DE102020121064A1 - Method for operating an assistance system in a motor vehicle, computer program product, computer-readable storage medium and assistance system - Google Patents
Method for operating an assistance system in a motor vehicle, computer program product, computer-readable storage medium and assistance system Download PDFInfo
- Publication number
- DE102020121064A1 DE102020121064A1 DE102020121064.7A DE102020121064A DE102020121064A1 DE 102020121064 A1 DE102020121064 A1 DE 102020121064A1 DE 102020121064 A DE102020121064 A DE 102020121064A DE 102020121064 A1 DE102020121064 A1 DE 102020121064A1
- Authority
- DE
- Germany
- Prior art keywords
- polygonal shape
- assistance system
- detection
- account
- mathematical model
- 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.)
- Pending
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Betreiben eines Assistenzsystems (2), bei welchem mittels einer Erfassungseinrichtung (5) eine Umgebung (6) durch Erzeugung von Erfassungspunkten (8) erfasst wird, und bei welchem die Punktwolke mittels einer elektronischen Recheneinrichtung (3) ausgewertet wird, wobei die Auswertung auf Basis eines mathematischen Modells (9) durchgeführt wird, und mittels des mathematischen Modells (9) eine Nachverfolgung eines Objekts (7) in der Umgebung (6) durchgeführt wird, wobei das Objekt (7) als polygonale Form (12) im mathematischen Modell (9) genähert wird und mittels eines Kalman-Filters, der zur Verarbeitung implizierter Messfunktionen eingerichtet ist, zumindest einer der Erfassungspunkte (8) der polygonalen Form (9) zugeordnet wird, wobei zumindest einer der Erfassungspunkte (9) als zumindest einem spezifischen Teil der polygonalen Form (12) zugeordnet vorgegeben wird und die Erfassung auf Basis dieser Vorgabebedingung durchgeführt wird. Ferner betrifft die Erfindung ein Computerprogrammprodukt, ein computerlesbares Speichermedium (4) sowie ein Assistenzsystem (2).The invention relates to a method for operating an assistance system (2), in which an environment (6) is recorded by means of a recording device (5) by generating recording points (8), and in which the point cloud is evaluated by means of an electronic computing device (3). , wherein the evaluation is carried out on the basis of a mathematical model (9), and a tracking of an object (7) in the environment (6) is carried out by means of the mathematical model (9), the object (7) being defined as a polygonal shape (12 ) is approximated in the mathematical model (9) and at least one of the detection points (8) is assigned to the polygonal shape (9) by means of a Kalman filter, which is set up for processing implied measurement functions, with at least one of the detection points (9) being at least associated with a specific part of the polygonal shape (12) and the detection is performed based on this predetermined condition. The invention also relates to a computer program product, a computer-readable storage medium (4) and an assistance system (2).
Description
Die Erfindung betrifft ein Verfahren zum Betreiben eines Assistenzsystems eines Kraftfahrzeugs, bei welchem mittels einer Erfassungseinrichtung des Assistenzsystems eine Umgebung des Kraftfahrzeugs erfasst wird, wobei die Umgebung durch Erzeugung einer Vielzahl von Erfassungspunkten als eine Punktwolke mittels der Erfassungseinrichtung erfasst wird, und bei welchem die Punktwolke mittels einer elektronischen Recheneinrichtung des Assistenzsystems ausgewertet wird, wobei die Auswertung auf Basis eines mathematischen Modells der elektronischen Recheneinrichtung durchgeführt wird, und mittels des mathematischen Modells eine Nachverfolgung eines Objekts in der Umgebung durchgeführt wird, wobei das Objekt als polygonale Form im mathematischen Modell genähert wird und mittels eines Kalman-Filters, der zur Verarbeitung implizierter Messfunktionen eingerichtet ist, zumindest einer der Erfassungspunkte der polygonalen Form zugeordnet wird. Ferner betrifft die Erfindung ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie ein Assistenzsystem.The invention relates to a method for operating an assistance system of a motor vehicle, in which an area surrounding the motor vehicle is recorded using a recording device of the assistance system, the area being recorded by generating a large number of recording points as a point cloud using the recording device, and in which the point cloud is recorded using an electronic computing device of the assistance system is evaluated, with the evaluation being carried out on the basis of a mathematical model of the electronic computing device, and using the mathematical model to track an object in the area, with the object being approximated as a polygonal shape in the mathematical model and using a Kalman filter arranged to process implied measurement functions, at least one of the detection points is associated with the polygonal shape. Furthermore, the invention relates to a computer program product, a computer-readable storage medium and an assistance system.
Aus dem Stand der Technik ist bereits bekannt, dass für eine Objektverfolgung die Objekte oftmals als polygonale Form vorgegeben werden, wobei hier oftmals die Annahme der nächsten Nachbarschaft (nearest neighbour) genutzt wird. Ferner ist aus dem Stand der Technik bereits ein sogenanntes probabilistische Multi-Hypothesen-Modell (PMHT) bekannt, mittels welchem eine verbesserte Verfolgung eines dynamischen Objekts realisiert werden kann.It is already known from the prior art that, for object tracking, the objects are often predefined as a polygonal shape, with the assumption of the closest neighbor often being used here. Furthermore, a so-called probabilistic multi-hypothesis model (PMHT) is already known from the prior art, by means of which improved tracking of a dynamic object can be implemented.
Die
Die
Die
Die
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren, ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie ein Assistenzsystem zu schaffen, mittels welchem eine verbesserte Objektverfolgung eines dynamischen Objekts realisiert werden kann.The object of the present invention is to create a method, a computer program product, a computer-readable storage medium and an assistance system, by means of which improved object tracking of a dynamic object can be implemented.
Diese Aufgabe wird durch ein Verfahren, ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie ein Assistenzsystem gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben.This object is achieved by a method, a computer program product, a computer-readable storage medium and an assistance system according to the independent patent claims. Advantageous embodiments are specified in the dependent claims.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Betreiben eines Assistenzsystems eines Kraftfahrzeugs, bei welchem mittels einer Erfassungseinrichtung des Assistenzsystems eine Umgebung des Kraftfahrzeugs erfasst wird, wobei die Umgebung durch Erzeugung einer Vielzahl von Erfassungspunkten als eine Punktwolke mittels der Erfassungseinrichtung erfasst wird, und bei welchem die Punktwolke mittels einer elektronischen Recheneinrichtung des Assistenzsystems ausgewertet wird, wobei die Auswertung auf Basis eines mathematischen Modells der elektronischen Recheneinrichtung durchgeführt wird, und mittels des mathematischen Modells eine Nachverfolgung eines Objekts in der Umgebung durchgeführt wird, wobei das Objekt als polygonale Form dem mathematischen Modell genähert wird und mittels eines Kalman-Filters, der zur Verarbeitung implizierter Messfunktionen eingerichtet ist, zumindest einer der Erfassungspunkte der polygonalen Form zugeordnet wird.One aspect of the invention relates to a method for operating an assistance system of a motor vehicle, in which an environment of the motor vehicle is detected by means of a detection device of the assistance system, the environment being detected by generating a large number of detection points as a point cloud by means of the detection device, and in which the point cloud is evaluated by means of an electronic computing device of the assistance system, with the evaluation being carried out on the basis of a mathematical model of the electronic computing device, and using the mathematical model to track an object in the area, with the object being approximated to the mathematical model as a polygonal shape and at least one of the detection points is assigned to the polygonal shape by means of a Kalman filter, which is set up for processing implicit measurement functions.
Es ist vorgesehen, dass zumindest einer der Erfassungspunkte als zumindest einem spezifischen Teil der polygonalen Form zugeordnet vorgegeben wird und die Erfassung auf Basis dieser Vorgabebedingung mittels der elektronischen Recheneinrichtung durchgeführt wird.Provision is made for at least one of the detection points to be predefined as being assigned to at least one specific part of the polygonal shape and for the detection to be carried out on the basis of this predefined condition using the electronic computing device.
Dadurch ist es ermöglicht, dass eine verbesserte Objektverfolgung des dynamischen Objekts in der Umgebung des Kraftfahrzeugs realisiert werden kann.This makes it possible for improved object tracking of the dynamic object to be implemented in the area surrounding the motor vehicle.
Insbesondere wird somit eine Hypothese von unabhängigen Assoziationen aus dem mathematischen Modell entfernt und dadurch ersetzt, dass zumindest einer der erfassten Erfassungspunkte einem spezifischen Teil der polygonalen Form zugeordnet wird. Insbesondere nutzt somit das mathematische Modell die Tatsache, dass der spezifische Teil der polygonalen Form des Objekts eine Minimumanzahl an Messpunkten aufweist.In particular, a hypothesis of independent associations is thus removed from the mathematical model and replaced by associating at least one of the detected detection points with a specific part of the polygonal shape. In particular, the mathematical model thus makes use of the fact that the specific part of the polygonal shape of the object has a minimum number of measuring points.
