EP1947623A1 - Method and device for the dynamic classification of objects and/or traffic situations - Google Patents
Method and device for the dynamic classification of objects and/or traffic situations Download PDFInfo
- Publication number
- EP1947623A1 EP1947623A1 EP07024268A EP07024268A EP1947623A1 EP 1947623 A1 EP1947623 A1 EP 1947623A1 EP 07024268 A EP07024268 A EP 07024268A EP 07024268 A EP07024268 A EP 07024268A EP 1947623 A1 EP1947623 A1 EP 1947623A1
- Authority
- EP
- European Patent Office
- Prior art keywords
- classifier
- boundary conditions
- basis
- classification
- selection
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
Definitions
- the invention relates to a method and a device for the dynamic classification of objects and / or traffic situations.
- driver assistance or safety systems The assistance of the driver of a motor vehicle by means of technical means has become increasingly important in the recent past. Depending on the intended use, such technical aids are also referred to as driver assistance or safety systems.
- driver assistance or safety systems are the group of so-called predictive driver assistance or safety systems.
- objects and / or traffic situations are to be detected and classified by technical aids, in particular by cameras or other sensors, in order to be able to make the driver aware of possible dangerous situations at an early stage or initiate countermeasures.
- countermeasures are, for example, the triggering of belt tensioner systems and interventions in brake or steering.
- classifiers For the classification of objects and / or traffic situations, different classification methods are used, for example based on decision trees, neural networks or support vector machines. Classification software modules created on the basis of such classification methods are referred to as classifiers.
- Classifiers can be optimized using training data to increase the number of objects and / or traffic situations to be detected, as well as the success rate.
- the disadvantage is that training the classifiers is not only costly, but also there is a risk that classifiers are "over-trained". Too intensive training of a classifier leads to the fact that this classifier in relation the trained patterns have a high performance, whereas the classification efficiency of non-trained patterns is significantly reduced.
- a generalized classifier has high performance with respect to non-trained patterns, but in special cases does not achieve the performance of a specialized classifier. Therefore, classifiers can not be interpreted as having a high classification performance in nearly all applications, similar to the human brain.
- the object of the invention is to provide a method and a device for classifying objects and / or traffic situations with increased performance.
- a first classifier and at least one second classifier are made available for classifying objects and / or traffic situations for the classification of at least one object or a traffic situation, wherein the first classifier and the at least second classifier are different or differently trained classifiers .
- boundary conditions are determined at least once, and based on the determined boundary conditions, the selection of a classifier to be used then takes place.
- boundary conditions can be all detectable parameters in the environment of the execution site of the method. If the method is carried out in a motor vehicle, such boundary conditions may be, for example, information on the outside temperature, the position of the motor vehicle, the light and / or road conditions, individual vehicle parameters, etc.
- the boundary conditions are determined periodically so that a classifier selection can be made dynamically adapted to the boundary conditions.
- a periodic determination of the boundary conditions has the advantage, in particular if there are only small time intervals between the individual determinations, that changes in the boundary conditions are detected promptly and can be taken into account directly in the classifier selection. If, for example, a vehicle drives into a tunnel on a sunny day, the lighting conditions change within a very short time, while the other boundary conditions remain essentially constant. If the boundary conditions are determined periodically, this change is immediately recognized within a cycle and taken into account in such a way that - if a classifier designed especially for darkness or better suited for darkness is available - this classifier is selected directly.
- the determination of the boundary conditions is carried out with the aid of auxiliary means arranged in a motor vehicle.
- auxiliary means arranged in a motor vehicle.
- Most modern motor vehicles already have their basic equipment a variety of tools, which are suitable to provide useful information regarding a Klassifikatoraus inches. Such tools can be used with almost no additional technical and financial overhead to determine constraints.
- a first example of such an aid is a possibly existing state and environment sensor system, in particular an electronic stability program (ESP), a camera, a radar system, the information of a Global Positioning System (GPS) etc.
- ESP electronic stability program
- GPS Global Positioning System
- a state and environment sensor system for example current position (coordinates) of a vehicle and thus the country are determined in which a vehicle is located. Furthermore, the speed and direction of movement and the current traction of the vehicle can be determined.
- Such information may be used to determine whether any existing country-specific classifiers are selected based on country-specific markings, left-hand or right-hand traffic, a country-specific arrangement of traffic signs (eg traffic signs arranged predominantly on the right-hand side of the road), country-specific traffic signs, etc. are.
- aids arranged in a motor vehicle are telematics and weather services as well as date and / or time information, wherein the term telematics services also includes the use of GPS and digitized maps. With such aids particular features with respect to the weather or in relation to the current day and / or season can be considered.
- a classifier selection takes place on the basis of a correlation table, wherein it is determined in the correlation table under which boundary conditions which classifier has the highest performance. This can be done, for example, by establishing a quality measure for the performance in advance and by using tests for each combination of boundary conditions to determine a classifier which has the highest performance under the given boundary conditions.
- An example of a usable measure of merit is the hit rate of the classifiers, i. the probability that a classifier performs a correct classification under given boundary conditions.
- the assignment between the detected boundary conditions and the most powerful classifier does not necessarily have to be done using a correlation table. Alternative assignment models can also be used.
- a classification of an object or a traffic situation takes place on the basis of two or more classifiers, wherein the selected classifiers are used sequentially.
- classifiers sequentially for example, the advantages of a generalized classifier can be combined with the advantages of specialized classifiers by performing a rough classification through a first classifier and then refining the classification using a second, downstream classifier.
