DE10324897A1 - Verfahren und Vorrichtung zur Opjektbestimmung in Fahrerassistenzsystemen für Kraftfahrzeuge - Google Patents

Verfahren und Vorrichtung zur Opjektbestimmung in Fahrerassistenzsystemen für Kraftfahrzeuge Download PDF

Info

Publication number
DE10324897A1
DE10324897A1 DE10324897A DE10324897A DE10324897A1 DE 10324897 A1 DE10324897 A1 DE 10324897A1 DE 10324897 A DE10324897 A DE 10324897A DE 10324897 A DE10324897 A DE 10324897A DE 10324897 A1 DE10324897 A1 DE 10324897A1
Authority
DE
Germany
Prior art keywords
quality factor
distribution
video image
determined
measured values
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.)
Withdrawn
Application number
DE10324897A
Other languages
English (en)
Inventor
Dietrich Baehring
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE10324897A priority Critical patent/DE10324897A1/de
Priority to EP04723515A priority patent/EP1634241B1/de
Priority to PCT/DE2004/000634 priority patent/WO2004111938A1/de
Priority to DE502004011702T priority patent/DE502004011702D1/de
Publication of DE10324897A1 publication Critical patent/DE10324897A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • 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
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/08—Systems for measuring distance only
    • G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
    • G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G01S13/42—Simultaneous measurement of distance and other co-ordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9325—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles for inter-vehicle distance regulation, e.g. navigating in platoons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Verfahren zur Objektbestimmung in einem Fahrerassistenzsystem für Kraftfahrzeuge, bei dem durch Auswertung einer Videobildfolge und durch MAP-Schätzung einer Bayesschen Wahrscheinlichkeitsfunktion eine Ergebnisgröße (X) bestimmt wird, die den Zustand des Objekts (20) beschreibt, gekennzeichnet durch die folgenden Schritte: DOLLAR A a) Durch die Bildauswertung, wahlweise in Kombination mit der Auswertung von Objektdaten aus anderen Quellen (12), werden mindestens zwei von einander unabhängige Meßwerte (M¶1¶, M¶2¶) für die Ergebnisgröße (X) bestimmt, DOLLAR A b) jedem Messert (M¶1¶, M¶2¶) wird ein Gütefaktor (G¶1¶, G¶2¶) zugeordnet, der die Verläßlichkeit des Meßwertes beschreibt, DOLLAR A c) die Wahrscheinlichkeitsverteilung jedes Meßwertes wird durch eine Gauß-Verteilung DOLLAR I1 modelliert, mit einer vom Gütefaktor abhängigen Streuung, und DOLLAR A d) als Bayessche Wahrscheinlichkeitsfunktion DOLLAR I2 für die MAP-Schätzung wird das Produkt der Gauß-Verteilungen gebildet.

