DE102021116859A1 - Method and detection device for lidar-based detection of exhaust gas clouds and motor vehicles - Google Patents
Method and detection device for lidar-based detection of exhaust gas clouds and motor vehicles Download PDFInfo
- Publication number
- DE102021116859A1 DE102021116859A1 DE102021116859.7A DE102021116859A DE102021116859A1 DE 102021116859 A1 DE102021116859 A1 DE 102021116859A1 DE 102021116859 A DE102021116859 A DE 102021116859A DE 102021116859 A1 DE102021116859 A1 DE 102021116859A1
- Authority
- DE
- Germany
- Prior art keywords
- points
- exhaust gas
- exhaust
- point
- reflectivity
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
Die Erfindung betrifft ein Verfahren und eine Erkennungseinrichtung zum automatisierten Erkennen von Abgaswolken (20, 26) von Fremdfahrzeugen (16, 22, 32) mittels Lidar. Die Erfindung betrifft weiter ein entsprechend eingerichtetes Kraftfahrzeug. In dem Verfahren werden detektierte Objekte anhand von Objektdimensionen und hochreflektiven Punkten als relevantes Hindernis (16, 22), als mögliche Abgaswolke (26) oder als nicht-relevantes Hindernis (30) klassifiziert. Die relevanten Hindernisse (16, 22) werden basierend auf einer Größe eines detektierten Auspuffbereichs (34) gegebenenfalls als Fremdfahrzeug (32) erkannt. Der Auspuffbereich (34) wird dabei durch eine Punktemenge definiert, die gemäß einem vorgegebenen Abstandskriterium ermittelt wird. Für die so erkannten Fremdfahrzeuge (32) werden alle Punkte (18, 20) anhand eines vorgegebenen Abstandsschwellenwertes für einen Abstand zu einem Schwerpunkt der den Auspuffbereich (34) repräsentierenden Punktemenge und gemäß einem vorgegebenen Richtungskriterium, das eine Abgasaustrittsrichtung (n̂) bezüglich des Auspuffbereichs (34) berücksichtigt, als Abgaspunkte (20) oder als Nicht-Abgaspunkte (18) klassifiziert.The invention relates to a method and a detection device for the automated detection of exhaust gas clouds (20, 26) from other vehicles (16, 22, 32) using lidar. The invention further relates to a correspondingly equipped motor vehicle. In the method, detected objects are classified as a relevant obstacle (16, 22), as a possible exhaust gas cloud (26) or as an irrelevant obstacle (30) on the basis of object dimensions and highly reflective points. The relevant obstacles (16, 22) are possibly identified as foreign vehicles (32) based on the size of a detected exhaust area (34). The exhaust area (34) is defined by a set of points that is determined according to a predetermined distance criterion. For the foreign vehicles (32) identified in this way, all points (18, 20) are determined using a predetermined distance threshold value for a distance from a focus of the point set representing the exhaust area (34) and according to a predetermined direction criterion that has an exhaust gas exit direction (n̂) with respect to the exhaust area ( 34) are taken into account, classified as off-gas points (20) or as non-off-gas points (18).
Description
Die vorliegende Erfindung betrifft ein Verfahren und eine Erkennungseinrichtung zum lidarbasierten Erkennen von Abgaswolken sowie ein entsprechend eingerichtetes Kraftfahrzeug.The present invention relates to a method and a detection device for lidar-based detection of exhaust gas clouds and a correspondingly equipped motor vehicle.
Für Assistenzfunktionen oder einen automatisierten Betrieb von Kraftfahrzeugen stellt eine genaue und zuverlässige Erkennung einer jeweiligen Umgebung und von Objekten in der jeweiligen Umgebung eine wichtige Grundvoraussetzung dar. Dazu werden heutzutage unterschiedliche Sensoreinrichtungen verwendet, wie beispielsweise Kameras, Radareinrichtungen und Lidarsensoren. Letztere haben prinzipiell den Vorteil, dass sie reichhaltige Tiefeninformationen liefern können, die eine Entfernungsbestimmung statischer und dynamischer Objekte oder Hindernisse in der Umgebung unabhängig von Licht- oder Beleuchtungsbedingungen ermöglichen. Ungünstige Wetterbedingungen, wie etwa Regen, Schnee und Nebel, können jedoch die Reichweite und Datenqualität von ToF-Lidarsensoren (ToF: Time-of-Flight) signifikant beeinträchtigen. Während es bereits Ansätze gibt, diesen Herausforderungen zu begegnen, ist die Problematik, dass von Fremdfahrzeugen in der Umgebung ausgestoßene Abgaswolken ebenfalls Lidarmessungen beeinträchtigen können, noch nicht gelöst.Precise and reliable detection of a particular environment and of objects in the particular environment is an important basic requirement for assistance functions or automated operation of motor vehicles. Nowadays, different sensor devices are used for this purpose, such as cameras, radar devices and lidar sensors. In principle, the latter have the advantage that they can provide rich depth information, which enables the distance determination of static and dynamic objects or obstacles in the environment independently of light or lighting conditions. However, adverse weather conditions such as rain, snow and fog can significantly affect the range and data quality of ToF lidar sensors (ToF: Time-of-Flight). While there are already approaches to meet these challenges, the problem that exhaust gas clouds emitted by other vehicles in the vicinity can also impair lidar measurements has not yet been solved.
Abgaswolken, die von verbrennungsmotorisch angetriebenen Kraftfahrzeugen ausgestoßen werden, enthalten Wasserdampf und können Temperaturen im Bereich mehrerer 100°C erreichen. Nach dem Ausstoßen kann es zur Kondensation kleiner Wassertropfen kommen, die sichtbare Wolken bilden können, bevor sie evaporieren. Diese kleinen Wassertropfen können beispielsweise Größen im Bereich von 1 µm bis 10 µm haben. Herkömmliche ToF-Lidarsensoren, die in Kraftfahrzeugen verwendet werden, können beispielsweise Signalwellenlängen im Bereich von 0,9 µm aufweisen, sodass Signale des Lidarsensors an den Wassertropfen reflektiert werden können. Obwohl derartige Abgaswolken üblicherweise die Fähigkeit menschlicher Fahrer, ein Kraftfahrzeug sicher zu führen, nicht beeinträchtigen, können auf eine lidarbasierte Umgebungserkennung angewiesene Assistenzsysteme oder automatisierte Fahrfunktionen beeinträchtigt werden. Durch Abgaswolken von Fremdfahrzeugen können also Artefakte bzw. fehlerhafte Umgebungswahrnehmungen, beispielsweise inkorrekte Klassifikationen von Objekten oder eine inkorrekte Bestimmung von deren Größe oder Form, erzeugt werden. Dies kann wiederum eine Performanz darauf aufbauender höherer Assistenz- oder Fahrfunktionen beeinträchtigen.Exhaust clouds emitted by motor vehicles powered by internal combustion engines contain water vapor and can reach temperatures in the region of several 100°C. After ejection, small water droplets may condense and form visible clouds before evaporating. These small water droplets can have sizes in the range from 1 μm to 10 μm, for example. Conventional ToF lidar sensors that are used in motor vehicles can have signal wavelengths in the range of 0.9 μm, for example, so that signals from the lidar sensor can be reflected by the water droplets. Although such exhaust clouds usually do not impair the ability of human drivers to drive a motor vehicle safely, assistance systems or automated driving functions that rely on lidar-based environment recognition can be impaired. Exhaust clouds from other vehicles can therefore produce artefacts or faulty perceptions of the surroundings, for example incorrect classifications of objects or an incorrect determination of their size or shape. This in turn can impair the performance of higher assistance or driving functions that are based thereon.
Abgaswolken stellen in dieser Hinsicht eine besondere Herausforderung dar, da sie aufgrund ihrer Dichte zu lokalisierten Gruppen oder Clustern von Lidar-Punktdetektionen führen können, wodurch eine effektive Anwendung von Entrauschungsalgorithmen, die erfolgreich spärlich verteilte einzelne Punkte, wie sie beispielsweise von Schneeflocken oder Regentropfen verursacht werden können, herausfiltern können, verhindern kann.Exhaust clouds pose a particular challenge in this regard, as their density can result in localized groups or clusters of lidar point detections, allowing effective application of denoising algorithms that successfully detect sparsely distributed single points such as those caused by snowflakes or raindrops can, can filter out, can prevent.
Ein Ansatz zum Detektieren von Fahrzeugabgas ist in der
Aufgabe der vorliegenden Erfindung ist es, eine besonders einfache und effiziente lidarbasierte automatisierte Erkennung von Fahrzeugabgaswolken zu ermöglichen.The object of the present invention is to enable a particularly simple and efficient lidar-based automated detection of vehicle exhaust clouds.
Diese Aufgabe wird erfindungsgemäß durch die Gegenstände der unabhängigen Patentansprüche gelöst. Mögliche Ausgestaltungen und Weiterbildungen der vorliegenden Erfindung sind in den abhängigen Patentansprüchen, in der Beschreibung und in den Figuren offenbart.According to the invention, this object is achieved by the subject matter of the independent patent claims. Possible refinements and developments of the present invention are disclosed in the dependent patent claims, in the description and in the figures.
