DE102023001648A1

DE102023001648A1 - Verfahren zur Fahrspurlokalisierung eines Fahrzeugs

Info

Publication number: DE102023001648A1
Application number: DE102023001648.9A
Authority: DE
Inventors: Florian RIES
Original assignee: Mercedes Benz Group AG
Current assignee: Mercedes Benz Group AG
Priority date: 2023-04-24
Filing date: 2023-04-24
Publication date: 2023-08-03

Abstract

Die Erfindung betrifft ein Verfahren zur Fahrspurlokalisierung eines Fahrzeugs.Erfindungsgemäß ist vorgesehen, dass- ein Abgleich (M) von Attributen (0, 1, 2, 3) in einer Karte (K) mit sensorbasierten Erkennungen (NL, L, R, NR) dieser Attribute (0, 1, 2, 3) durchgeführt wird,- durch diesen Abgleich (M) ein Messvektor für Fahrspurerkennungsüberzeugungen als eine Reihe von Bestrafungsfaktoren erzeugt wird, und- dieser Messvektor mittels einer Potenzfunktion verarbeitet wird, die die Bestrafung pro Fahrspur nach unten korrigiert, je nachdem, wie weit sich das Fahrzeug in Bezug auf eine Fahrstrecke bewegt hat, über welche Sensoreingangsdaten als autokorreliert angenommen werden, wobei eine Länge dieser Fahrstrecke in Abhängigkeit von einer Geschwindigkeit des Fahrzeugs vorgegeben wird, derart, dass die Länge der Fahrstrecke geringer ist, je geringer die Geschwindigkeit des Fahrzeugs ist.

Description

Die Erfindung betrifft ein Verfahren zur Fahrspurlokalisierung eines Fahrzeugs.
Aus dem Stand der Technik sind, wie in der US 10,074,281 B2 beschrieben, ein Verfahren und eine Vorrichtung zur Bestimmung der Fahrspuridentifikation auf einer Fahrbahn bekannt. Es wird eine Spuridentität auf einer Fahrbahn, auf der ein Fahrzeug fährt, bestimmt. Die Fahrbahn umfasst mehrere Fahrspuren. Das Bestimmen der Fahrspuridentifikation umfasst das Erzeugen einer Fahrspuridentifikationskonfidenzwahrscheinlichkeit, die eine Wahrscheinlichkeit angibt, dass sich das Fahrzeug auf einer bestimmten Fahrspur der Vielzahl von Fahrspuren der Fahrbahn befindet. Das Generieren der Fahrspuridentifizierungskonfidenzwahrscheinlichkeit basiert auf allen erkannten Fahrspurkreuzungen, der Anzahl von Fahrspuren auf der Fahrbahn, dem Fahrspurmarkierungstyp auf einer linken Seite und auf einer rechten Seite des Fahrzeugs an der aktuellen Position des Fahrzeugs oder vor der aktuellen Position des Fahrzeugs in einer Vorwärtsfahrtrichtung des Fahrzeugs und einem gewichteten Mittelwert einer momentanen Fahrspuridentifizierungskonfidenzwahrscheinlichkeit und einer Fahrspuridentifizierungskonfidenzwahrscheinlichkeit vor einem aktuellen Abtastzeitraum.
Der Erfindung liegt die Aufgabe zu Grunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Fahrspurlokalisierung eines Fahrzeugs anzugeben.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Fahrspurlokalisierung eines Fahrzeugs mit den Merkmalen des Anspruchs 1.
In einem Verfahren zur Fahrspurlokalisierung eines Fahrzeugs ist erfindungsgemäß vorgesehen, dass

- ein Abgleich von Attributen in einer Karte mit sensorbasierten Erkennungen dieser Attribute durchgeführt wird,
- durch diesen Abgleich ein Messvektor für Fahrspurerkennungsüberzeugungen als eine Reihe von Bestrafungsfaktoren erzeugt wird, und
- dieser Messvektor mittels einer Potenzfunktion verarbeitet wird, die die Bestrafung pro Fahrspur nach unten korrigiert, je nachdem, wie weit sich das Fahrzeug in Bezug auf eine Fahrstrecke bewegt hat, über welche Sensoreingangsdaten als autokorreliert angenommen werden, wobei eine Länge dieser Fahrstrecke in Abhängigkeit von einer Geschwindigkeit des Fahrzeugs vorgegeben wird, derart, dass die Länge der Fahrstrecke geringer ist, je geringer die Geschwindigkeit des Fahrzeugs ist.