Description

  • Stand der Technik
  • Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Objektbestimmung in einem Fahrerassistenzsystem für Kraftfahrzeuge, bei dem durch Auswertung einer Videobildfolge und durch MAP-Schätzung (Maximum-A-Posteriori Schätzung) einer Bayes'schen Wahrscheinlichkeitsfunktion eine Ergebnisgröße bestimmt wird, die den Zustand des Objekts beschreibt. Das Verfahren dient insbesondere dazu, Objekte, beispielsweise vorausfahrende Fahrzeuge, im Umfeld des eigenen Fahrzeugs zu orten, also deren Position zu bestimmen, und zugleich die Objekthypothesen zu verifizieren, um festzustellen, ob es sich um echte Objekte oder Scheinobjekte, Rauschen oder dergleichen handelt. Anhand dieser Informationen ist das Fahrerassistenzsystem dann in der Lage, den Fahrer bei der Führung des Fahrzeugs zu unterstützen oder ihm bestimmte Funktionen abzunehmen, beispielsweise in einem bekannten ACC-System (Adaptive Cruise Control) die Einhaltung des Sicherheitsabstandes zu einem vorausfahrenden Fahrzeug.
  • Aus einer Veröffentlichung "Robust car tracking using Kalman filtering and Bayesian templates", Frank Dellaert und C. Thorpe, Department of Computer Science and the Roboting Institute, Carnegie Mellon University, Pitsburgh, USA, ist ein Verfahren der oben genann ten Art bekannt, bei dem die Position eines Fahrzeugs im Videobild dadurch bestimmt wird, daß eine rechteckige Begrenzungsbox so in das Videobild gelegt wird, daß sie möglichst genau mit der Umrißlinie der Rückfront des Fahrzeugs übereinstimmt. Die Lage der Begrenzungsbox im Videobild stellt dann die Ergebnisgröße dar, die den Ort (und die Ausdehnung) des Objekts beschreibt. Die MAP-Schätzung dient hier dazu, die Form und Lage der Begrenzungsbox optimal an den Fahrzeugumriß anzupassen. Zu diesem Zweck wird eine Bayes'sche Wahrscheinlichkeitsfunktion P(F|B) definiert, die, vereinfacht gesagt, eine Funktion der wahren Position F des Fahrzeugs und der Lage B der Begrenzungsbox ist. Diese Funktion gibt die bedingte Wahrscheinlichkeit dafür an, daß F die wahre Position des Fahrzeugs ist, bei gegebener Bedingung, daß B die Lage der Begrenzungsbox ist. In der realen Auswertungssituation ist aber nicht die Lage B der Begrenzungsbox gegeben, sondern vielmehr die wahre Position F des Fahrzeugs, kodiert in der Bildinformation des Videobildes. Gefragt ist somit, welche Lage B die Begrenzungsbox haben muß, damit sie mit größtmöglicher Wahrscheinlichkeit die wahre Position F des Fahrzeugs beschreibt. Gesucht ist also das Maximum der Wahrscheinlichkeit P(B|F), also das Maximum der Wahrscheinlichkeit dafür, daß B die Lage der Begrenzungsbox ist, bei gegebener Bedingung, daß F die wahre Position des Fahrzeugs ist. Diese Wahrscheinlichkeit ist nach dem Satz von Bayes gegeben durch Formel: P(B|F) = P(F|B)·P(B) .
  • Darin ist P(B) die Wahrscheinlichkeit dafür, daß die Begrenzungsbox die Lage B hat. Diese Wahrscheinlichkeit geht als a-priori-Information in die Auswertung ein und wird aus dem Vorwissen berechnet, das man im vorausgegangenen Auswertungsschritt erhalten hat. Dazu wird P(B) als eine Gauß-Verteilung modelliert, deren Mittelwert der Lage B der Begrenzungsbox im vorausgegangenen Auswertungszyklus entspricht und deren Streuung die Verläßlichkeit dieser Begrenzungsbox angibt.
  • In die Funktion P(B|F), geht außer diesem Vorwissen auch die a-posteriori-Information P(F|B) ein, die durch Auswertung des neuesten Videobildes gewonnen wird. Die Maximum-A-Posteriori-Schätzung für B besteht im Aufsuchen des Maximums der Verteilung P(B|F).
  • Auf diese Weise ist es mit dem bekannten Verfahren möglich, die Position des Fahrzeugs, repräsentiert durch seine Begrenzungsbox, in den aufeinanderfolgenden Videobildern zu verfolgen.
  • Das beschriebene Verfahren stützt sich jedoch nur auf die Auswertung eines einzigen Merkmals im Videobild, nämlich der Umrißlinie des Fahrzeugs.
  • Um die Genauigkeit und Robustheit der Objektortung zu steigern ist es bekannt, mehrere unabhängig von einander gewonnene Meßwerte für dieselbe Ergebnisgröße miteinander abzugleichen und zu einer einzigen Ergebnisgröße zu fusionieren. In einem Aufsatz "Radar and Vision Data Fusion for Hybride Adaptive Cruise Control on Highways" von Hofman, Rieder und Dickmanns, Institut für Systemdynamik und Flugmechanik, Universität der Bundeswehr, München, in B.Schiele und G. Sagerer (Herausgeber): ICVS 2001, LNCS 2095, Seiten 125–138, Springer-Verlag Berlin/Heidelberg 2001, wird ein Verfahren beschrieben, bei dem die durch Bildauswertung gewonnenen Ortungsdaten mit Ortungsdaten fusioniert werden, die mit Hilfe eines winkelauflösenden Radarsystems erhalten wurden.
  • Vorteile der Erfindung
  • Die Erfindung mit den in den unabhängigen Ansprüchen angegebenen Merkmalen hat den Vorteil, daß sie es auf einfache und effiziente Weise erlaubt, eine Vielzahl unabhängig voneinander gewonnener Meßergebnisse miteinander zu fusionieren. Dabei wird erfindungsgemäß die MAP-Schätzung zur Fusion der verschiedenen, jeweils mit Unsicherheiten behafteten Meßergebnisse benutzt.
  • In einem ersten Schritt werden mindestens zwei voneinander unabhängige Meßwerte für die Ergebnisgröße bestimmt. Mindestens einer dieser Meßwerte wird durch Auswertung des Videobildes gewonnen, beispielsweise durch Auswertung der Umrißlinie. Die anderen Meßwerte können durch Bildauswertung anhand anderer Merkmale des Objektes erhalten werden, bei Fahrzeugen beispielsweise anhand des Schattenwurfes unter dem Fahrzeug, anhand der für Fahrzeuge charakteristischen Symmetrie oder auch anhand der weitgehend identischen Querbewegungen sämtlicher Punkte des Fahrzeugs. Diese anderen Meßgrößen können jedoch auch aus anderen Quellen stammen. In einer besonders bevorzugten Ausführungsform der Erfindung stammt zumindest eine Meßgröße vom Radarsystem. Dabei wird die mit dem Radarsystem gemessene dreidimensionale Position des Fahrzeugs in das zweidimensionale Koordinatensystem des Videobildes projiziert.
  • In einem weiteren Schritt wird dann jedem Meßwert ein Gütefaktor zugeordnet, der die Verläßlichkeit dieses Meßwertes beschreibt. Zumeist wird es sich bei den Meßwerten um vektorielle Größen handeln. In diesem Fall wird jeder einzelnen Komponente jedes Meßwertes ein Gütefaktor zugeordnet. Beispielsweise wird bei dem durch Radarortung erhaltenen Meßwert der Gütefaktor für die (waagerechte) x-Koordinate im Videobild relativ klein sein, weil das Radarsystem nur ein begrenztes Winkelauflösungsvermögen hat. Der Gütefaktor für die y-Koordinate wird dagegen relativ groß sein, da diese Koordinate maßgeblich von der Entfernung des Objektes abhängt, die mit dem Radarsystem sehr genau gemessen werden kann. Bei dem durch Bildauswertung anhand der Umrißlinie des Fahrzeugs erhaltenen Meßwert ist der Gütefaktor für die x- und die y-Koordinate davon abhängig, wie gut die linken und rechten bzw. oberen und unteren Kanten des Umrißbildes mit der Begrenzungsbox übereinstimmen.
