DE102021124736A1

DE102021124736A1 - Method and device for determining a position hypothesis

Info

Publication number: DE102021124736A1
Application number: DE102021124736.5A
Authority: DE
Inventors: Pascal Minnerup; Marc Scott Meissner; Fynn Terhar
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2021-09-24
Filing date: 2021-09-24
Publication date: 2023-03-30

Abstract

Es wird eine Vorrichtung zur Ermittlung einer Positions-Hypothese in Bezug auf eine Position eines Geräts, insbesondere eines Fahrzeugs, beschrieben. Die Vorrichtung ist eingerichtet, anhand einer maschinell-angelernten Ermittlungseinheit situationsabhängig Parameterwerte für eine Menge von Funktions-Parametern einer Auswerteeinheit zur Ermittlung der Positions-Hypothese zu ermitteln. Die Vorrichtung ist ferner eingerichtet, die Auswerteeinheit mit den situationsabhängig ermittelten Parameterwerten für die Menge von Funktions-Parametern zu betreiben, um auf Basis von Sensordaten die Positions-Hypothese in Bezug auf die Position des Geräts zu ermitteln.A device for determining a position hypothesis in relation to a position of a device, in particular a vehicle, is described. The device is set up to use a machine-taught determination unit to determine situation-dependent parameter values for a set of function parameters of an evaluation unit for determining the position hypothesis. The device is also set up to operate the evaluation unit with the parameter values determined as a function of the situation for the set of function parameters in order to determine the position hypothesis in relation to the position of the device on the basis of sensor data.

Description

Die Erfindung betrifft ein Verfahren und eine entsprechende Vorrichtung zur Ermittlung einer Hypothese in Bezug auf die Position eines Geräts, insbesondere in Bezug auf die von einem Fahrzeug befahrene Fahrspur auf einer mehrspurigen Fahrbahn.The invention relates to a method and a corresponding device for determining a hypothesis with regard to the position of a device, in particular with regard to the lane in which a vehicle is traveling on a multi-lane roadway.

Ein Fahrzeug kann ein oder mehrere Umfeldsensoren umfassen, die es ermöglichen, Umfelddaten in Bezug auf das Umfeld des Fahrzeugs zu erfassen. Auf Basis der Umfelddaten kann z.B. ermittelt werden, auf welcher Fahrspur einer mehrspurigen Fahrbahn sich das Fahrzeug befindet. Alternativ oder ergänzend kann die Querlage des Fahrzeugs innerhalb einer von dem Fahrzeug befahrenen Fahrspur ermittelt werden. Alternativ oder ergänzend kann der Verlauf der von dem Fahrzeug befahrenen Fahrspur ermittelt bzw. prädiziert werden. Diese Information kann dazu genutzt werden, zumindest teilweise automatisiert durchgeführte Fahrmanöver des Fahrzeugs zu planen und durchzuführen. Die Ermittlung von Information in Bezug auf die von einem Fahrzeug befahrenen Fahrspur ist insbesondere für ein automatisiert fahrendes Fahrzeug von Bedeutung, um eine zuverlässige automatisierte Längs- und/oder Querführung des Fahrzeugs zu ermöglichen.A vehicle can include one or more environment sensors that make it possible to capture environment data relating to the environment of the vehicle. Based on the environmental data, it can be determined, for example, which lane of a multi-lane road the vehicle is in. Alternatively or additionally, the transverse position of the vehicle can be determined within a lane in which the vehicle is traveling. Alternatively or additionally, the course of the lane traveled by the vehicle can be determined or predicted. This information can be used to plan and carry out at least partially automated driving maneuvers of the vehicle. The determination of information relating to the lane traveled by a vehicle is of particular importance for an automated vehicle in order to enable reliable automated longitudinal and/or lateral guidance of the vehicle.

Das vorliegende Dokument befasst sich mit der technischen Aufgabe, ein Verfahren und eine Vorrichtung bereitzustellen, die es ermöglichen, eine Positions-Hypothese in Bezug auf die Position eines Geräts, insbesondere eine Fahrspur-Hypothese in Bezug auf eine Fahrspur, mit besonders hoher Genauigkeit und/oder Zuverlässigkeit zu bestimmen.The present document deals with the technical task of providing a method and a device that make it possible to generate a position hypothesis in relation to the position of a device, in particular a lane hypothesis in relation to a lane, with particularly high accuracy and/or or to determine reliability.

Die Aufgabe wird durch jeden der unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.The object is solved by each of the independent claims. Advantageous embodiments are described inter alia in the dependent claims. It is pointed out that additional features of a patent claim dependent on an independent patent claim without the features of the independent patent claim or only in combination with a subset of the features of the independent patent claim can form a separate invention independent of the combination of all features of the independent patent claim, which can be made the subject of an independent claim, a divisional application or a subsequent application. This applies equally to the technical teachings described in the description, which can form an invention independent of the features of the independent patent claims.

Gemäß einem Aspekt wird eine Vorrichtung zur Ermittlung einer Positions-Hypothese in Bezug auf die Position eines Geräts, insbesondere eines (Kraft-) Fahrzeugs, beschrieben. Die Vorrichtung kann insbesondere drauf ausgelegt sein, als Positions-Hypothese eine Fahrspur-Hypothese in Bezug auf die von einem (Kraft-) Fahrzeug befahrene Fahrspur einer (ggf. mehrspurigen) Fahrbahn zu ermitteln. Die Vorrichtung kann eingerichtet sein, das Fahrzeug (zumindest teilweise, hoch oder voll) automatisiert in Abhängigkeit von der Positions- und/oder Fahrspur-Hypothese längs- und/oder querzuführen. So kann eine zuverlässige zumindest teilweise automatisierte Längs- und/oder Querführung ermöglicht werden.According to one aspect, a device for determining a position hypothesis in relation to the position of a device, in particular a (motor) vehicle, is described. In particular, the device can be designed to determine, as a position hypothesis, a lane hypothesis with regard to the lane of a (possibly multi-lane) roadway traveled by a (motor) vehicle. The device can be set up to automatically guide the vehicle longitudinally and/or laterally (at least partially, vertically or fully) depending on the position and/or lane hypothesis. Reliable, at least partially automated, longitudinal and/or transverse guidance can thus be made possible.

Die Vorrichtung kann eingerichtet sein, eine Fahrspur-Hypothese in Bezug auf den (aktuellen und/oder zukünftigen) Verlauf der von dem Fahrzeug befahrenen Fahrspur zu ermitteln. Alternativ oder ergänzend kann eine Fahrspur-Hypothese in Bezug auf die Ego-Fahrspur einer Mehrzahl von Fahrspuren der (mehrspurigen) Fahrbahn ermittelt werden, auf der das Fahrzeug fährt. Alternativ oder ergänzend kann eine Fahrspur-Hypothese in Bezug auf die (Quer-) Lage des Fahrzeugs innerhalb der von dem Fahrzeug befahrenen Fahrspur ermittelt werden.The device can be set up to determine a lane hypothesis in relation to the (current and/or future) course of the lane in which the vehicle is driving. Alternatively or additionally, a lane hypothesis can be determined in relation to the ego lane of a plurality of lanes of the (multi-lane) roadway on which the vehicle is driving. Alternatively or additionally, a lane hypothesis can be determined in relation to the (transverse) position of the vehicle within the lane in which the vehicle is driving.

Die Vorrichtung kann eingerichtet sein, anhand einer maschinell-angelernten Ermittlungseinheit situationsabhängig Parameterwerte für eine Menge von Funktions-Parametern einer Auswerteeinheit zur Ermittlung der Positions-Hypothese zu ermitteln. Mit anderen Worten, die Positions-Hypothese (insbesondere die Fahrspur-Hypothese) kann anhand einer Auswerteinheit ermittelt werden. Dabei kann der Betrieb der Auswerteeinheit von einer Menge von (ggf. veränderbaren) Funktions-Parametern abhängen. Unter Verwendung einer Ermittlungseinheit können in Abhängigkeit von der jeweils vorliegenden Situation situationsabhängige Parameterwerte für die Menge von Funktions-Parametern ermittelt werden. Der Betrieb der Auswerteeinheit kann somit an die jeweils vorliegende Situation angepasst werden.The device can be set up to use a machine-taught determination unit to determine situation-dependent parameter values for a set of function parameters of an evaluation unit for determining the position hypothesis. In other words, the position hypothesis (in particular the lane hypothesis) can be determined using an evaluation unit. The operation of the evaluation unit can depend on a number of (possibly changeable) function parameters. Using a determination unit, situation-dependent parameter values for the set of function parameters can be determined as a function of the particular situation. The operation of the evaluation unit can thus be adapted to the situation at hand.

Die Vorrichtung kann ferner eingerichtet sein, die Auswerteeinheit mit den situationsabhängig ermittelten Parameterwerten für die Menge von Funktions-Parametern zu betreiben, um auf Basis von Sensordaten (z.B. auf Basis von Umfelddaten von ein oder mehreren Umfeldsensoren des Geräts und/oder auf Basis von Positionsdaten eines Positionssensors des Geräts) die Positions-Hypothese in Bezug auf die Position des Geräts, insbesondere in Bezug auf die Fahrspur des Fahrzeugs, zu ermitteln.The device can also be set up to operate the evaluation unit with the parameter values determined depending on the situation for the set of function parameters in order, on the basis of sensor data (e.g. on the basis of environmental data from one or more environmental sensors of the device and/or on the basis of position data of a Position sensor of the device) to determine the position hypothesis in relation to the position of the device, in particular in relation to the lane of the vehicle.

