DE102020127776B4

DE102020127776B4 - Verfahren zum Bestimmen einer Länge eines Objekts in einer Umgebung eines Kraftfahrzeugs mittels eines Assistenzsystems, Computerprogrammprodukt, computerlesbares Speichermedium sowie Assistenzsystem

Info

Publication number: DE102020127776B4
Application number: DE102020127776.8A
Authority: DE
Inventors: Jean-Francois Bariant; Llarina Lobo-Palacios; Julia Granitzka
Original assignee: Valeo Schalter und Sensoren GmbH
Current assignee: Valeo Schalter und Sensoren GmbH
Priority date: 2020-10-22
Filing date: 2020-10-22
Publication date: 2023-10-26
Anticipated expiration: 2040-10-23
Also published as: DE102020127776A1

Abstract

Verfahren zum Bestimmen einer Länge (L) eines Objekts (8) in einer Umgebung (7) eines Kraftfahrzeugs (1) mittels eines Assistenzsystems (2) des Kraftfahrzeugs (1), bei welchem mittels einer Erfassungseinrichtung (6) des Assistenzsystems (2) das Objekt (8) erfasst wird und zur Auswertung an eine elektronische Recheneinrichtung (3) des Assistenzsystems (2) übertragen wird, dadurch gekennzeichnet, dass zumindest zwei Längenhypothesen (L1, L2) zur Länge des Objekts (8) mittels eines Partikelfilters (4) der elektronischen Recheneinrichtung (3) oder mittels eines verborgenes Markovmodells (13) der elektronischen Recheneinrichtung (3) erzeugt werden und diejenige Längenhypothese (L1, L2) mit einer größten Wahrscheinlichkeit einem beschränkten Kalman-Filter (5) der elektronischen Recheneinrichtung (3) als Beschränkung (9) übergeben wird und mittels des beschränkten Kalman-Filters (5) in Abhängigkeit von der übergebenen Längenhypothese (L1, L2) die Länge (L) des Objekts (8) bestimmt wird.

Description

Die Erfindung betrifft ein Verfahren zum Bestimmen einer Länge eines Objekts in einer Umgebung eines Kraftfahrzeugs mittels eines Assistenzsystems des Kraftfahrzeugs, bei welchem mittels einer Erfassungseinrichtung des Assistenzsystems das Objekt erfasst wird und zur Auswertung an eine elektronische Recheneinrichtung des Assistenzsystems übertragen wird. Ferner betrifft die Erfindung ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie ein Assistenzsystem.
Aus dem Stand der Technik sind bereits unterschiedliche Verfahren bekannt, mittels welchen die Länge eines Objekts in der Umgebung des Kraftfahrzeugs bestimmt werden kann. Insbesondere sind jedoch genaue Längenabschätzungen, insbesondere mittels einer Kamera, schwierig, da die wahre Länge eines Objekts oftmals verdeckt ist und somit mittels der Kamera nicht erfassbar ist. Ferner sind aus dem Stand der Technik unterschiedliche Filterarten, beispielsweise ein Rao-Blackwellized-Filter oder eine Gaussian-Mixture-Filter bekannt, welche jedoch sehr teuer sind. Eine weitere Methode ist, auf der sichtbaren Seite des Objekts „Referenzpunkte“ nachzuverfolgen, beispielsweise der Frontseite oder der Rückseite des Objekts, und die Länge außerhalb des Status ohne Korrelation mit den Referenzpunkten nachzuverfolgen. Die Schwäche dieser Methode ist, wenn das Objekt das Ego-Kraftfahrzeug überholt, so muss die Position der Referenzpunkte geändert werden. Wenn dies durchgeführt wird, kann das Problem der Kreuz-Korrelation und einer instabilen Länge auftreten. Ferner ist diese Änderung des Referenzpunktes in Relation zum relativen Winkel des Objekts sehr rechenintensiv und rechenzeitaufwendig.
Die US 9 224 050 B2 beschreibt eine Methode und ein System zur Fahrzeuglokalisierung in einer Tagebauumgebung mit intermittierender oder unvollständiger GPS-Abdeckung. Das System umfasst GPS-Empfänger, die mit den Fahrzeugen verbunden sind und GPS-Messungen liefern, wenn diese verfügbar sind, sowie eine oder mehrere Kameras mit Blick auf die Bergbauregion. Die Kameras befinden sich an einem bekannten Standort und werden zur Erzeugung einer Bildsequenz in einem Sichtfeld mit vorgegebener Kalibrierung in einem festen Koordinatensystem verwendet. Das System umfasst ferner einen Fahrzeugerkennungsprozessor zum Analysieren einzelner Bilder der Kamera, um das Fahrzeug in der Minenregion zu identifizieren und unterhalb eines Bildes zu lokalisieren, sowie einen Fahrzeugverfolgungsprozessor zum Analysieren einer Bildfolge von der Kamera, um die identifizierte Fahrzeugposition in der Bildfolge zu verfolgen. Ein Datenfusionsprozessor ist gekoppelt, um GPS-Messungen, wenn verfügbar, von den Fahrzeug-GPS-Empfängern zu empfangen, um die empfangenen GPS-Messungen und die entsprechenden Fahrzeuglokalsierungen zu fusionieren und um eine Fahrzeuglokalisierungsausgabe auszugeben.
US 2019/0049580 A1 offenbart eine Wahrnehmungsvorrichtung mit einem Empfänger, der so konfiguriert ist, dass er Sensorinformationen empfängt, einschließlich Informationen über die Position eines oder mehrerer Objekte, die von einem Sensor erfasst werden, einem Speicher, der so konfiguriert ist, dass er ein Belegungsgitter eines vorbestimmten Bereichs speichert, wobei das Belegungsgitter eine Vielzahl von Gitterzellen enthält, wobei jede Gitterzelle ein Gebiet in dem vorbestimmten Bereich repräsentiert, wobei mindestens eine Gitterzelle der Vielzahl von Gitterzellen einer jeweiligen einzelnen Belegungshypothese zugeordnet ist und einen einzelnen Belegungshypothesen-Bestimmer, der so konfiguriert ist, dass er einzelne Belegungshypothesen bestimmt, wobei die einzelnen Belegungshypothesen den Grad der Annahme der Belegung der Gitterzelle in Abhängigkeit von der Sensorinformation enthält und wobei ein Betrag eines Sensorinformationswerts zum Grad der Annahme der Belegung mit einer Zunahme eines Abstands des Ortes des durch den Sensor erfassten Objekts von einem Zentrum der Gitterzelle wesentlich abnimmt.
Die DE 10 2018 104 310 A1 betrifft ein Verfahren zum Nachverfolgen eines dynamischen Objekts unter Ausnutzung von messinformationsbasierten Objektdaten, wobei die Messinformationen mindestens eine Doppler-Messinformation umfassen. Es ist vorgesehen, dass die auf der Doppler-Messinformation beruhenden Objektdaten zum Nachverfolgen des Objekts mittels einer den Zusammenhang zwischen der Doppler-Messung und dem Zustand des Objekts angebenden impliziten Messfunkunktion und eines zur Verarbeitung implizierter Messfunktionen eingerichteten Kalman-Filters verarbeitet werden.