  • Das erfindungsgemäße Verfahren geht davon aus, daß die in den einzelnen Komponenten der Meßwerte enthaltenen Fehler in guter Nährung durch Gauß-Verteilungen beschrieben werden können. Die Wahrscheinlichkeitsverteilung jedes Meßwertes wird deshalb in einem weiteren Verfahrensschritt durch eine Gauß-Verteilung modelliert, deren Streuung durch den Güterfaktor des betreffenden Meßwertes bestimmt ist. Bei vektoriellen Meßwerten handelt es sich um mehrdimensionale Gauß-Verteilungen mit vorzugsweise voneinander unabhängigen (nicht korrelierten) Streuungen für die einzelnen Komponenten.
  • Die auf diese Weise modellierten Wahrscheinlichkeitsverteilungen für die einzelnen Meßwerte werden dann miteinander multipliziert, um die Bayes'sche Wahrscheinlichkeitsfunktion für die MAP-Schätzung zu erhalten. Da die einzelnen Wahrscheinlichkeitsverteilungen Gauß-Verteilungen sind, ist auch ihr Produkt wieder eine Gauß-Verteilung, und die Multiplikation mit dem Vorwissen, das seinerseits durch eine Gauß-Verteilung beschrieben wird, ergibt wieder eine Gauß-Verteilung. Bei der MAP-Schätzung muß dann das Maximum dieser letztlich erhaltenen Gauß-Verteilung aufgesucht werden. Da diese Gauß-Verteilung die Form eines Produktes aus Exponentialfunktionen hat, läßt sich das Maximum in bequemer Weise aufsuchen, indem das Produkt logarithmiert wird. Aus dem Produkt wird dabei eine Summe, und das Auffinden des Maximums reduziert sich auf ein Extremwertproblem, das mit geringem Rechenaufwand und daher in Echtzeit lösbar ist.
  • Ein besonderer Vorteil des Verfahrens besteht darin, daß es die effiziente Fusion einer im Prinzip beliebig großen Vielzahl von Meßwerten erlaubt, so daß die Genauigkeit und Robustheit des Verfahrens nach Bedarf gesteigert werden kann. Hinsichtlich des Ursprungs der Meßwerte gibt es praktisch keine Beschränkungen, sofern nur die Verläßlichkeit jedes Meßwertes hinreichend genau durch eine Gauß-Verteilung beschrieben werden kann und für jeden Meßwert ein geeigneter Gütefaktor verfügbar ist.
  • Ein weiterer wesentlicher Vorteil des Verfahrens besteht darin, daß es auch eine einfache Verifizierung von Objekthypothesen gestattet, da der letztlich erhaltenen Ergebnisgröße wieder in sehr einfacher Weise ein Gütefaktor zugeordnet werden kann. Im einfachsten Fall ist dieser Gütefaktor durch die Streuung der letztlich durch Produktbildung erhaltenen und geeignet normierten Gauß-Verteilung gegeben. Wahlweise ist es jedoch auch möglich, bei der Berechnung des Gütefaktors die von den verschiedenen Meßwerten herrührenden Beiträge in dem Produkt unterschiedlich zu gewichten, so daß sich die Beiträge der Einzelmerkmale zur Gesamtgüte gezielt steuern lassen. Damit läßt sich dem Umstand Rechnung tragen, daß in der Praxis die Bestimmung der einzelnen Meßdaten witterungs- oder verfahrensbe dingt oft nur mit unterschiedlichen Detektionssicherheiten möglich ist.
  • Da das beschriebene Fusionsverfahren auf einer MAP-Schätzung beruht, ermöglicht es die explizite Berücksichtigung von Vorwissen in Form der a-priori-Wahrscheinlichkeit. Besonders zweckmäßig ist es, nach einer Initialisierungsphase die durch MAP-Schätzung im vorausgegangenen Zeitschritt bestimmte Objektposition als a-priori-Wahrscheinlichkeit zu benutzen. Auf diese Weise wird eine besonders stabile Verfolgung der Bewegungen des Objektes im Laufe der Zeit ermöglicht, ohne daß ein explizites Tracking-Verfahren ausgeführt werden muß.
  • Gemäß einer vorteilhaften Weiterbildung toleriert das Verfahren auch den vorübergehenden Ausfall eines oder mehrerer der benötigten Meßwerte. In diesem Fall wird die nicht vorhandene Gauß-Verteilung, die diesen Meßwert beschreiben sollte, in dem Produkt der Gauß-Verteilungen durch einen konstanten Faktor ersetzt. Die Größe dieses Faktors ist nicht kritisch, da der Faktor im wesentlichen nur dazu dient zu verhindern, daß das Produkt Null wird. Diese Weiterbildung gestattet es insbesondere, das Objekt auch dann zu verfolgen, wenn es sich zwar noch innerhalb des Videobildes befindet, aber den Ortungsbereich des Radarsensors bereits verlassen hat.
  • Zeichnung
  • Ein Ausführungsbeispiel der Erfindung ist in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert.
  • Es zeigen:
  • 1 ein Blockdiagramm eines ACC-Systems für Kraftfahrzeuge mit einer erfindungsgemäßen Vorrichtung zur Objektbestimmung;
  • 2 ein Videobild, das mit Hilfe des erfindungsgemäßen Verfahrens auszuwerten ist;
  • 3 das Videobild nach 2, mit als Ellipsen eingezeichneten Wahrscheinlichkeitsverteilungen für zwei Meßwerte;
  • 4 eine Projektion der Wahrscheinlichkeitsverteilungen nach 3 auf die x-Achse des Bild-Koordinatensystems;
  • 5 ein Diagramm analog zu 4, zur Erläuterung eines Verfahrens zur Berechnung eines Gütefaktors; und
  • 6 ein Flußdiagramm des Verfahrens
  • Beschreibung des Ausführungsbeispiels
  • 1 zeigt den allgemeinen Aufbau eines ACC-Systems (Adaptive Cruise Control) für Kraftfahrzeuge. Als Ortungssysteme sind eine Videokamera 10 und ein Radarsensor 12, beispielsweise ein winkelauflösendes FMCW-Radar, im Fahrzeug eingebaut. Die Ortungssignale des Radarsensors 12 werden in bekannter Weise in einem ACC-Modul 14 ausgewertet, um den Abstand zu einem vorausfahrenden Fahrzeug zu regeln. Das durch diese Teilkomponenten gebildete System ist auch dann funktionsfähig, wenn aufgrund schlechter Sicht oder eines Fehlers kein Bild von der Videokamera 10 zur Verfügung steht. Bei normalen Sichtverhältnissen wird das von der Kamera 10 aufgenommene Videobild an ein Objektbestimmungsmodul 16 übermittelt, das durch einen Mikroprozessor oder ein anderes elektronisches Datenverarbeitungssystem gebildet wird und die nachfolgend zu beschreibenden Funktionen ausführt. Dazu erhält das Objektbestimmungsmodul 16 auch die Ortungssignale des Radarsensors 12. Die Ergebnisse der Objektbestimmung, also insbesondere die Orte und Abmessungen der georteten Objekte sowie ein Gütefaktor, der die Verläßlichkeit der Ergebnisse kennzeichnet, werden dem ACC-Modul 14 zur Verfügung gestellt und ermöglichen dort eine genauere Erfassung und Bewertung der Verkehrssituation.