- the classifier selection can either be made strictly deterministic or based on a higher-level classification method, such as with the aid of a decision tree or a neural network. In this case, according to a first alternative, it can be specified whether the classifier selection should be made by a superordinate classification method or is performed according to a second alternative depending on the determined boundary conditions.
- the second alternative is particularly suitable when it is to be feared that individual boundary conditions may not be clearly determined by the system or can be ascertainable. If, for example, due to contradictory information from two devices, reliable information about the weather situation is not available, a weather situation can be determined on the basis of a neural network, which seems obvious on the basis of the other available information.
- a classifier selection should be based on a decision tree or on another deterministic method.
- the determined boundary conditions are checked and / or processed before the selection of a classifier to be used.
- a control unit may be provided for this purpose which partially or completely checks information about determined boundary conditions and, in particular in the case of contradictory or incomplete information, plausibility of the boundary conditions.
- a plausibility check also "blurred" methods, such as. a classification using neural networks.
- the invention is also reflected in an inventive device for object and / or situation classification comprising an assistance system with a first classifier and a data input for boundary conditions, wherein the assistance system at least one different from the first classifier and / or one compared to the first classifier has differently trained second classifier and wherein a Klassifikatoraus anglesussi is provided, which is adapted to make a Klassifikatoraus inches on the basis of the data input detected boundary conditions.
- Fig. 1 shows a system 100 comprising a first assistance system 120, a second assistance system 140, further assistance systems (in Fig. 1 indicated by four points) as well as an mth assistance system 160.
- Each of the assistance systems 120, 140, 160 is a device according to the invention for object and / or situation classification.
- the invention is explained in more detail below with reference to the second assistance system 140, wherein the second assistance system 140 is used for traffic sign recognition and is part of a motor vehicle (not shown).
- the second assistance system 140 has a data input for constraints 142, a Klassifikatoraus inchesappel 144 and a first classifier (K 21) 146, a second classifier (K 22) 148, a third classifier (K 23) 150 and a fourth classifier (K 24) 152 on.
- the first classifier 146 is a generalized classifier
- the second classifier 148 is a classifier specialized in daytime traffic in Germany
- the third classifier is a classifier specialized in night traffic in Germany
- the fourth classifier is a specialized classifier for the classifier Traffic outside Germany.
- the Klassifikatoraus inchesightappel 144 has an interrogation unit (not shown), via which the second assistance system 140 can permanently retrieve data of the existing GPS system in the vehicle as well as date and time information.
- the second assistance system 140 If the second assistance system 140 is activated, an interrogation of the GPS about the position of the vehicle and a query about the current date and the current time are carried out with the aid of the interrogation unit.
- the boundary conditions thus queried are transmitted via the data input 142 to the classifier selection unit 144, which compares the determined boundary conditions with a correlation table.
- the correlation table contains for each complete constellation of boundary conditions, i. for each combination of location of the vehicle, date and time an assignment of a particularly suitable for this combination classifier.
- the classifier selection unit 144 decides based on this correlation table which classifier is used for the classification of the traffic sign.
- the classifier selection unit 144 determines that the first generalized classifier 146 is used in a first step to provide a first coarse classification and using a neural network to determine which position of the vehicle is most likely. On the basis of this first classification, a second classification with the classifier is then made in a second step, wherein the classifier is selected, which is the most powerful due to the information available after the first classification.
- the remaining assistance systems 120, 160 are constructed analogously, with the number of classifiers integrated into the respective assistance systems being variable depending on the desired power, as indicated by the dotted lines between K 12 and K 1 n or K m1 and K mn , What is common to the assistance systems, however, is that the first and the m-th assistance systems 120, 160 also have a data input 122 or 162, the data transmission to all assistance systems 120, 140, 160, in particular if they are arranged in spatial proximity to one another a common data line 180, in particular a CAN bus can be made.
- FIG. 2 System 200 shown comprises a first assistance system 220, a second assistance system 240, further assistance systems (in Fig. 2 indicated by four points) as well as an m-th assistance system 260 and is analogous to that in Fig. 1 shown system 100 constructed. For the same elements are therefore in the in Fig. 2 shown second assistance system 200 by 100 increased reference numerals used.
- This in Fig. 2 System 200 shown differs from that in Fig. 1 shown system in that the system 200 additionally includes a control unit 290.
- assistance systems 220, 240, 260 are dispensed generalized classifiers, if for each constellation of boundary conditions specific classifiers are available and it is ensured that missing by the control unit missing boundary conditions with high probability properly.
Abstract
Description
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur dynamischen Klassifikation von Objekten und/oder Verkehrssituationen.The invention relates to a method and a device for the dynamic classification of objects and / or traffic situations.
Die Unterstützung des Fahrers eines Kraftfahrzeuges mit Hilfe technischer Mittel hat in der jüngeren Vergangenheit zunehmend an Bedeutung gewonnen. Solche technischen Hilfsmittel werden je nach Verwendungszweck auch als Fahrerassistenz- bzw. Sicherheitssysteme bezeichnet.The assistance of the driver of a motor vehicle by means of technical means has become increasingly important in the recent past. Depending on the intended use, such technical aids are also referred to as driver assistance or safety systems.