Viele fortschrittliche Fahrassistenzsysteme, insbesondere auf höheren Automatisierungsstufen, stützen sich zur Unterstützung ihrer Funktionen auf Karten einer Fahrspurtopologie. Um diese Informationen nutzen zu können, muss das Fahrzeug rechtzeitig und mit hoher Zuverlässigkeit feststellen, welche Fahrspur in der Karte die aktuelle Ego-Fahrspur ist, d. h. diejenige Fahrspur, in welcher das Fahrzeug aktuell fährt.
Die Lokalisierung von Fahrspuren wird, wie oben beschrieben, durch den Abgleich bestimmter Attribute in der Karte, zum Beispiel Fahrbahnmarkierungen und Straßenrandbegrenzungen, mit sensorbasierten Erkennungen dieser Attribute gelöst. Algorithmisch gesehen verwenden moderne Lösungen probabilistische Zustandsraumfilter, um zu schätzen und zu verfolgen, welcher Fahrspur in der Karte das Fahrzeug gerade folgt. „Probabilistisch“ bedeutet, dass sowohl die sensorischen Eingangsmessungen als auch der verfolgte Zustand ein Modell ihrer Unsicherheit haben, was ein hohes Maß an Zuverlässigkeit ermöglicht.
Bei diesen Methoden wird jedoch davon ausgegangen, dass alle Messwerte völlig unabhängige Fehler aufweisen. Dies ist jedoch bei der Art von Messungen, die für die Fahrspurlokalisierung verwendet werden, selten der Fall. Die longitudinale Ausdehnung der gemessenen Attribute geht in der Regel mit einem hohen Maß an Autokorrelation einher, d. h. falsche Erkennungen sind sehr wahrscheinlich über einen längeren Zeitraum hinweg konsistent. Wird die Autokorrelation nicht berücksichtigt, überschätzt ein probabilistischer Filter seine Genauigkeit, was zu einer falsch positiven Ausgabe führt.
Um diese Probleme zu lösen, ist die oben beschriebene Lösung vorgesehen, die sich nicht nur in ein Design des nativen probabilistischen Filters einfügt, sondern auch eine zeitnahe Reaktionsfähigkeit der Fahrspurlokalisierung sicherstellt. Bei dieser Lösung wird der Messvektor für die Fahrspurerkennungsüberzeugungen als eine Reihe von Bestrafungsfaktoren anstelle der klassischen Konfidenzwerte ausgedrückt. Darauf wird eine Potenzfunktion angewandt, die die Bestrafung pro Fahrspur nach unten korrigiert, je nachdem, wie weit sich das Fahrzeug in Bezug auf eine Fahrstrecke bewegt hat, über die angenommen wird, dass die Sensoreingangsdaten autokorreliert sind. In einer Erweiterung dieser Funktion wird die Länge dieser Fahrstrecke bei niedrigeren Geschwindigkeiten des Fahrzeugs ebenfalls etwas nach unten korrigiert. Dies trägt dazu bei, Reaktionszeiten des Lokalisierungsfilters über verschiedene Geschwindigkeitsbereiche hinweg stabil zu halten.
Durch die Form des Messvektors als eine Reihe von Bestrafungsfaktoren anstelle von Konfidenzwerten wird die Information vorsichtiger eingesetzt, so dass die Zuverlässigkeit zunächst steigt. Dann skaliert die Potenzfunktion die Auswirkung des Bestrafungsvektors, d. h. des beschriebenen Messvektors als eine Reihe von Bestrafungsfaktoren, auf den ungefähren Anteil der tatsächlichen unkorrelierten neuen Informationen herunter, so dass falsche Eingangsdaten sich nicht mehr selbst bestätigen. Dadurch wird die Rate, mit der die Fahrspurlokalisierung eine falsche Fahrspur mit hoher Zuverlässigkeit identifiziert, d. h. die Falsch-Positiv-Rate (FP-Rate), stark reduziert. Und schließlich kann die Konvergenzrate des Filters über alle Geschwindigkeitsbereiche hinweg auf einem hohen Niveau gehalten werden, indem die Stärke der Dekorrelation mit der Fahrzeuggeschwindigkeit nachjustiert wird. Dadurch ist ein mit dem erfindungsgemäßen Verfahren arbeitendes System in der Lage, flüssiger und reaktionsschneller zu arbeiten und ein besseres automatisiertes Fahrerlebnis zu bieten. Die Lösung ist zudem völlig kostenneutral, da keine zusätzlichen Komponenten erforderlich sind.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
Dabei zeigen:

1 schematisch einen Ablauf eines Verfahrens zur Fahrspurlokalisierung eines Fahrzeugs, und
2 schematisch eine Änderung im Verfahrensablauf gemäß 1.

Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
Anhand der 1 und 2 wird im Folgenden ein Verfahren zur Fahrspurlokalisierung eines Fahrzeugs beschrieben. Dabei zeigt 1 eine herkömmliche Ausführungsform des Verfahrens und 2 zeigt eine Änderung im Verfahrensablauf dieses Verfahrens aus 1, woraus als hier beschriebene Lösung ein neues Verfahren zur Fahrspurlokalisierung eines Fahrzeugs entsteht.
Zusammengefasst ist in diesem hier beschriebenen neuen Verfahren zur Fahrspurlokalisierung eines Fahrzeugs vorgesehen, dass

- ein Abgleich M von Attributen 0, 1, 2, 3 in einer Karte K mit sensorbasierten Erkennungen NL, L, R, NR dieser Attribute 0, 1, 2, 3 durchgeführt wird,
- durch diesen Abgleich M ein Messvektor für Fahrspurerkennungsüberzeugungen als eine Reihe von Bestrafungsfaktoren erzeugt wird, und
- dieser Messvektor mittels einer Potenzfunktion verarbeitet wird, die die Bestrafung pro Fahrspur nach unten korrigiert, je nachdem, wie weit sich das Fahrzeug in Bezug auf eine Fahrstrecke bewegt hat, über welche Sensoreingangsdaten als autokorreliert angenommen werden, wobei eine Länge dieser Fahrstrecke in Abhängigkeit von einer Geschwindigkeit des Fahrzeugs vorgegeben wird, derart, dass die Länge der Fahrstrecke geringer ist, je geringer die Geschwindigkeit des Fahrzeugs ist.