Durch die Anpassung der Auswerteeinheit an die jeweils vorliegende Situation können die Güte und die Genauigkeit der Positions-Ermittlung erhöht werden.The quality and the accuracy of the position determination can be increased by adapting the evaluation unit to the respective situation.

Die Menge von Funktions-Parametern kann umfassen:

• ein oder mehrere Funktions-Parameter, durch die eine Gewichtung der Sensordaten zur Ermittlung der Positions-Hypothese festgelegt wird; und/oder
• ein oder mehrere Funktions-Parameter, durch die eine Berücksichtigung, insbesondere eine Gewichtung, von ein oder mehreren erkannten Fahrspuren einer Fahrbahn zur Ermittlung der Positions-Hypothese festgelegt wird; und/oder
• ein oder mehrere Funktions-Parameter, durch die ein Koeffizient eines Filters, insbesondere eines Kalman-Filters und/oder eines Partikel-Filters, zur Ermittlung der Positions-Hypothese festgelegt wird; und/oder
• ein oder mehrere Funktions-Parameter, durch die eine Fusion der Sensordaten zur Ermittlung der Positions-Hypothese beeinflusst wird; und/oder
• ein oder mehrere Funktions-Parameter, durch die eine Priorisierung der Ermittlung der Positions-Hypothese auf Basis von Bilddaten einer Kamera oder auf Basis von Positionsdaten eines Positionssensors festgelegt wird; und/oder
• ein oder mehrere Funktions-Parameter, durch die eine Berücksichtigung einer digitalen Karte in Bezug auf ein Fahrbahnnetz zur Ermittlung der Positions-Hypothese festgelegt wird; und/oder
• ein oder mehrere Funktions-Parameter, durch die eine Aktivierung oder eine Deaktivierung einer Sonderfallbehandlung innerhalb der Auswerteeinheit bewirkt wird.

The set of function parameters can include:

• one or more function parameters, by means of which a weighting of the sensor data for determining the position hypothesis is specified; and or
• one or more function parameters, by means of which a consideration, in particular a weighting, of one or more recognized lanes of a roadway for determining the position hypothesis is determined; and or
• one or more function parameters, by means of which a coefficient of a filter, in particular a Kalman filter and/or a particle filter, is specified for determining the position hypothesis; and or
• one or more function parameters by which a fusion of the sensor data for determining the position hypothesis is influenced; and or
• one or more function parameters, through which a prioritization of the determination of the position hypothesis is established on the basis of image data from a camera or on the basis of position data from a position sensor; and or
• one or more function parameters by which a consideration of a digital map in relation to a roadway network for determining the position hypothesis is determined; and or
• one or more function parameters that cause activation or deactivation of special case handling within the evaluation unit.

Es kann somit eine detaillierte Anpassung der Auswerteeinheit bewirkt werden, um die Güte der Positions-Ermittlung weiter zu erhöhen. Beispielsweise kann die Auswerteeinheit einen Standardalgorithmus (für Standardsituationen) und zumindest einen Sonderfallalgorithmus (für zumindest einen Sonderfall) aufweisen. Die anhand der maschinell-angelernten Ermittlungseinheit ermittelten Parameterwerte für zumindest einen Funktions-Parameter können bewirken, dass (je nach vorliegender Situation) von der Auswerteeinheit der Sonderfallalgorithmus oder der Standardalgorithmus verwendet wird.A detailed adaptation of the evaluation unit can thus be brought about in order to further increase the quality of the position determination. For example, the evaluation unit can have a standard algorithm (for standard situations) and at least one special case algorithm (for at least one special case). The parameter values for at least one function parameter determined using the machine-taught determination unit can cause the evaluation unit to use the special case algorithm or the standard algorithm (depending on the situation at hand).

Die Vorrichtung kann eingerichtet sein, Parameterwerte für eine Menge von Situations-Parametern zu ermitteln, durch die die aktuelle Situation zur Ermittlung der Positions-Hypothese beschrieben wird. Die Menge von Situations-Parametern kann z.B. umfassen,

• ein oder mehrere Situations-Parameter, durch die eine aktuelle Witterungsbedingung beschrieben wird; und/oder
• ein oder mehrere Situations-Parameter, durch die eine aktuelle Lichtsituation beschrieben wird; und/oder
• ein oder mehrere Situations-Parameter, durch die eine aktuelle Erfassungsgüte von ein oder mehreren Sensoren zur Erfassung der Sensordaten für die Ermittlung der Positions-Hypothese beschrieben wird; und/oder
• ein oder mehrere Situations-Parameter, durch die ein Umfeld des Geräts, insbesondere eine Verkehrssituation im Umfeld des Geräts, beschrieben wird; und/oder
• ein oder mehrere Situations-Parameter, durch die eine Straßenform beschrieben wird, z.B. Ausfahrt, Einfahrt, Brückendurchfahrt, etc.; und/oder
• ein oder mehrere Sensorwerte von ein oder mehreren Sensoren, insbesondere Umfeldsensoren, des Fahrzeugs.

The device can be set up to determine parameter values for a set of situation parameters that describe the current situation for determining the position hypothesis. The set of situation parameters can include, for example,

• one or more situation parameters describing a current weather condition; and or
• one or more situation parameters that describe a current light situation; and or
• one or more situation parameters that describe a current detection quality of one or more sensors for detecting the sensor data for determining the position hypothesis; and or
• one or more situation parameters that describe the area surrounding the device, in particular a traffic situation in the area surrounding the device; and or
• one or more situational parameters that describe a street shape, eg exit, entrance, crossing a bridge, etc.; and or
• one or more sensor values from one or more sensors, in particular environment sensors, of the vehicle.

Die Parameterwerte für die Menge von Funktions-Parametern können dann in besonders präziser Weise anhand der maschinell-angelernten Ermittlungseinheit und auf Basis der Parameterwerte für die Menge von Situations-Parametern ermittelt werden. Zu diesem Zweck kann die maschinell-angelernte Ermittlungseinheit ausgebildet sein, die Parameterwerte für die Menge von Situations-Parametern als Eingangswerte aufzunehmen, und basierend darauf die Parameterwerte für die Menge von Funktions-Parametern als Ausgangswerte bereitzustellen. In einem bevorzugten Beispiel kann die maschinell-angelernte Ermittlungseinheit ein maschinell angelerntes neuronales Netz umfassen.The parameter values for the set of function parameters can then be determined in a particularly precise manner using the machine-taught determination unit and on the basis of the parameter values for the set of situation parameters. For this purpose, the machine-taught determination unit can be designed to record the parameter values for the set of situation parameters as input values and, based thereon, to provide the parameter values for the set of function parameters as output values. In a preferred example, the machine-trained determination unit may comprise a machine-trained neural network.

Die Vorrichtung kann eingerichtet sein, Situations-Sensordaten zu ermitteln, insbesondere anhand von ein oder mehreren (Umfeld-) Sensoren des Geräts. Die Parameterwerte für die Menge von Situations-Parametern können dann in präziser Weise auf Basis der Situations-Sensordaten ermittelt werden.The device can be set up to determine situation sensor data, in particular using one or more (surrounding) sensors of the device. The parameter values for the set of situation parameters can then be determined in a precise manner on the basis of the situation sensor data.

Wie bereits oben dargelegt, kann die Vorrichtung eingerichtet sein, als Positions-Hypothese eine Fahrspur-Hypothese zu ermitteln. Die Vorrichtung kann eingerichtet sein, mittels einer Kamera Bilddaten in Bezug auf die Fahrbahn zu ermitteln. Die Bilddaten können ein oder mehrere Fahrspuren und/oder Spurmarkierungen zwischen den Fahrspuren anzeigen. Die Vorrichtung kann eingerichtet sein (unter Verwendung der Auswerteeinheit), (ggf. allein) auf Basis der Bilddaten eine Kamera-basierte Hypothese in Bezug auf die von dem Fahrzeug befahrene Fahrspur zu ermitteln. Dabei kann auf Basis des Verlaufs der Spurmarkierungen der Verlauf der von dem Fahrzeug befahrenen Fahrbahn ermittelt werden.As already explained above, the device can be set up to determine a lane hypothesis as the position hypothesis. The device can be set up to use a camera to determine image data relating to the roadway. The image data may include one or more lanes and/or lane markings between lanes to sue. The device can be set up (using the evaluation unit) to determine (possibly alone) a camera-based hypothesis with regard to the lane in which the vehicle is traveling on the basis of the image data. Based on the course of the lane markings, the course of the roadway traveled by the vehicle can be determined.