Die JP 2020 - 500 367 A beschreibt verschiedene Methoden, Steuerungen und Algorithmen, um ein Heck eines bestimmten Fahrzeugs zu identifizieren und/oder das Heck eines solchen Fahrzeugs in einer Reihe von Abstandsmessungen zu verfolgen. Die beschriebenen Techniken können mit einer Vielzahl verschiedener Entfernungsmesstechniken verwendet werden, einschließlich Radar, Lidar, kamerabasierter Entfernungsmesseinheiten und Ähnliches. Der beschriebene Ansatz eignet sich für den Einsatz in Fahrzeugzügen und/oder Fahrzeugzugsystemen, einschließlich Anwendungen für Zugmaschinen und Lastwagenzüge. In einem anderen Aspekt wird eine Technik der Verschmelzung von Sensordaten aus verschiedenen Fahrzeugen zur Verwendung in einer zumindest teilweisen autonomen Steuerung eines bestimmten Kraftfahrzeugs beschrieben. Die beschriebenen Techniken eignen sich für den Einsatz in Verbindung mit einer Vielzahl verschiedener Fahrzeugsteuerungsanwendungen, einschließlich Zügen, Lokomotiven und anderen Anwendungen für autonomes Fahren, einschließlich Anwendungen für Zugmaschinen und Lastzüge.
In DE 10 2019 109 333 A1 wird ein Verfahren zur Ermittlung des Wertes einer Größe eines Objektes beschrieben. Das Verfahren umfasst das Ermitteln eines Belegungsrasters, das eine Evidenz dafür anzeigt, dass einzelne Zellen frei oder durch das Objekt belegt sind. Ferner umfasst das Verfahren das Ermitteln einer Teilmenge von Zellen, die zu dem Objekt gehören. Des Weiteren umfasst das Verfahren das Detektieren von zwei gegenüberliegenden begrenzenden Kanten des Objekts, sowie das Ermitteln eines Messwertes der Größe des Objekts auf Basis des Abstands zwischen den detektierten Kanten des Objektes. Das Verfahren umfasst weiter das Ermitteln eines Gütemaßes, das anzeigt, wie gut die zwei gegenüberliegenden Kanten des Objekts detektiert werden konnten, sowie das Ermitteln einer von dem Gütemaß abhängigen Mess-Wahrscheinlichkeitsverteilung der Größe des Objektes. Außerdem umfasst das Verfahren das Ermitteln einer kumulierten Wahrscheinlichkeitsverteilung auf Basis der Mess-Wahrscheinlichkeitsverteilung, sowie das Ermitteln eines Wertes der Größe des Objektes auf Basis der kumulierten Wahrscheinlichkeitsverteilung. Zumindest einige der Zellen des Belegungsrasters können Bewegungsinformation in Bezug auf eine Bewegung der jeweiligen Zelle anzeigen. Die Bewegungsinformation kann z.B. die Bewegungsrichtung und/oder die Bewegungsgeschwindigkeit anzeigen. Die Bewegungsinformation kann z.B. auf Basis von Partikeln und/oder auf Basis eines Partikelfilters ermittelt werden.
EP 3 467 719 A1 betrifft ein Verfahren zum Betreiben einer Sensorvorrichtung eines Kraftfahrzeugs, mit einem a) Bereitstellen von einer Messinformation durch eine Sensoreinheit der Sensorvorrichtung; einem b) Klassifizieren der bereitgestellten Messinformation durch ein neuronales Netz der Sensorvorrichtung; und einem c) Filtern eines Ergebnisses des Klassifizierens mittels eines Bayes'schen Filters der Sensorvorrichtung, sodass das Ergebnis in Abhängigkeit einer für den Bayes'schen Filter vorgegebenen Zustandsinformation an einen von der Zustandsinformation repräsentierten Zustand des Kraftfahrzeugs oder eines Objekts in der Umgebung des Kraftfahrzeugs angepasst wird
DE 10 2016 214 045 A1 betrifft ein Verfahren und eine Vorrichtung zum Ermitteln eines Fahrbahnmodells mittels rekursiven Schätzens.
DE 10 2016 011 366 A1 betrifft ein Verfahren zur Positionsbestimmung eines Fahrzeugs, wobei zur Positionsbestimmung erweiterte Kalman-Filter (EKF) und ein diskretes Bayesfilter (DBF) kombiniert werden.
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren, ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie ein Assistenzsystem zu schaffen, mittels welchen verbessert eine Länge eines Objekts in der Umgebung eines Kraftfahrzeugs bestimmt werden kann.
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.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Bestimmen einer Länge eines Objekts in einer Umgebung eines Kraftfahrzeugs mittels eines Assistenzsystems des Kraftfahrzeugs, bei welchen mittels einer Erfassungseinrichtung des Assistenzsystems das Objekt erfasst wird und zur Auswertung an eine elektronische Recheneinrichtung des Assistenzsystems übertragen wird.
Es ist vorgesehen, dass zumindest zwei Längenhypothesen zur Länge des Objekts mittels eines Partikelfilters der elektronischen Recheneinrichtung oder mittels eines verborgenes Markovmodells der elektronischen Recheneinrichtung erzeugt werden und diejenige Längenhypothese mit einer größten Wahrscheinlichkeit einem beschränkten Kalman-Filter der elektronischen Recheneinrichtung als Beschränkung übergeben wird und mittels des beschränkten Kalman-Filters in Abhängigkeit von der übergebenen Längenhypothese die Länge des Objekts bestimmt wird.
Dadurch ist es ermöglicht, dass mittels des Partikelfilters oder mittels des verborgenen Markovmodels eine erste Abschätzung der Länge des Objekts bestimmt werden kann. Diese erste abgeschätzte Länge kann dann wiederum als Beschränkung für den beschränkten Kalman-Filter dienen, welcher dann wiederum in Abhängigkeit dieser Längenhypothese detailliert die Länge des Objekts bestimmen kann. Dadurch ist es ermöglicht, dass insbesondere beispielsweise beim autonomen Fahrbetrieb des Kraftfahrzeugs eine detaillierte Umgebungserfassung ermöglicht ist. Dadurch kann die Sicherheit im Straßenverkehr erhöht werden, da die Umgebung detaillierter erfasst werden kann, wodurch ein verbesserter Betrieb, insbesondere autonomer Betrieb, des Kraftfahrzeugs realisiert werden kann. Insbesondere erlaubt die Erfindung eine verbesserte Repräsentation der Wahrscheinlichkeitsdichtefunktion eines Status einer nicht-normalverteilten Länge, wobei insbesondere gegenüber dem Stand der Technik Rechenkapazität und Rechenzeit zur Erzeugung der Längenhypothesen eingespart werden können. Beim Partikelfilter handelt es sich um eine Repräsentation der Wahrscheinlichkeitsdichtefunktion (Probability Density Function - PDF) durch einzelne Partikel, welche Aufnahmen der Kamera entsprechen. Diese Partikel werden anfangs gleichmäßig in einen Zustandsraum gestreut. Die Wahrscheinlichkeit beim Partikelfilter gibt wiederum an, wie gut die einzelnen Partikel von den Sensordaten übereinstimmen. Es folgt danach ein sogenanntes „Resampling“. Mittels des Partikelfilters können insbesondere mehrere Verteilungen repräsentiert werden als lediglich eine Gauß-Verteilung. Insbesondere kann eine nicht lineare Transformation der Zufallsvariablen repräsentiert werden, wobei insbesondere jeder Partikel eine Instanziierung eines Zustands zur Zeit t ist.
Anstelle eines Partikelfilters kann auch ein verborgenes Markovmodel, welches auch als Hidden-Markov-Modells (HMM) bezeichnet wird, genutzt werden. Es besteht ebenfalls aus diskreten Hypothesen über die Länge des Objekts, jedoch ohne Resampling.
