DE102020131995A1 - Validator for a position determination - Google Patents
Validator for a position determination Download PDFInfo
- Publication number
- DE102020131995A1 DE102020131995A1 DE102020131995.9A DE102020131995A DE102020131995A1 DE 102020131995 A1 DE102020131995 A1 DE 102020131995A1 DE 102020131995 A DE102020131995 A DE 102020131995A DE 102020131995 A1 DE102020131995 A1 DE 102020131995A1
- Authority
- DE
- Germany
- Prior art keywords
- outputs
- information
- signal
- validator
- predetermined
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
Ein Validator für N voneinander unabhängige Informationen, die auf eine geografische Position hinweisen, weist N Eingänge für die Informationen und M Ausgänge auf. Der Validator ist mittels maschinellen Lernens darauf trainiert, genau dann an einem der Ausgänge ein vorbestimmtes Signal bereitzustellen, wenn eine der Informationen schlechter als ein vorbestimmtes Maß zu einer vorbestimmten Positionshypothese passt. Ferner ist der Validator darauf trainiert, ein inkorrekt ausbleibendes Signal an zwei oder mehr Ausgängen zu vermeiden.A validator for N independent pieces of information indicative of a geographic location has N inputs for the information and M outputs. Using machine learning, the validator is trained to provide a predetermined signal at one of the outputs precisely when one of the pieces of information matches a predetermined position hypothesis less than a predetermined level. Furthermore, the validator is trained to avoid an incorrect missing signal on two or more outputs.
Description
Die Erfindung betrifft die Bestimmung einer geografischen Position eines Fahrzeugs. Insbesondere betrifft die Erfindung die Absicherung der Positionsbestimmung gegen mögliche Fehler.The invention relates to determining a geographic position of a vehicle. In particular, the invention relates to safeguarding the position determination against possible errors.
Ein Fahrzeug kann einen Fahrassistenten aufweisen, der dazu eingerichtet ist, eine Längs- oder Quersteuerung des Fahrzeugs zu beeinflussen. Beispielsweise kann ein Fahrspurassistent dazu eingerichtet sein, das Fahrzeug lateral zwischen Fahrbahnmarkierungen zu halten, die mittels einer Kamera abgetastet und automatisch erkannt werden können.A vehicle can have a driving assistant that is set up to influence a longitudinal or lateral control of the vehicle. For example, a lane assistant can be set up to keep the vehicle laterally between lane markings that can be scanned by a camera and automatically recognized.
Viele Fahrassistenten erfordern die Kenntnis einer genauen Position des Fahrzeugs. Die Position kann in Längs- und/oder Querrichtung bestimmt und bezüglich eines vorbestimmten Referenzpunkts ausgedrückt werden. Eine absolute geografische Position kann beispielsweise bezüglich eines vorbestimmten geodätischen Referenzsystems wie dem WGS 84 bestimmt werden. Eine relative Position des Fahrzeugs kann beispielsweise in Querrichtung bezüglich einer erkannten Fahrspurmarkierung angegeben werden.Many driving assistants require knowledge of an exact position of the vehicle. The position can be determined in the longitudinal and/or transverse direction and expressed with respect to a predetermined reference point. An absolute geographic position may be determined with respect to a predetermined geodetic reference system such as the WGS 84, for example. A relative position of the vehicle can be specified, for example, in the transverse direction with respect to a recognized lane marking.
Die Bestimmung der Position des Fahrzeugs unterliegt üblicherweise einer Reihe von Fehlern und Ungenauigkeiten. Sensoren stellen beispielsweise verrauschte und/oder verfälschte Informationen bereit oder können gelegentlich ganz ausfallen. Unterschiedliche Messbedingungen oder komplexe Verarbeitungsheuristiken führen zu unterschiedlich genauen oder verlässlichen Bestimmungen. Wird das Fahrzeug auf der Basis einer solchermaßen bestimmten Position gesteuert, kann die Sicherheit des Fahrzeugs oder eines Insassen gefährdet sein.The determination of the position of the vehicle is usually subject to a number of errors and inaccuracies. For example, sensors provide noisy and/or corrupted information, or may occasionally fail altogether. Different measurement conditions or complex processing heuristics lead to different degrees of accuracy or reliability. If the vehicle is controlled based on such a determined position, the safety of the vehicle or an occupant may be compromised.
In
Eine Einschränkung dieser Technik besteht darin, dass die einzelnen Validatoren voneinander statistisch unabhängig sein müssen, um einen theoretischen oder formalen Nachweis einer vorbestimmten maximalen Fehlerwahrscheinlichkeit zu erlauben. Komplexere Methoden, die mehrere miteinander verschränkte Validierungen durchführen, können daher nicht angewandt werden.A limitation of this technique is that the individual validators must be statistically independent of one another in order to allow theoretical or formal proof of a predetermined maximum error probability. More complex methods that carry out several interlinked validations cannot therefore be used.
Eine der Erfindung zugrunde liegende Aufgabe besteht darin, eine verbesserte Positionsbestimmung für ein Fahrzeug zu ermöglichen. Die Erfindung löst die Aufgabe mittels der Gegenstände der unabhängigen Ansprüche. Unteransprüche geben bevorzugte Ausführungsformen wieder.An object on which the invention is based is to enable improved position determination for a vehicle. The invention solves the problem by means of the subject matter of the independent claims. Subclaims reflect preferred embodiments.
Ein erster Aspekt der vorliegenden Erfindung betrifft einen Validator für N voneinander unabhängige Informationen, die auf eine geografische Position hinweisen. Der Validator weist N Eingänge für die Informationen und M Ausgänge auf und ist mittels maschinellen Lernens darauf trainiert, genau dann an einem der Ausgänge ein vorbestimmtes Signal bereitzustellen, wenn eine der Informationen schlechter als ein vorbestimmtes Maß zu einer vorbestimmten Positionshypothese passt. Ferner ist der Validator darauf trainiert, ein inkorrekt ausbleibendes Signal an zwei oder mehr Ausgängen zu vermeiden.A first aspect of the present invention relates to a validator for N mutually independent pieces of information indicative of a geographical position. The validator has N inputs for the information and M outputs and is trained by means of machine learning to provide a predetermined signal at one of the outputs precisely when one of the pieces of information matches a predetermined position hypothesis worse than a predetermined degree. Furthermore, the validator is trained to avoid an incorrect missing signal on two or more outputs.