Des Weiteren kann die Vorrichtung eingerichtet sein, Positionsdaten in Bezug auf eine Position des Fahrzeugs auf der Fahrbahn zu ermitteln. Die Positionsdaten können mittels eines Satelliten-basierten Positionssensors (z.B. mittels eines GPS und/oder GNSS Empfängers) ermittelt werden. Alternativ oder ergänzend können die Positionsdaten auf Basis eines erkannten Objektes und/oder einer erkannten Landmarke im Umfeld des Fahrzeugs ermittelt werden. Ein Objekt und/oder eine Landmarke können dabei auf Basis der Sensordaten von ein oder mehreren Umfeldsensoren (z.B. einer Kamera, einem Radarsensor, einem Lidarsensor, einem Ultraschallsensor, etc.) des Fahrzeugs detektiert werden.Furthermore, the device can be set up to determine position data in relation to a position of the vehicle on the roadway. The position data can be determined using a satellite-based position sensor (e.g. using a GPS and/or GNSS receiver). Alternatively or additionally, the position data can be determined on the basis of a detected object and/or a detected landmark in the area surrounding the vehicle. An object and/or a landmark can be detected on the basis of the sensor data from one or more surroundings sensors (e.g. a camera, a radar sensor, a lidar sensor, an ultrasonic sensor, etc.) of the vehicle.

Die Positionsdaten können die Position des Fahrzeugs innerhalb einer digitalen Karte anzeigen. Dabei kann die digitale Karte die Position der Fahrspuren der (ggf. mehrspurigen) Fahrbahn anzeigen (z.B. innerhalb eines Referenz-Koordinatensystems). Des Weiteren kann die digitale Karte Landmarken und/oder Objekte entlang der Fahrbahn anzeigen. Mit anderen Worten Landmarken und/oder Objekte, die zur Ermittlung der Position des Fahrzeugs verwendet werden können, können innerhalb der digitalen Karte verzeichnet sein.The position data can indicate the position of the vehicle within a digital map. The digital map can display the position of the lanes of the (possibly multi-lane) roadway (e.g. within a reference coordinate system). Furthermore, the digital map can display landmarks and/or objects along the roadway. In other words, landmarks and/or objects that can be used to determine the position of the vehicle can be recorded within the digital map.

Alternativ oder ergänzend können die Positionsdaten die Position des Fahrzeugs innerhalb des Referenz-Koordinatensystems anzeigen (z.B. in Form von GPS- und/oder GNSS-Koordinaten).Alternatively or additionally, the position data can indicate the position of the vehicle within the reference coordinate system (e.g. in the form of GPS and/or GNSS coordinates).

Die Positionsdaten können in Zusammenhang mit der digitalen Karte ausgewertet werden. Insbesondere um innerhalb der digitalen Karte anzuzeigen, wo, insbesondere in welcher Fahrspur und/oder in welcher Querlage innerhalb einer Fahrspur, sich das Fahrzeug auf der (ggf. mehrspurigen) Fahrbahn befindet. Alternativ oder ergänzend kann der Verlauf der von dem Fahrzeug befahrenen Fahrspur ermittelt werden. Die Vorrichtung kann eingerichtet sein, (ggf. allein) auf Basis der Positionsdaten (und auf Basis der digitalen Karte), unter Verwendung der Auswerteeinheit, eine Karten-basierte Hypothese in Bezug auf die von dem Fahrzeug befahrene Fahrspur zu ermitteln.The position data can be evaluated in connection with the digital map. In particular, to indicate within the digital map where, in particular in which lane and/or in which transverse position within a lane, the vehicle is located on the (possibly multi-lane) roadway. Alternatively or additionally, the course of the lane traveled by the vehicle can be determined. The device can be set up (possibly solely) on the basis of the position data (and on the basis of the digital map), using the evaluation unit, to determine a map-based hypothesis in relation to the lane in which the vehicle is driving.

Des Weiteren kann die Vorrichtung eingerichtet sein, anhand der Auswerteeinheit die Kamera-basierte Hypothese und die Karten-basierte Hypothese zu einer Fahrspur-Hypothese zu fusionieren. So kann in präziser und robuster Weise eine Fahrspur-Hypothese ermittelt werden.Furthermore, the device can be set up to merge the camera-based hypothesis and the map-based hypothesis into a lane hypothesis using the evaluation unit. A lane hypothesis can thus be determined in a precise and robust manner.

Die Kamera-basierte Hypothese und/oder die Karten-basierte Hypothese können in Abhängigkeit von den situationsabhängig ermittelten Parameterwerten für die Menge von Funktions-Parametern ermittelt werden. Alternativ oder ergänzend kann die Fusion zur Ermittlung der Kamera-basierten Hypothese in Abhängigkeit von den situationsabhängig ermittelten Parameterwerten für die Menge von Funktions-Parametern durchgeführt werden. So kann die Güte der Fahrspur-Hypothese weiter erhöht werden.The camera-based hypothesis and/or the map-based hypothesis can be determined as a function of the parameter values determined as a function of the situation for the set of function parameters. Alternatively or additionally, the fusion for determining the camera-based hypothesis can be carried out as a function of the situation-dependent determined parameter values for the set of function parameters. In this way, the quality of the lane hypothesis can be further increased.

Die Vorrichtung kann eingerichtet sein, an einer Sequenz von aufeinanderfolgenden Zeitpunkten und/oder an einer Sequenz von aufeinanderfolgenden Streckenabschnitten der von dem Gerät, insbesondere von dem Fahrzeug, zurückgelegten Strecke, anhand der maschinell-angelernten Ermittlungseinheit jeweils situationsabhängig aktuelle Parameterwerte für die Menge von Funktions-Parametern zu ermitteln. Des Weiteren kann die Auswerteeinheit mit den jeweils aktuellen Parameterwerten für die Menge von Funktions-Parametern betrieben werden, um die Positions-Hypothese in Bezug auf die jeweils aktuelle Position des Geräts zu ermitteln. Es können somit wiederholt die jeweils aktuelle Situation und basierend darauf die jeweils aktuellen Parameterwerte für die Menge von Funktions-Parametern für die Auswerteeinheit ermittelt werden. So kann eine dauerhaft hohe Güte der Positions-Hypothese ermöglicht werden.The device can be set up to use the machine-taught determination unit to use current parameter values for the set of functional determine parameters. Furthermore, the evaluation unit can be operated with the respective current parameter values for the set of function parameters in order to determine the position hypothesis in relation to the respective current position of the device. The respectively current situation can thus be determined repeatedly and, based on this, the respectively current parameter values for the set of function parameters for the evaluation unit can be determined. In this way, a permanently high quality of the position hypothesis can be made possible.

Die Vorrichtung kann eingerichtet sein, den Streckenabschnitt zu ermitteln, auf dem sich das Gerät befindet. Es können dann von einem Backend-Server Parameterdaten für den Streckenabschnitt bezogen werden. Die Parameterwerte für die Menge von Funktions-Parametern können dann in besonders präziser Weise auf Basis der Parameterdaten ermittelt werden. Durch die von dem jeweiligen Streckenabschnitt abhängigen Parameterdaten kann z.B. die Ermittlungseinheit angepasst werden. Alternativ oder ergänzend können die Parameterdaten direkt die Auswerteeinheit verändern und an den jeweiligen Streckenabschnitt anpassen. So kann die Güte der Positions-Hypothese weiter erhöht werden.The device can be set up to determine the route section on which the device is located. Parameter data for the route section can then be obtained from a backend server. The parameter values for the set of function parameters can then be determined in a particularly precise manner on the basis of the parameter data. The determination unit, for example, can be adapted using the parameter data dependent on the respective route section. Alternatively or in addition, the parameter data can change the evaluation unit directly and adapt it to the respective route section. In this way, the quality of the position hypothesis can be further increased.

Gemäß einem weiteren Aspekt wird ein (Straßen-)Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus oder ein Motorrad) beschrieben, das die in diesem Dokument beschriebene Vorrichtung umfasst.According to a further aspect, a (road) motor vehicle (in particular a passenger car or a truck or a bus or a motorcycle) is described which comprises the device described in this document.

Gemäß einem weiteren Aspekt wird ein Verfahren zur Ermittlung einer Positions-Hypothese in Bezug auf die Position eines Geräts, insbesondere eines (Kraft-) Fahrzeugs, beschrieben. Das Verfahren umfasst das situationsabhängige Ermitteln, anhand einer maschinell-angelernten Ermittlungseinheit, von Parameterwerten für eine Menge von Funktions-Parametern einer Auswerteeinheit zur Ermittlung der Positions-Hypothese. Das Verfahren umfasst ferner das Betreiben der Auswerteeinheit mit den situationsabhängig ermittelten Parameterwerten für die Menge von Funktions-Parametern, um auf Basis von Sensordaten die Positions-Hypothese in Bezug auf die Position des Geräts zu ermitteln.According to a further aspect, a method for determining a position hypothesis in relation to the position of a device, in particular a (motor) vehicle, is described. The procedure ren includes the situation-dependent determination, using a machine-taught determination unit, of parameter values for a set of function parameters of an evaluation unit for determining the position hypothesis. The method also includes operating the evaluation unit with the parameter values determined as a function of the situation for the set of function parameters in order to determine the position hypothesis in relation to the position of the device on the basis of sensor data.