  • 2 zeigt ein Videobild 18, das mit der Videokamera 10 aufgenommen wurde. Dieses Videobild ist beispielsweise durch Sobel-Filterung in ein sogenanntes Kantenbild umgewandelt worden, bei dem die einzelnen Pixel des Bildes keine Grauwerte repräsentieren, sondern lediglich die sogenannte Kantenaktivität, d. h., den Hell/Dunkel-Kontrast oder Helligkeitsgradienten. Das Kantenbild läßt daher die Umrißlinie 22 des Fahrzeugs 10 deutlich hervortreten. Mit bekannten Verfahren der Bildauswertung wird nun eine Begrenzungsbox 24 so in das Videobild 18 gelegt, daß sie möglichst gut an die Umrißlinie 22 des Fahrzeugs angepaßt ist. Ein Beispiel eines solchen Verfahrens wird beschrieben in der gleichzeitig mit dieser Anmeldung eingereichten deutschen Patentanmeldung desselben Erfinders mit dem Titel "Verfahren und Vorrichtung zur Objektortung für Kraftfahrzeuge".
  • Es wird nun ein Verfahren beschrieben, mit dem im Objektbestimmungsmodul 16 durch kombinierte Auswertung der Bildinformation in dem Videobild 18 und der Ortungsdaten des Radarsensors 12 die relevanten Daten eines Objekts, z. B. eines Fahrzeugs 20, bestimmt werden. Dabei wird von der Hypothese ausgegangen, daß die im Videobild 18 erkennbare Umrißlinie 22 und ein vom Radarsensor 12 empfangenes Echo zu demselben Objekt gehören und somit gemeinsam ein gültiges, d. h., real vorhandenes Objekt spezifizieren. Diese Hypothese ist im Laufe des Verfahrens zu verifizieren. Außerdem soll durch das Verfahren ein möglichst genauer Wert für die räumliche Lage des Objekts bestimmt werden. Die gesuchte Ergebnisgröße ist also ein Ortsvektor X, der die Position des Fahrzeugs in dem zweidimensionalen x-y-Koordinatensystem des Videobildes 18 angibt. Aus diesem Ortsvektor X läßt sich dann zusammen mit der vom Radarsensor 12 gemessenen Objektentfernung die räumliche Lage des Objektes berechnen.
  • Eine erste Meßgröße 24 für diese Ergebnisgröße wird durch Auswertung der Umrißlinie 22 im Kantenbild bestimmt und ist gegeben durch den Ortsvektor M1 eines Punktes 26, der auf der Mitte des unteren Schenkels der Begrenzungsbox 24 liegt. Dahinter steht die Konvention, daß Fahrzeugpositionen generell durch die Projektion der Mitte der Rückfront des Fahrzeugs auf die Fahrbahnebene angegeben werden.
  • Unabhängig davon wird die Position des Fahrzeugs (in Polarkoordinaten in einem in der Fahrbahnebene liegenden Koordinatensystem) auch mit Hilfe des winkelauflösenden Radarsensors 12 gemessen. Die Projektion der so gemessenen Fahrzeugposition in das Videobild 18 ergibt den durch ein Kreuz 28 gekennzeichneten Punkt in 2. Aufgrund von Meßungenauigkeiten und aufgrund der nicht genau bekannten Lage des Radar-Reflexionszentrums am Fahrzeug weichen die beiden Fahrzeugpositionen deutlich voneinander ab. Ein zweiter Meßwert für die Fahrzeugposition ist durch den Ortsvektor M2 zu dem Punkt 28 gegeben.
  • Aufgrund von Meßfehlern und Störeinflüssen sind die Meßgrößen M1 und M2 nicht genau bestimmt, sondern mit gewissen Fehlertoleranzen behaftet. Diese Fehlertoleranzen sind in 3 durch Ellipsen 30 und 32 dargestellt.
  • Jeder Komponente der Meßgrößen M1 und M2 wird ein bestimmter Gütefaktor zwischen 0 und 1 zugeordnet, der das Ausmaß der Fehlertoleranz angibt. Der Gütefaktor 1 würde bedeuten, daß der Meßwert exakt ist. Die Fehlertoleranzen oder Wahrscheinlichkeitsverteilungen der Meßwerte werden bei dem hier vorgeschlagenen Verfahren als Gauß-Verteilungen modelliert. Genauer gibt die Gauß-Verteilung für den Meßwert M1 die bedingte Wahrscheinlichkeit P(M1|X) dafür an, daß man den Meßwert M1 erhält, wenn die Bedingung gegeben ist, daß die (nicht bekannte) wahre Position des Fahrzeugs 20 im x-y-Koordinatensystem durch den Ortsvektor X gegeben ist. Entsprechendes gilt für M2. Die Gauß-Verteilung zu jedem Meßwert hat hier die spezielle Form einer zweidimensionalen Glockenfläche über der Bildebene. Die Ellipsen 30 und 32 in 3 sind Schnitte durch diese Glockenflächen in einer bestimmten Höhe, d. h., bei einem bestimmten Wahrscheinlichkeitswert. Die Streuungen der Gauß-Verteilungen in den einzelnen Komponenten sind durch die zugehörigen Gütefaktoren gege ben. Ein großer Gütefaktor bedeutet eine enge Glockenkurve (schmale Ellipse), und ein niedriger Gütefaktor bedeutet eine weite Glockenkurve (breite Ellipse). Die Gauß-Verteilungen sind wie üblich so normiert, daß ihr Integral (Volumen unter der Glocke) gleich 1 ist.
  • Für den durch Bildauswertung erhaltenen Meßwert M1 ist der Gütefaktor für die x-Komponente dadurch bestimmt, wie genau die senkrechten, seitlichen Grenzen der Umrißlinie 22 zu den senkrechten Schenkeln der Begrenzungsbox 24 passen. Ein geeignetes Maß dafür wäre z. B. das Integral der mittleren quadratischen Abweichung über die betreffenden Seiten der Begrenzungsbox. Entsprechend ist der Gütefaktor für die y-Komponente von der Übereinstimmung zwischen den oberen und unteren Begrenzungen der Umrißlinie 22 und den oberen und unteren Schenkeln der Begrenzungsbox 24 abhängig. Die Streuung sigmai für die Komponente i des Meßwertes mit dem Gütefaktor gi, läßt sich dann z. B. modellieren durch:
    Figure 00100001
    wobei sigmamax und C geeignet gewählte Konstanten sind. Da im allgemeinen die oberen und unteren Ränder der Umrißlinie 22 weniger scharf definiert sind als die linken und rechten Ränder, ergibt sich in y-Richtung eine größere Streuung als in x-Richtung. Deshalb hat die Ellipse 30 hier eine in vertikaler Richtung langgestreckte Form.
  • Bei der durch Radar-Messung erhaltenen Meßgröße M2 sind die Gütefaktoren und entsprechend die Streuungen der Gauß-Verteilung maßgeblich durch die Geräteparameter des Radarsensors bestimmt. Diese Parameter werden vorab experimentell gemessen. Die abgeflachte Form der Ellipse 32 repräsentiert die schlechte Winkelauflösung des Radarsensors.
  • Um die Meßergebnisse M1 und M2 zu fusionieren, wird nun unter der Annahme bedingter Unabhängikeit der Meßergebnisse eine Bayes'sche Wahrscheinlichkeitsfunktion P(M1, M2|X) wie folgt berechnet: P(M1, M2|X) = P(M1|X)·P(M2|X) (1)
  • Das Ergebnis ist wieder eine Gauß-Verteilung, wie in 4 (für die x-Komponente) fett eingezeichnet ist. Die entsprechende Ellipse ist in 3 mit 36 bezeichnet.
  • Um anhand dieser Bayes'schen Wahrscheinlichkeitsfunktion eine vernünftige Schätzung für die wahre Fahrzeugposition x zu erhalten, wird diese Funktion mit einer weiteren Gauß-Verteilung P(X) multipliziert, die das Vorwissen über die Fahrzeugposition X in der Form der sogenannten a-priori-Verteilungsfunktion repräsentiert.
