschwert, ist ein Verdecken von Objekten durch weitere Objekte. Wird das verdeckte Objekt in einem nachfolgenden Scan nicht mehr verdeckt, existieren in der nachfolgenden Punktwolke Messpunkte, welche vorher nicht vorlagen und sich somit auch nicht durch den Registrierprozess der Punktwolken zur Deckung bringen lassen.
-
Aus O. Bengtsson and A. -. Baerveldt, „Localization in changing environments by matching laser range scans," 1999 Third European Workshop on Advanced Mobile Robots (Eurobot'99). Proceedings (Cat. No.99EX355), Zurich, Switzerland, 1999, pp. 169-176, doi: 10.1109/EURBOT. 1999.827637 ist ein Verfahren zur Filterung von sich nicht durch einen Registrierprozess zur Deckung bringbaren Punktwolkenbereichen bekannt, wodurch eine Genauigkeit des Lidar-Odometrieverfahrens gesteigert werden kann. Dabei sind die Punktwolken in Sektoren entsprechend einem Polarkoordinatensystem aufgeteilt, wobei für jeden der Sektoren in aufeinanderfolgenden Laserscans ein korrespondierender Sektor bestimmt wird und für jeden der korrespondierenden Sektoren Abstände zwischen von den jeweiligen Sektoren umfassten korrespondierenden Punkte berechnet wird. Anschließend erfolgt eine Aufsummierung der Einzelabstände zwischen den korrespondierenden Punkten für jeden der Sektoren. Überschreitet die Summe der Einzelabstände eines Sektors einen festgelegten Grenzwert, wird der entsprechende Sektor für die Bestimmung der Eigenbewegung ausgeblendet. Nachteilig ist dabei jedoch, dass die Aufteilung der Punktwolken entsprechend einem Polarkoordinatensystem zu einer erhöhten Durchlaufzeit des Algorithmus zum zueinander Registrieren der von den Sektoren umfassten Pinket führt, sowie um eine Rechenzeit gering zu halten nur eine grobe Auflösung der Punktwolken erfolgt. Ferner stellt die Summenbildung der von den Sektoren umfassten Abstände einen weiteren Rechenschritt dar, der eine Rechenzeit zur durch Durchführung des Algorithmus weiter vergrößert.
-
Ferner offenbart die
DE 102 44 148 A1 ein Verfahren und eine Vorrichtung zur videobasierten Beobachtung und Vermessung der seitlichen Umgebung eines Fahrzeugs. Aus dem Stand der Technik ist bekannt, zur Bestimmung von Tiefeninformationen bzw. zur Entfernungsmessung Stereobildtriangulationen durchzuführen, eine Methode, die auch im Tierreich zur dreidimensionalen Sicht unter Ausnutzung einer Parallaxe beim zweiäugigen Sehen genutzt wird. Für eine technische Ausführung ist es dabei vonnöten, zwei Kameras einzusetzen. Um eine entsprechende Vorrichtung möglichst einfach, kostengünstig und robust auszuführen, offenbart die Druckschrift ein Verfahren und eine Vorrichtung, welche Stereobildtriangulationen unter Ausnutzung einer Monokamera erlaubt. Dabei erfasst eine Kamera ein erstes Kamerabild zu einem ersten Zeitpunkt und ein zweites Kamerabild zu einem zweiten Zeitpunkt. Dadurch, dass die Kamera an einem Fahrzeug angebracht ist und sich das Fahrzeug über die Zeit fortbewegt, ändert sich die Position der Kamera zwischen dem ersten und zweiten Zeitpunkt. Somit liegen zwei Kamerabilder vor, welche von unterschiedlichen Positionen aus aufgenommen wurden und somit unter Ausnutzung der Parallaxe das Gewinnen einen Tiefeninformation erlauben. Entsprechend einer Ausgestaltung der Erfindung werden mit Hilfe der Vorrichtung und des Verfahrens generierte 3D-Tiefenansichten aneinander gekettet, um so eine 3D-Karte zu erzeugen. Diese wird kontinuierlich in eine Fahrtrichtung des Fahrzeugs um neu hinzugekommene Bildbereiche erweitert. Dabei werden zu addierende Bilddaten eines jeweiligen lokalen Ortspunktes vor Akkumulieren aus verschiedenen Kamerabildern einer Gewichtung unterzogen. Hierzu wird das von der 3D-Tiefenansicht dargestellte Volumen in einzelne Volumenelemente unterteilt, insbesondere in Form