DE102022001568B3 - Verfahren zur Modellierung von Fahrspurbegrenzungen - Google Patents
Verfahren zur Modellierung von Fahrspurbegrenzungen Download PDFInfo
- Publication number
- DE102022001568B3 DE102022001568B3 DE102022001568.4A DE102022001568A DE102022001568B3 DE 102022001568 B3 DE102022001568 B3 DE 102022001568B3 DE 102022001568 A DE102022001568 A DE 102022001568A DE 102022001568 B3 DE102022001568 B3 DE 102022001568B3
- Authority
- DE
- Germany
- Prior art keywords
- lane
- lane boundaries
- boundaries
- modeling
- probability density
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Modellierung von Fahrspurbegrenzungen (B1, B2). Erfindungsgemäß wird ein lateraler Querschnitt (Q) einer Fahrspur (FS) als Definitionsbereich für eine Wahrscheinlichkeitsdichtefunktion (f(P)) verwendet. Die Wahrscheinlichkeitsdichtefunktion (f(P)) wird in Abhängigkeit von einer jeweiligen Verfügbarkeit der Fahrspurbegrenzungen (B1, B2), von einem jeweiligen Markierungstyp der Fahrspurbegrenzungen (B1, B2), von einem Auftreten von überlappenden Fahrspuren (FS), von einem Szenario auf der Fahrspur (FS) und/oder in deren Umgebung, von einer Komplexität einer Topologie und/oder einer Qualität der jeweiligen Fahrspurbegrenzungen (B1, B2) modelliert, wobei anhand der Wahrscheinlichkeitsdichtefunktion (f(P)) die Fahrspurbegrenzungen(B1, B2) probabilistisch modelliert werden.
Description
- Die Erfindung betrifft ein Verfahren zur Modellierung von Fahrspurbegrenzungen in einer digitalen Straßenkarte.
- Für einen automatisierten und hochautomatisierten, beispielsweise autonomen Fahrbetrieb sind hochgenaue digitale Straßenkarten erforderlich, deren Inhalte korrekt und aktuell sind. Für Anwendungsfälle mit einem Level 2+ der Norm SAE J3016 erfordern solche digitalen Straßenkarten eine fahrspurgenaue Modellierung einer Topologie. Diese Fahrspuren sind mittels geometrischer Fahrspurbegrenzungen lateral begrenzt.
- Aus dem Stand der Technik sind Verfahren bekannt, welche digitale Straßenkarten mit volldeterministischen Attributen definieren. Auch die Fahrspurbegrenzungen sind klassischerweise als eine zweidimensionale Geometrie modelliert, beispielsweise als Polylinie, Polygonzug oder Spline. Dabei sind geometrische Abbildungen fest in der digitalen Straßenkarte eingetragen. Für ein den automatisierten oder hochautomatisierten Fahrbetrieb ausführendes System ergibt sich eine binäre Fallunterscheidung, in welcher eine Koordinate deterministisch entweder innerhalb der Fahrspur ist oder nicht.
- Aus der
DE 10 2014 223 259 B4 ist ein Verfahren zum Schätzen des Fahrstreifenverlaufs einer Fahrbahn aus von einem Umfeldsensor aufgenommenen Umfelddaten vor einem Fahrzeug mit folgenden Verfahrensschritten bekannt: - a) Bestimmen der Fahrbahnbreite der Fahrbahn vor dem Fahrzeug aus den mittels eines Radarsensors aufgenommen Umfelddaten, wobei die Fahrbahnbreite der Fahrbahn aus dem Intensitätsverlauf der reflektierten Radarstrahlen ermittelt wird,
- b) Erstellen einer Hypothese über eine Anzahl von Fahrstreifen aus
- - der mit Verfahrensschritt a) ermittelten Fahrbahnbreite und
- - der Detektion der anderen Verkehrsteilnehmer auf der Fahrbahn hinsichtlich ihres Bewegungsverhaltens und
- - aus einer Information einer digitalen Karte und
- - aus einer Verkehrszeichenerkennung,
- c) Ermitteln eines Wahrscheinlichkeitsmodells für eine Lage der Fahrstreifenmitte der Fahrstreifen auf der Basis der Hypothese über die Anzahl der Fahrstreifen, und
- d) Bestimmen eines Werts mittels des Wahrscheinlichkeitsmodells mit dem größten Wahrscheinlichkeitswert als Lage der Fahrstreifenmitte der Fahrstreifen.
