DE102022000849A1 - Method for generating an environment representation for a vehicle - Google Patents
Method for generating an environment representation for a vehicle Download PDFInfo
- Publication number
- DE102022000849A1 DE102022000849A1 DE102022000849.1A DE102022000849A DE102022000849A1 DE 102022000849 A1 DE102022000849 A1 DE 102022000849A1 DE 102022000849 A DE102022000849 A DE 102022000849A DE 102022000849 A1 DE102022000849 A1 DE 102022000849A1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- distribution
- environment
- distributions
- detection
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3826—Terrain data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3863—Structures of map data
- G01C21/387—Organisation of map data, e.g. version management or database structures
- G01C21/3881—Tile-based structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Abstract
Die Erfindung betrifft ein Verfahren zur Erzeugung einer Umgebungsrepräsentation für ein Fahrzeug (1) anhand von mittels zumindest eines Umgebungssensors erfassten Daten, wobei eine Fahrzeugumgebung in Gitterzellen (G1 bis Gn) unterteilt wird. Erfindungsgemäß werden für einzelne zweidimensionale Gitterzellen (G1 bis Gn) Verteilungsfunktionen bestimmt. Anhand der Verteilungsfunktionen wird Höheninformation (HI1 bis Hlm) modelliert und für jede bestimmte Verteilungsfunktion werden Belegungswahrscheinlichkeiten ermittelt und in Abhängigkeit von einer Fahrdynamik, eines Fahrbahnprofils und/oder Eigenschaften erfasster Umgebungsinformation adaptiv verringert.The invention relates to a method for generating an environment representation for a vehicle (1) using data recorded by means of at least one environment sensor, the vehicle environment being divided into grid cells (G1 to Gn). According to the invention, distribution functions are determined for individual two-dimensional grid cells (G1 to Gn). Height information (HI1 to Hlm) is modeled using the distribution functions and occupancy probabilities are determined for each specific distribution function and reduced adaptively as a function of driving dynamics, a roadway profile and/or properties of detected environmental information.
Description
Die Erfindung betrifft ein Verfahren zur Erzeugung einer Umgebungsrepräsentation für ein Fahrzeug gemäß dem Oberbegriff des Anspruchs 1.The invention relates to a method for generating an environment representation for a vehicle according to the preamble of
Aus der
Weiterhin ist aus der
Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Erzeugung einer Umgebungsrepräsentation für ein Fahrzeug anzugeben.The invention is based on the object of specifying a novel method for generating an environment representation for a vehicle.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die im Anspruch 1 angegebenen Merkmale aufweist.The object is achieved according to the invention by a method which has the features specified in
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous configurations of the invention are the subject matter of the dependent claims.
In einem Verfahren zur Erzeugung einer Umgebungsrepräsentation für ein Fahrzeug anhand von mittels zumindest eines Umgebungssensors erfassten Daten wird eine Fahrzeugumgebung in Gitterzellen unterteilt.In a method for generating an environment representation for a vehicle based on data recorded by means of at least one environment sensor, a vehicle environment is divided into grid cells.
Erfindungsgemäß werden für einzelne zweidimensionale Gitterzellen Verteilungsfunktionen, beispielsweise Normalverteilungen, bestimmt. Anhand der Verteilungsfunktionen werden Höheninformation modelliert, wobei für jede bestimmte Verteilungsfunktion Belegungswahrscheinlichkeiten ermittelt und in Abhängigkeit von einer Fahrdynamik, eines Fahrbahnprofil und/oder Eigenschaften erfasster Umgebungsinformation adaptiv verringert werden.According to the invention, distribution functions, for example normal distributions, are determined for individual two-dimensional grid cells. Height information is modeled on the basis of the distribution functions, with occupancy probabilities being determined for each specific distribution function and being reduced adaptively as a function of driving dynamics, a roadway profile and/or properties of detected environmental information.
Zum Betrieb von Fahrassistenzsystemen und automatisierter, insbesondere hochautomatisierter oder autonomer, Fahrzeuge sind robuste Repräsentationen einer Fahrzeugumgebung erforderlich. Bekannte Verfahren zu einer gitterbasierten Darstellung der Fahrzeugumgebung, beispielsweise einer statischen Fahrzeugumgebung, umfassend beispielsweise Gebäude, Bordsteine, Leitplanken etc., sind entweder auf zwei räumliche Dimensionen beschränkt oder aber sehr speicheraufwendig, wenn Höheninformationen berücksichtigt werden.Robust representations of a vehicle environment are required for the operation of driver assistance systems and automated, in particular highly automated or autonomous, vehicles. Known methods for a grid-based representation of the vehicle environment, for example a static vehicle environment, including for example buildings, curbs, crash barriers, etc., are either limited to two spatial dimensions or are very memory-intensive if height information is taken into account.
Mittels des vorliegenden Verfahrens zur Umgebungsrepräsentation ist es dagegen möglich, in gewinnbringender Weise einen Speicherbedarf im Vergleich zu existierenden Verfahren bei gleichbleibender oder verbesserter Leistungsfähigkeit zu reduzieren. Durch die Reduktion des Speicherbedarfs zur Darstellung der Höheninformation ist in einfacher Weise ein Einsatz auf Rechnereinheiten von modernen Fahrassistenzsystemen möglich.By means of the present method for environment representation, on the other hand, it is possible to reduce memory requirements in a profitable manner in comparison to existing methods with the same or improved performance. Due to the reduction in the storage requirement for displaying the height information, use on computer units of modern driver assistance systems is possible in a simple manner.
Die mittels des Verfahrens erzeugte Umgebungsrepräsentation kann zu einer (Selbst-)Lokalisierung, Trajektorienplanung, Hindernisvermeidung, Erstellung von Umgebungskarten, Steuerung von Fahrzeug-Aktuatoren und/oder als Grundlage für weitere Algorithmen, wie beispielsweise einer Klassifikation in semantische Klassen, zum Beispiel Bordstein, Fahrzeug, Haus etc., verwendet werden. Insbesondere generalisiert das vorliegende Verfahren dabei auf verschiedene Straßentopologien und erlaubt, auf veränderte Fahrzeugumgebungen schneller zu reagieren, als bekannte Ansätze. Beispielsweise wird mittels des Verfahrens eine effiziente Repräsentation einer statischen Umgebung eines Fahrzeugs dadurch erzeugt, dass die Fahrzeugumgebung durch aktive Sensoren, beispielsweise Radar-, Ultraschall- oder Lidarsensoren, oder passive Sensoren, beispielsweise eine Kamera, erfasst wird. Dabei kann die Umgebungsrepräsentation zunächst von einer Sensorfusionseinheit mit Umgebungsrepräsentationen anderer Sensoren zu einer Gesamtrepräsentation der Fahrzeugumgebung vereint werden und anschließend für die zuvor genannten Zwecke benutzt werden. Mittels der Sensorfusionseinheit ermittelte Ergebnisse können beispielsweise von Steuereinheiten zum Betrieb des jeweiligen Fahrerassistenzsystems bzw. des Fahrzeugs diese zu einer Trajektorienplanung, Selbstlokalisierung und generell zum Lösen einer Fahraufgabe verwenden werden. Die dabei in die Repräsentation einfließenden Höheninformationen ermöglichen, dass Entscheidungen zu einer Über- oder Unterfahrbarkeit von Hindernissen getroffen werden können.The environment representation generated by the method can be used for (self-) localization, trajectory planning, obstacle avoidance, creation of maps of the environment, control of vehicle actuators and/or as a basis for further algorithms, such as classification into semantic classes, e.g. curb, vehicle , house etc., can be used. In particular, the present method generalizes to different road topologies and allows a faster reaction to changed vehicle environments than known approaches. For example, the method is used to generate an efficient representation of a static environment of a vehicle in that the vehicle environment is detected by active sensors, for example radar, ultrasonic or lidar sensors, or passive sensors, for example a camera. In this case, the environment representation can first be combined by a sensor fusion unit with environment representations from other sensors to form an overall representation of the vehicle environment and then used for the aforementioned purposes. Results determined by means of the sensor fusion unit can, for example, be used by control units for operating the respective driver assistance system or the Vehicle will use them for trajectory planning, self-localization and generally for solving a driving task. The height information that flows into the representation enables decisions to be made about whether obstacles can be driven over or under.