Eine Gruppe von Fahrerassistenz- bzw. Sicherheitssystemen ist die Gruppe der so genannten vorausschauenden Fahrerassistenz- bzw. Sicherheitssysteme. Mit diesen Systemen sollen durch technische Hilfsmittel, insbesondere durch Kameras oder sonstige Sensorik Objekte und/oder Verkehrssituationen erkannt und klassifiziert werden, um den Fahrer ggf. frühzeitig auf etwaige Gefahrensituationen aufmerksam zu machen oder Gegenmaßnahmen einleiten zu können. Solche Gegenmaßnahmen sind beispielsweise die Auslösung von Gurtstraffersystemen sowie Eingriffe in Bremse oder Lenkung.One group of driver assistance or safety systems is the group of so-called predictive driver assistance or safety systems. With these systems, objects and / or traffic situations are to be detected and classified by technical aids, in particular by cameras or other sensors, in order to be able to make the driver aware of possible dangerous situations at an early stage or initiate countermeasures. Such countermeasures are, for example, the triggering of belt tensioner systems and interventions in brake or steering.
Zur Klassifikation von Objekten und/oder Verkehrssituationen werden unterschiedliche Klassifikationsverfahren, beispielsweise auf Basis von Entscheidungsbäumen, Neuronalen Netzen oder Support Vector Machines, eingesetzt. Auf der Grundlage solcher Klassifikationsverfahren erstellte Softwaremodule zur Klassifizierung werden als Klassifikatoren bezeichnet.For the classification of objects and / or traffic situations, different classification methods are used, for example based on decision trees, neural networks or support vector machines. Classification software modules created on the basis of such classification methods are referred to as classifiers.
Klassifikatoren können mit Hilfe von Trainingsdaten optimiert werden, um die Zahl der zu erkennenden Objekte und/oder Verkehrssituationen sowie die Erfolgsquote zu erhöhen. Nachteilig ist jedoch, dass das Trainieren der Klassifikatoren nicht nur aufwändig ist, sondern darüber hinaus die Gefahr besteht, dass Klassifikatoren "übertrainiert" werden. Ein zu intensives Trainieren eines Klassifikators führt nämlich dazu, dass dieser Klassifikator in Bezug auf die antrainierten Muster eine hohe Leistungsfähigkeit aufweist, wohingegen die Leistungsfähigkeit bei der Klassifikation von nicht antrainierten Mustern deutlich vermindert ist. Ein generalisierter Klassifikator hingegen weist auch in Bezug auf nicht antrainierte Muster eine hohe Leistungsfähigkeit auf, erreicht jedoch in Spezialfällen nicht die Leistungsfähigkeit eines spezialisierten Klassifikators. Klassifikatoren lassen sich daher nicht so auslegen, dass sie ähnlich wie das menschliche Gehirn in nahezu sämtlichen Anwendungsfällen eine hohe Klassifikationsleistung aufweisen.Classifiers can be optimized using training data to increase the number of objects and / or traffic situations to be detected, as well as the success rate. The disadvantage, however, is that training the classifiers is not only costly, but also there is a risk that classifiers are "over-trained". Too intensive training of a classifier leads to the fact that this classifier in relation the trained patterns have a high performance, whereas the classification efficiency of non-trained patterns is significantly reduced. A generalized classifier, on the other hand, has high performance with respect to non-trained patterns, but in special cases does not achieve the performance of a specialized classifier. Therefore, classifiers can not be interpreted as having a high classification performance in nearly all applications, similar to the human brain.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren und eine Vorrichtung zur Klassifikation von Objekten und/oder Verkehrssituationen mit erhöhter Leistungsfähigkeit zur Verfügung zu stellen.The object of the invention is to provide a method and a device for classifying objects and / or traffic situations with increased performance.
Die Lösung der Aufgabe erfolgt erfindungsgemäß mit den Merkmalen der Ansprüche 1 bzw. 13.The object is achieved according to the invention with the features of claims 1 and 13, respectively.
Gemäß dem erfindungsgemäßen Verfahren werden zur Klassifikation von Objekten und/oder Verkehrssituationen für die Klassifikation mindestens eines Objektes bzw. einer Verkehrssituation ein erster Klassifikator und mindestens ein zweiter Klassifikator zur Verfügung gestellt, wobei der erste Klassifikator und der mindestens zweite Klassifikator unterschiedliche oder unterschiedlich trainierte Klassifikatoren sind. Vor einer Klassifikatorauswahl werden mindestens ein Mal Randbedingungen ermittelt, und aufgrund der ermittelten Randbedingungen erfolgt dann die Auswahl eines zu verwendenden Klassifikators. Randbedingungen können in diesem Zusammenhang sämtliche erfassbaren Parameter im Umfeld des Durchführungsortes des Verfahrens sein. Falls das Verfahren in einem Kraftfahrzeug durchgeführt wird, können solche Randbedingungen beispielsweise Informationen zur Außentemperatur, zur Position des Kraftfahrzeuges, über die Licht- und/oder Straßenverhältnisse, einzelne Fahrzeugparameter etc. sein. Durch die Bereitstellung von mindestens zwei unterschiedlichen oder unterschiedlich trainierten Klassifikatoren und die Berücksichtigung von Randbedingungen ist der zu verwendende Klassifikator nicht starr vorgegeben, sondern es kann eine an die entsprechenden Randbedingungen angepasste Klassifikatorauswahl erfolgen. Mit dem erfindungsgemäßen Verfahren kann daher wirksam vermieden werden, dass unter bestimmten Randbedingungen ungeeignete Klassifikatoren zum Einsatz kommen.According to the method of the invention, a first classifier and at least one second classifier are made available for classifying objects and / or traffic situations for the classification of at least one object or a traffic situation, wherein the first classifier and the at least second classifier are different or differently trained classifiers , Before a classifier selection, boundary conditions are determined at least once, and based on the determined boundary conditions, the selection of a classifier to be used then takes place. In this context, boundary conditions can be all detectable parameters in the environment of the execution site of the method. If the method is carried out in a motor vehicle, such boundary conditions may be, for example, information on the outside temperature, the position of the motor vehicle, the light and / or road conditions, individual vehicle parameters, etc. By providing at least two different or differently trained classifiers and the consideration of boundary conditions of the classifier to be used is not rigidly predetermined, but it can be adapted to the corresponding boundary conditions Klassifikatorauswahl. With the method according to the invention can therefore be effectively avoided that under certain conditions unsuitable classifiers are used.
In einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens werden die Randbedingungen periodisch ermittelt, so dass eine Klassifikatorauswahl dynamisch an die Randbedingungen angepasst erfolgen kann. Eine periodische Ermittlung der Randbedingungen hat insbesondere dann, wenn zwischen den einzelnen Ermittlungen nur kleine Zeitintervalle liegen, den Vorteil, dass Veränderungen der Randbedingungen zeitnah erfasst werden und unmittelbar bei der Klassifikatorauswahl berücksichtigt werden können. Fährt ein Fahrzeug beispielsweise an einem sonnigen Tag in einen Tunnel, ändern sich innerhalb kürzester Zeit die Lichtverhältnisse, während die übrigen Randbedingungen im wesentlichen konstant bleiben. Bei periodischer Ermittlung der Randbedingungen wird diese Veränderung innerhalb eines Zyklus unmittelbar erkannt und dahingehend berücksichtigt, dass - sofern ein speziell für Dunkelheit vorgesehener oder ein für Dunkelheit besser geeigneter Klassifikator zur Verfügung steht - unmittelbar dieser Klassifikator ausgewählt wird.In a preferred embodiment of the method according to the invention, the boundary conditions are determined periodically so that a classifier selection can be made dynamically adapted to the boundary conditions. A periodic determination of the boundary conditions has the advantage, in particular if there are only small time intervals between the individual determinations, that changes in the boundary conditions are detected promptly and can be taken into account directly in the classifier selection. If, for example, a vehicle drives into a tunnel on a sunny day, the lighting conditions change within a very short time, while the other boundary conditions remain essentially constant. If the boundary conditions are determined periodically, this change is immediately recognized within a cycle and taken into account in such a way that - if a classifier designed especially for darkness or better suited for darkness is available - this classifier is selected directly.
In einer weiter bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird die Ermittlung der Randbedingungen mit Hilfe von in einem Kraftfahrzeug angeordneten Hilfsmitteln durchgeführt. Die meisten modernen Kraftfahrzeuge weisen bereits ihrer Basisausstattung eine Vielzahl von Hilfsmitteln auf, welche dazu geeignet sind in Bezug auf eine Klassifikatorauswahl nützliche Informationen zu liefern. Solche Hilfsmittel können nahezu ohne zusätzlichen technischen und finanziellen Mehraufwand zur Ermittlung von Randbedingungen eingesetzt werden.In a further preferred embodiment of the method according to the invention, the determination of the boundary conditions is carried out with the aid of auxiliary means arranged in a motor vehicle. Most modern motor vehicles already have their basic equipment a variety of tools, which are suitable to provide useful information regarding a Klassifikatorauswahl. Such tools can be used with almost no additional technical and financial overhead to determine constraints.
Ein erstes Beispiel für ein solches Hilfsmittel ist eine etwaig vorhandene Zustands- und Umfeldsensorik, insbesondere ein Elektronisches Stabilitätsprogramm (ESP), eine Kamera, ein Radarsystem, die Information eines Global Positioning System (GPS) etc. Mit einer Zustands- und Umfeldsensorik kann beispielsweise die aktuelle Position (Koordinaten) eines Fahrzeuges und damit das Land ermittelt werden, in welchem sich ein Fahrzeug befindet. Ferner lässt sich die Geschwindigkeit und Bewegungsrichtung sowie die aktuelle Traktion des Fahrzeuges ermitteln. Solche Informationen können dahingehend genutzt werden, dass auf deren Grundlage etwaig vorhandene länderspezifische Klassifikatoren ausgewählt werden, welche in Bezug auf länderspezifische Markierungen, Links- oder Rechtsverkehr, eine länderspezifische Anordnung von Verkehrszeichen (z.B. Verkehrszeichen überwiegend am rechten Straßenrand angeordnet), länderspezifische Verkehrszeichen etc. trainiert sind.A first example of such an aid is a possibly existing state and environment sensor system, in particular an electronic stability program (ESP), a camera, a radar system, the information of a Global Positioning System (GPS) etc. With a state and environment sensor system, for example current position (coordinates) of a vehicle and thus the country are determined in which a vehicle is located. Furthermore, the speed and direction of movement and the current traction of the vehicle can be determined. Such information may be used to determine whether any existing country-specific classifiers are selected based on country-specific markings, left-hand or right-hand traffic, a country-specific arrangement of traffic signs (eg traffic signs arranged predominantly on the right-hand side of the road), country-specific traffic signs, etc. are.