Der Validator ist dazu eingerichtet, zu bestimmen, ob die Informationen ausreichend gut zur Positionshypothese passen oder nicht. Vorliegend wird ein Signal bereitgestellt, das auf eine nicht ausreichend gut passende Information hinweist; passt die Information hingegen zur Positionshypothese, so wird kein Signal ausgegeben. Ein umgekehrtes Verhalten, bei dem ein Signal ausgegeben wird, das auf ausreichend gut passende Informationen hinweist, wobei ein ausbleibendes Signal auf eine größere Abweichung der Information von der Positionshypothese hinweist, kann in entsprechender Weise implementiert werden.The validator is configured to determine whether or not the information fits the position hypothesis sufficiently well. Here a signal is provided which indicates insufficiently good matching information; If, on the other hand, the information matches the position hypothesis, no signal is output. An inverse behavior, in which a signal is output that indicates sufficiently good matching information, with no signal indicating a larger deviation of the information from the position hypothesis, can be implemented in a corresponding manner.
Durch das zusätzliche Lernziel der Vermeidung mehrerer „false positive“ Bestimmungen können die an den verschiedenen Ausgängen bereitgestellten Signale weitgehend voneinander statistisch unabhängig gemacht werden. So kann jeder Ausgang als separater Validator angesehen werden, dessen Fehlerwahrscheinlichkeit einzeln bestimmt werden kann. Eine gesamte Fehlerwahrscheinlichkeit des Validators kann als Produkt der einzelnen Fehlerwahrscheinlichkeiten bestimmt werden. So kann nachgewiesen werden, dass der Validator in ausreichend vielen Fällen nicht zueinander passende Informationen korrekt bestimmt.The signals provided at the various outputs can be made largely statistically independent of one another thanks to the additional learning objective of avoiding multiple "false positive" determinations. In this way, each output can be viewed as a separate validator whose error probability can be determined individually. An overall error probability of the validator can be determined as a product of the individual error probabilities. In this way, it can be proven that the validator correctly determines information that does not match in a sufficient number of cases.
Der Validator kann ferner eine mit den M Ausgängen verbundene Kombinationseinrichtung zur Bestimmung einer Integrität einer auf der Basis der Informationen bestimmbaren Position umfassen. Die Integrität kann auf der Basis einer Gesamtfehlerwahrscheinlichkeit des Validators bestimmt sein. Die Kombinationseinrichtung kann ein Signal bereitstellen, das darauf hinweist, ob die Positionshypothese voraussichtlich korrekt ist oder nicht.The validator can further comprise a combination device connected to the M outputs for determining an integrity of a position determinable on the basis of the information. The integrity may be determined based on an overall error probability of the validator. The combiner can provide a signal indicating whether the position hypothesis is likely to be correct or not.
Die Positionshypothese kann auf der Basis der bestimmen Informationen bestimmt werden und der Validator kann dazu verwendet werden, zu bestimmen, ob die Positionshypothese mit einer ausreichenden Sicherheit korrekt ist, beziehungsweise ob sie einen Positionsfehler aufweist, der kleiner als ein vorbestimmter Positionsfehler ist. Die Performanz des Validators kann ausreichen, um ihn zur Absicherung einer bestimmten geografischen Position eines Fahrzeugs zu verwenden, insbesondere wenn das Fahrzeug in Abhängigkeit der bestimmten Position gesteuert wird. Sollte der Validator anzeigen, dass die Positionshypothese nicht mit einer vorbestimmten Sicherheit korrekt ist, so kann die Positionshypothese verworfen oder auf der Basis nur einiger der bestimmten Informationen neu bestimmt werden. Signale an den Ausgängen des Validators können auf zu verwerfende Informationen beziehungsweise eine nicht vertrauenswürdige Quelle für die Informationen hinweisen.The position hypothesis can be determined on the basis of the determined information and the validator can be used to determine whether the position hypothesis is correct with sufficient certainty or whether it has a position error that is smaller than a predetermined position error. The performance of the validator can be sufficient to use it to validate a specific geographic position of a vehicle, especially if the vehicle is controlled depending on the determined position. Should the validator indicate that the position hypothesis is not correct with a predetermined certainty, the position hypothesis can be rejected or re-determined based on only some of the determined information. Signals at the validator outputs can indicate information to be discarded or an untrustworthy source for the information.
Bei der Bestimmung der Gesamtfehlerwahrscheinlichkeit kann eine Korrelation zwischen zwei Ausgängen abgeschätzt und berücksichtigt werden. Umfasst der Validator beispielsweise zwei Ausgänge, die jeweils in einem von zehn Fällen eine falsche Bestimmung durchführen (false positive), so kann der Validator insgesamt in einem von 100 Fällen eine falsche Bestimmung durchführen; seine Fehlerwahrscheinlichkeit beträgt dann 1 / 100. Sollte die Ausgänge beziehungsweise die an ihnen bereitgestellten Signale einer Korrelation größer null unterliegen, so kann die Gesamtfehlerrate des Validators größer und ein Fehler beispielsweise in 2 von 100 Fällen zu erwarten sein.When determining the total error probability, a correlation between two outputs can be estimated and taken into account. For example, if the Validator includes two outputs that each produce a false positive 1 in 10, the Validator may produce a total of 1 in 100 false determinations; its error probability is then 1/100. If the outputs or the signals provided at them are subject to a correlation greater than zero, the overall error rate of the validator can be higher and an error can be expected in 2 out of 100 cases, for example.
Nach einem weiteren Aspekt der vorliegenden Erfindung umfasst ein Positioniersystem N voneinander unabhängige Informationsquellen für Informationen, die auf eine geografische Position hinweisen; einen hierin beschriebenen mit den Informationsquellen verbundenen Validator; und eine Einrichtung zur Bestimmung einer Position auf der Basis der Informationen.According to a further aspect of the present invention, a positioning system comprises N mutually independent information sources for information indicative of a geographical position; a validator associated with the information sources described herein; and means for determining a position based on the information.