Zur Erzeugung der Umgebungsrepräsentation kann dabei in besonders vorteilhafter Weise ohne eine Verwendung von sehr speicherintensiven genannten Freiraumpunkten erfolgen.In this case, the environment representation can be generated in a particularly advantageous manner without using very memory-intensive free space points.
Weiterhin berücksichtigt das vorliegende Verfahren potenziell bewegliche Objekte in der Fahrzeugumgebung und vermeidet langanhaltende Fehler in einer Belegungskarte und ist unabhängig von einem gewählten Koordinatensystem, beispielsweise einem polaren, kartesischen oder beliebig krummlinigen Koordinatensystem, nutzbar.Furthermore, the present method takes into account potentially moving objects in the vehicle environment and avoids long-lasting errors in an occupancy map and can be used independently of a selected coordinate system, for example a polar, Cartesian or any curvilinear coordinate system.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.Exemplary embodiments of the invention are explained in more detail below with reference to drawings.
Dabei zeigen:
-
1 schematisch eine Belegungskarte mit einer Draufsicht eines Fahrzeugs und einer Fahrzeugumgebung, -
2 schematisch eine Belegungskarte mit einer Draufsicht eines Fahrzeugs und einer Fahrzeugumgebung, -
3 schematisch eine Belegungskarte mit einer Darstellung eines Fahrzeugs und einer Fahrzeugumgebung in einem Koordinatensystem mit Gitterzellen und Höheninformationen, -
4 schematisch eine Belegungskarte einer Szene eines Fahrzeugs in einer Fahrzeugumgebung mit Gitterzellen und Höheninformationen sowie ein Kamerabild der Szene, -
5 schematisch eine Belegungskarte einer weiteren Szene eines Fahrzeugs in einer Fahrzeugumgebung mit Gitterzellen und Höheninformationen sowie ein Kamerabild der Szene, -
6 schematisch eine Belegungskarte eines fokussierten Bereichs der Szene gemäß5 sowie das Kamerabild der Szene, -
7 schematisch eine Belegungskarte einer Draufsicht der Szene gemäß5 sowie das Kamerabild der Szene und -
8 schematisch eine Belegungskarte bei einer Ansicht der Szene gemäß5 aus einer Perspektive eines Fahrers des Fahrzeugs sowie das Kamerabild der Szene.
-
1 schematically an occupancy map with a top view of a vehicle and a vehicle environment, -
2 schematically an occupancy map with a top view of a vehicle and a vehicle environment, -
3 schematically an occupancy map with a representation of a vehicle and a vehicle environment in a coordinate system with grid cells and height information, -
4 schematically an occupancy map of a scene of a vehicle in a vehicle environment with grid cells and height information and a camera image of the scene, -
5 schematically an occupancy map of another scene of a vehicle in a vehicle environment with grid cells and height information and a camera image of the scene, -
6 schematically an occupancy map of a focused area of the scene according to FIG5 as well as the camera image of the scene, -
7 schematically an occupancy map according to a top view of the scene5 as well as the camera image of the scene and -
8th schematically an occupancy map in a view of the scene according to FIG5 from a perspective of a driver of the vehicle and the camera image of the scene.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.Corresponding parts are provided with the same reference symbols in all figures.
In
Für eine Perzeption der Fahrzeugumgebung sind Ansätze für eine Repräsentation einer statischen und einer dynamischen Fahrzeugumgebung erforderlich. Zu der statischen Fahrzeugumgebung werden vorliegend beispielsweise Bordsteine, Zäune, geparkte Fahrzeuge, insbesondere Personenkraftwagen, Lastkraftwagen, Busse, Fahrräder, Motorräder etc., Ampeln, Laternen, Leitplanken, Hauswände, Brücken, Tunnelwände, Tunneldecken, Gebäude etc. gezählt. Zur dynamischen Fahrzeugumgebung werden vorliegend beispielsweise bewegte Subjekte und/oder in den
Das im Folgenden beschriebene Verfahren ermittelt die Umgebungsrepräsentation für die statische Fahrzeugumgebung. Objekte O1 bis Oz der statischen Fahrzeugumgebung können potenziell dynamische Objekte O1 bis Oz sein, beispielsweise geparkte Fahrzeuge oder wartende Fahrzeuge an einer roten Verkehrsampel. Solange diese Objekte 01 bis Oz sich jedoch nicht bewegen, werden sie zur statischen Fahrzeugumgebung gezählt. Sobald sich diese Objekte O1 bis Oz bewegen, zählen sie dagegen zur dynamischen Fahrzeugumgebung.The method described below determines the environment representation for the static vehicle environment. Objects O1 to Oz of the static vehicle environment can potentially be dynamic objects O1 to Oz, for example parked vehicles or waiting vehicles at a red traffic light. However, as long as these objects 01 to 0z do not move, they are counted as part of the static vehicle environment. On the other hand, as soon as these objects O1 to Oz move, they belong to the dynamic vehicle environment.