-
US 9 063 548 B1 - Die
WO 2018 219 522 A1 undUS 2016/0167582 A1 beschreiben eine probabilistische Schätzung von Spurverläufen aus Befahrungen, wobei als Ergebnis deterministische Parameter zur Beschreibung von Fahrspuren oder einer Spurbreite genutzt wird. - Die
EP 3 106 836 A1 beschreibt eine Anpassung von Straßenbegrenzungen unter Berücksichtigung einer Unsicherheit einer Fahrzeugmessung, wobei das Ergebnis eine deterministische Geometrie ist. -
US 2016/0098496 A1 beschreibt eine Ableitung von topologischen Spurverknüpfungen in Kreuzungen aus Trajektorien. -
WO 2021 160 319 A1 beschreibt ein Verfahren zur Aktualisierung von digitalen Straßenkarten, bei welchem ein geometrischer Beschreibungswert aus einer statistischen Verteilung berechnet wird. - Weiterhin beschreibt "Huang et al.: A Scalable Lane Detection Algorithm on COTSs with OpenCL. Design, Automation & Test in Europe Conference & Exhibition (DATE), 2016, 229-232" ein Verfahren zur Fahrspurerkennung mittels eines partikelfilterbasierten Spurerkennungsalgorithmus.
- "Revilloud et al.: A lane marker estimation method for improving lane detection. IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), 2016, 289-295" beschreibt einen Erkennungs- und Schätzalgorithmus für Fahrspurmarkierungen. Hierbei wird zunächst ein Bereich einer Fahrspurmarkierung unter Verwendung eines Profils einer Fahrspurschätzung in einer Konfidenzkarte ermittelt. Danach wird ein Anpassungsverfahren angewendet, um eine Genauigkeit der Spurmarkierungserkennung zu erhöhen.
- Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Modellierung von Fahrspurbegrenzungen in einer digitalen Straßenkarte anzugeben.
- Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die im Anspruch 1 angegebenen Merkmale aufweist.
- In dem Verfahren zur Modellierung von Fahrspurbegrenzungen wird erfindungsgemäß ein lateraler Querschnitt einer Fahrspur als Definitionsbereich für eine Wahrscheinlichkeitsdichtefunktion verwendet. Die Wahrscheinlichkeitsdichtefunktion wird in Abhängigkeit von einer jeweiligen Verfügbarkeit der Fahrspurbegrenzungen, von einem jeweiligen Markierungstyp der Fahrspurbegrenzungen, von einem Auftreten von überlappenden Fahrspuren, von einem Szenario auf der Fahrspur und/oder in deren Umgebung, von einer Komplexität einer Topologie und/oder einer Qualität der jeweiligen Fahrspurbegrenzungen modelliert. Anhand der Wahrscheinlichkeitsdichtefunktion werden die Fahrspurbegrenzungen probabilistisch modelliert.
- Das vorliegende Verfahren ermöglicht in besonders vorteilhafter Weise eine sinnvolle Modellierung überlappender Fahrspuren. Dabei erlaubt die digitale Straßenkarte zu jeder Zeit eine probabilistische Auskunft zu einer Fahrspur-Zuordnung. Beispielsweise kann eine Maximum-Likelihood-Estimation durchgeführt werden, um den besten Schätzer für die Zuordnung zu berechnen. Außerdem sind mehrere Zuordnungen mit unterschiedlich hohen Wahrscheinlichkeiten möglich, um verschiedene Möglichkeiten abzubilden.
- Weiterhin ermöglicht das vorliegende Verfahren eine sinnvolle Modellierung realer Situationen, in denen Fahrspurbegrenzungsmarkierungen fehlen oder uneindeutig sind. Hierbei ist es nicht nötig, eine pseudo-deterministische Fahrspurbegrenzung anzunehmen, die die Realität nicht sinnvoll abbilden würde.