Das Positioniersystem kann insbesondere zur Bestimmung einer geografischen Position eines Fahrzeugs, bevorzugt eines Kraftfahrzeugs, verwendet werden. Nach einem weiteren Aspekt der Erfindung umfasst ein Fahrzeug ein hierin beschriebenes Positioniersystem. Die Informationsquellen können vom Fahrzeug umfasst sein. Beispielhafte Informationsquellen umfassen einen GNSS-Empfänger, einen Radarsensor, einen LiDAR-Sensor, eine Kamera oder einen Ultraschallsensor. Auf der Basis einer Abtastung eines Umfelds des Fahrzeugs mittels eines Sensors kann eine auf die Position hinweisende Information durch Verarbeitung bereitgestellt werden. Beispielsweise kann auf der Basis eines Kamerabilds des Umfelds die Position des Fahrzeugs bezüglich einer oder mehrerer Landmarken bestimmt werden, die auf dem Kamerabild dargestellt sind und deren geografische Positionen bekannt sein können.The positioning system can be used in particular to determine a geographic position of a vehicle, preferably a motor vehicle. According to another aspect of the invention, a vehicle includes a positioning system as described herein. The information sources can be included in the vehicle. Example information sources include a GNSS receiver, a radar sensor, a LiDAR sensor, a camera, or an ultrasonic sensor. Information indicative of the position can be provided by processing on the basis of a scanning of an environment of the vehicle by means of a sensor. For example, based on a camera image of the surroundings, the position of the vehicle can be determined with respect to one or more landmarks that are shown on the camera image and whose geographic positions can be known.
Nach wieder einem weiteren Aspekt der vorliegenden Erfindung umfasst ein Verfahren zum Bereitstellen eines Validators für N voneinander unabhängige Informationen, die auf eine geografische Position hinweisen, Schritte des Verbindens jeweils eines von N Eingängen eines ML-Systems mit einer Informationsquelle für eine der N Informationen; und des Trainierens des ML-Systems darauf, genau dann ein vorbestimmtes Signal an einem von M Ausgängen bereitzustellen, wenn eine der Informationen an den Eingängen schlechter als ein vorbestimmtes Maß zu einer vorbestimmten Positionshypothese passt, wobei das ML-System gleichzeitig darauf trainiert wird, ein inkorrekt ausbleibendes Signal an zwei oder mehr Ausgängen zu vermeiden. According to yet another aspect of the present invention, a method for providing a validator for N mutually independent pieces of information indicative of a geographic position comprises the steps of connecting each of N inputs of an ML system to an information source for one of the N pieces of information; and training the ML system to provide a predetermined signal at one of M outputs if and only if one of the information at the inputs matches a predetermined position hypothesis worse than a predetermined degree, the ML system being simultaneously trained to to avoid incorrect missing signal on two or more outputs.
Das ML-System ist zum maschinellen Lernen eingerichtet und kann beispielsweise in Form eines künstlichen neuronalen Netzwerks realisiert sein. Das trainierte ML-System kann einem hierin beschriebenen Validator entsprechen.The ML system is set up for machine learning and can be implemented, for example, in the form of an artificial neural network. The trained ML system may correspond to a validator described herein.
Durch das zusätzliche Lernziel der Vermeidung inkorrekter Signale - bereitgestellt oder ausbleibend - gleichzeitig an mehreren Ausgängen kann sich das ML-System derart entwickeln, dass zur Bestimmung eines Signals an einem Ausgang ein an einem anderen Ausgang bestimmtes Signal prognostiziert beziehungsweise abgeschätzt wird. Ein Ausgang kann sich auf die Validierung der Informationen an einem der Eingänge konzentrieren und die Bestimmung von Signalen an anderen Ausgängen bezüglich dieses Eingangs kann verdrängt werden. Für verschiedene Betriebszustände des Validators können sich unterschiedliche Zuordnungen von Eingängen zu Ausgängen entwickeln. Eine Anzahl Eingänge des ML-Systems entspricht üblicherweise einer Anzahl zur Verfügung stehender Informationsquellen. Eine Anzahl Ausgänge des ML-Systems ist nicht notwendigerweise von einer Anzahl Eingänge abhängig und wird bevorzugt derart gewählt, dass eine Bestimmungsgenauigkeit des ML-Systems als Validator maximiert ist.Due to the additional learning objective of avoiding incorrect signals - provided or absent - simultaneously at several outputs, the ML system can develop in such a way that a signal determined at one output is predicted or estimated at another output. An output can focus on validating the information at one of the inputs and the determination of signals on other outputs related to that input can be suppressed. Different assignments of inputs to outputs can develop for different operating states of the validator. A number of inputs to the ML system usually corresponds to a number of available information sources. A number of outputs of the ML system is not necessarily dependent on a number of inputs and is preferably selected in such a way that a determination accuracy of the ML system as a validator is maximized.
Das Trainieren eines ML-Systems zu einem Validator kann iterativ erfolgen. Dazu kann beim Trainieren zunächst nur ein einziger Ausgang des ML-Systems betrachtet werden. Immer dann, wenn die betrachteten Ausgänge eine ausreichende Erkennungsleistung zeigen, kann einer der weiteren Ausgänge zusätzlich betrachtet werden. Das Trainieren kann unter Berücksichtigen des einen Ausgangs mehr fortgesetzt werden. Das Trainieren unter Berücksichtigung einer vorbestimmten Anzahl Ausgänge erfordert üblicherweise Durchläufe, die jeweils Informationen an den verschiedenen Eingängen umfassen, die auf einen gemeinsamen Zeitpunkt beziehungsweise auf eine gemeinsame Position bezogen sind.Training an ML system to become a validator can be done iteratively. For this purpose, initially only a single output of the ML system can be considered during training. Whenever the outputs considered show sufficient recognition performance, one of the other outputs can also be considered. The training can be continued considering the one exit more. Training considering a predetermined number of outputs usually requires iterations, each Include information at the various inputs related to a common point in time or to a common position.
Das Trainieren kann eine Kostenfunktion (cost function) umfassen, die jeweils einen vorbestimmten Malus für ein inkorrekt ausbleibendes Signal an einem der betrachteten Ausgänge; ein inkorrekt bereitgestelltes Signal an einem der betrachteten Ausgänge; und ein inkorrekt ausbleibendes Signal an zwei oder mehr betrachteten Ausgängen umfasst. Der mittels der Kostenfunktion bestimmte Malus kann vergrößert sein, wenn zwei oder mehr der genannten Bedingungen erfüllt sind. Den betrachteten Ausgängen können vorbestimmte Gewichte zugeordnet sein, wobei ein Malus abhängig ist von Gewichten von Ausgängen, die einer erfüllten Bedingung für einen Malus zugeordnet sind.The training can include a cost function, each of which has a predetermined penalty for an incorrectly missing signal at one of the considered outputs; an incorrectly provided signal at one of the considered outputs; and an incorrect missing signal at two or more considered outputs. The penalty determined using the cost function may be increased if two or more of the above conditions are met. Predetermined weights can be assigned to the outcomes under consideration, with a penalty being dependent on the weights of outcomes that are assigned to a fulfilled condition for a penalty.