Weitere Beispiele für in einem Kraftfahrzeug angeordnete Hilfsmittel sind Telematik- und Wetterdienste sowie Datums- und/oder Uhrzeitinformationen, wobei der Begriff Telematikdienste auch die Verwendung von GPS und digitalisierten Karten umfasst. Mit solchen Hilfsmitteln können insbesondere Besonderheiten in Bezug auf die Witterung bzw. in Bezug auf die aktuelle Tages- und/oder Jahreszeit berücksichtigt werden.Further examples of aids arranged in a motor vehicle are telematics and weather services as well as date and / or time information, wherein the term telematics services also includes the use of GPS and digitized maps. With such aids particular features with respect to the weather or in relation to the current day and / or season can be considered.
In einer besonders bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens erfolgt eine Klassifikatorauswahl aufgrund einer Korrelationstabelle, wobei in der Korrelationstabelle festgelegt ist, unter welchen Randbedingungen welcher Klassifikator am leistungsstärksten ist. Dies kann beispielsweise dadurch erfolgen, dass im Vorfeld ein Gütemaß für die Leistungsfähigkeit festgelegt wird und dass mit Hilfe von Versuchen für jede Kombination von Randbedingungen ein Klassifikator bestimmt wird, welcher unter den jeweils vorliegenden Randbedingungen am leistungsstärksten ist. Ein Beispiel für ein verwendbares Gütemaß ist die Trefferquote der Klassifikatoren, d.h. die Wahrscheinlichkeit, dass ein Klassifikator bei vorgegebenen Randbedingungen eine korrekte Klassifikation vornimmt. Die Zuordnung zwischen den erfassten Randbedingungen und dem jeweils leistungsstärksten Klassifikator muss nicht zwingend mittels einer Korrelationstabelle erfolgen. Es können auch alternative Zuordnungsmodelle verwendet werden.In a particularly preferred embodiment of the method according to the invention, a classifier selection takes place on the basis of a correlation table, wherein it is determined in the correlation table under which boundary conditions which classifier has the highest performance. This can be done, for example, by establishing a quality measure for the performance in advance and by using tests for each combination of boundary conditions to determine a classifier which has the highest performance under the given boundary conditions. An example of a usable measure of merit is the hit rate of the classifiers, i. the probability that a classifier performs a correct classification under given boundary conditions. The assignment between the detected boundary conditions and the most powerful classifier does not necessarily have to be done using a correlation table. Alternative assignment models can also be used.
Gemäß einer weiteren Ausführungsform des erfindungsgemäßen Verfahrens erfolgt eine Klassifikation eines Objektes bzw. einer Verkehrssituation aufgrund von zwei oder mehr Klassifikatoren, wobei die ausgewählten Klassifikatoren sequentiell eingesetzt werden. Durch den sequentiellen Einsatz von Klassifikatoren können beispielsweise die Vorteile eines generalisierten Klassifikators mit den Vorteilen von spezialisierten Klassifikatoren verknüpft werden, indem durch einen ersten Klassifikator eine grobe Klassifikation durchgeführt und dann mit Hilfe eines zweiten, nachgeschalteten Klassifikators eine Verfeinerung der Klassifikation vorgenommen wird.According to a further embodiment of the method according to the invention, a classification of an object or a traffic situation takes place on the basis of two or more classifiers, wherein the selected classifiers are used sequentially. By using classifiers sequentially, for example, the advantages of a generalized classifier can be combined with the advantages of specialized classifiers by performing a rough classification through a first classifier and then refining the classification using a second, downstream classifier.
Die Klassifikatorauswahl kann entweder streng deterministisch oder auf Basis eines übergeordneten Klassifikationsverfahrens wie z.B. mit Hilfe eines Entscheidungsbaumes oder eines Neuronalen Netzes erfolgen. Dabei kann gemäß einer ersten Alternative vorgegeben werden, ob die Klassifikatorauswahl durch ein übergeordnetes Klassifikationsverfahren erfolgen soll oder gemäß einer zweiten Alternative in Abhängigkeit von den ermittelten Randbedingungen durchgeführt wird.The classifier selection can either be made strictly deterministic or based on a higher-level classification method, such as with the aid of a decision tree or a neural network. In this case, according to a first alternative, it can be specified whether the classifier selection should be made by a superordinate classification method or is performed according to a second alternative depending on the determined boundary conditions.
Die zweite Alternative ist insbesondere dann geeignet, wenn zu befürchten ist, dass einzelne Randbedingungen vom System möglicherweise nicht eindeutig ermittelt werden oder ermittelbar sein können. Stehen beispielsweise aufgrund widersprüchlicher Informationen zweier Hilfsmittel keine zuverlässigen Informationen über die Witterungssituation zur Verfügung, kann auf der Grundlage eines Neuronalen Netzes eine Witterungssituation ermittelt werden, welche aufgrund der übrigen verfügbaren Informationen naheliegend erscheint.The second alternative is particularly suitable when it is to be feared that individual boundary conditions may not be clearly determined by the system or can be ascertainable. If, for example, due to contradictory information from two devices, reliable information about the weather situation is not available, a weather situation can be determined on the basis of a neural network, which seems obvious on the basis of the other available information.