Beim Kalman-Filter handelt es sich um einen parametrischen Filter, welcher die Gauß-Funktion zur Repräsentation der Objektposition, des Sensormodells sowie der Zustandsübergangsfunktion verwendet. Der Kalman-Filter benutzt insbesondere eine Vorausberechnung einer neuen Position aus der alten Position, eine sogenannte Modellierung, und in einem zweiten Schritt erfolgt eine der Korrektur des berechneten Wertes durch eine Messung. Mittels des Kalman-Filters kann insbesondere eine verbesserte Objektzustandsabschätzung für lineare Prozesse sowie eine schnelle Berechenbarkeit auch für hoch-dimensionale Probleme realisiert werden.
Insbesondere kann somit eine Vor-Klassifizierung des Objekts durchgeführt werden, um eine Länge des Objekts abzuschätzen. Der Kalman-Filter filtert insbesondere über die Zeit, wobei eine Wahrscheinlichkeit, insbesondere durch empirische Versuche, vorgegeben wird. Durch die Filterung mittels des Partikel-Filters kann insbesondere eine Mindestlänge und/oder eine Maximallänge für das Objekt vorgegeben werden. Der Kalman-Filter arbeitet dann wiederum unter einer Bedingung beziehungsweise Beschränkung, wobei diese Beschränkung für den Kalman-Filter die Ausgabe des Partikel-Filters ist.
Insbesondere kann mittels der nachfolgenden Formel unter der Bedingung D*x=d die Filterung mittels des beschränkten Kalman-Filters durchgeführt werden: $λ = {(D P_{n} D^{T})}^{- 1} D (\hat{x_{n}} - \tilde{x}) = {(D P_{n} D^{T})}^{- 1} (D \hat{x_{n}} - d)$
Hierdurch entsteht die Beschränkung als Schätzung: $\begin{array}{l} P_{n}^{- 1} (\tilde{x} - \hat{x_{n}}) + D^{T} λ = 0 \Leftrightarrow \tilde{x} - \hat{x_{n}} + P_{n} D^{T} λ = 0 \\ \Leftrightarrow \tilde{x} = \hat{x_{n}} - P_{n} D^{T} λ = \hat{x_{n}} - P_{n} D^{T} {(D P_{n} D^{T})}^{- 1} (D \hat{x_{n}} - d) \end{array}$
, wobei λ dem Langrage-Multiplikator entspricht und wird typischerweise verwendet, um die Lösung eines Least-Square-Problems mit einer Nebenbedingung zu finden. x̃ beschreibt die neue Schätzung unter Berücksichtigung der Beschränkung. $\hat{x_{n}}$
entspricht der Erwartung der Schätzung ohne Berücksichtigung der Beschränkung, also dem Ergebnis des Kalman-Filters. P_n ist die Kovarianzmatrix der Schätzung ohne Berücksichtigung der Beschränkung, also dem Ergebnis des Kalman-Filters. D ist die Matrix, die die lineare Beschränkung auf den Zustand angibt, beispielsweise wenn nur ein bestimmter Wert des Zustands an einen festen Wert gebunden werden soll, D=[0,0,0,1], wenn dies der vierte Wert des Zustands ist. D kann auch verwendet werden, um eine Beschränkung auf eine lineare Kombination der Zustandsparameter zu spezifizieren, beispielsweise wird D=[1,0,0,0,0.5] eine Beschränkung auf die erste Komponente des Zustands plus die Hälfte der letzten Komponente spezifizieren. Es können mehrere lineare Beschränkungen gleichzeitig angegeben werden, dann hat D mehrere Zeilen, wie beispielsweise D=[0,0,0,1; 1,0,0,0,0] gibt zwei Beschränkungen an, eine auf den ersten Wert, eine auf den letzten Wert des Zustands. d ist der Wert der gewünschten Beschränkung(en). Die Anzahl der Zeilen von d ist die gleiche wie D.
Gemäß einer vorteilhaften Ausgestaltungsform wird in Abhängigkeit von einer Auflösung des Partikelfilters ein Partikelfilterintervall bestimmt und mittels des beschränkten Kalman-Filters zusätzlich in Abhängigkeit von dem Partikelfilterintervall die Länge bestimmt. Insbesondere kann beispielsweise vorgesehen sein, dass eine Längenhypothese des Partikelfilters eine Länge von 5 m abschätzt. Sollte die Auflösung des Partikelfilters 1 m betragen, so kann als Partikelfilterintervall 4,5 m bis 5,5 m an den Kalman-Filter übergeben werden. Der beschränkte Kalman-Filter sucht beziehungsweise optimiert dann insbesondere im Bereich zwischen 4,5 m und 5,5 m, um die genaue Länge des Objekts bestimmen zu können. Insbesondere kann dadurch der große Vorteil des Partikelfilters genutzt werden, ohne die Nachteile der diskreten Auflösung und den daraus resultierenden Verlust der Genauigkeit verzeichnen zu müssen.
Weiterhin vorteilhaft ist, wenn das Objekt mittels der elektronischen Recheneinrichtung derart ausgewertet wird, dass dem Objekt eine Objektbox zugewiesen wird. Die Objektbox kann insbesondere auch als Bounding-Box bezeichnet werden. Insbesondere werden mittels der Bounding-Box dem Objekt unterschiedliche Eigenschaften als Matrizenwerte zugewiesen. Dies hat insbesondere den Vorteil, dass die Objektbox sehr einfach verarbeitet werden kann und insbesondere unterschiedliche Objekteigenschaften dem Objekt über die Objektbox zugewiesen werden können. Beispielsweise können dem Objekt sowohl ein Richtungsvektor als auch eine Geschwindigkeit als auch eine Breite sowie eine Länge zugeordnet werden. Die Objektbox kann dann wiederum der elektronischen Recheneinrichtung zur Weiterverarbeitung, beispielsweise zur Objektklassifizierung, übertragen werden, wodurch eine einfache Bestimmung unterschiedlicher Eigenschaften des Objekts und weitere Auswertemöglichkeiten für weitere Assistenzsysteme ermöglicht sind.
Ebenfalls vorteilhaft ist, wenn einer Längenhypothese mit durchgehenden Messungen innerhalb der Objektbox und keinen Messungen außerhalb der Objektbox eine höhere Wahrscheinlichkeit zugewiesen wird als einer Längenhypothese mit durchgehenden Messungen außerhalb der Objektbox und lückenhaften Messungen innerhalb der Objektbox. Mit anderen Worten wird einer Objektbox ohne lückenhaften Messungen eine höhere Wahrscheinlichkeit zugewiesen, als einer Objektbox mit lückenhaften Messungen. Sollten beispielsweise lückenhafte Messungen auftauchen, insbesondere innerhalb der Objektbox, so kann die Wahrscheinlichkeit bestimmt werden, dass das Objekt zu lange eingeschätzt wird, oder sollten Messungen außerhalb der Objektbox auftauchen, so kann abgeschätzt werden, dass die Längenschätzung des Objekts zu kurz ist. Als Ausgang des Partikelfilters wird insbesondere derjenige Partikel beziehungsweise diejenige Längenhypothese angesehen, welche die höchste Wahrscheinlichkeit hat, wobei diese dann wiederum dem Kalman-Filter als Beschränkung übertragen werden kann.