Zusätzlich zur Kostenfunktion kann eine Belohnungsfunktion (reward function) verwendet werden, um ein erwünschtes Verhalten des ML-Systems zu fördern. Das Lernen kann derart erfolgen, dass das ML-System angepasst wird, um einen Wert der Kostenfunktion zu minimieren und/oder einen Wert der Belohnungsfunktion zu maximieren.In addition to the cost function, a reward function can be used to promote desired behavior of the ML system. The learning can be done such that the ML system is adjusted to minimize a value of the cost function and/or to maximize a value of the reward function.
Eine Belohnungsfunktion kann jeweils einen vorbestimmten Bonus für ein korrektes Signal an einem Ausgang; und korrekte Signale an mehreren Ausgängen umfassen. Ein korrektes Signal kann ein korrekt ausbleibendes oder ein korrekt bereitgestelltes Signal betreffen. Auch ein mittels der Belohnungsfunktion bestimmter Bonus kann vergrößert sein, wenn mehrere Bedingungen erfüllt sind. Insbesondere kann der Bonus in Abhängigkeit einer Anzahl korrekter Signale vergrößert sein.A reward function can each have a predetermined bonus for a correct signal at an output; and correct signals at multiple outputs. A correct signal can refer to a correctly missing signal or a correctly provided signal. A bonus determined using the rewards function can also be increased if several conditions are met. In particular, the bonus can be increased depending on a number of correct signals.
Das Trainieren kann eine Belohnungsfunktion umfassen, die einen Bonus für ein korrektes Signal an einem Ausgang verringert, falls eine Rate korrekt ausbleibender Signale für diesen Ausgang einen vorbestimmten Schwellenwert übersteigt. So kann verhindert werden, dass ein Ausgang einen übermäßig großen Sicherheitsspielraum zum Erreichen einer extrem niedrigen false positive Rate ausnutzt, was zu einer verschlechterten Bestimmungsrate eines anderen Ausgangs führen kann.The training may include a reward function that reduces a bonus for a correct signal at an output if a correct-no-signal rate for that output exceeds a predetermined threshold. This can prevent one output from using an excessively large safety margin to achieve an extremely low false positive rate, which can result in a degraded determination rate of another output.
Die Erfindung wird nun mit Bezug auf die beigefügten Zeichnungen genauer beschrieben, in denen:
-
1 ein System; -
2 ein Ablaufdiagramm eines Verfahrens; -
3 ein Positioniersystem zur Bestimmung einer Position; und -
4 ein Ablaufdiagramm eines weiteren Verfahrens;
-
1 a system; -
2 a flowchart of a method; -
3 a positioning system for determining a position; and -
4 a flowchart of a further method;
Es ist weiterhin bevorzugt, dass jede Informationsquelle 115 nur einen Sensor verwendet, um eine statistische Unabhängigkeit der bereitgestellten Informationen sicherzustellen. Eine Verarbeitungseinrichtung 120 ist zur Verarbeitung von Informationen vorgesehen, die von der Informationsquelle 115 bereitgestellt werden. Weiter kann eine Referenz 125 vorgesehen sein, die Informationen bereitstellt, die mehreren oder allen Informationsquellen 115 zugeordnet sein können. Beispielsweise kann die Referenz 125 einen Kartenspeicher zur Bereitstellung von Kartendaten oder ein Odometer zur Bereitstellung von Odometriedaten umfassen. Die Verarbeitungsvorrichtung 120 kann mit einer Schnittstelle 130 verbunden sein, die bevorzugt zur Bereitstellung einer bestimmten Position und/oder Ausrichtung eingerichtet ist.It is further preferred that each
Es wird vorgeschlagen, dass die Verarbeitungseinrichtung 120 dazu eingerichtet ist, auf der Basis von Informationen, die von verschiedenen Informationsquellen 115 bereitgestellt werden, jeweils eine einzelne Position des Fahrzeugs 105 zu bestimmen. Dazu kann sie Informationen der Referenz 125 verwenden. Beispielsweise kann die Informationsquelle eine Kamera umfassen, die Landmarken im Umfeld des Fahrzeugs 105 erfasst. Positionen der Landmarken können von geografischen Umgebungsinformationen der Referenz 125 umfasst sein, sodass die einzelne Position bestimmt werden kann, indem die Beobachtungen an die bekannten Informationen angepasst werden. Dieser Vorgang wird auch „matching“ und ein ausführendes Element auch „Matcher“ oder Anpasser genannt. Ein Anpasser ist üblicherweise spezifisch für eine vorbestimmte Informationsquelle 115 bereitgestellt. Für unterschiedliche Fahrsituationen können unterschiedliche, spezialisierte Anpasser vorgesehen sein.It is proposed that
Die Verarbeitungseinrichtung 120 kann auch eine Positionshypothese bereitstellen, auf deren Basis beispielsweise bei einer folgenden Bestimmung arbeiten kann. Die Positionshypothese kann beispielsweise auf der Basis einer zuvor bestimmten Position und einer seitdem erfolgten Bewegung des Fahrzeugs 105 bestimmt werden. Alternativ kann die bestimmte Position als Positionshypothese verwendet werden. Beim Matching können Umgebungsinformationen der Referenz 125 in einem vorbestimmten Bereich um die Positionshypothese berücksichtigt werden.The
Auf der Basis der einzelnen Positionen kann die Verarbeitungseinrichtung 120 eine Position des Fahrzeugs 105 bestimmen. Außerdem ist die Verarbeitungseinrichtung 120 bevorzugt dazu eingerichtet, für die einzelnen Informationsquellen 115 jeweils zu bestimmen, wie gut die bereitgestellten Informationen zur bestimmten Position oder der Positionshypothese passen. Dazu können die jeweiligen Informationen und die daraus bestimmte einzelne Position betrachtet werden. Der Vorgang wird auch Validieren und eine ausführende Komponente Validator genannt. Ein Matcher und ein Validator können miteinander integriert ausgeführt sein.Based on the individual positions, the
