DE102020212306A1 - Procedure for early tunnel detection - Google Patents
Procedure for early tunnel detection Download PDFInfo
- Publication number
- DE102020212306A1 DE102020212306A1 DE102020212306.3A DE102020212306A DE102020212306A1 DE 102020212306 A1 DE102020212306 A1 DE 102020212306A1 DE 102020212306 A DE102020212306 A DE 102020212306A DE 102020212306 A1 DE102020212306 A1 DE 102020212306A1
- Authority
- DE
- Germany
- Prior art keywords
- radar
- tunnel
- detections
- interest
- region
- 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
- G01S13/44—Monopulse radar, i.e. simultaneous lobing
-
- 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
- G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
-
- 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
- G01S2013/932—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using own vehicle data, e.g. ground speed, steering wheel direction
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Verfahren zur Tunnelfrüherkennung mittels eines Radarsensors (6), bei dem der Radarsensor (6) ein Radarsignal aussendet, das Radarsignal von Objekten reflektiert wird und anhand der Reflexionen Radardetektionen erfasst werden, wobei der Radarsensor (6) derart hergerichtet ist, dass dieser den Radardetektionen eine Entfernungsinformation und eine Höheninformation zuordnen kann, eine Festlegung (11) mindestens einer Interessenregion, innerhalb der die Radardetektionen zur weiteren Verarbeitung verwendet werden, erfolgt, anhand der Radardetektionen ein erstes und ein zweites Histogramm (12a, 12b) erzeugt werden, wobei das erste Histogramm (12a) die Dichte der Radardetektionen innerhalb der Interessenregion umfasst, das zweite Histogramm (12b) die Höheninformation der Radardetektionen innerhalb der Interessenregion umfasst, und die Tunnelfrüherkennung anhand der Entfernungsinformation und einer statistischen Auswertung der Histogramme (12a, 12b) erfolgt.Method for early tunnel detection using a radar sensor (6), in which the radar sensor (6) emits a radar signal, the radar signal is reflected by objects and radar detections are recorded on the basis of the reflections, the radar sensor (6) being prepared in such a way that it distance information and altitude information, at least one region of interest is determined (11) within which the radar detections are used for further processing, based on which radar detections a first and a second histogram (12a, 12b) are generated, the first histogram ( 12a) includes the density of radar detections within the region of interest, the second histogram (12b) includes the height information of the radar detections within the region of interest, and early tunnel detection is based on the distance information and a statistical evaluation of the histograms (12a, 12b).
Description
Die vorliegende Erfindung betrifft ein, insbesondere computerimplementiertes, Verfahren zur Tunnelfrüherkennung auf einer Fahrstrecke, ein System, welches dazu hergerichtet ist, die Tunnelfrüherkennung anhand des erfindungsgemäßen Verfahrens durchzuführen, ein Computerprogramm mit Programmcode zur Durchführung des erfindungsgemäßen Verfahrens sowie ein computerlesbares Speichermedium, welches den Computer zur Ausführung des erfindungsgemäßen Verfahrens veranlasst.The present invention relates to a method, in particular a computer-implemented method, for early tunnel detection on a route, a system which is designed to carry out early tunnel detection using the method according to the invention, a computer program with program code for carrying out the method according to the invention and a computer-readable storage medium which the computer for Execution of the method causes.
Technologischer HintergrundTechnological background
Moderne Fortbewegungsmittel, wie z. B. Kraftfahrzeuge oder Motorräder, werden zunehmend mit Fahrerassistenzsystemen ausgerüstet, welche mit Hilfe von Sensorsystemen die Umgebung erfassen, Verkehrssituation erkennen und den Fahrer unterstützen, z. B. durch einen Brems- oder Lenkeingriff oder durch die Ausgabe einer optischen oder akustischen Warnung. Als Sensorsysteme zur Umgebungserfassung werden regelmäßig Radarsensoren, Lidarsensoren, Kamerasensoren oder dergleichen eingesetzt. Aus den durch die Sensoren ermittelten Sensordaten können anschließend Rückschlüsse auf die Umgebung gezogen werden, womit z. B. eine Objekt- und/oder Umgebungsklassifizierung vorgenommen bzw. ein Umfeldmodell erstellt werden kann. Ferner ist die Umgebungserfassung nahezu unverzichtbar im Bereich des (teil-) autonomen Fahrens. Durch die Verarbeitung der Sensor- und Umfelddaten können dann Assistenzfunktionen ausgeführt werden, durch die z. B. Unfälle mit anderen Verkehrsteilnehmern vermieden oder komplizierte Fahrmanöver erleichtert werden, indem die Fahraufgabe bzw. die Fahrzeugführung unterstützt oder sogar komplett übernommen wird (teil- / vollautomatisieret). Beispielsweise kann das Fahrzeug z. B. durch einen Notbremsassistenten (EBA, Emergency Brake Assist) eine autonome Notbremsung (AEB, Automatic Emergency Brake), durch einen Adaptive Cruise Control-Assistenten (ACC) eine Folgefahrt und Geschwindigkeitsregelung oder durch einen aktiven Spurhalteassistenten mit Lenkunterstützung in der Spur gehalten werden (LKA - Lane Keeping Assist; LCA - Lane Centering Assist oder LKS - Lane Keeping Support).Modern means of transportation such as B. motor vehicles or motorcycles are increasingly equipped with driver assistance systems, which use sensor systems to detect the environment, recognize the traffic situation and support the driver, z. B. by a braking or steering intervention or by the output of a visual or acoustic warning. Radar sensors, lidar sensors, camera sensors or the like are regularly used as sensor systems for detecting the surroundings. From the sensor data determined by the sensors, conclusions can then be drawn about the environment, e.g. B. an object and / or environment classification can be made or an environment model can be created. Furthermore, the detection of the environment is almost indispensable in the field of (partially) autonomous driving. By processing the sensor and environment data then assistance functions can be performed, through the z. B. Accidents with other road users can be avoided or complicated driving maneuvers can be made easier by supporting or even completely taking over the driving task or vehicle guidance (partly / fully automated). For example, the vehicle z. B. by an emergency brake assistant (EBA, Emergency Brake Assist) an autonomous emergency braking (AEB, Automatic Emergency Brake), by an Adaptive Cruise Control Assistant (ACC) following driving and cruise control or by an active lane departure warning with steering assistance ( LKA - Lane Keeping Assist; LCA - Lane Centering Assist or LKS - Lane Keeping Support).