In einer weiteren vorteilhaften Ausgestaltungsform wird zur Erzeugung der zumindest zwei Längenhypothesen dem Partikelfilter mindestens eine Partikelfilterbeschränkung und/oder dem verborgenen Markovmodell mindestens eine Markovmodellbeschränkung vorgegeben. Mit anderen Worten können bereits dem Partikelfilter und/oder dem verborgenen Markovmodell unterschiedliche Beschränkungen vorgegeben werden, so dass bereits durch den Partikelfilter und/dem verborgenen Markovmodell verbessert eine Erzeugung von den zumindest zwei Längenhypothesen durchgeführt werden kann. Beispielsweise können unterschiedliche Maximalwerte für die Länge dem Partikelfilter und/oder dem verborgenen Markovmodell vorgegeben werden. Beispielsweise kann dem Partikelfilter und/oder dem verborgenen Markovmodell vorgegeben werden, dass ein Personenkraftwagen eine Länge von 5 m nicht überschreitet und eine Länge von 2 m nicht unterschreitet. Dadurch kann eine schnellere und effizientere Längenabschätzung des Objekts mittels des Partikelfilters und/oder des verborgenen Markovmodells realisiert werden.
Ebenfalls vorteilhaft ist, wenn als Partikelfilterbeschränkung eine Minimalgröße des Objekts und/oder eine Maximalgröße des Objekts und/oder dem verborgenen Markovmodell Partikelfilterbeschränkung eine Minimalgröße des Objekts und/oder eine Maximalgröße des Objekts vorgegeben werden. Somit kann eine recheneffiziente Möglichkeit geschaffen werden, die Länge des Objekts mittels des Partikelfilters und/oder des verborgenen Markovmodells zu bestimmen.
Weiterhin vorteilhaft ist, wenn als Partikelfilterbeschränkung eine maximal zulässige und/oder eine minimal zulässige relative Längenveränderung des Objekts über die Zeit und/oder dem verborgenen Markovmodell eine maximal zulässige und/oder eine minimal zulässige relative Längenveränderung des Objekts über die Zeit vorgegeben wird. Beispielsweise kann diese Strategie für ein Resampling des Partikelfilters genutzt werden und somit unterschiedliche Verhaltensweisen für den Partikelfilter vorgegeben werden, so dass eine Veränderung des Objekts über die Zeit unterhalb eines vorgegebenen Schwellwerts liegen kann. Sollte beispielsweise diese Längenveränderung des Objekts über die Zeit oberhalb dieses Schwellwerts liegen, so kann diese Längenhypothese „getötet“ werden, da diese dann oberhalb dieses Schwellwerts liegen. Somit können Längenhypothesen verworfen werden, welche nicht den geforderten Beschränkungen des Partikelfilters entsprechen. Dadurch kann sehr recheneffizient die Längenhypothese erzeugt werden, welche dann dem beschränkten Kalman-Filter übertragen wird. Ferner kann eine zuverlässige Erzeugung der Länge mittels des Partikelfilters durchgeführt werden.
Gemäß einer vorteilhaften Ausgestaltungsform wird die Umgebung mittels einer Radarsensoreinrichtung und/oder Lidarsensoreinrichtung und/oder einer Ultraschallsensoreinrichtung und/oder einer Kamera als Erfassungseinrichtung erfasst. Bevorzugt wird die Umgebung mit zumindest einer Kamera und mit zumindest einer Radarsensoreinrichtung und mit zumindest einer Lidarsensoreinrichtung erfasst. Insbesondere mittels der Radarsensoreinrichtung und mittels der Lidarsensoreinrichtung kann eine effiziente Längenabschätzung des Objekts realisiert werden. Insbesondere im zumindest teilweise autonomen Betrieb des Kraftfahrzeugs, insbesondere im vollautonomen Betrieb des Kraftfahrzeugs, kann somit eine effiziente und zuverlässige Erfassung der Umgebung durchgeführt werden. Dadurch kann die Sicherheit im Fahrbetrieb des Kraftfahrzeugs, insbesondere im autonomen Betrieb des Kraftfahrzeugs, erhöht werden.
Ebenfalls vorteilhaft ist, wenn mittels des Partikelfilters und/oder mittels des verborgenen Markovmodells eine ungefähre Länge des Objekts bestimmt wird und mittels des beschränkten Kalman-Filters die ungefähre Länge des Objekts zur Länge des Objekts verfeinert wird. Insbesondere können somit die Vorteile des Partikelfilters und/oder des verborgenen Markovmodells genutzt werden, um eine verfeinerte Bestimmung der Länge mittels des Kalman-Filters durchführen zu können. Dadurch kann auf sehr rechenkapazitätssparende Art und Weise die Bestimmung der Länge des Objekts in der Umgebung des Kraftfahrzeugs durchgeführt werden.
Weiterhin vorteilhaft ist, wenn mittels des verborgenen Markovmodells diskrete Längenhypothesen als Beschränkung für den beschränkten Kalman Filter vorgegeben werden. Jede diskrete Längenhypothese wird auf einen Modus des HMM abgebildet. Wenn r_k der Zielmodus im Zeitschritt k ist, wird die Markov-Übergangswahrscheinlichkeit bestimmt durch: $π_{i j} = P (r_{k} = j / r_{k - 1} = i)$
Diese Übergangswahrscheinlichkeitsmatrix definiert, wie einfach es für das Ziel ist, zu wachsen oder zu schrumpfen.
Es sei $μ_{k}^{j}$
die Wahrscheinlichkeit des Modus j im Zeitschritt k und n die Anzahl der Modi der HMM, so wird die Übergangsmatrix verwendet, um die Wahrscheinlichkeit jeder Hypothese im nächsten Zeitschritt aus dem Gesamtwahrscheinlichkeitssatz zu berechnen: $μ_{k / k - 1}^{j} = \sum_{i = 1}^{n} P (r_{k} = j / r_{k - 1} = i) P (r_{k - 1} = i) = \sum_{i = 1}^{n} π_{i j} μ_{k - 1}^{i}$
Die Aktualisierung der Messung wird derart durchgeführt, dass Z_o..._k die Sammlung aller Messungen bis zum Zeitschritt k ist. Mit der Bayes'schen Regel ergibt sich: $μ_{k}^{j} = P (r_{k} = j / Z_{0 \dots k,} m) = \frac{1}{c} P (Z_{k} / r_{k} = j, Z_{0 \dots k - 1}) P (r_{k} = j / Z_{0 \dots k - 1}) = \frac{1}{c} λ_{k}^{j} μ_{k / k - 1}^{j}$
Der Normierungsfaktor kann beispielsweise $\sum_{j = 1}^{n} μ_{k}^{j} = 1$
sein. $λ_{k}^{j}$
ist die Wahrscheinlichkeit der Messung des Modus j im Zeitschritt k, und drückt aus, wie gut die vom Sensor in diesem Zeitschritt verfügbaren Messungen mit der Länge des Objekts für diesen Modus übereinstimmen. Um ein gutes Modell zu erhalten, ist vorgesehen, die Verteilung der Detektionen über die Länge des Objekts zu betrachten. Wenn die Detektionen über die gesamte Länge ohne große Lücken gut verteilt sind, ist eine gute Wahrscheinlichkeit zu erawrten. Im Gegenteil dazu, wenn die Detektionen eine riesige Lücke aufweisen, soll dies „bestraft“ werden. Das Objekt wird in diskrete Bins, welche eine Auflösung beschreiben, aufgeteilt, wodurch das Modell daher auf dem Vorhandensein von mindestens einer Detektion in diesen Bin basiert.
Gemäß einer weiteren vorteilhaften Ausgestaltungsform können die Längenhypothesen mit einer jeweiligen vordefinierten Auflösung vorgegeben werden. Es werden Längen mit einer festen Auflösung bestimmt, da die Methode rechnerisch sehr effizient ist und einen geringen Speicherverbrauch hat, kann eine Auflösung verwendet werden, die hoch genug für die Funktionalität ist, beispielsweis 25 cm.