Im Folgenden werden der Hintergrund für die Notwendigkeit dieses Verfahrens, der Ablauf des bisherigen Verfahrens und die Änderungen, die zu diesem neuen Verfahren führen, näher beschrieben.
Nach dem derzeitigen Stand der Technik stützen sich Fahrassistenzsysteme, insbesondere auf höheren Automatisierungsstufen, d. h. auf der
SAE-Automatisierungsstufe L2 oder höher, einhellig auf Kartendaten, um eine Weg- und Fahrspurwahrnehmung des Fahrzeugs zu verbessern. Systeme auf geringer Automatisierungsstufe können mit Karteninhalten auf Straßenebene auskommen, die sich auf Attribute 0, 1, 2, 3 wie die Anzahl der Fahrspuren konzentrieren, während Systeme auf höherer Automatisierungsstufe individuelle geometrische Fahrspurtopologien und präzise Fahrspurverbindungen benötigen. Viele Fahrassistenzsysteme benötigen jedoch eine Form der Fahrspurlokalisierung, um den Karteninhalt zu nutzen, zum Beispiel für automatische Spurwechsel, Navigieren im hochautomatisierten oder autonomen Fahrbetrieb und hochautomatisierte Spurhaltesysteme.
Die meisten Verfahren verwenden Wahrnehmungssensoren, insbesondere Umfelderfassungssensoren, um das Fahrzeug in Bezug auf das Fahrbahnprofil in der Karte K zu positionieren. Dies geschieht durch den Abgleich M von Attributen 0, 1, 2, 3 in der Karte K mit den entsprechenden Beobachtungen der Sensoren, d. h. mit den sensorbasierten Erkennungen NL, L, R, NR dieser Attribute 0, 1, 2, 3. Algorithmisch wird dies typischerweise mit probabilistischen Zustandsraumfiltern gelöst, bei denen der interne Zustand die aktuelle Überzeugung widerspiegelt, dass die jeweilige Fahrspur die Ego-Fahrspur ist, d. h. die Fahrspur, in der sich das Fahrzeug aktuell befindet.
1 zeigt den Verfahrensablauf eines solchen Verfahrens. Dabei wird ein Abgleich M, auch als „Matching“ bezeichnet, von Attributen 0, 1, 2, 3 in der Karte K mit Sensordetektionen D, d. h. mit sensorbasierten Erkennungen NL, L, R, NR dieser Attribute 0, 1, 2, 3, durchgeführt. Die Attribute 0, 1, 2, 3 sind insbesondere Fahrspuren und die sensorbasierten Erkennungen NL, L, R, NR sind beispielsweise die erkannte ganz linke, linke, rechte und ganz rechte Fahrspur NL, L, R, NR. Aus diesem Abgleich M resultiert in dem Verfahren ein aktuell gemessener Zustand MS der Wahrscheinlichkeit des Vorhandenseins der Attribute 0, 1, 2, 3, auch als „Measured State“ bezeichnet. Mit diesem aktuell gemessenen Zustand MS und einem Ist-Zustand CS, auch als „Current State“ bezeichnet, wird eine Aktualisierung der Messung MU vorgenommen, auch als „Measurement Update“ bezeichnet. Zum Beispiel für einen nativen Histogramm-Filter erfolgt dabei eine bin-weise Multiplikation gefolgt von einer Normalisierung. Das Ergebnis ist ein neuer Zustand NS, auch als „New State“ bezeichnet. Hier wird geprüft, ob das Vertrauen in den ermittelten neuen Zustand NS, insbesondere in dessen Richtigkeit, groß genug ist oder nicht. Mit einem vorherigen Zustand z^-1 wird eine Aktualisierungskontrolle CU durchgeführt, auch als „Control Update“ bezeichnet, wobei anhand einer Fahrspurwechselerkennung LCD geprüft wird, ob ein Fahrspurwechsel stattgefunden hat. Daraus resultiert der Ist-Zustand CS. Hat ein Fahrspurwechsel stattgefunden, verschieben sich die den Attributen 0, 1, 2, 3 zugeordneten Wahrscheinlichkeiten um die Anzahl der gewechselten Fahrspuren nach links oder rechts, entsprechend der Richtung des Fahrspurwechsels.
Das Problem dieser bisherigen Vorgehensweise, insbesondere der Verwendung von probabilistischen Zustandsraumfiltern, besteht darin, dass „probabilistisch“ bedeutet, dass sowohl die sensorischen Eingangsmessungen als auch der verfolgte Zustand über ein Modell ihrer Unsicherheit verfügen, was ein hohes Maß an Zuverlässigkeit ermöglicht.
Bei diesen Methoden wird jedoch davon ausgegangen, dass alle Messwerte völlig unabhängige/unabhängige Fehler aufweisen. Dies ist jedoch bei der Art von Messungen, die für die Fahrspurlokalisierung verwendet werden, nur selten der Fall. Die longitudinale Ausdehnung der gemessenen Attribute 0, 1, 2, 3 geht in der Regel mit einem hohen Maß an Autokorrelation einher, d. h. falsche sensorbasierte Erkennungen NL, L, R, NR sind sehr wahrscheinlich über einen längeren Zeitraum hinweg konsistent. Wird die Autokorrelation nicht berücksichtigt, überschätzt ein probabilistischer Filter seine Genauigkeit, was zu einer falsch positiven Ausgabe führt.
Die hier im Folgenden beschriebene Lösung dieses Problems basiert auf einem nativen Histogrammfilter, wie im oben beschriebenen Verfahren gemäß 1 dargestellt und beschrieben, mit den folgenden Änderungen:

Zunächst wird der aktuell gemessene Zustand MS durch einen Bestrafungsvektor LPV_i ersetzt, wie in 2 gezeigt, d. h. das Verfahren wird bis hierhin durchgeführt, wie oben beschrieben und in 1 dargestellt. Es wird der Abgleich M, auch als „Matching“ bezeichnet, der Attribute 0, 1, 2, 3 in der Karte K mit den Sensordetektionen D, d. h. mit den sensorbasierten Erkennungen NL, L, R, NR dieser Attribute 0, 1, 2, 3, durchgeführt.
Aus diesem Abgleich M resultiert nun jedoch nicht der auch als „Measured State“ bezeichnete aktuell gemessene Zustand MS der Wahrscheinlichkeit des Vorhandenseins der Attribute 0, 1, 2, 3, sondern, wie in 2 gezeigt, der Bestrafungsvektor LPV_i, auch als „Penalization Vector“ bezeichnet. Der Messvektor für die Fahrspurerkennungsüberzeugungen wird somit als eine Reihe von Bestrafungsfaktoren, d. h. als Bestrafungsvektor LPV_j, anstelle der klassischen Konfidenzwerte des auch als „Measured State“ bezeichneten aktuell gemessenen Zustands MS ausgedrückt.