Das erfindungsgemäße Verfahren dient zum automatisierten Erkennen oder Detektieren von Abgaswolken von Fremdfahrzeugen, insbesondere eines Fremdfahrzeugs, das einem für das erfindungsgemäße Verfahren eingerichteten Kraftfahrzeug vorausfährt, mittels Lidar. Mittels des erfindungsgemäßen Verfahrens können also derartige Abgaswolken als solche identifiziert und lokalisiert werden. In einem Verfahrensschritt des erfindungsgemäßen Verfahrens wird von dem Kraftfahrzeug aus eine mittels einer Lidareinrichtung oder eines Lidarsensors eine Lidar-Punktwolke mit punktweisen räumlichen Koordinaten und punktweiser Reflektivität erfasst. Die Lidar-Punktwolke umfasst also einzelne Messpunkte - kurz als Punkte bezeichnet - des Lidarsensors, die jeweils durch ihre räumlichen Koordinaten und ihre Reflektivität, also ihre reflektierte Signalintensität, beschrieben sind. Aus dieser Lidar-Punktwolke können dann mittels an sich bekannter Methoden beispielsweise Bodenpunkte, die von einem Untergrund bzw. einer Fahrbahnoberfläche in einer Umgebung des Kraftfahrzeugs bzw. in einem Messbereich des Lidarsensors stammen, entfernt werden. Erfindungsgemäß werden - gegebenenfalls verbleibende - Punkte der Lidar-Punktwolke durch räumliches Clustern zu Objektpunktesets, die jeweils ein Objekt in der Umgebung des Kraftfahrzeugs repräsentieren, gruppiert. Die Objektpunktesets umfassen also jeweils einen oder mehrere Punkte der Lidar-Punktwolke, also von dem Lidarsensor erfasste Reflexionen, die räumlich zu einem Cluster gruppiert sind.The method according to the invention is used for the automated recognition or detection of exhaust gas clouds from other vehicles, in particular a third-party vehicle driving ahead of a motor vehicle set up for the method according to the invention, using lidar. Such exhaust gas clouds can thus be identified and localized as such by means of the method according to the invention. In a method step of the method according to the invention, a lidar point cloud with pointwise spatial coordinates and pointwise reflections is generated from the motor vehicle by means of a lidar device or a lidar sensor activity recorded. The lidar point cloud thus includes individual measurement points - referred to as points for short - of the lidar sensor, which are each described by their spatial coordinates and their reflectivity, i.e. their reflected signal intensity. From this lidar point cloud, for example, ground points originating from a subsoil or a roadway surface in an area surrounding the motor vehicle or in a measuring range of the lidar sensor can be removed using methods known per se. According to the invention, possibly remaining points of the lidar point cloud are grouped by spatial clustering to form object point sets, each of which represents an object in the area surrounding the motor vehicle. The object point sets thus each include one or more points of the lidar point cloud, ie reflections detected by the lidar sensor, which are spatially grouped into a cluster.
In einem weiteren Verfahrensschritt des erfindungsgemäßen Verfahrens werden aus den räumlichen Koordinaten und den Reflektivitäten für jedes Objektpunkteset Objektdimensionen, ein jeweiliger Schwerpunkt (englisch: center of mass) und enthaltene hochreflektive Punkte bestimmt. Die Objektdimensionen können beispielsweise eine Höhe, Länge und Breite des jeweiligen Objektpunktesets bzw. einer die Punkte des Objektpunktesets einhüllenden vorgegebenen Form, beispielsweise eines Quaders, wodurch das jeweilige Objekt repräsentiert wird, sein oder angeben. Dabei kann auch ein entsprechendes Volumen bestimmt werden. Die hochreflektiven Punkte sind Punkte, deren Reflektivität wenigstens einem vorgegebenen Reflektivitätsschwellenwert entspricht.In a further method step of the method according to the invention, object dimensions, a respective center of mass and contained highly reflective points are determined from the spatial coordinates and the reflectivities for each object point set. The object dimensions can be or indicate, for example, a height, length and width of the respective object point set or a predetermined shape enveloping the points of the object point set, for example a cuboid, whereby the respective object is represented. A corresponding volume can also be determined here. The highly reflective points are points whose reflectivity corresponds at least to a predetermined reflectivity threshold value.
In einem weiteren Verfahrensschritt des erfindungsgemäßen Verfahrens werden anhand der Objektdimensionen und der hochreflektiven Punkte die Objekte bzw. die diese jeweils repräsentierenden Punkte oder Mengen von Punkten, also die Objektpunktesets, gemäß vorgegebener Volumen- und Reflektivitätskriterien klassifiziert. Dabei können die Objekte jeweils als relevantes Hindernis, als mögliche oder potenzielle Abgaswolke oder als irrelevant für ein sicheres Führen des Kraftfahrzeugs, also für eine, insbesondere ganz oder teilweise automatisierte, Fahraufgabe klassifiziert werden. Beispielsweise kann gemäß der vorgegebenen Kriterien ein Objekt als relevantes Hindernis klassifiziert werden, wenn dessen Volumen in einem vorgegebenen Bereich liegt und das entsprechende Objektpunkteset wenigstens eine vorgegebene Anzahl von hochreflektiven Punkten umfasst. Ein Objekt kann hingegen als mögliche Abgaswolke klassifiziert werden, wenn sein Volumen kleiner als ein vorgegebener Volumenschwellenwert ist und das entsprechende Objektpunkteset keine hochreflektiven Punkte umfasst. Andernfalls kann das Objekt als irrelevant, also etwa als nicht-relevantes Hindernis, klassifiziert werden.In a further method step of the method according to the invention, the objects or the points or sets of points respectively representing them, ie the object point sets, are classified according to predetermined volume and reflectivity criteria on the basis of the object dimensions and the highly reflective points. The objects can each be classified as a relevant obstacle, as a possible or potential exhaust gas cloud or as irrelevant for safe driving of the motor vehicle, ie for a driving task that is in particular fully or partially automated. For example, according to the specified criteria, an object can be classified as a relevant obstacle if its volume is within a specified range and the corresponding object point set includes at least a specified number of highly reflective points. On the other hand, an object can be classified as a possible exhaust gas cloud if its volume is smaller than a predetermined volume threshold value and the corresponding object point set does not include any highly reflective points. Otherwise, the object can be classified as irrelevant, e.g. as a non-relevant obstacle.
In einem weiteren Verfahrensschritt des erfindungsgemäßen Verfahrens werden die relevanten Hindernisse, also die Objekte oder Objektpunktesets, für die eine Klassifikation als relevantes Hindernis bestimmt wurde, jeweils als Fremdfahrzeug erkannt, falls eine Breite oder Größe eines Auspuffbereichs des jeweiligen Hindernisses höchstens um einen vorgegebenen Betrag von der für das gesamte jeweilige Objekt oder Objektpunkteset bestimmten Breite oder Größe abweicht. Der Auspuffbereich wird dabei definiert als eine Teilmenge der Punkte des Hindernisses, also der Punkte des entsprechenden Objektpunktesets, die auch als Auspuffbereichspunkte bezeichnet werden. Diese Teilmenge, also die aus Auspuffbereichspunkte, werden gemäß einem vorgegebenen, in vorgegebener Weise auf zumindest einen Teil bzw. einen in vorgegebener Weise bestimmten Referenzpunkt des jeweiligen Objektpunktesets bezogenen Abstandskriterium ermittelt.In a further method step of the method according to the invention, the relevant obstacles, i.e. the objects or object point sets for which a classification as a relevant obstacle was determined, are each recognized as an external vehicle if the width or size of an exhaust area of the respective obstacle differs from the width or size specified for the entire particular object or set of object points. The exhaust area is defined as a subset of the points of the obstacle, i.e. the points of the corresponding object point set, which are also referred to as exhaust area points. This subset, ie the points from the exhaust area, are determined according to a predetermined distance criterion related in a predetermined manner to at least a part or a reference point of the respective set of object points determined in a predetermined manner.
Durch das Abstandskriterium kann beispielsweise ein jeweiliger Abstand der zu dem jeweiligen Hindernis gehörenden Punkte zu einer gedachten oder konstruierten Ebene berücksichtigt werden, die durch einen Schwerpunkt der Teilmenge der hochreflektiven Punkte verläuft. Diese Ebene kann insbesondere zumindest im Wesentlichen senkrecht zu dem befahrenen bzw. detektierten Untergrund oder Boden stehend konstruiert sein oder werden. Für die detektierten bzw. als solche klassifizierten relevanten Hindernisse werden also basierend auf dem vorgegebenen Abstandskriterium Punkte des jeweiligen Objektpunktesets bestimmt, die den Auspuffbereich repräsentieren bzw. von diesem stammen. Die Breite oder Größe dieses Auspuffbereichs kann dann mit der aus allen Punkten des jeweiligen Objekts bzw. Objektpunktesets verglichen werden. Ergibt dieser Vergleich eine unterhalb eines vorgegebenen Schwellenwertes liegende Differenz, dann wird das jeweilige Objekt als Fremdfahrzeug erkannt. Durch den Schwellenwert, also den zugelassenen Betrag der Abweichung der Breiten oder Größen, kann eine Variation oder Beeinflussung der detektierten Objektbreite durch eine von dem Fremdfahrzeug ausgestoßene Abgaswolke berücksichtigt oder modelliert werden.The distance criterion can, for example, take into account a respective distance between the points belonging to the respective obstacle and an imaginary or constructed plane that runs through a focal point of the subset of highly reflective points. In particular, this plane can be constructed so as to be at least essentially perpendicular to the subsoil or floor that is traveled over or detected. For the relevant obstacles detected or classified as such, points of the respective object point set are determined based on the predetermined distance criterion, which represent the exhaust area or originate from it. The width or size of this exhaust area can then be compared to that from all points of the respective object or object point set. If this comparison results in a difference below a predetermined threshold value, then the respective object is identified as a third-party vehicle. A variation or influencing of the detected object width by an exhaust gas cloud emitted by the other vehicle can be taken into account or modeled by the threshold value, ie the permissible amount of the deviation of the widths or sizes.