Im Zusammenhang mit Applikationen, welche sicherheitsrelevante Aspekte betreffen, werden Neuronale Netze hingegen selten eingesetzt, da Entscheidungen aufgrund von Neuronalen Netzen insbesondere mittel- bis langfristig nicht eindeutig vorhersagbar sind. Dementsprechend wird für derartige Applikationen bevorzugt vorgegeben, dass eine Klassifikatorauswahl auf der Grundlage eines Entscheidungsbaumes oder aufgrund eines anderen deterministischen Verfahrens erfolgen soll.On the other hand, neural networks are seldom used in connection with applications involving safety-relevant aspects, since decisions based on neural networks are not clearly predictable, especially in the medium to long term. Accordingly, it is preferred for such applications that a classifier selection should be based on a decision tree or on another deterministic method.
In einer alternativen Ausführungsform des erfindungsgemäßen Verfahrens werden die ermittelten Randbedingungen vor der Auswahl eines zu verwendenden Klassifikators überprüft und/oder aufbereitet. Dazu kann insbesondere eine Steuereinheit vorgesehen sein, welche Informationen über ermittelte Randbedingungen teilweise oder vollständig überprüft und, insbesondere im Fall von widersprüchlichen oder unvollständigen Informationen, die Randbedingungen plausibilisiert. Zu einer Plausibilisierung eignen sich auch "unscharfe" Verfahren, wie z.B. eine Klassifikation mittels Neuronaler Netze.In an alternative embodiment of the method according to the invention, the determined boundary conditions are checked and / or processed before the selection of a classifier to be used. In particular, a control unit may be provided for this purpose which partially or completely checks information about determined boundary conditions and, in particular in the case of contradictory or incomplete information, plausibility of the boundary conditions. For a plausibility check also "blurred" methods, such as. a classification using neural networks.
Die Erfindung zeigt sich auch an einer erfindungsgemäßen Vorrichtung zur Objekt- und/oder Situationsklassifikation umfassend ein Assistenzsystem mit einem ersten Klassifikator sowie einen Dateneingang für Randbedingungen, wobei das Assistenzsystem mindestens einen sich von dem ersten Klassifikator unterscheidenden und/oder einen im Vergleich zu dem ersten Klassifikator unterschiedlich trainierten zweiten Klassifikator aufweist und wobei eine Klassifikatorauswahleinheit vorgesehen ist, welche dazu ausgebildet ist, aufgrund von über den Dateneingang erfassten Randbedingungen eine Klassifikatorauswahl vorzunehmen. Auf die im Zusammenhang mit dem vorstehend beschriebenen erfindungsgemäßen Verfahren dargelegten Vorteile wird hiermit verwiesen.The invention is also reflected in an inventive device for object and / or situation classification comprising an assistance system with a first classifier and a data input for boundary conditions, wherein the assistance system at least one different from the first classifier and / or one compared to the first classifier has differently trained second classifier and wherein a Klassifikatorauswahleinheit is provided, which is adapted to make a Klassifikatorauswahl on the basis of the data input detected boundary conditions. On the related to the above The advantages set forth in the inventive method described are hereby referred to.
Weitere vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung ergeben sich aus den Unteransprüchen sowie aus der Beschreibung im Zusammenhang mit den Zeichnungen.Further advantageous embodiments and modifications of the invention will become apparent from the dependent claims and from the description in conjunction with the drawings.
- Fig. 1Fig. 1
- ein System umfassend eine erfindungsgemäße Vorrichtung in einer ersten Ausführungsform sowiea system comprising a device according to the invention in a first embodiment and also
- Fig. 2Fig. 2
- ein System umfassend eine erfindungsgemäße Vorrichtung in einer zweiten Ausführungsform.a system comprising a device according to the invention in a second embodiment.
Die Erfindung wird im Folgenden anhand des zweiten Assistenzsystems 140 näher erläutert, wobei das zweite Assistenzsystem 140 der Verkehrszeichenerkennung dient und Bestandteil eines Kraftfahrzeuges (nicht gezeigt) ist.The invention is explained in more detail below with reference to the
Das zweite Assistenzsystem 140 weist einen Dateneingang für Randbedingungen 142, eine Klassifikatorauswahleinheit 144 sowie einen ersten Klassifikator (K 21) 146, einen zweiten Klassifikator (K 22) 148, einen dritten Klassifikator (K 23) 150 sowie einen vierten Klassifikator (K 24) 152 auf. Der erste Klassifikator 146 ist ein generalisierter Klassifikator, der zweite Klassifikator 148 ist ein auf den Verkehr bei Tag in Deutschland spezialisierter Klassifikator, der dritte Klassifikator ist ein auf den Verkehr bei Nacht in Deutschland spezialisierter Klassifikator, und der vierte Klassifikator ist ein spezialisierter Klassifikator für den Verkehr außerhalb Deutschlands. Die Klassifikatorauswahleinheit 144 weist eine Abfrageeinheit (nicht gezeigt) auf, über welche das zweite Assistenzsystem 140 permanent Daten des im Fahrzeug vorhandenen GPS-System sowie Datums- und Uhrzeitinformationen abfragen kann.The
Wird das zweite Assistenzsystem 140 aktiviert, erfolgt mit Hilfe der Abfrageeinheit sogleich eine Abfrage des GPS über die Position des Fahrzeuges sowie ein Abfrage über das aktuelle Datum und die aktuelle Uhrzeit. Die so abgefragten Randbedingungen werden über den Dateneingang 142 an die Klassifikatorauswahleinheit 144 übermittelt, welche die ermittelten Randbedingungen mit einer Korrelationstabelle vergleicht.If the