Es sind allgemein so genannte und in den
Jede Gitterzelle G1 bis Gn der Belegungskarte BK entspricht dann einem kleinen Ausschnitt aus der realen Fahrzeugumgebung. Für jede Gitterzelle G1 bis Gn wird im einfachsten Fall eine Belegungswahrscheinlichkeit gespeichert, welche aus mittels Umgebungssensoren des Fahrzeugs 1 durchgeführten Messungen berechnet wird. In jedem Zeitschritt, in dem die Umgebungssensoren Messungen durchführen, werden Messpunkte zur Aktualisierung der Gitterzellen G1 bis Gn verwendet, welche in der Nachbarschaft des jeweiligen Messpunktes liegen. So entsteht eine zweidimensionale Repräsentation der Fahrzeugumgebung. Häufig werden dynamische Objekte O1 bis Oz nicht mit modelliert, so dass nur die statische Umgebung abgebildet wird.Each grid cell G1 to Gn of the occupancy map BK then corresponds to a small section of the real vehicle environment. In the simplest case, an occupancy probability is stored for each grid cell G1 to Gn, which is calculated from measurements carried out using environmental sensors of the
Dies zeigt beispielhaft die Darstellung gemäß
In
Das heißt, zusätzlich zu der einfachen Angabe, ob eine Gitterzelle G1 bis Gn belegt ist oder nicht, ist vorgesehen, auch eine Höheninformation HI1 bis Hlm zu modellieren. Diese ist insbesondere zur Realisierung automatisierter Fahrfunktion des Fahrzeugs 1 erforderlich, um eine Über- und Unterfahrbarkeit von Hindernissen zu ermitteln.In other words, in addition to simply specifying whether a grid cell G1 to Gn is occupied or not, there is also provision for modeling height information HI1 to Hlm. This is required in particular for the implementation of an automated driving function of the
Dabei wird zusätzlich zu einer Belegungswahrscheinlichkeit in jeder Gitterzelle G1 bis Gn als Höheninformation HI1 bis Hlm eine Anzahl von Verteilungsfunktionen, insbesondere Normalverteilungen, gespeichert.In addition to an occupancy probability, a number of distribution functions, in particular normal distributions, are stored in each grid cell G1 to Gn as height information HI1 to Hlm.
Es werden je Verteilungsfunktion drei Werte berechnet und gespeichert. Diese Werte umfassen einen Mittelwert, welcher eine mittlere Position der jeweiligen Verteilungsfunktion angibt, und eine Standardabweichung, welche eine Breite der jeweiligen Verteilungsfunktion angibt und mit der Höhe eines jeweiligen Objekts O1 bis Oz bzw. Hindernisses korrespondiert. Weiterhin umfassen die Werte eine Existenzwahrscheinlichkeit, welche angibt, wie sicher es ist, dass die Verteilungsfunktion tatsächlich existiert und nicht aufgrund von Geistermessungen entstanden ist.Three values are calculated and saved for each distribution function. These values include a mean value, which indicates a mean position of the respective distribution function, and a standard deviation, which indicates a width of the respective distribution function and corresponds to the height of a respective object O1 to Oz or obstacle. Furthermore, the values include an existence probability, which indicates how certain it is that the distribution function actually exists and did not arise due to ghost measurements.
Im Folgenden wird ein mögliches Ausführungsbeispiel eines Verfahrens zur Erzeugung einer Umgebungsrepräsentation für ein Fahrzeug 1 mit einer Erzeugung einer Belegungskarte BK mit Höheninformationen HI1 bis Hlm beschrieben.A possible exemplary embodiment of a method for generating an environment representation for a
Zunächst wird dabei gewählt, ob die Höheninformation HI1 bis Hlm in Abhängigkeit von der Längsachse x oder der Querachse y des Fahrzeugs 1 ermittelt werden soll. Die Ermittlung erfolgt dabei für beide Achsen in gleicher Weise. Die Belegungskarte BK ist dabei als regelmäßiges Gitter ausgebildet oder weist unterschiedliche Auflösungen, das heißt unterschiedliche Größen von Gitterzellen G1 bis Gn, auf.First, a selection is made as to whether the height information HI1 to Hlm is to be determined as a function of the longitudinal axis x or the transverse axis y of the
In Richtung der Hochachse z ist kein Gitter ausgebildet bzw. existieren keine Schichten.In the direction of the vertical axis z, no lattice is formed or there are no layers.
Die Verteilungsfunktionen sind nicht in Schichten sortiert, sondern durch Datenpunkte selbst definiert.The distribution functions are not sorted into layers, but are defined by the data points themselves.
Jede Gitterzelle G1 bis Gn weist eine Anzahl M an Gaußverteilungen als Elemente N gemäß
Diese Verteilungen geben eine Wahrscheinlichkeit für eine Höhenausdehnung von Objekten 01 bis Oz an, nicht eine Belegungswahrscheinlichkeit einer Gitterzelle G1 bis Gn.These distributions indicate a probability for a height extension of objects 01 to Oz, not an occupancy probability of a grid cell G1 to Gn.
Eine Anpassung der Belegungskarte BK aufgrund von Änderungen einer Höhenkoordinate des Fahrzeugs 1 ist nicht erforderlich, da die Verteilungsfunktionen in Sequenzkoordinaten parametriert sind und somit unabhängig von einer Höhenposition des Fahrzeugs 1 sind.An adaptation of the occupancy map BK due to changes in a height coordinate of the
Wie dargestellt, wird auf der horizontalen Achse des Koordinatensystems die Längsachse x oder die Querachse y dargestellt. Hierbei ist es egal, welche von beiden Achsen dargestellt wird, da beide gleichbehandelt werden. Vertikal verlaufende Linien markieren die einzelnen Gitterzellen G1 bis Gn, welche in der x-y-Ebene übliche zweidimensionale Gitterzellen G1 bis Gn sind. Jede der Gitterzellen G1 bis Gn enthält eine Reihe von Gaußverteilungen, welche die Verteilungsfunktionen von Höhenwerten, das heißt die Höheninformationen HI1 bis Hlm, innerhalb der einzelnen Gitterzellen G1 bis Gn modellieren. Die Anzahl M der Gaußverteilungen pro Gitterzelle G1 bis Gn ist ein einstellbarer Parameter, welcher beispielsweise auch entfernungsabhängig sein kann.As shown, the longitudinal axis x or the transverse axis y is represented on the horizontal axis of the coordinate system. It doesn't matter which of the two axes is displayed, since both are treated the same. Lines running vertically mark the individual grid cells G1 to Gn, which are the usual two-dimensional grid cells G1 to Gn in the x-y plane. Each of the grid cells G1 to Gn contains a series of Gaussian distributions which model the distribution functions of height values, ie the height information HI1 to Hlm, within the individual grid cells G1 to Gn. The number M of Gaussian distributions per grid cell G1 to Gn is an adjustable parameter, which can also be a function of the distance, for example.
Um neu detektierte Objekte O1 bis Oz in die Belegungskarte BK aufzunehmen, werden drei Schritte durchgeführt: Diese umfassen eine zweidimensionale Integration, einen Umgang mit einem Höhenwert in Richtung der Höhenachse z und eine Zusammenführung bzw. Verschmelzung der Verteilungen.In order to include newly detected objects O1 to Oz in the occupancy map BK, three steps are carried out: These include a two-dimensional integration, dealing with a height value in the direction of the height axis z and combining or merging the distributions.
Eine Position einer Detektion dj wird in Sequenzkoordinaten transformiert und ist gegeben durch Xseq, Yseq, Zseq.A position of detection d j is transformed into sequence coordinates and is given by X seq , Y seq , Z seq .
