-
Die vorliegende Offenbarung betrifft ein Verfahren für eine Verfolgung ausgedehnter Objekte, ein Speichermedium zum Ausführen des Verfahrens, ein System für eine Verfolgung ausgedehnter Objekte und ein Fahrzeug mit einem solchen System. Die vorliegende Offenbarung betrifft insbesondere eine Verfolgung ausgedehnter Objekte in einem Fahrzeugumfeld mit einem abstrahierten Radarmessmodell mittels probabilistischer Komponentenassoziation.
-
Stand der Technik
-
Fahrassistenzsysteme zum automatisierten Fahren gewinnen stetig an Bedeutung. Das automatisierte Fahren kann mit verschiedenen Automatisierungsgraden erfolgen. Beispielhafte Automatisierungsgrade sind ein assistiertes, teilautomatisiertes, hochautomatisiertes oder vollautomatisiertes Fahren. Diese Automatisierungsgrade wurden von der Bundesanstalt für Straßenwesen (BASt) definiert (siehe BASt-Publikation „Forschung kompakt“, Ausgabe 11/2012). Beispielsweise sind die Fahrzeuge mit Level 4 vollautonom im Stadtbetrieb unterwegs.
-
Das Fahrassistenzsystem zum automatisierten Fahren verwendet Sensoren, die die Umgebung auf visueller Basis wahrnehmen, sowohl im für den Menschen sichtbaren als auch unsichtbaren Bereich. Die Sensoren können zum Beispiel eine Kamera, ein Radar, ein Laser-Scanner und/oder ein LiDAR sein. Die durch die Sensoren erfassten Umgebungsdaten werden unter anderem für eine Objektverfolgung verwendet. Im Rahmen der Objektverfolgung werden Objekte im Umfeld des Fahrzeugs, wie zum Beispiel andere Fahrzeuge, erfasst und es werden deren Bewegungen verfolgt.
-
Eine große Herausforderung bei der Objektverfolgung ist dabei die Zuordnung einer Punktmessung zu ihrem wahren Ursprung auf einem Zielobjekt. Die Ursprünge von Messungen sind oft räumlich über die gesamte Ausdehnung des Zielobjekts verteilt. Die Zuordnung von Messungen zu den möglichen Ursprüngen innerhalb der Ausdehnung des Zielobjekts ist schwierig, insbesondere bei Sensoren mit niedriger Auflösung, die nur wenige Messungen pro Objekt liefern.
-
Es existieren einige Ansätze zum Verfolgen ausgedehnter Objekte. Ein ausgedehntes Objekt bedeutet dabei, dass die Sensorauflösung mehr als eine einzelne Punktmessung pro Objekt auflösen kann. Zum Beispiel nimmt ein Sensor mehrere Reflektionen pro Objekt wahr und gibt diese als Messdaten aus. Zum Einfiltern dieser Messdaten muss der Ursprung einer Punktmessung, der im Allgemeinen als „Detektion“ bezeichnet wird, bekannt sein. Bei Sensoren mit einer hohen Auflösung sind viele Detektionen verfügbar. In den Messdaten ist dabei oftmals der Objektumriss erkennbar, so dass das Objekt relativ zuverlässig erkannt werden kann.
-
Bei Massenseriensensoren, vor allem Radarsensoren, sind gewöhnlich nur wenige Detektionen erkennbar, und die Messdaten allein sind unzureichend, um den Objektzustand zu schätzen. In diesem Fall kann zum Beispiel ein Radarmessmodell verwendet werden, das beschreibt, welcher Objektzustand und Objektaufbau welche Messdaten erzeugt. Dieses Wissen kann im Rahmen eines Bayes-Filter genutzt werden, um aus Messdaten auf einen Objektzustand zu schließen. Derartige Radarmessmodelle sind jedoch sehr rechenaufwändig und können beispielsweise nur zusammen mit einem ebenfalls rechenaufwändigen Partikelfilter verwendet werden.
-
Offenbarung der Erfindung
-
Es ist eine Aufgabe der vorliegenden Offenbarung, ein Verfahren für eine Verfolgung ausgedehnter Objekte, ein Speichermedium zum Ausführen des Verfahrens, ein System für eine Verfolgung ausgedehnter Objekte und ein Fahrzeug mit einem solchen System anzugeben, die ein Verfolgung ausgedehnter Objekte mit reduzierten Rechenressourcen und/oder reduziertem Zeitaufwand ermöglichen. Des Weiteren ist es eine Aufgabe der vorliegenden Offenbarung, eine Zuverlässigkeit und damit eine Sicherheit eines Fahrassistenzsystems zum automatisierten Fahren zu verbessern.
