DE102021211405A1 - Method and control device for securing measurement data from at least one sensor of a vehicle - Google Patents
Method and control device for securing measurement data from at least one sensor of a vehicle Download PDFInfo
- Publication number
- DE102021211405A1 DE102021211405A1 DE102021211405.9A DE102021211405A DE102021211405A1 DE 102021211405 A1 DE102021211405 A1 DE 102021211405A1 DE 102021211405 A DE102021211405 A DE 102021211405A DE 102021211405 A1 DE102021211405 A1 DE 102021211405A1
- Authority
- DE
- Germany
- Prior art keywords
- measurement
- location
- sensor
- error probability
- vehicle
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9322—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using additional data, e.g. driver condition, road state or weather data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9323—Alternative operation using light waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
Die vorliegende Erfindung bezieht sich auf ein Verfahren zum Absichern von Messdaten (108) zumindest eines Sensors (104) eines Fahrzeugs (100), wobei unter Verwendung eines Messorts (112), an dem eine Messung (110) der Messdaten (108) gemessen wird, eine hinterlegte ortsbezogene Fehlerwahrscheinlichkeit (120) des Sensors (104) an dem Messort (112) aus einer ortsbezogenen Datenbank (122) ausgelesen wird und die Messung (110) unter Berücksichtigung der Fehlerwahrscheinlichkeit (120) verarbeitet wird.The present invention relates to a method for securing measurement data (108) from at least one sensor (104) of a vehicle (100), using a measurement location (112) at which a measurement (110) of the measurement data (108) is measured , a stored location-based error probability (120) of the sensor (104) at the measurement location (112) is read from a location-based database (122) and the measurement (110) is processed taking into account the error probability (120).
Description
Gebiet der Erfindungfield of invention
Die Erfindung betrifft ein Verfahren zum Absichern von Messdaten zumindest eines Sensors eines Fahrzeugs, ein entsprechendes Steuergerät sowie ein entsprechendes Computerprogrammprodukt.The invention relates to a method for securing measurement data from at least one sensor of a vehicle, a corresponding control unit and a corresponding computer program product.
Stand der TechnikState of the art
Ein Sensor kann einen Erfassungsbereich erfassen und Messungen an erfassten Objekten innerhalb des Erfassungsbereichs als Messdaten bereitstellen. Die Messdaten bestehen dabei aus einzelnen Messwerten der Messungen. Ein Messwert kann beispielsweise eine Entfernung zwischen dem Sensor und einem erfassten Punkt auf einem Objekt abbilden. Ebenso kann der Messwert eine Richtung von dem Sensor zu dem erfassten Punkt abbilden.A sensor can detect a detection area and provide measurements on detected objects within the detection area as measurement data. The measurement data consists of individual measured values of the measurements. For example, a reading can represent a distance between the sensor and a detected point on an object. Likewise, the measured value can depict a direction from the sensor to the detected point.
Die Messungen können jedoch auch fehlerhaft sein. Dabei können fehlerhafte Messungen falsch-positiv oder falsch-negativ sein. Bei einer falsch-positiven Messung wird ein Punkt auf einem Objekt in den Messdaten abgebildet, obwohl an dem Punkt kein Objekt existiert. Bei einer falsch-negativen Messung wird ein existierendes Objekt nicht in den Messdaten abgebildet.However, the measurements can also be incorrect. Erroneous measurements can be false-positive or false-negative. In a false positive measurement, a point is mapped to an object in the measurement data even though no object exists at that point. In the case of a false-negative measurement, an existing object is not shown in the measurement data.
Fehlerhafte Messungen können ein Verhalten von Assistenzsystemen eines Fahrzeugs beeinflussen. Beispielsweise kann ein falsch-positiv erfasstes Objekt eine Ausweich- und/oder Bremsreaktion des Assistenzsystems verursachen, die insbesondere für andere Verkehrsteilnehmer unvorhersehbar ist.Incorrect measurements can influence the behavior of a vehicle's assistance systems. For example, an object detected as a false positive can cause the assistance system to take evasive action and/or brake, which is particularly unpredictable for other road users.
Daher wird versucht, vor der weiteren Verarbeitung der Messdaten richtige Messungen von fehlerhaften Messungen zu unterscheiden.Therefore, an attempt is made to distinguish correct measurements from incorrect measurements before further processing of the measurement data.
Beispielsweise beschreibt die
Offenbarung der ErfindungDisclosure of Invention
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren zum Absichern von Messdaten zumindest eines Sensors eines Fahrzeugs, ein entsprechendes Steuergerät sowie ein entsprechendes Computerprogrammprodukt gemäß den unabhängigen Ansprüchen vorgestellt. Vorteilhafte Weiterbildungen und Verbesserungen des hier vorgestellten Ansatzes ergeben sich aus der Beschreibung und sind in den abhängigen Ansprüchen beschrieben.Against this background, with the approach presented here, a method for securing measurement data from at least one sensor of a vehicle, a corresponding control unit and a corresponding computer program product are presented according to the independent claims. Advantageous developments and improvements of the approach presented here result from the description and are described in the dependent claims.
Vorteile der ErfindungAdvantages of the Invention
Bei dem hier vorgestellten Ansatz werden ortsbezogene Erfahrungswerte verwendet, um Messungen zu plausibilisieren. Die Erfahrungswerte bilden dabei ab, ob in der Vergangenheit an einem Ort bereits fehlerhafte Messungen erfasst wurden. Die Erfahrungswerte sind dabei georeferenziert in einer Datenbank hinterlegt. Beispielsweise kann die Datenbank eine Landkarte mit ortsbezogenen Erfahrungswerten repräsentieren.In the approach presented here, location-based empirical values are used to check measurements for plausibility. The empirical values show whether incorrect measurements have already been recorded at a location in the past. The empirical values are stored georeferenced in a database. For example, the database can represent a map with location-based empirical values.
Die Erfahrungswerte sind dabei für einen bestimmten Sensor beziehungsweise eine bestimmte Sensorkategorie hinterlegt und bilden eine Wahrscheinlichkeit ab, mit der der Sensor oder ein Sensor der gleichen Kategorie an dem Ort eine fehlerhafte Messung misst.The empirical values are stored for a specific sensor or a specific sensor category and represent a probability with which the sensor or a sensor of the same category measures an incorrect measurement at the location.
Messungen von Orten mit einer erhöhten Wahrscheinlichkeit für fehlerhafte Messungen werden bei der weiteren Verarbeitung als weniger sicher eingestuft beziehungsweise weniger gewichtet.Measurements from locations with an increased probability of erroneous measurements are classified as less reliable or weighted less during further processing.
Es wird ein Verfahren zum Absichern von Messdaten zumindest eines Sensors eines Fahrzeugs vorgeschlagen, wobei unter Verwendung eines Messorts, an dem eine Messung der Messdaten gemessen wird, eine hinterlegte ortsbezogene Fehlerwahrscheinlichkeit des Sensors an dem Messort aus einer ortsbezogenen Datenbank ausgelesen wird und die Messung unter Berücksichtigung der Fehlerwahrscheinlichkeit verarbeitet wird.A method for securing measurement data from at least one sensor of a vehicle is proposed, using a measurement location at which a measurement of the measurement data is measured, a stored location-based error probability of the sensor at the measurement location being read from a location-based database and the measurement being taken into account the error probability is processed.
Ideen zu Ausführungsformen der vorliegenden Erfindung können unter anderem als auf den nachfolgend beschriebenen Gedanken und Erkenntnissen beruhend angesehen werden.Ideas for embodiments of the present invention can be regarded as being based, among other things, on the ideas and findings described below.