Die zweidimensionale Integration erfolgt nahezu identisch zur Erstellung einer zweidimensionalen Belegungskarte BK. Ausgehend von einer zweidimensionalen Position des Objekts 01 bis Oz, gegeben durch xseq und yseq, und einer zweidimensionalen Kovarianzmatrix Σx,y werden alle relevanten Gitterzellen G1 bis Gn in der zweidimensionalen Belegungskarte BK ausgewählt und ihr jeweiliges Wahrscheinlichkeitsverhältnis wird durch Integrieren einer zweidimensionalen Gauß-Verteilung, die bei xseq und yseq zentriert ist, mit der Kovarianzmatrix über die
Gitterzellen G1 bis Gn berechnet. Für jede dieser K Zellen, die für die aktuelle Detektion dj relevant sind, ergibt die Integration einen Wahrscheinlichkeitswert pn (n = 1, 2, ..., K).The two-dimensional integration is almost identical to the creation of a two-dimensional occupancy map BK. Starting from a two-dimensional position of the object 01 to Oz, given by x seq and y seq , and a two-dimensional covariance matrix Σ x,y , all relevant grid cells G1 to Gn in the two-dimensional occupancy map BK are selected and their respective likelihood ratio is calculated by integrating a two-dimensional Gaussian distribution centered at x seq and y seq with the covariance matrix over the
Grid cells G1 to Gn calculated. For each of these K cells that are relevant to the current detection d j , the integration yields a probability value p n (n=1, 2,...,K).
In dem Schritt, in welchem der Umgang mit dem Höhenwert in Richtung der Höhenachse z erfolgt, wird für jede dieser K Zellen der folgende Aktualisierungsschritt durchgeführt. Je nach Anzahl der vorhandenen Verteilungen innerhalb einer Gitterzelle G1 bis Gn und einer genauen Position der Detektion sind unterschiedliche Fälle zu unterscheiden.In the step in which the height value is handled in the direction of the height axis z, the following update step is carried out for each of these K cells. Depending on the number of existing distributions within a grid cell G1 to Gn and an exact position of the detection, different cases can be distinguished.
In einem ersten Fall existieren in der jeweiligen Gitterzelle G1 bis Gn keine Verteilungen oder der Höhenwert der Detektion in Richtung der Höhenachse z ist weit entfernt von allen Verteilungen. Dieser Fall kann definiert werden durch Nutzung von zseq der Detektion sowie µi, σi aller M-Verteilungen, beispielsweise mittels einer so genannten Mahalanobis-Distanz oder Ähnlichem.In a first case, no distributions exist in the respective grid cell G1 to Gn, or the height value of the detection in the direction of the height axis z is far removed from all distributions. This case can be defined by using z seq of the detection and µ i , σ i of all M-distributions, for example by means of a so-called Mahalanobis distance or the like.
In diesem Fall wird eine neue Verteilung erstellt:
Somit wird eine neue Gaußsche Verteilung mit dem Mittelwert zseq und der Standardabweichung σz,seq erstellt. Mittelwert und Standardabweichung werden somit nur von der Detektion selbst verwendet. Zu dieser Verteilung wird neben dem Mittelwert und der Standardabweichung auch der Wahrscheinlichkeitswert pn gespeichert. Anstelle des Wahrscheinlichkeitswerts pn können log-odds p̃ gespeichert werden. Log-odds, auch als Logit bezeichnet, werden in einer Umrechnung einer Wahrscheinlichkeit p (mit Werten zwischen 0 und 1) in eine logarithmische Skala über die Rechenvorschrift logodds=log(p/(1-p)) ermittelt. Es wird also der Logarithmus aus der Chance („Odds“) berechnet, wobei die Chance als p/(1-p) definiert ist.Thus, a new Gaussian distribution is created with mean z seq and standard deviation σ z,seq . Mean value and standard deviation are thus only used by the detection itself. In addition to the mean value and the standard deviation, the probability value p n is also stored for this distribution. Instead of the probability value p n log-odds p̃ can be stored. Log odds, also referred to as logit, are determined by converting a probability p (with values between 0 and 1) into a logarithmic scale using the calculation rule logodds=log(p/(1-p)). It calculates the logarithm of the odds (“odds”), where the odds are defined as p/(1-p).
In einem zweiten Fall befindet sich die Detektion nahe an zumindest einer existierenden Verteilung. Befindet sich die Detektion in der Nähe zumindest einer existierenden Verteilung, insbesondere mehreren Verteilungen, wird die Verteilung gewählt, welche den geringsten Abstand zur Detektion aufweist. Auch hier muss eine Metrik für den Abstand zwischen Detektion und Verteilung entwickelt werden. Beispielsweise kann der genannte Mahalanobis-Abstand, eine so genannte Bhattacharyya-Distanz oder die so genannte 3-Sigma-Range genutzt werden.In a second case, the detection is close to at least one existing distribution. If the detection is in the vicinity of at least one existing distribution, in particular a plurality of distributions, the distribution is selected which has the shortest distance to the detection. Again, a metric for the distance between detection and distribution needs to be developed. For example, the so-called Mahalanobis distance, a so-called Bhattacharyya distance or the so-called 3-sigma range can be used.
Die Aufgabe besteht nun darin, interne Parameter der Verteilung zu aktualisieren. Dabei wird angenommen, dass die Verteilung N mit den Parametern µi, σi und p̃ als die nächste Verteilung zur Detektion ausgewählt wurde. Die folgenden beiden Methoden berücksichtigen nicht die Standardabweichung der Detektion, sondern verwenden nur die gemessene z-Position für die Aktualisierung.The task now is to update internal parameters of the distribution. It is thereby assumed that the distribution N with the parameters μ i , σ i and p̃ was selected as the next distribution for detection. The following two methods do not take into account the standard deviation of detection, but only use the measured z-position for the update.
In einer ersten Methode wird eine Anzahl der Nachweise ni, die bisher zur Bildung der Verteilung verwendet wurde, zur Gewichtung eines neuen oder alten Mittelwerts und der Varianz verwendet gemäß:
In einer zweiten Methode werden anstatt der Verwendung der Anzahl der Detektion die log-odd-Werte als Gewichte verwendet. Außerdem werden die vom jeweiligen Umgebungssensor gemeldeten Standardabweichungen berücksichtigt.In a second method, instead of using the number of detections, the log-odd values are used as weights. The standard deviations reported by the respective environmental sensor are also taken into account.
Die Standardabweichungen von Detektionen geben Informationen vom Umgebungssensor über die Gewissheit, dass sich die Detektion wirklich an der gemeldeten z-Position befindet. Die Standardabweichungen der Verteilungen sind jedoch ein Maß für die Höhe eines Objekts O1 bis Oz, von dem die Detektionen stammen. Daher werden die Standardabweichung der Detektion und der Verteilung nicht vermischt. Das heißt, Interpretationen der Standardabweichungen sind stark unterschiedlich.The standard deviations of detections give information from the environment sensor about the certainty that the detection is really at the reported z-position. However, the standard deviations of the distributions are a measure of the height of an object O1 to Oz from which the detections originate. Therefore, the standard deviation of detection and distribution are not mixed. That is, interpretations of the standard deviations vary widely.