Dieser Bestrafungsvektor LPV_i hat ein ähnliches Format wie der Vertrauensvektor des aktuell gemessenen Zustands MS, aber er repräsentiert etwas anderes. Während das Vertrauen von Null durch bestätigende Beweise aufsteigt, beginnt die Bestrafung bei Eins und wird nur durch widersprüchliche Beweise nach unten skaliert, während bestätigende Beweise keinen Effekt haben. Die dargestellten Säulen des Bestrafungsvektors LPV_i beginnen somit jeweils bei 1, dann weist die jeweilige Säule ihre maximale Höhe auf, und wird durch widersprüchliche Beweise reduziert. Im dargestellten Beispiel gemäß 2 liegen widersprüchliche Beweise für die Fahrspuren mit den Attributen 0 und 3 vor, d. h. für die ganz linke und ganz rechte Fahrspur, d. h. für die entsprechende sensorbasierte Erkennung NL, NR, und es liegen keine oder nicht widersprüchliche Beweise für die Fahrspuren mit den Attributen 1 und 2 vor, d. h. für die linke und rechte Fahrspur, d. h. für die entsprechende sensorbasierte Erkennung L, R.
Dank eines im Folgenden beschriebenen abschließenden Normalisierungsschritts ist diese Vorgehensweise dennoch mit der nativen Aktualisierung der Messung MU des oben beschriebenen und in 1 dargestellten Verfahrens kompatibel.
Dabei wird der Messvektor, d. h. der Bestrafungsvektor LPV_i, mittels einer Potenzfunktion verarbeitet, die die Bestrafung pro Fahrspur nach unten korrigiert, je nachdem, wie weit sich das Fahrzeug in Bezug auf eine Fahrstrecke bewegt hat, über die die Sensoreingangsdaten als autokorreliert angenommen werden.
Der Bestrafungsvektor LPV_i wird somit elementweise durch eine Potenzfunktion transformiert, um der Tatsache Rechnung zu tragen, dass die wahrgenommenen Informationen stark autokorrelierte Fehler aufweisen: $L P V_{i}^{'} = L P V_{i}^{(d s / d i s t a n c e)}$
Der Exponent ist der Quotient aus der seit der letzten Aktualisierung zurückgelegten Fahrstrecke ds und der Fahrstrecke distance, über die eine typische Autokorrelation der Fehler angenommen wird.
Formel (1) kann auch geschrieben werden als: $L P V_{i}^{'} = exp (d s / d i s t a n c e * ln (L P V_{i}))$
Wenn in einem unmodifizierten Histogrammfilter derselbe Fehler über eine zurückgelegte Fahrstrecke ds der Fahrstrecke distance konsistent ist, wird er ds / distance mal bestätigt, und der Filter wird der falschen Information sehr viel vertrauen. Dadurch sind falsch-positive Fahrspurerkennung sehr wahrscheinlich. Die beschriebene Transformation kompensiert diesen Effekt vollständig.
In Erweiterung dazu wird die Fahrstrecke distance auch dynamisch in Abhängigkeit von der Geschwindigkeit des Fahrzeugs skaliert, so dass für langsamere Geschwindigkeiten eine kürzere Fahrstrecke distance angesetzt wird, zum Beispiel mit einem nichtlinearen Skalierungsfaktor: $exp (d s m a x - d s)$
Dabei ist dsmax der maximal plausible Wert von ds.
Die Länge der Fahrstrecke distance wird somit in Abhängigkeit von der Geschwindigkeit des Fahrzeugs vorgegeben, derart, dass die Länge der Fahrstrecke distance geringer ist, je geringer die Geschwindigkeit des Fahrzeugs ist.
Dies ist vorteilhaft, da ein kleinerer Exponent der Potenzfunktion dazu führt, dass der Filter langsamer zu einem Zustand mit hohem Vertrauen konvergiert, so dass er bei niedrigeren Geschwindigkeiten träge werden würde. Die Reskalierung mildert dies ab.