von Kuben, welche wiederum die zu addierenden, den Ortspunkten entsprechende Bildpunkte umfassen. Daraufhin wird ein Gesamtgewicht berechnet, welches dem durchschnittlichen Gewicht aller Volumenelemente entspricht und Volumenelemente, deren Gewicht unter dem Gesamtgewicht liegen, für eine Berechnung der Tiefeninformation vernachlässigt. Hierdurch kann beim Akkumulieren mehrerer Kamerabilder entstehendes Rauschen durch das Herausfiltern einzelner Bildpunkte reduziert werden. Um eine recheneffiziente Durchführung des Verfahrens zu ermöglichen, werden die 3D-Tiefeninformationen in einer Octree-Datenstruktur abgespeichert. Dabei handelt es sich um einen gewurzelten Baum, dessen Knoten jeweils entweder acht direkte Nachfolger oder gar keine Nachfolger haben. Mit Hilfe eines Octrees lassen sich dreidimensionale Datensätze hierarchisch effizient untergliedern. Dabei entspricht jeder Knoten des Octrees einem Volumenelement, auch als Voxel bezeichnet, der 3D-Tiefeninformation. Durch eine Aufgliederung des Octrees durch das Hinzufügen neuer Schichten lässt sich eine Auflösung der 3D-Tiefeninformation verfeinern. Nachteilig ist dabei jedoch, dass zur Gewichtung ein zusätzlicher Rechenschritt notwendig ist, um das durchschnittliche Gewicht aller Volumenelemente zu berechnen und um zu prüfen, ob ein jeweiliges Volumenelement Bildpunkte oberhalb oder unterhalb des durchschnittlichen Gewichts umfasst.
-
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Lidar-Odometrie anzugeben, welches auch bei Vorhandensein von dynamischen Objekten und nicht überlappenden Scanbereichen eine zuverlässige Vorhersage und effiziente Berechnung einer Eigenbewegung erlaubt.
-
Erfindungsgemäß wird diese Aufgabe durch ein Verfahren zur Bestimmung einer Eigenbewegung mittels Lidar-Odometrie mit den Merkmalen des Anspruchs 1 sowie ein Fahrzeug mit einem Lidar und einer Recheneinheit gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den hiervon abhängigen Ansprüchen.
-
Diese Aufgabe wird bei einem Verfahren der eingangs genannten Art, wobei eine Umgebung zu Zeitpunkten tn zur Erzeugung von Punktwolken PWn von einem Lidar abgetastet wird und eine Bestimmung der Eigenbewegung durch ein zueinander Registrieren zeitlich aufeinanderfolgender Punktwolken PWi und PWi-1 durch die Anwendung eines Iterative Closest Point Algorithmus erfolgt, dadurch gelöst, dass in der Registrierung nicht miteinander korrespondierende, von den Punktwolken PWi und PWi-1 umfasste Messpunkte zur Bestimmung der Eigenbewegung aus den Punktwolken mit Hilfe eines Octree-Korrespondenzfilters entfernt werden. Dabei werden die folgenden Verfahrensschritte durchgeführt:
- - Abspeichern der Punktwolken PWi und PWi-1 in einer Octree-Struktur;
- - Berechnen einer erwarteten Punktwolke PWi e durch eine Transformation der Punktwolke PWi-1 mit einer geschätzten Bewegung Te;
- - Vergleich der Punktwolken PWi und PWi e zum Auffinden nicht miteinander korrespondierender Messpunkte;
- - Entfernern der nicht miteinander korrespondierenden Messpunkte aus den Punktwolken PWi und PWi-1 zum Erhalt der Punktwolken PWi f und PWi-1 f;
- - Bestimmung der Eigenbewegung durch Anwendung des Iterative Closest Point Algorithmus auf die Punktwolken PWi f und PWi-1 f.
-
Ein nachteiliger Effekt von in einer Umgebung vorliegenden dynamischen Objekten sowie nicht überlappender Scanbereiche bei der Berechnung von Abstandsinformationen mit Hilfe der Lidar-Odometrie wurde bereits eingehend im Stand der Technik erläutert. Mit Hilfe des beschriebenen Verfahrens lassen sich dynamische Objekte sowie nicht überlappende Scanbereiche zuverlässig aus bei Scanvorgängen erzeugten Punktwolken PWn entfernen. Hierdurch lässt sich die Genauigkeit der Abstandsbestimmung durch eine Verminderung von Rauschen steigern.