  • Wenn das Fahrzeug 20 über mehrere Bilder der Videobildfolge hinweg verfolgt wird, so wird die hier beschriebene Auswertungsprozedur für jedes einzelne Videobild in Echtzeit wiederholt, bei der üblichen Bildfrequenz also in Abständen von 40 ms. Die a-priori-Verteilungsfunktion erhält man dann aus dem Ergebnis des vorangegangenen Auswertungsschrittes, wie später noch näher erläutert werden wird.
  • Durch Multiplikation der Bayes'schen Verteilungsfunktion mit der a-priori-Verteilung erhält man eine a-posteriori Verteilung P(X|M1, M2): P(X|M1, M2) = P(M1, M2|X)·P(X)/K (2)
  • Darin ist x ein Normierungsfaktor, der für die weitere Auswertung nicht bedeutsam ist.
  • Die a-posteriori-Verteilung P(X|M1, M2) gibt die bedingte Wahrscheinlichkeit dafür an, daß X die wahre Fahrzeugposition ist, wenn die Meßwerte M1 und M2 gegeben sind.
  • Der Ergebnisgröße Xn(x,y) im Auswertungsschritt n ist dann die x,y-Position im Bild, bei der die a-posteriori-Verteilung ihr Maximum hat: Xn(x,y) = arg max (P(X|M1, M2)) (3)
  • Im nächsten Iterationsschritt ist die so erhaltene Ergebnisgröße Xn dann der Mittelwert der a-priori-Verteilung P(X). Die außerdem noch benötigte Streuung in dieser a-priori-Verteilung erhält man auf folgende Weise.
  • In 5 ist die schon in 4 gezeigte Bayes'sche Verteilungsfunktion P(M1, M2|X) (für die x-Komponente) noch einmal gestrichelt eingezeichnet. Diese Verteilung hat ein Maximum Gabs. Die Gauß-Verteilungen P(M1,|X) und P(M2|X) haben die Maxima G1 und G2. Die entsprechenden Kurven sind in 5 so verschoben dargestellt, daß ihre Maxima zusammenfallen. Das Produkt der so verschobenen Kurven ist als Kurve 38 eingezeichnet. Diese hat das maximal mögliche Maximum Gmax = G1·G2.
  • Ein Gütefaktor G für die Ergebnisgröße X kann nun wie folgt definiert werden: G = Gabs/Gmax = Gabs/(G1·G2) (4)
  • Wahlweise können die Beiträge der einzelnen Meßwerte auch unterschiedlich gewichtet werden: G = w1·G1·w2·G2/Gmax, mit w1·w2 = 1 (4')
  • Die Streuung sigmax,y für die a-priori-Verteilung P(X) im nächsten Iterationsschritt läßt sich dann wie folgt definieren: sigmax,y = Sx,y·e–cG + f(r) (5)
  • Darin sind Sx,y Konstanten, die die maximale Streuung (für Gütefaktor 0) definieren, c ist eine Normierungskonstante für den gütefaktor G, und f(r) ist eine von der Entfernung r des Objektes (aus Radarmessung bekannt) abhängige Größe, die der größeren Ungewißheit des Ergebnisses bei größerer Objektentfernung Rechnung trägt.
  • Wenn ein neu aufgetretenes Objekt zu bestimmen ist, das beispielsweise zuerst mit dem Radarsensor 12 geortet wurde, so löst dies die Suche nach einer dazu passenden Begrenzungsbox im Videobild aus. Bei der Verfolgung dieses Objekts durch iterative Bildauswertung kann dann im ersten Iterationsschritt die a-priori-Verteilung P(X) aus den Ortungsdaten des Radarsensors bestimmt werden.
  • In 6 sind die wesentlichen Schritte des Verfahrens für einen einzelnen Iterationsschritt noch einmal als Flußdiagramm dargestellt.
  • In Schritt S1 werden die neuen Meßwerte M1, M2 bestimmt. In Schritt S2 werden diesen Meßwerten (komponentenweise) die entsprechenden Gütefaktoren zugeordnet. In Schritt S3 werden die Gauß-Verteilungen P(M1|X) und P(M2|X) berechnet. In S4 wird die neue Ergebnisgröße berechnet, indem das Produkt aus der alten a-priori-Verteilung und allen Gauß-Verteilungen berechnet und das Maximum dieser Verteilung aufgesucht wird. In Schritt S5 wird in der in 5 gezeigten Weise der Gütefaktor G für das Gesamtergebnis errechnet, da dieser Gütefaktor im nächsten Iterationszyklus in Schritt S4 zur Berechnung der a-priori-Verteilung benötigt wird.
  • In Schritt S6 wird geprüft, ob der Gütefaktor oberhalb eines bestimmten Schwellenwertes liegt. Wenn dies nicht der Fall ist, so bedeutet dies, daß die durch Radarmessung und Bildauswertung erhaltenen Meßwerte nicht zu demselben Objekt gehören und folglich die Objekthypothese verworfen werden muß (Schritt S7).
  • Wird der Schwellenwert überschritten, so werden in Schritt S8 die Ergebnisgröße X (wahrscheinlichster Wert für die Fahrzeugposition) und der Gütefaktor G sowie ggf. auch die Abmessungen der Begrenzungsbox 24 an das Fahrerassistenzmodul 14 ausgegeben. Die Ergebnisgröße X wird dort anhand des gemessenen Abstands auf ein räumliches Koordinatensystem umgerechnet und beispielsweise für die Entscheidung benutzt, ob das geortete Objekt auf der eigenen Fahrspur oder auf einer Nebenspur fährt. Der ebenfalls ausgegebene Gütefaktor kann im Fahrerassistenzmodul z. B. für eine Entscheidung herangezogen werden, mit welcher Dringlichkeit auf das geortete Objekt reagiert werden muß.
  • Während in der vorstehenden Beschreibung nur der einfache Fall betrachtet wurde, daß zwei Meßgrößen M1 und M2 miteinander fusioniert werden, läßt sich das Verfahren problemlos auf den Fall verallgemeinern, daß mehrere Meßgrößen zu fusionieren sind. Als weitere Meßgrößen kommen etwa Ortsvektoren Mi, i = 3, 4,... in Betracht, die durch Auswertung anderer Merkmale im Videobild erhalten werden, etwa durch Auswertung der Symmetrie, des Fahrzeugschattens und dergleichen. Ebenso kommen auch Meßgrößen aus anderen Quellen in Betracht, etwa Ortungsdaten eines Nahbereichsradars oder Lidars.
  • Abschließend soll der Fall betrachtet werden, daß während der Verfolgung des Objektes eine der zu fusionierenden Meßgrößen Mi nicht verfügbar ist. Ein Beispiel wäre etwa die Situation, daß sich das Fahrzeug zwar in Sichtbereich der Videokamera 10 befindet, aber nicht im Ortungsbereich des Radarsensors 12, so daß die Meßgröße M2 und dementsprechend die Wahrscheinlichkeitsverteilung P(M2|X) für diese Meßgröße nicht verfügbar ist. In diesem Fall wird diese Verteilungsfunktion in der Bayes'schen Wahrscheinlichkeitsfunktion (Gleichung (1)) durch eine Konstante k ersetzt, deren wert zwischen 0 und 1 liegt: P(M1, M2|X) = P(M1|X)·k (1')
  • Die genaue Größe der Konstanten k ist nicht kritisch. Zweckmäßig ist ein Wert k = 0,5. Auf diese Weise ist sichergestellt, daß das Produkt in Gleichung (1') trotz der fehlenden Meßgröße M2 nicht 0 wird, so daß die Auswertung gemäß Gleichungen (1'), (2) und (3) auch in diesem Fall durchgeführt werden kann. Bei der Berechnung des Gütefaktors G kann das Fehlen der Meßgröße dadurch berücksichtigt werden, daß der entsprechende Gütefaktor G2 in Gleichung (4) oder (4') auf einen Wert festgesetzt wird, der größer als 0 aber deutlich kleiner als 1 ist.