Sollten die Informationen weniger gut als ein vorbestimmtes Maß zur bestimmten Position passen, so kann die Verarbeitungseinrichtung 120 ein Signal bereitstellen, das über die Schnittstelle 130 bereitgestellt werden kann. Das Signal kann ausgegeben werden, wenn die Informationen wenigstens einer von mehreren Informationsquellen 115 schlechter als vorbestimmt zur bestimmten Position passen. Das Signal kann darauf hinweisen, dass keine Position bestimmt werden oder die Position nicht mit ausreichender Sicherheit bestimmt werden konnte. Eine von der bestimmten Position abhängige Steuerung, etwa für eine Bewegung des Fahrzeugs 105, kann daraufhin deaktiviert werden und ein Fahrer kann aufgefordert werden, die Steuerung des Fahrzeugs 105 zu übernehmen.If the information does not match the specific position as well as a predetermined measure, the
In einem Funktionsblock 205 stellt eine Informationsquelle 115 Informationen bereit, die auf eine Position, eine Ausrichtung oder eine Pose des Fahrzeugs 105 hinweisen. Eine Pose umfasst allgemein eine Position und eine Ausrichtung. Im dreidimensionalen Raum kann eine Pose beispielsweise sechs Angaben umfassen, von denen drei translatorisch und drei rotatorisch bezüglich eines kartesischen Koordinatensystems sind. Obwohl die Erfindung auch auf der Basis einer Position oder einer Ausrichtung anstelle einer Pose ausgeführt werden könnte, ist im Folgenden von Posen die Rede.At a
In einem Schritt 210 wird auf der Basis der von der Informationsquelle 115 bereitgestellten Informationen eine einzelne Pose bestimmt. Vorliegend wird von einer „einzelnen“ Pose gesprochen, wenn diese auf der Basis nur einer Informationsquelle 115 bestimmt ist. Die Pose des Fahrzeugs 105 ist auf der Basis mehrerer „einzelnen“ Posen bestimmt. Der Schritt 210 kann auf eine beliebige Weise durchgeführt werden und beispielsweise eine Mittelwertbildung, einen adaptiven Filter, ein physikalisches Modell des Fahrzeugs 105 oder ein trainiertes neuronales Netzwerk umfassen. Die Bestimmung kann auf der Basis noch weiterer Informationen erfolgen, die von der Referenz 125 bereitgestellt sind. Der Schritt 210 kann auch rückgekoppelt sein und eine zuvor selbst bereitgestellte einzelne Pose verarbeiten.In a
Bezüglich einer bestimmten Pose kann eine grundlegende Überprüfung erfolgen. Beispielsweise kann bestimmt werden, ob sich das Fahrzeug 105 auf einer Fahrstraße befindet, auf der eine zu steuernde Fahrfunktion überhaupt angeboten wird. Beispielsweise kann eine Voraussetzung für das Verfolgen einer Fahrspur sein, dass die Fahrstraße eine Autobahn oder eine Schnellstraße umfasst. Eine solche Überprüfung kann auch mittels eines separaten Funktionsblocks erfolgen. Ist eine erforderliche Voraussetzung nicht erfüllt, so kann das Verfahren 200 terminieren.A basic check can be made for a particular pose. For example, it can be determined whether
In einem Schritt 215 werden die im Schritt 210 verwendeten Informationen der Informationsquelle 115 bewertet, indem geprüft wird, wie gut sie zu einer Pose des Fahrzeugs 105 passen. Diese Bestimmung kann auch Validieren genannt werden, und ein den Schritt 215 ausführendes Element kann als Validator bezeichnet werden. Die Pose des Fahrzeugs 105 wird auf der Basis bestimmter einzelner Posen bestimmt, wie unten genauer ausgeführt ist. Zur Bewertung kann ein Abstand bestimmt werden, der zwischen der einzelnen Pose und der Pose des Fahrzeugs 105 liegt. Der Abstand kann für jeweils enthaltene Positionen einen euklidischen Abstand und für jeweils enthaltene Ausrichtungen einen zwischen ihnen liegenden Winkel umfassen. Der Abstand und der Winkel können zur Bildung einer kombinierten Kennzahl verwendet werden, um einen späteren Vergleich mit einem vorbestimmten Maß zu erleichtern. Das vorbestimmte Maß kann einem maximal tolerierbaren Fehler bei der bestimmten Pose entsprechen oder kleiner sein. Für jeden Funktionsblock 105 kann ein individuelles Maß vorbestimmt sein. Übersteigt der Abstand beziehungsweise die Kennzahl das vorbestimmte Maß, so kann ein Signal, insbesondere ein Warnsignal, an einen Schritt 225 bereitgestellt werden.In a
Das vorbestimmte Maß kann in Abhängigkeit eines Fahrzustands und/oder einer Fahrfunktion des Fahrzeugs 105 bestimmt sein. Die Fahrfunktion kann insbesondere einen Fahrassistenten umfassen, der dazu eingerichtet ist, einen Fahrer des Fahrzeugs 105 zu entlasten oder zu unterstützen. Der Fahrassistent kann eine Längssteuerung und/oder eine Quersteuerung des Fahrzeugs 105 durchführen oder in eine davon bei Bedarf eingreifen. In einer Ausführungsform ist der Fahrassistent zur automatischen oder autonomen Führung des Fahrzeugs 105 eingerichtet.The predetermined measure can be determined as a function of a driving condition and/or a driving function of
Sollte die einzelne Pose schlechter als vorbestimmt zur bestimmten Pose des Fahrzeugs 105 passen, beispielsweise indem der Abstand das vorbestimmte Maß übersteigt, so kann ein Signal bereitgestellt werden, das in einem Schritt 220 ausgewertet werden kann. Außerdem kann die Bestimmung der Pose im Schritt 210 in Abhängigkeit der bestimmten Qualität, des bestimmten Abstands oder des bestimmten Signals erfolgen. Beispielsweise kann im Schritt 210 ein adaptiver Filter berechnet werden, der neu initialisiert werden kann, falls die durch den Filter bereitgestellte einzelne Pose mehr als vorbestimmt von der Pose des Fahrzeugs 105 abweicht.Should the individual pose match the specific pose of
In einem Schritt 220 wird die Pose des Fahrzeugs 105 bestimmt. Dazu werden bevorzugt die in den Funktionsblöcken 105, insbesondere den Schritten 210, bestimmten einzelnen Posen miteinander kombiniert. Die Kombination kann alle bestimmten einzelnen Posen in der gleichen Weise oder individuell berücksichtigen. Beispielsweise können einzelne Posen berücksichtigt werden, die auf der Basis verschiedener Verarbeitungen von Informationen desselben Sensors bestimmt sind. Einzelne Posen, bzw. ihnen zugrunde liegende Daten, die von einem der Schritte 215 als nicht vertrauenswürdig bestimmt wurden, können bei der Bestimmung der Pose des Fahrzeugs 105 verworfen werden. Die bestimmte Pose des Fahrzeugs 105 kann nach Außen bereitgestellt werden.In a