Ein Sensor kann einen Erfassungsbereich erfassen und Objekte in dem Erfassungsbereich in Messdaten abbilden. Der Sensor kann ein aktiver Sensor, wie beispielsweise ein Radarsensor oder ein Lidarsensor sein. Der Sensor kann ebenfalls ein passiver Sensor, wie beispielsweise eine Kamera sein. Der Sensor kann Bestandteil eines Sensorsystems eines Fahrzeugs sein.A sensor can detect a detection area and map objects in the detection area into measurement data. The sensor can be an active sensor such as a radar sensor or a lidar sensor. The sensor can also be a passive sensor such as a camera. The sensor can be part of a sensor system of a vehicle.
Die Messdaten bestehen aus einzelnen Messungen. Eine Messung repräsentiert dabei einen erfassten Punkt auf einem Objekt innerhalb des Erfassungsbereichs. Bei einem aktiven Sensor repräsentiert die Messung beispielsweise eine Reflexion an dem Objekt. Bei einem passiven Sensor repräsentiert die Messung beispielsweise einen Bildpunkt eines Abbilds des Objekts. Das Objekt kann durch mehrere Messungen abgebildet werden.The measurement data consists of individual measurements. A measurement represents a detected point on an object within the detection area. With an active sensor, the measurement represents, for example, a reflection on the object. With a passive sensor, the measurement represents, for example, a pixel of an image of the object. The object can be represented by several measurements.
Eine Messung kann Messwerte, wie beispielsweise einen Entfernungswert und/oder einen Richtungswert von dem Messort zu der Messung enthalten.A measurement may include measurement values such as a distance value and/or a direction value from the measurement location to the measurement.
Ein Messort kann eine Position des Sensors während einer Messung repräsentieren. Die Messung erfolgt dabei also an dem Messort. Der Messort kann auch eine Position des Fahrzeugs während der Messung repräsentieren.A measurement location can represent a position of the sensor during a measurement. The measurement is thus carried out at the measurement location. The measurement location can also represent a position of the vehicle during the measurement.
Eine Fehlmessung kann einen vermeintlich erfassten Punkt auf einem nicht existierenden Objekt repräsentieren. Das nichtexistierende Objekt kann als Geisterobjekt bezeichnet werden. Die Fehlmessung kann auch ein tatsächlich existierendes Objekt nicht abbilden.A faulty measurement can represent a supposedly recorded point on a non-existent object. The non-existent object can be referred to as a ghost object. The erroneous measurement cannot depict an actually existing object either.
Geisterobjekte beziehungsweise Fehlmessungen können beispielsweise durch Spiegelungen an flächigen Objekten entstehen. Die Spiegelung bildet dabei ein Geisterobjekt an einer Position ab, an dem das gespiegelte Geisterobjekt nicht angeordnet ist. Die Position des Geisterobjekts ist dabei abhängig von einem Winkel des flächigen Objekts zum Messort. Sowohl aktive Sensoren als auch passive Sensoren können anfällig für Spiegelungen sein.Ghost objects or incorrect measurements can be caused by reflections on flat objects, for example. The reflection thereby forms a ghost object at a position where the reflected ghost object is not arranged. The position of the ghost object is dependent on an angle of the flat object to the measurement location. Both active sensors and passive sensors can be susceptible to reflections.
Bei passiven Sensoren, wie Kameras, können beispielsweise spiegelnde Objekte, wie Glasscheiben, zu Geisterobjekten führen. Wenn das Objekt stark spiegelt, ist der Winkel des Objekts zum Messort nahezu unwichtig. Das Geisterobjekt kann dann beispielsweise auch das eigene Fahrzeug sein.In the case of passive sensors such as cameras, for example, reflective objects such as panes of glass can lead to ghost objects. If the object is highly reflective, the angle of the object to the measurement location is almost unimportant. The ghost object can then also be your own vehicle, for example.
Bei aktiven Sensoren können Geisterobjekte insbesondere an Objekten entstehen, deren Flächen unter einem flachen Einfallswinkel getroffen werden. Beispielsweise können Geisterobjekte an Tunnelwänden, Leitplanken oder anderen näherungsweise parallel zur Straße ausgerichteten Flächen entstehen.With active sensors, ghost objects can occur particularly on objects whose surfaces are hit at a flat angle of incidence. For example, ghost objects can occur on tunnel walls, crash barriers or other surfaces that are approximately parallel to the road.
Eine Fehlerwahrscheinlichkeit kann ein Zahlenwert sein. Die Fehlerwahrscheinlichkeit kann abbilden, wie wahrscheinlich eine Fehlmessung des Sensors an einem Messort ist. Die Fehlerwahrscheinlichkeit kann dabei für unterschiedliche Sensorkategorien unterschiedlich sein.An error probability can be a numerical value. The error probability can show how likely it is that the sensor will measure incorrectly at a measurement location. The error probability can be different for different sensor categories.
Eine ortsbezogene Datenbank kann insbesondere Daten einer Straßenkarte beinhalten. Verschiedenen Streckenabschnitten können dabei unterschiedliche Fehlerwahrscheinlichkeiten zugeordnet sein. Wenn ein Messort im Bereich eines Straßenabschnitts liegt, kann die für diesen Straßenabschnitt hinterlegte Fehlerwahrscheinlichkeit ausgelesen werden. Für verschiedene Sensorklassen können unterschiedliche Fehlerwahrscheinlichkeiten in der Datenbank hinterlegt sein.A location-based database can in particular contain data from a road map. Different error probabilities can be assigned to different route sections. If a measurement location is in the area of a road section, the error probability stored for this road section can be read out. Different error probabilities can be stored in the database for different sensor classes.
Die Messung kann bei einer Datenfusion mit anderen Messdaten verworfen werden, wenn die Fehlerwahrscheinlichkeit größer als ein Schwellenwert ist. Der Schwellenwert kann abhängig von einer Verwendung der Messdaten sein. Der Schwellenwert kann beispielsweise für die Datenfusion bei einer Fehlerwahrscheinlichkeit zwischen 10 Prozent und 50 Prozent liegen. Insbesondere können Messwerte mit einer Fehlerwahrscheinlichkeit von über 50 Prozent verworfen werden. Der Schwellenwert kann umso niedriger sein, je sicherheitsrelevanter die Verwendung der Messdaten ist.In the case of data fusion with other measurement data, the measurement can be discarded if the error probability is greater than a threshold value. The threshold value can depend on a use of the measurement data. For example, the threshold value for data fusion can be between 10 percent and 50 percent with an error probability. In particular, measured values with an error probability of more than 50 percent can be discarded. The threshold value can be lower, the more safety-relevant the use of the measurement data is.
Die ortsbezogene Datenbank kann von einem übergeordneten Datenverarbeitungssystem eingelesen werden. Die Datenbank kann zentral gespeichert sein und viele Fahrzeuge können auf die Datenbank zugreifen. Die Datenbank kann so zentral gepflegt werden. Beispielsweise können Baustellen und/oder Veränderungen des Straßenverlaufs zentral eingepflegt werden und viele Teilnehmer davon profitieren.The location-related database can be read in by a higher-level data processing system. The database can be stored centrally and many vehicles can access the database. The database can thus be maintained centrally. For example, construction sites and/or changes in the course of the road can be entered centrally and many participants can benefit from this.