Um die Standardabweichung als weiteres Gewicht einer Detektion zu verwenden, wird davon ausgegangen, dass die Standardabweichung einer Detektion ein Maß für die Gewissheit angibt, dass sich die Detektion an der gemeldeten Position befindet. Eine Detektion mit einer geringen Standardabweichung, das heißt hohem Vertrauen, dass die gemeldete Position korrekt ist, wird daher mit einem höheren Einfluss auf die Verteilung behandelt als eine Erkennung mit hoher Standardabweichung. Würden nur die Belegungswerte zur Gewichtung verwendet, würden zwei Detektionen mit gleicher x/y/z-Position, aber sehr unterschiedlichen Standardabweichungen in z-Richtung, den Mittelwert der resultierenden Verteilung in gleicher Weise beeinflussen. Dies ist sicherlich nicht erwünscht, da ein größerer Einfluss derjenigen Detektion gewünscht ist, die geringe Standardabweichungen aufweisen. Anstatt beispielsweise die Zusammenführung zwischen Erkennung und Verteilung einfach mit den aus den Belegungswerten konstruierten Gewichten durchzuführen, können als Gewichte beispielsweise folgende Werte verwendet werden:
Dabei ist σ̂z die transformierte Standardabweichung für die Detektion in Richtung zseq. In einem Aktualisierungsschritt werden die Gewichte wie folgt verwendet:
Dabei muss auf eine Aktualisierungs-Reihenfolge geachtet werden. Es wird angenommen, dass mehrere Detektionen in derselben Gitterzelle G1 bis Gn existieren. In diesem Zusammenhang können verschiedene Strategien angewendet werden, um die Verteilungen zu aktualisieren.An update sequence must be observed. It is assumed that multiple detections exist in the same grid cell G1 to Gn. In this context, different strategies can be applied to update the distributions.
Beispielsweise kann über alle Detektionen iteriert werden und die Verteilungen werden sofort aktualisiert. Dies impliziert, dass eine zweite Detektion gegen andere Verteilungen als die erste geprüft wird. Die Reihenfolge, in der die Detektionen eingefügt werden, spielt hier eine Rolle und kann das Ergebnis verändern. Dies ist jedoch nicht erwünscht.For example, all detections can be iterated over and the distributions are updated immediately. This implies that a second detection is checked against different distributions than the first. The order in which the detections are inserted plays a role here and can change the result. However, this is not desired.
Um deterministische Ergebnisse zu erhalten, die nicht von der Reihenfolge der Einfügungen abhängen sollten, wird zunächst über alle Erkennungen iteriert und dann ermittelt, welche Detektionen zu einer Verteilung zusammengeführt werden, die auf alten Parametern der Verteilung basiert. Danach wird die Aktualisierung durchgeführt. Eine Sortierreihenfolge der Detektionen spielt hier keine Rolle, um zu bestimmen, welche Detektionen zusammengeführt werden. Es kann jedoch sein, dass Detektionen, die zuerst für eine Zusammenführung verworfen wurden, jetzt für eine Zusammenführung mit der aktualisierten Verteilung geeignet wären. Dabei spielt keine Rolle, ob zuerst eine erste Detektion die Verteilung aktualisiert und dann eine zweite Detektion verwendet wird, um die neue Verteilung zu aktualisieren oder umgekehrt. Die resultierenden mittleren Abweichungen und Standardabweichungen sind gleich.In order to obtain deterministic results that should not depend on the order of insertions, it is first iterated over all detections and then it is determined which detections are merged into a distribution based on old parameters of the distribution. After that, the update is carried out. A sorting order of the detections does not matter here to determine which detections are merged. However, it may be that detections that were initially discarded for merging would now be eligible for merging with the updated distribution. It does not matter whether a first detection is first used to update the distribution and then a second detection is used to update the new distribution, or vice versa. The resulting mean and standard deviations are the same.
Diese Strategie kann vorteilhafter sein, um konsistente Ergebnisse zu erzielen. Eine rekursive Aktualisierung, um Detektionen zusammenzuführen, die im ersten Schritt nicht berücksichtigt wurden, kann dagegen zu einer schwierigen Schätzung eines Worst-Case-Verhaltens führen.This strategy may be more beneficial for getting consistent results. On the other hand, a recursive update to merge detections that were not considered in the first step can lead to a difficult estimation of a worst-case behavior.
In einem dritten Fall sind alle Verteilungen in Verwendung und die Detektion gehört zu keiner von diesen.In a third case, all distributions are in use and the detection does not belong to any of them.
Wenn bereits alle M Verteilungen verwendet werden und die neue Detektion zu keiner dieser gehört, gibt es zwei Möglichkeiten. Gemäß einer ersten Möglichkeit ist die neue Detektion in z-Richtung näher am Fahrzeug 1 als irgendeine andere Verteilung. Diese Detektion wird dann als relevanter angesehen und daher als Grundlage einer neuen Verteilung ausgewählt. Die am weitesten von zego entfernte Verteilung wird entfernt, um Platz für die neue zu schaffen. In einer zweiten Möglichkeit ist eine zweite Detektion weit entfernt von allen Verteilungen und auch weiter entfernt vom Fahrzeug 1 als alle existierenden Verteilungen. Die Detektion wird dann verworfen. In Szenarien mit großen Änderungen einer Straßenneigung, beispielsweise bergauf oder bergab, können weitere Methoden verwendet werden.If all M distributions are already in use and the new detection does not belong to any of them, there are two possibilities. According to a first possibility, the new detection is closer to the
Nachdem eine Verteilung innerhalb einer Gitterzelle G1 bis Gn aktualisiert wurde, kann die Zusammenführung bzw. Verschmelzung der Verteilungen stattfinden. Sind beispielsweise zwei Verteilungen aufgrund des Einfügens der neuen Detektion näher zusammengerückt und liegen sehr eng beieinander, dann können diese zu einer gemeinsamen Gauß-Verteilung zusammengeführt werden. Auch hierbei kann das Zusammenführen unter Verwendung der Log-Odds zur Gewichtung erfolgen. Zur Definition der Distanz zwischen zwei sehr eng beieinanderliegenden Verteilungen bedarf es einer mathematischen Definition, beispielsweise durch Verwendung der Bhattacharyya-Distanz.After a distribution has been updated within a grid cell G1 to Gn, the merging of the distributions can take place. If, for example, two distributions have moved closer together due to the insertion of the new detection and are very close together, then they can be combined to form a common Gaussian distribution. Again, the merging can be done using the log odds for weighting. To define the distance between two very closely spaced distributions, one is required mathematical definition, for example by using the Bhattacharyya distance.