-
Diese Aufgabe wird durch den Gegenstand der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.
-
Gemäß einem unabhängigen Aspekt der vorliegenden Offenbarung ist ein Verfahren für eine Verfolgung ausgedehnter Objekte, insbesondere in einem Fahrzeugumfeld, angegeben. Das Verfahren umfasst ein Bereitstellen einer Vielzahl von modellierten Komponenten für ein (einzelnes) Objekt; ein Bestimmen einer Detektion aus Sensordaten; und ein Bestimmen eines Ursprungs der Detektion auf dem Objekt unter Verwendung der Vielzahl von modellierten Komponenten. Das Bestimmen des Ursprungs der Detektion auf dem Objekt umfasst ein Bestimmen von Assoziationswahrscheinlichkeiten für die Vielzahl von modellierten Komponenten, wobei die Assoziationswahrscheinlichkeiten angeben, mit welcher Wahrscheinlichkeit die Detektion mit den einzelnen Komponenten der Vielzahl von modellierten Komponenten assoziiert ist.
-
Erfindungsgemäß sind für ein einzelnes Objekt, wie ein Fahrzeug, mehrere Komponenten modelliert. Die mehreren Komponenten können zum Beispiel wenigstens ein Rad, wenigstens eine Fahrzeugecke und wenigstens eine Fahrzeugseite umfassen. Für eine einzelne Detektion, die aus realen Sensordaten erhalten wird, werden dann Assoziationswahrscheinlichkeiten für jede dieser Komponenten ermittelt. Anders gesagt erfolgt eine probabilistische Assoziation, die schnell und mit geringem Rechenaufwand ermittelt werden kann. Hierdurch kann eine Verfolgung ausgedehnter Objekte mit reduzierten Rechenressourcen und reduziertem Zeitaufwand ermöglicht werden.
-
Der Begriff „ausgedehntes Objekt“, wie er im Rahmen der vorliegenden Offenbarung verwendet wird, bedeutet dabei, dass mit einer Sensorauflösung mehr als eine einzelne Punktmessung pro Objekt auflösbar ist. Zum Beispiel nimmt ein LiDAR-Sensor oder ein RADAR-Sensor mehrere Reflektionen pro Objekt wahr und gibt diese als Sensordaten bzw. Messdaten aus.
-
Das Objekt, das mittels des erfindungsgemäßen Verfahrens verfolgt werden kann, kann insbesondere in bewegtes Objekt sein, wie zum Beispiel ein Fahrzeug, ein Motorrad, ein LKW, ein Fahrradfahrer etc. Die vorliegende Offenbarung ist jedoch nicht hierauf begrenzt und kann ein anderes Objekt sein, dass zum Beispiel im Rahmen des automatisierten Fahrens eines (Ego-)Fahrzeugs in dessen Umgebungsbereich detektiert wird.
-
Die Komponenten des Objekts können durch ein geeignetes Messmodell modelliert werden. Ein derartige Messmodell gibt dabei an, welche Komponente des Objekts Detektionen mit einer bestimmten Wahrscheinlichkeit für eine bestimmte Zustandsschätzung erzeugen. Damit kann eine komplexe und räumlich abhängige Detektionswahrscheinlichkeit, die von verschiedenen (insbesondere physikalischen) Parametern abhängt, durch einen Satz von modellierten Komponenten beschrieben werden.
-
In einigen Ausführungsformen kann das Objekt ein (Fremd-)Fahrzeug sein. Vorzugsweise sind die Vielzahl von modellierten Komponenten aus der Gruppe ausgewählt, die ein Fahrzeugrad, eine Fahrzeugecke und eine Fahrzeugseite umfasst, oder die daraus besteht. Beispielsweise kann das (Fremd-)Fahrzeug durch zwölf Komponenten beschrieben werden, nämlich vier Räder, vier Fahrzeugecken und vier Fahrzeugseiten.