In einem weiteren Verfahrensschritt des erfindungsgemäßen Verfahrens werden für die so erkannten Fremdfahrzeuge alle Punkte des entsprechenden Objektpunktesets, anhand dessen oder aus dem das jeweilige Fremdfahrzeug erkannt wurde, anhand eines vorgegebenen Abstandsschwellenwertes und gemäß einem vorgegebenen Richtungskriterium als Abgaspunkte oder als Nicht-Abgaspunkte klassifiziert.In a further method step of the method according to the invention, all points of the corresponding object point set for the foreign vehicles identified in this way, by means of which or from which the respective foreign vehicle was identified, are classified as exhaust gas points or as non-exhaust gas points based on a predefined distance threshold value and according to a predefined direction criterion.
Der vorgegebene Abstandsschwellenwertes ist dabei für einen Abstand des jeweiligen Punktes zu einem Schwerpunkt der den Auspuffbereich repräsentierenden Menge von Punkten, also der Auspuffbereichspunkte, vorgegeben.The specified distance threshold value is specified for a distance of the respective point from a center of gravity of the set of points representing the exhaust area, ie the exhaust area points.
Durch das vorgegebene Richtungskriterium wird eine Abgasaustritts- oder Abgasbewegungsrichtung bezüglich des Auspuffbereichs des jeweiligen Fremdfahrzeug berücksichtigt. Das Richtungskriterium kann beispielsweise durch Analyse von aus dem jeweiligen Objektpunkteset in vorgegebener Weise konstruierten Vektoren, beispielsweise bezüglich eines der genannten Schwerpunkte und/oder der genannten Ebene, überprüft werden. Insbesondere können hier sämtliche Punkte des jeweiligen Objektpunktesets, die außerhalb bzw. aus Sicht des Kraftfahrzeugs diesseitig des Auspuffbereichs, also beispielsweise einer Rückseite oder eines Heckbereiches, des jeweiligen Fremdfahrzeugs lokalisiert sind, als Abgaspunkte definiert oder klassifiziert werden. Durch diese Abgaspunkte ist dann die jeweilige Abgaswolke erkannt bzw. definiert und lokalisiert.The specified direction criterion takes into account an exhaust gas exit or exhaust gas movement direction with respect to the exhaust area of the respective other vehicle. The direction criterion can be checked, for example, by analyzing vectors constructed in a predetermined manner from the respective set of object points, for example with regard to one of the focal points mentioned and/or the plane mentioned. In particular, all points of the respective object point set that are located outside or on this side of the exhaust area from the perspective of the motor vehicle, ie for example a rear or a rear area, of the respective other vehicle can be defined or classified as exhaust gas points. The respective exhaust gas cloud is then recognized or defined and localized by these exhaust gas points.
Das erfindungsgemäße Verfahren kann beispielsweise wiederholt bzw. in einem vorgegebenen Takt ausgeführt. Dabei können in jedem Takt oder Zeitschritt die beschriebenen Abläufe oder Maßnahmen ausgeführt werden.The method according to the invention can, for example, be carried out repeatedly or in a predetermined cycle. The processes or measures described can be carried out in each cycle or time step.
Die vorliegende Erfindung ermöglicht es, jeweilige Auspuffbereiche oder Rückseiten von Fremdfahrzeugen besonders schnell bzw. mit besonders geringem Aufwand oder Einsatz von Berechnungsressourcen zu identifizieren, eine darauf basierende Bestimmung, ob sich in einem entsprechenden Bereich auch eine Abgaswolke befindet, sowie ein Erkennen solcher eventueller Abgaswolken. Dies kann dabei in vorhersagbarer, nachvollziehbarer, analytischer Weise durchgeführt werden. Ein weiterer Vorteil der vorliegenden Erfindung liegt darin, dass keine umfangreichen Trainingsdaten, keine Vielzahl unterschiedlicher Modelle und dergleichen mehr benötigt werden. Anstelle eines Algorithmus, der ein komplettes Objektpunktesets als Fahrzeug identifiziert, wird hier ein einfacherer und schnellerer Ansatz vorgeschlagen, der dennoch eine zuverlässige Erkennung von Abgaswolken ermöglicht.The present invention makes it possible to identify respective exhaust areas or rear sides of other vehicles particularly quickly or with particularly little effort or use of calculation resources, to determine whether there is also an exhaust gas cloud in a corresponding area and to identify any such exhaust gas clouds. This can be carried out in a predictable, comprehensible, analytical manner. A further advantage of the present invention is that extensive training data, a large number of different models and the like are no longer required. Instead of an algorithm that identifies a complete set of object points as a vehicle, a simpler and faster approach is proposed here, which still allows reliable detection of exhaust clouds.
Die vorliegende Erfindung beruht auf der Erkenntnis, dass sich eine von einem Fremdfahrzeug ausgestoßene Abgaswolke, die sich noch in der Nähe des Fremdfahrzeug befindet, typischerweise in der Nähe hochreflektiver Fahrzeugteile, wie beispielsweise eines Nummernschildes, einer oder mehrerer Rückleuchten, eines Fahrtrichtungsanzeigers oder dergleichen, befindet und dieser Umstand zum Identifizieren der Abgaswolke ausgenutzt werden kann. Dieser Umstand ist dabei insbesondere zumindest im Wesentlichen unabhängig von Wetter-, Temperatur- oder Umgebungsbedingungen. Damit ermöglicht die vorliegende Erfindung eine besonders zuverlässige und robuste Erkennung von Abgaswolken, die besonders aufwandsarm, beispielsweise mit bereits heutzutage in herkömmlichen Kraftfahrzeugen verfügbarer Rechenkapazität und Hardware, durchgeführt werden kann und zudem keine aufwändige Vorbereitung zum Bereitstellen einer breiten Datenbasis, keine Backend-Infrastruktur oder dergleichen benötigt.The present invention is based on the finding that an exhaust gas cloud emitted by another vehicle that is still in the vicinity of the other vehicle is typically in the vicinity of highly reflective vehicle parts, such as a number plate, one or more rear lights, a direction indicator or the like and this circumstance can be used to identify the exhaust gas cloud. This circumstance is in particular at least essentially independent of weather, temperature or environmental conditions. The present invention thus enables a particularly reliable and robust detection of exhaust gas clouds, which can be carried out with particularly little effort, for example with the computing capacity and hardware already available today in conventional motor vehicles, and also no complex preparation for providing a broad database, no backend infrastructure or the like needed.
In einer möglichen Ausgestaltung der vorliegenden Erfindung werden jeweils zum Ermitteln der den jeweiligen Auspuffbereich definierenden Teilmenge von Punkten gemäß dem Abstandskriterium diejenigen der hochreflektiven Punkte des jeweiligen Objektpunktesets als hochreflektive Objekt- bzw. Auspuffbereichspunkte bestimmt, deren Abstand zu einem Schwerpunkt der Menge der hochreflektiven Punkte höchstens einem vorgegebenen Maximalabstand entspricht. Dies ermöglicht es, einzelne bzw. spärlich verteilte hochreflektive Punkte, die von anderen festen Teilen des jeweiligen Fremdfahrzeugs stammen, auszuschließen, also nicht dem Auspuffbereich zuzuordnen. Durch Anpassen oder Fitten an die bestimmten hochreflektiven Auspuffbereichspunkte wird dann eine, insbesondere zumindest im Wesentlichen senkrecht auf einem von dem Kraftfahrzeug und/oder dem Fremdfahrzeug befahrenen Untergrund stehende, gedachte Ebene rechnerisch konstruiert. Dazu kann beispielsweise ein Algorithmus oder eine Methode der kleinsten Quadrate angewendet werden. Weiter werden dann diejenigen Punkte des Hindernisses, also des jeweiligen Objektpunktesets, deren euklidischer Abstand zu der konstruierten Ebene höchstens einem vorgegebenen Maximalabstand entspricht, in die den Auspuffbereich definierende Teilmenge von Punkten aufgenommen. Die hier vorgeschlagene Methodik ermöglicht eine robuste und zuverlässige Identifizierung der zu dem Auspuffbereich des jeweiligen Fremdfahrzeugs gehörenden Punkte und somit auch eine entsprechend robuste und genaue Bestimmung der Abgaspunkte.In one possible embodiment of the present invention, in order to determine the subset of points that define the respective exhaust area according to the distance criterion, those of the highly reflective points of the respective object point set are determined as highly reflective object or exhaust area points whose distance from a focus of the set of highly reflective points is at most one corresponds to the specified maximum distance. This makes it possible to exclude individual or sparsely distributed highly reflective points that originate from other fixed parts of the respective third-party vehicle, i.e. not to assign them to the exhaust area. By adapting or fitting to the specific, highly reflective exhaust area points, an imaginary plane, in particular at least substantially perpendicular to a surface on which the motor vehicle and/or the other vehicle is driving, is then constructed by calculation. An algorithm or a least squares method can be used for this purpose, for example. In addition, those points of the obstacle, ie of the respective set of object points, whose Euclidean distance from the constructed plane corresponds at most to a predetermined maximum distance, are included in the subset of points defining the exhaust area. The methodology proposed here enables a robust and reliable identification of the points belonging to the exhaust area of the respective third-party vehicle and thus also a correspondingly robust and precise determination of the exhaust gas points.