-
Zum Auffinden der dynamischen Objekte bzw. der nicht überlappenden Scanbereiche werden zwei unmittelbar aufeinander aufgenommene Scans zueinander registriert. Hierzu werden Ortsinformationen von der zu einem aktuellen Zeitpunkt ti erzeugten, aktuellen Punktwolke PWi und der zu einem früheren Zeitpunkt ti-1, unmittelbar zuvor aufgenommenen Punktwolke PWi-1 umfassten Messpunkte durch das zueinander Registrieren bestmöglich zur Deckung gebracht, wobei die Punktwolke PWi-1 durch eine Transformation mit der geschätzten Bewegung Te so verschoben wird, dass die von den Punktwolken PWi und PWi-1 umfassten Messpunkte aufeinanderliegen. Handelt es sich bei einem Messpunkt um einen stationären Messpunkt, welcher einem stationären Teil der Umgebung entspricht, so wird dieser nach Transformation der Punktwolke PWi-1 in der Regel am selben Ort liegen, wie ein korrespondierender Messpunkt in der Punktwolke PWi. Handelt es sich jedoch um einen dynamischen Messpunkt, welcher einem dynamischen Objekt oder einem nicht überlappenden Scanbereich entspricht, so lässt sich der dynamische Messpunkt in der Regel nach Transformation mit der geschätzten Bewegung Te nicht mit seinem korrespondierenden Messpunkt in der Punktwolke PWi zur Deckung bringen. Durch einen Vergleich zur Deckung gebrachter bzw. nicht zur Deckung gebrachter Messpunkte lassen sich somit die dynamischen Messpunkte bzw. nicht überlappenden Scanbereiche detektieren und entfernen.
-
Um eine effiziente Durchführung des Algorithmus zu gewährleisten, werden dabei die Punktwolken in Form der Octree-Struktur abgespeichert. Die durch das Scannen der Umgebung mit Hilfe der Lidar-Odometrie erzeugten Punktwolken PWn umfassen dabei für jeden Messpunkt eine Abstandsinformation zwischen Objekt und Lidar. Die Punktwolke PWn entspricht somit einer 3D-Tiefeninformation, welche in Form eines beliebigen Koordinatensystems in Form von Voxeln gespeichert wird. Der oberste Knoten der Octree-Struktur entspricht dabei dem kompletten Messvolumen, also der gescannten Umgebung. Mit Hilfe der Octree-Struktur lässt sich eine beliebig feine Auflösung erzeugen, indem einzelne Bereiche der Umgebung in Sub-Voxel aufgeteilt werden, was dem Hinzufügen von weiteren Knoten in Form weiterer Schichten in der Octree-Struktur entspricht. Somit lässt sich zum einen ein Speicherbedarf zum Speichern der Punktwolken PWn reduzieren und ein Zeitaufwand eines Algorithmus zum Adressieren eines von den Punktwolken PWn umfassten Messpunkts reduzieren. Durch das Entfernen der nicht korrespondierenden Messpunkte aus den Punktwolken PWi und PWi-1 werden die Punktwolken PWi f undPWi-1 f generiert. Diese Punktwolken umfassen somit ausschließlich statische Messpunkte sowie Messpunkte, welche überlappenden Scanbereichen entsprechen, wodurch beim anschließend durchgeführten Iterative Closest Point Algorithmus zur Bestimmung der Eigenbewegung besonders effektiv Rauschen reduziert wird, wodurch die Genauigkeit bei der Bestimmung der Eigenbewegung erhöht wird. Dies wird durch die Möglichkeit ,dank der Octree-Struktur eine besonders feine Auflösung zu erzielen, ganz besonders unterstützt.
-
Eine vorteilhafte Weiterbildung des Verfahrens sieht vor, dass die geschätzte Eigenbewegung einer Fortführung einer zuletzt bestimmten Eigenbewegung entspricht. Um die von der Punktwolke PWi-1 umfassten Messpunkte mit den von der Punktwolke PWi umfassten Messpunkte zur Deckung zu bringen, wird eine Bewegungsinformation benötigt. Als gute Näherung lässt sich dabei die Fortführung der zuletzt bestimmten Eigenbewegung einsetzen. Da die zuletzt bestimmte Eigenbewegung bereits vorliegt, kann somit ein Rechenaufwand weiter reduziert werden. Liegt noch keine Eigenbewegung vor, kann zuerst eine Eigenbewegung mittels Lidar-Odometrie bestimmt werden, welche auf ein Filtern der dynamischen Messpunkte sowie nicht überlappender Scanbereiche verzichtet. Generell kommt jedoch auch eine Bestimmung der geschätzten Eigenbewegung mit Hilfe einer beliebigen anderen Methode in Frage. Beispielsweise kann die Eigenbewegung auch mit bewährten Odometrie-Verfahren wie beispielsweise Bestimmung einer Eigenbewegung mit Hilfe von GPS-Daten oder durch Bestimmen einer Geschwindigkeit aus einer Raddrehzahl erfolgen.