-
Vorzugsweise wird zumindest eine Komponente der Vielzahl von modellierten Komponenten durch ein Punktziel modelliert, optional mit einem Gaußschen Rauschterm. Beispielsweise werden die Räder und/oder die Fahrzeugecken mit einem solchen Punktziel beschrieben. Die Ausdehnung kann dabei mit einem Gaußschen Rauschterm in entsprechender Höhe und Ausrichtung beschrieben werden. Die Superposition der räumlichen Detektionswahrscheinlichkeiten entspricht dabei vorzugsweise der räumlichen Detektionswahrscheinlichkeit aus einem genauen Radarmessmodell.
-
Vorzugsweise werden die Assoziationswahrscheinlichkeiten in einen Probabilistic Data Association Filter (PDAF) eingegeben. Der PDAF nutzt die Assoziationswahrscheinlichkeiten, er berechnet sie jedoch nicht. Die Assoziationswahrscheinlichkeiten können je nach Anwendung durch geeignete Verfahren berechnet oder modelliert werden.
-
Ein herkömmlicher PDAF ist ein statistischer Ansatz für das Problem der Assoziation in einem Zielverfolgungsalgorithmus. Erfindungsgemäß wird der herkömmliche PDAF-Ansatz, der eine Zuordnung einer Vielzahl von (unkorrelierten) Detektionen zu einem einzelnen Objekt umfasst, derart umgekehrt, dass nun eine Zuordnung einer einzelnen erfassten Detektion zu einer Vielzahl von Komponenten eines einzelnen Objekts erfolgt.
-
Insbesondere muss eine Detektion ihrem Ursprung auf dem Objekt zugeordnet werden, damit die Messung Aufschluss über die aktuelle Objektposition und Objektausrichtung geben kann. Aufgrund der Unsicherheit der Objektschätzung und eines Messrauschens ist eine Assoziation nicht mit völliger Zuverlässigkeit möglich. Erfindungsgemäß werden unter Verwendung des Probabilistic Data Association Filter Assoziationswahrscheinlichkeiten dafür berechnet, dass die Detektion zu einer bestimmten Komponente gehört.
-
Vorzugsweise umfasst das Bestimmen des Ursprungs der Detektion auf dem Objekt weiter ein Aktualisieren einer Zustandsschätzung des Objekts unter Verwendung der Assoziationswahrscheinlichkeiten. Insbesondere wird für jede Komponente eine Assoziationswahrscheinlichkeit berechnet, wobei unter der Annahme, dass diese Komponente wirklich der Ursprung der Detektion ist, eine Verbesserung der Zustandsschätzung berechnet werden kann.
-
In einigen Ausführungsformen können die Aktualisierungen der Zustandsschätzungen mit einer normierten Wahrscheinlichkeit für die jeweilige Komponente gewichtet werden.
-
Vorzugsweise wird zumindest eine Komponente der Vielzahl von modellierten Komponenten in eine Vielzahl von Unterkomponenten unterteilt, wobei für jede Unterkomponente der Vielzahl von Unterkomponenten eine entsprechende Assoziationswahrscheinlichkeit bestimmt wird.
-
Beispielsweise können Fahrzeugseiten mittels Unterkomponenten modelliert werden. Während Räder und Ecken wie beschrieben mit einem Rauschterm modelliert werden können, ist die Linie dafür zu groß. Da der Mittelwert der Detektionswahrscheinlichkeit bei einer Gaußschen Modellierung in der Mitte liegt, würden Detektionen am Rand der Linie zur Mitte der Komponente zugeordnet werden, was im Falle der Fahrzeugseite ein hohes Bias verursachen würde.
-
Die Fahrzeugseiten werden daher vorzugsweise als ein Untersatz von Komponenten (Unterkomponenten) modelliert, wobei jede Unterkomponente einem Punkt auf einer Linie entspricht, die die Fahrzeugseite repräsentieren kann. Damit ist es möglich, verschiedene Teile der Linie als eigene Detektionsquellen zu modellieren. Dabei ergeben sich Assoziationsgleichungen für n Punkte auf der Linie in Anlehnung an die oben beschriebene Komponentenassoziation.
-
In einigen Ausführungsformen kann ein Integral verwendet werden, um statt einer diskreten Anzahl von Assoziationsgleichungen diese entlang der Linie zu integrieren. Dies entspricht einer Grenzwertfunktion, die n gegen Unendlich laufen lässt. Diese analytische Funktion ist im Falle einer Linie geschlossen lösbar und damit besonders schnell auszuführen. Im Gegensatz zu einem Satz von diskreten Assoziationsgleichungen unterliegt sie dabei keinen Di skreti sierungsfehlern.