Die Umgebungserfassung mittels Radarsensoren kommt in modernen Fortbewegungsmitteln häufig zur Anwendung. Diese basiert auf der Aussendung von gebündelten elektromagnetischen Wellen (Radarwellen bzw. Radarsignale) und deren Reflexion, z. B. durch andere Verkehrsteilnehmer, Hindernisse auf der Fahrbahn oder die Randbebauung der Fahrbahn. Die Unterscheidung von Hindernissen bzw. Objekten, wie z. B. anderen Verkehrsteilnehmern, Verkehrsschildern, Straßenmarkierungen, Randbebauungen, Leitplanken und dergleichen ist dabei von großer Bedeutung, um zu ermitteln, wann z. B. ein Brems- oder Lenkeingriff eingeleitet werden soll.Environment detection using radar sensors is often used in modern means of transportation. This is based on the emission of bundled electromagnetic waves (radar waves or radar signals) and their reflection, e.g. B. by other road users, obstacles on the road or the edge of the road. The differentiation of obstacles or objects such. B. other road users, traffic signs, road markings, peripheral buildings, crash barriers and the like is of great importance to determine when z. B. a braking or steering intervention is to be initiated.
In einem idealisierten Verkehrsszenario ist die Wahrscheinlichkeit, dass die für die Umgebungserfassung relevanten Objekte durch den Radarsensor erkannt werden sehr hoch. Jedoch kann die Funktionalität derartiger Radarsensoren in gestörten Umgebungen, wie z. B. Tunnelbereichen, Brücken, Tiefgaragen, geschlossenen Strukturen usw. beeinträchtigt sein, insbesondere, da in gestörten Umgebungen viele unterschiedliche Detektionen Geisterobjekte (d. h. Objekte, die aufgrund von Detektionen fehlerhaft erkannt werden, real jedoch nicht existieren) erzeugen können. Durch Geisterobjekte kann es dann z. B. zu Fehlbremsungen oder unnötig ausgelösten Bremsungen kommen. Ferner sind in der Regel auch die vor einem Tunnel liegenden Regionen (die frühen Tunnelregionen) gestört, wobei die Störintensität steigt, sobald der Tunneleingang erreicht wird. Herkömmliche Tunnelerkennungsalgorithmen funktionieren dabei nur, wenn das Ego-Fahrzeug weit genug in den Tunnel hineinfährt. Beispielsweise hat sich gezeigt, dass die Notbremseigenschaften (bzw. EBA-Funktionalität) in Regionen vor dem Tunnel negativ beeinflusst werden, da ein plötzlicher Übergang in dieser Region („Tunnel“ zu „Nicht-Tunnel“ oder umgekehrt) kritische Detektionsverhältnisse verursachen kann. Es besteht daher ein besonderes Interesse Tunneleingänge in allen Umwelt- und Verkehrsszenarien kontinuierlich und rechtzeitig zu erkennen. Beispielsweise kann eine Tunnelerkennung bzw. der Tunneleintritt mit einem Radarsensor erfasst werden.In an idealized traffic scenario, the probability that the objects relevant for detecting the surroundings will be detected by the radar sensor is very high. However, the functionality of such radar sensors in noisy environments such. tunnel areas, bridges, underground car parks, closed structures, etc., especially since many different detections can generate ghost objects (i.e. objects that are incorrectly recognized due to detections but do not really exist) in noisy environments. By ghost objects it can then z. B. lead to incorrect braking or unnecessarily triggered braking. Furthermore, the regions in front of a tunnel (the early tunnel regions) are usually also disturbed, with the interference intensity increasing as soon as the tunnel entrance is reached. Conventional tunnel detection algorithms only work if the ego vehicle drives far enough into the tunnel. For example, it has been shown that the emergency braking properties (or EBA functionality) are negatively affected in regions before the tunnel, since a sudden transition in this region (“tunnel” to “non-tunnel” or vice versa) can cause critical detection conditions. There is therefore a special interest in continuously and promptly recognizing tunnel entrances in all environmental and traffic scenarios. For example, a tunnel detection or tunnel entry can be detected with a radar sensor.
Druckschriftlicher Stand der TechnikPrinted state of the art
Aus der
Aufgabe der vorliegenden ErfindungObject of the present invention
Die Aufgabe der vorliegenden Erfindung besteht nunmehr darin, eine neuartige Methode zur Tunnelerkennung zur Verfügung zu stellen, durch welche die Tunnelerkennung in einfacher und kostengünstiger Weise verbessert wird und mit der aus dem Stand der Technik bekannte Nachteile überwunden werden.The object of the present invention is now to provide a novel method for tunnel detection which improves the tunnel detection in a simple and cost-effective manner and with which the disadvantages known from the prior art are overcome.
Lösung der Aufgabesolution of the task
Die vorstehende Aufgabe wird durch die gesamte Lehre des Anspruchs 1 sowie der nebengeordneten Ansprüche gelöst. Zweckmäßige Ausgestaltungen der Erfindung sind in den Unteransprüchen beansprucht.The above object is achieved by the entire teaching of
Das erfindungsgemäße Verfahren nutzt zur Tunnelerkennung eine Tunnelfrüherkennung bzw. Tunnelvorklassifikation, um den vorausliegenden Tunnel in einem bestimmten Abstand vor der Einfahrt in den Tunnel zu erkennen, je nachdem wie weit der Tunnel vom Ego-Fahrzeug entfernt liegt bzw. bis dieses auf den Tunnel trifft (TTC bzw. Time-to-Kollision). Der Hauptgrund für die Anwendung einer derartigen Tunnelfrüherkennung ist dabei die Verbesserung der Vortriebsfunktionalität oder der Sensorfusion, indem unterschiedliche Parametrierungen anhand der erfassten Tunnelinformationen ermöglicht werden. Dieses Verfahren ist insbesondere für Fahrzeuge geeignet, welche eine Umgebungserfassung z. B. zur Objekterkennung und Objektklassifikation sowie zur Ausführung von Assistenzfunktionen aufweisen. Erfindungsgemäß ist zur Umgebungserfassung ein Radarsensor vorgesehen, welcher ein Radarsignal (d. h. Radarstrahlen bzw. eine elektromagnetische Welle) aussendet, das von den Objekten in der Umgebung des Radarsensors reflektiert wird, sodass anhand der reflektierten Radarsignale Radardaten bzw. Radardetektionen erzeugt werden. Anhand dieser Radardetektionen können dann die Objekte in der Umgebung des Radarsensors erkannt werden, z. B. andere Verkehrsteilnehmer (PKW, LKW, Fußgänger, Zweiräder, Scooter, Tiere und dergleichen), Straßenrandbebauungen, Bewuchs, Leitplanken und dergleichen. Hierbei werden den Detektionen