Gemäß einem weiteren Aspekt wird ein Verfahren (und eine entsprechende Vorrichtung) zum Anlernen einer Ermittlungseinheit beschrieben, die eingerichtet ist, auf Basis von Parameterwerten für eine Menge von Situations-Parametern zur Beschreibung einer Situation bei der Ermittlung einer Positions-Hypothese in Bezug auf die Position eines Geräts, insbesondere eines Fahrzeugs, Parameterwerte für eine Menge von Funktions-Parametern einer Auswerteeinheit zur Ermittlung der Positions-Hypothese zu ermitteln.According to a further aspect, a method (and a corresponding device) for training a determination unit is described, which is set up based on parameter values for a set of situation parameters for describing a situation when determining a position hypothesis in relation to the position a device, in particular a vehicle, to determine parameter values for a set of function parameters of an evaluation unit for determining the position hypothesis.

Das Verfahren umfasst das Bereitstellen von Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen, wobei ein Trainings-Datensatz Trainings-Parameterwerte für die Menge von Situations-Parametern und entsprechende Soll-Parameterwerte für die Funktions-Parameter umfasst. Außerdem umfasst das Verfahren das Anlernen eines neuronalen Netzwerks für die Auswerteeinheit auf Basis der Trainingsdaten.The method includes providing training data with a large number of training data sets, with a training data set including training parameter values for the set of situation parameters and corresponding target parameter values for the function parameters. The method also includes training a neural network for the evaluation unit on the basis of the training data.

Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs) ausgeführt zu werden, und um dadurch zumindest eines der in diesem Dokument beschriebenen Verfahren auszuführen.According to a further aspect, a software (SW) program is described. The SW program can be set up to be executed on a processor (e.g. on a control unit of a vehicle) and thereby to carry out at least one of the methods described in this document.

Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch zumindest eines der in diesem Dokument beschriebenen Verfahren auszuführen.According to a further aspect, a storage medium is described. The storage medium can include a SW program which is set up to be executed on a processor and thereby to execute at least one of the methods described in this document.

Unter dem Begriff „automatisiertes Fahren“ kann im Rahmen des Dokuments ein Fahren mit automatisierter Längs- oder Querführung oder ein autonomes Fahren mit automatisierter Längs- und Querführung verstanden werden. Bei dem automatisierten Fahren kann es sich beispielsweise um ein zeitlich längeres Fahren auf der Autobahn oder um ein zeitlich begrenztes Fahren im Rahmen des Einparkens oder Rangierens handeln. Der Begriff „automatisiertes Fahren“ umfasst ein automatisiertes Fahren mit einem beliebigen Automatisierungsgrad. Beispielhafte Automatisierungsgrade sind ein assistiertes, teilautomatisiertes, hochautomatisiertes oder vollautomatisiertes Fahren. Diese Automatisierungsgrade wurden von der Bundesanstalt für Straßenwesen (BASt) definiert (siehe BASt-Publikation „Forschung kompakt“, Ausgabe 11/1512). Beim assistierten Fahren führt der Fahrer dauerhaft die Längs- oder Querführung aus, während das System die jeweils andere Funktion in gewissen Grenzen übernimmt. Beim teilautomatisierten Fahren (TAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum und/oder in spezifischen Situationen, wobei der Fahrer das System wie beim assistierten Fahren dauerhaft überwachen muss. Beim hochautomatisierten Fahren (HAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum, ohne dass der Fahrer das System dauerhaft überwachen muss; der Fahrer muss aber in einer gewissen Zeit in der Lage sein, die Fahrzeugführung zu übernehmen. Beim vollautomatisierten Fahren (VAF) kann das System für einen spezifischen Anwendungsfall das Fahren in allen Situationen automatisch bewältigen; für diesen Anwendungsfall ist kein Fahrer mehr erforderlich. Die vorstehend genannten vier Automatisierungsgrade entsprechen den SAE-Level 1 bis 4 der Norm SAE J3016 (SAE - Society of Automotive Engineering). Beispielsweise entspricht das hochautomatisierte Fahren (HAF) Level 3 der Norm SAE J3016. Ferner ist in der SAE J3016 noch der SAE-Level 5 als höchster Automatisierungsgrad vorgesehen, der in der Definition der BASt nicht enthalten ist. Der SAE-Level 5 entspricht einem fahrerlosen Fahren, bei dem das System während der ganzen Fahrt alle Situationen wie ein menschlicher Fahrer automatisch bewältigen kann; ein Fahrer ist generell nicht mehr erforderlich. Die in diesem Dokument beschriebenen Aspekte beziehen sich insbesondere auf ein Fahrzeug mit SAE-Level 3 und höher.In the context of the document, the term "automated driving" can be understood as driving with automated longitudinal or lateral guidance or autonomous driving with automated longitudinal and lateral guidance. Automated driving can be, for example, driving on the freeway for a longer period of time or driving for a limited time as part of parking or manoeuvring. The term "automated driving" includes automated driving with any degree of automation. Exemplary degrees of automation are assisted, partially automated, highly automated or fully automated driving. These degrees of automation were defined by the Federal Highway Research Institute (BASt) (see BASt publication "Research compact", issue 11/1512). With assisted driving, the driver constantly performs longitudinal or lateral guidance, while the system takes over the other function within certain limits. With semi-automated driving (TAF), the system takes over longitudinal and lateral guidance for a certain period of time and/or in specific situations, whereby the driver has to constantly monitor the system, as with assisted driving. With highly automated driving (HAD), the system takes over longitudinal and lateral guidance for a certain period of time without the driver having to constantly monitor the system; however, the driver must be able to take control of the vehicle within a certain period of time. With fully automated driving (VAF), the system can automatically handle driving in all situations for a specific application; a driver is no longer required for this application. The four levels of automation mentioned above correspond to SAE levels 1 to 4 of the SAE J3016 standard (SAE - Society of Automotive Engineering). For example, highly automated driving (HAF) corresponds to level 3 of the SAE J3016 standard. Furthermore, SAE J3016 also provides SAE Level 5 as the highest degree of automation, which is not included in the BASt definition. SAE Level 5 corresponds to driverless driving, in which the system can automatically handle all situations like a human driver throughout the journey; a driver is generally no longer required. The aspects described in this document relate in particular to a vehicle with SAE level 3 and higher.

Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden. Ferner sind in Klammern aufgeführte Merkmale als optionale Merkmale zu verstehen.It should be noted that the methods, devices and systems described in this document can be used both alone and in combination with other methods, devices and systems described in this document. Furthermore, any aspects of the methods, devices and systems described in this document can be combined with one another in a variety of ways. In particular, the features of the claims can be combined with one another in many different ways. Furthermore, features listed in brackets are to be understood as optional features.

Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen

1a beispielhafte Komponenten eines Fahrzeugs;
1b eine beispielhafte mehrspurige Fahrbahn;
2a ein beispielhaftes neuronales Netz;
2b ein beispielhaftes Neuron;
3 eine beispielhafte Vorrichtung zur Ermittlung einer Positions-Hypothese;
4 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung einer Positions-Hypothese; und
5 ein Ablaufdiagramm eines beispielhaften Verfahrens zum Anlernen einer Ermittlungseinheit.

The invention is described in more detail below using exemplary embodiments. show it

1a exemplary components of a vehicle;
1b an exemplary multi-lane roadway;
2a an exemplary neural network;
2 B an exemplary neuron;
3 an exemplary apparatus for determining a position hypothesis;
4 a flowchart of an exemplary method for determining a position hypothesis; and
5 a flowchart of an exemplary method for training a determination unit.

Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der präzisen und zuverlässigen Lokalisierung eines Geräts, insbesondere eines Fahrzeugs. Dabei kann insbesondere eine Hypothese in Bezug auf die Fahrspur ermittelt werden, auf der sich ein Fahrzeug befindet. Diese Fahrspur kann auch als Ego-Fahrspur bezeichnet werden.As explained at the outset, this document deals with the precise and reliable localization of a device, in particular a vehicle. In particular, a hypothesis can be determined in relation to the lane in which a vehicle is located. This lane can also be referred to as the ego lane.

1a zeigt beispielhafte Komponenten eines Fahrzeugs 100. Das Fahrzeug 100 umfasst ein oder mehrere Umfeldsensoren 102, die eingerichtet sind, Umfelddaten in Bezug auf das Umfeld des Fahrzeugs 100 zu erfassen. Beispielhafte Umfeldsensoren 102 sind eine Kamera, ein Radarsensor, ein Lidarsensor, ein Ultraschallsensor, etc. Insbesondere können von zumindest einer Kamera 102 des Fahrzeugs 100 Bilddaten in Bezug auf die von dem Fahrzeug 100 befahrenen Fahrbahn erfasst werden. Auf Basis der Bilddaten können z.B. Fahrspurmarkierungen auf der Fahrbahn erkannt und ausgewertet werden, um zu ermittelt, auf welcher Fahrspur sich das Fahrzeug 100 befindet. 1a 12 shows exemplary components of a vehicle 100. The vehicle 100 includes one or more surroundings sensors 102 which are set up to record surroundings data relating to the surroundings of the vehicle 100. Exemplary environment sensors 102 are a camera, a radar sensor, a lidar sensor, an ultrasonic sensor, etc. In particular, at least one camera 102 of vehicle 100 can capture image data relating to the roadway traveled by vehicle 100 . On the basis of the image data, for example, lane markings on the roadway can be recognized and evaluated in order to determine the lane in which vehicle 100 is located.