Das Zusammenführen bzw. Verschmelzen erfolgt beispielsweise gemäß:
Weiterhin ist auch eine Aufteilung von Verteilungen in jeweils zwei Verteilungen mit einer kleineren Standardabweichung möglich, wenn die Standardabweichung von einer der Verteilungen einen vorgegebenen Grenzwert überschreitet.Furthermore, distributions can also be divided into two distributions each with a smaller standard deviation if the standard deviation of one of the distributions exceeds a predetermined limit value.
Nachdem die Verteilungen erstellt und gegebenenfalls aktualisiert wurden, werden Höhenwerte für jede Verteilung extrahiert. Hierzu wird berücksichtigt, wie die Standardabweichung der Verteilungen und die Höhe der wahren Objekte O1 bis Oz zusammenhängen. Hierbei ist es insbesondere so, dass es nicht nur einen konstanten Faktor gibt, welcher die Standardabweichung und die Höhewerte verknüpft. Beispielsweise ist es möglich, dass für kleinere Objekte O1 bis Oz ein anderer Faktor verwendet wird als für größere. Das heißt, für Verteilungen mit kleinerer Standardabweichung wird im Vergleich zu Verteilungen mit größerer Standardabweichung ein kleinerer Faktor verwendet, um eine wahre Höhe des Objekts O1 bis Oz zu berechnen. Allerdings beeinflussen die gemeldeten Standardabweichungswerte für die Detektionen selbst die Verteilungen, zumindest über die Gewichte, so dass gegebenenfalls auch eine Abstandsabhängigkeit integriert werden muss.After the distributions are created and updated if necessary, elevation values are extracted for each distribution. For this purpose, it is taken into account how the standard deviation of the distributions and the height of the true objects O1 to Oz are related. In particular, there is not just one constant factor that links the standard deviation and the height values. For example, it is possible that a different factor is used for smaller objects O1 to Oz than for larger ones. That is, for distributions with smaller standard deviation, a smaller factor is used to calculate a true height of the object O1 to Oz compared to distributions with larger standard deviation. However, the reported standard deviation values for the detections themselves influence the distributions, at least via the weights, so that a distance dependency may also have to be integrated.
Wenn ein Fading verwendet werden soll, dann können die gespeicherten ρ̃-Werte jeder Gauß-Funktion verringert werden. Dies hat den gleichen Effekt wie die Reduktion der Log-Odds in einer normalen zweidimensionalen Belegungskarte BK.If fading is to be used, then the stored ρ̃ values of each Gaussian can be reduced. This has the same effect as reducing the log-odds in a normal two-dimensional occupancy map BK.
Eine Gesamtbelegung einer Gitterzelle G1 bis Gn ergibt sich gemäß
Auch hier ist M die Anzahl der (aktiven) Verteilungen in der Gitterzelle G1 bis Gn. Dies bietet eine direkte Möglichkeit, ein Höhenraster in ein einfaches Belegungsraster zu komprimieren. Hier wird für jede Gitterzelle G1 bis Gn p̂ berechnet und als Belegungswert der Gitterzelle G1 bis Gn gemeldet. Dieser Wert ist identisch mit dem Fall, in dem die Höhe überhaupt nicht berücksichtigt wurde, das heißt identisch mit einer standardmäßigen zweidimensionalen Belegungskarte BK mit denselben Daten und vernachlässigter z-Komponente.Here, too, M is the number of (active) distributions in the grid cell G1 to Gn. This provides a direct way to compress an elevation raster into a simple occupancy raster. Here p̂ is calculated for each grid cell G1 to Gn and reported as the occupancy value of the grid cell G1 to Gn. This value is identical to the case where height is not taken into account at all, i.e. identical to a standard two-dimensional occupancy map BK with the same data and neglected z-component.
Für jede Gitterzelle G1 bis Gn werden die Gauß-Verteilungen gespeichert. Jede Gauß-Verteilung hat dabei drei Parameter. Die Parameter sind ein Mittelwert, eine Varianz sowie die Anzahl der Detektionen oder der Belegungen. Wenn die Belegung zur Gewichtung und Aktualisierung verwendet wird, wird keine separate zweidimensionale Belegungsschicht benötigt. Somit werden N verschiedene Werte gespeichert. N ergibt sich dabei gemäß
Dabei sind Nx und Ny eine jeweilige Anzahl der Gitterzellen G1 bis Gn in Richtung der Längsachse x bzw. in Richtung der Querachse y.In this case, N x and N y are a respective number of grid cells G1 to Gn in the direction of the longitudinal axis x and in the direction of the transverse axis y.
Das zuvor beschriebene Verfahren ermöglicht eine Reduktion des Speicherbedarfs, da im Gegensatz zu aus dem Stand der Technik bekannten Verfahren auf Freiraumzellen verzichtet werden kann. Weiterhin stammen in dem vorliegenden Verfahren im Gegensatz zu bekannten Verfahren Logits aus der Integration in x, y-Richtung. Dadurch wird die x, y-Position einer Detektion in einen Aktualisierungsschritt einer Gitterzelle G1 bis Gn aufgenommen. Eine Detektion hat somit ein höheres Gewicht, wenn sie nahe an der Gitterzelle G1 bis Gn liegt, in welcher gerade die Verteilungen aktualisiert werden, und ein geringeres Gewicht, wenn sie weiter entfernt liegt.The method described above makes it possible to reduce the memory requirement since, in contrast to the methods known from the prior art, free space cells can be dispensed with. Furthermore, in the present method, in contrast to known methods, logits originate from the integration in the x, y direction. As a result, the x,y position of a detection is included in an update step of a grid cell G1 to Gn. A detection thus has a higher weight when it is close to the grid cell G1 to Gn in which the distributions are being updated, and a lower weight when it is further away.
Zusätzlich wird auch die Messunsicherheit der Detektion in die Berechnung einbezogen. Weiterhin wird durch das Verfahren sichergestellt, dass Messunsicherheiten der Detektionen korrekt berücksichtigt werden und sich die Standardabweichung der Verteilung der tatsächlichen Ausdehnung der Objekte O1 bis Oz annähert. Auch wird mit der Bhattacharyya-Distanz ein geeignetes Maß zur Entscheidung verwendet, welche Verteilungen innerhalb einer Gitterzelle G1 bis Gn durch einen neuen Messpunkt, das heißt eine neue Detektion, aktualisiert wird.In addition, the measurement uncertainty of the detection is included in the calculation. Furthermore, the method ensures that measurement uncertainties of the detections are correctly taken into account and that the standard deviation of the distribution approximates the actual extent of the objects O1 to Oz. With the Bhattacharyya distance, a suitable measure is also used to decide which distributions within a grid cell G1 to Gn are updated by a new measurement point, ie a new detection.
Ferner wird durch das Fading in jedem Zeitschritt eine Existenzwahrscheinlichkeit einer Verteilung reduziert. Dies hat drei positive Effekte/Einsatzgebiete:
- - Verteilungen, die durch falsche Messpunkte erzeugt wurden, werden in nachfolgenden Schritten automatisch weniger gewichtet, da ihre Existenzwahrscheinlichkeit reduziert wird.