- Die in dem Verfahren durchgeführte probabilistische Modellierung beinhaltet in vorteilhafter Weise eine deterministische Modellierung als so genanntes Subset, so dass prinzipiell keine Modellierungsmöglichkeiten verloren gehen. Beispielsweise lassen sich mittels des Verfahrens deterministische Fahrspurgrenzen beispielsweise durch eine Nutzung eines Dirac-Deltas oder durch eine Rechteck-Verteilung probabilistisch modellieren.
- Weiterhin ist eine Vielzahl moderner Algorithmen, die eine digitale Straßenkarte verwenden, beispielsweise im Bereich der Robotik, probabilistisch. Ein solcher Algorithmus ist beispielweise eine so genannte sampling-basierte Pfadfindung. Probabilistische Fahrspurbegrenzungen sind dafür eine sinnvolle Eingangsgröße und schöpfen das maximale Potenzial aus.
- Auch erlaubt die probabilistische Modellierung von Fahrspurbegrenzungen eine natürliche Integration von mit stochastischer Unsicherheit behafteten Messungen. Da eine kartierte Fahrspurbegrenzung das Ergebnis verschiedener Messungen darstellt, beispielsweise aus mehreren Messungen einer Fahrzeugflotte, ist eine statistische Betrachtung akkurater und verlustfreier, da auch eine Streuung, beispielsweise als Varianz, modelliert wird.
- Anders als bei einer deterministischen Fahrspurmodellierung gibt es bei der probabilistischen Modellierung der Fahrspuren keine absolute Barriere oder scharfe Grenze, so dass ein leichter Übertritt einer Fahrspurbegrenzung durch ein Fahrzeug möglich ist. Dies entspricht eher der Realität, bei der ein menschlicher Fahrer situationsbedingt leicht eine Fahrspurbegrenzung überfahren würde, um eine Verkehrsfläche voll auszuschöpfen.
- Ferner verhindert die probabilistische Modellierung von Fahrspurbegrenzungen deterministische Begrenzungen und vermeidet somit ein absolutes Vertrauen in eine Fahrspurführung aus der digitalen Straßenkarte. Dies verlagert eine Pfadplanung in das restliche System und bewirkt eine höhere Toleranz gegenüber Ungenauigkeiten der digitalen Straßenkarte.
- Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
- Dabei zeigen:
-
1 schematisch eine Fahrbahnoberfläche mit durchgezogenen Fahrspurmarkierungen und eine Modellierung dieser, -
2 schematisch eine Fahrbahnoberfläche mit unterbrochenen Fahrspurmarkierungen und eine Modellierung dieser und -
3 schematisch eine Fahrbahnoberfläche ohne Fahrspurmarkierungen und eine Modellierung dieser. - Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
- In
1 sind eine Fahrbahnoberfläche F mit darauf befindlichen und als durchgezogene Fahrspurmarkierungen ausgebildeten Fahrspurbegrenzungen B1, B2 sowie eine probabilistische Modellierung dieser Fahrspurbegrenzungen B1, B2 dargestellt.2 zeigt eine Fahrbahnoberfläche F mit darauf befindlichen und als unterbrochene Fahrspurmarkierungen ausgebildeten Fahrspurbegrenzungen B1, B2 sowie eine probabilistische Modellierung dieser Fahrspurbegrenzungen B1, B2. In3 sind eine Fahrbahnoberfläche F ohne Fahrspurbegrenzungen B1, B2 sowie eine probabilistische Modellierung nicht vorhandener Fahrspurbegrenzungen B1, B2 dargestellt. - Dabei ist zur probabilistischen Modellierung jeweils eine Wahrscheinlichkeitsdichte P für das Vorhandensein von Fahrspurbegrenzungen B1, B2 auf der Fahrbahnoberfläche F in Abhängigkeit eines lateralen Querschnitts Q einer Fahrspur FS, das heißt einer Breite der Fahrspur FS, abgetragen.