Die Korrelationstabelle enthält für jede vollständige Konstellation von Randbedingungen, d.h. für jede Kombination aus Standort des Fahrzeuges, Datum und Uhrzeit eine Zuweisung eines für diese Kombination besonders geeigneten Klassifikators. Mit Hilfe eines Vergleichsmoduls (nicht gezeigt) entscheidet die Klassifikatorauswahleinheit 144 auf der Grundlage dieser Korrelationstabelle, welcher Klassifikator für die Klassifikation des Verkehrszeichens verwendet wird.The correlation table contains for each complete constellation of boundary conditions, i. for each combination of location of the vehicle, date and time an assignment of a particularly suitable for this combination classifier. With the aid of a comparison module (not shown), the
Ist eine Randbedingung nicht verfügbar, beispielsweise weil das GPS zum Ermittlungszeitpunkt keinen Werte über die Position des Fahrzeuges (innerhalb oder außerhalb Deutschlands) liefert, bestimmt die Klassifikatorauswahleinheit 144, dass in einem ersten Schritt der erste generalisierte Klassifikator 146 verwendet wird, um eine erste grobe Klassifikation vorzunehmen und mit Hilfe eines Neuronalen Netzes zu bestimmen, welche Position des Fahrzeuges am wahrscheinlichsten ist. Auf der Grundlage dieser ersten Klassifikation wird dann in einem zweiten Schritt eine zweite Klassifikation mit dem Klassifikator vorgenommen, wobei der Klassifikator ausgewählt wird, welcher aufgrund den nach der ersten Klassifikation vorliegenden Informationen am leistungsstärksten ist.If a constraint is not available, for example because the GPS does not provide values over the position of the vehicle (within or outside Germany) at the time of determination, the
Wie in
Das in
Das in
Claims (19)
dadurch gekennzeichnet, dass
für die Klassifikation mindestens eines Objektes bzw. einer Verkehrssituation ein erster Klassifikator (146; 246) und mindestens ein zweiter Klassifikator (148; 248) zur Verfügung gestellt werden,
wobei der erste Klassifikator (146; 246) und der mindestens zweite Klassifikator (148; 248) unterschiedliche oder unterschiedlich trainierte Klassifikatoren sind,
wobei vor einer Klassifikatorauswahl mindestens ein Mal Randbedingungen ermittelt werden und
wobei die Auswahl eines zu verwendenden Klassifikators aufgrund der ermittelten Randbedingungen erfolgt.Method for classifying objects and / or traffic situations,
characterized in that
for the classification of at least one object or a traffic situation, a first classifier (146; 246) and at least one second classifier (148; 248) are made available,
wherein the first classifier (146; 246) and the at least second classifier (148; 248) are different or differently trained classifiers,
whereby at least one boundary condition is determined before a classifier selection, and
wherein the selection of a classifier to be used is based on the determined boundary conditions.
dadurch gekennzeichnet, dass
die Randbedingungen periodisch ermittelt werden und eine Klassifikatorauswahl dynamisch an die periodisch ermittelten Randbedingungen angepasst erfolgt.Method according to claim 1,
characterized in that
the boundary conditions are determined periodically and a Klassifikatorauswahl is dynamically adjusted to the periodically determined boundary conditions.
dadurch gekennzeichnet, dass
die Ermittlung der Randbedingungen mit Hilfe von in einem Kraftfahrzeug angeordneten Hilfsmitteln durchgeführt wird.Method according to claim 1 or 2,
characterized in that
the determination of the boundary conditions by means of arranged in a motor vehicle aids is performed.
dadurch gekennzeichnet, dass
als Hilfsmittel Zustands- und/oder Umfeldsensorik eines Kraftfahrzeuges verwendet wird.Method according to claim 3,
characterized in that
as an aid state and / or environment sensor technology of a motor vehicle is used.
dadurch gekennzeichnet, dass
als Hilfsmittel Telematik- und/oder Wetterdienste verwendet werden.Method according to claim 3 or 4,
characterized in that
as a tool telematics and / or weather services are used.
dadurch gekennzeichnet, dass
als Hilfsmittel Datums- und/oder Uhrzeitinformationen verwendet werden.Method according to one of claims 3 to 5,
characterized in that
as a tool date and / or time information can be used.
dadurch gekennzeichnet, dass
eine Klassifikatorauswahl aufgrund einer Korrelationstabelle erfolgt,
wobei in der Korrelationstabelle festgelegt ist, unter welchen Randbedingungen welcher Klassifikator am leistungsstärksten ist.Method according to one of claims 1 to 6,
characterized in that
a classifier selection takes place on the basis of a correlation table,
wherein it is determined in the correlation table, under which boundary conditions which classifier is the most powerful.
dadurch gekennzeichnet, dass
eine Klassifikation eines Objektes bzw. einer Verkehrssituation aufgrund von zwei oder mehr Klassifikatoren erfolgt, wobei die ausgewählten Klassifikatoren sequentiell eingesetzt werden.Method according to one of claims 1 to 7,
characterized in that
a classification of an object or a traffic situation is carried out on the basis of two or more classifiers, wherein the selected classifiers are used sequentially.
dadurch gekennzeichnet, dass
die Klassifikatorauswahl aufgrund eines übergeordneten Klassifikationsverfahrens wie eines Entscheidungsbaumes und/oder aufgrund eines Neuronalen Netzes und/oder aufgrund einer Support Vector Machine und/oder eines anders gearteten regelbasierten Systems erfolgt.Method according to one of claims 1 to 8,
characterized in that
the classifier selection takes place on the basis of a superordinate classification method such as a decision tree and / or on the basis of a neural network and / or on the basis of a support vector machine and / or of a different rule-based system.