Unter Verwendung der Messung kann die ortsbezogene Fehlerwahrscheinlichkeit des Sensors an dem Messort bestimmt werden und in der ortsbezogenen Datenbank hinterlegt werden. Die bereits hinterlegte Fehlerwahrscheinlichkeit kann verifiziert werden. Weicht die bestimmte Fehlerwahrscheinlichkeit von der hinterlegten Fehlerwahrscheinlichkeit ab, kann die hinterlegte Fehlerwahrscheinlichkeit geändert werden. Die hinterlegte Fehlerwahrscheinlichkeit kann inkrementell geändert werden. Veränderungen der Fehlerwahrscheinlichkeit können schnell und einfach abgebildet werden. Die bestimmte Fehlerwahrscheinlichkeit kann auch auf dem übergeordneten Datenverarbeitungssystem hinterlegt werden. Zum Bestimmen der Fehlerwahrscheinlichkeit können beispielsweise trainierte Verfahren des maschinellen Lernens verwendet werden.Using the measurement, the location-based error probability of the sensor at the measurement location can be determined and stored in the location-based database. The error probability already stored can be verified. If the determined error probability differs from the stored error probability, the stored error probability can be changed. The stored error probability can be changed incrementally. Changes in the error probability can be mapped quickly and easily. The error probability determined can also be stored on the superordinate data processing system. For example, trained methods of machine learning can be used to determine the error probability.
Die Fehlerwahrscheinlichkeit kann zeitversetzt unter Verwendung von vor und/oder nach dem Messort erfassten weiteren Messungen bestimmt werden. Die Fehlerwahrscheinlichkeit für einen Messort kann bestimmt werden, nachdem das Fahrzeug bereits daran vorbeigefahren ist. Durch eine rückblickende Bestimmung der Fehlerwahrscheinlichkeit kann die Fehlerwahrscheinlichkeit für ein zukünftiges Passieren des Messorts gelernt werden. Die Fehlerwahrscheinlichkeit kann beispielsweise durch eine rückwirkende Plausibilisierung von Objekten bestimmt werden. Dabei kann ein längerer Betrachtungszeitraum als bei einer zeitsynchronen Bestimmung betrachtet werden. Beispielsweise kann ein Objekt rückwirkend als implausibel erkannt werden und eine erhöhte Fehlerwahrscheinlichkeit ab einem Messort bestimmt werden, an dem das Objekt plötzlich aufgetaucht ist, obwohl es eigentlich bereits länger erfassbar gewesen sein müsste. Ebenso kann ein Objekt rückwirkend als implausibel erkannt werden und die erhöhte Fehlerwahrscheinlichkeit für zurückliegende Messorte bestimmt werden, wenn das Objekt plötzlich verschwindet, obwohl es weiterhin erfassbar sein sollte. Weiterhin kann ein Objekt rückwirkend als implausibel erkannt werden und die erhöhte Fehlerwahrscheinlichkeit bestimmt werden, wenn sich das Objekt physikalisch unmöglich bewegt, also sich beispielsweise zu schnell bewegt, mit einer zu großen Beschleunigung bewegt und/oder ruckartig bewegt. Ebenso kann das Objekt rückwirkend als implausibel erkannt werden und die erhöhte Fehlerwahrscheinlichkeit bestimmt werden, wenn sich das Objekt scheinbar durch das eigene Fahrzeug hindurchbewegt.The error probability can be determined with a time delay using further measurements recorded before and/or after the measurement location. The error probability for a measurement location can be determined after the vehicle has already driven past it. By retrospectively determining the error probability, the error probability for a future passing of the measurement location can be learned. The error probability can be determined, for example, by a retrospective plausibility check of objects. A longer observation period can be considered here than with a time-synchronous determination. For example, an object can be retrospectively recognized as implausible and an increased probability of error be determined at a measuring location where the object suddenly appeared, although it should actually have been detectable for a longer period of time. Likewise, an object can be retrospectively recognized as implausible and the increased error probability for past measurement locations can be determined if the object suddenly disappears although it should still be detectable. Furthermore, an object can be retrospectively recognized as implausible and the increased error probability can be determined if the object is physically impossible to move, ie, for example, moves too quickly, moves with too great an acceleration and/or moves jerkily. Likewise, the object can be retrospectively recognized as implausible and the increased error probability can be determined if the object appears to be moving through one's own vehicle.
Die Fehlerwahrscheinlichkeit kann unter Verwendung von zumindest einer weiteren, an dem Messort gemessenen Messung zumindest eines weiteren Sensors bestimmt werden. Der weitere Sensor kann einen zumindest anteilig mit dem Sensor überlappenden Erfassungsbereich aufweisen. Der weitere Sensor kann ein weiterer Sensor des Fahrzeugs sein. Der Sensor kann auch ein externer Sensor sein, der den Erfassungsbereich zumindest anteilig erfasst. Der weitere Sensor kann ein anderes Messprinzip aufweisen. Der weitere Sensor kann innerhalb eines Bereichs um den Messort angeordnet sein, also eine andere Sensorperspektive aufweisen, beziehungsweise an einem benachbarten Messort angeordnet sein. Durch mehrere Messungen von gleichen beziehungsweise ähnlichen Messorten kann ein Kreuzvergleich der Messungen durchgeführt werden.The error probability can be determined using at least one further measurement, measured at the measuring location, of at least one further sensor. The additional sensor can have a detection range that at least partially overlaps with the sensor. The additional sensor can be an additional sensor of the vehicle. The sensor can also be an external sensor that at least partially detects the detection area. The additional sensor can have a different measuring principle. The additional sensor can be arranged within an area around the measurement location, that is to say have a different sensor perspective, or be arranged at an adjacent measurement location. A cross-comparison of the measurements can be carried out by taking several measurements from the same or similar measurement locations.
Dabei kann eine weitere Fehlerwahrscheinlichkeit des weiteren Sensors an dem Messort bestimmt werden und in der Datenbank hinterlegt werden. Durch unterschiedliche Fehlerwahrscheinlichkeiten von unterschiedlichen Sensoren können die Messungen der Sensoren mit niedrigen Fehlerwahrscheinlichkeiten verwendet werden.A further error probability of the further sensor at the measurement location can be determined and stored in the database. Due to different error probabilities from different sensors, the measurements of the sensors with low error probabilities can be used.
Die Fehlerwahrscheinlichkeit kann unter Verwendung von Umfeldinformationen an dem Messort bestimmt werden. Umfeldinformationen können beispielsweise aus einer hinterlegten Karte ausgelesen werden. Die Umfeldinformationen können auch durch das Sensorsystem des Fahrzeugs bereitgestellt werden. Störende Objekte und/oder Ursachen können in den Umfeldinformationen abgebildet sein. Beispielsweise können Tunnel und Leitplanken in den Umfeldinformationen abgebildet sein. Weiterhin können mögliche Verkehrsflächen in den Umfeldinformationen abgebildet sein. Ebenso kann ein Ort, an dem ein Geisterobjekt abgebildet wird, durch in den Umfeldinformationen als unmöglich abgebildet sein. Beispielsweise kann das Geisterobjekt außerhalb der Verkehrsflächen angeordnet sein und so als unmögliches Geisterobjekt erkannt werden. Das Geisterobjekt kann auch in der Luft schweben und so als unmögliches Geisterobjekt erkannt werden.The error probability can be determined using environmental information at the measurement location. Information about the surroundings can be read from a stored map, for example. The environmental information can also be provided by the vehicle's sensor system. Disturbing objects and/or causes can be mapped in the environmental information. For example, tunnels and crash barriers can be depicted in the environmental information. Furthermore, possible traffic areas can be mapped in the environmental information. Also, a location where a ghost object is imaged may be imaged as impossible in the environmental information. For example, the ghost object can be arranged outside the traffic areas and can thus be recognized as an impossible ghost object. The ghost object can also float in the air and thus be recognized as an impossible ghost object.