- - Erscheint eine Gitterzelle G1 bis Gn als belegt, das heißt enthält sie mindestens eine Verteilung mit hoher Existenzwahrscheinlichkeit, und ist diese Belegung durch ein potenziell bewegtes Objekt O1 bis Oz entstanden, beispielsweise durch ein stehendes Auto, und beginnt sich das Objekt O1 bis Oz zu bewegen, so sollte die Existenzwahrscheinlichkeit der passenden Verteilungsfunktion reduziert werden. Durch adaptives Fading kann die Existenzwahrscheinlichkeit von denjenigen Verteilungsfunktionen reduziert werden, welche in Gitterzellen G1 bis Gn liegen, in denen auch ein dynamisches Objekt O1 bis Oz gemessen wird. Beispielsweise kann mit einem Radarsensor oder einem so genannten FMCW-Lidar nicht nur die Position, sondern auch eine Dopplergeschwindigkeit, das heißt eine radiale Geschwindigkeit, eines Objekts O1 bis Oz gemessen werden. Somit kann in denjenigen Gitterzellen G1 bis Gn, in denen eine Detektion mit einen Schwellwert übersteigenden Dopplergeschwindigkeit gemessen wurde, die Existenzwahrscheinlichkeit der passenden Verteilungsfunktion stärker reduziert werden als in Gitterzellen G1 bis Gn, in denen keine dynamische Detektion gemessen wurde. Alternativ können auch Informationen aus einem System zum Tracken von dynamischen Objekten O1 bis Oz genutzt werden, um an den Orten, wo sich laut dem anderen System dynamische Objekte 01 bis Oz befinden, die Existenzwahrscheinlichkeiten zu reduzieren.
- - Das Fading kann adaptiv an die Fahrsituation angepasst werden. Gibt es beispielsweise starke Änderungen im Neigungswinkel, so können gezielt Existenzwahrscheinlichkeiten von denjenigen Verteilungen reduziert werden, welche basierend auf dem aktuellen Neigungswinkel weit oberhalb oder weit unterhalb des Fahrzeugs 1 liegen.
- - Distributions that were generated by incorrect measurement points are automatically weighted less in subsequent steps because their probability of existence is reduced.
- - If a grid cell G1 to Gn appears to be occupied, i.e. it contains at least one distribution with a high probability of existence, and this occupancy is caused by a potentially moving object O1 to Oz, for example a stationary car, and the object O1 to Oz begins to move move, the probability of existence of the appropriate distribution function should be reduced. Adaptive fading can reduce the probability of existence of those distribution functions that lie in grid cells G1 to Gn in which a dynamic object O1 to Oz is also measured. For example, not only the position but also a Doppler speed, ie a radial speed, of an object O1 to Oz can be measured with a radar sensor or a so-called FMCW lidar. Thus, in those grid cells G1 to Gn in which a detection with a Doppler velocity exceeding a threshold value was measured, the probability of existence of the appropriate distribution function can be reduced more than in grid cells G1 to Gn in which no dynamic detection was measured. Alternatively, information from one system for tracking dynamic objects O1 to Oz can also be used in order to reduce the existence probabilities at the locations where dynamic objects 01 to Oz are located according to the other system.
- - The fading can be adapted to the driving situation. If, for example, there are major changes in the angle of inclination, the probability of existence of those distributions that are far above or far below
vehicle 1 based on the current angle of inclination can be reduced in a targeted manner.
Durch das Fading können bereits existierende Verteilungen wieder „frei“ werden. Dies ist beispielsweise dann der Fall, wenn die Existenzwahrscheinlichkeit einen Schwellwert unterschreitet, so dass im nächsten Zyklus der Speicherbereich dieser Verteilungsfunktion zur Erzeugung einer neuen Verteilungsfunktion von neuen Messpunkten genutzt werden kann. Auch ist durch die Verwendung von Fading keine Verwendung von Freiraumpunkten erforderlich.Already existing distributions can become “free” again through fading. This is the case, for example, when the probability of existence falls below a threshold value, so that in the next cycle the memory area of this distribution function can be used to generate a new distribution function from new measurement points. Also, by using fading, no use of free space points is required.
Auch ermöglicht das Verfahren, dass keine Einschränkung auf ein kartesisches Koordinatensystem erforderlich ist.The method also means that there is no need to be restricted to a Cartesian coordinate system.
Auch kann eine aktuelle Fahrzeugpose in Abhängigkeit einer Straßentopologie mit in den Aktualisierungsschritt aufgenommen werden. Dabei wird unter Einbeziehung des Neigungswinkels überprüft, welche der existierenden Verteilungen zukünftig noch relevant sind. Es werden diejenigen Verteilungen als weniger relevant eingestuft, die basierend auf der aktuellen Straßenneigung zukünftig einen höheren Abstand zum Fahrzeug 1 aufweisen werden. Die Verteilung mit dem höchsten Abstand wird dann durch eine neue Verteilung überschrieben, welche aus einem neuen Messpunkt erzeugt wurde. Dies geschieht insbesondere nur dann, wenn der neue Messpunkt auch näher am Fahrzeug 1 liegt, als die dann überschriebene Verteilungsfunktion. Als Variation könnte auch hochgenaues Kartenmaterial genutzt werden, um den zukünftigen Straßenverlauf zu schätzen und somit die Entscheidung über die Relevanz der Verteilungen robuster zu machen. Somit wird vermieden, dass Bereiche als belegt gekennzeichnet werden, welche eigentlich nur durch zwei Hindernisse eingerahmt werden, wie beispielsweise durch einen Bordstein auf dem Boden unter einer Brücke darüber. Dies wird auch dann vermieden, wenn eine neue Messung eintrifft und nicht zu den vorhandenen Verteilungen passt, wie beispielsweise bei einem Fußgänger auf der Brücke.A current vehicle pose depending on a road topology can also be included in the update step. In doing so, taking into account the angle of inclination, it is checked which of the existing distributions are still relevant in the future. Those distributions are classified as less relevant which, based on the current road gradient, will be at a greater distance from
Auch kann eine Möglichkeit vorgesehen sein, um eine sehr breite Verteilungsfunktion in zwei Verteilungsfunktionen mit kleinerer Standardabweichung aufzuteilen. Dies kann beispielsweise dann nützlich sein, wenn zwei Objekte O1 bis Oz in unterschiedlicher Höhe existieren, zwei Verteilungsfunktionen initial zur Beschreibung der
Objekte O1 bis Oz erzeugt werden und diese durch falsche oder ungenaue Messungen in einem Zyklus zu einer großen Verteilung verbunden werden. Solche Objekte O1 bis Oz können beispielsweise Bordsteine nahe dem Boden und eine Brücke in 5 m Höhe sein. A possibility can also be provided for dividing a very broad distribution function into two distribution functions with a smaller standard deviation. This can be useful, for example, when two objects O1 to Oz exist at different heights, two distribution functions initially to describe the
Objects O1 to Oz are generated and these are connected to a large distribution by incorrect or inaccurate measurements in one cycle. Such objects O1 to Oz can be, for example, curbs close to the ground and a bridge at a height of 5 m.