bzw. Objekten eine Entfernungsinformation zugeordnet. Ferner kann der Radarsensor den Radardetektionen eine Höheninformation zuordnen, d. h. der Radarsensor kann beispielsweise die Elevation der Radardetektionen bzw. der den Radardetektionen zugeordneten Objekten bestimmen. Ferner erfolgt eine Festlegung mindestens einer Interessenregion innerhalb der die Radardetektionen zur weiteren Verarbeitung verwendet werden. Dabei wird anhand der Radardetektionen ein erstes und ein zweites Histogramm erzeugt. Das erste Histogramm umfasst die Dichte der Radardetektionen innerhalb der Interessenregion (Dichtehistogramm) und das zweite Histogramm die Höheninformation der Radardetektionen innerhalb der Interessenregion (Höhenhistogramm). Die Tunnelfrüherkennung erfolgt dann anhand einer statistischen Auswertung dieser Histogramme. Das erfindungsgemäße Verfahren schafft dabei den Vorteil, dass plötzliche Veränderungen in der Umgebung weit vor der Tunnelregion identifiziert werden. Dadurch können sicherheitskritische Funktionen bzw. Assistenten verbessert werden, indem diese frühzeitig auf Veränderungen der Umgebung aufmerksam gemacht werden können, bevor sich diese Veränderungen kritisch auf die Umgebungsdetektion oder die Fahrt des Ego-Fahrzeuges auswirken. Ferner kann die Tunnelfrüherkennung beim halbautomatisierten Fahren genutzt werden, um den Fahrer mitzuteilen bzw. zu zwingen, dass er wieder die Kontrolle über das Fahrzeug übernehmen soll bzw. übernimmt. Beispielsweise erkennt der Algorithmus dabei, dass das Ego-Fahrzeug nicht mehr zuverlässig gesteuert werden kann, sobald ein vorausliegender Tunnel erkannt wird.For tunnel detection, the method according to the invention uses early tunnel detection or tunnel pre-classification in order to detect the tunnel ahead at a certain distance before entering the tunnel, depending on how far away the tunnel is from the ego vehicle or until it meets the tunnel ( TTC or time-to-collision). The main reason for using such an early tunnel detection is to improve the propulsion functionality or the sensor fusion by allowing different parameterizations based on the tunnel information recorded. This method is particularly suitable for vehicles that detect the surroundings, e.g. B. for object recognition and object classification and for the execution of assistance functions. According to the invention, a radar sensor is provided for detecting the surroundings, which emits a radar signal (i.e. radar beams or an electromagnetic wave) which is reflected by the objects in the vicinity of the radar sensor, so that radar data or radar detections are generated based on the reflected radar signals. These radar detections can then be used to identify the objects in the vicinity of the radar sensor, e.g. B. other road users (cars, trucks, pedestrians, two-wheelers, scooters, animals and the like), roadside buildings, vegetation, crash barriers and the like. Here, distance information is assigned to the detections or objects. Furthermore, the radar sensor can assign height information to the radar detections, i. H. the radar sensor can, for example, determine the elevation of the radar detections or of the objects assigned to the radar detections. Furthermore, at least one region of interest is defined within which the radar detections are used for further processing. A first and a second histogram are generated on the basis of the radar detections. The first histogram includes the density of radar detections within the region of interest (density histogram) and the second histogram includes the altitude information of the radar detections within the region of interest (altitude histogram). The early tunnel detection is then based on a statistical evaluation of these histograms. The method according to the invention creates the advantage that sudden changes in the environment are identified far in front of the tunnel region. As a result, safety-critical functions or assistants can be improved by being able to draw their attention to changes in the environment at an early stage before these changes have a critical effect on the environment detection or the driving of the ego vehicle. Furthermore, early tunnel detection can be used in semi-automated driving to inform or force the driver to take or take control of the vehicle again. For example, the algorithm recognizes that the ego vehicle can no longer be controlled reliably as soon as a tunnel ahead is detected.
Vorzugsweise wird die Entfernungsinformation und/oder eine Tunnelwahrscheinlichkeit des Tunnels bzw. des Objekts, welches als Tunnel klassifiziert werden soll, anhand der statistischen Auswertung der erstellten Histogramme ermittelt. Beispielsweise kann das Histogramm eine diskrete, stichprobenartige Annäherung an die Verteilung umfassen. Dadurch können allgemein bekannte Statistiken für jegliche Verteilung problemlos angewendet und mit einem fundierten theoretischen Hintergrund interpretiert werden. In vorteilhafter Weise kann z. B. das Maximum (das Maximum des Histogramms als Statistik würde als „Modus“ bezeichnet) und der Durchschnitt zur Berechnung herangezogen werden. Alternativ oder zusätzlich können aber auch komplexere Statistiken, wie z. B. der Median verwendet werden, die in einem einfachen, monotonen Verhältnis zur Tunnelwahrscheinlichkeit und -entfernung stehen. In einfacher Weise könnte auch die Position des Maximalwertes (argmax) herangezogen werden, um die Entfernung zum Tunnel zu schätzen.The distance information and/or a tunnel probability of the tunnel or of the object that is to be classified as a tunnel is preferably determined using the statistical evaluation of the histograms that have been created. For example, the histogram may include a discrete, randomized approximation of the distribution. This means that well-known statistics can be easily applied to any distribution and interpreted with a sound theoretical background. Advantageously z. B. The maximum (the maximum of the histogram as a statistic would be called "mode") and the average are used for the calculation. Alternatively or additionally, however, more complex statistics, such as e.g. B. the median can be used, which are in a simple, monotonic relationship to the tunnel probability and distance. In a simple way, the position of the maximum value (argmax) could also be used to estimate the distance to the tunnel.