Zu unterschiedlichen Zeitpunkten an dem Messort bestimmte Fehlerwahrscheinlichkeiten können in der Datenbank aggregiert werden. Dem Messort kann in der Datenbank beispielsweise ein Zähler zugeordnet werden. Der Zähler kann bei jeder Falscherkennung erhöht werden. Ein weiterer Zähler kann bei jeder Vorbeifahrt an dem Messort erhöht werden. Ein Verhältnis der beiden Zähler repräsentiert unmittelbar die Fehlerwahrscheinlichkeit. Durch mehrfache Fahrten kann die Fehlerwahrscheinlichkeit immer genauer bestimmt werden. Insbesondere auf einer nahezu täglich gefahrenen Pendlerstrecke können so für viele Messorte entlang der Pendlerstrecke Fehlerwahrscheinlichkeiten bestimmt werden.Error probabilities determined at different points in time at the measurement location can be aggregated in the database. For example, a counter can be assigned to the measurement location in the database. The counter can be increased for each false detection. Another counter can be increased each time the vehicle drives past the measurement location. A ratio of the two counters directly represents the error probability. The probability of error can be determined more and more precisely through multiple trips. Error probabilities can be determined for many measurement locations along the commuter route, particularly on a commuter route that is driven almost every day.
Von unterschiedlichen Fahrzeugen können an dem Messort bestimmte Fehlerwahrscheinlichkeiten in der Datenbank aggregiert werden. Unterschiedliche Fahrzeuge können unterschiedliche Sensoren aufweisen. Wirkprinzipien der Sensoren können jedoch übereinstimmen. Durch zentral zusammengetragene Informationen können für einen Messort viele Fehlerwahrscheinlichkeiten bestimmt werden. Bei einer Veränderung der Fehlerwahrscheinlichkeit eines Messorts kann ein zeitlich zuvor an dem Messort vorbeifahrendes Fahrzeug die zu erwartende Fehlerwahrscheinlichkeit für ein zeitlich später an dem Messort vorbeifahrendes Fahrzeug hinterlegen.Certain error probabilities can be aggregated in the database from different vehicles at the measurement location. Different vehicles may have different sensors. However, the operating principles of the sensors can match. Information collected centrally can be used to determine many error probabilities for a measurement location. If there is a change in the error probability of a measurement location, a vehicle driving past the measurement location earlier in time can store the error probability to be expected for a vehicle driving past the measurement location later in time.
Das Verfahren kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einem Steuergerät implementiert sein.The method can be implemented, for example, in software or hardware or in a mixed form of software and hardware, for example in a control unit.
Der hier vorgestellte Ansatz schafft ferner ein Steuergerät, das dazu ausgebildet ist, um die Schritte einer Variante des hier vorgestellten Verfahrens in entsprechenden Einrichtungen durchzuführen, anzusteuern bzw. umzusetzen.The approach presented here also creates a control device which is designed to carry out, control or implement the steps of a variant of the method presented here in corresponding devices.
Das Steuergerät kann ein elektrisches Gerät mit zumindest einer Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest einer Speichereinheit zum Speichern von Signalen oder Daten, und zumindest einer Schnittstelle und/oder einer Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten, die in ein Kommunikationsprotokoll eingebettet sind, sein. Die Recheneinheit kann beispielsweise ein Signalprozessor, ein sogenannter System-ASIC oder ein Mikrocontroller zum Verarbeiten von Sensorsignalen und Ausgeben von Datensignalen in Abhängigkeit von den Sensorsignalen sein. Die Speichereinheit kann beispielsweise ein Flash-Speicher, ein EPROM oder eine magnetische Speichereinheit sein. Die Schnittstelle kann als Sensorschnittstelle zum Einlesen der Sensorsignale von einem Sensor und/oder als Aktorschnittstelle zum Ausgeben der Datensignale und/oder Steuersignale an einen Aktor ausgebildet sein. Die Kommunikationsschnittstelle kann dazu ausgebildet sein, die Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben. Die Schnittstellen können auch Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.The control device can be an electrical device with at least one computing unit for processing signals or data, at least one memory unit for storing signals or data, and at least one interface and/or one communication interface for reading in or outputting data that are embedded in a communication protocol, be. The computing unit can be, for example, a signal processor, a so-called system ASIC, or a microcontroller for processing sensor signals and outputting data signals as a function of the sensor signals be. The storage unit can be, for example, a flash memory, an EPROM or a magnetic storage unit. The interface can be designed as a sensor interface for reading in the sensor signals from a sensor and/or as an actuator interface for outputting the data signals and/or control signals to an actuator. The communication interface can be designed to read in or output the data in a wireless and/or wired manner. The interfaces can also be software modules that are present, for example, on a microcontroller alongside other software modules.
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.A computer program product or computer program with program code, which can be stored on a machine-readable carrier or storage medium such as a semiconductor memory, a hard disk memory or an optical memory and for carrying out, implementing and/or controlling the steps of the method according to one of the embodiments described above, is also advantageous used, especially when the program product or program is run on a computer or device.
Es wird darauf hingewiesen, dass einige der möglichen Merkmale und Vorteile der Erfindung hierin mit Bezug auf unterschiedliche Ausführungsformen beschrieben sind. Ein Fachmann erkennt, dass die Merkmale des Steuergeräts und des Verfahrens in geeigneter Weise kombiniert, angepasst oder ausgetauscht werden können, um zu weiteren Ausführungsformen der Erfindung zu gelangen.It is noted that some of the possible features and advantages of the invention are described herein with reference to different embodiments. A person skilled in the art recognizes that the features of the control device and of the method can be combined, adapted or exchanged in a suitable manner in order to arrive at further embodiments of the invention.
Figurenlistecharacter list
Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, wobei weder die Zeichnungen noch die Beschreibung als die Erfindung einschränkend auszulegen sind.
-
1 zeigt eine Darstellung eines Fahrzeugs mit einem Steuergerät gemäß einem Ausführungsbeispiel; und -
2 zeigt eine Darstellung einer Datenbank gemäß einem Ausführungsbeispiel.
-
1 shows an illustration of a vehicle with a control device according to an embodiment; and -
2 shows a representation of a database according to an embodiment.
Die Figuren sind lediglich schematisch und nicht maßstabsgetreu. Gleiche Bezugszeichen bezeichnen in den Figuren gleiche oder gleichwirkende Merkmale.The figures are merely schematic and not true to scale. In the figures, the same reference symbols denote the same features or features that have the same effect.