Um zu vermeiden, dass dieser Fehler später nicht korrigiert werden kann, wird ein Zusammenführen von Verteilungen nicht ermöglicht oder Verteilungen mit einer gewissen Breite werden nach einigen Zyklen aufgetrennt.To avoid that this error cannot be corrected later, merging of distributions is not allowed or distributions with a certain width are split after a few cycles.
Weiterhin ermöglicht das Verfahren, ein Gitter zu verwenden, in dem die
Gitterzellen G1 bis Gn je nach Fahrsituation unterschiedlich groß sind. So könnte in größerer Entfernung eine größere Zellgröße verwendet werden, die Zellgröße an eine Geschwindigkeit des Fahrzeugs 1 angepasst werden und/oder die Zellgröße an sonstige Fahrmanöver, beispielsweise Kurvenfahrten, adaptiv angepasst werden. Anders als bei einer Verwendung einer zweidimensionalen Belegungskarte BK wird hier das zweidimensionale Gitter inklusive der Verteilungsfunktionen angepasst. Beispielsweise kann eine unterschiedliche Anzahl M an Verteilungen pro Gitterzelle G1 bis Gn je nach Entfernungsbereich, Geschwindigkeit, etc. verwendet werden.Furthermore, the method makes it possible to use a grid in which the
Grid cells G1 to Gn are of different sizes depending on the driving situation. A larger cell size could be used at a greater distance, the cell size could be adapted to a speed of
Auch erlaubt das Verfahren, dass eine Position des Fahrzeugs 1 nicht in der Mitte der Belegungskarte BK liegen muss. Denkbar ist, dass die Position des Fahrzeugs 1 je nach Geschwindigkeit weiter an den Rand der Belegungskarte BK bewegt wird. Somit liegt das Fahrzeug 1 für geringe Geschwindigkeiten in der Mitte der Belegungskarte BK, für hohe Geschwindigkeiten jedoch nahe am unteren Rand der Belegungskarte BK, so dass ein möglichst großer Bereich in Fahrrichtung abgedeckt wird.The method also allows a position of the
In
Die
Dabei zeigt
Auch in den
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 102019203274 B3 [0002]DE 102019203274 B3 [0002]
- DE 102013210263 A1 [0003]DE 102013210263 A1 [0003]
Claims (3)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022000849.1A DE102022000849A1 (en) | 2022-03-11 | 2022-03-11 | Method for generating an environment representation for a vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022000849.1A DE102022000849A1 (en) | 2022-03-11 | 2022-03-11 | Method for generating an environment representation for a vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022000849A1 true DE102022000849A1 (en) | 2022-07-14 |
Family
ID=82116547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022000849.1A Pending DE102022000849A1 (en) | 2022-03-11 | 2022-03-11 | Method for generating an environment representation for a vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022000849A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022206144A1 (en) | 2022-06-20 | 2023-12-21 | Continental Autonomous Mobility Germany GmbH | Method for locating a vehicle, sensor device, vehicle and computer program product |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013210263A1 (en) | 2013-06-03 | 2014-12-04 | Robert Bosch Gmbh | Occupancy card for a vehicle |
DE102019203274B3 (en) | 2019-03-11 | 2020-07-09 | Zf Friedrichshafen Ag | Computer-implemented method for creating an environment model for an automated vehicle, control unit and computer program product for automated control of a vehicle and control system for a vehicle |
-
2022
- 2022-03-11 DE DE102022000849.1A patent/DE102022000849A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013210263A1 (en) | 2013-06-03 | 2014-12-04 | Robert Bosch Gmbh | Occupancy card for a vehicle |
DE102019203274B3 (en) | 2019-03-11 | 2020-07-09 | Zf Friedrichshafen Ag | Computer-implemented method for creating an environment model for an automated vehicle, control unit and computer program product for automated control of a vehicle and control system for a vehicle |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022206144A1 (en) | 2022-06-20 | 2023-12-21 | Continental Autonomous Mobility Germany GmbH | Method for locating a vehicle, sensor device, vehicle and computer program product |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102009006113B4 (en) | Device and method for sensor fusion with dynamic objects | |
DE102010006828B4 (en) | Method for the automatic creation of a model of the surroundings of a vehicle as well as driver assistance system and vehicle | |
EP3695244B1 (en) | Method and device for creating an inverse sensor model and method for detecting obstacles | |
EP3298537B1 (en) | Method for ascertaining a description of a lane | |
WO2013029722A2 (en) | Method for representing surroundings | |
EP3627386A1 (en) | Method and device for providing an image of the vicinity of a mobile device and motor vehicle comprising such a device | |
EP3142913B1 (en) | Surroundings map for driving surface with any height profil | |
DE102019119204A1 (en) | Assistance control system | |
DE102018117660A1 (en) | METHOD AND SYSTEM FOR DETERMINING A POSITION OF A VEHICLE | |
WO2018019454A1 (en) | Method and device for determining a roadway model for the surroundings of a vehicle | |
DE102019216206A1 (en) | Device and method for determining a U-turn strategy of an autonomous vehicle | |
DE102021124810A1 (en) | NEURAL VEHICLE NETWORK | |
DE102021113651B3 (en) | System for sensor data fusion for environmental perception | |
DE102022000849A1 (en) | Method for generating an environment representation for a vehicle | |
DE102019101405A1 (en) | Method for evaluating position information of a landmark in the surroundings of a motor vehicle, evaluation system, driver assistance system and motor vehicle | |
DE102019201930A1 (en) | Method for generating an environment model | |
DE112022002046T5 (en) | DRIVING DEVICE, VEHICLE AND METHOD FOR AUTOMATED DRIVING AND/OR ASSISTED DRIVING | |
DE102020129451A1 (en) | Method for predicting driving interventions, method for training an algorithm and motor vehicle | |
DE102006051091B4 (en) | Method for object recognition in vehicles by means of close-range detection | |
WO2020001690A1 (en) | Method and system for identifying obstacles | |
DE102020200876A1 (en) | Method for processing sensor data from a sensor system of a vehicle | |
DE102019213403A1 (en) | Method for the sensor-based localization of a host vehicle, host vehicle and a computer program | |
DE102012008780A1 (en) | Method for detecting lane edge i.e. unlabelled lane edge, for creating track model for motor car, involves determining vanishing point in actual image utilizing dominant orientations, where point is utilized for creation of track model | |
EP3671125B1 (en) | Position determining system and method for operating a position determining system for a mobile unit | |
DE102021133977A1 (en) | Method and system for classifying virtual test scenarios and training methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R083 | Amendment of/additions to inventor(s) | ||
R230 | Request for early publication | ||
R012 | Request for examination validly filed |