Ferner könnte eine derartige Statistik als Eingabe (Funktion) eines maschinellen Lern (ML)-Algorithmus verwendet werden, wobei der Begriff „Machine learning (ML)“ bzw. „Maschinelles Lernen“ im Sinne der Erfindung das Verwenden von Algorithmen bzw. Modellen beschreibt, um Daten zu analysieren, daraus zu lernen und dann eine Bestimmung oder Vorhersage über etwas (noch nicht sichtbares) zu treffen. Dabei kann das überwachte als auch das unüberwachte Lernen Anwendung finden. Für die Analyse der Daten ist unter anderem die Labelling-Strategie bzw. Etikettierung oder Beschriftung der Daten von entscheidender Bedeutung. Alternativ oder zusätzlich kann auch das Histogramm als solches, abhängig von den Fähigkeiten des Modells, als Eingabe direkt in das ML-Modell eingespeist werden. In gleicher Weise gilt dies auch für kompliziertere Statistiken, die nicht in einer einfachen (monotonen) Beziehung mit der Tunnelwahrscheinlichkeit und -entfernung stehen, wie z. B. die Standardabweichung, Momente, Kurtosis, Schiefe und dergleichen. Der methodische Unterschied zwischen der Tunnelfrüherkennung und der Entfernungsschätzung liegt hierbei darin, dass die Tunnelfrüherkennung z. B. als binäre, klassifizierte Aufgabe anzusehen ist, für die bereits bekannte Standard-ML-Modelle in einfacher Weise verwendet werden können und die Entfernungsschätzung eine so genannte Regressionsaufgabe ist, da die Entfernung nicht-binär ist und als reelle Zahl vorliegt, bei der andere ML-Modelle angewendet werden müssen. Die Eingabefunktionen kann somit für beide Modelle ähnlich sein, wird jedoch eingangsabhängig unterschieden. Beispielsweise kann für die Distanzeinschätzung eine lineare Regression und für die binäre Klassifizierung eine logistische Regression verwendet werden.Furthermore, such a statistic could be used as an input (function) of a machine learning (ML) algorithm, the term “machine learning (ML)” or “machine learning” in the sense of the invention describing the use of algorithms or models, to analyze data, learn from it, and then make a determination or prediction about something (not yet visible). Both supervised and unsupervised learning can be used. For the analysis of the data, the labeling strategy or labeling or labeling of the data is of crucial importance. Alternatively or additionally, the histogram as such can also be fed directly into the ML model as an input, depending on the capabilities of the model. Equally, this also applies to more complicated statistics that do not have a simple (monotonic) relationship with tunnel probability and distance, such as B. the standard deviation, moments, kurtosis, skewness and the like. The methodological difference between early tunnel detection and distance estimation is that early tunnel detection e.g. B. is to be regarded as a binary, classified task for which standard ML models already known can be used in a simple manner and the distance estimation is a so-called regression task, since the distance is non-binary and is present as a real number, in which the other ML models must be applied. The input functions can therefore be similar for both models, but differ depending on the input. For example, linear regression can be used for distance estimation and logistic regression for binary classification.
Zweckmäßigerweise kann die statistische Auswertung anhand des Ergebnisses des statistischen Mittelwertes des ersten Histogramms und der maximalen Höhe des zweiten Histogramms erfolgen.The statistical evaluation can expediently be carried out using the result of the statistical mean value of the first histogram and the maximum height of the second histogram.
Ferner können die Radardetektionen des Radarsensors vor der Weiterverarbeitung anhand einer Filterung gefiltert werden. Die Filterung kann dabei z. B. als mathematischer Teilalgorithmus erfolgen. Insbesondere kann die Filterung bei der Erfassung stationärer Detektionen bzw. Objekte angewendet werden.Furthermore, the radar detections of the radar sensor can be filtered using filtering before further processing. The filtering can z. B. done as a mathematical sub-algorithm. In particular, the filtering can be used when detecting stationary detections or objects.
Die Radardetektion werden von den in der Umgebung des Radarsensors bzw. des Ego-Fahrzeuges befindlichen reflektierenden Objekten und deren Materialeigenschaften (Reflektivität) beeinflusst. Einige Radardetektionen haben dabei mehrere Radarsignalausbreitungswege und folglich auch mehrere Hypothesen (Ziele). Derartige Detektionen werden als Multitargets bzw. Mehrfachziele insbesondere eines Objekts markiert. In vorteilhafter Weise können die Radardetektionen zur Tunnelfrüherkennung auch derartige Multitargets umfassen, um die Tunnelfrüherkennung noch zusätzlich zu verbessern.The radar detection is influenced by the reflecting objects in the vicinity of the radar sensor or the ego vehicle and their material properties (reflectivity). Some radar detections have multiple radar signal propagation paths and consequently multiple hypotheses (targets). Such detections are marked as multi-targets or multiple targets, in particular of an object. Advantageously, the radar detections for early tunnel detection can also include such multi-targets in order to further improve the early tunnel detection.
Vorzugsweise erfolgt die Festlegung der Interessenregion anhand mindestens eines Fahrparameters, insbesondere anhand der Geschwindigkeit und/oder der Beschleunigung des Ego-Fahrzeuges.The region of interest is preferably defined using at least one driving parameter, in particular using the speed and/or the acceleration of the ego vehicle.
Vorzugsweise umfasst das Verfahren einen ersten Teilalgorithmus für Autobahnszenarien und einen zweiten Teilalgorithmus für Stadtszenarien, wobei die Teilalgorithmen nacheinander oder parallel ausgeführt werden. Darüber hinaus können noch weitere Teilalgorithmen vorgesehen sein, um die Bestimmungssicherheit noch zusätzlich zu erhöhen.The method preferably includes a first sub-algorithm for freeway scenarios and a second sub-algorithm for city scenarios, with the sub-algorithms being executed one after the other or in parallel. In addition, further sub-algorithms can be provided in order to further increase the reliability of the determination.
Ferner kann beim ersten Teilalgorithmus die Interessenregion in lateraler Richtung durch detektierte statische Objekte, d. h. beispielsweise Leitplanken oder Straßenrandbebauungen, festgelegt werden, da diese in Autobahnszenarien anhand der vorhandenen Sensorik (Radar, Lidar, Kamera und dergleichen) in der Regel zuverlässig und sicher bestimmbar sind.Furthermore, in the first sub-algorithm, the region of interest can be affected in the lateral direction by detected static objects, i. H. for example crash barriers or roadside buildings, since these can usually be reliably and safely determined in freeway scenarios using the available sensors (radar, lidar, camera and the like).