- Das heißt der laterale Querschnitt Q der Fahrspur FS dient als Definitionsbereich für eine Wahrscheinlichkeitsdichtefunktion f(Q), welche in Abhängigkeit verschiedener Einflussfaktoren modelliert werden kann. Mögliche Einflussfaktoren sind eine Verfügbarkeit der Fahrspurbegrenzungen B1, B2, ein jeweiliger Markierungstyp der Fahrspurbegrenzungen B1, B2, ein Auftreten von überlappenden Fahrspuren FS, ein Szenario auf der Fahrspur FS und/oder in deren Umgebung, eine Komplexität einer Topologie und/oder eine Qualität der jeweiligen Fahrspurbegrenzungen B1, B2.
- Im klassischen Fall gemäß
2 zeigt die Wahrscheinlichkeitsdichtefunktion f(Q) einen bi-modalen Verlauf, wobei die Modi auf der Mitte einer jeweiligen Fahrspurbegrenzung B1, B2 liegen. - Als zugrundeliegende parametrische Funktion für jede Fahrspurbegrenzung B1, B2 bietet sich hierbei die Gauß-Normalverteilung an, wobei der Erwartungswert µ insbesondere derart gewählt ist, dass dieser auf der Mitte der jeweiligen Fahrspurbegrenzung B1, B2 liegt. Die Standardabweichung σ hängt nun von verschiedenen Faktoren, wie beispielsweise einer Beschaffenheit der Fahrspurbegrenzung B1, B2, einem Markierungstyp und einer Messungenauigkeit einer Kartografie-Sensorik ab. Für eine deutlich gezeichnete, dünne durchgezogene Markierung kann beispielsweise σ = 5cm gelten. Für eine ausgeblichene breite gestrichelte Markierung ist σ beispielsweise 20cm.
- Falls in der Realität keine Fahrspurbegrenzungen B1, B2 vorhanden sind, wie beispielhaft in
3 dargestellt, beispielsweise innerhalb von Straßenkreuzungen, kann ein Spurverlauf angenommen werden. In diesem Fall würde die Standardabweichung σ der beiden Modi jedoch deutlich größer sein, um der höheren Unsicherheit gerecht zu werden. - Absolute Grenzen lassen sich ebenfalls probabilistisch modellieren. Hierfür kommen unstetige Wahrscheinlichkeitsdichtefunktionen f(Q) in Frage. Eine durchgezogene Fahrspurbegrenzung B1, B2, wie beispielhaft in
1 dargestellt, kann beispielsweise als Rechteck-Verteilung modelliert werden. Damit ist sichergestellt, dass am äußeren Rand die Wahrscheinlichkeit den Wert „1“ hat und diese Position einer deterministischen Fahrspurbegrenzung B1, B2 gleichkommt. - Bezugszeichenliste
-
- B1, B2
- Fahrspurbegrenzung
- f(Q)
- Wahrscheinlichkeitsdichtefunktion
- F
- Fahrbahnoberfläche
- FS
- Fahrspur
- P
- Wahrscheinlichkeitsdichte
- Q
- Querschnitt
Claims (1)
- Verfahren zur Modellierung von Fahrspurbegrenzungen (B1, B2), dadurch gekennzeichnet, dass - ein lateraler Querschnitt (Q) einer Fahrspur (FS) als Definitionsbereich für eine Wahrscheinlichkeitsdichtefunktion (f(Q)) verwendet wird, - die Wahrscheinlichkeitsdichtefunktion (f(Q)) in Abhängigkeit von einer jeweiligen Verfügbarkeit der Fahrspurbegrenzungen (B1, B2), von einem jeweiligen Markierungstyp der Fahrspurbegrenzungen (B1, B2), von einem Auftreten von überlappenden Fahrspuren (FS), von einem Szenario auf der Fahrspur (FS) und/oder in deren Umgebung, von einer Komplexität einer Topologie und/oder einer Qualität der jeweiligen Fahrspurbegrenzungen (B1, B2) modelliert wird und - anhand der Wahrscheinlichkeitsdichtefunktion (f(Q)) die Fahrspurbegrenzungen (B1, B2) probabilistisch modelliert werden.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022001568.4A DE102022001568B3 (de) | 2022-05-04 | 2022-05-04 | Verfahren zur Modellierung von Fahrspurbegrenzungen |