-
Bevorzugt werden die Messpunkte zur Ausbildung der Punktwolken PWn in kartesischen Koordinaten erfasst. Kartesische Koordinaten eignen sich besonders zum Abspeichern in der Octree-Struktur.
-
Bei einem Fahrzeug mit einem Lidar und einer Recheneinheit ist erfindungsgemäß die Recheneinheit dazu eingerichtet, das beschriebene Verfahren durchzuführen. Dies erlaubt eine genauere und zuverlässigere Bestimmung einer Eigenbewegung des Fahrzeugs gegenüber aus dem Stand der Technik bekannter Verfahren.
-
Weitere vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens sowie des Fahrzeugs ergeben sich auch aus dem Ausführungsbeispiel, welches nachfolgend unter Bezugnahme auf die Figuren näher beschrieben wird.
-
Dabei zeigen:
- 1 eine Octree-Struktur;
- 2 eine Draufsicht auf ein Ego-Fahrzeug, welches Lidar-Odometrie zur Bestimmung seiner Eigenbewegung einsetzt und damit gewonnene Punktwolken zum Zeitpunkt ti und ti-1;
- 3 ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens; und
- 4 ein Ablaufdiagramm eines Verfahrens zum Filtern nicht korrespondierender Messpunkte.
-
Bei der in 1 gezeigten Octree-Struktur 3 repräsentiert ein erster Knoten, die sogenannte Wurzel 5, ein vollständiges Volumen eines Würfels 6. Dabei muss das Volumen nicht zwangsweise eine würfelförmige Geometrie aufweisen, sondern kann beispielsweise auch quaderförmig sein. Der Würfel 6 wird in acht sogenannte Oktanten 6.1-6.8 unterteilt, wobei jeder der Oktanten 6.1-6.8 von einem eigenen Knoten 5.1-5.8 als Nachfolger der Wurzel 5 in der Octree-Struktur 3 abgebildet wird. Jeder der Oktanten 6.1-6.8 lässt sich zur Erhöhung einer Auflösung weiter in Sub-Oktanten 6.2.1 bis 6.2.8 aufteilen. Dementsprechend weist der Knoten 5.2 acht Nachfolgerknoten 5.2.1-5.2.8 auf. Eine solche Unterteilung kann so lange fortgeführt werden, bis eine gewünschte Auflösung erreicht wurde. Zur Adressierung eines auf einer beliebig tiefen Ebene vorliegenden Oktanten kann die Octree-Struktur 3 von einem Adressieralgorithmus aufgrund der Baumstruktur besonders schnell und effizient durchschritten werden. Mit Hilfe der Octree-Struktur 3 lassen sich somit komplexe Aufgaben nach der Methode des Teilens und Herrschens in eine Vielzahl simpler Aufgaben aufteilen.
-
2 zeigt in einem ersten oberen linken Abschnitt ein auf einer Fahrbahn 7 fahrendes Ego-Fahrzeug 8, welches ein Lidar 1 sowie eine Recheneinheit 4 umfasst und mit deren Hilfe Lidar-Odometrie zur Bestimmung seiner Eigenbewegung einsetzt. Das Lidar 1 sendet einen Laserstrahl 9 aus, welcher zur Abtastung einer Umgebung, wie durch den Pfeil angedeutet, um das Ego-Fahrzeug 8 rotiert. Auf einer benachbarten Spur kommt dem Ego-Fahrzeug 8 ein weiteres Fahrzeug 10 entgegen. Dabei bewegt sich das Ego-Fahrzeug 8 mit einer Fortbewegungsgeschwindigkeit FEGO und das weitere Fahrzeug 10 mit einer Fortbewegungsgeschwindigkeit FFZG fort. Die Fahrbahn 7 ist weiter auf beiden begrenzenden Seiten von Leitpfosten 11 umgeben. Ferner befindet sich dem Ego-Fahrzeug 8 ein Baum 12 voraus.