-
Vorzugsweise werden die Sensordaten, die die Detektion enthalten, durch wenigstens einen Sensor bereitgestellt. Der wenigstens eine Sensor kann dabei einen LiDAR-Sensor und/oder einen RADAR-Sensor umfassen. Bei LiDAR- und RADAR-Sensoren sind im Gegensatz zu hochauflösenden Sensoren oftmals nur wenige Detektionen erkennbar. Die Ausführungsformen der vorliegenden Offenbarung sind insbesondere bei derartigen Sensoren von Vorteil, da hier auch mit wenigen Detektionen eine zuverlässige Obj ektverfolgung möglich ist.
-
In einigen Ausführungsformen kann der wenigstens eine Sensor in einer Umgebungssensorik eines Fahrzeugs umfasst sein. Die Umgebungssensorik ist dabei eingerichtet, um Umfelddaten (auch als „Umgebungsdaten“ bezeichnet) bereitzustellen, die einen Umgebungsbereich des Fahrzeugs abbilden. Vorzugsweise umfasst die Umgebungssensorik wenigstens ein LiDAR-System und/oder wenigstens ein Radar-System und/oder wenigstens eine Kamera und/oder wenigstens ein Ultraschall-System und/oder wenigstens einen Laserscanner, ist jedoch nicht hierauf begrenzt.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Software (SW) Programm angegeben. Das SW Programm kann eingerichtet werden, um auf einem oder mehreren Prozessoren ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren für eine Verfolgung ausgedehnter Objekte, insbesondere in einer Fahrzeugumgebung, auszuführen.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Speichermedium angegeben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem oder mehreren Prozessoren ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren für eine Verfolgung ausgedehnter Objekte auszuführen.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist eine Software mit Programmcode zur Durchführung des Verfahrens für eine Verfolgung ausgedehnter Objekte auszuführen, wenn die Software auf einer oder mehreren softwaregesteuerten Einrichtungen abläuft.
-
Ein Prozessor ist dabei ein programmierbares Rechenwerk, also eine Maschine oder eine elektronische Schaltung, die gemäß übergebenen Befehlen andere Elemente steuert und dabei einen Algorithmus (Prozess) vorantreibt.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein System für eine Verfolgung ausgedehnter Objekte angegeben. Das System umfasst einen oder mehrere Prozessoren, die eingerichtet sind, um dadurch das in diesem Dokument beschriebene Verfahren für eine Verfolgung ausgedehnter Objekte, insbesondere in einer Fahrzeugumgebung, auszuführen.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Fahrzeug, insbesondere ein Kraftfahrzeug, angegeben. Das Fahrzeug umfasst das System für eine Verfolgung ausgedehnter Objekte gemäß den Ausführungsformen der vorliegenden Offenbarung.
-
Der Begriff Fahrzeug umfasst PKW, LKW, Busse, Wohnmobile, Krafträder, etc., die der Beförderung von Personen, Gütern, etc. dienen. Insbesondere umfasst der Begriff Kraftfahrzeuge zur Personenbeförderung.
-
Vorzugsweise umfasst das Fahrzeug eine Umgebungssensorik, die eingerichtet ist, um Umfelddaten zu erfassen. Vorzugsweise umfasst die Umgebungssensorik wenigstens ein LiDAR-System und/oder wenigstens ein Radar-System und/oder wenigstens eine Kamera und/oder wenigstens ein Ultraschall-System und/oder wenigstens einen Laserscanner. Die Umgebungssensorik kann die Umfelddaten (auch als „Umgebungsdaten“ bezeichnet) bereitstellen, die einen Umgebungsbereich des Fahrzeugs abbilden.
-
Vorzugsweise umfasst das Fahrzeug ein Fahrassistenzsystem zum automatisierten Fahren. Das Fahrassistenzsystem kann eingerichtet sein, um ein automatisiertes Fahren unter Verwendung der in diesem Dokument beschriebenen Aspekte zur Verfolgung ausgedehnter Objekte durchzuführen.