Für jeden Bin wird eine Erkennungswahrscheinlichkeit beziehungsweise Detektionswahrscheinlichkeit P_D und eine Fehlalarmwahrscheinlichkeit P_FA definiert. Befindet sich dieser Bin innerhalb des Objekts, ist die Wahrscheinlichkeit dieses Bins P_D, wenn dieser Bin mit mindestens einer Messung belegt ist. Die Wahrscheinlichkeit ist 1 - P_D, wenn der Bin leer ist. Wenn sich dieser Bin außerhalb des Objekts befindet, ist die Wahrscheinlichkeit dieses Bins P_FA, wenn dieser Bin mit mindestens einer Messung belegt ist. Die Wahrscheinlichkeit ist 1 - P_FA, wenn der Bin leer ist. Die Bins werden als unabhängig voneinander betrachtet und die Gesamtwahrscheinlichkeit entspricht daher dem Produkt der Wahrscheinlichkeit jedes Bins, wobei der erste und der letzte Bin eine Ausnahme bilden.
Um große Lücken im Cluster zu bestrafen, ist die Wahrscheinlichkeit eines Fehlalarms auf einen Wert zu setzen, der deutlich kleiner als die Entdeckungswahrscheinlichkeit ist. Es ist nicht immer möglich, dass der Korrelationsfaktor die Objektbox in die gewünschte Richtung wachsen lässt. In einigen Fällen, wenn der Korrelationsfaktor nicht genau 1 oder -1 beträgt, wird die Objektbox auf beiden Seiten teilweise wachsen. Es kann daher vorkommen, dass die Objektbox auf einer Seite sehr stark wächst, und auf der anderen Seite einige Detektionen vernachlässigt. Hierbei liegt das Problem in der Hypothese der Unabhängigkeit der Bins. Es kann nicht wahrscheinlich sein, dass das Objekt wächst, wenn sowohl der erste als auch der letzte Bin nicht erkannt werden. Daher muss bei den Modi, die eine größere Länge als die aktuelle MAP-Schätzung haben, eine schwere Strafe verhängt werden, wenn sowohl der erste als auch der letzte Bin nicht belegt sind.
Es kann somit eine niedrigere Fehlalarmrate und eine geringere Entdeckungswahrscheinlichkeit für größere Lücken im Cluster gezeigt werden. Je höher die Entdeckungswahrscheinlichkeit ist, desto schneller sinkt die Wahrscheinlichkeit in einen leeren Bin innerhalb des Objekts aufgrund des 1 - P_D-Malus. Je niedriger die Fehlalarmrate, desto geringer ist auch die Wahrscheinlichkeit, dass Entdeckungen aufgrund des P_FA-Malus außerhalb der Objektbox liegen.
In einer weiteren vorteilhaften Ausgestaltungsform werden die Längenhypothesen mit einer Auflösung von 10cm, insbesondere 15 cm, insbesondere 20cm, insbesondere 25cm, insbesondere 30cm, insbesondere 35 cm, insbesondere 40cm, vorgegeben. Somit können unterschiedliche Längenhypothesen erzeugt werden, so dass insbesondere unterschiedliche Objekte in der Umgebung zuverlässige erfasst werden können. Besonders bevorzugt ist eine Auflösung von 25cm anzusehen.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogrammprodukt mit Programmcodemitteln, welche in einem computerlesbaren Medium gespeichert sind, um das Verfahren zum Bestimmen einer Länge eines Objekts mittels des Assistenzsystems nach dem vorhergehenden Aspekt durchzuführen, wenn das Computerprogrammprodukt auf einem Prozessor einer elektronischen Recheneinrichtung abgearbeitet wird.
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.
Ein nochmals weiterer Aspekt der Erfindung betrifft ein Assistenzsystem zur Bestimmung einer Länge eines Objekts in einer Umgebung eines Kraftfahrzeugs für das Kraftfahrzeug, mit zumindest einer elektronischen Recheneinrichtung, welche zumindest ein Partikelfilter und einen beschränkten Kalman-Filter aufweist, wobei das Assistenzsystem zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels des Assistenzsystems durchgeführt.
Ein nochmals weiterer Aspekt der Erfindung betrifft ein Kraftfahrzeug mit einem Assistenzsystem nach dem vorhergehenden Aspekt. Das Kraftfahrzeug ist insbesondere als Personenkraftwagen ausgebildet. Ferner ist das Kraftfahrzeug insbesondere zumindest teilweise autonom, insbesondere vollautonom, ausgebildet.
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.
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.
Die Erfindung wird nun anhand von bevorzugten Ausführungsbeispielen sowie unter Bezugnahme auf die beigefügten Zeichnungen näher erläutert.
Dabei zeigen:

1 eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs mit einer Ausführungsform eines Assistenzsystems; und
2 eine schematische Ausführungsform des Assistenzsystems.

In den Figuren sind gleiche oder funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen.
1 zeigt in einer schematischen Draufsicht eine Ausführungsform eines Kraftfahrzeugs 1 mit einer Ausführungsform eines Assistenzsystems 2. Das Assistenzsystem 2 weist eine elektronische Recheneinrichtung 3 auf, wobei die elektronische Recheneinrichtung 3 einen Partikelfilter 4 sowie einen beschränkten Kalman-Filter 5 aufweist. Das Kraftfahrzeug 1 weist insbesondere eine Erfassungseinrichtung 6 auf. Die Erfassungseinrichtung 6 kann als Ultraschallsensoreinrichtung und/oder als Radarsensoreinrichtung und/oder als Lidarsensoreinrichtung und/oder als Kamerasensoreinrichtung ausgebildet sein.
Bevorzugt ist die Erfassungseinrichtung 6 als Kamera ausgebildet. Mittels der Erfassungseinrichtung 6 kann eine Umgebung 7 des Kraftfahrzeugs 1 erfasst werden. Insbesondere kann ein Objekt 8 in der Umgebung 7 des Kraftfahrzeugs 1 erfasst werden. Insbesondere ist es ermöglicht, dass mittels des Assistenzsystems 2 eine Länge L des Objekts 8 bestimmt werden kann.
Das Kraftfahrzeug 1 kann noch weitere Assistenzsysteme aufweisen, welche beispielsweise für den vollautonomen Betrieb des Kraftfahrzeugs 1 ausgebildet sein können. Die bestimmte Länge L des Objekts 8 kann dann diesen weiteren Assistenzsystemen zur weiteren Verarbeitung übertragen werden.
2 zeigt ein schematisches Blockschaltbild einer Ausführungsform des Assistenzsystems 2. Insbesondere zeigt die 2, wie mit einem Verfahren zur Bestimmung der Länge L des Objekts 8 in der Umgebung 7 des Kraftfahrzeugs 1 mittels des Assistenzsystems 2 des Kraftfahrzeugs 1 die Länge L bestimmt werden kann. Insbesondere wird mittels der Erfassungseinrichtung 6 des Assistenzsystems 2 das Objekt 8 erfasst und zur Auswertung an die elektronische Recheneinrichtung Recheneinheit 3 übertragen.
Es werden zumindest zwei Längenhypothesen L1, L2 zur Länge L des Objekts 8 mittels des Partikelfilters 4 der elektronischen Recheneinrichtung 3 oder mittels eines verborgenes Markovmodells 13 der elektronischen Recheneinrichtung 3 erzeugt und diejenige Längenhypothese L1, L2 mit der größten Wahrscheinlichkeit dem beschränkten Kalman-Filter 5 als Beschränkung 9 übergeben, und mittels des beschränkten Kalman-Filters 5 wird in Abhängigkeit von der übergebenen Längenhypothese L1, L2 die Länge L des Objekts 8 bestimmt.