Das Fahrzeug 100 umfasst ferner einen Positionssensor 103 (z.B. einen GPS bzw. GNSS Empfänger), der eingerichtet ist, Positionsdaten in Bezug auf die Position des Fahrzeug 100 zu erfassen. Die Positionsdaten können mittels eines Satelliten-basierten Positionierungssystems ermittelt werden. Die Positionsdaten können in Zusammenhang mit einer digitalen Karte ausgewertet werden, wobei die digitale Karte die Position der Fahrbahn und der einzelnen Fahrspuren der Fahrbahn anzeigt. Die Positionsdaten können somit (in Zusammenhang mit der digitalen Karte) dazu genutzt werden, die Fahrspur zu ermitteln, auf der sich das Fahrzeug 100 befindet.The vehicle 100 also includes a position sensor 103 (e.g. a GPS or GNSS receiver), which is set up to acquire position data relating to the position of the vehicle 100 . The position data can be determined using a satellite-based positioning system. The position data can be evaluated in connection with a digital map, the digital map showing the position of the roadway and the individual lanes of the roadway. The position data can thus be used (in connection with the digital map) to determine the lane in which vehicle 100 is located.

Eine Steuereinheit 101 (bzw. eine Auswerte-Vorrichtung) des Fahrzeugs 100 kann eingerichtet sein, auf Basis der Umfelddaten (insbesondere auf Basis der Bilddaten) und auf Basis der Positionsdaten (in Zusammenhang mit der digitalen Karte) zu ermitteln, auf welcher Fahrspur sich das Fahrzeug 100 befindet. Alternativ oder ergänzend kann der Verlauf der von dem Fahrzeug 100 befahrenen Fahrspur ermittelt und/oder prädiziert werden. So kann eine präzise Fahrspur-Hypothese in Bezug auf die Ego-Fahrspur des Fahrzeugs 100 ermittelt werden. Die Fahrspur-Hypothese kann dabei die aktuellen und/oder zukünftigen Verlauf der Ego-Fahrspur anzeigen. Alternativ oder ergänzend kann die Fahrspur-Hypothese die Querlage des Fahrzeugs 100 innerhalb der Ego-Fahrspur anzeigen. Alternativ oder ergänzend kann die Fahrspur-Hypothese anzeigen, auf welcher Fahrspur einer mehrspurigen Fahrbahn sich das Fahrzeug 100 befindet.A control unit 101 (or an evaluation device) of vehicle 100 can be set up to determine on the basis of the surroundings data (in particular on the basis of the image data) and on the basis of the position data (in connection with the digital map) in which lane the Vehicle 100 is located. Alternatively or additionally, the course of the lane traveled by vehicle 100 can be determined and/or predicted. In this way, a precise lane hypothesis with respect to the ego lane of the vehicle 100 can be determined. The lane hypothesis can show the current and/or future course of the ego lane. Alternatively or additionally, the lane hypothesis may indicate the lateral position of vehicle 100 within the ego lane. Alternatively or additionally, the lane hypothesis can indicate which lane of a multi-lane roadway vehicle 100 is in.

Des Weiteren kann die Steuereinheit 101 eingerichtet sein, einen Längs- und/oder Querführungsaktor 105 des Fahrzeugs 100 (z.B. einen Antriebsmotor, eine Bremsvorrichtung und/oder eine Lenkvorrichtung) in Abhängigkeit von der ermittelten Fahrspur-Hypothese zu betreiben. Insbesondere kann die ermittelte Fahrspur-Hypothese dazu verwendet werden, das Fahrzeug 100 zumindest teilweise oder vollautomatisiert (z.B. gemäß SAE-Level 3 oder mehr) zu führen.Furthermore, the control unit 101 can be set up to operate a longitudinal and/or lateral guidance actuator 105 of the vehicle 100 (e.g. a drive motor, a braking device and/or a steering device) depending on the determined lane hypothesis. In particular, the determined lane hypothesis can be used to guide vehicle 100 at least partially or fully automatically (e.g. according to SAE level 3 or more).

1b zeigt eine beispielhafte Fahrbahn 150 für ein Fahrzeug 100 mit unterschiedlichen (insbesondere mit drei) Fahrspuren 151, 152, 153. Die einzelnen Fahrspuren 151, 152, 153 sind durch Fahrspurmarkierungen 155 unterteilt bzw. voneinander abgegrenzt und/oder jeweils begrenzt. Mit anderen Worten, eine Fahrspurmarkierung 155 kann als Markierung zwischen zwei Fahrspuren 151, 152 oder als Begrenzungsmarkierung zur Begrenzung der Fahrbahn 150 ausgebildet sein. 1b shows an exemplary roadway 150 for a vehicle 100 with different (in particular with three) lanes 151, 152, 153. The individual lanes 151, 152, 153 are divided by lane markings 155 or delimited from one another and/or each limited. In other words, a lane marking 155 can be designed as a marking between two lanes 151, 152 or as a delimitation marking for delimiting the roadway 150.

Die Steuereinheit 101 kann eingerichtet sein, (für einen bestimmten Zeitpunkt) auf Basis der Bilddaten eine Kamera-basierte Hypothese in Bezug auf die Ego-Fahrspur 152 zu ermitteln. Des Weiteren kann die Steuereinheit 101 eingerichtet sein, (für den bestimmten Zeitpunkt) auf Basis der Positionsdaten eine Karten-basierte Hypothese in Bezug auf die Ego-Fahrspur 152 zu ermitteln. Die beiden Hypothesen können dann zu einer gemeinsamen Fahrspur-Hypothese für das Fahrzeug 100 fusioniert werden.The control unit 101 can be set up to determine (for a specific point in time) a camera-based hypothesis in relation to the ego lane 152 on the basis of the image data. Furthermore, the control unit 101 can be set up (for the specific point in time) to determine a map-based hypothesis in relation to the ego lane 152 on the basis of the position data. The two hypotheses can then be merged into a common lane hypothesis for the vehicle 100 .

Zur Auswertung der Bilddaten kann eine Bild-Auswerteeinheit verwendet werden, die ein oder mehrere Funktions-Parameter aufweist, für die im Vorfeld Parameterwerte festgelegt werden können, um (zumindest im Mittel) eine hohe Auswertegüte und Robustheit zu erzielen. In entsprechender Weise können die Positionsdaten mit einer Positions-Auswerteeinheit verarbeitet werden, die ein oder mehrere veränderbare Funktions-Parameter aufweist, für die im Vorfeld Parameterwerte festgelegt werden können. Ferner kann zur Fusionierung der Hypothesen eine Fusions-Methode mit ein oder mehreren veränderbaren Funktions-Parametern verwendet werden.An image evaluation unit can be used to evaluate the image data, which has one or more function parameters for which parameter values can be defined in advance in order to (at least on average) achieve a high evaluation quality and robustness. In a corresponding manner, the position data can be processed with a position evaluation unit that has one or more changeable function parameters for which parameter values can be specified in advance. Furthermore, to fuse the hypotheses, a fusion method with a or several changeable function parameters can be used.

Die Ermittlung einer Fahrspur-Hypothese für ein Fahrzeug 100 (allgemein die Ermittlung einer Positions-Hypothese) kann somit unter Verwendung von ein oder mehreren Auswertemethoden (insbesondere Auswertealgorithmen) erfolgen, wobei eine Auswertemethode jeweils ein oder mehrere veränderbare Funktions-Parameter aufweist, mit denen die Güte und/oder die Robustheit einer Fahrspur-Hypothese verändert werden können.The determination of a lane hypothesis for a vehicle 100 (generally the determination of a position hypothesis) can thus be carried out using one or more evaluation methods (in particular evaluation algorithms), with each evaluation method having one or more changeable function parameters with which the Quality and/or the robustness of a lane hypothesis can be changed.

Die zu verwendenden Parameterwerte für die Funktions-Parameter der ein oder mehreren Auswertemethoden bzw. Auswerteeinheiten können von der jeweiligen Situation abhängen, in der sich das Fahrzeug 100 befindet. Die aktuelle Situation eines Fahrzeugs 100 kann durch ein oder mehrere Situations-Parameter beschrieben werden. Beispielhafte Situations-Parameter sind,

• ein oder mehrere Situations-Parameter in Bezug auf die Lichtverhältnisse (z.B. Tag, Nacht, Dämmerung, etc.);
• ein oder mehrere Situations-Parameter in Bezug auf Witterungsbedingungen (z.B. sonnig, bewölkt, Niederschlag, Nebel, etc.);
• ein oder mehrere Situations-Parameter in Bezug auf die Verkehrssituation (z.B. Verkehrsdichte, Fahrgeschwindigkeit, etc.); und/oder
• ein oder mehrere Situations-Parameter in Bezug auf die Topologie (z.B. bergig, kurvenreich, gerade Fahrbahn, umliegende Gebäude, etc.).