Claims (9)

  1. Verfahren zur Objektbestimmung in einem Fahrerassistenzsystem für Kraftfahrzeuge, bei dem durch Auswertung einer Videobildfolge und durch MAP-Schätzung einer Bayes'schen Wahrscheinlichkeitsfunktion eine Ergebnisgröße (X) bestimmt wird, die den Zustand des Objekts (20) beschreibt, gekennzeichnet durch die folgenden Schritte: a) durch die Bildauswertung, wahlweise in Kombination mit der Auswertung von Objektdaten aus anderen Quellen (12), werden mindestens zwei von einander unabhängige Meßwerte (M1, M2) für die Ergebnisgröße (x) bestimmt, b) jedem Meßwert (M1, M2) wird ein Gütefaktor (G1, G2) zugeordnet, der die Verläßlichkeit des Meßwertes beschreibt, c) die Wahrscheinlichkeitsverteilung jedes Meßwertes wird durch eine Gauß-Verteilung (P(M1|X); P(M2|X)) modelliert, mit einer vom Gütefaktor abhängigen Streuung, und d) als Bayes'sche Wahrscheinlichkeitsfunktion (P(M1, M2|X)) für die MAP-Schätzung wird das Produkt der Gauß-Verteilungen gebildet.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß einer der Meßwerte (M2) ein durch Radarmessung bestimmter und in das Videobild projizierter Ortsvektor des Objektes (20) ist.
  3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Ergebnisgröße (X) iterativ für aufeinanderfolgende Bilder (18) der Videobildfolge bestimmt wird und daß in jedem Iterationsschritt in die MAP-Schätzung eine a-priori-Verteilung (P(X)) eingesetzt wird, die aus dem Ergebnis des vorangegange nen Iterationsschrittes abgeleitet ist.
  4. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, daß aus den für die einzelnen Meßwerte (M1, M2) bestimmten Gauß-Verteilungen ein Gesamt-Gütefaktor (G) berechnet wird, der die Verläßlichkeit der Ergebnisgröße (X) angibt.
  5. Verfahren nach den Ansprüchen 4 und 5, dadurch gekennzeichnet, daß aus dem im vorangegangenen Iterationsschritt erhaltenen Gesamt-Gütefaktor (G) eine Streuung einer Gauß-Verteilung berechnet wird, deren Mittelwert die im vorangegangenen Iterationsschritt erhaltene Ergebnisgröße (X) ist und die die a-priori-Verteilung (P(X)) für den aktuellen Iterationsschritt bildet.
  6. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, daß die Streuung der Gauß-Verteilung gemäß Schritt (c) in Anspruch 1 und/oder gemäß Anspruch 6 eine exponentiell abfallende Funktion des zugehörigen Gütefaktors (G) ist.
  7. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, daß in den Fällen, in denen einer der Meßwerte (M1, M2) nicht verfügbar ist, in das Produkt in Schritt (d) anstelle der Gauß-Verteilung ein konstanter Faktor (k) eingesetzt wird.
  8. Vorrichtung zur Objektbestimmung in einem Fahrerassistenzsystem für Kraftfahrzeuge, mit einer Videokamera (10) und einem Objektbestimmungsmodul (16), das Videobilder (18) der Videokamera auswertet, dadurch gekennzeichnet, daß in dem Objektbestimmungsmodul (16) ein Verfahren nach einem der vorstehenden Ansprüche implementiert ist.
  9. Vorrichtung nach Anspruch 9, dadurch gekennzeichnet, daß zusätzlich zu der Videokamera (10) ein Radarsensor (12) vorgesehen ist und daß das Objektbestimmungsmodul (16) Ortungsdaten des Radarsensors (12) zur Bestimmung eines der Meßwerte (M2) aufnimmt.
DE10324897A 2003-05-30 2003-05-30 Verfahren und Vorrichtung zur Opjektbestimmung in Fahrerassistenzsystemen für Kraftfahrzeuge Withdrawn DE10324897A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
DE10324897A DE10324897A1 (de) 2003-05-30 2003-05-30 Verfahren und Vorrichtung zur Opjektbestimmung in Fahrerassistenzsystemen für Kraftfahrzeuge
EP04723515A EP1634241B1 (de) 2003-05-30 2004-03-26 Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge
PCT/DE2004/000634 WO2004111938A1 (de) 2003-05-30 2004-03-26 Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge
DE502004011702T DE502004011702D1 (de) 2003-05-30 2004-03-26 Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE10324897A DE10324897A1 (de) 2003-05-30 2003-05-30 Verfahren und Vorrichtung zur Opjektbestimmung in Fahrerassistenzsystemen für Kraftfahrzeuge