Insbesondere kann vorgesehen sein, dass in Abhängigkeit von einer Auflösung des Partikelfilters 4 ein Partikelfilterintervall 10 bestimmt wird und mittels des beschränkten Kalman-Filters 5 zusätzlich in Abhängigkeit von dem Partikelfilterintervall 10 die Länge L bestimmt wird. Beispielsweise kann vorgesehen sein, dass vom Partikelfilter 4 und/oder von dem verborgenen Markovmodell 13 eine Länge L für das Objekt 8 von 5 m als eine der Längenhypothesen L1, L2 vorgegeben wird. Die Auflösung des Partikelfilters 4 kann beispielsweise 1 m betragen. Das Partikelfilterintervall 10 wird dann von 4, 5 m bis 5,5 m dem beschränkten Kalman-Filter 5 vorgegeben, so dass der beschränkte Kalman-Filter 5 innerhalb dieses Längenintervalls die Länge L bestimmt.
Weiterhin kann vorgesehen sein, dass das Objekt 8 mittels der elektronischen Recheneinrichtung 3 derart ausgewertet wird, dass dem Objekt 8 eine Objektbox zugewiesen wird, wobei insbesondere einer Längenhypothese L1, L2 mit durchgehenden Messungen innerhalb der Objektbox und keinen Messungen außerhalb der Objektbox eine höhere Wahrscheinlichkeit zugewiesen wird als einer Längenhypothese L1, L2 mit durchgehenden Messungen außerhalb der Objektbox und lückenhaften Messungen innerhalb der Objektbox. Die Objektbox kann insbesondere auch als Bounding-Boxx bezeichnet werden.
Ferner zeigt die 2 insbesondere, dass zur Erzeugung der zumindest zwei Längenhypothesen L1, L2, wobei insbesondere auch eine Vielzahl, also insbesondere mehr als zwei, von Längenhypothesen L1, L2 vorgesehen sein können, dem Partikelfilter 4 mindestens eine Partikelfilterbeschränkung 11, 12 und/oder dem verborgenen Markovmodell 13 mindestens eine Markovmodellbeschränkung vorgegeben werden kann, wobei als eine erste Partikelfilterbeschränkung 11 und/oder als Markovmodellbeschränkung beispielsweise eine Minimalgröße des Objekts 8 und/oder eine Maximalgröße des Objekts 8 vorgegeben werden kann und beispielsweise als zweite Partikelfilterbeschränkung 12 und/oder als Markovmodellbeschränkung eine maximal zulässige und/oder minimal zulässige relative Längenveränderung des Objekts 8 über die Zeit vorgegeben werden kann. Es ist selbstverständlich, dass auch weitere Partikelfilterbeschränkungen 11, 12 vorgegeben werden können. Die beschriebenen Partikelfilterbeschränkungen 11, 12 gelten analog für die Markovmodellbeschränkungen.
Insbesondere ist vorgesehen, dass durch den Partikelfilter 4 und/oder durch das verborgenen Markovmodell 13 eine ungefähre Länge L des Objekts 8 bestimmt wird und mittels des beschränkten Kalman-Filters 5 die ungefähre Länge L des Objekts 8 zur Länge L des Objekts 8 verfeinert wird.
Insbesondere ist somit eine Verbesserung der Längenabschätzung mittels des Kalman-Filters 5 vorgeschlagen, welche in Kombination mit dem Partikelfilter 4 und/oder dem verborgenen Markovmodell 13 ein ähnliches Verhalten wie ein Rao-Blackwellized-Filter aufruft, wobei erfindungsgemäß gegenüber dem Rao-Blackwellized-Filter eine deutlich geringere Rechenkapazität und Rechenzeit benötigt wird. Eine Vielzahl von Längenhypothesen L1, L2 können mit der diskreten Wahrscheinlichkeit im Partikelfilter 4 assoziiert werden. Um nun die Wahrscheinlichkeit eines jeden Partikels im Partikelfilter 4 zu berechnen, ist es nicht notwendig, die Längenhypothesen L1, L2 individuell nachzuverfolgen. Es ist ausreichend, die Längenhypothesen L1, L2 dem beschränkten Kalman-Update zu übergeben, um die entsprechende Länge L zu erhalten und die Wahrscheinlichkeit zu bestimmen. Die Wahrscheinlichkeit kann aus jeglichen passenden metrischen Daten bestehen.
Als Ausgangssignal wird diejenige Längenhypothese L1, L2 gewählt, welche die höchste Wahrscheinlichkeit im Partikel hat, und diese wird dann dem beschränkten Kalman-Filter 5 als Update übergeben. Ferner können dem Partikelfilter 4 mehrere Partikelfilterbeschränkungen 11, 12 und/oder dem verborgenen Markovmodell 13 mehrere Markovmodellbeschränkungen vorgegeben werden, so dass eine verbesserte Bestimmung der Länge L ermöglicht ist.
Bevorzugt ist insbesondere vorgesehen, dass mittels des Partikelfilters 4 und/oder mittels des verborgenen Markovmodells 13 die ungefähre Länge L mit der maximalen Wahrscheinlichkeit dem Kalman-Filter 5 zur Verfeinerung der Länge L vorgegeben wird, wobei dies insbesondere innerhalb des Partikelfilterintervalls 10 durchgeführt wird. Sollte beispielsweise der Partikelfilter 4 die Längenhypothese L1, L2 mit der höchsten Wahrscheinlichkeit auf 5 m abschätzen und die Auflösung 1 m sein, so kann dies dem beschränkten Kalman-Filter 5 als weitere Beschränkung für den Ausgang vorgegeben werden, dass der Kalman-Filter 5 im Intervall von 4,5 m bis 5,5 sucht, jedoch innerhalb dieses Intervalls frei optimieren kann und somit die Länge L bestimmen kann. Mittels dieser Methode ist es ermöglicht, dass die vollen Vorteile des Partikelfilters 4 genutzt werden können, ohne jedoch die Resolutionseinschränkungen des Partikelfilters 4 bei der Bestimmung der Länge L zu nutzen.
Insbesondere kann somit eine Vor-Klassifizierung des Objekts 8 mittels des Partikelfilters 4 und/oder des verborgenen Markovmodells 13 durchgeführt werden, um eine Länge L des Objekts 8 abzuschätzen. Der Kalman-Filter 5 filtert insbesondere über die Zeit, wobei eine Wahrscheinlichkeit, insbesondere durch empirische Versuche, vorgegeben wird. Durch die Filterung mittels des Partikelfilters 4 und/oder des verborgenen Markovmodells 13 kann insbesondere eine Mindestlänge und/oder eine Maximallänge für das Objekt 8 vorgegeben werden. Der Kalman-Filter 5 arbeitet dann wiederum unter einer Bedingung beziehungsweise Beschränkung 9, wobei diese Beschränkung 9 für den Kalman-Filter 5 die Ausgabe des Partikelfilters 4 und/oder des verborgenen Markovmodells 13 ist.