-
Unter dem Begriff „automatisiertes Fahren“ kann im Rahmen des Dokuments ein Fahren mit automatisierter Längs- oder Querführung oder ein autonomes Fahren mit automatisierter Längs- und Querführung verstanden werden. Bei dem automatisierten Fahren kann es sich beispielsweise um ein zeitlich längeres Fahren auf der Autobahn oder um ein zeitlich begrenztes Fahren im Rahmen des Einparkens oder Rangierens handeln. Der Begriff „automatisiertes Fahren“ umfasst ein automatisiertes Fahren mit einem beliebigen Automatisierungsgrad. Beispielhafte Automatisierungsgrade sind ein assistiertes, teilautomatisiertes, hochautomatisiertes oder vollautomatisiertes Fahren. Diese Automatisierungsgrade wurden von der Bundesanstalt für Straßenwesen (BASt) definiert (siehe BASt-Publikation „Forschung kompakt“, Ausgabe 11/2012).
-
Beim assistierten Fahren führt der Fahrer dauerhaft die Längs- oder Querführung aus, während das System die jeweils andere Funktion in gewissen Grenzen übernimmt. Beim teilautomatisierten Fahren (TAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum und/oder in spezifischen Situationen, wobei der Fahrer das System wie beim assistierten Fahren dauerhaft überwachen muss. Beim hochautomatisierten Fahren (HAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum, ohne dass der Fahrer das System dauerhaft überwachen muss; der Fahrer muss aber in einer gewissen Zeit in der Lage sein, die Fahrzeugführung zu übernehmen. Beim vollautomatisierten Fahren (VAF) kann das System für einen spezifischen Anwendungsfall das Fahren in allen Situationen automatisch bewältigen; für diesen Anwendungsfall ist kein Fahrer mehr erforderlich.
-
Die vorstehend genannten vier Automatisierungsgrade entsprechen den SAE-Level 1 bis 4 der Norm SAE J3016 (SAE - Society of Automotive Engineering). Beispielsweise entspricht das hochautomatisierte Fahren (HAF) Level 3 der Norm SAE J3016. Ferner ist in der SAE J3016 noch der SAE-Level 5 als höchster Automatisierungsgrad vorgesehen, der in der Definition der BASt nicht enthalten ist. Der SAE-Level 5 entspricht einem fahrerlosen Fahren, bei dem das System während der ganzen Fahrt alle Situationen wie ein menschlicher Fahrer automatisch bewältigen kann; ein Fahrer ist generell nicht mehr erforderlich.
-
Figurenliste
-
Ausführungsbeispiele der Offenbarung sind in den Figuren dargestellt und werden im Folgenden näher beschrieben. Es zeigen:
- 1 ein Flussdiagram eines Verfahrens für eine Verfolgung ausgedehnter Objekte, insbesondere in einem Fahrzeugumfeld, gemäß Ausführungsformen der vorliegenden Offenbarung,
- 2 Komponenten eines Fahrzeugs gemäß Ausführungsformen der vorliegenden Offenbarung,
- 3 eine Verwendung eines Probabilistic Data Association Filter zur Bestimmung von Assoziationswahrscheinlichkeiten gemäß beispielhaften Ausführungsformen der vorliegenden Offenbarung,
- 4 eine beispielhafte kontinuierliche Assoziation anhand einer Linie und einer Detektion, die ihren Ursprung an einem unbekannten Punkt der Linie hat, und
- 5 schematisch ein Fahrzeug mit einem Fahrassistenzsystem zum automatisierten Fahren gemäß Ausführungsformen der vorliegenden Offenbarung.
-
Ausführungsformen der Offenbarung
-
Im Folgenden werden, sofern nicht anders vermerkt, für gleiche und gleichwirkende Elemente gleiche Bezugszeichen verwendet.
-
Bei Massenseriensensoren, vor allem Radarsensoren, sind gewöhnlich nur wenige Detektionen erkennbar, und die Messdaten allein sind unzureichend, um den Objektzustand zu schätzen. In diesem Fall kann zum Beispiel ein Radarmessmodell verwendet werden, das beschreibt, welcher Objektzustand und Objektaufbau welche Messdaten erzeugt. Dieses Wissen kann im Rahmen eines Bayes-Filter genutzt werden, um aus Messdaten auf einen Objektzustand (Objektposition und Objektausrichtung) zu schließen. Derartige Radarmessmodelle sind jedoch sehr rechenaufwändig und können beispielsweise nur zusammen mit einem ebenfalls rechenaufwändigen Partikelfilter verwendet werden.