PCT/EP2023/061459 WO2023213768A1 (de) | 2022-05-04 | 2023-05-02 | Verfahren zur modellierung von fahrspurbegrenzungen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022001568.4A DE102022001568B3 (de) | 2022-05-04 | 2022-05-04 | Verfahren zur Modellierung von Fahrspurbegrenzungen |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022001568B3 true DE102022001568B3 (de) | 2023-09-28 |
Family
ID=86383100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022001568.4A Active DE102022001568B3 (de) | 2022-05-04 | 2022-05-04 | Verfahren zur Modellierung von Fahrspurbegrenzungen |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102022001568B3 (de) |
WO (1) | WO2023213768A1 (de) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9063548B1 (en) | 2012-12-19 | 2015-06-23 | Google Inc. | Use of previous detections for lane marker detection |
US20160098496A1 (en) | 2014-10-07 | 2016-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Joint probabilistic modeling and inference of intersection structure |
US20160167582A1 (en) | 2014-12-16 | 2016-06-16 | Here Global B.V. | Learning Lanes From Vehicle Probes |
EP3106836A1 (de) | 2015-06-16 | 2016-12-21 | Volvo Car Corporation | Einheit und verfahren zur einstellung einer strassenbegrenzung |
WO2018219522A1 (de) | 2017-06-01 | 2018-12-06 | Robert Bosch Gmbh | VERFAHREN UND VORRICHTUNG ZUR ERSTELLUNG EINER FAHRSPURGENAUEN STRAßENKARTE |
WO2021160319A1 (de) | 2020-02-14 | 2021-08-19 | Audi Ag | VERFAHREN UND PROZESSORSCHALTUNG ZUM AKTUALISIEREN EINER DIGITALEN STRAßENKARTE |
DE102014223259B4 (de) | 2014-11-14 | 2021-10-14 | Conti Temic Microelectronic Gmbh | Verfahren zum Schätzen des Fahrstreifenverlaufs einer Fahrbahn |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017211298A1 (de) * | 2017-07-04 | 2019-01-10 | Continental Teves Ag & Co. Ohg | Vorrichtung und verfahren zum ermitteln von fahrbahntopologie- und fahrbahngeometrieinformationen, und fahrzeug |
-
2022
- 2022-05-04 DE DE102022001568.4A patent/DE102022001568B3/de active Active
-
2023
- 2023-05-02 WO PCT/EP2023/061459 patent/WO2023213768A1/de unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9063548B1 (en) | 2012-12-19 | 2015-06-23 | Google Inc. | Use of previous detections for lane marker detection |
US20160098496A1 (en) | 2014-10-07 | 2016-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Joint probabilistic modeling and inference of intersection structure |
DE102014223259B4 (de) | 2014-11-14 | 2021-10-14 | Conti Temic Microelectronic Gmbh | Verfahren zum Schätzen des Fahrstreifenverlaufs einer Fahrbahn |
US20160167582A1 (en) | 2014-12-16 | 2016-06-16 | Here Global B.V. | Learning Lanes From Vehicle Probes |
EP3106836A1 (de) | 2015-06-16 | 2016-12-21 | Volvo Car Corporation | Einheit und verfahren zur einstellung einer strassenbegrenzung |
WO2018219522A1 (de) | 2017-06-01 | 2018-12-06 | Robert Bosch Gmbh | VERFAHREN UND VORRICHTUNG ZUR ERSTELLUNG EINER FAHRSPURGENAUEN STRAßENKARTE |
WO2021160319A1 (de) | 2020-02-14 | 2021-08-19 | Audi Ag | VERFAHREN UND PROZESSORSCHALTUNG ZUM AKTUALISIEREN EINER DIGITALEN STRAßENKARTE |
Non-Patent Citations (4)
Title |
---|
"Huang et al.: A Scalable Lane Detection Algorithm on COTSs with OpenCL. Design, Automation & Test in Europe Conference & Exhibition (DATE), 2016, 229-232" |
"Revilloud et al.: A lane marker estimation method for improving lane detection. IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), 2016, 289-295" |