In einer weiteren möglichen Ausgestaltung der vorliegenden Erfindung werden gemäß dem Richtungskriterium jeweils diejenigen Punkte als Abgaspunkte klassifiziert, für die das Skalarprodukt des Vektors von dem jeweiligen Punkt zu dem Schwerpunkt der den jeweiligen Auspuffbereich repräsentierenden Teilmenge von Punkten mit einem aus den jeweiligen Schwerpunkten der den jeweiligen Auspuffbereich repräsentierenden Teilmenge von Punkten und des jeweiligen Objektpunktesets - bzw. entsprechenden Vektoren zu diesen Schwerpunkten in einem vorgegebenen Koordinatensystem - gebildeten Differenzvektor größer als Null ist. Der Differenzvektor repräsentiert oder identifiziert dabei die Abgasaustrittsrichtung bezüglich des jeweiligen Fremdfahrzeugs. Die hier vorgeschlagenen geometrischen Berechnungen oder Betrachtungen können einfach, effizient und schnell durchgeführt werden, wodurch eine besonders verzögerungsarme und zuverlässige Erkennung der Abgaswolken und somit ein Einsatz der vorliegenden Erfindung in Echtzeitanwendungen ermöglicht wird. Durch das Richtungskriterium kann die Abgaswolke besonders zuverlässig und robust identifiziert bzw. lokalisiert werden.In a further possible embodiment of the present invention, according to the direction criterion, those points are classified as exhaust gas points for which the scalar product of the vector from the respective point to the center of gravity of the subset of points representing the respective exhaust area with one of the respective centers of gravity of the respective exhaust area representing subset of points and the respective object point sets - or corresponding vectors to these focal points in a predetermined coordinate system - formed difference vector greater than is zero. The difference vector represents or identifies the exhaust gas outlet direction with regard to the respective other vehicle. The geometric calculations or considerations proposed here can be carried out simply, efficiently and quickly, as a result of which a particularly low-delay and reliable detection of the exhaust gas clouds and thus use of the present invention in real-time applications is made possible. The exhaust gas cloud can be identified or localized particularly reliably and robustly by the direction criterion.
In einer weiteren möglichen Ausgestaltung der vorliegenden Erfindung wird für die Objektpunktesets jeweils die durchschnittliche Reflektivität und die maximale Reflektivität der jeweils daraus bestimmten, also der darin enthaltenen Abgaspunkte bestimmt. Bei Erreichen oder Überschreiten entsprechender vorgegebener Schwellenwerte werden die Abgaspunkte, also diejenigen Punkte des Objektpunktesets, die zuvor oder bis dahin als Abgaspunkte klassifiziert waren, zu Nicht-Abgaspunkten umklassifiziert. Dieses Umklassifizieren wird also dann durchgeführt, wenn oder falls für ein Objektpunkteset die durchschnittliche Reflektivität der Abgaspunkte einen dafür vorgegebenen Durchschnittsreflektivitätsschwellenwert erreicht oder überschreitet und für dasselbe Objektpunkteset die maximale Reflektivität der Abgaspunkte, also die höchste für einen der Abgaspunkte bestimmte oder gemessene Reflektivität, einen dafür vorgegebenen Maximalreflektivitätsschwellenwert erreicht oder überschreitet. Bei Unterschreiten dieser vorgegebenen Schwellenwerte werden die Abgaspunkte hingegen als solche beibehalten oder bestätigt. Mit anderen Worten werden die zuvor oder bis dahin als Abgaspunkte klassifizierten Punkte also als solche bestätigt, wenn für ein Objektpunkteset die durchschnittliche Reflektivität der Abgaspunkte höchstens den dafür vorgegebenen Durchschnittsreflektivitätsschwellenwert erreicht oder diesen unterschreitet oder kleiner als dieser ist und für dasselbe Objektpunkteset die maximale Reflektivität der Abgaspunkte höchstens den dafür vorgegebenen Maximalreflektivitätsschwellenwert erreicht oder kleiner als dieser ist. Durch die hier vorgeschlagene Berücksichtigung der durchschnittlichen und maximalen Reflektivitäten der Abgaspunkte kann die Sicherheit von auf der Erkennung der Abgaswolken basierenden, ganz oder teilweise automatisierten Funktionen des Kraftfahrzeugs verbessert werden. Dies ist der Fall, da Abgaswolken typischerweise eine relativ geringe Reflektivität aufweisen und bei einer gegebenen relativ hohen Reflektivität, also bei dem Überschreiten der vorgegebenen Schwellenwerte, davon ausgegangen werden kann, dass sich im Bereich der Abgaswolke ein festes Objekt befindet. Dabei kann es sich beispielsweise um über den Auspuffbereich bzw. das Heck des jeweiligen Fremdfahrzeugs hinausragendes Transportgut, einen Fahrradträger oder dergleichen handeln. Durch die entsprechende Umklassifizierung als Nicht-Abgaspunkte kann dann beispielsweise ein entsprechende angepasstes Eingreifen nachfolgender Kollisionsvermeidungsmaßnahmen sichergestellt werden.In a further possible embodiment of the present invention, the average reflectivity and the maximum reflectivity of the respective exhaust gas points determined therefrom, ie the exhaust gas points contained therein, are respectively determined for the object point sets. When corresponding predefined threshold values are reached or exceeded, the exhaust gas points, ie those points of the object point set which were previously or up to then classified as exhaust gas points, are reclassified as non-exhaust gas points. This reclassification is therefore carried out if or if the average reflectivity of the exhaust gas points for an object point set reaches or exceeds a predetermined average reflectivity threshold value and for the same object point set the maximum reflectivity of the exhaust gas points, i.e. the highest reflectivity determined or measured for one of the exhaust gas points, a predetermined one Reaches or exceeds maximum reflectivity threshold. On the other hand, if these specified threshold values are not reached, the exhaust gas points are retained or confirmed as such. In other words, the points previously or previously classified as exhaust points are confirmed as such if the average reflectivity of the exhaust points for an object point set does not exceed the average reflectivity threshold value specified for this purpose or falls below or is less than this and for the same object point set the maximum reflectivity of the exhaust points at most reaches or is less than the maximum reflectivity threshold value specified for this purpose. By taking into account the average and maximum reflectivities of the exhaust gas points as proposed here, the safety of fully or partially automated functions of the motor vehicle that are based on the detection of the exhaust gas clouds can be improved. This is the case because exhaust gas clouds typically have a relatively low reflectivity and given a relatively high reflectivity, ie when the specified threshold values are exceeded, it can be assumed that there is a solid object in the area of the exhaust gas cloud. This can be, for example, transported goods protruding beyond the exhaust area or the rear of the respective third-party vehicle, a bicycle carrier or the like. The corresponding reclassification as non-exhaust points can then ensure, for example, a correspondingly adapted intervention of subsequent collision avoidance measures.
In einer weiteren möglichen Ausgestaltung der vorliegenden Erfindung wird das erfindungsgemäße Verfahren, beispielsweise mit einer vorgegebenen Taktrate oder Frequenz, zu mehreren Zeitpunkten wiederholt durchgeführt. Es kann also beispielsweise eine entsprechende, zur Durchführung des Verfahrens eingerichtete Erkennungseinrichtung kontinuierlich betrieben werden. Dabei wird für die relevanten Hindernisse, zu denen wenigstens ein Abgaspunkt, also eine Abgaswolke, erkannt wurde, eine, insbesondere gemeinsame, Historie aus Hindernisdetektionen gespeichert. Diese Hindernisdetektionen geben jeweils den zugehörigen Erkennungszeitpunkt, den Punktemittelwert und die Standardabweichung des entsprechenden Objektpunktesets an. Der Erkennungszeitpunkt kann beispielsweise ein Zeitstempel sein, der den Zeitpunkt oder Takt angeben kann, in dem das jeweilige Hindernis erkannt bzw. als solches klassifiziert wurde. Der Punktemittelwert kann als Mittelwert der die Punkte beschreibenden Datentupel bestimmt werden. Dabei kann für jede Koordinate oder Stelle der Datentupel ein eigener Mittelwert bestimmt und als Koordinatenwert oder Eintrag für den Punktemittelwert verwendet werden kann. Der Punktemittelwert kann also beispielsweise durch jeweils durchschnittliche räumliche x-, y- und z-Koordinaten sowie die durchschnittliche Reflektivität der Punkte des jeweiligen Objektpunktesets angeben.In a further possible embodiment of the present invention, the method according to the invention is carried out repeatedly at a plurality of points in time, for example with a predetermined clock rate or frequency. Thus, for example, a corresponding detection device set up to carry out the method can be operated continuously. A history of obstacle detections, in particular a common one, is stored for the relevant obstacles for which at least one exhaust gas point, ie an exhaust gas cloud, was detected. These obstacle detections each indicate the associated detection time, the point mean value and the standard deviation of the corresponding object point set. The time of detection can be a time stamp, for example, which can indicate the time or cycle at which the respective obstacle was detected or classified as such. The point mean can be determined as the mean of the data tuples describing the points. A mean value can be determined for each coordinate or position of the data tuple and used as a coordinate value or entry for the point mean value. The mean point value can therefore be indicated, for example, by means of the respective average spatial x, y and z coordinates and the average reflectivity of the points of the respective object point set.