Insbesondere kann somit verhindert werden, dass die Hypothese, die besagt, dass alle Assoziationen unabhängig voneinander sind, dazu führen kann, dass innerhalb des mathematischen Modells unerwünschte lokale Maxima entstehen. Diese Hypothese impliziert, dass alle Messungen, was insbesondere den Erfassungspunkten entspricht. vom gleichen Modell ausgehen können, was zu dem Verhalten führt, dass alle Assoziationen als unabhängig voneinander vorgegeben werden. Diese Hypothese könnte dazu führen, dass alle Messungen der falschen Seite des Objekts zugeordnet werden, wenn ein Ziel von beispielsweise hinten erfasst wird. Auch bei Laserscanner beziehungsweise Lidarsensoren sind Messungen aus dem Inneren des Objekts möglich und es kann das Innenmodell verwendet werden. Auch die vorderen Ecken des Objekts können von hinten detektiert werden. Beispielsweise sind Kraftfahrzeuge nicht perfekt rechteckig, sodass Echos von der Seitenfläche reflektiert werden können, sodass auch die Modelle für die vorderen Ecken verwendet werden müssen. Wenn das Ziel beschleunigt wird und gerade mit einer etwas zu geringeren Geschwindigkeit initialisiert wurde, driften die Assoziationen für den ersten und letzten Punkt zum linken und rechten Linienmodell und für die anderen Punkte zum Innenmodell. Schließlich, nach einigen Zeitschritten, werden der erste und der letzte Punkt mit den vorderen Ecken assoziiert und die anderen Punkte entweder mit der vorderen Linie oder auch, wenn die vordere Linie verdeckt ist, mit dem Innenmodell assoziiertIn particular, it can thus be prevented that the hypothesis that states that all associations are independent of one another can lead to undesirable local maxima arising within the mathematical model. This hypothesis implies that all measurements, which correspond in particular to the detection points. can start from the same model, which leads to the behavior that all associations are assumed to be independent of each other. This hypothesis could result in all measurements being assigned to the wrong side of the object when a target is acquired from, say, the rear. Measurements from inside the object are also possible with laser scanners or lidar sensors, and the inside model can be used. The front corners of the object can also be detected from behind. For example, automobiles are not perfectly square, so echoes can bounce off the side surface, so the front corner models must also be used. If the target is accelerating and has just been initialized at a slightly slower speed, the associations for the first and last points will drift to the left and right line models and for the other points to the interior model. Finally, after a few time steps, the first and last points are associated with the front corners and the other points are associated either with the front line or, if the front line is obscured, with the interior model
Ferner kann ein ähnliches Problem auch bei Radar auftreten, wenn ein Ziel von der Seite erfasst wird. Die Radareinrichtung kann prinzipiell Messungen überall auf dem Ziel erfassen, und es müssen alle Modelle einschließlich der im Prinzip verdeckten Seiten verwendet werden. Da Radar in der Nähe des Ziels sehr viel Clutter, also Rauschen, erzeugt, muss die Wahrscheinlichkeit des Clutter-Modells für eine korrekte Zielverfolgung recht hoch angesetzt werden. Daher können Punkte, selbst wenn sie im Inneren des Ziels erkannt werden, mit Clutter in Verbindung gebracht werden, und das Ziel bleibt „auf der falschen Seite stecken“.Furthermore, a similar problem can also occur with radar when a target is detected from the side. The radar device can in principle acquire measurements anywhere on the target, and all models including the theoretically hidden sides must be used. Since radar generates a lot of clutter, i.e. noise, in the vicinity of the target, the probability of the clutter model for correct target tracking must be set quite high. Therefore, even if spots are detected inside the target, they can be associated with clutter and the target will remain "stuck on the wrong side".
Ferner kann jedes Rechteck, das alle Entdeckungen umfasst, ein gültiges lokales Maximum aufweisen. Alle Messungen können dem inneren Modell zugeordnet werden und keine oder nur sehr wenige der Kontur. Dies kann beim Radar besonders problematisch sein, da keine vorherigen Assoziationswahrscheinlichkeiten der vorgegebenen Seiten und Ecken auf Null gesetzt sind. Das geschätzte Ziel kann zu groß sein.Furthermore, each rectangle enclosing all discoveries can have a valid local maximum. All measurements can be assigned to the inner model and none or very few to the contour. This can be particularly problematic with radar since no prior association probabilities of the given sides and corners are set to zero. Estimated target may be too big.
Ferner kann ein Ziel als zu stark gewachsen ausgewertet werden, wobei dies dann nicht wieder schrumpfen kann. Dies kann während der Initialisierung geschehen, wenn die Längenunsicherheit groß ist. Es kann auch passieren, wenn einige Clutter-Messungen dazu führen, dass das Ziel zu stark gewachsen ist.Furthermore, a target can be evaluated as having grown too much, in which case it cannot shrink again. This can happen during initialization when the length uncertainty is large. It can also happen when some clutter measurements cause the target to grow too much.
All diese vorgestellten Probleme werden durch eine falsche Wahl der Wahrscheinlichkeiten der posterioren Assoziation verursacht. Im ersten Beispiel besteht das Problem darin, dass der Kalman-Filter nicht weiß, dass mindestens eine Messung von jeder Ecke kommen muss, da das Ziel von hinten erfasst wurde, oder dass mindestens eine Messung von der Rückseite kommen muss. Das Problem im zweiten Beispiel ist gleich, da einige Messungen entweder von der vorderen und hinteren linken Ecke oder von der Rückseite kommen müssen. Im dritten und vierten Beispiel würde das mathematische Modell zur richtigen Schätzung konvergieren, wenn es wüsste, dass mindestens eine Messung von der vorderen linken und hinteren rechten Ecke kommen muss.All of these problems presented are caused by an incorrect choice of posterior association probabilities. In the first example, the problem is that the Kalman filter doesn't know that at least one measurement must come from each corner since the target was acquired from behind, or that at least one measurement must come from the back. The problem in the second example is the same, as some measurements must come from either the front and back left corners, or from the back. In the third and fourth examples, the mathematical model would converge to the correct estimate if it knew that at least one measurement must come from the front left and back right corners.
Daher ist erfindungsgemäß nun vorgesehen, dass die Annahme, dass alle Assoziationen unabhängig voneinander sind, fallengelassen wird und das Wissen einbezogen wird, dass zumindest bestimmte Modelle eine oder mehrere Erfassungspunkte erhalten. Diese Beschränkung der Assoziation kann je nach Betrachtungswinkel, unter dem das Ziel erfasst wird, oder je nachdem zu einem Abstand des Objekts zum Sensor aktiv oder inaktiv sein. Die Beschränkung kann auch einer bestimmten Wahrscheinlichkeit zugeordnet werden, ob diese gültig ist oder nicht.Therefore, according to the invention, it is now provided that the assumption that all associations are independent of one another is dropped and the knowledge that at least certain models receive one or more detection points is included. This constraint on the association can be active or inactive depending on the viewing angle at which the target is detected or depending on a distance of the object from the sensor. The constraint can also be associated with a certain probability of being valid or not.
Gemäß einer vorteilhaften Ausgestaltungsform wird der spezifische Teil der polygonalen Form als eine Seite der polygonalen Form und/oder als eine Ecke der polygonalen Form vorgegeben. Mit anderen Worten kann der spezifische Teil sowohl eine Ecke der polygonalen Form sein und/oder eine Seite der polygonalen Form. Sollte beispielsweise die polygonale Form als Rechteck vorgegeben werden, so kann eine Seite beispielsweise eine Frontseite, eine linke Seite, eine rechte Seite und eine Heckseite sein. Ferner weist dann die polygonale Form vier Ecken auf. Durch die Vorgabe, dass zumindest eine der Erfassungspunkte der Seite und/oder der Ecke zugeordnet wird, kann zuverlässig eine Nachverfolgung des dynamischen Objekts realisiert werden.According to an advantageous embodiment, the specific part of the polygonal shape is specified as a side of the polygonal shape and/or as a corner of the polygonal shape. In other words, the specific part can be both a corner of the polygonal shape and/or a side of the polygonal shape. For example, if the polygonal shape is specified as a rectangle, a side can be a front side, a left side, a right side and a rear side, for example. Furthermore, the polygonal shape then has four corners. By specifying that at least one of the detection points is assigned to the side and/or the corner, the dynamic object can be reliably tracked.
Weiterhin vorteilhaft ist, wenn in Abhängigkeit von einem Erfassungswinkel des Objekts der spezifische Teil der polygonalen Form vorgegeben wird. Sollte beispielsweise festgestellt werden, dass eine bestimmte Seite beziehungsweise Ecke der polygonalen Form mittels der Erfassungseinrichtung nicht „sichtbar“ ist, so kann eine entsprechende Zuordnung unterdrückt werden. Sollte dann beispielsweise festgestellt werden, dass nur eine bestimmte Seite derzeit gesehen werden kann, so kann durch die Vorgabe, dass eine der Erfassungspunkte dieser Seite zugeordnet wird, dazu führen, dass verbessert die Verfolgung des Objekts durchgeführt werden kann.It is also advantageous if the specific part of the polygonal shape is specified as a function of a detection angle of the object. If, for example, it is determined that a specific side or corner of the polygonal shape is not “visible” using the detection device, a corresponding assignment can be suppressed. If it is then determined, for example, that only one specific side can currently be seen, the specification that one of the detection points is assigned to this side can result in the tracking of the object being able to be carried out in an improved manner.
Ferner hat es sich als vorteilhaft erwiesen, wenn die polygonale Form als rechteckige Form des Objekts vorgegeben wird. Insbesondere die Objektverfolgung im Kraftfahrzeugbau beruht darauf, dass Objekte oftmals rechteckig sind. Beispielsweise kann ein weiteres Kraftfahrzeug in der Umgebung als rechteckige Form vorgegeben werden. Somit ist ermöglicht, dass eine Vielzahl von unterschiedlichen Objekten, insbesondere Kraftfahrzeuge, verbessert nachverfolgt werden können. Ferner kann dadurch eine einfache polygonale Form genutzt werden, wodurch eine Zuordnung zu einem spezifischen Teil sehr einfach gestaltete werden kann. Insbesondere kann dadurch recheneffizient die Objektverfolgung durchgeführt werden. Insbesondere weist dann die rechteckige Form vier Seiten und vier Ecken auf. Ein Erfassungspunkt kann dann jeweils zumindest einer der Seite und/oder einer der Ecken zugeordnet werden, wodurch eine verbesserte Objektverfolgung realisiert werden kann.Furthermore, it has proven to be advantageous if the polygonal shape is specified as a rectangular shape of the object. In particular, object tracking in motor vehicle construction is based on the fact that objects are often rectangular. For example, another motor vehicle in the area can be specified as a rectangular shape. This makes it possible for a large number of different objects, in particular motor vehicles, to be able to be tracked in an improved manner. Furthermore, a simple polygonal shape can thereby be used, as a result of which an assignment to a specific part can be designed very simply. In particular, object tracking can be carried out in a computationally efficient manner. In particular, the rectangular shape then has four sides and four corners. A detection point can then be assigned to at least one of the sides and/or one of the corners, as a result of which improved object tracking can be implemented.