Zudem kann beim zweiten Teilalgorithmus für städtische Szenarien der Kurvenfaktor zur Bestimmung der Tunnelwahrscheinlichkeit herangezogen werden, um z. B. häufiges Lenken und/oder Manövrieren abzubilden. Der Kurvenfaktor beschreibt dabei die Krümmungsinformationen des Fahrtweges (z. B. ermittelt über Neigungswinkelmessungen, Lenkeinschlag, Navigationsdaten und dergleichen), welche anstelle einer Straßenschätzung verwendet werden können, da die Straßenschätzung in urbanen Szenarien nicht immer zuverlässig ist. Um den Einfluss plötzlicher Abbiege- und Wendemanöver zu reduzieren, z. B. beim Spurwechsel, kann die Krümmung extrahiert bzw. herausgefiltert werden (d. h. der Kurvenfaktor kann zur Bestimmung der Interessenregion verwendet werden, wobei die Krümmungsinformationen gefiltert werden, um die entsprechenden Manöver zu berechnen). Darüber hinaus kann der Umkehrfaktor, der dem Krümmungswinkel des Fahrtweges des Ego-Fahrzeugs entspricht, genutzt werden, um die Zuverlässigkeit des Systems noch weiter zu verbessern.In addition, in the second sub-algorithm for urban scenarios, the curve factor can be used to determine the tunnel probability, e.g. B. to map frequent steering and / or maneuvering. The curve factor describes the curvature information of the route (e.g. determined via inclination angle measurements, steering angle, navigation data and the like), which can be used instead of a street estimate, since street estimates are not always reliable in urban scenarios. To reduce the impact of sudden turns and U-turns, e.g. e.g. when changing lanes, the curvature can be extracted or filtered out (i.e. the curve factor can be used to determine the region of interest, with the curvature information being filtered to calculate the corresponding maneuvers). In addition, the reversal factor, which corresponds to the curvature angle of the travel path of the ego vehicle, can be used to further improve the reliability of the system.
In bevorzugter Weise können die Ergebnisse der Teilalgorithmen anschließend fusioniert werden, sodass die dadurch ermittelten Tunnelwahrscheinlichkeiten bzw. Tunnelfrüherkennungen miteinander abgeglichen oder ergänzt werden. Dadurch kann eine Art Funktionsüberprüfung erfolgen, indem z. B. in einem Speicher der Steuereinheit hinterlegte Abgleichmuster oder Berechnungsmodule herangezogen werden, um die Ergebnisse die einzelnen Teilalgorithmen zu vergleichen (Plausibilitätscheck).In a preferred manner, the results of the sub-algorithms can then be merged, so that the tunnel probabilities or early tunnel detections thus determined are compared with one another or supplemented. As a result, a kind of function check can be carried out by e.g. B. stored in a memory of the control unit comparison pattern or calculation modules can be used to compare the results of the individual sub-algorithms (plausibility check).
Gemäß einer besonderen Ausgestaltung des Verfahrens erfolgt eine Umgebungsklassifikation bzw. Umfeldmodellerstellung, die zur Festlegung der mindestens einen Interessenregion und/oder zur Auswahl des jeweiligen Teilalgorithmus herangezogen wird. Vorzugsweise können die vom Radarsensor erkannten Objekte zur Umgebungsklassifikation genutzt werden. Ferner können auch andere Parameter zur Umgebungsklassifikation herangezogen werden, z. B. eine Verkehrszeichen- und/oder Verkehrsteilnehmererkennung mittels Kamera, 3D-Daten von entsprechenden Sensoren (z. B. Lidar/High-Flash-Lidar, Kamera/Stereokamera oder dergleichen) und/oder Navigations-/GPS-Daten.According to a special embodiment of the method, an environment classification or environment model is created, which is used to define the at least one region of interest and/or to select the respective sub-algorithm. The objects detected by the radar sensor can preferably be used for environmental classification. Furthermore, other parameters can also be used to classify the environment, e.g. B. a traffic sign and / or road user recognition by means of a camera, 3D data from appropriate sensors (z. B. lidar / high-flash lidar, camera / stereo camera or the like) and / or navigation / GPS data.
In praktischer Weise kann anhand der Radardetektionen ein Reflexionsmuster erfasst werden, welches zur Umgebungsklassifikation herangezogen wird. Beispielsweise können Umgebungsmerkmale, wie z. B. viele langsam bewegende Objekte, vermehrtes Verkehrsaufkommen, häufige Abbiege- und Wendemanöver, viele Fußgänger und dergleichen, auf eine urbane Umgebung schießen lassen. In gleicher Weise könnten schnell bewegende Verkehrsteilnehmer (hohe Geschwindigkeiten, z. B. mehr als 60 km/h insbesondere mehr als 80 km/h oder mehr als 100 km/h) und vergleichsweise geringe Bewegungsrichtungsänderungen auf eine Autobahnumgebung schließen lassen. Beispielhafte Reflexionsmuster, die zur Umgebungsklassifikation geeignet sind, können z. B. in einem Speicher der Steuereinrichtung hinterlegt sein, um dann die Umgebungsklassifikation anhand eines Abgleichs der erfassten Reflexionen mit den hinterlegten Reflexionsmustern durchzuführen. Darüber hinaus können auch die Reflexionsmuster anhand von ML-Algorithmen erlernt bzw. trainiert werden, um die Anzahl an zu erkennenden Szenarien zu erhöhen.In a practical way, based on the radar detections, a reflection pattern can be recorded, which is used for the classification of the surroundings. For example, environmental features such as B. many slow-moving objects, increased traffic, frequent Making turns and U-turns, lots of pedestrians and the like, shooting at an urban environment. In the same way, fast-moving road users (high speeds, e.g. more than 60 km/h, in particular more than 80 km/h or more than 100 km/h) and comparatively small changes in the direction of movement could indicate a motorway environment. Exemplary reflection patterns that are suitable for environment classification can e.g. B. be stored in a memory of the control device, in order to then carry out the environment classification based on a comparison of the detected reflections with the stored reflection patterns. In addition, the reflection patterns can also be learned or trained using ML algorithms in order to increase the number of scenarios to be recognized.
Zweckmäßigerweise können die Höheninformationen vor der Zuordnung zur jeweiligen Radardetektion durch einen Filter abgeleitet werden. In vorteilhafter Weise wird Filter genutzt, insbesondere ein 1D-Gauß‘scher Filter (Gauß-Filter), um die empirische Verteilung der Höhenangabe im realen Tunnel zu beschreiben, sodass eine die Höheninformationen vor der Zuordnung zur jeweiligen Radardetektion abgeleitet werden kann. Dabei können z. B. Radardetektionen oder Objekte zu diesen Detektionen mit einer bestimmten Höhe über der Fahrbahn, z. B. von über 10 m und unter 2 m, vorzugsweise über 8 m und unter 3 m und besonders vorzugsweise über 7 m und unter 4 m ausgefiltert bzw. verworfen werden. Dadurch können Objekthöhen herausgesucht werden, die auch einem realen Tunneleingang entsprechen würden. Ferner kann auch die obere Grenze entfallen, da diese durch die Elevationsbestimmungsgrenzen des Radarsensors begrenzt werden kann.The height information can expediently be derived through a filter before being assigned to the respective radar detection. A filter is advantageously used, in particular a 1D Gaussian filter (Gaussian filter), in order to describe the empirical distribution of the height information in the real tunnel, so that the height information can be derived before it is assigned to the respective radar detection. In doing so, e.g. B. radar detections or objects to these detections with a certain height above the road, z. B. of more than 10 m and less than 2 m, preferably more than 8 m and less than 3 m and particularly preferably more than 7 m and less than 4 m are filtered out or discarded. This allows object heights to be selected that would also correspond to a real tunnel entrance. Furthermore, the upper limit can also be omitted since it can be limited by the elevation determination limits of the radar sensor.