The parameter values to be used for the function parameters of the one or more evaluation methods or evaluation units can depend on the particular situation in which vehicle 100 is located. The current situation of a vehicle 100 can be described by one or more situation parameters. Exemplary situation parameters are,

• one or more situational parameters related to lighting conditions (eg day, night, twilight, etc.);
• one or more situation parameters related to weather conditions (eg sunny, cloudy, precipitation, fog, etc.);
• one or more situation parameters related to the traffic situation (eg traffic density, driving speed, etc.); and or
• one or more situation parameters related to the topology (eg hilly, winding, straight road, surrounding buildings, etc.).

Die zu verwendenden Parameterwerte für die Funktions-Parameter können somit von der jeweils vorliegenden Situation des Fahrzeugs 100 abhängen. Es kann eine maschinell-angelernte Ermittlungseinheit bereitgestellt werden, die eingerichtet ist, auf Basis der Situations-Parameter, durch die die jeweils vorliegende Situation des Fahrzeugs 100 beschrieben wird, die zu verwendenden Parameterwerte für die Funktions-Parameter bereitzustellen. Die Ermittlungseinheit kann z.B. ein oder mehrere angelernte neuronale Netze umfassen.The parameter values to be used for the function parameters can therefore depend on the particular situation of vehicle 100 . A machine-taught determination unit can be provided, which is set up to provide the parameter values to be used for the function parameters on the basis of the situation parameters that describe the current situation of vehicle 100 . The determination unit can, for example, comprise one or more trained neural networks.

2a und 2b zeigen beispielhafte Komponenten eines neuronalen Netzes 200, insbesondere eines Feedforward-Netzes. Das neuronale Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Wert einer Eingangsgröße als Eingangswert 201 (d.h. eine Aktivierung) aufnehmen. Die ein oder mehrere Eingangs-Knoten 202 sind Teil einer Eingangsschicht 211. Allgemein kann das neuronale Netz 200 ausgebildet sein, Eingangsdaten (d.h. eine Aktivierung) mit ein oder mehreren Eingangswerten 201 (z.B. die Bildpunkte eines Bildes) aus einer Daten-Stichprobe aufzunehmen. 2a and 2 B show exemplary components of a neural network 200, in particular a feedforward network. In the example shown, the neural network 200 comprises two input neurons or input nodes 202, which at a specific point in time t each record a current value of an input variable as the input value 201 (ie an activation). The one or more input nodes 202 are part of an input layer 211. In general, the neural network 200 can be designed to record input data (ie an activation) with one or more input values 201 (eg the pixels of an image) from a data sample.

Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte (d.h. den Ausgang) der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangsschicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 (d.h. den prädizierten Ausgang) des neuronalen Netzes 200 zu ermitteln. Allgemein kann das Netz 200 ausgebildet sein, Ausgangsdaten (d.h. einen Ausgang) mit ein oder mehreren Ausgangswerten 203 bereitzustellen.The neural network 200 further comprises neurons 220 in one or more hidden layers 212 of the neural network 200. Each of the neurons 220 can have as input values the individual output values (i.e. the output) of the neurons of the previous layer 212, 211 (or at least a part thereof ). Processing is carried out in each of the neurons 220 in order to determine an output value of the neuron 220 depending on the input values. The output values of the neurons 220 of the last hidden layer 212 can be processed in an output neuron or output node 220 of an output layer 213 in order to determine the one or more output values 203 (i.e. the predicted output) of the neural network 200. In general, the network 200 may be configured to provide output data (i.e., an output) having one or more output values 203 .

2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangsschicht 213. Die ein oder mehreren Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw. Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 abgebildet werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Ggf. kann der Wert der gewichteten Summe 224 mit einem Offset 227 verschoben werden. 2 B illustrates the exemplary signal processing within a neuron 220, in particular within the neurons 202 of the one or more hidden layers 212 and/or the output layer 213. The one or more input values 221 of the neuron 220 are weighted with individual weights 222 in order to produce a summation unit 223 to determine the weighted sum 224 of the input values 221 (possibly taking into account a bias or offset 227). The weighted sum 224 can be mapped to an output value 226 of the neuron 220 by an activation function 225 . In this case, the activation function 225 can be used, for example, to limit the value range. For example, a sigmoid function or a hyperbolic tangent (tanh) function or a rectified linear unit (ReLU), eg f(x)=max(0, x) can be used as activation function 225 for a neuron 220 . If necessary, the value of the weighted sum 224 can be shifted with an offset 227 .

Ein Neuron 220 weist somit Gewichte 222 und/oder ggf. einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase angelernt werden, um zu bewirken, dass das neuronale Netz 200 eine bestimmte Zielfunktion approximiert und/oder ein bestimmtes Verhalten modelliert.A neuron 220 thus has weights 222 and/or possibly an offset 227 as neuron parameters. The neuron parameters of the neurons 220 of a neural network 200 can be trained in a training phase in order to cause the neural network 200 to approximate a specific target function and/or to model a specific behavior.

Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer k^ten Epoche und/oder einer Iteration eines Lernalgorithmus für die Eingangswerte 201 (d.h. für die Aktivierung) an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 einer bestimmten Trainingsmenge von Daten-Stichproben entsprechende Ausgangswerte 203 (d.h. ein Ausgang) der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Auf Basis der Ausgangswerte 203 kann der Fehlerwert einer Optimierungs- bzw. Fehlerfunktion ermittelt werden. Insbesondere können die Abweichungen zwischen den von dem Netz 200 berechneten Ausgangswerten 203 (d.h. von dem prädizierten Ausgang) und dem Soll-Ausgangswerten (d.h. einem Soll-Ausgang) aus den Daten-Stichproben als Fehlerwerte berechnet werden.A neural network 200 can be trained using the backpropagation algorithm, for example. For this purpose, in a first phase of a k ^th epoch and/or an iteration of a learning algorithm for the input values 201 (ie for activation) at the one or more input nodes 202 of the neural network 200 corresponding output values 203 (ie an output) of the one or more output neurons 220 are determined for a specific training set of data samples. The error value of an optimization or error function can be determined on the basis of the output values 203 . In particular, the deviations between the output values 203 calculated by the network 200 (ie the predicted output) and the target output values (ie a target output) can be calculated from the data samples as error values.

In einer zweiten Phase der k^ten Epoche und/oder einer Iteration des Lernalgorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von der Ausgangsschicht 213 zu der Eingangsschicht 211 des neuronalen Netzes 200, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß und/oder eine Richtung zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lernalgorithmus kann iterativ für eine Vielzahl von Epochen bzw. Iterationen wiederholt werden, bis ein vordefiniertes Konvergenz- und/oder Abbruchkriterium erreicht wird.In a second phase of the k ^th epoch and/or an iteration of the learning algorithm, the error or the error value is backpropagated from the output layer 213 to the input layer 211 of the neural network 200 in order to change the neuron parameters of the neurons 220 layer by layer. In this case, the determined error function at the output can be partially derived according to each individual neuron parameter of the neural network 200 in order to determine an extent and/or a direction for the adjustment of the individual neuron parameters. This learning algorithm can be repeated iteratively for a large number of epochs or iterations until a predefined convergence and/or termination criterion is reached.

Es können Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen bereitgestellt werden. Dabei weist ein Trainings-Datensatz Trainings-Parameterwerte für eine Menge von Situations-Parametern sowie Soll-Parameterwerte für eine Menge von Funktions-Parametern auf. Das neuronale Netz 200 kann auf Basis der Trainingsdaten angelernt werden, um die für eine bestimmte Situation zu verwendenden Parameterwerte für die Menge von Funktions-Parametern zu prädizieren. Insbesondere kann das neuronale Netz 200 befähigt werden, für eine Kombination von Parameterwerten für die Menge von Situations-Parametern prädizierte Parameterwerte für die Menge von Funktions-Parametern bereitzustellen.Training data can be provided with a large number of training data sets. A training data record has training parameter values for a set of situation parameters and target parameter values for a set of function parameters. The neural network 200 can be trained on the basis of the training data in order to predict the parameter values to be used for a specific situation for the set of function parameters. In particular, the neural network 200 can be enabled to provide predicted parameter values for the set of function parameters for a combination of parameter values for the set of situation parameters.

3 zeigt eine beispielhafte Vorrichtung 300 zur Ermittlung einer Positions-Hypothese in Bezug auf die Position eines Geräts (insbesondere eines Fahrzeugs 100). Als Positions-Hypothese kann insbesondere eine Fahrspur-Hypothese ermittelt werden. 3 FIG. 12 shows an exemplary device 300 for determining a position hypothesis with respect to the position of a device (particularly a vehicle 100). In particular, a lane hypothesis can be determined as a position hypothesis.

Die Vorrichtung 300 umfasst eine Situationseinheit 301, die eingerichtet ist, auf Basis von Situations-Sensordaten 311 (z.B. auf Basis der Bilddaten und/oder auf Basis der Positionsdaten) Ist-Parametwerte 313 für eine Menge von Situations-Parametern zu ermitteln, durch die die aktuelle Situation des Geräts (insbesondere des Fahrzeugs 100) beschrieben wird.The device 300 comprises a situation unit 301 which is set up to determine actual parameter values 313 for a set of situation parameters on the basis of situation sensor data 311 (e.g. on the basis of the image data and/or on the basis of the position data), by means of which the current situation of the device (in particular the vehicle 100) is described.