Ausführungsformen der ErfindungEmbodiments of the invention
Das andere Fahrzeug 106 hat die Linkskurve bereits weiter durchfahren als das Fahrzeug 100. Die Radarwellen des Radarsensors werden an dem anderen Fahrzeug 106 reflektiert und zum Sensor 104 zurückgeworfen. Das andere Fahrzeug 106 wird durch zumindest eine direkte Messung 110 als bewegtes Objekt in einer tatsächlichen Entfernung vom Fahrzeug 100 und einer tatsächlichen Richtung bezogen dem Messort 112 beziehungsweise auf das Fahrzeug 100 in den Messdaten 108 abgebildet. Das andere Fahrzeug 106 wird durch die direkte Messung 110 also an seiner tatsächlichen Position links vor dem Fahrzeug 100 abgebildet.The
Das andere Fahrzeug 106 wird hier jedoch auch durch zumindest eine Fehlmessung 116 als bewegtes Geisterobjekt 118 in einer scheinbaren Entfernung und einer scheinbaren Richtung bezogen auf den Messort 112 beziehungsweise das Fahrzeug 100 in den Messdaten 108 abgebildet. Das Geisterobjekt 118 wird dabei im Wesentlichen gerade vor dem Fahrzeug 100 in den Messdaten 108 abgebildet. Bei der Fehlmessung 116 wird das andere Fahrzeug 106 in den Messdaten 108 also an einer Stelle abgebildet, an der es sich in Wahrheit nicht befindet.However, the
Die Fehlmessung 116 resultiert hier aus einer Reflexion der Radarwellen an der Leitplanke 102. Die Radarwellen treffen in flachem Winkel auf die Leitplanke 102 und werden dabei in Richtung des anderen Fahrzeugs 106 abgelenkt, treffen also aus Richtung der Leitplanke 102 auf das andere Fahrzeug 106. Die am anderen Fahrzeug 106 reflektierten Radarwellen treffen ebenfalls in flachem Winkel auf die Leitplanke 102 und werden durch die Reflexion in Richtung des Sensors 104 abgelenkt. Diese Radarwellen treffen also aus Richtung der Leitplanke 102 auf den Sensor 104. Das bewegte Geisterobjekt 118 wird so hinter der Leitplanke 102 in den Messdaten 108 abgebildet.The
Auch die ortsfeste Leitplanke 102 ist in den Messdaten 108 abgebildet. Die Leitplanke 102 kann aber auch als Infrastrukturobjekt aus den Messdaten 108 herausgefiltert worden sein.The
Bei dem hier vorgestellten Ansatz ist eine Fehlerwahrscheinlichkeit 120 des Sensors 104 an dem Messort 112 in einer ortsbezogenen Datenbank 122 hinterlegt. Die Fehlerwahrscheinlichkeit 120 gibt dabei für diesen Messort 112 beispielsweise an, dass in bestimmten Richtungen abgebildete bewegte Objekte mit einer hohen Wahrscheinlichkeit Geisterobjekte 118 sind, während in anderen Richtungen abgebildete Objekte mit einer geringen Wahrscheinlichkeit Geisterobjekte 118 sind. Ein Steuergerät 124 des Fahrzeugs liest die Fehlerwahrscheinlichkeit 120 aus der Datenbank 122 aus und ordnet den Messungen 110 beziehungsweise Fehlmessungen 116 ihre jeweilige Fehlerwahrscheinlichkeit 120 an diesem Messort 112 zu. Der direkten Messung 110 des Fahrzeugs 106 wird also eine niedrige Fehlerwahrscheinlichkeit 120 zugeordnet. Der Fehlmessung 116 des Fahrzeugs 106 über die Leitplanke 102 wird also eine hohe Fehlerwahrscheinlichkeit 120 zugeordnet. Durch die unterschiedlichen Fehlerwahrscheinlichkeiten können die Messung 110 und die Fehlmessung 116 bei der weiteren Verarbeitung 126 unterschiedlich gewichtet werden.In the approach presented here, an
In einem Ausführungsbeispiel wird eine Messung 110 beziehungsweise Fehlmessung 116 vor der weiteren Verarbeitung 126 aus den Sensordaten 108 gelöscht, wenn die Fehlerwahrscheinlichkeit 120 größer als ein Schwellenwert 128 ist. Das Löschen der Messung 110 beziehungsweise Fehlmessung 116 kann insbesondere dann angewendet werden, wenn bei der weiteren Verarbeitung 126 sicherheitsrelevante Funktionen auf Basis der Sensordaten 108 angesteuert werden.In one exemplary embodiment, a
In einem Ausführungsbeispiel ist die Datenbank 122 auf einem übergeordneten Datenverarbeitungssystem 130 gespeichert und wird von dem Steuergerät 124 drahtlos eingelesen. Das übergeordnete Datenverarbeitungssystem 130 kann beispielsweise ein Cloud-Server sein. So können viele Fahrzeuge auf die gleiche Datenbank 122 zugreifen.In one exemplary embodiment,
In einem Ausführungsbeispiel werden im Steuergerät 124 die Messdaten 108 ausgewertet, um eine aktuelle Fehlerwahrscheinlichkeit 120 der Messungen 110 und Fehlmessungen 116 zu bestimmen. Dabei können Veränderungen im Umfeld des Messorts 112 erfasst und in der Datenbank 122 abgebildet werden.In one exemplary embodiment, the measurement data 108 is evaluated in the
In einem Ausführungsbeispiel wird die aktuelle Fehlerwahrscheinlichkeit 120 nicht zeitsynchron bestimmt. Das Bestimmen der Fehlerwahrscheinlichkeit erfolgt vielmehr zeitversetzt und rückblickend. Dabei kann ein Verlauf der Messdaten 108 vor und/oder nach dem Messort 112 aufgezeichnet und später betrachtet werden. Die Messungen 110 können so plausibilisiert und verbessert von Fehlmessungen 116 unterschieden werden. So kann die Fehlerwahrscheinlichkeit 120 mit einer hohen Genauigkeit bestimmt und in der Datenbank 122 für die nächste Fahrt hinterlegt werden. Das Bestimmen der Fehlerwahrscheinlichkeit 120 kann beispielsweise durchgeführt werden, wenn im Steuergerät 124 Rechenkapazität verfügbar ist, also beispielsweise kein anderes Fahrzeug 106 erfasst und verfolgt wird.In one embodiment, the
Beispielsweise erscheint das Geisterobjekt 118 in dem dargestellten Beispiel am Anfang der Leitplanke 102 plötzlich und wird verschwindet ebenso plötzlich am Ende der Leitplanke 102. Das plötzliche Erscheinen und Verschwinden kann aus dem Verlauf der Messdaten 108 sehr gut erkannt werden. Plötzlich erscheinende und/oder verschwindende Objekte sind sehr implausibel.For example, the
Weiterhin ist ein Bewegungsverlauf des Geisterobjekts 118 durch die Reflexion an der Leitplanke 102 weitaus dynamischer als ein Bewegungsverlauf des direkt gemessenen Fahrzeugs 106. Dabei kann sich das Geisterobjekt 118, während es sich vor dem Fahrzeug 100 her bewegt, beispielsweise sehr schnell seitwärts bewegen, was dem echten Fahrzeug 106 aufgrund seiner Massenträgheit in der Regel unmöglich ist. Hoch dynamische Objekte sind ebenfalls sehr implausibel.Furthermore, the course of movement of the
Da es sehr unwahrscheinlich ist, dass ein anderes Fahrzeug hinter der Leitplanke 102 fährt, da dort mit an Sicherheit grenzender Wahrscheinlichkeit kein Fahrzeug sein kann, kann die Fehlmessung 116 ebenfalls von der korrekten Messung 110 unterschieden werden. Messungen 110 an unwahrscheinlichen Positionen sind ebenfalls sehr implausibel. Die unwahrscheinlichen Positionen können beispielsweise aus einer Karte extrahiert werden. Wenn das Geisterobjekt 118 mit der Geschwindigkeit des anderen Fahrzeugs 106 außerhalb eines in der Karte abgebildeten Straßenraums fährt, ist das ebenfalls sehr implausibel.Since it is very unlikely that another vehicle will drive behind the
In einem Ausführungsbeispiel werden Messdaten zumindest eines weiteren Sensors ausgewertet, um die Messdaten 108 des Sensors 104 zu plausibilisieren. Der Weitere Sensor erfasst den Erfassungsbereich des Sensors 104 zumindest anteilig. Insbesondere können zum Plausibilisieren Messdaten eines Sensors mit einem anderen Messprinzip verwendet werden. Beispielsweise können Bilder einer Kamera ausgewertet werden. In den Bildern der Kamera kann eindeutig erkannt werden, dass hinter der Leitplanke 102 kein Fahrzeug fährt.In one exemplary embodiment, measurement data from at least one further sensor are evaluated in order to check measurement data 108 from
Der weitere Sensor kann dabei Bestandteil eines Sensorsystems des Fahrzeugs 100 sein. Ebenso kann der weitere Sensor ein Infrastruktursensor sein. Insbesondere wenn der weitere Sensor Bestandteil des Sensorsystems ist, kann für den weiteren Sensor ebenfalls eine Fehlerwahrscheinlichkeit 120 an dem Messort 112 bestimmt werden und in der Datenbank 122 hinterlegt werden.The additional sensor can be part of a sensor system of
In einem Ausführungsbeispiel fährt das Fahrzeug 100 öfter die gleiche Strecke durch die Linkskurve. Dabei wird jedes Mal eine neue Fehlerwahrscheinlichkeit 120 bestimmt und mit den zuvor bestimmten Fehlerwahrscheinlichkeiten 120 in der Datenbank 124 zusammengeführt. Durch geringfügige Unterschiede von Fahrt zu Fahrt ergeben sich jedes Mal geringfügig unterschiedliche Fehlerwahrscheinlichkeiten 120.In one embodiment, the
In einem Ausführungsbeispiel wird über mehrere Fahrten entlang der Strecke für den Messort 112 eine Anzahl der erkannten Geisterobjekte 116 aufaddiert. Ein Verhältnis der Anzahl der Geisterobjekte 116 zu einer Anzahl der Fahrten ergibt die Fehlerwahrscheinlichkeit 120 für diesen Messort 112.In one exemplary embodiment, a number of ghost objects 116 recognized is added up over several journeys along the route for the
Im übergeordneten Datenverarbeitungssystem 130 werden in einem Ausführungsbeispiel die von unterschiedlichen Fahrzeugen bestimmten Fehlerwahrscheinlichkeiten 120 zusammengeführt. Dadurch kann das Steuergerät 124 auch bereits bei einer ersten Fahrt entlang der Strecke auf in der Datenbank 122 hinterlegte Fehlerwahrscheinlichkeiten 120 zurückgreifen und so die Messdaten 108 absichern.In one exemplary embodiment, the
In einem Ausführungsbeispiel ist jedem Bereich 200 die Fehlerwahrscheinlichkeit als Zahlenwert zugeordnet. Messungen aus diesen Bereichen 200 werden vor der weiteren Verarbeitung die hinterlegten Fehlerwahrscheinlichkeiten zugeordnet.In one exemplary embodiment, each
Mit anderen Worten wird eine Erkennung von falschen Radar-Messdaten auf einer wiederholt gefahrenen Strecke vorgestellt.In other words, a detection of incorrect radar measurement data on a repeatedly driven route is presented.