Neben- oder untergeordnet beansprucht die vorliegende Erfindung zudem ein System, insbesondere ein Datenverarbeitungssystem, Sensorsystem bzw. ein eine Sensorvorrichtung umfassendes System, mit einem Radarsensor und einem Computer bzw. eine Steuereinrichtung, welches dazu hergerichtet ist, die Tunnelfrüherkennung anhand des erfindungsgemäßen Verfahrens durchzuführen.The present invention also claims a system, in particular a data processing system, sensor system or a system comprising a sensor device, with a radar sensor and a computer or a control device, which is set up to carry out early tunnel detection using the method according to the invention.
Ferner umfasst die vorliegende Erfindung ein Computerprogramm mit Programmcode zur Durchführung des erfindungsgemäßen Verfahrens, wenn das Computerprogramm in einem Computer oder einem sonstigen aus dem Stand der Technik bekannten programmierbaren Rechner (z. B. eine einen Prozessor, Mikrocontroller oder dergleichen umfassenden Rechnervorrichtung) ausgeführt wird.The present invention also includes a computer program with program code for carrying out the method according to the invention when the computer program is executed in a computer or another programmable computer known from the prior art (e.g. a computer device comprising a processor, microcontroller or the like).
Zudem umfasst die vorliegende Erfindung ein computerlesbares Speichermedium, das Anweisungen umfasst, welche den Computer, auf dem sie ausgeführt werden, veranlassen, ein Verfahren nach mindestens einem der vorhergehenden Ansprüche durchzuführen.In addition, the present invention comprises a computer-readable storage medium comprising instructions which cause the computer on which they are executed to carry out a method according to at least one of the preceding claims.
In überraschender Weise hat sich zudem gezeigt, dass die vorliegende Erfindung auch auf andere Sensortypen, wie z. B. Kamera-, Lidar-, Ultraschallsensoren oder Sensorkombinationen daraus anwendbar ist, wenn geeignete Eingabedaten verwendet und das Training entsprechend darauf abgestimmt wird.Surprisingly, it has also been shown that the present invention can also be applied to other types of sensors, such as e.g. B. camera, lidar, ultrasonic sensors or sensor combinations thereof is applicable if suitable input data is used and the training is tailored accordingly.
Ferner kann es sich bei dem erfindungsgemäßen Verfahren um ein rein computerimplementiertes Verfahren handeln, wobei der Begriff „computerimplementiertes Verfahren“ im Sinne der Erfindung eine Ablaufplanung oder Vorgehensweise beschreibt, welche anhand eines Rechners verwirklicht bzw. durchgeführt wird. Der Rechner, wie z. B. ein Computer, ein Computernetzwerk, eine Steuereinheit (z. B. ECU bzw. Electronic Control Unit oder ADCU bzw. Assisted & Automated Driving Control Unit) bzw. eine Rechenvorrichtung darin oder eine andere aus dem Stand der Technik bekannte programmierbare Vorrichtung, kann dabei mittels programmierbarer Rechenvorschriften die entsprechenden Daten verarbeiten. In Bezug auf das Verfahren können dabei die wesentlichen Eigenschaften z. B. durch ein neues Programm, neue Programme, einen Algorithmus oder dergleichen bewirkt werden.Furthermore, the method according to the invention can be a purely computer-implemented method, with the term “computer-implemented method” in the sense of the invention describing a flow plan or procedure that is implemented or carried out using a computer. The calculator, such as B. a computer, a computer network, a control unit (z. B. ECU or Electronic Control Unit or ADCU or Assisted & Automated Driving Control Unit) or a computing device therein or any other programmable device known from the prior art, can process the corresponding data using programmable calculation rules. With regard to the process, the essential properties can be e.g. B. be effected by a new program, new programs, an algorithm or the like.
Beschreibung der Erfindung anhand von AusführungsbeispielenDescription of the invention based on exemplary embodiments
Im Folgenden wird die Erfindung anhand von zweckmäßigen Ausführungsbeispielen näher erläutert. Es zeigen:
-
1 eine stark vereinfachte schematische Darstellung eines Ego-Fahrzeuges mit einer Tunnelfrüherkennung anhand des erfindungsgemäßen Verfahrens: -
2 eine vereinfachte schematische Darstellung einer Ausgestaltung eines erfindungsgemäßen Verfahrensablaufs, sowie -
3 eine vereinfachte schematische Darstellung im 1 D-Diagramm einer Ausgestaltung eines Gauß-Filters.
-
1 a greatly simplified schematic representation of an ego vehicle with early tunnel detection using the method according to the invention: -
2 a simplified schematic representation of an embodiment of a method sequence according to the invention, and -
3 a simplified schematic representation in the 1D diagram of an embodiment of a Gaussian filter.