In einem Schritt 225 können Validationssignale der Funktionsblöcke 205 ausgewertet werden. An der Schnittstelle 130 kann ein Signal, das auf eine möglicherweise nicht vertrauenswürdige bestimmte Pose des Fahrzeugs 105 hinweist, auf der Basis eines oder mehrerer Signale aus Schritten 215 der Funktionsblöcke 105 bestimmt und bereitgestellt werden.In a
In einer Ausführungsform wird ein solches Signal an der Schnittstelle 130 bereits ausgegeben, wenn mindestens eine der bestimmten einzelnen Posen um mehr als das zugeordnete vorbestimmte Maß von der bestimmten Pose abweicht. Dies kann gleichbedeutend mit dem Vorliegen mindestens eines Warnsignals in einem der Schritte 215 sein.In one embodiment, such a signal is already output at the
In einer anderen Ausführungsform kann in einem Schritt 215 ein Warnsignal nicht nur bereitgestellt oder nicht bereitgestellt werden, sondern es kann auch keine Aussage zu einer bestimmten Pose getroffen werden. Beispielsweise kann ein LiDAR-Sensor im Umfeld des Fahrzeugs ein weiteres Fahrzeug abtasten, das mit keinem in einem Kartenspeicher vermerkten Objekt korreliert. In diesem Fall kann eine auf der Basis anderer Abtastungen des LiDAR-Sensors bestimmte einzelne Pose weder bestätigt noch angezweifelt werden. Eine Beurteilung der bestimmten einzelnen Pose im Schritt 215 kann in einem solchen Fall unterbleiben. In der Folge kann im Schritt 225 das Warnsignal an der Schnittstelle 130 nicht auf der Basis des fehlenden Signals bestimmt werden. Allerdings kann das Warnsignal noch gegeben werden, falls ein anderer Validator 215 Zweifel an der Vertrauenswürdigkeit einer zugeordneten einzelnen Pose bestimmt, oder zu wenige Validatoren 215 die Pose beurteilen. Sollte in keinem der Schritte 215 der Funktionsblöcke 205 eine Aussage zur Vertrauenswürdigkeit der betrachteten Daten gemacht worden sein, kann im Schritt 225 ebenfalls das Warnsignal ausgegeben werden.In another embodiment, in a
Das ML-System 110 umfasst N Eingänge 310 und M Ausgänge 315. Das ML-System 110 kann insbesondere als künstliches neuronales Netzwerk ausgebildet sein. Die Eingänge 310 können zu Knoten einer Eingangsschicht und die Ausgänge 315 zu Knoten einer Ausgangsschicht des Netzwerks korrespondieren. Das Netzwerk kann eine oder mehrere Zwischenschichten umfassen. Allgemein entspricht die Anzahl N der Eingänge 310 einer Anzahl der verfügbaren Informationsquellen 115. Dabei ist bevorzugt jeweils eine Informationsquelle 115 mit genau einem Eingang 310 verbunden. Die Anzahl M der Ausgänge 315 kann von der Anzahl N abweichen.The
Mittels der Verarbeitungseinrichtung 120 kann auf der Basis der bereitgestellten Informationen eine Positionshypothese bestimmt werden, die an der Schnittstelle 130 bereitgestellt werden kann. Zur Bestimmung der Positionshypothese können Abtastungen und Kartendaten der Referenz 135 verwendet werden. Weitere Informationsquellen können ebenfalls verwendet werden. Beispielsweise kann die Positionshypothese auf der Basis einer zuvor bestimmten Position und einer bestimmten Bewegung des Fahrzeugs 105 bestimmt werden.A position hypothesis, which can be provided at the
Das ML-System 305 ist dazu eingerichtet, für die Informationen der Informationsquellen 115 jeweils zu bestimmen, ob sie ausreichend gut zu einer bestimmten Positionshypothese passen oder nicht. Dazu können, wie oben beschrieben ist, einzelne Positionen, Ausrichtungen oder Posen auf der Basis von Informationen einer Informationsquelle 115 bestimmt werden und eine Abweichung des Ergebnisses von einer anderen Bestimmung kann bestimmt werden. Sollte eine Information nicht zur Positionshypothese passen, so kann das ML-System 305 ein darauf hinweisendes Signal an einem seiner Ausgänge 315 bereitstellen. Andernfalls kann kein solches Signal bereitgestellt werden. Eine feste Zuordnung zwischen einem Eingang 310, an dem eine Information einer ihr zugeordneten Informationsquelle 115 bereitgestellt ist, und einem Ausgang 320 ist nicht vorausgesetzt. Zwar kann eine solche Zuordnung bestehen, jedoch kann diese in Abhängigkeit der verarbeiteten Informationen veränderlich sein.The
Eine optionale Kombinationseinrichtung 320 ist dazu eingerichtet, eine Integrität einer auf der Basis der Informationen bestimmbaren Position zu bestimmen. Die Kombinationseinrichtung 320 kann insbesondere ein Signal bestimmen, das darauf hinweist, ob die Informationen der Informationsquellen 115 bezüglich der Bestimmung einer Position, Ausrichtung oder Pose besser als vorbestimmt zusammenpassen. Das Signal kann an einer Schnittstelle 325 bereitgestellt werden. Die mittels der Verarbeitungseinrichtung 120 bestimmte Positionshypothese kann nur als Position an der Schnittstelle 130 bereitgestellt werden, falls das Signal der Kombinationseinrichtung 320 darauf hinweist, dass die Informationen ausreichend gut zusammenpassen.An
Es wird vorgeschlagen, das ML-System 305 darauf zu trainieren, ein inkorrekt ausbleibendes Signal an zwei oder mehr Ausgängen 315 (false positive) zu vermeiden. Dazu kann beim Trainieren des ML-Systems 305 eine Kostenfunktion verwendet werden, die mehrfache false positives mit erhöhten Kosten belegt.It is proposed to train the
In einem Schritt 405 wird eine Laufvariable i auf eins gesetzt. Die Laufvariable i gibt an, wie viele der Ausgänge 315 beim Lernen des ML-Systems 110 gerade betrachtet werden. Steht i beispielsweise auf eins, so wird nur ein erster Ausgang 315 betrachtet, steht sie auf zwei, so werden die ersten beiden Ausgänge 315 betrachtet.In a