Publications (1)

Publication Number Publication Date
DE10324897A1 true DE10324897A1 (de) 2004-12-23

Family

ID=33482373

Family Applications (2)

Application Number Title Priority Date Filing Date
DE10324897A Withdrawn DE10324897A1 (de) 2003-05-30 2003-05-30 Verfahren und Vorrichtung zur Opjektbestimmung in Fahrerassistenzsystemen für Kraftfahrzeuge
DE502004011702T Expired - Lifetime DE502004011702D1 (de) 2003-05-30 2004-03-26 Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge

Family Applications After (1)

Application Number Title Priority Date Filing Date
DE502004011702T Expired - Lifetime DE502004011702D1 (de) 2003-05-30 2004-03-26 Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge

Country Status (3)

Country Link
EP (1) EP1634241B1 (de)
DE (2) DE10324897A1 (de)
WO (1) WO2004111938A1 (de)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007042339A1 (de) * 2005-10-14 2007-04-19 Robert Bosch Gmbh Verfahren zur bestimmung einer grösse
WO2008012143A1 (de) 2006-07-24 2008-01-31 Robert Bosch Gmbh Fahrerassistenzsystem
DE102009033853A1 (de) 2009-07-16 2010-05-12 Daimler Ag Verfahren zum Betrieb eines Fahrerassistenzsystems und Vorrichtung zur Durchführung des Verfahrens
DE102008062273A1 (de) * 2008-12-15 2010-06-17 Volkswagen Ag Verfahren zum Bereitstellen von Informationen über Objekte in einer Umgebung eines Kraftfahrzeugs, Verfahren zum Steuern sicherheitsrelevanter Fahrzeugssysteme und Steuerungsvorrichtung
WO2011038978A1 (de) * 2009-10-02 2011-04-07 Robert Bosch Gmbh Verfahren zur abbildung des umfelds eines fahrzeugs
DE102012023746A1 (de) * 2012-12-04 2014-06-05 Connaught Electronics Ltd. Verfahren zum Verfolgen eines Zielobjekts in einem Umgebungsbereich eines Kraftfahrzeugs durch Fusion von Bilddaten mit anderen Sensordaten, Fahrerassistenzeinrichtung und Kraftfahrzeug
WO2016020357A1 (de) * 2014-08-05 2016-02-11 Valeo Schalter Und Sensoren Gmbh Verfahren zum erzeugen einer umgebungskarte eines umgebungsbereichs eines kraftfahrzeugs, fahrerassistenzsystem sowie kraftfahrzeug
CN111310840A (zh) * 2020-02-24 2020-06-19 北京百度网讯科技有限公司 数据融合处理方法、装置、设备和存储介质
DE102019205469A1 (de) * 2019-04-16 2020-10-22 Zf Friedrichshafen Ag Objekterkennung im Umfeld eines Fahrzeugs unter Verwendung einer primären Sensoreinrichtung und einer sekundären Sensoreinrichtung
DE102015115743B4 (de) 2014-09-19 2022-02-10 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) Detektionssystem zum Detektieren eines Objekts und Verfahren zur Durchführung einer Detektion eines Objekts
DE112020006961B4 (de) 2020-05-26 2024-02-29 Mitsubishi Electric Corporation Prädiktive verfolgungsvorrichtung, prädiktives verfolgungsverfahren und prädiktives verfolgungsprogramm

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7142150B2 (en) * 2004-12-15 2006-11-28 Deere & Company Method and system for detecting an object using a composite evidence grid
US7266477B2 (en) 2005-06-22 2007-09-04 Deere & Company Method and system for sensor signal fusion
DE102008025145A1 (de) * 2008-05-26 2009-12-10 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Schätzung des Zustands eines Objekts basierend auf Sensormessungen
WO2011137411A1 (en) * 2010-04-30 2011-11-03 Vucomp, Inc. Probability density function estimator
EP2799902A1 (de) 2013-04-30 2014-11-05 Baselabs GmbH Verfahren und Vorrichtung zur Verfolgung von mehreren Objekten
CN111683229B (zh) * 2020-06-22 2021-10-26 杭州海康威视系统技术有限公司 巡航监控方法、装置、设备及存储介质
CN116626630B (zh) * 2023-07-25 2023-09-29 北京赛目科技股份有限公司 一种物体分类方法、装置、电子设备及存储介质