Für die Hindernisdetektionen werden dann die zugehörigen, also dafür jeweils bestimmten oder durchgeführten Klassifikationen als Abgaspunkte oder Nicht-Abgaspunkte mittels eines vorgegebenen Klassifikators basierend auf den Koordinaten und Reflektivitäten der entsprechenden Punkte überprüft. Auf diese Weise kann eine Detektion abgelöster Abgaswolken, also von Abgaswolken, die sich nicht mehr in der unmittelbaren Nähe des Fremdfahrzeugs, von dem sie ausgestoßen wurden, befinden, realisiert werden. Dadurch, dass die in der Vergangenheit erfolgten bzw. gespeicherten Hindernisdetektionen hier jeweils erneut überprüft werden, verlässt sich das Verfahren bzw. eine darauf aufbauende Funktionalität nicht auf eine einmal bestimmte Klassifikation. Vielmehr findet hier eine regelmäßige Überprüfung vorangegangener Klassifikationen der Hindernisdetektionen und gegebenenfalls eine Anpassung oder Revidierung der Klassifikationen statt. Dadurch kann beispielsweise berücksichtigt werden, dass feste Objekte, also etwa Fremdfahrzeuge oder andere Verkehrsteilnehmer, sich bewegen können und beispielsweise abgelöste Abgaswolken zurücklassen oder in den Bereich einer zuvor erkannten Abgaswolke eintreten können. Durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung kann eine verbesserte Sicherheit und Robustheit erreicht werden, da besonders zuverlässig Kollisionen vermieden werden und/oder sich neu eröffnende Freiräume, die von dem Kraftfahrzeug kollisionsfrei befahren werden könnten, erkannt werden können.For the obstacle detections, the associated classifications, i.e. those determined or carried out in each case, as exhaust gas points or non-exhaust gas points are then checked using a predefined classifier based on the coordinates and reflectivities of the corresponding points. In this way, it is possible to detect detached exhaust gas clouds, ie exhaust gas clouds that are no longer in the immediate vicinity of the other vehicle from which they were emitted. Due to the fact that the obstacle detections that took place or were stored in the past are each checked again here, the method or a functionality based on it does not rely on a once-determined classification. Rather, there is a regular review of previous classifications of the obstacle detections and, if necessary, an adjustment or revision of the classifications. As a result, it can be taken into account, for example, that fixed objects, such as other vehicles or other road users, can move and, for example, leave behind loosened plumes or enter the area of a previously detected plume. Improved safety and robustness can be achieved by the embodiment of the present invention proposed here, since collisions are avoided in a particularly reliable manner and/or newly opening free spaces that could be traveled by the motor vehicle without a collision can be detected.
In einer möglichen Weiterbildung der vorliegenden Erfindung wird als der Klassifikator ein probabilistischer Klassifikator verwendet. Dies ermöglicht eine besonders einfache und schnelle sowie aufwandsarm zu implementierende oder zu realisierende Überprüfung oder Anpassung der Klassifikationen.In a possible development of the present invention, a probabilistic classifier is used as the classifier. This enables a particularly simple and quick check or adjustment of the classifications, which can be implemented or realized with little effort.
In einer möglichen Weiterbildung der vorliegenden Erfindung wird als der Klassifikator ein naiver Bayes-Klassifikator, insbesondere mit einer maximum-a-posteriori-Schätzung, verwendet. Als Beobachtungen bzw. als Merkmalsvektor können dabei die genannten Datentupel aus räumlichen Koordinaten und Reflektivität verwendet werden. Grundsätzlich können zwar unterschiedliche Arten von Klassifikatoren verwendet werden, der hier vorgeschlagene naive Bayes-Klassifikator stellt jedoch eine besonders einfache Realisierungsmöglichkeit der. Insbesondere kann hier angenommen werden, dass die räumlichen Koordinaten x, y, z - sowie gegebenenfalls auch die die Reflektivitäten - der einzelnen Punkte statistisch unabhängig voneinander sind, wodurch entsprechender Rechenaufwand eingespart werden kann.In a possible development of the present invention, a naive Bayes classifier, in particular with a maximum a posteriori estimation, is used as the classifier. The data tuples mentioned from spatial coordinates and reflectivity can be used as observations or as feature vectors. In principle, different types of classifiers can be used, but the naive Bayes classifier proposed here represents a particularly simple way of realizing the. In particular, it can be assumed here that the spatial coordinates x, y, z—and possibly also the reflectivities—of the individual points are statistically independent of one another, as a result of which the corresponding computing effort can be saved.
In einer möglichen Weiterbildung der vorliegenden Erfindung sind für die durch ihre räumlichen Koordinaten und ihre Reflektivität definierten oder beschriebenen Punkte für den Klassifikator bedingte Wahrscheinlichkeiten wie nachfolgend angegeben vorgegeben oder definiert. Für die Klassifikation als Abgaspunkt bzw. als Abgaswolke oder als Teil davon gilt, dass die bedingte Wahrscheinlichkeit für die räumlichen Koordinaten durch eine jeweils dort, also beim Wert oder an dem Punkt der jeweiligen Koordinate, ausgewertete vorgegebene Normalverteilung und für die Reflektivität durch eine vorgegebene Exponentialverteilung vorgegeben oder definiert sind. Für die Normalverteilung kann dabei beispielsweise ein Mittelwert µ und eine Standardabweichung σ vorgegeben sein. Für die Klassifikation als Nicht-Abgaspunkte bzw. Nicht-Abgaswolke oder als nicht Teil einer Abgaswolke gilt, dass die bedingte Wahrscheinlichkeit für die räumlichen Koordinaten durch eine vorgegebene u-quadratische Verteilung und für die Reflektivität durch eine stetige Gleichverteilung vorgegeben oder definiert ist. Die stetige Gleichverteilung kann dabei insbesondere mit einem Minimalwert von Null und einem der maximalen erfassten Reflektivität entsprechenden Maximalwert vorgegeben oder definiert sein. Mit anderen Worten sind also entsprechende Wahrscheinlichkeitsdichtefunktionen vorgegeben, anhand derer der Klassifikator die Klassifikationen als Abgaspunkte oder als Nicht-Abgaspunkte überprüft oder - beispielsweise anhand vorgegebener Wahrscheinlichkeitsschwellenwerte - neu vornimmt.In a possible development of the present invention, for the points defined or described by their spatial coordinates and their reflectivity, probabilities conditional on the classifier are specified or defined as specified below. For the classification as an exhaust gas point or as an exhaust gas cloud or as part of it, the conditional probability for the spatial coordinates is evaluated by a specified normal distribution evaluated there, i.e. at the value or at the point of the respective coordinate, and for the reflectivity by a specified exponential distribution are specified or defined. For example, a mean value μ and a standard deviation σ can be specified for the normal distribution. For classification as non-exhaust points or non-exhaust cloud or as not part of an exhaust cloud, the conditional probability for the spatial coordinates is specified or defined by a specified u-square distribution and for the reflectivity by a continuous uniform distribution. In this case, the constant uniform distribution can be specified or defined in particular with a minimum value of zero and a maximum value corresponding to the maximum detected reflectivity. In other words, corresponding probability density functions are specified, based on which the classifier checks the classifications as exhaust gas points or as non-emission gas points, or makes new ones—for example, using specified probability threshold values.
Durch die hier vorgeschlagenen Vorgaben für die bedingten Wahrscheinlichkeiten bzw. die entsprechenden Wahrscheinlichkeitsdichtefunktionen kann berücksichtigt werden, dass eine Abgaswolke typischerweise relativ langsam von ihrem Erzeugungs- oder Austrittspunkt an dem jeweiligen Fremdfahrzeug wegdriftet und Abgaswolken bzw. von diesen stammende Lidar-Punkte typischerweise eine relativ niedrige Reflektivität aufweisen. So wird bei der Klassifikation als Abgaspunkt die Normalverteilung eine höhere Wahrscheinlichkeit für eine Klassifikation des jeweiligen Objekts als Abgaswolke liefern, wenn das Objekt bzw. bestimmter Punkt des Objekts näher an einem der Punkte- oder einer der Detektionen liegt. Die Exponentialverteilung hingegen wird eine höhere Wahrscheinlichkeit für die Klassifikation als Abgaswolke oder Abgaspunkt für Punkte mit niedrigerer Reflektivität liefern. Für die Klassifikation als nicht Nicht-Abgaspunkt wird die u-quadratische Verteilung eine höhere Wahrscheinlichkeit liefern, wenn ein Punkt weiter von anderen Punkten bzw. einer Detektion entfernt ist, während die Gleichverteilung die gleiche Wahrscheinlichkeit für jede Reflektivität zurückgibt, da niedrige Reflektivitäten nicht nur in Abgaswolken auftreten, sondern auch bei nicht zu Abgaswolken gehörenden Punkten häufig vorkommen. Durch die hier vorgeschlagene Ausgestaltung der vorliegenden Erfindung wird eine besonders sichere und robuste Klassifikation oder Erkennung von Abgaswolken und anderen Objekten ermöglicht.The specifications proposed here for the conditional probabilities or the corresponding probability density functions can take into account that an exhaust gas cloud typically drifts relatively slowly away from its point of generation or exit at the respective other vehicle and exhaust gas clouds or lidar points originating from them typically have a relatively low reflectivity exhibit. In the case of classification as an exhaust point, the normal distribution will provide a higher probability of classifying the respective object as an exhaust cloud if the object or specific point of the object is closer to one of the points or one of the detections. The exponential distribution, on the other hand, will provide a higher probability of classification as an exhaust plume or exhaust point for points with lower reflectivity. For classification as a non-non-exhaust point, the u-squared distribution will give a higher probability if a point is farther from other points or a detection, while the uniform distribution will give the same probability for any reflectivity, since low reflectivities are not only in Exhaust clouds occur, but also frequently occur at points that do not belong to exhaust clouds. The embodiment of the present invention proposed here enables a particularly reliable and robust classification or detection of exhaust gas clouds and other objects.