Daraus resultierende Nachteile sind für die praktische Anwendung vernachlässigbar, denn bei niedrigeren Geschwindigkeiten sind die Sensoren tatsächlich besser in der Lage, falsche Ausgaben zu korrigieren, da sie mehr Zeit haben, Rauschen herauszufiltern. Des Weiteren ist bei niedrigeren Geschwindigkeiten eine falsch positive Fahrspurerkennung in der Regel akzeptabler, da das Fahrzeug in der Lage ist, Situationen allein durch Wahrnehmung besser zu bewältigen.
Um die beschriebene Vorgehensweise nochmals zusammenzufassen, wird das Measurement Update, d. h. die Aktualisierung der Messung MU, wie folgt implementiert:
Für jede LCV_t in LCV wird berechnet: $L C V_{i} \times exp [(d s \times \frac{exp (d s m a x - d s)}{d i s t a n c e}) \times ln (momentaner L P V_{i})]$
LCV_i ist das i-te Element des Vertrauensvektors LCV für die Fahrspuridentifizierung aus einem früheren Stichprobenzeitraum, momentaner LPV_i ist das i-te Element des momentanen Bestrafungsvektors für die Identifizierung in einem aktuellen Stichprobenzeitraum.
Genauer gesagt wird der momentane LPV_i durch das Äquivalent einer Potenzfunktion mit einem Exponenten zwischen 0 und 1 transformiert (zu beachten ist, dass exp(y*ln(x))==x^y). Dieser Exponent ist das Produkt aus dem Quotienten von ds und distance und einem Skalierungsfaktor. Der Skalierungsfaktor ergibt sich aus der Exponentialfunktion, die auf die Differenz von dsmax und ds angewendet wird.
Durch die Form des Messvektors als eine Reihe von Bestrafungsfaktoren anstelle von Konfidenzwerten wird die Information vorsichtiger eingesetzt, so dass die Zuverlässigkeit von Anfang an steigt. Die Potenzfunktion skaliert die Auswirkung des Bestrafungsvektors LPV_i auf den ungefähren Anteil der tatsächlichen unkorrelierten neuen Informationen, so dass sich falsche Eingabedaten nicht mehr selbst bestätigen - dies reduziert die Rate, mit der die Fahrspurlokalisierung falsche Fahrspuren mit hoher Zuverlässigkeit identifiziert, d. h. die Falsch-Positiv-Rate, erheblich. Die Konvergenzrate des Filters kann über alle Geschwindigkeitsbereiche hinweg auf einem hohen Niveau gehalten werden, indem die Stärke der Dekorrelation mit der Fahrzeuggeschwindigkeit nachjustiert wird. Dadurch ist das Fahrassistenzsystem in der Lage, flüssiger und reaktionsschneller zu arbeiten und ein besseres automatisiertes Fahrerlebnis zu bieten. Die Lösung ist zudem völlig kostenneutral, da keine zusätzlichen Komponenten benötigt werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

US 10074281 B2 [0002]

Claims

Verfahren zur Fahrspurlokalisierung eines Fahrzeugs, dadurch gekennzeichnet, dass - ein Abgleich (M) von Attributen (0, 1, 2, 3) in einer Karte (K) mit sensorbasierten Erkennungen (NL, L, R, NR) dieser Attribute (0, 1, 2, 3) durchgeführt wird, - durch diesen Abgleich (M) ein Messvektor für Fahrspurerkennungsüberzeugungen als eine Reihe von Bestrafungsfaktoren erzeugt wird, und - dieser Messvektor mittels einer Potenzfunktion verarbeitet wird, die die Bestrafung pro Fahrspur nach unten korrigiert, je nachdem, wie weit sich das Fahrzeug in Bezug auf eine Fahrstrecke bewegt hat, über welche Sensoreingangsdaten als autokorreliert angenommen werden, wobei eine Länge dieser Fahrstrecke in Abhängigkeit von einer Geschwindigkeit des Fahrzeugs vorgegeben wird, derart, dass die Länge der Fahrstrecke geringer ist, je geringer die Geschwindigkeit des Fahrzeugs ist.