Des Weiteren umfasst die Vorrichtung 300 eine Ermittlungseinheit 302, die z.B. ein maschinell angelerntes neuronales Netz 200 umfasst (wie oben dargelegt). Die Ermittlungseinheit 302 ist eingerichtet ist, auf Basis der Ist-Parametwerte 313 für die Menge von Situations-Parametern (prädizierte) Parameterwerte 314 für eine Menge von Funktions-Parametern zu ermitteln, die in der Auswerteeinheit 303 zur Ermittlung der Positions-Hypothese zu verwenden sind.Furthermore, the device 300 comprises a determination unit 302, which comprises, for example, a machine-taught neural network 200 (as explained above). The determination unit 302 is set up to determine (predicted) parameter values 314 for a set of function parameters on the basis of the actual parameter values 313 for the set of situation parameters, which are to be used in the evaluation unit 303 to determine the position hypothesis .

Die Ermittlungseinheit 302 kann ggf. die Situationseinheit 301 umfassen, sodass es die (maschinell angelernte) Ermittlungseinheit 302 ermöglicht, die Parameterwerte 314 für eine Menge von Funktions-Parametern direkt auf Basis den Situations-Sensordaten 311 zu ermitteln.The determination unit 302 can possibly include the situation unit 301 so that the (mechanically trained) determination unit 302 makes it possible to determine the parameter values 314 for a set of function parameters directly on the basis of the situation sensor data 311 .

Die Auswerteeinheit 303 kann dann mit den ermittelten Parameterwerten 314 für die Menge von Funktions-Parametern betrieben werden, um auf Basis von Sensordaten 312 (z.B. auf Basis der Bilddaten und/oder auf Basis der Positionsdaten) die Positions-Hypothese 315 zu ermitteln.The evaluation unit 303 can then be operated with the ascertained parameter values 314 for the set of function parameters in order to ascertain the position hypothesis 315 on the basis of sensor data 312 (e.g. on the basis of the image data and/or on the basis of the position data).

Die Auswerteeinheit 303 kann z.B. ein Kalman-Filter, ein Partikel-Filter und/oder eine Graphen-basierte Optimierungsmethode umfassen. Die Parameterwerte 314 für ein oder mehrere Funktions-Parameter des Kalman-Filter, des Partikel-Filter und/oder der Graphen-basierte Optimierungsmethoden können dann, wie in diesem Dokument beschrieben, situationsabhängig ermittelt werden. Dabei können während einer Fahrt eines Fahrzeugs 100 wiederholt die jeweils aktuelle Situation durch Situations-Parameter beschrieben werden, und basierend darauf die jeweils zu verwendenden Parameterwerte 314 für die Menge von Funktions-Parametern ermittelt werden. So können die Güte und die Robustheit der Auswerteeinheit 303 in effizienter Weise erhöht werden.The evaluation unit 303 can include a Kalman filter, a particle filter and/or a graph-based optimization method, for example. The parameter values 314 for one or more function parameters of the Kalman filter, the particle filter and/or the graph-based optimization methods can then be determined depending on the situation, as described in this document. In this case, while a vehicle 100 is driving, the respective current situation can be repeatedly described by situation parameters, and based on this, the respective parameter values 314 to be used for the set of function parameters can be determined. In this way, the quality and the robustness of the evaluation unit 303 can be increased in an efficient manner.

Die zu verwendenden Parameterwerte 314 für die Menge von Funktions-Parametern können z.B. zu verwendende Gewichte für die Gewichtung von unterschiedlichen Sensordaten 312 anzeigen. Beispielsweise können je nach Situation die Bilddaten mehr gewichtet werden als die Positionsdaten (oder umgekehrt).The parameter values 314 to be used for the set of function parameters can indicate weights to be used for the weighting of different sensor data 312, for example. For example, depending on the situation, the image data can be weighted more than the position data (or vice versa).

Die Ermittlung der Parameterwerte 314 für die Menge von Funktions-Parametern kann teilweise oder vollständig im Fahrzeug 100 erfolgen. Alternativ oder ergänzend kann die Ermittlung der Parameterwerte 314 für die Menge von Funktions-Parametern teilweise oder vollständig in einem Backend-Server außerhalb des Fahrzeugs 100 erfolgen. Durch den Backend-Server können Daten von einer Vielzahl von Fahrzeugen 100 berücksichtigt werden, wodurch die Güte der ermittelten Parameterwerte 314 weiter erhöht werden kann.The parameter values 314 for the set of function parameters can be determined partially or completely in the vehicle 100 . Alternatively or additionally, the parameter values 314 for the set of function parameters can be determined partially or completely in a backend server take place outside of the vehicle 100 . Data from a large number of vehicles 100 can be taken into account by the backend server, as a result of which the quality of the determined parameter values 314 can be further increased.

Ggf. können die jeweils zu verwendenden Parameterwerte 314 ortsabhängig in einer digitalen Karte bereitgestellt werden. Die Parameterwerte 314 können ggf. im Vorfeld jeweils individuell für eine Vielzahl von unterschiedlichen Abschnitten (z.B. Straßensegmenten) einer digitalen Karte ermittelt worden sein. Die für die unterschiedlichen Abschnitte optimierten Parameterwerte 314 können dann in der digitalen Karte (z.B. als Attribute) hinterlegt und den einzelnen Fahrzeugen 100 (ggf. auf Anfrage) bereitgestellt werden.If necessary, the parameter values 314 to be used in each case can be provided in a digital map depending on the location. The parameter values 314 may have been individually determined in advance for a large number of different sections (e.g. road segments) of a digital map. The parameter values 314 optimized for the different sections can then be stored in the digital map (e.g. as attributes) and made available to the individual vehicles 100 (possibly on request).

Die in diesem Dokument beschriebenen Maßnahmen können allgemein auf die Lokalisierung eines Geräts (z.B. eines Fahrzeugs 100 oder eines mobilen Anwendergeräts, etwa eines Smartphones) angewendet werden. Die in Zusammenhang mit einem Fahrzeug 100 beschriebenen Aspekte sind somit allgemein auf ein Gerät anwendbar. Ferner sind die in Zusammenhang mit einer Fahrspur-Hypothese beschriebenen Aspekte allgemein auf eine Position-Hypothese anwendbar.The measures described in this document can be applied to the localization of a device (e.g. a vehicle 100 or a mobile user device, such as a smartphone) in general. The aspects described in connection with a vehicle 100 are thus generally applicable to a device. Furthermore, the aspects described in connection with a lane hypothesis are generally applicable to a position hypothesis.

4 zeigt ein Ablaufdiagramm eines (ggf. Computer-implementierten) Verfahrens 400 zur Ermittlung einer Positions-Hypothese in Bezug auf die Position eines Geräts, insbesondere eines Fahrzeugs 100. Das Verfahren 400 kann insbesondere darauf ausgelegt sein, eine Fahrspur-Hypothese in Bezug auf die von dem Fahrzeug 100 befahrene Fahrspur 152 zu ermitteln. 4 shows a flowchart of a (possibly computer-implemented) method 400 for determining a position hypothesis in relation to the position of a device, in particular a vehicle 100. The method 400 can be designed in particular to a lane hypothesis in relation to the of to determine the lane 152 traveled by the vehicle 100 .

Das Verfahren 400 umfasst das situationsabhängige Ermitteln 401, insbesondere anhand einer maschinell-angelernten Ermittlungseinheit 302, von Parameterwerten 314 für eine Menge von Funktions-Parametern einer Auswerteeinheit 303 zur Ermittlung der Positions-Hypothese. Mit anderen Worten, es kann die aktuelle Situation ermittelt werden, in der die Positions-Hypothese durch die Auswerteeinheit 303 ermittelt werden soll. Die Situation kann dabei durch Parameterwerte 313 für eine Menge von Situations-Parametern beschrieben werden. Es können dann für die aktuelle Situation (anhand der Ermittlungseinheit 302) die Parameterwerte 314 der Menge von Funktions-Parametern ermittelt werden.The method 400 includes the situation-dependent determination 401, in particular using a machine-taught determination unit 302, of parameter values 314 for a set of function parameters of an evaluation unit 303 for determining the position hypothesis. In other words, the current situation in which the position hypothesis is to be determined by the evaluation unit 303 can be determined. The situation can be described by parameter values 313 for a set of situation parameters. The parameter values 314 of the set of function parameters can then be determined for the current situation (using the determination unit 302).

Des Weiteren umfasst das Verfahren 400 das Betreiben 402 der Auswerteeinheit 303 mit den situationsabhängig ermittelten Parameterwerten 314 für die Menge von Funktions-Parametern, um auf Basis von Sensordaten 312 die Positions-Hypothese 315 in Bezug auf die Position des Geräts zu ermitteln. Die Auswerteeinheit 303 kann somit situationsabhängig angepasst werden. Dabei kann durch die maschinell angelernte Ermittlungseinheit 302 sichergestellt werden, dass in der jeweiligen Situation jeweils möglichst optimale Parameterwerte 314 für die Menge von Funktions-Parametern verwendet wird. So können die Güte und die Robustheit bei der Ermittlung der Positions-Hypothese 315 erhöht werden.Furthermore, the method 400 includes the operation 402 of the evaluation unit 303 with the situation-dependent determined parameter values 314 for the set of function parameters in order to determine the position hypothesis 315 in relation to the position of the device on the basis of sensor data 312 . The evaluation unit 303 can thus be adapted depending on the situation. The machine-taught determination unit 302 can thereby ensure that the best possible parameter values 314 are used for the set of function parameters in the respective situation. In this way, the quality and the robustness when determining the position hypothesis 315 can be increased.