Bezugsziffer 1 in
Das Ego-Fahrzeug 1 umfasst dabei eine erfindungsgemäße Tunnelfrüherkennung, die insbesondere anhand der Daten des Radarsensors 6 umgesetzt wird. Der erfindungsgemäße Verfahrensablauf kann dabei als rein computerimplementiertes Verfahren auf der Steuereinrichtung 2, welche somit als Computer dient, durchgeführt werden. Ziel der Tunnelfrüherkennung ist es, den Tunnel in einer bestimmten Entfernung zu erkennen, bevor das Ego-Fahrzeug 1 in den realen Tunnel eintritt, um dadurch z. B. Assistenzfunktionen zu unterstützen. Die angegebene Entfernung kann dabei auf eine Zeit bis zum Tunneleintritt bzw. „Time to Collision“ (TTC) basieren. Eine Ausgestaltung eines erfindungsgemäßen Verfahrensablaufs ist in
Die Radardetektionen bzw. Radardaten des Radarsensors 6 werden vor der Weiterverarbeitung zunächst gefiltert (Filterung 10), wobei eine Interessenregion bzw. ROI (Region of Interest) definiert (Festlegung 11 für Stadtszenario/Autobahnszenario) wird, innerhalb der die Radardetektionen zur weiteren Verarbeitung verwendet werden. Ferner werden dabei unterschiedliche Interessenregionen z. B. anhand der Ego-Geschwindigkeit unterschieden. Für die frühzeitige Tunnelerkennung bzw. Tunnelfrüherkennung in Stadt und Autobahnszenarien werden die Musterinformationen bzw. Radarinformationen jeweils auf zwei 1-D Histogramme 12a, 12b aufgezeichnet. Das erste Histogramm 12a bildet dabei die Dichte der Detektionen in einer bestimmten Region ab (Dichtehistogramm), während das zweite Histogramm 12b die kombinierten Höheninformationen der Detektionen bildet (Höhenhistogramm). Die Höheninformationen werden vor der Zuordnung z. B. durch einen Filter abgeleitet, der z. B. an einem 1D-Gauß‘schen Filter ähnlich bzw. angelegt ist, welcher die Tunnelhöhe mehr gewichtet. Dadurch können statistische Informationen aus den Histogrammen 12a, 12b extrahiert werden. Beispielsweise kann für die Tunnelfrüherkennung bzw. Tunnelvorklassifizierung das Ergebnis des statistischen Mittelwertes des Nachweishistogramms und der maximalen Höhe des Histogramms herangezogen werden. Der Gauß-Filter kann dabei als Tiefpassfilter ausgestaltet sein, der zur Rauschminderung eingesetzt wird. Als räumlicher Filter kann er zur Verbesserung der Daten bzw. Regionen verwendet werden. Eine exemplarische Ausgestaltung eines Gauß-Filters im 1D-Diagramm ist in
Die Radarreflexionen des Radarsensors 6 können beispielsweise von der Umgebung, den reflektierenden Objekten in der Umwelt sowie den Materialeigenschaften (Reflexibilität) der Objekte beeinflusst werden, sodass das Muster der Radarreflexion variiert sobald sich Umgebungsveränderungen ergeben. Die Erkennung dieser unterschiedlichen Muster und die Extraktion dieser wird dabei zur Erkennung gestörter Umgebungsbereiche verwendet (Erkennung und Extraktion 13). Aufgrund der Tatsache, dass die Umgebung außerhalb des Tunnels in Stadt- und Autobahnregionen unterschiedlich ist, kann der Algorithmus z. B. anhand von unterschiedlich gewichteten und erfassten Parametern in zwei parallel ausgestaltete Algorithmen (Teilalgorithmen) unterteilt werden. Dadurch können Verkehrsszenarien für Stadt- und Autobahntunnel vom Algorithmus besser bewältigt werden (Teilalgorithmus 14 für Autobahnszenarien oder Teilalgorithmus 15 für Stadtszenarien). Anhand der Erkennung und Extraktion 13 kann dann der jeweilige Teilalgorithmus 14, 15 ausgewählt werden. In praktischer Weise können auch noch weitere Teilalgorithmen vorgesehen sein, um noch weitere spezielle Verkehrsszenarien (z. B. Tunnel auf Landstraßen oder dergleichen) jeweils über einen separat ablaufenden Teilalgorithmus zu bestimmen. Je mehr Einzelszenarien durch einen Teilalgorithmus abgedeckt sind, desto größer wird die Betriebs- und Verkehrssicherheit. Da sich dabei jedoch auch der Rechen- und Programmierungsaufwand erhöht, ist ein Kompromiss zwischen Betriebs- und Verkehrssicherheit sowie Rechen- und Programmierungsaufwand zu wählen, der letztendlich die Anzahl an Teilalgorithmen bestimmen kann.The radar reflections of the
In bekannten Autobahnszenarien, in denen ein Autobahntunnel erkannt werden soll, zählen Detektionen in Verbindung mit Kurvenszenarien, Leitplanken, Lärmschutzwänden und dergleichen zu den großen Herausforderungen des Radarsystems. Insbesondere spielt hier auch die Detektion von statischen Objekten eine besondere Bedeutung, wobei statische Objekte im Sinne der Erfindung ortsfeste Objekte sind, z. B. Leitplanken, Gebäude, ortsfeste Fahrzeuge und dergleichen, welche die Erkennung der Fahrbahnbegrenzungen für das Ego-Fahrzeug 1 in einfacher Weise ermöglichen. Um derartige Beeinflussungen zu vermeiden, können für unterschiedliche Verkehrsszenarien unterschiedliche Interessenregion verwendet werden. Für Autobahnen kann z. B. ein ROI verwendet werden, das aufgrund von Straßengrenzinformationen modifiziert wurde. Dabei sind die seitlichen Begrenzungen durch Straßenkanten definiert, während der Längsbereich festgelegt ist (z. B. Vordefiniert in Meter). Die Merkmale für die Klassifizierung eines Tunnels werden dabei aus den Detektionen innerhalb der definierten Interessenregion extrahiert.In well-known freeway scenarios in which a freeway tunnel is to be detected, detections in connection with curve scenarios, crash barriers, noise protection walls and the like are among the major challenges for the radar system. In particular, the detection of static objects also plays a special role here, static objects being stationary objects within the meaning of the invention, e.g. B. crash barriers, buildings, stationary vehicles and the like, which allow the detection of lane boundaries for the
In städtischen Verkehrsszenarien, bei denen z. B. ein Stadttunnel erkannt werden soll, fährt das Ego-Fahrzeug 1 in der Regel mit einer geringeren Geschwindigkeit, sodass die Interessenregion bzw. ROI vorzugsweise in Längs- und Querdistanzen festgelegt wird. Durch häufiges Manövrieren bzw. unterschiedliche Fahrmanöver, welche in Stadtgebieten üblicherweise durchgeführt werden, kommt es oftmals zu „falsch-positiven“ Tunnelerkennungen. Um diese falsch-positiven Tunnelerkennungen in der Stadt zu vermeiden, wird der Bogenhalbmesser des Ego-Fahrzeuges 1 dabei zuerst gefiltert, um ein plötzliches Manövrieren zu bestimmen und die Wichtung für den gefilterten Bogenhalbmesser zu berechnen. Das aus dem jeweiligen Histogramm entsprechend extrahierte Merkmal wird dabei auf der Grundlage des Kurvenradius gewichtet. Zusätzlich können auch mehrere Ziele bestimmt werden, die z. B. mittels einer trapezoidalen Detektionsregion 16 bzw. ROI extrahiert werden. Die jeweiligen Zusatzfunktionen können anschließend z. B. anhand eines linearen Regressionsmodells 17 kombiniert werden.In urban traffic scenarios where z. B. a city tunnel is to be recognized, the
Die Teilalgorithmen können anschließend zusammengeführt werden, beispielsweise im Rahmen einer anschließenden Datenfusion 18. Eine derartige Datenfusion kann dabei unter Berücksichtigung der gewichteten Geschwindigkeiten erfolgen, um die Stadt- und Autobahn-Szenarien zu kombinieren. Dementsprechend kann für eine frühzeitige Erkennung von Stadt- und Autobahntunneln der jeweilige Teilalgorithmus anhand der aktuellen Ego-Geschwindigkeit des Ego-Fahrzeuges 1 gewählt werden.The sub-algorithms can then be combined, for example as part of a
Durch das erfindungsgemäße Verfahren können somit wichtige statistische Informationen aus den relevanten Radardaten identifiziert und extrahiert werden, um frühzeitig zwischen Tunnelbereichen und Nicht-Tunnelbereichen zu unterscheiden. Der Algorithmus kann dabei verwendet werden, um Regionen zu identifizieren, die weniger stark durch anschließende Bauwerke (z. B. Tunnel) beeinträchtigt sind. Ferner kann der Algorithmus auch derart erweitert werden, dass z. B. geschlossene Strukturen wie Parkhausanlagen, Unterführungen, Brücken und dergleichen erkannt und klassifiziert werden können.The method according to the invention can thus be used to identify and extract important statistical information from the relevant radar data in order to distinguish between tunnel areas and non-tunnel areas at an early stage. The algorithm can be used to identify regions that are less affected by adjacent structures (e.g. tunnels). Furthermore, the algorithm can also be extended in such a way that e.g. B. closed structures such as multi-storey car parks, underpasses, bridges and the like can be recognized and classified.