Fahrerassistenzfunktionen und automatisiertes Fahren benötigen detaillierte Informationen über Objekte im Umfeld des Ego-Fahrzeugs. Die Objekte sind z.B. andere Verkehrsteilnehmer, Hindernisse oder der Verlauf der Fahrbahn.Driver assistance functions and automated driving require detailed information about objects in the environment of the ego vehicle. The objects are e.g. other road users, obstacles or the course of the road.
Umfeldsensoren wie Radar, Video oder Lidar tasten die Umgebung ab und liefern die nötigen Messdaten über die Objekte im Fahrzeugumfeld. Über ein Tracking- und Fusionssystem werden die Messdaten zeitlich aggregiert bzw. gefiltert und mit Zusatzattributen, wie z.B. einer Geschwindigkeit oder Beschleunigung, ergänzt. Dadurch entsteht ein konsistentes Umfeldmodell, auf das die Fahrerassistenzfunktion bzw. die automatisierte Fahrfunktion aufsetzen kann.Environment sensors such as radar, video or lidar scan the environment and provide the necessary measurement data about the objects in the vehicle's surroundings. Using a tracking and fusion system, the measurement data is temporally aggregated or filtered and supplemented with additional attributes, such as speed or acceleration. This creates a consistent environment model on which the driver assistance function or the automated driving function can be based.
Die Messdaten der Umfeldsensoren sind leider oft nicht perfekt. Sie weisen einerseits Messungenauigkeiten auf, welche durch zeitliche Filterung zum Teil korrigiert werden können. Es werden aber auch Objekte nicht gemessen, obwohl sie real vorhanden sind (False-Negative) und es werden Messdaten geliefert, obwohl real kein Objekt vorhanden (False-Positive).Unfortunately, the measurement data from the environmental sensors are often not perfect. On the one hand, they exhibit measurement inaccuracies, which can be partially corrected by temporal filtering. However, objects are also not measured even though they actually exist (false negatives) and measurement data are supplied even though no objects actually exist (false positives).
Diese sensorischen Unzulänglichkeiten können am Ende zu einer falschen Systemreaktion führen, die im schlimmsten Fall einen Verkehrsunfall zur Folge haben kann. Ein Beispiel wäre eine ungerechtfertigte Vollbremsung auf ein real nicht vorhandenes Objekt, was zu einem Auffahrunfall des nachfolgenden Verkehrs führen kann.These sensory deficiencies can ultimately lead to an incorrect system reaction, which in the worst case can result in a traffic accident. An example would be an unjustified emergency braking on an object that does not actually exist, which can lead to a rear-end collision with the following traffic.
Der hier vorgestellte Ansatz adressiert das Problem von False-Positive Messdaten insbesondere von Radar-Sensoren. Adressiert wird insbesondere eine Anwendung im Bereich automatisiertes Fahren auf einer wiederholt gefahrenen Strecke (Pendlerstrecke).The approach presented here addresses the problem of false positive measurement data, especially from radar sensors. In particular, an application in the field of automated driving on a repeatedly driven route (commuter route) is addressed.
Derzeit zur Verfügung stehende Automotive Radar-Sensoren, können eine vergleichsweise hohe Anzahl von False-Positive Messdaten aufweisen. Dies kann sich bis in einen einstelligen Prozentbereich bewegen. So könnten z.B. 1% aller gelieferten Messwerte falsch sein. Die Ursachen für diese falschen Messdaten sind vielfältig.Automotive radar sensors that are currently available can have a comparatively high number of false-positive measurement data. This can be in the single-digit percentage range. For example, 1% of all measured values supplied could be incorrect. There are many reasons for these incorrect measurement data.
Durch moderne Tracking-Verfahren können insbesondere zeitlich nicht korrelierte Messdaten durch zeitliche Plausibilisierung gut herausgefiltert werden.Modern tracking methods can be used to filter out measurement data that is not temporally correlated by means of a temporal plausibility check.
Aus der Literatur sind auch Verfahren bekannt, die mit Hilfe von Klassifikatoren bzw. Machine-Learning versuchen, richtige von falschen Messdaten zu unterscheiden und herauszufiltern.Methods are also known from the literature which attempt to distinguish and filter out correct measurement data from incorrect measurement data with the aid of classifiers or machine learning.
Stehen noch weitere Umfeldsensoren im Fahrzeug zur Verfügung, die ein überlappendes Field-Of-View haben, können durch Kreuzvergleich richtige von falschen Messdaten unterschieden werden. Vorrausetzung dafür ist, dass unterschiedlichen Sensoren nicht zeitgleich den gleichen Messfehler liefern, was leider nicht immer der Fall ist.If there are other environment sensors in the vehicle that have an overlapping field of view, correct and incorrect measurement data can be distinguished by cross-comparison. The prerequisite for this is that different sensors do not deliver the same measurement error at the same time, which is unfortunately not always the case.
Besonders problematisch sind insbesondere zeitlich korrelierte Messfehler, die sich über mehrere Messzyklen wiederholen. Ein Beispiel hierfür wäre eine Mehrdeutigkeit der Winkelmessung beim Radarsensor, die durch das Messprinzip bedingt sein kann.Particularly problematic are measurement errors that are correlated in terms of time and are repeated over a number of measurement cycles. An example of this would be an ambiguity in the angle measurement in the radar sensor, which can be caused by the measuring principle.