-
In einem oberen rechten Abschnitt zeigt 2 eine zum Zeitpunkt ti-1 mit Hilfe eines Lidar-Scans erzeugte Punktwolke PWi-1 . Zur Vereinfachung ist die Punktwolke PWi-1 dabei zweidimensional, entsprechend einer Draufsicht auf die im oberen linken Abschnitt von 2 gezeigten Situation dargestellt. Die Punktwolke PWi-1 umfasst Messpunkte 2, welche mit einem Abstand zum Ursprung 13 um diesen angeordnet sind. Dabei entspricht der Ursprung 13 dem Ego-Fahrzeug 8 sowie die Abstände der jeweiligen Messpunkte 2 zum Ursprung 13 einem Relativabstand zwischen dem Ego-Fahrzeug 8 und zu diesem beabstandeter Objekte, wie dem weiteren Fahrzeug 10, den Leitpfosten 11 sowie dem Baum 12. Bewegt sich das Ego-Fahrzeug 8 weiter fort, nimmt es zu einem auf den Zeitpunkt ti-1 folgenden Zeitpunkt ti eine weitere Punktwolke PWi auf. Dies ist in 2 im unteren Bereich dargestellt. Hier ist zu erkennen, dass das weitere Fahrzeug 10 sich ebenfalls fortbewegt hat, wodurch es einen Blick auf einen vorher verdeckten Leitpfosten 11.1 freigibt sowie einen weiteren Leitpfosten 11 verdeckt. Somit liegen in der Punktwolke PWi nicht korrespondierende Messpunkte 2.1 vor, welche sich durch eine Transformation der Punktwolke PWi-1 mit einer geschätzten Eigenbewegung Te des Ego-Fahrzeugs 8, nicht vollständig mit der Punktwolke PWi-1 zur Deckung bringen lassen. Der Baum 12 wird dabei durch einen zwischen dem Baum 12 und dem Ego-Fahrzeug 8 befindlichen Leitpfosten 11 nicht verdeckt, da eine Höhe des Baums 12 wesentlich größer als eine Höhe des Leitpfostens 11 ausfällt und das Lidar 1 die Umgebung entsprechend einer dritten, der Höhe entsprechenden Raumdimension scannt.
-
Bei dem in 3 gezeigten Verfahren erfolgt in einem ersten Verfahrensschritt 310 ein Scan der Umgebung mit Hilfe des Lidars 1. Daraufhin werden im Schritt 320 Punktwolken PWn erzeugt und gespeichert. Im Schritt 330 werden zur Bestimmung der Eigenbewegung relevante Punktwolken festgelegt. Wird das Verfahren zur Bestimmung einer aktuellen Eigenbewegung genutzt, handelt es sich dabei um die zum aktuellen Zeitpunkt ti erzeugte Punktwolke PW, sowie die zum unmittelbar vorigen Zeitpunkt ti-1 erzeugte Punktwolke PWi-1 , welche anschließend in einem Schritt 340.1 durch Berücksichtigung einer geschätzten Eigenbewegung Te transformiert wird, um sie mit der Punktwolke PWi bestmöglich zu überdecken. Die hieraus entstehende Punktwolke PWi e sowie die Punktwolke PWi werden im Schritt 345.1 bzw. 345.2 in Form einer Octree-Struktur gespeichert. Anschließend werden im Schritt 350 die jeweiligen in der Octree-Struktur vorliegenden Punktwolken zueinander registriert, mit dem Ziel nicht miteinander korrespondierende Messpunkte, welche dynamischen Objekten bzw. nicht überschneidenden Scanbereichen entsprechen, aufzufinden und aus den jeweiligen Punktwolken zu entfernen. Somit entstehen die Punktwolken PWi f sowie PWi-1 , welche anschließend im Schritt 360 zur Durchführung eines Iterative Closest Point Algorithmus ICP zur Bestimmung der Eigenbewegung herangezogen werden.
-
4 zeigt den Verfahrensschritt 350 zum Filtern nicht korrespondierender Messpunkte im Detail. Dabei wird im Schritt 351 jedes Voxel der Punktwolke PWi mit einem entsprechenden Voxel aus der Punktwolke Pwi e verglichen und daraufhin analysiert, ob in beiden Voxeln ein Messpunkt vorliegt. Ist dies der Fall, wird zum nächsten Voxel übergegangen. Ist dies nicht der Fall, wird im Schritt 352 der Messpunkt aus der entsprechenden Punktwolke gelöscht. Der Verfahrensschritt 350 wird so lange durchgeführt, bis alle von den Punktwolken umfassten Voxel verglichen wurden. Dadurch, dass die Punktwolken in Form der Octree-Struktur vorliegen, lässt sich besonders effizient und schnell über die Voxel iterieren.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
-
Zitierte Nicht-Patentliteratur
-
- O. Bengtsson and A. -. Baerveldt, „Localization in changing environments by matching laser range scans,“ 1999 Third European Workshop on Advanced Mobile Robots (Eurobot'99). Proceedings (Cat. No.99EX355), Zurich, Switzerland, 1999, pp. 169-176, doi: 10.1109/EURBOT. 1999.827637 [0006]