5 zeigt ein Ablaufdiagramm eines (ggf. Computer-implementierten) Verfahrens 500 zum Anlernen einer Ermittlungseinheit 302, die eingerichtet ist, auf Basis von Parameterwerten 313 für eine Menge von Situations-Parametern zur Beschreibung einer Situation bei der Ermittlung einer Positions-Hypothese in Bezug auf die Position eines Geräts, insbesondere eines Fahrzeugs 100, Parameterwerte 314 für eine Menge von Funktions-Parametern einer Auswerteeinheit 303 zur Ermittlung der Positions-Hypothese zu ermitteln. Das Verfahren 500 kann im Vorfeld zu dem Verfahren 400 ausgeführt werden, um die maschinell angelernte Ermittlungseinheit 302 bereitzustellen. Das Verfahren 500 kann durch eine Vorrichtung, z.B. durch einen Server, ausgeführt werden. 5 shows a flowchart of a (possibly computer-implemented) method 500 for training a determination unit 302, which is set up on the basis of parameter values 313 for a set of situation parameters for describing a situation when determining a position hypothesis in relation to the Position of a device, in particular of a vehicle 100, to determine parameter values 314 for a set of function parameters of an evaluation unit 303 for determining the position hypothesis. Method 500 may be performed prior to method 400 to provide machine-taught determination unit 302 . Method 500 may be performed by a device, such as a server.

Das Verfahren 500 umfasst das Bereitstellen 501 von Trainingsdaten mit einer Vielzahl von Trainings-Datensätzen. Dabei kann ein Trainings-Datensatz jeweils Trainings-Parameterwerte für die Menge von Situations-Parametern und entsprechende Soll-Parameterwerte für die Menge von Funktions-Parametern umfassen. Die Soll-Parameterwerte für die Menge von Funktions-Parametern können dabei den jeweils optimalen und/oder zu verwendenden Parameterwerten für die Auswerteeinheit 303 bei Vorliegen der durch die Trainings-Parameterwerte für die Menge von Situations-Parametern beschriebenen Situation entsprechen.The method 500 includes providing 501 training data with a plurality of training data sets. A training data set can include training parameter values for the set of situation parameters and corresponding target parameter values for the set of function parameters. The target parameter values for the set of function parameters can correspond to the respectively optimal and/or to be used parameter values for the evaluation unit 303 when the situation described by the training parameter values for the set of situation parameters is present.

Das Verfahren 500 umfasst ferner das Anlernen 502 eines neuronalen Netzwerks 200 für die Auswerteeinheit 303 auf Basis der Trainingsdaten. Dazu kann der in diesem Dokument beschriebene Backpropagation-Algorithmus verwendet werden.The method 500 also includes the training 502 of a neural network 200 for the evaluation unit 303 on the basis of the training data. The backpropagation algorithm described in this document can be used for this.

Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur beispielhaft das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.The present invention is not limited to the exemplary embodiments shown. In particular, it should be noted that the description and the figures are only intended to illustrate the principle of the proposed methods, devices and systems by way of example.

Claims

Device (101, 300) for determining a position hypothesis (315) in relation to a position of a device, in particular a vehicle (100), the device (101, 300) being set up - using a machine-taught determination unit (302) to determine situation-dependent parameter values (314) for a set of function parameters of an evaluation unit (303) for determining the position hypothesis (315); and - operate the evaluation unit (303) with the situation-dependent determined parameter values (314) for the set of function parameters in order to determine the position hypothesis (315) in relation to the position of the device on the basis of sensor data (312).

Device (101, 300) according to claim 1 , wherein the set of function parameters comprises, - one or more function parameters by which a weighting of the sensor data (312) for determining the position hypothesis (315) is determined; and/or - one or more function parameters by which a consideration, in particular a weighting, of one or more recognized lanes of a roadway for determining the position hypothesis (315) is determined; and/or - one or more function parameters, by means of which a coefficient of a filter, in particular a Kalman filter and/or a particle filter, is specified for determining the position hypothesis (315); and/or - one or more function parameters by which a fusion of the sensor data (312) for determining the position hypothesis (315) is influenced; and/or - one or more function parameters, by which a prioritization of the determination of the position hypothesis (315) is determined on the basis of image data from a camera (102) or on the basis of position data from a position sensor (103); and/or - one or more function parameters by which consideration of a digital map in relation to a roadway network for determining the position hypothesis (315) is determined.

Device (101, 300) according to one of the preceding claims, wherein the device (101, 300) is set up - to determine parameter values (313) for a set of situation parameters which describe a current situation for determining the position hypothesis (315); and - to determine the parameter values (314) for the set of function parameters using the machine-taught determination unit (302) and on the basis of the parameter values (313) for the set of situation parameters.

Device (101, 300) according to claim 3 , wherein - the machine-taught determination unit (302) is designed to record the parameter values (313) for the set of situation parameters as input values (201), and based thereon the parameter values (314) for the set of function parameters as output values (203) to provide; and/or - the machine-taught determination unit (302) comprises a machine-taught neural network (200).

Device (101, 300) according to one of claims 3 until 4 , wherein the set of situation parameters comprises, - one or more situation parameters, by which a current weather condition is described; and/or - one or more situation parameters by which a current light situation is described; and/or - one or more situation parameters which describe a current detection quality of one or more sensors (102, 103) for detecting the sensor data (312) for determining the position hypothesis (315); and/or - one or more situation parameters, by which an area surrounding the device, in particular a traffic situation in the area surrounding the device, is described.

Device (101, 300) according to one of claims 3 until 5 , wherein the device (101, 300) is set up - to determine situation sensor data (311), in particular on the basis of one or more sensors (102, 103) of the device; and - determining the parameter values (313) for the set of situation parameters on the basis of the situation sensor data (311).

Device (101, 300) according to any one of the preceding claims, wherein the device (101, 300) is set up, as a position hypothesis (315) a lane hypothesis in relation to a lane (152) traveled by the vehicle (100). Lane (150) to determine.

Device (101, 300) according to claim 7 , wherein the device (101, 300) is set up, - using a camera (102) to determine image data in relation to the roadway (150); - Using a position sensor (103) to determine position data in relation to a position of the vehicle (100) within a digital map; - using the evaluation unit (303) on the basis of the image data to determine a camera-based hypothesis in relation to the lane (152) traveled by the vehicle (100); - Using the evaluation unit (303) based on the position data and on the basis of the digital map, a map-based hypothesis in relation to the determine lane (152) traveled by the vehicle (100); - using the evaluation unit (303) to merge the camera-based hypothesis and the map-based hypothesis into a lane hypothesis; wherein the camera-based hypothesis and/or the map-based hypothesis are determined as a function of the situation-dependent determined parameter values (314) for the set of function parameters and/or the fusion for determining the camera-based hypothesis as a function of the situation-dependent determined parameter values (314) for the set of function parameters.

Device (101, 300) according to one of the preceding claims, wherein the device (101, 300) is set up, at a sequence of consecutive points in time and/or at a sequence of consecutive route sections of a route covered by the device, - using the machine-taught determination unit (302) to determine current parameter values (314) for the set of function parameters, depending on the situation; and - to operate the evaluation unit (303) with the respective current parameter values (314) for the set of function parameters, to determine the position hypothesis (315) in relation to the respective current position of the device.

Device (101, 300) according to one of the preceding claims, wherein the device (101, 300) is set up - to determine a stretch of road on which the device is located; - obtain parameter data for the route section from a backend server; and - determine the parameter values (314) for the set of function parameters based on the parameter data.

Method (400) for determining a position hypothesis (315) in relation to a position of a device, in particular a vehicle (100), the method (400) comprising, - situation-dependent determination (401), using a machine-taught determination unit (302), of parameter values (314) for a set of function parameters of an evaluation unit (303) for determining the position hypothesis (315); and - Operating (402) the evaluation unit (303) with the situation-dependent determined parameter values (314) for the set of function parameters in order to determine the position hypothesis (315) in relation to the position of the device on the basis of sensor data (312). .

Method (500) for training a determination unit (302), which is set up on the basis of parameter values (313) for a set of situation parameters for describing a situation when determining a position hypothesis (315) in relation to the position of a Device, in particular a vehicle (100), to determine parameter values (314) for a set of function parameters of an evaluation unit (303) for determining the position hypothesis (315); the method (500) comprising - providing (501) training data with a plurality of training data sets; wherein a training data set comprises training parameter values for the set of situation parameters and corresponding target parameter values for the set of function parameters; and - Training (502) of a neural network (200) for the evaluation unit (303) on the basis of the training data.