Dabei kann ein reales Objekt, das sich z.B. unter einem Winkel von 45° befindet, fälschlich unter einem Winkel von 0° gemessen werden. Wiederholt sich dieser Fehler mehrmals hintereinander, so kann der Fehler nicht mehr einfach durch zeitliche Plausibilisierung erkannt werden. Das System geht dann von einem Objekt aus, wo real keines vorhanden ist. Diese Objekte werden auch als Geisterobjekte bezeichnet und sind ein bekanntes Problem für eine Fahrerassistenzfunktion oder das automatisierte Fahren.A real object that is at an angle of 45°, for example, can be incorrectly measured at an angle of 0°. If this error is repeated several times in a row, the error can no longer be detected simply by checking the plausibility over time. The system then assumes an object where none actually exists. These objects are also known as ghost objects and are a well-known problem for a driver assistance function or automated driving.
Das hier vorgeschlagene Verfahren kann für eine Fahrerassistenzfunktion bzw. automatische Fahrfunktion verwendet werden, bei der ein oder mehrere Fahrzeuge wiederholt auf der gleichen Strecke fahren. Bei nur einem Fahrzeug kann die Strecke beispielsweise eine wiederholt gefahrene Pendler-Strecke sein.The method proposed here can be used for a driver assistance function or automatic driving function in which one or more vehicles drive repeatedly on the same route. If there is only one vehicle, the route can be, for example, a repeatedly driven commuter route.
Die Grundidee ist, die technischen Herausforderungen des automatisierten Fahrens durch genaue Kenntnis des Anwendungsbereichs und dessen Herausforderungen zu verringern. Dabei wird die Kenntnis der Strecke genutzt, um die o.g. Defizite von Radarsensoren gezielt zu kompensieren.The basic idea is to reduce the technical challenges of automated driving through precise knowledge of the application area and its challenges. The knowledge of the route is used to specifically compensate for the above-mentioned deficits of radar sensors.
Bekannte Verfahren zur Erkennung von falschen Messwerten bei Radarsensoren sind nur begrenzt wirksam. Es werden immer auch falsche Messwerte übrigbleiben, die dann potenziell zu unerwünschten Systemreaktionen führen können.Known methods for detecting incorrect measured values in radar sensors are only effective to a limited extent. Incorrect measured values will always remain, which can then potentially lead to undesired system reactions.
Unter Verwendung des hier vorgestellten Ansatzes können beim mehrmaligen Durchfahren der gleichen Strecke Bereiche in einer Karte markiert werden, in denen häufig falsche Messwerte (Ansätze zur Erkennung s.u.) auftreten. Dieses Wissen kann bei der nächsten Fahrt genutzt werden, um dort auftretenden Messwerte eine erhöhte Fehlerwahrscheinlichkeit zu unterstellen. Dies kann z.B. in Form eines zusätzlichen Attributs geschehen, das dem Messwert angehängt wird. Damit können falsche Messwerte im System nicht oder zumindest weniger stark berücksichtigt werden. Damit können Falscherkennungen frühzeitig eliminiert und damit das Systemverhalten verbessert werden.Using the approach presented here, when driving through the same route several times, areas can be marked on a map in which incorrect measured values often occur (approaches for recognition see below). This knowledge can be used on the next trip to assume an increased error probability for the measured values that occur there. This can be done, for example, in the form of an additional attribute that is appended to the measured value. This means that incorrect measured values cannot be taken into account in the system, or at least to a lesser extent. In this way, false detections can be eliminated at an early stage and the system behavior can be improved.
Bei jeder Fahrt auf der Pendlerstrecke werden mit gängigen Verfahren potenziell falsche Messwerte z.B. eines Radar-Sensors markiert und die Stelle ihres Auftretens in einer Karte markiert. Ein Beispiel für einen falschen Messwert könnte beispielsweise eine Leitplankenspiegelung sein, die von einem Radar-Sensor detektiert wird und von einer direkten Reflexion kaum zu unterscheiden ist.With every trip on the commuter route, potentially incorrect measured values, e.g. from a radar sensor, are marked with common methods and the location of their occurrence is marked on a map. An example of an incorrect measured value could be a crash barrier reflection, which is detected by a radar sensor and can hardly be distinguished from a direct reflection.
In der Zeichnung zu sehen sind das Ego-Fahrzeug, ein vorausfahrendes Fahrzeug und eine Leitplanke am Fahrbahnrand. Ein im Ego- Fahrzeug verbauter Radar-Sensor detektiert das vorausfahrende Fahrzeug auf direktem Weg (linker Stern) und auf indirektem Weg über eine Spiegelung an der Leitplanke (rechter Stern). Der Messwert von der Leitplankenspiegelung führt potenziell zu einem unerwünschten Geisterobjekt, weil die Spiegelung zeitlich stabil ist und von einem klassischen Tracking-Algorithmus nicht herausgefiltert wird. Je nach Kurven-Krümmung und Geschwindigkeitsverhältnis könnte das Geister-Objekt für die Fahrfunktion relevant werden.The drawing shows the ego vehicle, a vehicle in front and a crash barrier at the edge of the road. A radar sensor installed in the ego vehicle detects the vehicle ahead directly (left star) and indirectly via a reflection on the crash barrier (right star). The measured value from the guardrail reflection potentially leads to an unwanted ghost object because the reflection is stable over time and is not filtered out by a classic tracking algorithm. Depending on the curvature of the curve and the speed ratio, the ghost object could become relevant for the driving function.
Mit einem gängigen Verfahren wird versucht, den falschen Messwert zu erkennen. Dies könnte beispielsweise durch Nutzung der Information aus einer Karte geschehen, die besagt, dass an dem Ort jenseits der Leitplanke keine befahrbare Fläche liegt und dass deshalb dort kein realer, bewegter Verkehrsteilnehmer sein kann. Ebenso kann der falsche Messwert durch einen Kreuzvergleich mit anderen Sensoren (z.B. Video) erkannt werden, die möglicherweise dort kein Objekt erkennen. Weiterhin können die Messdaten mit Hilfe eines Klassifikators klassifiziert werden, der über Machine-Learning darauf trainiert wurde, richtige von falschen Messwerten zu unterscheiden. Auch durch eine Plausibilitätsprüfung können falsche Messwerte erkannt werden, wenn sich Objekte in einer physikalisch unmöglichen Art (zu schnell, zu schnell beschleunigt, zu hoher Ruck, durch das Ego-Fahrzeug hindurch, durch ein anderes, insbesondere hoch plausibles Objekt hindurch, Kollision mit anderem Objekt ohne erkennbare Änderung der Bewegung) bewegen.A common procedure attempts to detect the incorrect measured value. This could be done, for example, by using information from a map that states that there is no drivable area at the location beyond the crash barrier and that therefore no real, moving road users can be there. Likewise, the incorrect measured value can be detected by a cross comparison with other sensors (e.g. video) that may not detect an object there. Furthermore, the measurement data can be classified using a classifier that has been trained using machine learning to distinguish correct from incorrect measurement values. A plausibility check can also detect incorrect measured values if objects are moving in a physically impossible way (too fast, accelerated too quickly, too high a jerk, through the ego vehicle, through another, particularly highly plausible object, collision with another moving the object without any discernible change in movement).
Wurde ein falscher Messwert, wie die Leitplankenspiegelung, erkannt, so wird der Ort in einer Karte markiert (Kreis). Die Markierung kann weiterhin einen Counter erhalten, der bei jeder Fahrt auf der Pendlerstrecke erhöht wird, falls dort erneut falsche Messwerte auftreten.If an incorrect measured value, such as the crash barrier reflection, is detected, the location is marked on a map (circle). The marker can also receive a counter that will be increased with each trip on the commuter route if incorrect readings occur there again.