Ein weiterer Aspekt der vorliegenden Erfindung ist eine Erkennungseinrichtung zum automatischen Erkennen von Abgaswolken anhand von Lidar-Daten. Die Erkennungseinrichtung weist dabei eine Eingangsschnittstelle zum Erfassen der Lidar-Daten und eine Prozessoreinrichtung sowie einen damit gekoppelten Datenspeicher zum Verarbeiten der Lidar-Daten auf. Die Erkennungseinrichtung ist zum automatischen Ausführen mindestens einer Ausführungsform oder Variante des erfindungsgemäßen Verfahrens eingerichtet. Die erfindungsgemäße Erkennungseinrichtung kann insbesondere die im Zusammenhang mit dem erfindungsgemäßen Verfahren genannte Erkennungseinrichtung sein, diese umfassen oder Teil davon sein. Die Erkennungseinrichtung kann den genannten Lidarsensor oder Lidar-Detektor umfassen oder mit diesem verbunden sein, beispielsweise über ein Bordnetz eines mit der Erkennungseinrichtung ausgestatteten Kraftfahrzeugs. Zum Ausführen des entsprechenden Verfahrens kann auf dem Datenspeicher beispielsweise ein entsprechendes Computerprogramm gespeichert sein, das die Abläufe, Maßnahmen oder Verfahrensschritte des erfindungsgemäßen Verfahrens repräsentiert, also codiert oder implementiert, und durch die Prozessoreinrichtung ausführbar ist, um die Ausführung des entsprechenden Verfahrens zu bewirken oder zu veranlassen. Die Prozessoreinrichtung kann beispielsweise ein Mikrochip, ein Mikroprozessor, ein Mikrocontroller, eine Hardwareschaltung oder dergleichen sein oder umfassen.A further aspect of the present invention is a detection device for automatically detecting exhaust gas clouds using lidar data. In this case, the recognition device has an input interface for acquiring the lidar data and a processor device as well as a data memory coupled thereto for processing the lidar data. The detection device is set up to automatically execute at least one embodiment or variant of the method according to the invention. The detection device according to the invention can in particular be the detection device mentioned in connection with the method according to the invention, include it or be part of it. The detection device can include the named lidar sensor or lidar detector or be connected to it, for example via an on-board network of a force equipped with the detection device vehicle. In order to execute the corresponding method, a corresponding computer program can be stored on the data memory, for example, which represents, i.e. encodes or implements, the processes, measures or method steps of the method according to the invention and can be executed by the processor device in order to cause or to execute the corresponding method cause. The processor device can be or include, for example, a microchip, a microprocessor, a microcontroller, a hardware circuit or the like.
Ein weiterer Aspekt der vorliegenden Erfindung ist ein Kraftfahrzeug, das eine erfindungsgemäße Erkennungseinrichtung und - als separate Einrichtung oder als Teil der Erkennungseinrichtung - einen Lidar-Detektor oder Lidarsensor aufweist. Das erfindungsgemäße Kraftfahrzeug kann insbesondere das im Zusammenhang mit dem erfindungsgemäßen Verfahren und/oder im Zusammenhang mit der erfindungsgemäßen Erkennungseinrichtung genannte Kraftfahrzeug sein. Mit anderen Worten kann also das erfindungsgemäße Kraftfahrzeug ebenfalls zum, insbesondere automatischen oder teilautomatischen, Ausführen des erfindungsgemäßen Verfahrens eingerichtet sein. Das erfindungsgemäße Kraftfahrzeug kann insbesondere ein Assistenzsystem aufweisen, das seine bestimmungsgemäße Funktion zum Unterstützen eines Fahrers beim Führen des Kraftfahrzeugs oder zum zumindest teilweise automatisierten Führen des Kraftfahrzeugs unter anderem basierend auf von der erfindungsgemäßen Erkennungseinrichtung bereitgestellten Erkennungsdaten, die lidarbasiert erkannte Objekte oder deren Klassifikationen angeben, ausführen kann.A further aspect of the present invention is a motor vehicle which has a detection device according to the invention and--as a separate device or as part of the detection device--a lidar detector or lidar sensor. The motor vehicle according to the invention can in particular be the motor vehicle mentioned in connection with the method according to the invention and/or in connection with the detection device according to the invention. In other words, the motor vehicle according to the invention can also be set up to carry out the method according to the invention, in particular automatically or semi-automatically. The motor vehicle according to the invention can in particular have an assistance system that performs its intended function of supporting a driver when driving the motor vehicle or for at least partially automated driving of the motor vehicle based, among other things, on recognition data provided by the recognition device according to the invention, which indicate objects recognized on a lidar basis or their classifications can.
Weitere Merkmale der Erfindung können sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung ergeben. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung und/oder in den Figuren allein gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen.Further features of the invention can result from the claims, the figures and the description of the figures. The features and feature combinations mentioned above in the description and the features and feature combinations shown below in the description of the figures and/or in the figures alone can be used not only in the combination specified in each case, but also in other combinations or on their own, without going beyond the scope of the invention to leave.
Die Zeichnung zeigt in:
-
1 eine schematische Darstellung zur Veranschaulichung einer lidarbasierten Erkennung einer Abgaswolke im Bereich eines Kraftfahrzeugs; -
2 eine schematische Darstellung zur Veranschaulichung einer lidarbasierten Erkennung einer losgelösten Abgaswolke; und -
3 eine schematische Darstellung zur weiteren Veranschaulichung eines entsprechenden Erkennungsverfahrens.
-
1 a schematic representation to illustrate a lidar-based detection of an exhaust gas cloud in the area of a motor vehicle; -
2 a schematic representation to illustrate a lidar-based detection of a detached exhaust gas cloud; and -
3 a schematic representation to further illustrate a corresponding detection method.
In den Figuren sind gleiche und funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen.In the figures, identical and functionally identical elements are provided with the same reference symbols.
Wenn von einem Kraftfahrzeug aus Abgase eines anderen Fahrzeugs mittels eines ToF-Lidarsensors detektiert werden, können Ergebnisdaten ein lokal geclustertes Set von Punkten sein, das beispielsweise mehr als 1000 Punkte oder Detektionen pro Abgaswolke umfassen kann. Wenn von einer derartigen Abgaswolke stammende Punkte, also Echos oder Detektionen, mit anderen Hindernissen, wie etwa Fahrzeugen, Vegetation oder Gebäuden verglichen werden, können sie zwar dazu tendieren, im Durchschnitt eine geringere Intensität oder Reflektivität und einen geringeren Bodenabstand zu haben. Diese Tendenz ist jedoch nicht ausgeprägt genug, um allein darauf basierend eine klare und zuverlässige Separierung oder Erkennung von Abgaswolken und anderen Objekten zu ermöglichen. Somit kann eine entsprechende zuverlässige Erkennung oder Unterscheidung mittels punktweiser Entrauschungsalgorithmen oder merkmalsbasierten Detektionsmethoden schwierig oder unmöglich umzusetzen sein.If exhaust gases from another vehicle are detected from a motor vehicle using a ToF lidar sensor, the result data can be a locally clustered set of points, which can comprise, for example, more than 1000 points or detections per exhaust cloud. If points originating from such an exhaust cloud, i.e. echoes or detections, are compared with other obstacles such as vehicles, vegetation or buildings, they can tend to have a lower intensity or reflectivity and a lower ground clearance on average. However, this tendency is not pronounced enough to enable clear and reliable separation or detection of exhaust plumes and other objects based thereon alone. Thus, a corresponding reliable detection or discrimination using point-by-point denoising algorithms or feature-based detection methods can be difficult or impossible to implement.