In einem Schritt 405 werden die Ausgänge 315 eins bis i betrachtet, also bei einem ersten Durchlauf des Verfahrens 400 nur der erste Ausgang 315. Unter dieser Maßgabe erfolgt in einem Schritt 415 ein Trainieren des ML-Systems 305. Dazu können reale, in Echtzeit bestimmte, oder auch aufgezeichnete Abtastwerte von Informationsquellen 115 an Bord eines Fahrzeugs während einer Testfahrt verwendet werden. Eine tatsächliche Position des Fahrzeugs 105 zu den Informationen ist dabei üblicherweise bekannt. Das Trainieren kann ein Bestimmen einer Positionshypothese und ein Bestimmen der Integrität der Informationen zu einem Zeitpunkt umfassen. Aufgrund der bekannten tatsächlichen Position kann nachvollzogen werden, ob eine mittels des ML-Systems 305 bestimmte Einschätzung, ob Informationen an einem der Eingänge 310 ausreichend gut zur Positionshypothese passen oder nicht, korrekt ist.In a
Zum Trainieren können eine Belohnungsfunktion und/oder eine Kostenfunktion bereitgestellt sein. Die Belohnungsfunktion kann einen Bonus bestimmt, falls ein korrektes Signal an einem Ausgang 315 bestimmt wird. Ein weiterer Bonus kann bestimmt werden, wenn korrekte Signale an mehreren Ausgängen 315 bestimmt werden. Ein Bonus für ein korrektes Signal an einem Ausgang kann verringert werden, falls eine Rate korrekt ausbleibender Signale für diesen Ausgang einen vorbestimmten Schwellenwert übersteigt.A reward function and/or a cost function may be provided for training. The reward function may determine a bonus if a correct signal at an
Die Kostenfunktion kann einen Malus bestimmen, falls ein inkorrekt ausbleibendes Signal an einem der betrachteten Ausgänge bestimmt wird, ein inkorrekt bereitgestelltes Signal an einem der betrachteten Ausgänge bestimmt wird; oder ein inkorrekt ausbleibendes Signal an zwei oder mehr betrachteten Ausgängen bestimmt wird. Den Ausgängen 315 können vorbestimmte Gewichte zugeordnet sein, wobei ein Malus, der auf einen der Ausgänge 315 bezogen ist, in Abhängigkeit des Gewichts bestimmt werden kann.The cost function can determine a penalty if an incorrectly missing signal is determined at one of the considered outputs, an incorrectly provided signal is determined at one of the considered outputs; or an incorrect missing signal is determined at two or more considered outputs. Predetermined weights can be assigned to the
Das ML-System 305 kann derart angepasst werden, dass ein durch die Belohnungsfunktion bestimmter Bonus maximiert wird und/oder dass ein durch die Kostenfunktion bestimmter Malus minimiert wird. Bei einem künstlichen neuronalen Netzwerk etwa kann dieser Vorgang mittels Backpropagation erfolgen. Gewichte einzelner Knoten können verändert werden, sodass der beschriebene Effekt eintritt.The
In einem Schritt 420 kann bestimmt werden, ob eine Erkennungsleistung der aktuell betrachteten Ausgänge 315 ausreichend gut bezüglich eines vorbestimmten Kriteriums ist. Ist das nicht der Fall, so kann das Verfahren 400 zum Schritt 410 zurückkehren und erneut durchlaufen. Andernfalls, wenn die Erkennungsleistung als ausreichend befunden wird, kann die Laufvariable i in einem Schritt 425 inkrementiert werden. Anschließend kann in einem Schritt 430 bestimmt werden, ob i die Anzahl M der vorhandenen Ausgänge 315 übersteigt. Ist dies nicht der Fall, kann das Verfahren 400 zum Schritt 410 zurückkehren und unter Berücksichtigung eines weiteren Ausgangs 315 weiter trainiert werden. Andernfalls werden bereits alle Ausgänge 315 beim Trainieren berücksichtigt, sodass kein Ausgang 315 mehr hinzugenommen werden kann. Das Verfahren 400 kann in diesem Fall enden oder das ML-System 305 kann unter Betrachtung aller Ausgänge 315 weiter trainiert werden.In a
Das Trainieren umfasst eine Vorgabe, die bewirkt, dass mehrere gleichzeitige falsch ausbleibende Signale besonders vermieden werden. Dadurch organisiert sich das ML-System so, dass ein Ausgang 315 sich auf die Informationen an einem der Eingänge 310 konzentriert. Das trainierte ML-System 110 kann sich wie mehrere einzelne Validatoren verhalten, die jeweils einem der Eingänge 310 zugeordnet sind. Diese Validatoren können im Wesentlichen voneinander statistisch unabhängig sein; eine verbleibende Korrelation zwischen zwei Validatoren kann abgeschätzt werden, beispielsweise auf der Basis von Beobachtungen des ML-Systems während der Integritätsbestimmung.The training includes a target that causes multiple simultaneous false missings to be specifically avoided. This organizes the ML system so that an
Eine Wahrscheinlichkeit, dass an den Eingängen 310 des ML-Systems 305 bereitgestellte Informationen nicht ausreichend gut zueinander passen, obwohl kein Signal an einem Ausgang 315 bereitgestellt wird, das auf schlecht passende Informationen hinweist, kann wegen der Unabhängigkeit der einzelnen Validatoren als Produkt der Wahrscheinlichkeiten falscher Bestimmungen der einzelnen Validatoren bestimmt werden. Liegt diese unter einem vorbestimmten Schwellenwert, so kann das ML-System 305 ausreichend trainiert sein.A probability that information provided at the
Eine Erkennungsleistung jedes solchen Validators kann einzeln bestimmt werden. Dabei gilt, dass ein schlecht arbeitender Validator, der beispielsweise eine falsche Bestimmung pro 20 untersuchten Informationen bereitstellt, schnell bestimmt werden kann. Ein gut arbeitender Validator hingegen, der beispielsweise nur eine falsche Bestimmung pro 1000000 untersuchten Informationen bereitstellt, erfordert eine deutlich höhere Anzahl Informationen, um bezüglich seiner Qualität eingeschätzt werden zu können.A recognition performance of each such validator can be determined individually. It is true that a poorly performing validator, which provides, for example, one incorrect determination per 20 pieces of information examined, can be determined quickly. A well-working validator, on the other hand, which, for example, only provides one wrong determination per 1000000 pieces of information examined, requires a significantly higher number of pieces of information in order to be able to assess its quality.