Neben dem Ort können weitere Objekteigenschaften genutzt werden, um eine wiederholte Falschmessung von einem realen Objekt zu unterscheiden. In addition to the location, other object properties can be used to distinguish between a repeated incorrect measurement and a real object.
Beispielsweise können ein Geschwindigkeitsvektor, ein Beschleunigungsvektor und/oder eine Objektklasse verwendet werden.For example, a velocity vector, an acceleration vector, and/or an object class can be used.
Wenn weiterhin die Anzahl der Fahrten protokolliert wird, ergibt dieser Counter einen Hinweis darauf, wie hoch die Wahrscheinlichkeit von falschen Messwerten an diesem Ort ist.If the number of trips is also logged, this counter gives an indication of the probability of incorrect readings at this location.
Bei der nächsten Fahrt werden alle Radar-Messwerte mit der Karte abgeglichen und erhalten als Zusatzattribut die dort geschätzte Fehlerwahrscheinlichkeit.During the next trip, all radar readings are compared with the map and receive the error probability estimated there as an additional attribute.
Liegt die Fehlerwahrscheinlichkeit über einer gewissen Schwelle, kann der Messwert direkt verworfen werden.If the error probability is above a certain threshold, the measured value can be discarded directly.
Die Fehlerwahrscheinlichkeit kann auch benutzt werden, um den Messwert bei der Objektbildung (Objekt-Tracking) schwächer zu gewichten, um einem getracktem Objekt eine geringe Existenzwahrscheinlichkeit zu geben oder das Aufsetzen eines neuen Objekt-Tracks an dieser Stelle zu verhindern.The probability of error can also be used to weight the measured value less when forming an object (object tracking), in order to give a tracked object a low probability of existence or to prevent a new object track from being set up at this point.
in der beispielhaften Karte sind Bereiche markiert, in denen bei vergangenen Fahrten fehlerhafte Radar-Daten erkannt wurden.areas are marked in the example map in which faulty radar data was detected during previous journeys.
Bei dem hier vorgeschlagenen Ansatz wird das Auftreten von falschen Objekt-Tracks auf einer wiederholt gefahrenen Strecke bewertet. Dadurch können im Laufe der wiederholten Fahrten immer weniger falsche Objekt-Tracks mit einer hoch geschätzten Existenzwahrscheinlichkeit vorkommen.In the approach proposed here, the occurrence of incorrect object tracks on a repeatedly driven route is evaluated. As a result, fewer and fewer false object tracks with a highly estimated probability of existence can occur over the course of the repeated trips.
Das vorgeschlagene Verfahren kann für Fahrerassistenzfunktionen oder automatisiertes Fahren eingesetzt werden, wenn diese auf Messdaten von Umfeldsensoren, insbesondere Radar-Sensoren, basieren und wiederholt die gleiche Strecke befahren wird.The proposed method can be used for driver assistance functions or automated driving if these are based on measurement data from surroundings sensors, in particular radar sensors, and the same route is traveled repeatedly.
Abschließend ist darauf hinzuweisen, dass Begriffe wie „aufweisend“, „umfassend“, etc. keine anderen Elemente oder Schritte ausschließen und Begriffe wie „eine“ oder „ein“ keine Vielzahl ausschließen. Bezugszeichen in den Ansprüchen sind nicht als Einschränkung anzusehen.Finally, it should be noted that terms such as "comprising," "comprising," etc. do not exclude other elements or steps, and terms such as "a" or "an" do not exclude a plurality. Any reference signs in the claims should not be construed as limiting.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- DE 102017209667 A1 [0006]DE 102017209667 A1 [0006]
Claims (13)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021211405.9A DE102021211405A1 (en) | 2021-10-11 | 2021-10-11 | Method and control device for securing measurement data from at least one sensor of a vehicle |
CN202211241945.3A CN115963499A (en) | 2021-10-11 | 2022-10-11 | Method and control unit for ensuring measurement data of at least one sensor of a vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021211405.9A DE102021211405A1 (en) | 2021-10-11 | 2021-10-11 | Method and control device for securing measurement data from at least one sensor of a vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021211405A1 true DE102021211405A1 (en) | 2023-04-13 |
Family
ID=85705119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021211405.9A Pending DE102021211405A1 (en) | 2021-10-11 | 2021-10-11 | Method and control device for securing measurement data from at least one sensor of a vehicle |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115963499A (en) |
DE (1) | DE102021211405A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017209667A1 (en) | 2016-12-12 | 2018-06-14 | Continental Automotive Gmbh | Storage of velocity information for the prediction of the future velocity trajectory |
-
2021
- 2021-10-11 DE DE102021211405.9A patent/DE102021211405A1/en active Pending
-
2022
- 2022-10-11 CN CN202211241945.3A patent/CN115963499A/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017209667A1 (en) | 2016-12-12 | 2018-06-14 | Continental Automotive Gmbh | Storage of velocity information for the prediction of the future velocity trajectory |
Also Published As
Publication number | Publication date |
---|---|
CN115963499A (en) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102009006113B4 (en) | Device and method for sensor fusion with dynamic objects | |
DE102017203838A1 (en) | Method and system for environment detection | |
DE102016109592A1 (en) | Collision mitigation and avoidance | |
DE102010006828A1 (en) | Method for creating model of surrounding of vehicle, involves detecting surrounding of vehicle with help of sensor, where two surrounding models are produced automatically on basis of sensor data | |
DE10133945A1 (en) | Method and device for exchanging and processing data | |
DE102009043458A1 (en) | Driving assistance system for vehicles | |
DE102013206707A1 (en) | Method for checking an environment detection system of a vehicle | |
DE102019205008B3 (en) | Backward collision avoidance system | |
DE102018106383A1 (en) | VEHICLE TRACK TOWARDS RECOGNITION | |
EP3521132B1 (en) | Method for detecting a vehicle path for rail-bound vehicles | |
EP3526624A1 (en) | Automated open space identification by means of difference analysis for vehicles | |
WO2021139974A1 (en) | Method for combining a plurality of data sets for generating a current lane model of a road and device for data processing | |
DE102012222931A1 (en) | Method for determining e.g. position and/or type of road sign, involves reading set of records, where each record comprises positional data representing different geographical positions, transaction data and vehicle specifications | |
DE102010003375B4 (en) | Environment evaluation system in a vehicle with sensor means for detecting objects in the vicinity of the vehicle | |
WO2022247994A1 (en) | System for sensor data fusion for environmental perception | |
DE102008063033A1 (en) | Method for recognizing unavoidable collisions of motor vehicle with e.g. pedestrian, involves meeting decision tree final decision during processing of each tree to output collision alarm, and recognizing collision based on decision | |
DE102015004676A1 (en) | Method for operating a driver assistance device of a motor vehicle, and driver assistance device for a motor vehicle | |
DE102021128727A1 (en) | GHOST POINT FILTRATION | |
DE102018005969A1 (en) | Method for operating a driver assistance system with two detection devices | |
DE102019131667A1 (en) | VEHICLE AND METHOD OF PREDICTING A COLLISION | |
DE112019007757T5 (en) | Information processing device, information processing system, information processing method and information processing program | |
DE102021211405A1 (en) | Method and control device for securing measurement data from at least one sensor of a vehicle | |
WO2019211293A1 (en) | Method for operating a driver assistance system of an ego vehicle having at least one surroundings sensor for detecting the surroundings of the ego vehicle, computer readable medium, system and vehicle | |
DE102015213594A1 (en) | A method, computer readable medium, and system for detecting a traffic situation of one or more vehicles in an environment of an ego vehicle | |
DE102018201305A1 (en) | Method and environment recognition device for determining the presence and / or properties of one or more objects in the environment of a motor vehicle |