BezugszeichenlisteReference List
- 11
- Ego-Fahrzeugego vehicle
- 22
- Steuereinrichtungcontrol device
- 33
- Lenkungsteering
- 44
- Motorengine
- 55
- Bremsebrake
- 66
- Fernbereichs-RadarsensorLong range radar sensor
- 7a-7d7a-7d
- Nahbereichs-RadarsensorShort-range radar sensor
- 88th
- Lidarsensorlidar sensor
- 99
- Frontkamerafront camera
- 1010
- Filterungfiltering
- 1111
- Festlegungdetermination
- 12a12a
- Dichtehistogrammdensity histogram
- 12b12b
- Höhenhistogrammelevation histogram
- 1313
- Erkennung und ExtraktionDetection and Extraction
- 1414
- Teilalgorithmuspartial algorithm
- 1515
- Teilalgorithmuspartial algorithm
- 1616
- trapezoidale Interessenregiontrapezoidal region of interest
- 1717
- lineares Regressionsmodelllinear regression model
- 1818
- Datenfusiondata fusion
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 102018207855 A1 [0005]DE 102018207855 A1 [0005]
- EP 2294446 B1 [0028]EP 2294446 B1 [0028]
Claims (16)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN202041034643 | 2020-08-12 | ||
IN202041034643 | 2020-08-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020212306A1 true DE102020212306A1 (en) | 2022-02-17 |
Family
ID=80000703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020212306.3A Pending DE102020212306A1 (en) | 2020-08-12 | 2020-09-30 | Procedure for early tunnel detection |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020212306A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022213685A1 (en) | 2022-12-15 | 2024-06-20 | Continental Automotive Technologies GmbH | Method for issuing a warning and warning device |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2294446B1 (en) | 2008-07-02 | 2018-10-17 | ADC Automotive Distance Control Systems GmbH | Radar system with elevation measuring capability |
DE102018207855A1 (en) | 2018-05-18 | 2019-11-21 | Audi Ag | Method for operating a vehicle system for at least partially automatic guidance of a motor vehicle and motor vehicle |
-
2020
- 2020-09-30 DE DE102020212306.3A patent/DE102020212306A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2294446B1 (en) | 2008-07-02 | 2018-10-17 | ADC Automotive Distance Control Systems GmbH | Radar system with elevation measuring capability |
DE102018207855A1 (en) | 2018-05-18 | 2019-11-21 | Audi Ag | Method for operating a vehicle system for at least partially automatic guidance of a motor vehicle and motor vehicle |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022213685A1 (en) | 2022-12-15 | 2024-06-20 | Continental Automotive Technologies GmbH | Method for issuing a warning and warning device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015100316B4 (en) | Planning device for a sideways maneuver for an automated driving system | |
DE102009006113B4 (en) | Device and method for sensor fusion with dynamic objects | |
EP3160813B1 (en) | Method for producing a model of the surroundings of a vehicle | |
WO2019174682A1 (en) | Method and device for detecting and evaluating roadway conditions and weather-related environmental influences | |
EP2676857A2 (en) | Method and apparatus for generating a control parameter for a gap assistance system of a vehicle | |
DE102019115080A1 (en) | METHOD FOR UNIFYING AMBIGUOUS DETECTIONS IN SENSOR FUSION SYSTEMS | |
WO2014127777A2 (en) | Method and device for determining a traffic lane state | |
DE102014208662A1 (en) | Method and control and detection device for plausibility of a wrong-way drive of a motor vehicle | |
DE102011003881A1 (en) | Method for assisting a driver of a motor vehicle | |
DE102017126824A1 (en) | Automatic drive control device | |
DE112018007297B4 (en) | Action Selector, Action Selector, and Action Selector | |
EP3024709B1 (en) | Efficiently providing occupancy information on the surroundings of a vehicle | |
DE102015207026A1 (en) | Method and device for controlling a detection system for detecting an environment of a vehicle | |
DE112020001681T5 (en) | VEHICLE CONTROL DEVICE, VEHICLE CONTROL PROCEDURE AND PROGRAM | |
DE102019131667A1 (en) | VEHICLE AND METHOD OF PREDICTING A COLLISION | |
WO2015010902A1 (en) | Efficiently providing occupancy information on the surroundings of a vehicle | |
DE102020212306A1 (en) | Procedure for early tunnel detection | |
DE102017205245A1 (en) | Free range fusion for driver assistance systems | |
DE102016222957A1 (en) | Method for determining a driving style information | |
DE102021119871B4 (en) | Method and processor circuit for operating an automated driving function with an object classifier in a motor vehicle, and motor vehicle | |
DE102021207609A1 (en) | Procedure for marking a movement path | |
DE102018218172B3 (en) | Method and device for evaluating a driving situation ahead of a vehicle in the direction of travel for automated bypassing of a traffic obstacle in front | |
WO2021078335A1 (en) | Method for capturing a target object | |
DE102019215622A1 (en) | Method and driver assistance system for determining the passability of a driving envelope | |
DE102018010042A1 (en) | Method for recognizing at least one object located in an environment of a motor vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R081 | Change of applicant/patentee |
Owner name: CONTINENTAL AUTONOMOUS MOBILITY GERMANY GMBH, DE Free format text: FORMER OWNER: CONTINENTAL AUTOMOTIVE GMBH, 30165 HANNOVER, DE |