Ein unbefriedigend arbeitender Validator kann mit einem anderen zusammengefasst werden, indem die korrespondierenden Ausgänge 315 zusammengefasst werden. Eine Anzahl Ausgänge 315 des ML-Systems 305 kann dadurch verringert werden. Umgekehrt kann die Anzahl der Ausgänge 315 auch erhöht werden, indem mit Knoten des ML-Systems 305 ein weiterer Validator aufgebaut wird, der möglichst nicht mit vorhandenen Validatoren korreliert. Wird das ML-System 305 dann weiter trainiert, sollten Korrelationen zwischen den Validatoren weiter reduziert werden.An unsatisfactory validator can be merged with another by merging the corresponding outputs 315 . A number of
Das ML-System 305 kann zusätzlich darauf trainiert oder selektiert werden, dass eine Verfügbarkeit maximiert ist. Es kann gefordert sein, dass die Verfügbarkeit einen vorbestimmten Schwellenwert übersteigt, sodass beispielsweise in nur einem von 100.000 Fällen keine Bestimmung der Integrität der Informationen möglich ist. Die Verfügbarkeit kann in diesem Beispiel 99,999 % betragen.Additionally, the
BezugszeichenlisteReference List
- 100100
- Systemsystem
- 105105
- Fahrzeugvehicle
- 110110
- Vorrichtungcontraption
- 115115
- Informationsquellesource of information
- 120120
- Verarbeitungseinrichtungprocessing facility
- 125125
- Referenzreference
- 130130
- Schnittstelle interface
- 200200
- Verfahrenprocedure
- 205205
- Funktionsblockfunction block
- 210210
- Pose bestimmendetermine pose
- 215215
- Signal auswerten, validierenEvaluate and validate the signal
- 220220
- Pose bestimmendetermine pose
- 225225
- Signal bereitstellen provide signal
- 305305
- ML-SystemML system
- 310310
- EingangEntry
- 315315
- AusgangExit
- 320320
- Kombinationseinrichtungcombination device
- 325325
- Schnittstelle interface
- 400400
- Verfahrenprocedure
- 405405
- i := 1i := 1
- 410410
- Ausgänge 1 bis i betrachtenConsider outputs 1 to i
- 415415
- TrainierenWork out
- 420420
- Erkennungsleistung betrachteter Ausgänge groß genug?Recognition performance of observed outputs high enough?
- 425425
- i = i + 1i = i + 1
- 430430
- i ≤ M ?i ≤ M ?
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
- DE 102019133316 A1 [0005]DE 102019133316 A1 [0005]
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020131995.9A DE102020131995A1 (en) | 2020-12-02 | 2020-12-02 | Validator for a position determination |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020131995.9A DE102020131995A1 (en) | 2020-12-02 | 2020-12-02 | Validator for a position determination |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020131995A1 true DE102020131995A1 (en) | 2022-06-23 |
Family
ID=81847126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020131995.9A Pending DE102020131995A1 (en) | 2020-12-02 | 2020-12-02 | Validator for a position determination |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020131995A1 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019199876A1 (en) | 2018-04-09 | 2019-10-17 | SafeAI, Inc. | Dynamically controlling sensor behavior |
DE102019202523A1 (en) | 2019-02-25 | 2020-08-27 | Robert Bosch Gmbh | Method and device for operating a control system |
DE102019133316A1 (en) | 2019-12-06 | 2021-06-10 | Bayerische Motoren Werke Aktiengesellschaft | Determining a position of a vehicle |
-
2020
- 2020-12-02 DE DE102020131995.9A patent/DE102020131995A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019199876A1 (en) | 2018-04-09 | 2019-10-17 | SafeAI, Inc. | Dynamically controlling sensor behavior |
DE102019202523A1 (en) | 2019-02-25 | 2020-08-27 | Robert Bosch Gmbh | Method and device for operating a control system |
DE102019133316A1 (en) | 2019-12-06 | 2021-06-10 | Bayerische Motoren Werke Aktiengesellschaft | Determining a position of a vehicle |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102019133316A1 (en) | Determining a position of a vehicle | |
EP3695244B1 (en) | Method and device for creating an inverse sensor model and method for detecting obstacles | |
EP3490862B1 (en) | Method and device for determining a roadway model for the surroundings of a vehicle | |
WO2019223931A1 (en) | Method for controlling a vehicle system of a vehicle, designed to perform an automated driving operation, and device for carrying out said method | |
WO2017016799A1 (en) | Determining arrangement information for a vehicle | |
DE102008013366B4 (en) | Method for providing information for driver assistance systems | |
EP3740738B1 (en) | Method for determining the position of a vehicle | |
DE102020118629B4 (en) | Computer-implemented method for determining the validity of an estimated position of a vehicle | |
EP3824247A1 (en) | Method and system for determining a position of a vehicle | |
WO2019063266A1 (en) | Method for locating a vehicle with advanced automated functions (had), in particular a highly automated vehicle, and a vehicle system | |
DE102020105619A1 (en) | SYSTEM AND PROCEDURE FOR DETERMINING VEHICLE POSITION | |
DE102019115330A1 (en) | Real-time safety path generation for highly automated vehicle fallback maneuvers | |
EP3155454B1 (en) | Method and system for adapting a navigation system | |
DE102017108107A1 (en) | METHOD, DEVICE AND COMPUTER READABLE STORAGE MEDIUM WITH INSTRUCTIONS FOR ESTIMATING A POSE OF A MOTOR VEHICLE | |
DE102019132150A1 (en) | Method for automatically calibrating an environment sensor, in particular a lidar sensor, of a vehicle on the basis of occupancy cards and computing device | |
DE102005029217B3 (en) | Method for determining a navigation solution of a navigation system with a terrain navigation module and navigation system | |
DE102020131995A1 (en) | Validator for a position determination | |
DE102020131996A1 (en) | Securing a geographic position | |
DE102020118628A1 (en) | Method and device for determining a position of a vehicle | |
WO2018095669A1 (en) | Method and device for determining an exact position of a vehicle based on radar signatures of the vehicle environment | |
DE102021214763A1 (en) | Method and control device for controlling an automated vehicle | |
DE102016116471A1 (en) | Navigation correction module and unmanned underwater vehicle with it and procedures | |
WO2020233957A1 (en) | Method for validating the up-to-dateness of a map | |
WO2022117238A1 (en) | Positioning with respect to landmarks | |
DE102021107385A1 (en) | Method for determining which lane a vehicle is in and system for operating a driver assistance function |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed |