DE102023109228A1

DE102023109228A1 - Selbstabschätzende ortungseinrichtung für mobiles objekt

Info

Publication number: DE102023109228A1
Application number: DE102023109228.6A
Authority: DE
Inventors: Kosei Yoshioka
Original assignee: Suzuki Motor Corp
Current assignee: Suzuki Motor Corp
Priority date: 2022-06-14
Filing date: 2023-04-12
Publication date: 2023-12-14
Also published as: JP2023182325A

Abstract

[Zu lösendes Problem]Eine Verbesserung der Abschätzgenauigkeit der selbstabschätzenden Ortung unter Verwendung von durch einen externen Sensor erfassten Punktwolkendaten.[Lösung]Eine selbstabschätzende Ortungseinrichtung 10 für ein mobiles Objekt 1 enthält einen externen Sensor 11, konfiguriert zum Abtasten einer Umgebung eines mobilen Objekts 1, um Punktwolkendaten in einem vorbestimmten Zyklus zu erfassen, und eine Kartendatenbank 13, die eine Umgebungskarte speichert. Ein Ort und eine Lage des mobilen Objekts werden abgeschätzt. Die selbstabschätzende Ortungseinrichtung 10 für ein mobiles Objekt 1 enthält: einen Datenspeicher 141, konfiguriert zum Speichern der von dem externen Sensor 11 erfassten Punktwolkendaten; einen Aggregat-Punktwolkendaten-Generator 143, konfiguriert, um ansprechend auf ein neues Stück von Punktwolkendaten, die von dem externen Sensor 11 erfasst werden, Aggregat-Punktwolkendaten CP basierend auf dem neuen Stück an Punktwolkendaten und Stücken von Punktwolkendaten für in dem Datenspeicher 141 gespeicherte N Zyklen einschließlich eines Stücks der Punktwolkendaten eines Zyklus früher zu erzeugen; und einen Ortsabschätzer 144, konfiguriert zum Abschätzen des Orts und der Lage des mobilen Objekts 1 auf der Umgebungskarte durch Ausführen eines Abgleichs zwischen den von dem Aggregat-Punktwolkendaten-Generator 143 erzeugten Aggregat-Punktwolkendaten CP und der Umgebungskarte.

Description

[Technisches Gebiet]
Die vorliegende Erfindung betrifft eine selbstabschätzende Ortungseinrichtung zwecks Eigenabschätzung des Orts eines mobilen Objekts, und insbesondere betrifft sie eine Einrichtung, die eine Orts-Selbstabschätzung dadurch vornimmt, dass ein Abgleich erfolgt zwischen durch einen externen Sensor erfassten Punktwolkendaten und einer Umgebungskarte.
[Technischer Hintergrund]
Die Entwicklung von Techniken für mobile Objekte, die sich für autonomes Fahren eignen, so zum Beispiel für ein automatisch geführtes Fahrzeug (AGV; automated guided vehicle) und einen automatischen mobilen Roboter (AMR), hat in der jüngsten Zeit Fortschritte gemacht. Ein derartiges mobiles Objekt benötigt Ortsinformation für sich selbst, um ein Ziel zu erreichen. Verschiedene Methoden sind verwendbar als Mittel zur Selbstabschätzung eines Orts eines mobilen Objekts, darunter die Koppelnavigation unter Verwendung einer Trägheits-Messeinheit (IMU) oder eines Rad-Kodierers sowie einer Abtast-Abgleichung unter Verwendung eines globalen Satelliten-Navigationssystems (INSS) oder unter Einsatz von LiDAR (Light Detection and Ranging (lichtgestützte Ortung und Abstandsmessung)).
Beispielsweise zeigt die Patentschrift 1 ein selbstabschätzendes Ortungssystem unter Verwendung von Abtast-Abgleichung. In diesem System erfolgt ansprechend auf neuerlich erfasste Abtastdaten aus einem externen Sensor, der die Umgebung abtastet und zyklisch die Abtastdaten ausgibt, ein Abgleich zwischen den neu erfassten letzten Abtastdaten und einer Referenzkarte, um eine Position und eine Lage des externen Sensors auf der Referenzkarte abzuschätzen.
[Literaturliste]
[Patentschrift 1] WO 2019/044500 A1
[Offenbarung der Erfindung]
[Durch die Erfindung zu lösende Probleme]
In einer dynamischen Umgebung steht ein mobiles Objekt unter dem Einfluss unterschiedlicher Störungen. Wenn beispielsweise eine Abtastung durch einen externen Sensor erfolgt, während sich ein anderes Fahrzeug zwischen einem mobilen Objekt und einer Umgebungsstruktur befindet, so enthalten erfasste Punktwolkendaten unvermeidlich ein Nachweisergebnis des anderen Fahrzeugs. Ein solcher Einfluss einer Störung in den Punktwolkendaten, die von dem externen Sensor erfasst werden, senkt die Genauigkeit des Abgleichs mit einer Referenzkarte, was wiederum die Genauigkeit der Abschätzung von Ort und Lage des mobilen Objekts beeinträchtigt.
Die vorliegende Erfindung wurde im Hinblick auf die obigen Umstände gemacht, und es ist ihr Ziel, die Abschätzgenauigkeit der selbstabschätzenden Ortung unter Verwendung von durch einen externen Sensor erfassten Punktwolkendaten zu steigern.
[Mittel zum Lösen des Problems]
Gemäß einem Aspekt der vorliegenden Erfindung enthält eine selbstabschätzende Ortungseinrichtung für ein mobiles Objekt einen externen Sensor, konfiguriert zum Abtasten einer Umgebung des mobilen Objekts, um Punktwolkendaten in einem vorbestimmten Zyklus zu erfassen, und eine Kartendatenbank, die eine Umgebungskarte speichert, die Einrichtung ist konfiguriert zum Abschätzen eines Orts und einer Lage des mobilen Objekts, wobei die selbstabschätzende Ortungseinrichtung für ein mobiles Objekt umfasst: einen Datenspeicher, konfiguriert zum Speichern der von dem externen Sensor erfassten Punktwolkendaten; einen Aggregat-Punktwolkendaten-Generator, konfiguriert, um ansprechend auf ein neues Stück der von dem externen Sensor erfassten Punktwolkendaten Aggregat-Punktwolkendaten zu erzeugen, basierend auf dem neuen Stück der Punktwolkendaten und Stücken der Punktwolkendaten für N Zyklen, die in dem Datenspeicher gespeichert sind, enthaltend ein Stück der Punktwolkendaten eines Zyklus' früher; und einen Ortsabschätzer, konfiguriert zum Abschätzen des Orts und der Lage des mobilen Objekts auf der Umgebungskarte durch Ausführen eines Abgleichs zwischen den von dem Aggregat-Punktwolkendaten-Generator erzeugten Aggregat-Punktwolkendaten und der Umgebungskarte.
[Vorteilhafte Wirkungsweise der Erfindung]
Die selbstabschätzende Ortungseinrichtung für ein mobiles Objekt gemäß der vorliegenden Erfindung kann die Abschätzgenauigkeit bei der selbstabschätzenden Ortung unter Verwendung von Punktwolkendaten steigern.

1(a) bis (c) sind Diagramme zum Erläutern von Einflüssen von Störungen auf Punktwolkendaten.
2 ist ein Diagramm, welches einen schematischen Aufbau einer selbstabschätzenden Ortungseinrichtung für ein mobiles Objekt gemäß einer Ausführungsform der Erfindung veranschaulicht.
3 ist ein Diagramm, welches schematisch Stücke von Punktwolkendaten für eine Mehrzahl von Zyklen veranschaulicht, die im Zuge einer Bewegung des mobilen Objekts erfasst werden.
4 ist ein Diagramm zum Erläutern eines Verfahrens zum Bewegen eines früheren Stücks von Punktwolkendaten in Bezug auf ein neues Stück von Punktwolkendaten zur Integration.
5 ist ein Diagramm zum Erläutern eines Verfahrens des Positionierens eines früheren Stücks von Punktwolkendaten in Bezug auf ein neues Stück von Punktwolkendaten.
6 ist ein Flussdiagramm, das den Ablauf eines selbstabschätzenden Ortungsprozesses verdeutlicht.
7 ist ein Flussdiagramm, das den Ablauf eines Erzeugungsprozesses für Aggregat-Punktwolkendaten erläutert.
8 ist ein Diagramm, welches schematisch Abtastbereiche mehrerer externer Sensoren veranschaulicht.
9 ist ein Diagramm zum Erläutern eines Effekts von überlagernden Stücken von Punktwolkendaten für eine Mehrzahl von Zyklen.

[Weg zum Ausführen der Erfindung]
Eine selbstabschätzende Einrichtung für ein mobiles Objekt gemäß einer Ausführungsform der Erfindung ist konfiguriert zur Eigenabschätzung eines Orts und einer Lage eines mobilen Objekts auf einer Umgebungskarte durch Ausführen eines hochgenauen Abgleichs mit der Umgebungskarte unter Verwendung von Punktwolkendaten, die von einem externen Sensor erfasst werden, der eine Umgebung abtastet.
Da das mobile Objekt durch unterschiedliche Störungen im Rahmen einer dynamischen Umgebung beeinflusst wird, sind auch die Punktwolkendaten, die von dem externen Sensor erfasst werden, wahrscheinlich durch die Störungen beeinflusst. Es sollen beispielsweise folgende drei Fälle angenommen werden: (i) ein Fall, in dem eine Okklusion stattfindet, das heißt, das mobile Objekt ist durch ein dynamisches oder quasi-dynamisches Hindernis umgeben, so dass eine Umgebungsstruktur als das Detektionsziel verborgen ist, (ii) ein Fall, in dem es wenige Merkmale gibt, die als Erkennungsziele geeignet sind, beispielsweise als Landmarke in einem offenen Gelände oder dergleichen; und (iii) ein Fall, in welchem eine optische Achse des externen Sensors gegenüber einer horizontalen Richtung aufgrund einer Roll-/Nickbewegung des mobilen Objekts versetzt ist.
1(a) veranschaulicht ein spezielles Beispiel für den Fall (i), in welchem eine Okklusion stattfindet. In dem in 1(a) dargestellten Beispiel befindet sich ein Fahrzeug 1 als Beispiel eines mobilen Objekts neben Gebäuden 2a, 2b und einem Baum 2c, wobei letztere Beispiele für Umgebungsstrukturen sind. Ein Lastkraftwagen 3a und ein Bus 3b auf benachbarten Spuren sind Beispiele von dynamischen oder quasi-dynamischen Hindernissen; das Fahrzeug 1 ist von Hindernissen größer als das Fahrzeug 1 selbst umgeben. Die Gebäude 2a, 2b und der Baum 2c sind zumindest teilweise von dem Lastkraftwagen 3a und dem Bus 3b innerhalb eines Abtastbereichs 4 des externen Sensors für einen Zyklus verborgen, so dass lediglich eine Punktwolke entsprechend einem Teil des Gebäudes 2a erfasst werden kann. Eine Okklusion kann auch dann auftreten, wenn der externe Sensor vorübergehend von einem hineingelangenden Objekt oder dergleichen abgedeckt ist.
1(b) veranschaulicht ein spezielles Beispiel des Falls (ii), in dem sich nur wenige Merkmale befinden, so zum Beispiel eine Landmarke. Wie in 1(b) gezeigt ist, kann es bei einer Fahrt durch offenes Gelände, so zum Beispiel entlang einem Weg durch ein Reisfeld oder durch ein Feld oder eine Straße entlang eines Sees oder einer Küstenlinie keinerlei Umgebungsstruktur wie zum Beispiel die Gebäude 2a, 2b und der Baum 2c innerhalb des Abtastbereichs 4 während eines Zyklus geben. In einem derartigen Fall ist es nicht möglich, eine Punktwolke der Umgebungsstrukturen zu erfassen.
1(c) veranschaulicht ein spezielles Beispiel für den Fall (iii), bei dem die optische Achse des externen Sensors gegenüber der Horizontalrichtung aufgrund einer Roll-/Nickbewegung des Fahrzeugs 1 versetzt ist. Einige externe Sensoren können eine Abtastung innerhalb eines Bereichs eines vorbestimmten Winkels in Oben-Unten-Richtung in Bezug auf die Horizontalrichtung ausführen. Allerdings bewirkt eine Nickbewegung des Fahrzeugs bei Überwindung einer Schwelle oder einer Rollbewegung des Fahrzeugs 1 beim Fahren um eine scharfe Kurve, dass die optische Achse des externen Sensors gegenüber der Horizontalrichtung versetzt wird und in eine Richtung zum Himmel oder zum Boden verläuft. In einem derartigen Fall kann nur eine Punktwolke entsprechend einem Teil des Gehäuses 2d erfasst werden, wenn ein Gebäude 2d sich als Beispiel für eine Umgebungsstruktur innerhalb des Abtastbereichs 4 für einen Zyklus befindet.
In den Fällen, in denen die Punktwolkendaten durch eine Störung gemäß den obigen Fällen (i) bis (iii) beeinflusst werden, ist es nicht möglich, ausreichende Punktwolken für die Umgebungsstrukturen lediglich aus den Punktwolkendaten eines Zyklus zu erhalten, die von dem externen Sensor erfasst werden. Eine geringe Anzahl von Punktwolken macht es unwahrscheinlich, dass ein Abgleichprozess mit einer Umgebungskarte zur Konvergenz führt, was zu einer verringerten Genauigkeit bei der Selbstabschätzungs-Ortung des mobilen Objekts führt.
Dementsprechend erzeugt eine selbstabschätzende Ortungseinrichtung für ein mobiles Objekt gemäß der vorliegenden Ausführungsform dadurch Aggregat-Punktwolkendaten durch Überlagern von Stücken von Punktwolkendaten für eine Mehrzahl von Zyklen, die von einem externen Sensor erfasst wurden, und ermittelt durch Eigenabschätzung einen Ort und eine Lage eines mobilen Objekts in einer Umgebungskarte mit hoher Genauigkeit, indem ein hochgenauer Abgleich durchgeführt wird mit der Umgebungskarte unter Verwendung der erzeugten Aggregat-Punktwolkendaten. Im folgenden wird eine detaillierte Beschreibung der selbstabschätzenden Ortungseinrichtung für ein mobiles Objekt dieser Ausführungsform anhand der begleitenden Zeichnungen vorgestellt.
2 ist ein Diagramm einer schematischen Konfiguration einer selbstabschätzenden Ortungseinrichtung 10 für ein mobiles Objekt dieser Ausführungsform. Die folgende Beschreibung bezieht sich auf ein Beispiel, bei dem die selbstabschätzende Ortungseinrichtung 10 innerhalb eines mobilen Objekts, hier dem Fahrzeug 1, installiert ist. Die (im folgenden einfach als Ortungseinrichtung bezeichnete) selbstabschätzende Ortungseinrichtung 10, die in dem Fahrzeug 1 installiert ist, enthält einen externen Sensor 11, der eine Fahrzeugumgebung erfasst, einen internen Sensor 12, der Fahrzeuginformation erfasst, eine Karteninformations-Datenbank 13, eine Steuerung 14, die eine Gesamtsteuerung der Ortungseinrichtung 10 ausführt, und dergleichen.
Der externe Sensor 11 ist ein Sensor, der eine Umgebung um das Fahrzeug 1 herum abtastet, um Abtastdaten innerhalb eines vorbestimmten Zyklus zu erfassen. Beispiele für den externen Sensor 11 beinhalten LiDAR (Light Detection and Ranging), einen Laserbereichsfinder und ein Millimeterwellen-Radar. Bei dem vorliegenden Beispiel handelt es sich um ein LiDAR.
Das LiDAR emittiert einen gepulsten Laserstrahl auf ein Ziel und misst reflektiertes Licht, das von dem Ziel reflektiert wird, um dadurch einen Abstand zu dem Ziel und dessen Richtung zu messen, um dadurch Abtastdaten zu gewinnen. Die Abtastdaten des LiDAR liefert einen Schnittpunkt zwischen dem Strahl und dem Ziel, der als Punktwolken-Datenwert extrahiert wird. Bei den Punktwolkendaten handelt es sich um eine Anhäufung von Punkten mit Positionskoordinaten, die durch ein lokales Koordinatensystem des Fahrzeugs 1 definiert sind, in welchem der externe Sensor 11 installiert ist. Ein Ort des Fahrzeugs 1 lässt sich definieren als der Ursprung des lokalen Koordinatensystems, und eine Lage (Orientierung) des Fahrzeugs 1 lässt sich definieren als eine Orientierung des lokalen Koordinatensystems. Es sei angemerkt, dass in dem Fall, dass keine Umgebungsstruktur innerhalb des Abtastbereichs 4 vorhanden ist, wie es für den obigen Fall (ii) beschrieben wurde, in den Punktwolkendaten keine Punktwolke enthalten sein muss.
Der externe Sensor 11, der sich zum Beispiel an einem oberen Bereich des Fahrzeugs 1 befindet, kann den gepulsten Laserstrahl emittieren, während er gedreht wird, um um das Fahrzeug 1 herum eine 360-Grad-Abtastung zu vollziehen. Die von dem externen Sensor 11 erfassten Punktwolkendaten werden in die Steuerung 14 eingegeben.
Der interne Sensor 12 enthält einen Fahrzeuggeschwindigkeitssensor (zum Beispiel einen Radgeschwindigkeitssensor), einen Gearratensensor (zum Beispiel ein Gyroskop) und dergleichen. Von dem internen Sensor 12 erfasste Messwerte werden in die Steuerung 14 eingegeben.
Die Kartendatenbank 13 speichert eine hochgenaue Umgebungskarte, die vorab erstellt wurde. Für eine hochgenaue Abschätzung einer Eigen-Ortung oder eine Ortung der Einrichtung selbst ist die Verwendung einer dreidimensionalen Karte als Umgebungskarte bevorzugt, jedoch ist auch eine zweidimensionale Karte abhängig von einer Abgleichmethode verwendbar.
Die Steuerung 14 enthält einen Datenspeicher 141, einen Bewegungshubrechner 142, einen Aggregat-Punktwolkendaten-Generator 143 und einen Ortsabschätzer 144. Die Steuerung 14 enthält einen Computer, das heißt ein ROM zum Speichern von Programmen und Daten, eine CPU zum Ausführen arithmetischer Prozesse, einen RAM zum Lesen der Programme und Daten und zum Speichern dynamischer Daten sowie arithmetischer Rechenergebnisse, eine Eingangs-/Ausgangs-Schnittstelle und dergleichen, und sie führt die Steuerung der im folgenden zu beschreibenden selbstabschätzenden Ortungseinrichtung 10 aus.
Bei dem Datenspeicher 141 handelt es sich um einen Speicher zum Speichern von Punktwolkendaten, die von dem externen Sensor 10 erfasst werden. Der Datenspeicher 141 ist konfiguriert zum Speichern von Stücken von Punktwolkendaten für eine Mehrzahl von Zyklen, die von dem externen Sensor 10 erfasst werden, und zwar gemeinsam mit Zeitstempeln. Die Stücke von Punktwolkendaten für eine Mehrzahl von Zyklen sind Datenstücke in einer Mehrzahl von Einzelbildern, die zu sequentiellen Zeitpunkten (Einzelbildern; Frames) auf einer Zeitachse erfasst werden. Der Datenspeicher 141 kann außerdem als die Stücke von Punktwolkendaten für die mehreren Zyklen Aggregat-Punktwolkendaten speichern, die bereitgestellt werden durch Überlagern der Stücke von Punktwolkendaten für die mehreren Zyklen.
Der Bewegungshubrechner 142 bestimmt einen Bewegungshub des Fahrzeugs 1 während eines Zyklus einer Abtastung durch den externen Sensor 11, das heißt während eines Abtastzyklus (eines Zeitintervalls) Δt, basierend auf den von dem internen Sensor 12 eingegebenen Messwerten. Der Bewegungshub des Fahrzeugs 1 ist insbesondere ein Bewegungshub des Fahrzeugs 1 während eines Abtastzyklus, für den ein Bewegungshub Δli, der berechnet wird durch eine Fahrzeuggeschwindigkeit Vi, die von dem Fahrzeuggeschwindigkeitssensor nachgewiesen wird, x einem Abtastzyklus Δt, und ein Gearwinkel Δψi, berechnet durch eine Gearrate γi, die von dem Gyroskop nachgewiesen wird, x Abtastzyklus Δt, ermittelbar sind.
Der Aggregat-Punktwolkendaten-Generator 143 erzeugt Aggregat-Punktwolkendaten durch Überlagern der Stücke von Punktwolkendaten für die mehreren Zyklen, die von dem externen Sensor 11 erfasst werden. Insbesondere erzeugt der Aggregat-Punktwolkendaten-Generator 143 ansprechend auf ein neues Stück von Punktwolkendaten seitens des externen Sensors 11 Aggregat-Punktwolkendaten basierend auf dem neuen Stück an Punktwolkendaten und Stücken von Punktwolkendaten für N Zyklen, die in dem Datenspeicher 141 gespeichert sind, darunter ein Stück von Punktwolkendaten für einen Zyklus früher. N kann eine natürliche Zahl größer oder gleich 1 sein. Das heißt, die Aggregat-Punktwolkendaten bilden eine Ansammlung von Punktwolkendaten in einer Mehrzahl von Einzelbildern, die in chronologischer Reihenfolge sequentiell sind.
Der Ortsabschätzer 144 führt einen Abgleich durch zwischen den Aggregat-Punktwolkendaten, die von dem Generator 143 erzeugt wurden, und der Umgebungskarte in der Kartendatenbank 13, um dadurch den Ort und die Lage des Fahrzeugs 1 auf der Umgebungskarte abzuschätzen.
Im folgenden wird ein Prozess zum Erzeugen der Aggregat-Punktwolkendaten im einzelnen beschrieben. 3 zeigt schematisch Stücke von Punktwolkendaten für eine Mehrzahl von auf einer Zeitachse sequentiellen Zyklen. Wie in 3 gezeigt ist, bewegt sich der Abtastbereich 4 des externen Sensors 11 an dem Fahrzeug 1 auch mit der Bewegung des Fahrzeugs 1. Der Abtastbereich 4 bewegt sich mit der Bewegung des Fahrzeugs 1 und vollzieht einen Übergang zu einem Abtastbereich 4a im Zeitpunkt t1 für einen ersten Zyklus, zu einem Abtastbereich 4b im Zeitpunkt t2 für einen zweiten Zyklus, zu einem Abtastbereich 4c im Zeitpunkt t3 für einen dritten Zyklus, und einem Abtastbereich 4d im Zeitpunkt t4 für einen vierten Zyklus.
Während des ersten Zyklus werden Schnittpunkte zwischen dem Abtastbereich 4a und der Umgebungsstruktur 2 als ein Stück von Punktwolkendaten P(t1) im Zeitpunkt t1 extrahiert. In ähnlicher Weise werden Schnittpunkte zwischen dem Abtastbereich 4b und der Umgebungsstruktur 2 als ein Stück von Punktwolkendaten P(t2) im Zeitpunkt t2 während des zweiten Zyklus extrahiert, Schnittpunkte zwischen dem Abtastbereich 4c und der Umgebungsstruktur 2 werden als ein Stück von Punktwolkendaten P(t3) im Zeitpunkt t3 während des dritten Zyklus extrahiert, und Schnittpunkte zwischen dem Abtastbereich 4d und der Umgebungsstruktur 2 werden als ein Stück von Punktwolkendaten P(t4) im Zeitpunkt t4 während des vierten Zyklus extrahiert. Die Punkte der Stücke von Punktwolkendaten P(t1), P(t2), P(t3), P(T4) werden durch einen offenen Kreis, einen vollen Kreis, ein offenes Dreieck bzw. ein volles Dreieck repräsentiert.
Da ein Zeitintervall der Abtastung durch den externen Sensor 11 nur einige Millisekunden dauert, überlappen sich die Abtastbereiche 4a bis 4d teilweise zu zeitlich sequentiellen Zeiten, wie in 3 dargestellt ist. Damit überlappen sich die Stücke von Punktwolkendaten P(t1) bis P(t4), die in den Abtastbereichen 4a bis 4d erhalten werden, einander teilweise.
Wie oben erläutert, wird für den Fall, dass das Fahrzeug 1 durch eine Störung beeinflusst wird, nicht für jedes der Stücke von Punktwolkendaten P(t1) bis P(t4), die in den Zeitpunkten t1 bis t4 erfasst werden, ausreichende Menge an Punktwolken erfasst. Dementsprechend werden Stücke von Daten in mehreren Einzelbildern einander überlagert, um Aggregat-Punktwolkendaten CP zu erhalten, die eine hinreichende Anzahl von Punktwolken enthalten.
Die Überlagerung von Stücken von Daten in den mehreren Einzelbildern erfolgt in zwei Stufen: Grobpositionierung und detaillierte Positionskorrektur. Als erstes wird für die Grobpositionierung mindestens eines der letzten Stücke von Punktwolkendaten zwecks Integration bezüglich eines neuen Stücks an Punktwolkendaten unter Verwendung des Bewegungshubs des Fahrzeugs 1 bewegt. Die Stücke von Punktwolkendaten in den mehreren Einzelbildern haben jeweilige Positionskoordinaten, die definiert sind durch das lokale Koordinatensystem des Fahrzeugs 1 an unterschiedlichen Zeitpunkten t. Dementsprechend wird zum Integrieren der vergangenen Stücke an Punktwolkendaten mit Bezug auf das lokale Koordinatensystem des neuen Stücks an Punktwolkendaten der Bewegungshub des Fahrzeugs 1 während eines Abtastzyklus dazu benutzt, die letzten Stücke an Punktwolkendaten zu verlagern und zu drehen.
4 zeigt ein Beispiel, bei dem das Stück von Punktwolkendaten P(t2) während des zweiten Zyklus und das Stück an Punktwolkendaten P(t1) während des ersten Zyklus integriert werden mit dem Stück an Punktwolkendaten P(t3) während des dritten Zyklus gemäß 3. Das Stück an Punktwolkendaten P(t3) während des dritten Zyklus entspricht dem oben beschriebenen neuen Stück an Punktwolkendaten.
Für den Bewegungshub des Fahrzeugs 1 sind die Bewegungsdistanz Δli und der Gearwinkel Δ_Ψi des Fahrzeugs 1 aus dem vorhergehenden Zyklus, berechnet von dem Bewegungshubrechner 142, in der oben beschriebenen Weise verwendbar. Unter Bezug auf das Stück von Punktwolkendaten P(t3) während des dritten Zyklus wird als erstes das Stück von Punktwolkendaten P(t2) während des zweiten Zyklus unter Verwendung einer Bewegungsdistanz Δli(t3) und eines Gearwinkels Δψi(t3) zum Zeitpunkt t3 während des dritten Zyklus translatorisch verschoben und gedreht (einer Euklit-Transformation unterzogen). Weiterhin wird unter Bezugnahme auf das Stück von Punktwolkendaten P(t3) während des dritten Zyklus das Stück von Punktwolkendaten P(t1) während des ersten Zyklus unter Verwendung eines Bewegungshubs Δli(t2) und eines Gearwinkels Δψi(t2) zum Zeitpunkt t2 während des zweiten Zyklus translatorisch verschoben und gedreht. Dies integriert die Stücke von Punktwolkendaten P(t1) bis P(t3) während des ersten bis dritten Zyklus.
Es sei angemerkt, dass eine Methode zum Integrieren von Stücken von Punktwolkendaten unter Verwendung des Bewegungshubs des Fahrzeugs 1 nicht beschränkt ist auf das Bewegen der Stücke von Punktwolkendaten für N Zyklen um einen Betrag entsprechend einem Zyklus in Bezug auf das neue Stück von Punktwolkendaten, wie es oben erläutert wurde. Wenn Aggregat-Punktwolkendaten, die eine Mehrzahl von Stücken von Punktwolkendaten enthalten, die einander überlagert sind, bereits während des vorhergehenden Zyklus erzeugt wurden, so können die Aggregat-Punktwolkendaten, die während des letzten Zyklus erzeugt wurden, kollektiv in Bezug auf das neue Stück von Punktwolkendaten bewegt werden. In diesem Fall werden die Aggregat-Punktwolkendaten während des vorhergehenden Zyklus unter Verwendung eines Bewegungshubs Δli(t) und eines Gearwinkels Δψi(t) zum Zeitpunkt t verschoben und gedreht, wenn das neue Stück von Punktwolkendaten erfasst wird.
Nun kann der Bewegungshub des Fahrzeugs 1, der basierend auf Messwerten aus dem Fahrzeuggeschwindigkeitssensor und dem Gearratensensor berechnet wird, durch das Auftreten eines Reifenschlupfs des Fahrzeugs 1 oder dergleichen beeinflusst sein. Dementsprechend wird möglicherweise keine akkurate Positionierung durch bloßes Überlagern von Stücken von Punktwolkendaten unter Verwendung des Bewegungshubs des Fahrzeugs 1 erreichbar sein.
Wenn also Positionsversatz zwischen den Stücken von Punktwolkendaten in den mehreren Einzelbildern nach der Integration unter Verwendung des Bewegungshubs des Fahrzeugs 1 verbleibt, kann eine Positionskorrektur der Punktwolkendaten ausgeführt werden. Insbesondere werden die letzten Stücke an Punktwolkendaten in Bezug auf das neue Stück von Punktwolkendaten positioniert mit Hilfe des IPC-Algorithmus (Iterative Closest Point). Dies liefert die Aggregat-Punktwolkendaten CP, welche die überlagerten Stücke von Punktwolkendaten in den mehreren Einzelbildern enthalten.
Der ICP-Algorithmus zum Durchführen der Positionskorrektur der integrierten Stücke an Punktwolkendaten soll zwei Stücke von Punktwolkendaten ausrichten durch wiederholtes Ausführen einer euklidischen Transformation (Translation, Rotation), welche eine Distanz zwischen den beiden Stücken von Punktwolkendaten minimiert. Speziell wird beispielsweise nach den nächsten Nachbarpunkten gesucht, die in den zwei Stücken von Punktwolkendaten P(t3), P(t2) gemäß 5 enthalten sind, um vorläufige Entsprechungspunkte zu bestimmen unter der Annahme, dass ein Abstand zwischen den Entsprechungspunkten ein Fehler darstellt, und es wird das Maß der euklidischen Transformation zum Minimieren der Fehlerquadratsumme abgeschätzt. In diesem Fall wird das letzte Stück von Punktwolkendaten P(t2) in Bezug auf das neue Stück von Punktwolkendaten P(t3) bewegt. Wenn die Summe der Fehlerquadrate zu einem vorbestimmten Wert oder darunter durch wiederholte Berechnung konvergiert, ist die Positionierung abgeschlossen.
Da die Positionierung mit Hilfe des ICP-Algorithmus signifikant von einem Anfangswert abhängt, kann die Positionierung möglicherweise nicht zur Konvergenz führen, wenn der Anfangswert deutlich gegenüber der optimalen Lösung versetzt ist. Allerdings wird die Positionskorrektur unter Verwendung des ICP-Algorithmus ausgeführt, nachdem die Integration der Stücke von Punktwolkendaten unter Verwendung des Bewegungshubs des Fahrzeugs 1 in der oben beschriebenen Weise erfolgt ist, wodurch es möglich ist, eine günstige Positionierung zu erreichen. Dies kann den Positionsversatz beseitigen, der nach der Integration der Stücke von Punktwolkendaten unter Verwendung des Bewegungshubs zum Erzeugen der Aggregat-Punktwolkendaten CP aus der günstigen Positionierung verbleibt.
Im folgenden soll detailliert der selbstabschätzende Ortungsprozess für das Fahrzeug 1 dieser Ausführungsform anhand der 6 erläutert werden. Der in 6 dargestellte Prozess wird von der Steuerung 14 der selbstabschätzenden Ortungseinrichtung 10 in einem vorbestimmten Zyklus wiederholt und wird beispielsweise dann abgeschlossen, wenn eine Operation eines (nicht dargestellten) autonomen Antriebssystems, an das ein Ergebnis aus der selbstabschätzenden Ortungseinrichtung 10 auszugeben ist, ausgeschaltet wird.
Wie in 6 dargestellt ist, führt die Steuerung 14 (1) einen Aggregat-Punktwolkendaten-Erzeugungsprozess (S10), (2) einen Abgleichprozess (S30) und (3) eine Ausgabe eines Abschätzergebnisses aus (S30). Im folgenden wird ein Prozess für jeden Schritt beschrieben.
(1) Aggregat-Punktwolkendaten-Erzeugungsprozess (S10)
Die Steuerung 14 erzeugt Aggregat-Punktwolkendaten, die N + 1 Stücke an Punktwolkendaten enthalten, basierend auf einem neuen Stück von Punktwolkendaten, die von dem externen Sensor 11 erfasst werden, und Stücken von Punktwolkendaten für die letzten N Zyklen, die in dem Datenspeicher 141 gespeichert sind. N kann eine natürliche Zahl größer oder gleich 1 sein; allerdings zeigt die folgende Erläuterung ein Beispiel für N = 2. Es sei angemerkt, dass, obschon der externe Sensor 11 konfiguriert sein kann zum Erfassen von dreidimensionalen Punktwolkendaten durch Ausführen einer Abtastung innerhalb eines Bereichs mit vorbestimmten Winkeln in Höhenrichtung zusätzlich zu der horizontalen Richtung, die folgende Beschreibung unter der Annahme erfolgt, dass Punktwolkendaten von dem externen Sensor 11 zweidimensionale Daten für eine vorbestimmte Höhe gegenüber dem Boden sind, was die Erläuterung vereinfachen soll.
Anhand der 7 wird der Ablauf des Aggregat-Punktwolkendaten-Erzeugungsprozesses erläutert. Die nachfolgende Beschreibung beruht auf der Annahme, dass ein neues Stück an Punktwolkendaten P(t4) zum Zeitpunkt t4 erfasst wird, wie in 3 dargestellt. Als erstes wird im Schritt S101 ein neues Stück an Punktwolkendaten P(t4) von dem externen Sensor 11 erfasst, und Messwerte für die Fahrzeuggeschwindigkeit, die Gearrate und dergleichen werden von dem internen Sensor 12 ermittelt. Außerdem wird in die Steuerung 14 zusätzlich zu den Datenstücken ein Zeitstempel eingegeben.
Im Schritt S102 wird festgestellt, ob die Anzahl von Einzelpunkten der Punktwolkendaten, die während des vorhergehenden Zyklus und den davor liegenden Zyklen erfasst wurden und in dem Datenspeicher 141 gespeichert sind, gleich oder größer N ist. Wenn die Anzahl der gespeicherten Einzelbilder der Punktwolkendaten kleiner als N ist, geht der Prozess weiter zum Schritt S110. Wenn hingegen die Anzahl der gespeicherten Einzelbilder der Punktwolkendaten gleich oder größer als N ist, geht der Prozess zum Schritt S103, und es wird festgestellt, ob die Anzahl der gespeicherten Einzelbilder der Punktwolkendaten N beträgt. Im Fall der Anzahl von Einzelbildern = N, geht der Prozess zum Schritt S105. Wird allerdings im Schritt S103 eine negative Feststellung getroffen, das heißt, wenn die Anzahl der Einzelbilder größer als N ist, geht der Prozess zum Schritt S104.
Im Schritt S104 wird von den Stücken von Punktwolkendaten in einer Mehrzahl von in dem Datenspeicher 141 gespeicherten Einzelbildern dasjenige Stück von Punktwolkendaten, das während des ältesten Zyklus ermittelt wurde, durch den zugehörigen Zeitstempel identifiziert und gelöscht. Wenn beispielsweise Stücke von Punktwolkendaten P(t1) bis P(t3) zu den Zeitpunkten t1 bis t3 nach 3 in dem Datenspeicher 141 abgespeichert sind, ist das Stück von Punktwolkendaten P(t1) zum Zeitpunkt t1 des ersten Zyklus zu löschen. Dies bewirkt, dass N Stücke, das heißt zwei Stücke von Punktwolkendaten P(t1) und P(t3) in dem Datenspeicher 141 zu speichern sind.
Im anschließenden Schritt S105 berechnet der Bewegungshubrechner 141 den Bewegungshub des Fahrzeugs 1. Insbesondere werden ein Bewegungshub Δli(t4) und ein Gearwinkel Δψi(t4) des Fahrzeugs 1 zum letzten Zeitpunkt (t4) als Bewegungshub des Fahrzeugs 1 basierend auf den Messwerten aus dem internen Sensor 2 im Schritt S101 eingegeben.
Im Schritt S106 werden die jüngsten Stücke an Punktwolkendaten P(t2), P(t3), die in dem Datenspeicher 141 gespeichert sind, zwecks Integration bezüglich des neuen Stücks an Punktwolkendaten P(t4), die im Schritt S101 eingegeben wurden, bewegt. Insbesondere werden die letzten Stücke an Punktwolkendaten P(t2), P(t3) verschoben und gedreht, um mit dem neuen Stück an Punktwolkendaten P(t4) integriert zu werden, wozu der Bewegungshub Δli(t4) und der Gearwinkel Δψi(t4) des Fahrzeugs 1 zum Zeitpunkt t4 herangezogen werden, wie oben erläutert wurde.
Insbesondere werden Aggregat-Punktwolkendaten CP(t3), die zum Zeitpunkt t3 während des vorhergehenden Zyklus erzeugt wurden, und aus denen das Stück an Punktwolkendaten P(t1) des ältesten Zeitpunkts t1 gemäß Schritt S104 gelöscht sind, unter Verwendung des Bewegungshubs Δli(t4) und des Gearwinkels Δψi(t4) des Fahrzeugs 1 im Zeitpunkt t4 verschoben und gedreht.
Es sei angemerkt, dass die Integration erreicht werden kann durch Verschieben und Drehen der Stücke von Punktwolkendaten P(t2), P(t3) für N Zyklen unabhängig voneinander in Bezug auf die neuen Stücke an Punktwolkendaten P(t4), wie oben erläutert wurde. Wenn beispielsweise der oben erläuterte Schritt S104 übersprungen wird, das heißt dann, wenn während des vorhergehenden Zyklus keine Aggregat-Punktwolkendaten CP(t3) mit N + 1 Stücken und Punktwolkendaten erzeugt werden, so werden die Stücke an Punktwolkendaten P(t2), P(t3) für N Zyklen in Bezug auf das neue Stück von Punktwolkendaten P(t4) Stück für Stück bewegt.
Im anschließenden Schritt S107 wird die Positionskorrektur mit Hilfe des IPC-Algorithmus auf die im Schritt S106 integrierten Stücke von Punktwolkendaten P(t2), P(t3), P(t4) angewendet. Die euklidische Transformation wird wiederholt ausgeführt, um den Abstand zwischen den letzten Stücken an Punktwolkendaten P(t2), P(t3) in Bezug auf das neue Stück von Punktwolkendaten P(t4) zu minimieren, wie oben erläutert wurde.
Insbesondere werden die Aggregat-Punktwolkendaten CP(t3), die im Zeitpunkt t3 während des vorhergehenden Zyklus erzeugt wurden, und von denen das Stück von Punktwolkendaten P(t1) des ältesten Zeitpunkts t1 in dem Schritt S104 gelöscht wurden, in Bezug auf das neue Stück von Punktwolkendaten P(t4) für die Integration im Schritt S106 positioniert. Alternativ können die Stücke an Punktwolkendaten P(t2), P(t3) für die N Zyklen unabhängig voneinander in Bezug auf das neue Stück von Punktwolkendaten P(t4) positioniert werden.
Dies erzeugt Aggregat-Punktwolkendaten CP(t4), in denen die letzten N Stücke an Punktwolkendaten P(t2), P(t3) mit dem neuen Stück an Punktwolkendaten P(t4) integriert sind.
Im Schritt S108 wird auf die Aggregat-Punktwolkendaten CP(t4), die im Schritt S107 erzeugt wurden, ein Annealing-Prozess angewendet, falls notwendig. Der Annealing-Prozess kann beispielsweise einen Prozess zum Annähern der Punktwolkendaten an eine Kurve oder eine gekrümmte Fläche beinhalten, außerdem einen Glättungsprozess zur Rauschbeseitigung und dergleichen.
Im Schritt S109 werden die erzeugten Aggregat-Punktwolkendaten CP(t4) ausgegeben. Die ausgegebenen Aggregat-Punktwolkendaten CP werden zum Abgleichen durch den Ortbestimmer 144 verwendet.
Im Schritt S110 werden die erzeugten Aggregat-Punktwolkendaten CP(t4) im Datenspeicher 141 gespeichert. Jetzt werden die Aggregat-Punktwolkendaten CP(t4) in Verbindung mit jeweiligen Zeitstempeln der N Stücke an Punktwolkendaten P(t2), P(t3), P(t4) gespeichert, die die Aggregat-Punktwolkendaten CP(t4) bilden. Dies macht es möglich, das Stück von Punktwolkendaten während des ältesten Zyklus in einem späteren Prozess zu identifizieren. Wenn hingegen die Anzahl der gespeicherten Einzelbilder von Punktwolkendaten, wie es im Schritt S102 ermittelt wird, kleiner als N ist, wird das Stück von Punktwolkendaten P(t4), das im Schritt S101 erfasst wird, im Datenspeicher 141 zusammen mit einem Zeitstempel gespeichert.
Es sei angemerkt, dass dann, wenn die Stücke von Punktwolkendaten P(t2), P(t3) für die N Zyklen in Bezug auf das neue Stück von Punktwolkendaten P(t4) einzeln verschoben und gedreht werden, die N Stücke an Punktwolkendaten P(t2), P(t3), P(t4), die die Aggregat-Punktwolkendaten CP(t4) bilden, anstelle der Speicherung der Aggregat-Punktwolkendaten CP(t4) selbst abgespeichert werden können.
(3) Abgleichprozess (S20)
Der Ortsabschätzer 144 führt einen Abgleich zwischen den im Schritt S10 erzeugten Aggregat-Punktwolkendaten CP und der in der Karten-Datenbank 13 abgespeicherten Umgebungskarte aus, um dadurch Ort und Lage des Fahrzeugs 1 auf der Umgebungskarte abzuschätzen. Für die Abgleichung mit der Umgebungskarte sind Abtast-Abgleichungen mittels unterschiedlicher Algorithmen verwendbar. Der oben beschriebene ICP-Algorithmus ist ein Beispiel für die Abtast-Abgleichung; allerdings wird hier der Abgleich durch den NDT-Algorithmus (Normal Distribution Transform) vorgenommen.
Bei dem NDT-Algorithmus werden Stücke von Punktwolkendaten auf der Umgebungskarte in ein Gitter unterteilt, um eine Normalverteilung in jeder Zelle des Gitters aufzubereiten, und es erfolgt ein Abgleich zwischen der Normalverteilung der Stücke von Punktwolkendaten auf der Umgebungskarte in jeder Zelle des Gitters und den Aggregat-Punktwolkendaten CP, um dadurch den Ort und die Lage des Fahrzeugs 1 abzuschätzen.
Insbesondere werden Stücke von Punktwolkendaten in dem Suchbereich um das Fahrzeug 1 herum auf der Umgebungskarte in ein Gitter mit einer vorbestimmten Zellengröße unterteilt. Wenn die Stücke von Punktwolkendaten dreidimensionale Daten sind, erfolgt eine Unterteilung in Voxel. Falls es sich bei den Stücken von Punktwolkendaten um zweidimensionale Daten handelt, werden sie in Gitterzellen unterteilt. Es werden ein Durchschnittswert und eine Varianz der in Gitterzellen unterteilten Punktwolkendaten berechnet, und die Punktwolkendaten werden in der Form einer Normalverteilung ausgedrückt. Anschließend wird ein Koordinatensystem der Aggregat-Punktwolkendaten in ein Koordinatensystem der Punktwolkendaten auf der Umgebungskarte mit Hilfe einer Transformationsmatrix transformiert, die einen eine Translation und eine Drehung repräsentierenden Parameter enthält. Der Grad der Übereinstimmung zwischen den Stücken von Punktwolkendaten nach der Transformation wird ausgewertet, und die Koordinatentransformation wird solange wiederholt, bis ein Auswertungswert auf einen vorbestimmten Wert oder darunter konvergiert ist. Damit ist der Abgleich abgeschlossen.
Der Ort des Fahrzeugs 1 auf der Umgebungskarte, der durch den Abgleich gewonnen wurde, wird als ein Koordinatenwert eines Ursprungs des lokalen Koordinatensystems des Fahrzeugs 1 in dem Koordinatensystem der Umgebungskarte ausgedrückt. Darüber hinaus wird die Lage (die Orientierung) des Fahrzeugs 1 ausgedrückt als eine Orientierung (ein Winkel) des lokalen Koordinatensystems des Fahrzeugs 1 relativ zu dem Koordinatensystem der Umgebungskarte.
Bei dem oben erläuterten ICP-Algorithmus wird ein Fehler jedes Punkts in dem vergangenen Stück an Punktwolkendaten relativ zu dem letzten Stück von Punktwolkendaten berechnet, so dass der Rechenaufwand mit einer Zunahme der Anzahl von Punktwolken zunimmt, was zu einer Steigerung der Rechenbelastung für die Steuerung 14 führt. Bei dem NDT-Algorithmus hingegen wird der Suchbereich auf der Umgebungskarte, wo Punktwolken vorhanden sind, in Gitterzellen unterteilt, und eine für jede Gitterzelle erhaltene Normalverteilung dient zum Ausdrücken der Punktwolken und zum Ausführen des Abgleichs, wodurch es möglich wird, den Rechenaufwand im Vergleich zu dem ICP-Algorithmus zu verringern.
(3) Ausgabe des Abschätzergebnisses (S30)
Der Ortsabschätzer 144 gibt den Ort und die Lage des Fahrzeugs 1, die im Schritt S20 abgeschätzt wurden, beispielsweise an ein (nicht dargestelltes) autonomes Fahrsystem in dem Fahrzeug 1. Die selbstabschätzende Ortungseinrichtung 10 kann auch so konfiguriert sein, dass Ort und Lage des Fahrzeugs 1 abgespeichert werden, was eine Abspeicherung der Historie von Ort und Lage des Fahrzeugs 1 bewirkt.
Wie oben erläutert, werden die vergangenen Stücke von Punktwolkendaten für die N Zyklen in Bezug auf das letzte Stück von Punktwolkendaten überlagert, wodurch es möglich wird, eine Punktwolke zu gewinnen, die nicht hätte gewonnen werden können aus einem Stück von Punktwolkendaten für einen einzigen Zyklus, bedingt durch den Einfluss einer Störung oder dergleichen. Wenn zum Beispiel das letzte Stück von Punktwolkendaten P(t) und ein vergangenes Stück von Punktwolkendaten P(t-1) gemäß 9 überlagert werden, lässt sich eine Punktwolke entsprechend dem Gebäude 2b und dem Baum 2c erhalten, die in der Situation (i), in der eine Okklusion gemäß 1(a) auftritt, nicht erhalten werden könnten.
Obschon das Beispiel, bei dem die Punktwolkendaten zweidimensionale Daten sind, oben erläutert wurde, lassen sich Aggregat-Punktwolkendaten durch eine ähnliche Methode auch dann erzeugen, wenn es sich bei den Punktwolkendaten um dreidimensionale Daten handelt. In diesem Fall kann eine Punktwolke entsprechend dem Gebäude 2d auch im Fall (iii) gewonnen werden, in welchem die optische Achse des externen Sensors gegenüber der horizontalen Richtung aufgrund einer Roll-/Nickbewegung des mobilen Objekts versetzt ist, wie in 1(c) dargestellt ist.
In der selbstabschätzenden Ortungseinrichtung 10 für das Fahrzeug 1 gemäß der vorliegenden, oben erläuterten Ausführungsform sind die folgenden betrieblichen Wirkungsweisen erzielbar:

(1) Die selbstabschätzende Ortungseinrichtung 10 für ein mobiles Objekt, das den externen Sensor 11, der die Umgebung des Fahrzeugs 1 zum Erfassen von Punktwolkendaten in einem vorbestimmten Zyklus abtastet, und die Karten-Datenbank 13, die eine Umgebungskarte speichert, enthält, ist konfiguriert zum Abschätzen des Orts und der Lage eines mobilen Objekts. Die selbstabschätzende Ortungseinrichtung 10 enthält weiterhin den Datenspeicher 141, der die von dem externen Sensor 11 erfassten Punktwolkendaten speichert, den Aggregat-Punktwolkendaten-Generator 143, der ansprechend auf ein neues Stück von Punktwolkendaten aus dem externen Sensor 11 Aggregat-Punktwolkendaten basierend auf dem neuen Stück an Punktwolkendaten und Stücken von Punktwolkendaten für N Zyklen, die in dem Datenspeicher 141 gespeichert sind, einschließlich eines Stücks von Punktwolkendaten ein Zyklus früher, erzeugt, und den Ortsabschätzer 144, der einen Ort und eine Lage des Fahrzeugs 1 auf einer Umgebungskarte abschätzt durch Ausführen eines Abgleichs zwischen den von dem Aggregat-Punktwolkendaten-Generator 143 erzeugten Aggregat-Punktwolkendaten einerseits und der Umgebungskarte andererseits.

Aufgrund der Erzeugung der Aggregat-Punktwolkendaten, die eine Mehrzahl von Stücken von Punktwolkendaten sequentiell auf einer zeitlichen Achse enthalten, basierend auf dem neuen Stück von Punktwolkendaten und den Stücken von Punktwolkendaten für die N Zyklen einschließlich des Stücks von Punktwolkendaten für einen Zyklus davor, ist es möglich, ausreichend viele Stücke von Punktwolkendaten auch dann zu gewinnen, wenn eine Störung auftritt. Dies macht es möglich, in bevorzugter Form einen Abgleich vorzunehmen mit der Umgehungskarte, um die Abschätzgenauigkeit bei der Selbstabschätzung des Orts des Fahrzeugs 1 zu verbessern. Selbst in der Situation (i), in der eine Okklusion stattfindet, wie in 1(a) gezeigt ist, oder der Situation (ii), in der die Örtlichkeit eine geringe Anzahl von Landmarken enthält, wie in 1(b) gezeigt ist, ermöglicht die Erzeugung von Aggregat-Punktwolkendaten aus einer Mehrzahl von Stücken von Punktwolkendaten eine Eigenabschätzung des Orts in mehr Situationen. Darüber hinaus können selbst in der Situation (iii), in der eine Störung stattfindet wie zum Beispiel eine Roll-/Nickbewegung, wie in 1(c) gezeigt ist, Aggregat-Punktwolkendaten einschließlich eines Stücks von Punktwolkendaten zu der Zeit vor dem Auftreten des Nickens erzeugt werden, wodurch es möglich wird, eine robuste selbstabschätzende Ortung auch bei einer Roll-/Nickbewegung zu erhalten.
Das Verlagern von Stücken von Punktwolkendaten für mehrere Zyklen führt zu einer Steigerung der Anzahl von Punktwolken, die für eine hochgenaue Abgleichung mit der Umgebungskarte zur Verfügung stehen, so dass es möglich ist, einen Rotationszyklus des externen Sensors 11 sowie Schichten eines von dem externen Sensor 11 abgesendeten Laserstrahls zu reduzieren (zum Beispiel ein Intervall der Emission des Laserstrahls, Emissionszeit und Anzahl der Abstrahlrichtungen etc.). Dies ermöglicht weniger stringente Hardware-Anforderungen für den externen Sensor 11, so dass die Kosten der selbstabschätzenden Ortungseinrichtung 10 insgesamt reduziert werden können.
(2) Die selbstabschätzende Ortungseinrichtung 10 enthält weiterhin den Bewegungshubrechner 142, der einen Bewegungshub des Fahrzeugs 1 während eines vorbestimmten Zyklus gewinnt, und den Aggregat-Punktwolkendaten-Generator 143, der die Aggregat-Punktwolkendaten erzeugt durch Bewegen und Integrieren der Stücke von Punktwolkendaten für N Zyklen in Bezug auf ein neues Stück von Punktwolkendaten, wozu der Bewegungshub des Fahrzeugs 1 verwendet wird. Die Punkteanordnungen der Punktwolken, die aus Stücken von Punktwolkendaten in einer Mehrzahl von zeitlich sequentiellen Einzelbildern erhalten werden, sind anfällig für Störungen. Ein starker Versatz zwischen den Punktwolken in den Stücken von Punktwolkendaten in den mehreren Einzelbildern macht es schwierig, die Stücke von Punktwolkendaten einander zu überlagern, so dass Zeit benötigt wird für die Erzeugung der Aggregat-Punktwolkendaten. Folglich werden die sequentiellen Stücke von Punktwolkendaten mit Hilfe des Bewegungshubs des Fahrzeugs 1 während eines Zyklus integriert, das heißt zwischen sequentiellen Abtastzeiten auf der Zeitachse. Hierdurch wird es möglich, eine grobe Positionierung auch dann zu erreichen, wenn es eine Variation zwischen den Stücken von Punktwolkendaten gibt. Darüber hinaus ermöglicht die Verwendung des Bewegungshubs des Fahrzeugs 1 eine Verringerung der Rechenlast für die Steuerung 14.
(3) Nach Bewegen der Stücke von Punktwolkendaten für die N Zyklen unter Verwendugn des Bewegungshubs des Fahrzeugs 1 erzeugt der Aggregat-Punktwolkendaten-Generator 143 die Aggregat-Punktwolkendaten durch Ausführen einer Positionierung der Stücke von Punktwolkendaten für die N Zyklen in Bezug auf das neue Stück von Punktwolkendaten mit Hilfe des ICP-Algorithmus. Nach der Integration der Stücke von Punktwolkendaten unter Verwendung des Bewegungshubs des Fahrzeugs 1 werden die Positionen der Stücke von Punktwolkendaten weiter korrigiert, um dadurch eine Distanz zwischen den Entsprechungspunkten (einen Fehler) zwischen den Stücken von Punktwolkendaten in den mehreren Einzelbildern zu reduzieren, wodurch es möglich ist, hochgenaue Aggregat-Punktwolkendaten zu generieren und die Genauigkeit bei der Selbstabschätzung des Orts des Fahrzeugs 1 durch Abgleich mit der Umgebungskarte zu verbessern.
(4) Die Aggregat-Punktwolkendaten enthalten Punkte, die einander überlappen, nachdem das neue Stück von Punktwolkendaten und die Stücke von Punktwolkendaten für die N Zyklen integriert wurden. Das Verwenden des NDT-Algorithmus sieht vor, dass der Ortsabschätzer 144 die Stücke von Punktwolkendaten auf der Umgebungskarte in Gitterzellen aufteilt, um eine Normalverteilung in jeder der Gitterzellen zu gewinnen, und um dann einen Abgleich zwischen der Normalverteilung der Stücke von Punktwolkendaten auf der Umgebungskarte in jeder der Gitterzellen und den Aggregat-Punktwolkendaten vorzunehmen und dadurch den Ort und die Lage des Fahrzeugs 1 abzuschätzen. Das Vorhandensein der Überlappungspunkte in den Aggregat-Punktwolkendaten reflektiert eine hohe Zuverlässigkeit dieser Punkte. Aufgrund der Ausführung des Abgleichs durch den NDT-Algorithmus unter Beibehaltung der überlappenden Punkte lässt sich die Genauigkeit bei der Selbstabschätzung des Orts verbessern.
(5) Wenn N eine natürliche Zahl von zwei oder größer ist und die Stücke von Punktwolkendaten für N + 1 Zyklen in dem Datenspeicher 141 gespeichert sind, löscht der Aggregat-Punktwolkendaten-Generator 143 ansprechend auf ein neues Stück von Punktwolkendaten aus dem externen Sensor 11 das Stück von Punktwolkendaten für den ältesten Zyklus unter den Stücken von Punktwolkendaten der N + 1 Zyklen, die in dem Datenspeicher 141 gespeichert sind, und erzeugt Aggregat-Punktwolkendaten basierend auf den Stücken von Punktwolkendaten für die N Zyklen, nachdem das Stück von Punktwolkendaten des ältesten Zyklus gelöscht wurde, und dem neuen Stück von Punktwolkendaten. Damit werden die Aggregat-Punktwolkendaten stets bereitgestellt durch eine Ansammlung einschließlich einer vorbestimmten Anzahl (N + 1) von Stücken von Punktwolkendaten, die integriert wurden, so dass es möglich ist, eine Zunahme der Rechenlast für die Steuerung 14 während des Abgleichvorgangs mit der Umgebungskarte zu verringern. Für das Löschen des Stücks von Punktwolkendaten ist es lediglich notwendig, das Stück von Punktwolkendaten während des ältesten Zyklus auf der Zeitachse chargenweise zu löschen ohne die Anzahl von Punktwolken zu zählen, die in den Aggregat-Punktwolkendaten enthalten sind. Hiermit lässt sich eine Zunahme der Rechenlast für die Steuerung 14 verringern.
Modifizierte Beispiele
(1) Bei der obigen Ausführungsform befindet sich der externe Sensor 11 auf dem oberen Bereich des Fahrzeugs und ist konfiguriert zum Ausführen einer 360-Grad-Abtastung um das Fahrzeug 1 herum, während er sich dreht. Allerdings ist der Aufbau des externen Sensors 11 nicht hierauf beschränkt. Beispielsweise kann der externe Sensor 11 so aufgebaut sein, dass er eine Mehrzahl von LiDARs enthält, die an dem Fahrzeug 1 fixiert sind, um ein Stück von Punktwolkendaten für einen Zyklus dadurch zu erfassen, dass Stücke von Punktwolkendaten für die mehreren LiDARs verschmelzt werden, um dadurch eine Abtastung in die jeweiligen spezifischen Richtungen zu erreichen.
In diesem Fall kann beispielsweise, wie in 8 gezeigt ist, das Fahrzeug 1 mit einem externen Sensor 111 ausgestattet sein, der einen vorbestimmten Winkel 41 auf der Vorderseite des Fahrzeugs 1 abtastet, während ein externer Sensor 112 einen vorbestmimten Winkel 42 auf einer linken Seite des Fahrzeugs 1 abtastet und ein externere Sensor 113 einen vorbestimmten Winkel 43 auf einer rechten Seite des Fahrzeugs 1 abtastet. Stücke von Punktwolkendaten, die von den externen Sensoren 111, 112, 113 erfasst werden, sind definiert durch ihre jeweiligen lokalen Koordinatensysteme, oder durch Sensor-Koordinatensysteme, so dass eine Verschmelzung der Stücke von Punktwolkendaten eine Transformation aus jedem der Sensor-Koordinatensysteme in das lokale Koordinatensystem des Fahrzeugs 1 erforderlich ist, das heißt in das Fahrzeugkarosserie-Koordinatensystem.
Die nachstehende Gleichung 1 repräsentiert eine Transformationsmatrix aus dem Sensor-Koordinatensystem in das Fahrzeugkarosserie-Koordinatensystem.
[Math. 1] $[\begin{array}{l} x_{v} \\ y_{v} \\ 1 \end{array}] = [\begin{matrix} c o s θ_{i} & - s i n θ_{i} & T_{x i} \\ s i n θ_{i} & c o s θ & T_{y i} \\ 0 & 0 & 1 \end{matrix}] [\begin{array}{l} x_{i} \\ y_{i} \\ 1 \end{array}]$
In der Gleichung 1 ist i eine jedem der externen Sensoren 111, 112, 113 zugeordnete Zahl, θ ist ein Drehwinkel von dem Fahrzeugkarosserie-Koordinatensystem in jedes von den Sensor-Koordinatensystemen, Txi ist eine x-Koordinate eines Ursprungs jedes der Sensor-Koordinatensysteme relativ zu einem Ursprung des Fahrzeugkarosserie-Koordinatensystems, und Tyi ist eine y-Koordinate des Ursprungs jedes der Sensor-Koordinatensysteme relativ zu dem Ursprung des Fahrzeugkarosserie-Koordinatensystems.
Es sei angemerkt, dass dann, wenn Stücke von dreidimensionalen Punktwolkendaten von den externen Sensoren 111 bis 113 erfasst werden, eine dreidimensionale Drehmatrix zum Ausführen der Koordinatentransformation verwendet werden kann. Es kann weiterhin ein externer Sensor vorhanden sein, der einen vorbestimmten Winkel auf einer Rückseite des Fahrzeugs 1 abtastet, um um das Fahrzeug 1 herum in Kombination mit den externen Sensoren 111 bis 113 eine 360-Grad-Abtastung vorzunehmen.
(2) Bei der oben beschriebenen Ausführungsform erfolgte die Überlagerung von Stücken von Punktwolkendaten in einer Mehrzahl von Einzelbildern in zwei Stufen: die Grobpositionierung unter Verwendung eines Bewegungshubs des Fahrzeugs 1 und die detaillierte Positionskorrektur mit Hilfe des ICP-Algorithmus. Allerdings ist dies nicht beschränkend zu verstehen. Es kann auch vorgesehen sein, dass nur die Positionierung mit Hilfe des ICP-Algorithmus ohne Ausführen der Positionierung unter Verwendung eines Bewegungshubs erfolgt. Die Positionierung unter Verwendung eines Bewegungshubs dient als Einstellung eines Anfangswerts für die Positionierung mit Hilfe des ICP-Algorithmus. Wenn allerdings eine Variation zwischen den Stücken von Punktwolkendaten nicht so groß ist, lässt sich eine günstige Integration von Stücken von Punktwolkendaten für eine Mehrzahl von Zyklen vorwegnehmen ohne Ausführung der Positionierung unter Verwendung des Bewegungshubs.
(3) Bei der obigen Ausführungsform wird ein Bewegungshub berechnet anhand einer Fahrzeuggeschwindigkeit (einer Geschwindigkeit eines mobilen Objekts) und einer Gearrate (einer Winkelgeschwindigkeit), gemessen von dem internen Sensor 12. Allerdings kann auch eine Beschleunigungsrate für die Berechnung des Bewegungshubs herangezogen werden. Es kann auch möglich sein, die Gearrate anhand eines Vorderrad-Lenkwinkels und der Fahrzeuggeschwindigkeit des Fahrzeugs 1 ohne Einsatz eines Gyroskops abzuschätzen.
(4) Bei der obigen Ausführungsform dient der NDT-Algorithmus für den Abgleich zwischen der Umgebungskarte und den Punktwolkendaten. Allerdings ist dies nicht beschränkend zu verstehen. Für den Abgleich kann zum Beispiel auch ein anderer als der ICP-Algorithmus herangezogen werden.
(5) Bei der obigen Ausführungsform dient das in 6 dargestellte Flussdiagramm der Erläuterung des Aggregat-Punktwolkendaten-Erzeugungsprozesses und des Abgleichprozesses. Die jeweiligen Zyklen von Intervallen dieser Prozesse können gleich sein oder auch voneinander abweichen. Da eine Rechnungslast durch den Abgleichprozess üblicherweise hoch ist, kann der Abgleichprozess auch mit einem langsameren Zyklus durchgeführt werden als der Aggregat-Punktwolkendaten-Erzeugungsprozess. Beispielsweise ist es möglich, den Aggregat-Punktwolkendaten-Erzeugungsprozess in einem Zyklus von 10 ms und den Abgleichprozess in einem Zyklus von 100 ms durchzuführen.
(6) Bei der obigen Ausführungsform ist vorgesehen, dass ansprechend auf ein neues Stück von Punktwolkendaten aus dem externen Sensor 11 die Punktwolkendaten während des ältesten Zyklus unter den in dem Datenspeicher 141 abgespeicherten Punktwolkendaten für die N + 1 Zyklen gelöscht werden. Allerdings ist dies nicht beschränkend zu verstehen insofern, als vorgesehen werden kann, dass die Punktwolkendaten während des ältesten Zyklus ansprechend darauf gelöscht werden, dass das in dem Datenspeicher 141 gespeicherte Datenvolumen eine vorbestimmte Obergrenze erreicht. In diesem Fall können von den Stücken von Punktwolkendaten für mehrere in dem Datenspeicher 141 gespeicherte Zyklen nach dem Löschen des Stücks von Punktwolkendaten während des ältesten Zyklus die Stücke von Punktwolkendaten für die N Zyklen gelesen und für die Überlagerung mit dem neuen Stück von Punktwolkendaten herangezogen werden.
(7) Bei der obigen Ausführungsform enthält der Aufbau der Steuerung 14 den beschriebenen Datenspeicher 141. Allerdings kann der Datenspeicher 141 auch als Speicher außerhalb der Steuerung 14 realisiert werden.
(8) Bei der obigen Ausführungsform wurde beispielhaft der Fall N = 2 beschrieben, wobei N die Anzahl von Einzelbildern von Punktwolkendaten bedeutet, auf die ein neues Stück von Punktwolkendaten zu überlagern ist. Allerdings ist dies keine Beschränkung, sondern N kann auch eine natürliche Zahl größer oder gleich 3 drei sein.
(9) Bei der obigen Ausführungsform ist das Fahrzeug 1 als ein Beispiel für ein mobiles Objekt beschrieben. Allerdings ist die Erfindung gleichermaßen anwendbar auf jegliches mobile Objekt verschieden von dem Fahrzeug 1.
Wenngleich verschiedene Ausführungsformen der Erfindung oben erläutert wurden, ist die Erfindung nicht auf die obigen Ausführungsformen beschränkt, sondern es sind verschiedene weitere Modifikationen und Abwandlungen im Rahmen des Schutzumfangs der Erfindung möglich.
[Bezugszeichenliste]

1: Fahrzeug
10: Ortungseinrichtung
11, 111, 112, 113: Externer Sensor
12: Interner Sensor
13: Kartendatenbank
14: Steuerung
141: Datenspeicher
142: Bewegungshubrechner
143: Aggregat-Punktwolkendaten-Generator
144: Ortsabschätzer

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

WO 2019/044500 A1 [0004]

Claims

Selbstabschätzende Ortungseinrichtung für ein mobiles Objekt, enthaltend: einen externen Sensor, konfiguriert zum Abtasten einer Umgebung eines mobilen Objekts, um Punktwolkendaten in einem vorbestimmten Zyklus zu erfassen; und eine eine Umgebungskarte speichernde Kartendatenbank; wobei die selbstabschätzende Ortungseinrichtung konfiguriert ist zum Abschätzen eines Orts und einer Lage des mobilen Objekts, wobei die selbstabschätzende Ortungseinrichtung aufweist: einen Datenspeicher, konfiguriert zum Speichern der von dem externen Sensor erfassten Punktwolkendaten; einen Aggregat-Punktwolkendaten-Generator, konfiguriert, um ansprechend auf ein neues Stück der von dem externen Sensor erfassten Punktwolkendaten Aggregat-Punktwolkendaten zu erzeugen, basierend auf dem neuen Stück der Punktwolkendaten und Stücken der Punktwolkendaten für N Zyklen, die in dem Datenspeicher gespeichert sind, enthaltend ein Stück der Punktwolkendaten eines Zyklus' früher; und einen Ortsabschätzer, konfiguriert zum Abschätzen des Orts und der Lage des mobilen Objekts auf der Umgebungskarte durch Ausführen eines Abgleichs zwischen den von dem Aggregat-Punktwolkendaten-Generator erzeugten Aggregat-Punktwolkendaten und der Umgebungskarte.
Selbstabschätzende Ortungseinrichtung für ein mobiles Objekt nach Anspruch 1, umfassend: einen Bewegungshubrechner, konfiguriert zum Ermitteln eines Bewegungshubs des beweglichen Objekts während eines Zyklus des vorbestimmten Zyklus, wobei der Aggregat-Punktwolkendaten-Generator konfiguriert ist zum Erzeugen der Aggregat-Punktwolkendaten durch Bewegen und Integrieren der Stücke der Punktwolkendaten für die N Zyklen in Bezug auf das neue Stück der Punktwolkendaten unter Verwendung des Bewegungshubs des beweglichen Objekts.
Selbstabschätzende Ortungseinrichtung für ein bewegliches Objekt nach Anspruch 2, bei der nach Bewegen der Stücke der Punktwolkendaten für die N Zyklen unter Verwendung des Bewegungshubs des beweglichen Objekts, der Aggregat-Punktwolkendaten-Generator konfiguriert ist zum Erzeugen der Aggregat-Punktwolkendaten durch Ausführen einer Positionierung der Stücke der Punktwolkendaten für die N Zyklen in Bezug auf das neue Stück der Punktwolkendaten durch einen ICP-Algorithmus (iterative closest point).
Selbstabschätzende Ortungseinrichtung für ein mobiles Objekt nach einem der Ansprüche 1 bis 3, bei der: die Aggregat-Punktwolkendaten Punkte enthalten, die einander überlappen, nachdem das neue Stück der Punktwolkendaten und die Stücke der Punktwolkendaten für die N Zyklen integriert sind; und der Ortsabschätzer konfiguriert ist zum Abschätzen des Orts und der Lage des mobilen Objekts durch Unterteilen von Stücken der Punktwolkendaten aus der Umgebungskarte in Gitterzellen, um eine Normalverteilung in jeder der Gitterzellen vorzubereiten, und durch Ausführen eines Abgleichs zwischen der Normalverteilung der Stücke der Punktwolkendaten auf der Umgebungskarte in jeder der Gitterzellen und der Aggregat-Punktwolkendaten.
Selbstabschätzende Ortungseinrichtung für ein mobiles Objekt nach einem der Ansprüche 1 bis 3, bei der: N eine natürliche Zahl gleich oder größer als zwei ist; und für den Fall, dass Stücke von Punktwolkendaten für N+1 Zyklen in dem Datenspeicher gespeichert sind, der Aggregat-Punktwolkendaten-Generator konfiguriert ist, um ansprechend auf das neue Stück von Punktwolkendaten, die durch den externen Sensor erfasst werden, ein Stück der Punktwolkendaten während des ältesten Zyklus unter den Stücken von Punktwolkendaten für die in dem Datenspeicher abgespeicherten N+1 Zyklen zu löschen und die Aggregat-Punktwolkendaten basierend auf den Stücken von Punktwolkendaten für die N Zyklen nach Löschen des Stücks von Punktwolkendaten während des ältesten Zyklus und dem neuen Stück von Punktwolkendaten zu erzeugen.