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007042339A1 (de) * 2005-10-14 2007-04-19 Robert Bosch Gmbh Verfahren zur bestimmung einer grösse
US8370055B2 (en) 2006-07-24 2013-02-05 Robert Bosch Gmbh Driver assistance system
WO2008012143A1 (de) 2006-07-24 2008-01-31 Robert Bosch Gmbh Fahrerassistenzsystem
DE102008062273A1 (de) * 2008-12-15 2010-06-17 Volkswagen Ag Verfahren zum Bereitstellen von Informationen über Objekte in einer Umgebung eines Kraftfahrzeugs, Verfahren zum Steuern sicherheitsrelevanter Fahrzeugssysteme und Steuerungsvorrichtung
DE102009033853A1 (de) 2009-07-16 2010-05-12 Daimler Ag Verfahren zum Betrieb eines Fahrerassistenzsystems und Vorrichtung zur Durchführung des Verfahrens
EP2483708B1 (de) 2009-10-02 2015-06-10 Robert Bosch GmbH Verfahren zur abbildung des umfelds eines fahrzeugs
CN102576075A (zh) * 2009-10-02 2012-07-11 罗伯特·博世有限公司 用于成像车辆周围环境的方法
WO2011038978A1 (de) * 2009-10-02 2011-04-07 Robert Bosch Gmbh Verfahren zur abbildung des umfelds eines fahrzeugs
CN102576075B (zh) * 2009-10-02 2015-11-25 罗伯特·博世有限公司 用于成像车辆周围环境的方法
US9910149B2 (en) 2009-10-02 2018-03-06 Robert Bosch Gmbh Method for mapping the surroundings of a vehicle
DE102012023746A1 (de) * 2012-12-04 2014-06-05 Connaught Electronics Ltd. Verfahren zum Verfolgen eines Zielobjekts in einem Umgebungsbereich eines Kraftfahrzeugs durch Fusion von Bilddaten mit anderen Sensordaten, Fahrerassistenzeinrichtung und Kraftfahrzeug
WO2016020357A1 (de) * 2014-08-05 2016-02-11 Valeo Schalter Und Sensoren Gmbh Verfahren zum erzeugen einer umgebungskarte eines umgebungsbereichs eines kraftfahrzeugs, fahrerassistenzsystem sowie kraftfahrzeug
US10338601B2 (en) 2014-08-05 2019-07-02 Valeo Schalter Und Sensoren Gmbh Method for generating a surroundings map of a surrounding area of a motor vehicle, driver assistance system and motor vehicle
DE102015115743B4 (de) 2014-09-19 2022-02-10 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) Detektionssystem zum Detektieren eines Objekts und Verfahren zur Durchführung einer Detektion eines Objekts
DE102019205469A1 (de) * 2019-04-16 2020-10-22 Zf Friedrichshafen Ag Objekterkennung im Umfeld eines Fahrzeugs unter Verwendung einer primären Sensoreinrichtung und einer sekundären Sensoreinrichtung
CN111310840A (zh) * 2020-02-24 2020-06-19 北京百度网讯科技有限公司 数据融合处理方法、装置、设备和存储介质
CN111310840B (zh) * 2020-02-24 2023-10-17 北京百度网讯科技有限公司 数据融合处理方法、装置、设备和存储介质
DE112020006961B4 (de) 2020-05-26 2024-02-29 Mitsubishi Electric Corporation Prädiktive verfolgungsvorrichtung, prädiktives verfolgungsverfahren und prädiktives verfolgungsprogramm

Also Published As

Publication number Publication date
EP1634241B1 (de) 2010-09-29
EP1634241A1 (de) 2006-03-15
DE502004011702D1 (de) 2010-11-11
WO2004111938A1 (de) 2004-12-23

Similar Documents

Publication Publication Date Title
EP1634241B1 (de) Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge
EP1634243B1 (de) Verfahren und vorrichtung zur objektortung für kraftfahrzeuge
EP2561419B1 (de) Verfahren zur bestimmung des fahrbahnverlaufes für ein kraftfahrzeug
EP1298454B1 (de) Verfahren zur Erkennung und Verfolgung von Objekten
DE102007013023B4 (de) Probabilistische Rasterkarte
DE102019121140A1 (de) Sensorfusion
DE102011119767A1 (de) Erscheinungsbild-gestützte vereinigung von kamera- undentfernungssensordaten für mehrere objekte
EP3465264B1 (de) Verfahren zur erkennung wenigstens einer parklücke für ein fahrzeug
DE102016106299A1 (de) Raderfassung und ihre Applikation bei Objektverfolgung und Sensorregistrierung
WO2003015053A1 (de) Verfahren zur bestimmung einer modellfahrbahn
DE102016210254A9 (de) Fahrzeugortung an kreuzungen anhand von visuellen anhaltspunkte, stationären objekten und durch gps
DE102015107388A1 (de) Kollisionsvermeidung mit statischen Zielobjekten in engen Räumen
DE102019112413A1 (de) Verfahren und vorrichtung zur multi-sensor-datenfusion für automatisierte und autonome fahrzeuge
EP3430423B1 (de) Verfahren zur verbesserung einer erfassung zumindest eines objekts in einer umgebung eines kraftfahrzeugs durch eine indirekte messung mit sensoren, steuereinrichtung, fahrerassistenzsystem sowie kraftfahrzeug
DE112015002593T5 (de) Fahrzeugmontierte bildverarbeitungsvorrichtung
EP2562681B1 (de) Objektverfolgungsverfahren für ein Kamerabasiertes Fahrerassistenzsystem
DE102018212049A1 (de) Verfahren zur dreidimensionalen bildlichen Rekonstruktion eines Fahrzeugs
DE102006039104A1 (de) Verfahren zur Entfernungsmessung von Objekten auf von Bilddaten eines Monokamerasystems
DE102016105022A1 (de) Verfahren zum Erfassen zumindest eines Objekts in einer Umgebung eines Kraftfahrzeugs durch eine indirekte Messung mit Sensoren, Steuereinrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
EP3293971B1 (de) Verfahren zur nachführung eines bildausschnitts
EP3809316A1 (de) Vorhersage eines strassenverlaufs auf basis von radardaten
DE102019102922A1 (de) Verfahren und Vorrichtung zur Multi-Sensor-Datenfusion für automatisierte und autonome Fahrzeuge
WO2019120392A1 (de) Verfahren und vorrichtung zur fusion von messungen aus unterschiedlichen informationsquellen
EP3248852B1 (de) Verfahren zum betreiben einer verarbeitungseinrichtung für sensordaten eines in einem kraftfahrzeug angeordneten sensors und kraftfahrzeug
DE102021120966A1 (de) Sensorfusion

Legal Events

Date Code Title Description
8139 Disposal/non-payment of the annual fee