-
Erfindungsgemäß sind für ein einzelnes Objekt, wie ein Fahrzeug, mehrere Komponenten modelliert. Die mehreren Komponenten können zum Beispiel wenigstens ein Rad, wenigstens eine Fahrzeugecke und wenigstens eine Fahrzeugseite umfassen. Für eine einzelne Detektion, die aus realen Sensordaten erhalten wird, werden dann Assoziationswahrscheinlichkeiten für jede dieser Komponenten ermittelt. Anders gesagt erfolgt eine probabilistische Assoziation, die schnell und mit geringem Rechenaufwand ermittelt werden kann. Hierdurch kann eine Verfolgung ausgedehnter Objekte mit reduzierten Rechenressourcen und reduziertem Zeitaufwand ermöglicht werden.
-
1 zeigt schematisch ein Flussdiagramm eines Verfahrens 100 für eine Verfolgung ausgedehnter Objekte, insbesondere in einem Fahrzeugumfeld, gemäß Ausführungsformen der vorliegenden Offenbarung.
-
Das Verfahren 100 kann durch eine entsprechende Software implementiert werden, die durch einen oder mehrere Prozessoren (z.B. eine CPU) ausführbar ist.
-
Das Verfahren 100 umfasst im Block 110 ein Bereitstellen einer Vielzahl von modellierten Komponenten für ein (einzelnes) Objekt; im Block 120 ein Bestimmen einer Detektion aus Sensordaten; und im Block 130 ein Bestimmen eines Ursprungs der Detektion auf dem Objekt unter Verwendung der Vielzahl von modellierten Komponenten. Das Bestimmen des Ursprungs der Detektion auf dem Objekt umfasst ein Bestimmen von Assoziationswahrscheinlichkeiten für die Vielzahl von modellierten Komponenten, wobei die Assoziationswahrscheinlichkeiten angeben, mit welcher Wahrscheinlichkeit die Detektion mit den einzelnen Komponenten der Vielzahl von modellierten Komponenten assoziiert ist bzw. mit welcher Wahrscheinlichkeit die Detektion von den einzelnen Komponenten stammt.
-
Durch die Unterteilung des Objekts in Komponenten und eine Anlehnung an ein genaues (Radar-)Messmodell ist ein präziseres Tracking möglich, als es beispielsweise mit sehr einfachen Approximationen möglich ist. Da sich die Berechnung der Detektionswahrscheinlichkeiten von physikalischen Parametern ableiten lässt, ist zudem auch eine flexible Verwendung möglich. Zum Beispiel können unterschiedliche Sensoreinbauhöhen und/oder Objektgrößen berücksichtigt werden, was für den Einsatz in Fahrzeugen von Vorteil ist.
-
Die erfindungsgemäße probabilistische Assoziation ist zudem schnell zu berechnen, da nur für eine begrenzte Anzahl von Komponenten Zustandsaktualisierungen berechnet werden müssen. Traditionelle Ansätze, wie beispielsweise Partikelfilter, verrechnen hingegen eine hohe Anzahl von Objektzustandshypothesen, indem sie jede Hypothese mit den Messdaten vergleichen und eine Wahrscheinlichkeit dieser Hypothese berechnen. Dies ermöglicht den Einsatz des erfindungsgemäßen Verfahrens auf Steuergeräten mit begrenzter Rechenleistung, wie sie beispielsweise in Fahrzeugen vorhanden sind.
-
Das erfindungsgemäße Verfahren erlaubt zudem die Zuordnung von verrauschten Messdaten. Viele traditionelle Ansätze implizieren, dass zumindest eine Variable (wie zum Beispiel der Winkel vom Objekt aus, unter der die Detektion gemessen wird) rauschfrei ist. Dies ist in der Praxis fehlerhaft und führt zur Einfilterung der Detektion an einer eigentlich falschen Stelle. Das erfindungsgemäße Verfahren löst dieses Problem inhärent, da jede mögliche Ursprungsquelle mit ihrer jeweiligen Wahrscheinlichkeit zur Aktualisierung der Objektzustandsschätzung beiträgt.
-
2 zeigt eine beispielhafte Unterteilung eines Objekts in eine diskrete Anzahl an Komponenten. Beispielsweise kann ein Fahrzeug in hochreflektierende Komponenten abstrahiert werden. 2(a) zeigt Karosserieecken, 2(b) zeigt Räder und 2(c) zeigt Karosserieseiten.
-
Jede Komponente ist ein möglicher Ursprung für eine Radarerfassung. Beispielsweise besitzt eine Erfassung in der hinteren linken Ecke eines Fahrzeugs eine hohe Assoziationswahrscheinlichkeit mit seinem linken Hinterrad oder der hinteren linken Ecke der Karosserie. Die Assoziation profitiert beispielsweise auch von Radialgeschwindigkeitsmessungen des Radars. Beispielsweise wird ein Mikro-Doppler eines Rades erkannt und für die Zuordnung zu einem Rad verwendet.
-
In einigen Ausführungsformen werden die Assoziationswahrscheinlichkeiten mittels eines Probabilistic Data Association Filter bestimmt. Insbesondere wird eine Adaption des PDAF verwendet, wie es in 3 dargestellt ist, um eine Detektion M mit einer Reihe möglicher Ursprünge eines (einzelnen) Ziels zu verknüpfen und eine entsprechende Filterung durchzuführen. Diese Adaption beinhaltet eine einzige Detektion sowie mehrere diskreten Ursprünge, die mit einem einzigen Objekt verknüpft sind.
-
Messfunktionen beschreiben die erwartete Messung für jeden Ursprung unter Verwendung der Zustandsabschätzung und entsprechender Transformationen. Ein bekannter Nachteil des PDAF ist, dass falsche Assoziationshypothesen immer mit einem bestimmten Gewicht gefiltert werden. Falsche Hypothesen werden durch die Verwendung von z.B. Multi-Hypothesen-Tracker erkannt und aufgelöst. Multi-Hypothesen-Tracker erkennen, dass zu einem früheren Zeitpunkt eine falsche Hypothese gewählt wurde, und wählen rückwirkend eine korrekte Hypothese. Dies erfordert jedoch das Aufspannen und permanente Durchrechnen eines Hypothesenbaums, der mit der Zeit exponentiell wächst. Multi-Hypothesen-Tracker besitzen dadurch eine extrem hohe Rechenzeitanforderung, in der Industrie begegnet man meist nur Approximationen von ihnen.
-
Bei der erfindungsgemäßen Adaption sind hingegen alle Ursprünge auf dem starren Körper des Ziels lokalisiert und somit dynamisch verknüpft. Die Zustandsaktualisierungen falscher Assoziationen sind mit hoher Wahrscheinlichkeit ähnlich wie die richtigen Assoziationen, insbesondere da Ursprünge mit signifikanter Wahrscheinlichkeit nahe beieinander liegen. Dieser Effekt ermöglicht eine robuste Verwendung des PADF. Das Assoziationsproblem wird also probabilistisch gelöst, d.h. alle Hypothesen werden mit ihrer Assoziationswahrscheinlichkeit eingefiltert. Zwar kann ein vorkommen, dass falsche Hypothesen eingefiltert werden, doch im Mittel trackt der erfindungsgemäße Ansatz innerhalb vertretbarer Toleranzen korrekt.
-
Die Räder und die Karosserieecken eines Fahrzeugs können durch diskrete Gauß-Ellipsen approximiert werden, wobei ihre Ausdehnung mit einem additiven Term der Positionsunsicherheit modelliert wird. Dieser Ansatz verursacht jedoch eine hohe Verzerrung in größeren ausgedehnten Teilen wie den Karosserieseiten. Um diesen Nachteil zu beseitigen, wird in einigen Ausführungsformen zumindest eine Komponente der Vielzahl von modellierten Komponenten in eine Vielzahl von Unterkomponenten unterteilt, wobei für jede Unterkomponente der Vielzahl von Unterkomponenten eine entsprechende Assoziationswahrscheinlichkeit bestimmt wird. Dies wird auch als „kontinuierliche Assoziation“ bezeichnet.
-
4 zeigt eine beispielhafte kontinuierliche Assoziation anhand einer Linie und einer Detektion D, die ihren Ursprung an einem unbekannten Punkt der Linie hat. Ein möglicher Ansatz besteht nun darin, beliebig viele Abtastpunkte n zu definieren und eine diskrete Zuordnung durchzuführen.
-
Für n=1 ist die Detektion D immer einem einzigen Punkt zugeordnet, der durch den Mittelpunkt der Linie gegeben ist.
-
Wenn die Anzahl der Abtastpunkte auf n=3 erhöht wird, ergeben sich drei Assoziationshypothesen mit unterschiedlicher Wahrscheinlichkeit. Der Pfeil P1 zeigt die Hypothese mit der höchsten Wahrscheinlichkeit an. Die Wahl der Hypothese der höchsten Wahrscheinlichkeit wird als „harte Assoziation“ bezeichnet. Der Pfeil P2 zeigt einen gewichteten Mittelwert der Zustandsaktualisierung an, was als „weiche Assoziation“ bezeichnet wird.
-
Durch eine weitere Erhöhung der Anzahl der Abtastpunkte z.B. auf n=5 wird die Genauigkeit verbessert. Allerdings erhöht sich auch der Rechenaufwand. Es ist möglich, dass die Anzahl der Abtastpunkte, die die gewünschte Präzision liefert, bereits das verfügbare Budget an Rechenzeit übersteigt.
-
Dies kann durch die Verwendung einer unendlichen Anzahl von Abtastpunkten (n=∞) gelöst werden. Durch Integration der Assoziationsgleichungen entlang der Linie ergibt sich eine optimale Präzision und nur eine einzige Funktion, die ausgewertet werden muss.
-
5 zeigt schematisch ein Fahrzeug 10 mit einem Fahrassistenzsystem 500 zum automatisierten Fahren gemäß Ausführungsformen der vorliegenden Offenbarung.
-
Beim automatisierten Fahren erfolgt die Längs- und Querführung des Fahrzeugs 10 automatisch. Das Fahrassistenzsystem 500 übernimmt also die Fahrzeugführung. Hierzu steuert das Fahrassistenzsystem 500 den Antrieb 20, das Getriebe 22, die hydraulische Betriebsbremse 24 und die Lenkung 26 über nicht dargestellte Zwischeneinheiten.
-
Zur Planung und Durchführung des automatisierten Fahrens werden Umfeldinformationen einer Umfeldsensorik, die das Fahrzeugumfeld beobachtet, vom Fahrerassistenzsystem 500 entgegengenommen. Insbesondere kann das Fahrzeug wenigstens einen Umgebungssensor 12 umfassen, der zur Aufnahme von Umgebungsdaten, die das Fahrzeugumfeld angeben, eingerichtet ist. Der wenigstens eine Umgebungssensor 12 kann beispielsweise ein oder mehrere LiDAR-Systeme, ein oder mehrere Radar-Systeme, ein oder mehrere Ultraschall-System, ein oder mehrere Laserscanner und/oder eine oder mehrere Kameras umfassen.
-
Die Umgebungsdaten werden insbesondere verwendet, um Objekte in der Umgebung des Fahrzeugs zu erkennen und zu verfolgen. Die Verfolgung kann dabei unter Verwendung der in diesem Dokument beschriebenen Verfahren und Systeme erfolgen. Beispielsweise kann das Fahrerassistenzsystem 500 ein Speichermedium umfassen, in dem Daten in Bezug auf eine Vielzahl von Objekten gespeichert sein können, wobei für jedes der Vielzahl von Objekten entsprechende modellierte Komponenten auf dem Speichermedium vorhanden bzw. gespeichert sein können.
-
Erfindungsgemäß sind für ein einzelnes Objekt, wie ein Fahrzeug, mehrere Komponenten modelliert. Die mehreren Komponenten können zum Beispiel wenigstens ein Rad, wenigstens eine Fahrzeugecke und wenigstens eine Fahrzeugseite umfassen. Für eine einzelne Detektion, die aus realen Sensordaten erhalten wird, werden dann Assoziationswahrscheinlichkeiten für jede dieser Komponenten ermittelt. Anders gesagt erfolgt eine probabilistische Assoziation, die schnell und mit geringem Rechenaufwand ermittelt werden kann. Hierdurch kann eine Verfolgung ausgedehnter Objekte mit reduzierten Rechenressourcen und reduziertem Zeitaufwand ermöglicht werden.
-
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind.
-
Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehenden Erläuterungen in der Beschreibung, definiert wird.