Bevorzugt können auch unterschiedliche Erfassungspunkte unterschiedlichen Seiten und/oder Ecken zugeordnet werden. Alternativ oder ergänzend können auch mehrere Erfassungspunkte einer einzigen Seite und/oder einer einzige Ecke zugeordnet werden.Different detection points can preferably also be assigned to different sides and/or corners. Alternatively or additionally, multiple detection points can also be assigned to a single side and/or a single corner.
Weiterhin vorteilhaft ist, wenn als mathematisches Modell ein probabilistischer Multi-Hypothesen-Verfolger unter Berücksichtigung der Vorgabebedingungen genutzt wird. Der probabilistische Multi-Hypothesen-Verfolger wird auch als Probabilistic Multi-Hypothesis Tracker (PMHT) bezeichnet. Das PMHT ist insbesondere sehr recheneffizient, wobei die Rechenkapazität nur die linear mit der Anzahl der Ziele wächst, während die meisten Verfolgungsalgorithmen gemäß dem Stand der Technik exponentiell mit zunehmender Anzahl der Ziele zunehmen. Somit kann recheneffizient die Nachverfolgung des dynamischen Objekts realisiert werden.It is also advantageous if a probabilistic multi-hypothesis tracker is used as the mathematical model, taking into account the default conditions. The Probabilistic Multi-Hypothesis Tracker is also known as the Probabilistic Multi-Hypothesis Tracker (PMHT). In particular, the PMHT is very computationally efficient, with computational capacity increasing only linearly with the number of targets, while most prior art tracking algorithms increase exponentially with increasing number of targets. The tracking of the dynamic object can thus be implemented in a computationally efficient manner.
Weiterhin vorteilhaft ist, wenn beim probabilistischen Multi-Hypothesen-Verfolger die erfassten Erfassungspunkte unabhängig voneinander sind, wobei jedoch zumindest einer der Vielzahl der Erfassungspunkte mit der Vorgabebedingung berücksichtigt wird. Mit anderen Worten ist insbesondere vorgesehen, dass beispielsweise ein einziger Erfassungspunkt die Vorgabebedingung erfüllt, dass dieser beispielsweise an einer Ecke oder an einer Seite als spezifischer Teil des Objekts ausgebildet ist. Die weiteren Erfassungspunkte weisen dann jedoch wiederum die Eigenschaft auf, dass diese unabhängige Assoziationen voneinander bilden. Somit ist es ermöglicht, dass rechenaufwandsreduziert und dennoch sehr zuverlässig die Objektverfolgung durchgeführt werden kann.It is also advantageous if the recorded detection points are independent of one another in the probabilistic multi-hypothesis tracker, but at least one of the large number of detection points is taken into account with the default condition. In other words, it is provided in particular that a single detection point, for example, fulfills the default condition that it is formed, for example, at a corner or at a side as a specific part of the object. However, the other detection points then in turn have the property that they form independent associations from one another. It is thus possible for the object tracking to be carried out with a reduced computing effort and yet very reliably.
Gemäß einer weiteren vorteilhaften Ausgestaltungsform wird mittels des probabilistischen Multi-Hypothesen-Verfolgers zur Auswertung der Punktwolke unter Berücksichtigung der Vorgabebedingung ein Murty-Algorithmus genutzt. Beim Murty-Algorithmus handelt es sich um eine Generalisierung des Hungarian-Algorithmus. Mittels des Murty-Algorithmus kann rechenaufwandsreduziert die Verfolgung des dynamischen Objekts mittels des probabilistischen Multi-Hypothesen-Verfolgers durchgeführt werden.According to a further advantageous embodiment, a Murty algorithm is used by means of the probabilistic multi-hypothesis tracker for evaluating the point cloud, taking into account the default condition. The Murty algorithm is a generalization of the Hungarian algorithm. The Murty algorithm can be used to track the dynamic object with a reduced computing effort using the probabilistic multi-hypothesis tracker.
Alternativ kann in einer weiteren bevorzugten Ausführungsform vorgesehen sein, dass mittels des probabilistischen Multi-Hypothesen-Verfolgers zur Auswertung der Punktwolke unter Berücksichtigung der Vorgabebedingung eine Gibbs-Stichprobe genutzt wird. Hierbei handelt es sich um einen Algorithmus, um eine Folge für Stichproben der gemeinsamen Wahrscheinlichkeitsverteilung zwei oder mehrerer Zufallsvariablen zu erzeugen. Das Ziel ist es dabei, eine unbekannte Verteilung anzunähern. Das Gibbs-Sampling eignet sich besonders dann, wenn die gemeinsame Verteilung eines Zufallsvektors unbekannt, jedoch die bedingte Verteilung einer jeden Zufallsvariablen bekannt ist. Das Grundprinzip besteht darin, in wiederholender Weise eine Variable auszuwählen und gemäß ihrer bedingten Verteilung einen Wert in Abhängigkeit von den Werten der anderen Variablen zu erzeugen. Die Werte der anderen Variablen bleiben in diesem Iterationsschritt unverändert. Aus der entstehenden Folge von Stichprobenvektoren lässt sich dann beispielsweise eine Markow-Kette herleiten. Es kann dann gezeigt werden, dass die stationäre Verteilung dieser Markow-Kette gerade die gesuchte gemeinsame Verteilung des Zufallsvektors ist.Alternatively, in a further preferred embodiment, it can be provided that a Gibbs random sample is used by means of the probabilistic multi-hypothesis tracker for evaluating the point cloud, taking into account the default condition. This is an algorithm for generating a sequence for samples of the joint probability distribution of two or more random variables. The goal is to approximate an unknown distribution. Gibbs sampling is particularly useful when the joint distribution of a random vector is unknown, but the conditional distribution of each random variable is known. The basic principle is to select a variable in a repetitive manner and, according to its conditional distribution, produce a value depending on the values of the other variables. The values of the other variables remain unchanged in this iteration step. A Markov chain, for example, can then be derived from the resulting sequence of sample vectors. It can then be shown that the stationary distribution of this Markov chain is precisely the sought-after joint distribution of the random vector.
Ferner hat es sich als vorteilhaft erwiesen, wenn die Eintrittswahrscheinlichkeit für die Vorgabebedingung beim mathematischen Modell berücksichtigt wird. Insbesondere wird somit die Vorgabebedingung als „weiche“ Vorgabebedingung eingeführt, was als „soft constraint“ bezeichnet werden kann. Dies bedeutet, dass beispielsweise vorgesehen sein kann, dass das probabilistische Multi-Hypothesen-Verfolgermodell grundsätzlich mit unabhängigen Assoziatione voneinander arbeitet, sollte beispielsweise die Eintrittswahrscheinlichkeit für eine entsprechende Vorgabebedingung sehr gering sein. Sollte jedoch die Eintrittswahrscheinlichkeit entsprechend hoch sein für die Vorgabebedingung, so wird die Vorgabebedingung eingeführt, und das probabilistische Multi-Hypothesen-Verfolgermodell unter der Nutzung der Vorgabebedingung genutzt.Furthermore, it has proven to be advantageous if the probability of occurrence for the default condition is taken into account in the mathematical model. In particular, the default condition is introduced as a "soft" default condition, which can be referred to as a "soft constraint". This means that, for example, it can be provided that the probabilistic multi-hypothesis tracking model basically works with associations that are independent of one another if, for example, the probability of occurrence for a corresponding default condition is very low. However, if the probability of occurrence is high enough for the default condition, the default condition is introduced and the probabilistic multi-hypothesis tracker model is used using the default condition.
Gemäß einer weiteren vorteilhaften Ausgestaltungsform wird in Abhängigkeit von einem Erfassungswinkel des Objekts die Vorgabebedingung berücksichtigt oder unberücksichtigt. Mit anderen Worten kann die Nutzung der Vorgabebedingung in Abhängigkeit des Erfassungswinkels aktiviert beziehungsweise inaktiviert werden. Sollte beispielsweise eine entsprechende Erfassung eine Zuordnung eines Erfassungspunktes zu dem spezifischen Teil des Objekts nicht möglich sein, so kann die Vorgabebedingung unberücksichtigt bleiben. Somit kann eine zuverlässige Objektverfolgung durchgeführt werden.According to a further advantageous embodiment, the default condition is taken into account or not taken into account depending on a detection angle of the object. In other words, the use of the default condition can be activated or deactivated depending on the detection angle. If, for example, a corresponding detection and an assignment of a detection point to the specific part of the object should not be possible, the default condition can remain unconsidered. Reliable object tracking can thus be carried out.
In einer weiteren vorteilhaften Ausgestaltungsform wird in Abhängigkeit von einer erfassten Distanz zum Objekt die Vorgabebedingung berücksichtigt oder unberücksichtigt. Sollte beispielsweise die Distanz zum Objekt sehr groß sein, so kann die Vorgabebedingung beispielsweise unberücksichtigt bleiben. Dies hat den Hintergrund darin, dass eine Zuordnung von Erfassungspunkten bei weit entfernten Objekten mit sehr hohem Aufwand verbunden ist und eventuell fehlschlagen könnte. Somit kann verhindert werden, dass eine falsche Nachverfolgung unter der Vorgabebedingung durchgeführt wird. Somit kann ein robustes mathematisches Modell bereitgestellt werden, mittels welchem eine zuverlässige Objektverfolgung realisiert werden kann.In a further advantageous embodiment, the default condition is taken into account or not taken into account depending on a detected distance from the object. If, for example, the distance to the object is very large, then the default condition can remain unconsidered, for example. The background to this is that an assignment of detection points in the case of objects that are far away involves a great deal of effort and could possibly fail. Thus, wrong tracking can be prevented from being performed under the default condition. A robust mathematical model can thus be provided, by means of which reliable object tracking can be implemented.
Ferner hat es sich als vorteilhaft erwiesen, wenn mittels einer als Lidarsensoreinrichtung und/oder mittels einer als Radarsensoreinrichtung und/oder mittels einer als Ultraschallsensoreinrichtung ausgebildeten Erfassungseinrichtung die Umgebung erfasst wird. Somit ist es ermöglicht, dass mit unterschiedlichen Erfassungseinrichtungen eine zuverlässige Objektverfolgung realisiert werden kann.Furthermore, it has proven to be advantageous if the environment is detected by means of a detection device designed as a lidar sensor device and/or by means of a radar sensor device and/or by means of an ultrasonic sensor device. It is thus possible for reliable object tracking to be implemented with different detection devices.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogrammprodukt mit Programmcodemitteln, welche in einem computerlesbaren Medium gespeichert sind, um das Verfahren zum Erzeugen einer Schwellwertkurve nach dem vorhergehenden Aspekt durchzuführen, wenn das Computerprogrammprodukt auf einem Prozessor einer elektronischen Recheneinrichtung abgearbeitet wird.A further aspect of the invention relates to a computer program product with program code means, which are stored on a computer-readable medium, in order to carry out the method for generating a threshold value curve according to the preceding aspect, when the computer program product is processed on a processor of an electronic computing device.
Ein nochmals weiterer Aspekt der Erfindung betrifft ein computerlesbares Speichermedium mit einem Computerprogrammprodukt nach dem vorhergehenden Aspekt. Das Computerlesbare Speichermedium kann insbesondere als Teil einer elektronischen Recheneinrichtung ausgebildet sein.Yet another aspect of the invention relates to a computer-readable storage medium with a computer program product according to the preceding aspect. The computer-readable storage medium can in particular be designed as part of an electronic computing device.
Ein weiterer Aspekt der Erfindung betrifft ein Assistenzsystem für ein Kraftfahrzeug, mit zumindest einer Erfassungseinrichtung und mit einer elektronischen Recheneinrichtung, wobei das Assistenzsystem zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels des Assistenzsystems durchgeführt.A further aspect of the invention relates to an assistance system for a motor vehicle, with at least one detection device and with an electronic computing device, the assistance system being designed to carry out a method according to the preceding aspect. In particular, the method is carried out using the assistance system.
Ein nochmals weiterer Aspekt der Erfindung betrifft ein Kraftfahrzeug mit einem Assistenzsystem. Das Kraftfahrzeug ist insbesondere als Personenkraftwagen ausgebildet.Yet another aspect of the invention relates to a motor vehicle with an assistance system. The motor vehicle is designed in particular as a passenger car.
Vorteilhafte Ausgestaltungsformen des Verfahrens sind als vorteilhafte Ausgestaltungsformen des Computerprogrammprodukts, des computerlesbaren Speichermediums, des Assistenzsystems sowie des Kraftfahrzeugs anzusehen. Das Assistenzsystem sowie das Kraftfahrzeug weisen dazu gegenständliche Merkmale auf, welche eine Durchführung des Verfahrens oder eine vorteilhafte Ausgestaltungsform davon ermöglichen.Advantageous configurations of the method are to be regarded as advantageous configurations of the computer program product, the computer-readable storage medium, the assistance system and the motor vehicle. For this purpose, the assistance system and the motor vehicle have specific features which enable the method to be carried out or an advantageous embodiment thereof.
Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen, sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Es sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder abweichen.Further features of the invention result from the claims, the figures and the description of the figures. The features and combinations of features mentioned above in the description, as well as the features and combinations of features mentioned below in the description of the figures and/or shown alone in the figures, can be used not only in the combination specified in each case, but also in other combinations, without going beyond the scope of the invention leaving. The invention is therefore also to be considered to include and disclose embodiments that are not explicitly shown and explained in the figures, but that result from the explained embodiments and can be generated by separate combinations of features. Versions and combinations of features are also to be regarded as disclosed which therefore do not have all the features of an originally formulated independent claim. Furthermore, embodiments and combinations of features, in particular through the embodiments presented above, are to be regarded as disclosed which go beyond or deviate from the combinations of features presented in the back references of the claims.
Die Erfindung wird nun anhand von bevorzugten Ausführungsbeispielen sowie unter Bezugnahme auf die beigefügten Zeichnungen näher erläutert.The invention will now be explained in more detail using preferred exemplary embodiments and with reference to the accompanying drawings.
Dabei zeigen:
-
1 eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs mit einer Ausführungsform eines Assistenzsystems; -
2 eine schematische Draufsicht auf ein erfasstes Objekt mittels des erfindungsgemäßen Verfahrens; -
3 eine weitere schematische Draufsicht auf ein erfasstes Objekt gemäß dem Verfahren; -
4 eine weitere schematische Draufsicht auf ein erfasstes Objekts mittels des Verfahrens; und -
5 eine weitere schematische Draufsicht auf ein erfasstes Objekt mittels des Verfahrens.
-
1 a schematic plan view of an embodiment of a motor vehicle with an embodiment of an assistance system; -
2 a schematic plan view of a detected object by means of the method according to the invention; -
3 a further schematic plan view of a detected object according to the method; -
4 a further schematic plan view of a detected object by means of the method; and -
5 a further schematic plan view of an object detected by means of the method.
In den Fig. sind gleiche oder funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen.Elements that are the same or have the same function are provided with the same reference symbols in the figures.
Bei dem Kraftfahrzeug 1 handelt es sich insbesondere um ein zumindest teilweise autonom betriebenes Kraftfahrzeug, wobei das Assistenzsystem 2 zumindest unterstützend für den zumindest teilweise autonomen Betrieb ausgebildet ist. Das Kraftfahrzeug 1 kann auch als vollautonomes Kraftfahrzeug 1 ausgebildet sein.
Bei einem Verfahren zum Betreiben des Assistenzsystems 2 des Kraftfahrzeugs 1 wird mittels der Erfassungseinrichtung 5 des Assistenzsystems 2 die Umgebung 6 des Kraftfahrzeugs 1 erfasst, wobei die Umgebung 6 durch Erzeugung einer Vielzahl von Erfassungspunkten 8 (
Es ist vorgesehen, dass zumindest einer der Erfassungspunkte 8 als zumindest einem spezifischen Teil der polygonalen Form 12 zugeordnet vorgegeben wird und die Erfassung auf Basis dieser Vorgabebedingung mittels der elektronischen Recheneinrichtung 3 durchgeführt wird.Provision is made for at least one of the detection points 8 to be predefined as assigned to at least one specific part of the
Insbesondere kann vorgesehen sein, dass der spezifische Teil der polygonalen Form 12 als eine Seite 10 (
Ferner kann vorgesehen sein, dass in Abhängigkeit von einem Erfassungswinkel des Objekts 7 der spezifische Teil der polygonalen Form 12 vorgegeben wird. Es kann ferner vorgesehen sein, dass die polygonale Form 12 als rechteckige Form des Objekts 7 vorgegeben wird, was insbesondere in den
Ferner kann vorgesehen sein, dass in Abhängigkeit von einem Erfassungswinkel des Objekts 7 die Vorgabebedingung berücksichtigt oder unberücksichtigt wird und/oder in Abhängigkeit von einer erfassten Distanz zum Objekt 7 die Vorgabebedingung berücksichtigt oder unberücksichtigt wird.Provision can furthermore be made for the default condition to be taken into account or not taken into account depending on a detection angle of the
Der probabilistische Multi-Hypothesen Verfolger (PMHT) beruht auf den folgenden Annahmen. Der PMHT wird verwendet, um herauszufinden, von welchem Teil/Seite 10 des Objekts 7 eine Messung, also ein Erfassungspunkt 8, ausgegangen ist, obwohl dieser ursprünglich entwickelt wurde, um herauszufinden, von welchem Ziel, also Objekt 7, eine Messung ausgegangen ist. Beide Probleme sind eigentlich identisch, da nach den Assoziationsinformationen gesucht wird, die zum Aufbau der Messfunktion oder Innovationsfunktion notwendig sind. Der Begriff von „welchem Ziel“ kann daher mit dem Begriff von „welcher Seite eines Ziels“ oder sogar mit „welcher Seite von welchem Ziel“ vertauscht werden.The Probabilistic Multi-Hypotheses Tracker (PMHT) relies on the following assumptions. The PMHT is used to find out from which part/
Es wird dabei angenommen, dass die Messungen und Innovationsvektoren unabhängig voneinander sind und nicht vom Zustand aus einem anderen Zeitschritt abhängen. Es wird ferner angenommen, dass das Objektbewegungsmodell ein Markow-Prozess ist, was bedeutet, dass xk+1 nur von xk abhängt. Ferner wird angenommen, dass die Assoziationen von Messungen zu einer Seite 10 des Objekts 7 unabhängig voneinander sind. Mit anderen Worten, es bedeutet, dass jede Seite 10 des Objekts 7 eine beliebige Anzahl von Messungen erzeugt haben kann. Eine weitere Annahme ist, dass die Assoziationen unabhängig vom Zustand sind. Wenn sie von den Messungen (oder der Innovation) abhängen, ist dies nicht mehr der Fall, aber die Kenntnis des Zustands allein gibt keine Auskunft über die Assoziationswahrscheinlichkeiten. Die Messungen sollen ferner normalverteilt sein und das Innovationsmodell linear (oder linearisiert) sein. Es wird ebenfalls angenommen, dass das Bewegungsmodell linear (oder linearisiert) ist, wobei das additive normalverteilte Rauschen nicht mit dem Zustand korreliert ist. Die vorherige PDF (probability density function) des Zustands des ersten Zeitschritts soll ebenfalls normalverteilt sein.It is assumed that the measurements and innovation vectors are independent of each other and do not depend on the state from another time step. It is further assumed that the object motion model is a Markov process, which means that xk +1 depends only on xk. Furthermore, it is assumed that the associations of measurements on a
Unser Zustand X enthält die Position des verfolgten Objekts über alle Zeitschritte des Batches:
Der Messvektor Z enthält die Messwerte der Erfassungseinrichtung 5 über alle Zeitschritte des Batches:
Die nicht beobachtete Zufallsvariable K ist die Zuordnung jeder Messung zu einer bestimmten Seite 10 des Objekts 7, da nicht bekannt ist, von welcher Seite 11 des Objekts 7 jede Messung stammt. Für eine spezifische Seite i des Polygons ist das Innovationsmodell:
Das Innovationsmodell 1.3 ist eine generische Darstellung für jede Instanz der Innovation zu einem Scheitelpunkt oder einer Seite des Polygons. Eine Instanz von K stellt eine Zuordnung jedes Punktes zu einer Seite oder einem Scheitelpunkt des Polygons bei jedem Messzeitschritt dar, vermerkt als:
Wenn das Polygon m Seiten oder Scheitelpunkte hat, wird die Summe über alle möglichen Assoziationen definiert:
Es wird die Erwartungsmaximierung, wie sie zuvor abgeleitet wurde, verwendet, um den MAP (maximum a posteriori) zu finden. Der Index der Iteration wird im Exponent notiert, da der niedrigere Index bereits für den Zeitschrittindex verwendet wird. Es wird das Posterior für das Argument X maximiert:
Das PMHT nutzt die Erwartungsmaximierung:
Die Standardableitung des PMHT zeigt, dass 1,7 äquivalent ist zu:
Die posterioren Assoziationswahrscheinlichkeiten
Es werden nun die Formeln für die Wahrscheinlichkeiten umgeschrieben:
Durch die Kombination von 1.11 und 1.8, kann Q weiter vereinfacht werden:
Dies ist äquivalent zu:
Wobei Ñ(n) ein synthetischer Innovationsvektor ohne Assoziationsunsicherheit ist, wie z.B:
Wobei jede Innovation
Wenn der synthetische Messvektor für jeden Zeitschritt definieren wird, wie:
Dann ist Innovationsfunktion für diesen synthetischen Messvektor (und der Einfachheit halber Ñ(n)=Ñ notiert):
Die Optimierung von Q ist daher äquivalent zur Optimierung von log(P(X, Ñ = 0)), was äquivalent zur Optimierung von P(X, Ñ = 0) ist, was äquivalent zur Optimierung von P(X/Ñ = 0) ist, da das vorherige P(Ñ = 0) unabhängig von X ist.Optimizing Q is therefore equivalent to optimizing log(P(X, Ñ = 0)), which is equivalent to optimizing P(X, Ñ = 0), which is equivalent to optimizing P(X/Ñ = 0) is since the previous P(Ñ = 0) is independent of X.
Dies ist genau das, was ein Kalman-Filter tun würde, da er in der Lage ist, den Mittelwert und die Kovarianz jeder Normalverteilung P(xt/Ñ = 0) zu schätzen. P(xt/Ñ = 0) ist eine Normalverteilung, da gemäß Annahme 7 angenommen wird, dass x1 normalverteilt ist, und daher:
Dies ist ebenfalls eine Normalverteilung, wie in der Ableitung des Kalman-Filters gezeigt wurde.This is also a normal distribution, as shown in the derivation of the Kalman filter.
Das Maximum von P(X/Ñ = 0) ist daher der Mittelwert von P(X/Ñ = 0), der die Sammlung des Mittelwertes jedes P(xt/Ñ = 0) ist, der das Ergebnis der Kalman-Glättung ist. Es ergibt sich somit:
Nichtsdestotrotz wird die Ausführung eines Kalman-Filters auf der synthetischen Messung Z umständlich sein, da die Anzahl der Messungen um den Faktor m erhöht wurde. Es ist daher eine Methode benötigt, um die Aktualisierung der Kalman-Messung für eine große Anzahl von Messungen effizient auszuführen. Tatsächlich muss eine Aktualisierung der Kalman-Messung normalerweise die Kovarianz der Innovation umkehren. Es ist möglich, für jede Messwertaktualisierung in jedem Zeitschritt t unter Verwendung der Inversion Lemma die Kalman-Verstärkung und die aktualisierte Zustandskovarianzmatrix in das Informationsformular zu schreiben. Wir nutzen auch die Tatsache, dass die Erwartung einer synthetischen Messung
Die zur Berechnung von Pt(n) notwendige Inversion hat die Dimension des Zustands, die im Vergleich zur Dimension der Innovation klein ist. Auch aufgrund der Tatsache, dass
Die Matrix
In ähnlicher Weise aufgrund der Tatsache, dass
Es ist auch möglich, die früheren Wahrscheinlichkeiten mittels Erwartungsmaximierung zu aktualisieren, wenn diese nicht genau bekannt sind. Es wird angenommen, dass eine tatsächliche Schätzung von π bei der nth Iteration, die als πn bezeichnet wird. Die Funktion kann also derart umgeschrieben werden, dass diese optimiert wird:
Q ist eine Funktion von π, weil es implizit in P(X, K, N = 0) vorhanden ist. Identisch zu dem, was bereits durchgeführt wurde, kann Q(X, π, Xn) umgeschrieben, so dass:
Qx(X,Xn, πn) wurde mit dem Kalman-Filter bereits maximiert, jetzt kann Qπ(π,Xn, πn) maximiert werden. Es wird Qt,π(π(t),Xn, πn) für jeden Zeitschritt t in Bezug auf π(t) maximiert und somit Qπ(π,Xn, πn) maximiert. Es wird als maximiert:
Unter der Bedingung:
Erhält man den Lagrange:
Das beschränkte Maximum des Lagrange erfüllt die Bedingung für jedes feste (i',t'):
Mit der Einschränkung, dass alle Priors auf 1 summiert werden sollen, erhalten man:
Wodurch schließlich die Formel zur Aktualisierung der früheren Wahrscheinlichkeiten erzeugt ist:
Gleichung 1.33 ermöglicht es dem PMHT, selbst herauszufinden, welche Seiten 10 des Objekts 7 mit größerer Wahrscheinlichkeit erkannt werden, und erhöht die Leistung des Filters. Wenn jedoch eine Seite 10 während eines Zeitschrittes überhaupt nicht erkannt wurde, sind die aktualisierten früheren Wahrscheinlichkeiten 0, und der PMHT ist daher nicht mehr in der Lage, dieser Seite 10 des Objekts 7 zuzuordnen, selbst wenn diese Seite 10 plötzlich erkannt wird, typischerweise aufgrund einer Änderung der Position des verfolgten Objekts 7 relativ zur Erfassungseinrichtung. Um diesen Effekt zu verhindern, wird 1.33 verwendet, wobei sichergestellt wird, dass die aktualisierten früheren Wahrscheinlichkeiten nicht kleiner als ein definierter Schwellenwert werden.Equation 1.33 allows the PMHT to figure out by itself which sides 10 of the
Die Hypothese, die besagt, dass „alle Assoziationen unabhängig voneinander sind“, kann tatsächlich dazu führen, dass die oben vorgestellte PMHT in unerwünschten lokalen Maxima stecken bleibt. Diese Hypothese impliziert, dass alle Messungen vom gleichen Modell ausgehen können, was zu folgendem Verhalten führen kann: „Alle Assoziationen sind unabhängig voneinander“:
- Alle Messungen können der falschen Seite 10 des Objekts 7 zugeordnet werden, wenn ein Ziel von hinten erfasst wird: Auch bei Laserscannern sind Messungen aus dem Inneren des Objekts 7 üblich und es muss das Innenmodell verwendet werden. Auch die vorderen Ecken 11 können von hinten detektiert werden (Autos sind nicht perfekt rechteckig, so dass Echos von der Seitenfläche reflektiert werden können), so dass auch die Modelle für die vorderen Ecken 11 verwendet werden müssen. Wenn das Ziel beschleunigt wird und gerade mit einer etwas zu geringen Geschwindigkeit initialisiert wurde, driften die Assoziationen für den ersten und letzten Punkt zum linken und rechten Linienmodell und für die anderen Punkte zum Innenmodell. Schließlich, nach einigen Zeitschritten, werden der erste und der letzte Punkt mit
den vorderen Ecken 11 assoziiert und die anderen Punkte entweder mit der vorderen Linie oder, auch wenn die vordere Linie verdeckt ist, mit dem Innenmodell oder dem Clutter.
- All measurements can be assigned to the
wrong side 10 of theobject 7 when a target is detected from behind: measurements from inside theobject 7 are also common with laser scanners and the inside model must be used. Also thefront corners 11 can be detected from behind (cars are not perfectly square so echoes can be reflected from the side surface), so the models for thefront corners 11 must also be used. If the target is accelerating and has just been initialized at a slightly too low speed, the associations for the first and last points will drift to the left and right line models and for the other points to the interior model. Finally, after some time steps, the first and the last point become associated with thefront corners 11 and the other points either with the front line or, even if the front line is obscured, with the interior model or the clutter.
Ein ähnliches Problem kann bei der Radartechnolgie auftreten, wenn ein Ziel von der Seite 10 erfasst wird. Radar kann prinzipiell Messungen überall auf dem Ziel erfassen, und es müssen alle Modelle einschließlich der im Prinzip verdeckten Seiten 10 verwendet werden. Da Radar in der Nähe des Zieles sehr viel Clutter erzeugen kann, muss die Wahrscheinlichkeit des Clutter-Modells für eine korrekte Zielverfolgung recht hoch angesetzt werden. Daher können Punkte, selbst wenn sie im Inneren des Ziels erkannt werden, mit Clutter in Verbindung gebracht werden, und das Ziel bleibt auf der falschen Seite 10 stecken.A similar problem can occur with radar technology when a target is detected from the
Ferner kann jedes Rechteck, das alle Entdeckungen umfasst, ein gültiges lokales Maximum aufweisen. Alle Messungen können dem inneren Modell zugeordnet werden und keine oder nur sehr wenige der Kontur. Dies kann beim Radar besonders problematisch sein, da wir die vorherigen Assoziationswahrscheinlichkeiten der verborgenen Seiten 10 und Ecken 11 nicht auf 0 setzen können. Das geschätzte Ziel kann zu groß sein.Furthermore, each rectangle enclosing all discoveries can have a valid local maximum. All measurements can be assigned to the inner model and none or very few to the contour. This can be particularly problematic with radar since we cannot set the previous association probabilities of the hidden faces 10 and
Des Weiteren, wenn ein Ziel zu stark gewachsen ist, kann es nie wieder schrumpfen. Dies kann während der Initialisierung geschehen, wenn die Längenunsicherheit groß ist. Es kann auch passieren, wenn einige Clutter-Messungen dazu führten, dass das Ziel zu stark gewachsen ist.Furthermore, once a target has grown too much, it can never shrink again. This can happen during initialization when the length uncertainty is large. It can also happen if some clutter measurements caused the target to grow too much.
All diese Probleme werden durch eine falsche Wahl der Wahrscheinlichkeiten der posterioren Assoziation verursacht. Im ersten Beispiel besteht das Problem darin, dass der Filter nicht weiß, dass mindestens eine Messung aus jeder Ecke 11 kommen muss, da wir das Ziel von hinten erfassen, oder dass mindestens eine Messung von der Rückseite kommen muss. Das Problem im zweiten Beispiel ist dasselbe, da einige Messungen entweder von der vorderen und hinteren linken Ecke 11 oder von der Rückseite kommen müssen. Im dritten und vierten Beispiel würde das PMHT zur richtigen Schätzung konvergieren, wenn es wüsste, dass mindestens eine Messung von der vorderen linken und hinteren rechten Ecke 11 kommen muss.All of these problems are caused by an incorrect choice of posterior association probabilities. In the first example, the problem is that the filter doesn't know that at least one measurement must come from each
Daher wird erfindungsgemäß die Annahme, dass alle Assoziationen unabhängig voneinander sind, fallen gelassen und das Wissen einbezogen, dass „zumindest bestimmte Modelle eine (oder mehrere) Messungen erhalten“. Diese Beschränkung der Assoziation kann je nach Betrachtungswinkel, unter dem das Objekt 7 erfasst wird, oder je nach seinem Abstand zur Erfassungseinrichtung 5 aktiv oder inaktiv sein. Es kann der Beschränkung auch eine bestimmte Wahrscheinlichkeit zugeordnet werden, ob dies gültig ist oder nicht, um ein hartes Ein-/Ausschalten dieser Beschränkung zu vermeiden.Therefore, according to the invention, the assumption that all associations are independent of each other is dropped and the knowledge that “at least certain models receive one (or more) measurements” is included. This limitation of the association can be active or inactive depending on the viewing angle at which the
Die Hypothese, dass „die Assoziation von Messungen zu einer Seite 10 des Objekts 7 unabhängig voneinander sind“, wird entfernt und durch die neuen Hypothesen ersetzt.The hypothesis that "the association of measurements to a
Zu jedem Zeitschritt muss einem bestimmten Satz von Modellen, die für jeden Zeitschritt unterschiedlich sein können), mindestens eine bestimmte Anzahl von Messungen, die ebenfalls für jeden Zeitschritt unterschiedlich sein können, zugeordnet werden. Es wird die Variable κ erzeugt, die einen Fall einer solchen möglichen Assoziation über alle Zeitschritte repräsentiert, und κ(t) für einen bestimmten Zeitschritt t. Zum Beispiel, wenn im Zeitschritt t mindestens eine Messung aus den Modellen i1(t),, im
Ferner sind alle Instanzen von κ a priori gleichwahrscheinlich und unabhängig vom Zustand.Furthermore, all instances of κ are a priori equally probable and state-independent.
Des Weiteren sind für ein gegebenes κ die Assoziationen für die nicht eingeschränkten Messungen, die Messungen, deren Assoziation nicht fixiert wurde, unabhängig voneinander, was der gleichen Hypothese entspricht, wie für den Standard-PMHT.Furthermore, for a given κ, the associations for the unconstrained measures, the measures whose association was not fixed, are independent of each other, which corresponds to the same hypothesis as for the standard PMHT.
Ferner sind die früheren Assoziationswahrscheinlichkeiten unabhängig vom Zustand, was der gleichen Hypothese entspricht, wie für den Standard-PMHT, und für alle Instanzen von κ identisch.Furthermore, the prior association probabilities are independent of state, consistent with the same hypothesis as for the standard PMHT, and are identical for all instances of κ.
Die Anzahl der möglichen Instanzen für κ ist kombinatorisch. Wenn die Nebenbedingung beispielsweise mindestens eine Messung ist, muss sie mit den beschränkten Modellen i1(t),, im
Im Prinzip ist jede Art von Randbedingung möglich, solange es genügend Messungen gibt, wobei nicht festgelegt werden kann, dass es mehr Randbedingungen als Messungen geben soll. Aufgrund der kombinatorischen Anzahl von Möglichkeiten wird auch eine Methode benötigt, um κ nur für die wahrscheinlichsten Fälle zu beproben.In principle, any kind of boundary condition is possible as long as there are enough measurements, whereby it cannot be specified that there should be more boundary conditions than measurements. Because of the combinatorial number of possibilities, a method is also needed to sample κ only for the most likely cases.
Es soll daher die die Q-Funktion 1.7 maximiert werden:
Dadurch entsteht:
Hierbei wird hervorgehoben, dass ΣK eine Summe über alle möglichen Assoziationen bedeutet, die die Randbedingungen erfüllen, das heißt die erforderliche Mindestanzahl von Messungen ist den Modellen mit Randbedingungen zugeordnet und die anderen Messungen können überall zugeordnet werden. Es ist nun insbesondere im beschränkten PMHT vorgesehen, diese Summe als eine doppelte Summe auszudrücken ΣK = ΣK ΣK(κ), wobei K(κ) eine Menge von Assoziationen der unbeschränkten Messungen für ein gegebenes κ darstellt. Mit anderen Worten, es wird zuerst eine Instanz von κ fixiert und dann wird über die verbleibenden nicht eingeschränkten Messungen summiert, bevor über alle möglichen κ summiert wird.Here it is emphasized that Σ K means a sum over all possible associations that satisfy the boundary conditions, i.e. the required minimum number of measurements is assigned to the models with constraints and the other measurements can be assigned anywhere. It is now intended, in particular in the constrained PMHT, to express this sum as a double sum Σ K = Σ K Σ K(κ) , where K(κ) represents a set of associations of the unconstrained measurements for a given κ. In other words, one instance of κ is first fixed and then the remaining unconstrained measurements are summed before summing over all possible κ.
Wir wird daher zuerst P(K(κ)/Xn, N = 0) berechnet. Aus der Definition der bedingten Wahrscheinlichkeit und unter Verwendung von Hypothese, dass die Assoziationen der nicht eingeschränkten Messungen voneinander unabhängig sind ergibt sich:
Zur Vereinfachung wird die Menge (t, r)\κ als die Menge der Indizes aller nicht eingeschränkten Messungen eingeführt, so dass die obige Gleichung vereinfacht dargestellt wird:
Unter Berücksichtigung der Bayes-Regel entsteht:
Mit der vierten Hypothese ergibt sich dann:
Aufgrund der Tatsache, dass die Messungen voneinander unabhängig sind, und für ein gegebenes r und t, gemäß der dritten Hypothese, ist die Wahrscheinlichkeit der anderen Messungen unabhängig von i, und für eine gegebene Assoziation kr(t) = i ist der Wert von κ irrelevant für die Wahrscheinlichkeit, da die Assoziation dieser Messung fest ist, ergibt sich:
Daher ergibt sich für die posterioren Assoziationswahrscheinlichkeiten der nicht eingeschränkten Messungen das gleiche Ergebnis wie für die Standard-PMHT:
Es wird nun P(κ/Xn,N = 0) und durch Verwenden der Bayes-Regel entsteht:
Nach der zweiten Hypothese sind alle P(κ/Xn) gleich wahrscheinlich und verschwinden daher im Normierungsfaktor und können ignoriert werden. Es wird
Die Wahrscheinlichkeit einer Messung für eine unbekannte Assoziation kann durch Marginalisierung über alle Modelle hinweg ermittelt werden:
Gemäß der vierten Hypothese ist
Es wird nun die Terme unter dem log aus der Q-Funktion explizit angeben. Pro Unabhängigkeit zwischen den Messungen entsteh:
Der erste Produktbegriff hängt nur von κ ab und nicht von den anderen, die später genutzt werden, um diesen zu faktorisieren. Aus diesem Grund wird P(N = 0/X, K(K)) nicht als ein einziges Produkt der Wahrscheinlichkeiten aller Messungen ausgedrückt.The first product term depends only on κ and not on the others that are later used to factor it. For this reason, P(N = 0/X, K( K )) is not expressed as a single product of the probabilities of all measurements.
Was nun den zweiten Term innerhalb des log betrifft, wird die Definition der bedingten Wahrscheinlichkeit und Hypothese zwei genutzt, dass alle bedingten Hypothesen a-priori gleich wahrscheinlich und unabhängig vom Zustand sind:
Unter der Berücksichtigung der vierten Hypothese:
Es können nun QK von 2.2 mit 2.4, 2.14 und 2.16 vereinfacht werden, wobei berücksichtigt wird, dass die zweite Gleichheit bis zu einer Konstanten aufgrund des Proportionalitätsfaktors von 2.16 gilt:
Wenn eine Wahrscheinlichkeit über die gesamte Stichprobe summiert wird, ergibt sich:
Es wird als nächstes eine Transformation angewendet:
Um zu bestimmen, wie das Maximum von QK gefunden werden kann, wird definiert:
Wobei δ das Kronecker Delta ist und:
Mit der Gleichung aus 2.19 entsteht dann:
Schlussendlich ergibt sich:
Wobei die ähnlich, wie 1.8 ausgedrückt werden kann:
Die Lösung, die QK maximiert, wird daher mit einem Kalman-Filter unter Verwendung synthetischer Messungen erhalten, die mit den Gewichten der posterioren Assoziation
Wie dargestellt ist, ist die genaue Berechnung der eingeschränkten hinteren Assoziationswahrscheinlichkeiten 2.23 aufgrund der kombinatorischen Anzahl von Möglichkeiten für die eingeschränkten Assoziationen κ unlösbar. Der Standard-PMHT umgeht dieses Problem, indem er von der Unabhängigkeit zwischen den Assoziationen ausgeht, aber dies lässt sich nicht vermeiden, wenn diese Hypothese fallen gelassen wird. Diese kombinatorische Anzahl von Assoziationen ist ein bekanntes Problem bei der Verfolgung mehrerer Objekte 7, und es werden dabei zwei Haupttechniken verwendet, um die Berechnung durchführen zu können. Hierbei ist Murtys Algorithmus oder Gibbs-Sampling beziehungsweise Gibbs-Stichprobe bekannt.As shown, the exact calculation of the constrained posterior association probabilities 2.23 is unsolvable due to the combinatorial number of possibilities for the constrained associations κ. The standard PMHT circumvents this problem by assuming independence between the associations, but this cannot be avoided if this hypothesis is dropped. This combinatorial number of associations is a well-known problem in tracking
Der Murtys Algorithmus ist eine Verallgemeinerung des bekannten Hungarian Zuweisungsalgorithmus. Er zielt darauf ab, die k-besten gemeinsamen Zuweisungen für eine gegebene Kostenmatrix zu finden, die jeder möglichen Einzelzuweisung Kosten zuordnet.The Murtys algorithm is a generalization of the well-known Hungarian assignment algorithm. It aims to find the k-best joint assignments for a given cost matrix that assigns costs to each possible individual assignment.
Es wird µi(t) bei jedem Zeitschritt t als die Mindestanzahl der Messungen genutzt, die mit Modell i verknüpft werden sollen, die null sein kann, wenn es keine Beschränkung für dieses Modell gibt. Die Gesamtzahl der Messungen, die den eingeschränkten Modellen zugeordnet werden sollen, ist daher
Es ist das Ziel, die k-besten Zuordnungen κ zu finden, die die k-groessten Werte von
Mit der Wahrscheinlichkeit eines jeden Modells:
Es ist üblich, die Kosten der Zuweisung im logarithmischen Raum auszudrücken, da Murtys Algorithmus die k-besten Zuweisungen findet, deren Kosten die Summe der Kosten jeder einzelnen Zuweisung ist, was einer Optimierung der gemeinsamen Wahrscheinlichkeit entspricht, da die Summe des Logarithmus der Logarithmus des Produkts ist.It is common to express the cost of the assignment in logarithmic space, since Murty's algorithm finds the k-best assignments whose cost is the sum of the costs of each individual assignment, which is equivalent to a joint probability optimization since the sum of the logarithm is the logarithm of the product is.
Die Kosten der Zuordnung einer Messung zu einem bestimmten Modell i sind (t, r):
Für jeden Zeitschritt t ergibt sich die Kostenmatrix:
Da die maximale Wahrscheinlichkeit aus dem maximalen Logarithmus erhalten wird, wird Murtys Algorithmus verwendet, um die Kosten aus der Kostenmatrix zu maximieren. Unter Verwendung der vom Murtyschen Algorithmus zurückgegebenen k-besten Zuweisungen kann für jede zurückgegebene Zuweisung der Zähler von 2.13 berechnet werden, und der Nenner ist die Summe aller Zähler. Von dort aus können die beschränkten hinteren Gewichte 2.23 berechnet werden, um den Kalman -Filter laufen zu lassen.Since the maximum likelihood is obtained from the maximum logarithm, Murty's algorithm is used to maximize the cost from the cost matrix. Using the k-best assignments returned by Murty's algorithm, for each assignment returned, the numerator of 2.13 can be computed, and the denominator is the sum of all numerators. From there the bounded back weights 2.23 can be computed to run the Kalman filter.
Eine Alternative zu Murtys Algorithmus zur Vereinfachung eines kombinatorischen Assoziationsproblems ist die Verwendung von Gibbs-Sampling.An alternative to Murty's algorithm for simplifying a combinatorial association problem is to use Gibbs sampling.
Die Idee besteht darin, statt die k-besten Zuordnungen zu finden, aus der Verteilung der Zuordnungen zu „samplen“.The idea is that instead of finding the k-best matches, sample from the distribution of matches.
Wenn aus einer eindimensionalen Verteilung stichprobenartig entnommen wird, kann dies mit Hilfe der so genannten inversen Verteilungstransformation geschehen. Zur Stichprobenziehung für eine Zufallsvariable X, deren CDF (cumulative distribution function) F ist, beginnen wir mit der Stichprobenziehung aus einer gleichverteilten Zufallsvariablen U auf [0,1]. Es ist die CDF von F-1(U) F:
Die Probenahme aus einer eindimensionalen Verteilung ist daher einfach: Es werden Proben aus einer gleichmäßigen Verteilung auf [0,1] erzeugt und es werden diese durch den Kehrwert der CDF geleitet. Es werden aus einem zweidimensionalen Zufallsvektor (x1,x2), dessen gemeinsame Verteilung bekannt ist, Stichproben entnommen, so dass zunächst die Randverteilung einer Dimension durch Marginalisierung wiederhergestellt werden muss:
Sobald eine Stichprobe
Diese Methode ist jedoch in diesem Fall nicht anwendbar. Die Assoziation κ hat viele Dimensionen und die Integration 2.31 ist sehr aufwendig, da um diese zu marginalisieren, über dx2dx3integriert werden müsste. Gibbs Sampling ist eine Methode, um dies zu vermeiden.However, this method is not applicable in this case. The association κ has many dimensions and the integration 2.31 is very complex, since in order to marginalize it, one would have to integrate over dx 2 dx 3 . Gibbs sampling is one way to avoid this.
Angenommen, es sollen k Stichproben von X = (x1, ...,xn) aus einer gemeinsamen Verteilung P(x1, ..., xn) erhalten werden. Die ith Stichprobe ist
Es werden dann die folgenden Schritte durchgeführt. Es wird mit einem Anfangswert Xi begonnen. In diesem Fall kann dieser Wert die beste mit dem Hungarian Algorithmus erhaltene Zuordnung sein. Es wird danach die nächste Probe Xi+1 genommen. Da
Wenn eine solche Probenahme durchgeführt wird, gelten diese wichtigen Fakten, dass die Stichproben die gemeinsame Verteilung aller Variablen approximieren. Ferner kann die Randverteilung jeder Untergruppe von Variablen approximiert werden, indem die Stichproben für diese Untergruppe von Variablen betrachtet werden und den Rest ignoriert wird. Der erwartete Wert jeder Variablen kann durch Mittelwertbildung über alle Stichproben approximiert werden.When such sampling is performed, these important facts apply that the samples approximate the joint distribution of all variables. Furthermore, the marginal distribution of any subset of variables can be approximated by considering the samples for that subset of variables and ignoring the rest. The expected value of each variable can be approximated by averaging across all samples.
Um Gibbs-Stichproben auf κ durchzuführen, sind daher nur die bedingten Wahrscheinlichkeits-Massenfunktionen einer bestimmten Zuweisung benötigt, vorausgesetzt, dass alle anderen beschränkten Zuweisungen festgelegt sind. Für jeden Zeitschritt t wird nach der Wahrscheinlichkeit gesucht, dass eine bestimmte Messung r mit einem beschränkten Modell ji(t) verknüpft ist, wobei bekannt ist, dass allen anderen beschränkten Modellen bereits eine Messung zugewiesen ist:
Durch Anwendung der Bayes-Regel entsteht:
Ausgehend von der zweiten Annahme sind alle eingeschränkten Zuweisungen a-priori gleich wahrscheinlich, daher vereinfacht sich 2.34 zu:
Die Wahrscheinlichkeit der Messungen, deren Zusammenhang bekannt ist, ist für alle r konstant und verschwindet daher im Normierungsfaktor. 2.35 vereinfacht sich daher weiter zu:
Das Endergebnis erhält man nach Normalisierung über r:
Es kann nicht immer garantiert werden, dass eine Reihe von Auflagen erfüllt werden. Es ist daher in einer bevorzugten Ausführungsform vorgeschlagen, wie die Wahrscheinlichkeit, dass eine Randbedingung gültig ist, berücksichtigt werden kann. Angenommen, C wäre der Fall, dass die vorgeschlagene Nebenbedingung gültig ist, und pc = P(C) ihre Wahrscheinlichkeit, dann können wir die MAP des Zustands PDF marginalisieren, den die Erwartungsmaximierung ab 1.6 wie folgt zu finden versucht:
Es wird hierbei der Fall in Betracht gezogen, dass die Beschränkung ungültig ist. Wenn die Randbedingung beispielsweise darin besteht, dass mindestens eine Messung einem bestimmten Modell zugeordnet ist, müssen berücksichtigt werden, dass diesem Modell keine Messung zugeordnet ist. Das bedeutet, wenn dieser Nebenbedingung eine Wahrscheinlichkeit von 30 % zugewiesen wird, dass sie gültig ist, wird das hintere Assoziationsgewicht dieses Modells niemals über diesen Wert hinausgehen, selbst wenn sich die Messung direkt über diesem Modell befindet. Letztendlich wird es vollständig verhindern, dass mehr Messungen mit diesem Modell assoziiert werden, als durch die Nebenbedingung definiert sind.The case where the constraint is invalid is considered here. For example, if the constraint is that at least one measurement is associated with a particular model, it must be taken into account that no measurement is associated with that model. That is, if this constraint is assigned a 30% probability of being valid, the posterior association weight of that model will never go beyond that value, even if the measurement is directly above that model. Ultimately, it will completely prevent more measurements from being associated with this model than defined by the constraint.
Daher ist es vorzuziehen, statt 2.38 zu optimieren:
Dies führt zur Optimierung:
Es werden dann die die leichten Bedingungen der posterioren Assoziationsgewichte wie folgt eingeführt:
Dies reduziert die Optimierung auf:
Es wird nun ein Kalman-Filter verwendet und die früheren Assoziationswahrscheinlichkeiten werden unter Verwendung der weichen Bedingung der posterioren Assoziationsgewichte 2.41 aktualisiert.A Kalman filter is now used and the earlier association probabilities are updated using the soft condition of the posterior association weights 2.41.
Dieser Algorithmus stellt sicher, dass die gesamte Pseudozahl der synthetischen Messungen
In verallgemeinerter Weise können mehrere Nebenbedingungen mit der Wahrscheinlichkeit
Die vier nachfolgenden Beispiele in den
Ein iterativer Kalman-Filter wird ebenfalls verwendet, um Nichtlinearitätsprobleme zu entfernen. Zusätzlich sorgt eine beschränkte Kalman-Verstärkung dafür, dass die Länge und Breite des Objekts 7 nicht kleiner als ein realistischer Mindestwert wird.An iterative Kalman filter is also used to remove non-linearity problems. In addition, a limited Kalman gain ensures that the length and width of the
Wie gezeigt, vermeidet der beschränkte PMHT die unerwünschten lokalen Maxima und konvergiert zum gewünschten Ergebnis. Einige andere Randbedingungen können zu identischen Ergebnissen führen, zum Beispiel zeigt der dritte Fall ähnliche Ergebnisse, wenn mindestens drei Messungen von der linken Seite 10 und eine Messung von der hinteren rechten Ecke 11 kommen sollen. Sowohl Murtys Algorithmus als auch Gibbs Sampling ergeben identische Ergebnisse.As shown, the constrained PMHT avoids the unwanted local maxima and converges to the desired result. Some other boundary conditions can lead to identical results, for example the third case shows similar results when at least three measurements should come from the
Insgesamt zeigen die Fig. beschränkte Assoziationen für eine fortgeschrittene Objektverfolgung.Overall, the figures show constrained associations for advanced object tracking.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
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.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- JP 2019152575 A [0003]JP 2019152575 A [0003]
- CN 109509207 A [0004]CN109509207A [0004]
- CN 108363054 A [0005]CN 108363054A [0005]
- DE 102018104311 A1 [0006]DE 102018104311 A1 [0006]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020121064.7A DE102020121064A1 (en) | 2020-08-11 | 2020-08-11 | Method for operating an assistance system in a motor vehicle, computer program product, computer-readable storage medium and assistance system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020121064.7A DE102020121064A1 (en) | 2020-08-11 | 2020-08-11 | Method for operating an assistance system in a motor vehicle, computer program product, computer-readable storage medium and assistance system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020121064A1 true DE102020121064A1 (en) | 2022-02-17 |
Family
ID=80000458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020121064.7A Pending DE102020121064A1 (en) | 2020-08-11 | 2020-08-11 | Method for operating an assistance system in a motor vehicle, computer program product, computer-readable storage medium and assistance system |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020121064A1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363054A (en) | 2018-02-07 | 2018-08-03 | 电子科技大学 | Passive radar multi-object tracking method for Single Frequency Network and multipath propagation |
CN109509207A (en) | 2018-11-09 | 2019-03-22 | 电子科技大学 | The method that a kind of pair of point target and extension target carry out seamless tracking |
DE102018104311A1 (en) | 2018-02-26 | 2019-08-29 | Valeo Schalter Und Sensoren Gmbh | Method and system for estimating the shape of a dynamic object and for tracking that object |
JP2019152575A (en) | 2018-03-05 | 2019-09-12 | 株式会社デンソーアイティーラボラトリ | Object tracking device, object tracking method, and computer program for object tracking |
-
2020
- 2020-08-11 DE DE102020121064.7A patent/DE102020121064A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363054A (en) | 2018-02-07 | 2018-08-03 | 电子科技大学 | Passive radar multi-object tracking method for Single Frequency Network and multipath propagation |
DE102018104311A1 (en) | 2018-02-26 | 2019-08-29 | Valeo Schalter Und Sensoren Gmbh | Method and system for estimating the shape of a dynamic object and for tracking that object |
JP2019152575A (en) | 2018-03-05 | 2019-09-12 | 株式会社デンソーアイティーラボラトリ | Object tracking device, object tracking method, and computer program for object tracking |
CN109509207A (en) | 2018-11-09 | 2019-03-22 | 电子科技大学 | The method that a kind of pair of point target and extension target carry out seamless tracking |
Non-Patent Citations (3)
Title |
---|
Bariant J.-F., Palacios L.L., Hassaan M. N., Thin C.: A Multiple Hypothesis Approach to Extended Target Tracking. In: 22th International Conference on Information Fusion (FUSION), 2019, 1-8. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9011382 [abgerufen am 18.05.2021] |
Gelgon M., Bouthemy P., Le Cadre J.-P.: Recovery of the trajectories of multiple moving objects in an image sequence with a PMHT approach. In: Image and Vision Computing, Elsevier, 2005, 19-31. https://hal.inria.fr/inria-00368859/file/IVC_2404_revisedJune2004.pdf [abgerufen am 23.04.2021] |
Granström K., Baum M., Reuter S.: Extended Object Tracking: Introduction, Overview and Applications. In: Journal of Advances in Information Fusion, 12, Dezember 2016, 2, 139-174. https://arxiv.org/abs/1604.00970 [abgerufen am 18.05.2021] |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015107388A1 (en) | Collision avoidance with static targets in confined spaces | |
DE102017103275A1 (en) | Method for detecting an object in a surrounding area of a motor vehicle with the aid of an ultrasonic sensor with improved filtering of ground reflections, control unit, ultrasound sensor device and motor vehicle | |
DE102013102153A1 (en) | Method for combining sensor signals of LiDAR-sensors, involves defining transformation value for one of two LiDAR sensors, which identifies navigation angle and position of sensor, where target scanning points of objects are provided | |
DE102013113571A1 (en) | Methods and apparatus for merging radar / camera object data and LiDAR search points | |
DE102019110927A1 (en) | Generalized inverse 3D sensor model | |
DE102018124108A1 (en) | METHOD AND DEVICE FOR DETECTING ROAD LIMITATION | |
DE112018007810T5 (en) | Object tracking based on several measurement hypotheses | |
DE102019114603A1 (en) | OBJECT SPEED VECTOR ESTIMATION BY MULTIPLE RADARS WITH DIFFERENT WATCHING ANGLE | |
DE112020003343T5 (en) | SYSTEM AND PROCESS USING A ROBUST DEEP GENERATIVE MODEL | |
DE112019005326T5 (en) | OBJECT TRACKER | |
WO2022049241A1 (en) | Method, radar system and vehicle for signal processing of radar signals | |
DE102018104310A1 (en) | Method and system for tracking an object using Doppler measurement information | |
DE112020005792T5 (en) | SYSTEMS AND METHODS FOR DENOOZING RADARD DATA | |
DE102020121064A1 (en) | Method for operating an assistance system in a motor vehicle, computer program product, computer-readable storage medium and assistance system | |
DE102020215504A1 (en) | Method and device for detecting objects in the surroundings of a vehicle | |
DE102018001533B4 (en) | Real-time method for dynamic coordinate and parameter estimation with grid-based non-linear probabilistic filters | |
EP3293971A1 (en) | Method for reproducing a section of an image | |
DE102018221285A1 (en) | Interference suppression and signal recovery methods | |
DE102021114753A1 (en) | Robust reflection point detection | |
DE102021213265A1 (en) | IMAGE SEGMENTATION VIA EFFICIENT SEMIDEFINITE PROGRAMMING BASED INFERENCE FOR BINARY AND MULTICLASS MARKOV NETWORKS | |
DE102020116027A1 (en) | Method and device for determining occupancy information for an environmental point on the basis of radar detections | |
DE112020004983T5 (en) | OBJECT TRACKING DEVICE | |
DE102018104311A1 (en) | Method and system for estimating the shape of a dynamic object and for tracking that object | |
DE102019214008A1 (en) | Method and device for localizing a mobile agent in an environment with dynamic objects | |
DE102019109338A1 (en) | Method for estimating the geometry of an object located in a vehicle environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06K0009620000 Ipc: G06V0030190000 |