Insbesondere kann mittels der nachfolgenden Formel unter der Bedingung D*x=d die Filterung mittels des beschränkten Kalman-Filters 5 durchgeführt werden: $λ = {(D P_{n} D^{T})}^{- 1} D (\hat{x_{n}} - \tilde{x}) = {(D P_{n} D^{T})}^{- 1} (D \hat{x_{n}} - d)$
Hierdurch entsteht die Beschränkung 9 als Schätzung: $P_{n}^{- 1} (\tilde{x} - \hat{x_{n}}) + D^{T} λ = 0 \Leftrightarrow \tilde{x} - \hat{x_{n}} + P_{n} D^{T} λ = 0$
$\Leftrightarrow \tilde{x} = \hat{x_{n}} - P_{n} D^{T} λ = \hat{x_{n}} - P_{n} D^{T} {(D P_{n} D^{T})}^{- 1} (D \hat{x_{n}} - d)$
, wobei λ dem Langrage-Multiplikator entspricht und wird typischerweise verwendet, um die Lösung eines Least-Square-Problems mit einer Nebenbedingung zu finden. x̃ beschreibt die neue Schätzung unter Berücksichtigung der Beschränkung 9. $\hat{x_{n}}$
entspricht der Erwartung der Schätzung ohne Berücksichtigung der Beschränkung 9, also dem Ergebnis des Kalman-Filters 5. P_n ist die Kovarianzmatrix der Schätzung ohne Berücksichtigung der Beschränkung 9, also dem Ergebnis des Kalman-Filters 5. D ist die Matrix, die die lineare Beschränkung 9 auf den Zustand angibt, beispielsweise wenn nur ein bestimmter Wert des Zustands an einen festen Wert gebunden werden soll, D=[0,0,0,1], wenn dies der vierte Wert des Zustands ist. D kann auch verwendet werden, um eine Beschränkung 9 auf eine lineare Kombination der Zustandsparameter zu spezifizieren, beispielsweise wird D=[1,0,0,0,0.5] eine Beschränkung 9 auf die erste Komponente des Zustands plus die Hälfte der letzten Komponente spezifizieren. Es können mehrere lineare Beschränkungen 9 gleichzeitig angegeben werden, dann hat D mehrere Zeilen, wie beispielsweise D=[0,0,0,1; 1,0,0,0,0] gibt zwei Beschränkungen 9 an, eine auf den ersten Wert, eine auf den letzten Wert des Zustands. d ist der Wert der gewünschten Beschränkung(en) 9. Die Anzahl der Zeilen von d ist die gleiche wie D.
Ein weiterer nicht gezeigter Aspekt der Erfindung betrifft ein Computerprogrammprodukt mit Programmcodemitteln, welche in einem computerlesbaren Medium gespeichert sind, um das Verfahren zum Bestimmen einer Länge L eines Objekts 8 mittels des Assistenzsystems 2 durchzuführen, wenn das Computerprogrammprodukt auf einem Prozessor einer elektronischen Recheneinrichtung 3 abgearbeitet wird.
Ein nochmals nicht dargestellter Aspekt der Erfindung betrifft ein computerlesbares Speichermedium mit einem Computerprogrammprodukt. Das Computerlesbare Speichermedium kann insbesondere als Teil der elektronischen Recheneinrichtung 3 ausgebildet sein.
Anstelle des Partikelfilters 4 kann auch das verborgene Markovmodel 13, welches auch als Hidden-Markov-Modells (HMM) bezeichnet wird, genutzt werden. Es besteht ebenfalls aus diskreten Hypothesen über die Länge des Objekts 8, jedoch ohne Resampling. Es werden Längen mit einer festen Auflösung bestimmt, da die Methode rechnerisch sehr effizient ist und einen geringen Speicherverbrauch hat, kann eine Auflösung verwendet werden, die hoch genug für die Funktionalität ist, beispielsweis 25 cm. Jede diskrete Längenhypothese L1, L2 wird auf einen Modus des HMM abgebildet. Wenn r_k der Zielmodus im Zeitschritt k ist, wird die Markov-Übergangswahrscheinlichkeit bestimmt durch: $π_{i j} = P (r_{k} = j / r_{k - 1} = i)$
Diese Übergangswahrscheinlichkeitsmatrix definiert, wie einfach es für das Ziel ist, zu wachsen oder zu schrumpfen.
Es sei $μ_{k}^{j}$
die Wahrscheinlichkeit des Modus j im Zeitschritt k und n die Anzahl der Modi der HMM, so wird die Übergangsmatrix verwendet, um die Wahrscheinlichkeit jeder Längenhypothese L1, L2 im nächsten Zeitschritt aus dem Gesamtwahrscheinlichkeitssatz zu berechnen: $μ_{k / k - 1}^{j} = \sum_{i = 1}^{n} P (r_{k} = j / r_{k - 1} = i) P (r_{k - 1} = i) = \sum_{i = 1}^{n} π_{i j} μ_{k - 1}^{i}$
Die Aktualisierung der Messung wird derart durchgeführt, dass Z_o..._k die Sammlung aller Messungen bis zum Zeitschritt k ist. Mit der Bayes'schen Regel ergibt sich: $μ_{k}^{j} = P (r_{k} = j / Z_{0 \dots k}, m) = \frac{1}{c} P (Z_{k} / r_{k} = j, Z_{0 \dots k - 1}) P (Z_{k} / r_{k} = j, Z_{0 \dots k - 1}) = \frac{1}{c} λ_{k}^{j} μ_{k / k - 1}^{j}$
Der Normierungsfaktor kann beispielsweise $\sum_{j = 1}^{n} μ_{k}^{j} = 1$
sein. $λ_{k}^{j}$
ist die Wahrscheinlichkeit der Messung des Modus j im Zeitschritt k, und drückt aus, wie gut die vom Sensor in diesem Zeitschritt verfügbaren Messungen mit der Länge des Objekts 8 für diesen Modus übereinstimmen. Um ein gutes Modell zu erhalten, ist vorgesehen, die Verteilung der Detektionen über die Länge des Objekts 8 zu betrachten. Wenn die Detektionen über die gesamte Länge ohne große Lücken gut verteilt sind, ist eine gute Wahrscheinlichkeit zu erwarten. Im Gegenteil dazu, wenn die Detektionen eine riesige Lücke aufweisen, soll dies „bestraft“ werden. Das Objekt 8 wird in diskrete Bins, wobei die Bins der Auflösung entsprechen, aufgeteilt wodurch das Modell daher auf dem Vorhandensein von mindestens einer Detektion in diesen Bin basiert.
Für jeden Bin wird eine Erkennungswahrscheinlichkeit beziehungsweise Detektionswahrscheinlichkeit P_D und eine Fehlalarmwahrscheinlichkeit P_FA definiert. Befindet sich dieser Bin innerhalb des Objekts 8, ist die Wahrscheinlichkeit dieses Bins P_D, wenn dieser Bin mit mindestens einer Messung belegt ist, und es entspricht die Wahrscheinlichkeit 1 - P_D, wenn der Bin leer ist. Wenn sich dieser Bin außerhalb des Objekts 8 befindet, ist die Wahrscheinlichkeit dieses Bins P_FA, wenn dieser Bin mit mindestens einer Messung belegt ist, und die Wahrscheinlichkeit ist 1 - P_FA, wenn der Bin leer ist. Die Bins werden als unabhängig voneinander betrachtet und die Gesamtwahrscheinlichkeit entspricht daher dem Produkt der Wahrscheinlichkeit jedes Bins, wobei der erste und der letzte Bin eine Ausnahme bilden.
Um große Lücken im Cluster zu bestrafen, ist die Wahrscheinlichkeit eines Fehlalarms auf einen Wert zu setzen, der deutlich kleiner als die Entdeckungswahrscheinlichkeit ist. Es ist nicht immer möglich, dass der Korrelationsfaktor die Objektbox in die gewünschte Richtung wachsen lässt. In einigen Fällen, wenn der Korrelationsfaktor nicht genau 1 oder -1 beträgt, wird die Objektbox auf beiden Seiten teilweise wachsen. Es kann daher vorkommen, dass die Objektbox auf einer Seite sehr stark wächst, und auf der anderen Seite einige Entdeckungen vernachlässigt. Hierbei liegt das Problem in der Hypothese der Unabhängigkeit der Bins. Es kann nicht wahrscheinlich sein, dass das Objekt 8 wächst, wenn sowohl der erste als auch der letzte Bin nicht erkannt werden. Daher muss bei den Modi, die eine größere Länge als die aktuelle MAP-Schätzung haben, eine schwere Strafe verhängt werden, wenn sowohl der erste als auch der letzte Bin nicht belegt sind.
Es kann somit eine niedrigere Fehlalarmrate und eine geringere Entdeckungswahrscheinlichkeit größere Lücken im Cluster gezeigt werden. Je höher die Entdeckungswahrscheinlichkeit ist, desto schneller sinkt die Wahrscheinlichkeit in einen leeren Bin innerhalb des Objekts 8 aufgrund des 1 - P_D-Malus. Je niedriger die Fehlalarmrate, desto geringer ist auch die Wahrscheinlichkeit, dass Entdeckungen aufgrund des P_FA-Malus außerhalb der Objektbox liegen.
Insgesamt zeigen die Figuren eine beschränkte Kalman-Verstärkung für eine verbesserte Längenabschätzung für länglich ausgebildete Objekte 8.

Claims

Verfahren zum Bestimmen einer Länge (L) eines Objekts (8) in einer Umgebung (7) eines Kraftfahrzeugs (1) mittels eines Assistenzsystems (2) des Kraftfahrzeugs (1), bei welchem mittels einer Erfassungseinrichtung (6) des Assistenzsystems (2) das Objekt (8) erfasst wird und zur Auswertung an eine elektronische Recheneinrichtung (3) des Assistenzsystems (2) übertragen wird, dadurch gekennzeichnet, dass zumindest zwei Längenhypothesen (L1, L2) zur Länge des Objekts (8) mittels eines Partikelfilters (4) der elektronischen Recheneinrichtung (3) oder mittels eines verborgenes Markovmodells (13) der elektronischen Recheneinrichtung (3) erzeugt werden und diejenige Längenhypothese (L1, L2) mit einer größten Wahrscheinlichkeit einem beschränkten Kalman-Filter (5) der elektronischen Recheneinrichtung (3) als Beschränkung (9) übergeben wird und mittels des beschränkten Kalman-Filters (5) in Abhängigkeit von der übergebenen Längenhypothese (L1, L2) die Länge (L) des Objekts (8) bestimmt wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in Abhängigkeit von einer Auflösung des Partikelfilters (4) ein Partikelfilterintervall (10) bestimmt wird und mittels des beschränkten Kalman-Filters (5) zusätzlich in Abhängigkeit von dem Partikelfilterintervall (10) die Länge (L) bestimmt wird.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Objekt (8) mittels der elektronischen Recheneinrichtung (3) derart ausgewertet wird, dass dem Objekt (8) eine Objektbox zugewiesen wird.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass einer Längenhypothese (L1, L2) mit durchgehenden Messungen innerhalb der Objektbox und keinen Messungen außerhalb der Objektsbox eine höhere Wahrscheinlichkeit zugewiesen wird als einer Längenhypothese (L1, L2) mit durchgehenden Messungen außerhalb der Objektbox und lückenhaften Messungen innerhalb der Objektbox.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Erzeugung der zumindest zwei Längenhypothesen (L1, L2) dem Partikelfilter (4) mindestens eine Partikelfilterbeschränkung (11, 12) und/oder dem verborgenen Markovmodell (13) mindestens eine Markovmodellbeschränkung vorgegeben wird.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass als Partikelfilterbeschränkung (11, 12) eine Minimalgröße des Objekts (8) und/oder eine Maximalgröße des Objekts (8) und/oder als Markovmodellbeschränkung eine Minimalgröße des Objekts (8) und/oder eine Maximalgröße des Objekts (8) vorgegeben werden.
Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass als Partikelfilterbeschränkung (11, 12) eine maximal zulässige und/oder eine minimal zulässige relative Längenveränderung des Objekts (8) über die Zeit und/oder als Markovmodellbeschränkung eine maximal zulässige und/oder eine minimal zulässige relative Längenveränderung des Objekts (8) über die Zeit vorgegeben wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Umgebung (7) mittels einer Radarsensoreinrichtung und/oder einer Lidarsensoreinrichtung und/oder einer Ultraschallsensoreinrichtung und/oder einer Kamera als Erfassungseinrichtung (6) erfasst wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels des Partikelfilters (4) und/oder mittels des verborgenen Markovmodells (13) eine ungefähre Länge (L) des Objekts (8) bestimmt wird und mittels des beschränkten Kalman-Filters (5) die ungefähre Länge (L) des Objekts (8) zur Länge des Objekts (8) verfeinert wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels des verborgenen Markovmodells (13) diskrete Längenhypothesen (L1, L2) als Beschränkung für den beschränkten Kalman Filter (5) vorgegeben werden.
Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass die Längenhypothesen (L1, L2) mit einer jeweiligen vordefinierten Auflösung vorgegeben werden.
Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass die Längenhypothesen (L1, L2) mit einer Auflösung von 10cm, insbesondere 15cm, insbesondere 20cm, insbesondere 25cm, insbesondere 30cm, insbesondere 35cm, insbesondere 40cm, vorgegeben werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Beschränkung (9) als Schätzung entsteht mittels: $\tilde{x} = \hat{x_{n}} - P_{n} D^{T} λ = \hat{x_{n}} - P_{n} D^{T} {(D P_{n} D^{T})}^{- 1} (D \hat{x_{n}} - d),$
wobei λ dem Langrage-Multiplikator entspricht, x̃ die neue Schätzung unter Berücksichtigung der Beschränkung (9) beschreibt, $\hat{x_{n}}$
der Erwartung der Schätzung ohne Berücksichtigung der Beschränkung (9) entspricht, P_n die Kovarianzmatrix der Schätzung ohne Berücksichtigung der Beschränkung (9) ist, D die Matrix, die die lineare Beschränkung auf einen Zustand x angibt, ist, und d der Wert der gewünschten Beschränkung(en) ist.
Computerprogrammprodukt Programmcodemitteln, welche in einem computerlesbaren Medium gespeichert sind, um das Verfahren nach einem der vorhergehenden Ansprüche 1 bis 13 durchzuführen, wenn das Computerprogrammprodukt auf einem Prozessor einer elektronischen Recheneinrichtung (3) abgearbeitet wird.
Computerlesbares Speichermedium mit einem Computerprogrammprodukt nach Anspruch 14.
Assistenzsystem (2) zur Bestimmung einer Länge (L) eines Objekts (8) in einer Umgebung (7) eines Kraftfahrzeugs (1) für das Kraftfahrzeug (1), mit zumindest einer Erfassungseinrichtung (6) und einer elektronischen Recheneinrichtung (3), welche zumindest einen Partikelfilter (4) oder ein verborgenes Markovmodell (13) und einen beschränkten Kalman-Filter (5) aufweist, wobei das Assistenzsystem (2) zum Durchführen eines Verfahrens nach einem der Ansprüche 1 bis 13 ausgebildet ist.