Huang et al.: A Scalable Lane Detection Algorithm on COTSs with OpenCL. Design, Automation & Test in Europe Conference & Exhibition (DATE), 2016, 229-232. https://past.date-conference.com/proceedings-archive/2016/pdf/0056.pdf [online]. |
Revilloud et al.: A lane marker estimation method for improving lane detection. IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), 2016, 289-295. DOI: 10.1109/ITSC.2016.7795569 [online]. |
Also Published As
Publication number | Publication date |
---|---|
WO2023213768A1 (de) | 2023-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015207804B4 (de) | Verfahren zum Erkennen von Parkflächen und/oder Freiflächen | |
DE102015214338A1 (de) | Bestimmung einer Anordnungsinformation für ein Fahrzeug | |
EP3438901A1 (de) | Testfahrtszenario-datenbanksystem für realitätsnahe virtuelle testfahrtszenarien | |
EP3581886B1 (de) | Verfahren und vorrichtung zum bestimmen einer position eines kraftfahrzeugs | |
DE102016205434A1 (de) | Verfahren und System zum Erstellen einer spurgenauen Belegungskarte für Fahrspuren | |
EP3526546B1 (de) | Verfahren und system zur lokalisierung eines fahrzeugs | |
DE102019216914A1 (de) | System und verfahren zur automatisierten erzeugung von semantischen karten | |
DE102018100487A1 (de) | Objektverfolgung durch unüberwachtes lernen | |
DE102016213782A1 (de) | Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Bestimmung der lateralen Position eines Fahrzeuges relativ zu den Fahrstreifen einer Fahrbahn | |
DE102015001247A1 (de) | Verfahren zur Bereitstellung von Information über zumindest ein Objekt in einem Umgebungsbereich eines Kraftfahrzeugs und System | |
DE102020200169B3 (de) | Verfahren zur Zusammenführung mehrerer Datensätze für die Erzeugung eines aktuellen Spurmodells einer Fahrbahn und Vorrichtung zur Datenverarbeitung | |
DE102020211636A1 (de) | Verfahren und Vorrichtung zum Bereitstellen von Daten zum Erstellen einer digitalen Karte | |
DE102016213783A1 (de) | Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Bestimmung der lateralen Position eines Fahrzeugs relativ zu den Fahrstreifen einer Fahrbahn | |
DE102022001568B3 (de) | Verfahren zur Modellierung von Fahrspurbegrenzungen | |
EP3279049B1 (de) | Steuerungs-system und steuerungs-verfahren zum bestimmen einer fahrbahn | |
DE102020115718A1 (de) | Verfahren zur Bestimmung einer Nutzungsart eines Landmarkenmusters für eine Eigenlokalisierung eines Fahrzeugs, sowie elektronisches Eigenlokalisierungssystem für ein Fahrzeug | |
DE102020105250A1 (de) | Bestimmen des Verlaufs einer Fahrspurbegrenzung | |
DE102013217060A1 (de) | Spurgenaue Positionierung eines Fahrzeugs | |
DE102018212133A1 (de) | Verfahren und Vorrichtung zur Genauigkeitssteigerung einer Ortsbestimmung | |
DE102019215656B4 (de) | Verfahren zum Bewerten einer ausgewählten Route, Routenbewertungssystem und Computerprogramm | |
DE102021214763A1 (de) | Verfahren und Steuervorrichtung zum Steuern eines automatisierten Fahrzeugs | |
DE102019119002A1 (de) | Bestimmen einer Fahrspurbegrenzung | |
DE102013217061A1 (de) | Spurgenaue Positionierung eines Fahrzeugs | |
DE102021205896A1 (de) | Computerimplementiertes Verfahren zum Bestimmen von zumindest einem Segment einer Fahrstrecke, derartiges Computerprogrammprodukt, derartiger Computerlesbarer Datenträger und Hardwaremodul zum Bestimmen von zumindest einem Segment einer Fahrstrecke | |
WO2022223267A1 (de) | Abgleich von kartendaten und sensordaten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division |