Bei der Erkennung von Abgaswolken im Verkehrsgeschehen können zwei unterschiedliche Fälle auftreten. Im ersten Fall kann eine Abgaswolke in unmittelbarer Nähe eines die jeweilige Abgaswolke ausstoßenden Fahrzeugs sein. Im anderen Fall können von Fahrzeugen losgelöste Abgaswolken 26 (siehe
Zur Veranschaulichung zeigt
Weiter sind hier Fahrzeugpunkte 18, die von einem Fremdfahrzeug 32 (siehe
Nachdem die Bodenpunkte 12 mittels eines entsprechenden Filteralgorithmus entfernt wurden, wird auf die verbleibenden Punkte ein Clustering-Algorithmus angewendet. Dadurch werden die Einzelobjektpunkte 14 zu einem ersten Cluster und die Fahrzeugpunkte 18 zusammen mit den Abgaspunkten 20 zu einem zweiten Cluster zusammengefasst. Der durch die Fahrzeugpunkte 18 und die Abgaspunkte 20 gebildete Cluster repräsentiert hier ein zweites Objekt 22. Das zweite Objekt 22 repräsentiert hier also den genannten ersten Fall. Die das erste Objekt 16 und das zweite Objekt 22 repräsentierenden Boxen können mit vorgegebener quaderförmiger Grundform derart konstruiert werden, dass sie die einzelnen Cluster von Punkten der Lidar-Messung einhüllen.After the ground points 12 have been removed using a corresponding filter algorithm, a clustering algorithm is applied to the remaining points. As a result, the individual object points 14 are combined to form a first cluster and the vehicle points 18 together with the exhaust gas points 20 to form a second cluster. The cluster formed by the vehicle points 18 and the exhaust gas points 20 represents a
In dem Verfahren zum Erkennen der durch die Abgaspunkte 20 bzw. die Einzelabgaswolkenpunkte 24 repräsentierten Abgaswolken 26 wird in einem jeweiligen Takt- oder Zeitschritt k ein zunächst unsortiertes Set Pk = {(p1, r1),..., (pn, rn)} von n Punkten von dem Lidarsensor empfangen. Jeder Punkt wird dabei durch räumliche Koordinaten pi = {x, y, z} und eine Reflektivität ri beschrieben oder repräsentiert. Durch das genannte Clustering, beispielsweise mittels eines verbundene-Komponenten-Algorithmus, wird eine Menge 0 = {01, ..., 0m} von m disjunkten Objektpunktesets Oj ∈ O gebildet, wobei jedes Objektpunkteset 0j = {(p1, r1), ..., (pn, rn)} ein detektiertes Objekt, hier also beispielsweise das erste Objekt 16, das zweite Objekt 22 sowie die losgelösten Abgaswolken 26, repräsentiert.In the method for detecting the exhaust gas clouds 26 represented by the exhaust gas points 20 or the individual exhaust gas cloud points 24, an initially unsorted set P k = {(p 1 , r 1 ),..., (p n , r n )} of n points received from the lidar sensor. Each point is described or represented by spatial coordinates p i ={x, y, z} and a reflectivity r i . By means of the clustering mentioned, for example using a connected-components algorithm, a
Für jedes derartige Objekt Oj werden dessen Breite W, Länge L und Höhe H sowie ein sich daraus ergebende Objektvolumen V berechnet. Dazu können beispielsweise die Abstände der in jeder Dimension am weitesten voneinander entfernten Punkte des jeweiligen Objektpunktesets Oj sowie eine vorgegebene Form als Einhüllende, beispielsweise ein Quader, verwendet werden. Darauf basierend können beispielsweise die in
Für jedes Objektpunkteset Oj wird dann dessen Set von hochreflektiven Punkten H = {(p1, ri) ∈ Oj | ri > h} und dessen Schwerpunkt
Es wird hier keine a-priori Klassifikation angenommen, sondern die folgende Gleichung zum Klassifizieren der Objekte Oj als klassifizierte Objekte
Dabei bedeutet I =1 eine Klassifikation als relevantes Hindernis, I = 2 eine Klassifikation als mögliche Abgaswolke und I = 0 eine Klassifikation als nicht-relevantes Hindernis. V1, V2 und V3 sind vorgegebene Volumenschwellenwerte und N1 ist ein vorgegebener Anzahlschwellenwert für die minimale Anzahl von hochreflektiven Punkten, die für eine Klassifikation als relevantes Hindernis vorliegen müssen.I=1 means a classification as a relevant obstacle, I=2 a classification as a possible exhaust gas cloud and I=0 a classification as a non-relevant obstacle. V 1 , V 2 and V 3 are predetermined volume thresholds and N 1 is a predetermined number threshold for the minimum number of highly reflective points that must be present for classification as an obstacle of interest.
Das hier vorgeschlagene Klassifikationsschema ist besonders einfach implementierbar, ermöglicht es aber dennoch, Objekte mit relativ großem Volumen, wie beispielsweise Vegetationsstreifen oder Gebäude, herauszufiltern und gleichzeitig Kraftfahrzeuge verschiedener Größen als relevante Hindernisse zu klassifizieren.The classification scheme proposed here is particularly easy to implement, but still makes it possible to filter out objects with a relatively large volume, such as strips of vegetation or buildings, and at the same time to classify motor vehicles of different sizes as relevant obstacles.
Darüber hinaus werden auch Cluster von Punkten, die nur Abgaspunkte 20 umfassen, erfasst bzw. beibehalten und als mögliche Abgaswolke klassifiziert, da sie typischerweise kleinere Volumina als sonstige Objekte, wie beispielsweise Gebäude, und gleichzeitig eine geringere Reflektivität als Fahrzeuge oder andere feste Objekte aufweisen.In addition, clusters of points comprising
Um Abgaswolken in dem in
Für ein gegebenes Objekt bzw. Objektpunkteset
Der mögliche Auspuffbereich 34 des Fremdfahrzeug 32 ist dann repräsentiert durch das Punkteset B = {pi ∈ 0j | d(P, pi) < Dmin}wobei d(P,pi) der euklidische Abstand des jeweiligen Punktes pi von der Referenzebene P und Dmin ein vorgegebener maximal erlaubter Abstand ist. Die Dimensionen des möglichen Auspuffbereichs 34 des möglichen Fremdfahrzeug 32 werden dann anhand des Punktesets B bestimmt. Die dabei bestimmte Breite WB des möglichen Auspuffbereichs 34 wird dann mit der zuvor für das jeweilige Objektpunkteset
Der Auspuffbereich 34 des Fremdfahrzeug 32 ist identifiziert durch eine Richtung, in der das Abgas aus dem Abgasbereich 34 austritt, hier ausgedrückt als Abgasaustrittsrichtung
Für jeden Punkt
Wobei vi einen jeweiligen Punkt-Schwerpunktsvektor von dem Punkt pi zu dem Schwerpunkt
Es kommt jedoch vor, dass Fremdfahrzeuge 32 Transportgut transportieren, das an dem Auspuffbereich 34 angeordnet ist oder dort über das Fremdfahrzeug 34 bzw. den Auspuffbereich 34 hinausragt. Um in derartigen Fällen eine Fehlklassifikation zu vermeiden, werden für das jeweilige Set Gj = {(p1, ri)g ∈ 0j | g = Abgas} von Abgaspunkten 20 dessen durchschnittliche Reflektivität
Um den in
Für einen gegebenen Merkmalsvektor x = (x1, ..., xƒ), der f unabhängige Merkmale - hier die drei räumlichen Koordinaten x, y, y und die Reflektivität r - repräsentiert und mögliche Klassen Ca, wobei a = 0 eine Klassifikation als Abgaswolke und a = 1 eine Klassifikation als Nicht-Abgaswolke bedeutet, ist eine MAP-Entscheidungsregel basierend auf dem NBC definiert als:
Dabei repräsentiert p(Ca) die vorherige Wahrscheinlichkeit der Klasse Ca und p(xi | Ca) die bedingte Wahrscheinlichkeit des Merkmals xi bei gegebener Klasse Ca. Die Klassifikation des Merkmalsvektors x ist gegeben durch das Klassenlabel ŷ = Ca, wobei die Klasse Ca mit der größeren Wahrscheinlichkeit zugewiesen wird.In this case, p(C a ) represents the previous probability of the class C a and p(x i | C a ) represents the conditional probability of the feature x i for a given class C a . The classification of the feature vector x is given by the class label ŷ=C a , where the class C a is assigned with the higher probability.
Die bedingten Wahrscheinlichkeiten sind für die Klasse C1 hier definiert als:
Wobei N(xi | µ,σ2) eine vorgegebene Normalverteilung mit Mittelwert µ und Standardabweichung σ, die bei xi evaluiert ist und λe-λx
Die bedingten Wahrscheinlichkeiten für die Klasse C0 sind definiert als:
Dabei ist α(xi - β)2 eine vorgegebene u-quadratische Verteilung mit Parametern β = µ, repräsentierend ein Zentrum der Verteilung, und
Die Klassifikation eines Objekts bzw. eines Objektpunktesets
Falls ŷ = C0 für jede Detektion q ∈ Q gilt, wird die Klassifikation bzw. das Label I für das entsprechende bisherige Objektpunkteset
Um die Performanz des beschriebenen Verfahrens zu verbessern, können Detektionen q nach einer vorgegebenen Anzahl K von Takten oder Zeitschriften k nach ihrer Aufnahme in die Menge Q aus dieser entfernt werden. Dadurch kann berücksichtigt werden, dass Abgaswolken üblicherweise nach einer gewissen Zeit evaporieren und dann die Lidar-Messung nicht mehr beeinflussen. Beispielsweise kann K bei einer Takt- oder Abtastfrequenz des Lidarsensors von 10 Hz im Bereich von 50 bis 60 Zeitschritten, entsprechend etwa 5 s bis 6 s liegen. Je nach Situation oder Anforderungen können hier aber ebenso andere Werte verwendet werden.In order to improve the performance of the method described, detections q can be removed from the set Q after a predetermined number K of clocks or journals k after they have been included in the set. In this way, it can be taken into account that exhaust gas clouds usually evaporate after a certain time and then no longer influence the lidar measurement. For example, with a clock or sampling frequency of the lidar sensor of 10 Hz, K can be in the range of 50 to 60 time steps, corresponding to about 5 s to 6 s. Depending on the situation or requirements, other values can also be used here.
Schließlich können sämtliche als Abgas klassifizierten Punkte Gk ⊆ Pk abgeleitet oder bestimmt werden gemäß
Entsprechende Daten oder Informationen können dann als Output einer entsprechenden Erkennungseinrichtung des Kraftfahrzeugs ausgegeben oder bereitgestellt werden, beispielsweise für weitere Verarbeitungsschritte oder an weitere Assistenzeinrichtungen, beispielsweise für eine Sensorfusion, eine Objektnachverfolgung oder dergleichen mehr.Corresponding data or information can then be output or made available as an output of a corresponding detection device of the motor vehicle, for example for further processing steps or to further assistance devices, for example for sensor fusion, object tracking or the like.
Das beschriebene Verfahren kann im Betrieb des Kraftfahrzeugs permanent oder dauerhaft bzw. kontinuierlich ausgeführt werden. Ebenso kann es möglich sein, dass das Kraftfahrzeug bzw. die Erkennungseinrichtung dazu eingerichtet ist, das Verfahren nur dann auszuführen, wenn jeweilige Umgebungsbedingungen eine Kondensation von im Abgas enthaltenen Wasserdampf zu Wassertropfen bzw. zu sichtbaren und mittels Lidar detektierbaren Abgaswolken erlauben, also beispielsweise nur wenn eine Umgebungstemperatur kleiner als ein vorgegebener Temperaturschwellenwert ist. Da andernfalls nicht mit der Ausbildung von mittels lidarbasiert detektierbaren Abgaswolken zu rechnen ist, kann in solchen Fällen beispielsweise die Erkennungseinrichtung zum Einsparen von Betriebsenergie ganz oder teilweise abgeschaltet bzw. das Ausführen des beschriebenen Verfahrens ausgesetzt werden.The method described can be carried out permanently or permanently or continuously during operation of the motor vehicle. It may also be possible for the motor vehicle or the detection device to be set up to use the method only be carried out if the respective ambient conditions allow condensation of water vapor contained in the exhaust gas to form water droplets or exhaust gas clouds that are visible and detectable by means of lidar, i.e. only when an ambient temperature is lower than a predetermined temperature threshold value, for example. Since otherwise the formation of exhaust gas clouds that can be detected by means of lidar is not to be expected, in such cases, for example, the detection device can be switched off completely or partially to save operating energy or the execution of the method described can be suspended.
Insgesamt zeigen die beschriebenen Beispiele wie eine schnelle und effiziente Detektion von Fahrzeugabgaswolken bzw. von diesen verursachten Detektionen oder Artefakten, insbesondere bei eine entsprechende Kondensation begünstigenden Wetterbedingungen, basierend auf Lidar-Daten ermöglicht und implementiert werden kann. Overall, the examples described show how rapid and efficient detection of vehicle exhaust clouds or detections or artefacts caused by them, in particular in weather conditions that favor corresponding condensation, can be made possible and implemented on the basis of lidar data.
Zusammenfassend kann dazu zunächst eine mittels des Lidarsensors aufgenommene Lidar-Punktwolke räumlich geclustert und jeder Clusters als relevantes Hindernis, mögliche Abgaswolke oder nicht-relevantes Hindernis klassifiziert oder gelabelt werden. Für alle als relevantes Hindernis klassifizierten Cluster kann dann ein vorgegebener Algorithmus zum Identifizieren des zugehörigen Auspuffbereichs 34 angewendet werden. Danach können aktuelle Abgasdetektionen und eine Historie vorangegangener Abgasdetektionen verwendet werden, um probabilistisch zu bestimmen, ob die Klassifikation von Clustern als Abgaswolke korrekt oder inkorrekt ist.In summary, a lidar point cloud recorded using the lidar sensor can first be spatially clustered and each cluster classified or labeled as a relevant obstacle, possible exhaust gas cloud or non-relevant obstacle. A predefined algorithm for identifying the associated
Das beschriebene Verfahren ermöglicht dabei die korrekte Erkennung von Abgaswolken unter Verwendung eines herkömmlichen ToF-Lidarsensors. Dabei werden im Gegensatz zu anderen Methoden keine Trainingsdaten benötigt. Zudem wird zu Ausführung des Verfahrens keine spezialisierte oder dedizierte Berechnungshardware benötigt, um Echtzeitperformanz zu erreichen.The method described enables the correct detection of exhaust gas clouds using a conventional ToF lidar sensor. In contrast to other methods, no training data is required. In addition, no specialized or dedicated calculation hardware is required to carry out the method in order to achieve real-time performance.
BezugszeichenlisteReference List
- 1010
- Erfassungsbereichdetection range
- 1212
- Bodenpunkteground points
- 1414
- Einzelobjektpunktesingle object points
- 1616
- erstes Objektfirst object
- 1818
- Fahrzeugpunktevehicle points
- 2020
- Abgaspunkteexhaust points
- 2222
- zweites Objektsecond object
- 2424
- EinzelabgaswolkenpunkteSingle exhaust cloud points
- 2626
- losgelöste Abgaswolkedetached exhaust cloud
- 2828
- Randbereichspunkteborder points
- 3030
- Randobjektedge object
- 3232
- Fremdfahrzeugforeign vehicle
- 3434
- Auspuffbereichexhaust area
- 3636
- Untergrundunderground
- PP
- Referenzebenereference plane
- n̂n̂
- Abgasaustrittsrichtungexhaust gas outlet direction
- vivi
- Punkt-SchwerpunktsvketorPoint centroid vector
- pipi
- PunktPoint
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 the 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
- US 8818609 B1 [0005]US8818609B1 [0005]
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021116859.7A DE102021116859A1 (en) | 2021-06-30 | 2021-06-30 | Method and detection device for lidar-based detection of exhaust gas clouds and motor vehicles |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021116859.7A DE102021116859A1 (en) | 2021-06-30 | 2021-06-30 | Method and detection device for lidar-based detection of exhaust gas clouds and motor vehicles |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021116859A1 true DE102021116859A1 (en) | 2023-01-05 |
Family
ID=84492883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021116859.7A Pending DE102021116859A1 (en) | 2021-06-30 | 2021-06-30 | Method and detection device for lidar-based detection of exhaust gas clouds and motor vehicles |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021116859A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8818609B1 (en) | 2012-11-15 | 2014-08-26 | Google Inc. | Using geometric features and history information to detect features such as car exhaust in point maps |
-
2021
- 2021-06-30 DE DE102021116859.7A patent/DE102021116859A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8818609B1 (en) | 2012-11-15 | 2014-08-26 | Google Inc. | Using geometric features and history information to detect features such as car exhaust in point maps |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015109270B4 (en) | Method for determining a road surface condition for a vehicle | |
DE102006057552B4 (en) | System and method for measuring the distance of a preceding vehicle | |
DE102013113570A1 (en) | Bayes network for tracking objects using search points using multiple LiDAR sensors | |
DE102013113571A1 (en) | Methods and apparatus for merging radar / camera object data and LiDAR search points | |
DE102006005512B4 (en) | System and method for measuring the distance of a preceding vehicle | |
DE102013102153A1 (en) | Method for combining sensor signals of LiDAR-sensors, involves defining transformation value for one of two LiDAR sensors, which identifies navigation angle and position of sensor, where target scanning points of objects are provided | |
DE102011119767A1 (en) | APPEARANCE-BASED ASSOCIATION OF CAMERA AND DISTANCE SENSORS FOR MULTIPLE OBJECTS | |
DE102018100487A1 (en) | OBJECT TRACKING THROUGH UNDUE MONITORING | |
WO2020207528A1 (en) | Method and processing unit for ascertaining the size of an object | |
DE102020105642A1 (en) | DESIGN AND PROCESSING WITH ANTENNA ARRAYS TO ELIMINATE MALDETECTIONS IN A RADAR SYSTEM | |
DE102020124236A1 (en) | REUSABLE GHOST IMAGE IN THE VEHICLE RADAR SYSTEM | |
DE102020112825A1 (en) | Method for detecting relevant static objects within a lane as well as computing device for a driver assistance system of a vehicle | |
DE102019123483B4 (en) | Method and motor vehicle control unit for detecting the surroundings of a motor vehicle by merging sensor data at point cloud level | |
DE102021003567A1 (en) | Process for the recognition of object relationships and attributions from sensor data | |
DE102018220114A1 (en) | Device and method for detecting a sensor blockage of an environmental sensor | |
DE102018222195A1 (en) | Location and / or classification of objects from radar data with machine learning | |
DE102021116859A1 (en) | Method and detection device for lidar-based detection of exhaust gas clouds and motor vehicles | |
DE102020103770A1 (en) | Identification of the attention region to improve sensor-based recognition in a vehicle | |
DE102020105192A1 (en) | Method for detecting moving objects in a vehicle environment and motor vehicle | |
DE102019109332A1 (en) | Method and processing unit for determining an object status of an object | |
DE102022000849A1 (en) | Method for generating an environment representation for a vehicle | |
DE102019218059A1 (en) | Detection of elongated objects | |
DE102019216373A1 (en) | Method of detecting a target object | |
DE102019126074A1 (en) | Analysis of an environment of an active optical sensor system | |
DE102018117934A1 (en) | Aspect ratio and EPW modulation-based recognition of landmarks from digital data point clouds |