dadurch gekennzeichnet, dass
die Auswahl, ob die Klassifikatorauswahl aufgrund eines Entscheidungsbaumes und/oder aufgrund eines Neuronalen Netzes erfolgt, in Abhängigkeit von den ermittelten Randbedingungen erfolgt.Method according to claim 9,
characterized in that
the selection as to whether the classifier selection is made on the basis of a decision tree and / or on the basis of a neural network is made as a function of the determined boundary conditions.
dadurch gekennzeichnet, dass
die ermittelten Randbedingungen vor der Auswahl eines zu verwendenden Klassifikators überprüft und/oder aufbereitet werden.Method according to one of claims 1 to 10,
characterized in that
the determined boundary conditions are checked and / or processed before the selection of a classifier to be used.
dadurch gekennzeichnet, dass
zur Aufbereitung ein unscharfes Verfahren, insbesondere eine Klassifikation mittels Neuronaler Netze, angewendet wird.Method according to claim 11,
characterized in that
a blurred method, in particular a classification by means of neural networks, is used for processing.
dadurch gekennzeichnet, dass
das Assistenzsystem (120; 140; 160; 220; 240; 260) mindestens einen sich von dem ersten Klassifikator (146; 246) unterscheidenden und/oder einen im Vergleich zu dem ersten Klassifikator unterschiedlich trainierten zweiten (148; 248) Klassifikator aufweist und wobei eine Klassifikatorauswahleinheit (124; 144; 164; 224; 244; 264) vorgesehen ist, welche dazu ausgebildet ist, aufgrund von über den Dateneingang (122; 142; 162; 222; 242; 262) erfassten Randbedingungen eine Klassifikatorauswahl vorzunehmen.Device for object and / or situation classification comprising an assistance system (120; 140; 160; 220; 240; 260) with a first classifier (146; 246) and a data input for boundary conditions (122; 142; 162; 222; 242; 262 )
characterized in that
the assistance system (120; 140; 160; 220; 240; 260) has at least one second (148; 248) classifier different from the first classifier (146; 246) and / or a different trained (148; 248) classifier compared to the first classifier; a classifier selection unit (124; 144; 164; 224; 244; 264) is provided which is adapted to make a classifier selection on the basis of boundary conditions detected via the data input (122; 142; 162; 222; 242; 262).
dadurch gekennzeichnet, dass
die Klassifikatorauswahleinheit (124; 144; 164; 224; 244; 264) dazu ausgebildet ist, den Dateneingang (122; 142; 162; 222; 242; 262) periodisch auf eine Veränderung der erfassten Randbedingungen zu überprüfen.Device according to claim 13,
characterized in that
the classifier selection unit (124; 144; 164; 224; 244; 264) is adapted to periodically check the data input (122; 142; 162; 222; 242; 262) for a change in the detected boundary conditions.
dadurch gekennzeichnet, dass
die Klassifikatorauswahleinheit (124; 144; 164; 224; 244; 264) eine Abfrageeinheit aufweist, welche dazu ausgebildet ist, selbständig auf Hilfsmittel zur Erfassung von Randbedingungen eines Kraftfahrzeuges und/oder auf die von Hilfsmitteln eines Kraftfahrzeuges erfassten Randbedingungen zuzugreifen.Apparatus according to claim 13 or 14,
characterized in that
the classifier selection unit (124; 144; 164; 224; 244; 264) has an interrogation unit which is designed to independently access aids for detecting boundary conditions of a motor vehicle and / or the boundary conditions detected by auxiliary means of a motor vehicle.
dadurch gekennzeichnet, dass
die Klassifikatorauswahleinheit (124; 144; 164; 224; 244; 264) einen Speicher für eine Korrelationstabelle sowie ein Vergleichsmodul aufweist.Device according to one of claims 13 to 15,
characterized in that
the classifier selection unit (124; 144; 164; 224; 244; 264) comprises a memory for a correlation table and a comparison module.
dadurch gekennzeichnet, dass
die Klassifikatorauswahleinheit (124; 144; 164; 224; 244; 264) die Implementierung eines Entscheidungsbaumes und/oder eines Neuronalen Netzes und/oder einer Support Vector Machine und/oder eines anders gearteten regelbasierten Systems ermöglicht.Device according to one of claims 13 to 16,
characterized in that
the classifier selection unit (124; 144; 164; 224; 244; 264) implements the implementation of a decision tree and / or a neural Network and / or a Support Vector Machine and / or a different rule-based system.
dadurch gekennzeichnet, dass
die Klassifikatorauswahleinheit (124; 144; 164; 224; 244; 264) eine Steuereinheit zur Überprüfung und/oder Aufbereitung erfasster Randbedingungen aufweist.Device according to one of claims 13 to 17,
characterized in that
the classifier selection unit (124; 144; 164; 224; 244; 264) comprises a control unit for checking and / or conditioning detected boundary conditions.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE200710002562 DE102007002562A1 (en) | 2007-01-17 | 2007-01-17 | Method and device for the dynamic classification of objects and / or traffic situations |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| EP1947623A1 true EP1947623A1 (en) | 2008-07-23 |
| EP1947623B1 EP1947623B1 (en) | 2009-11-11 |
Family
ID=39153646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| EP20070024268 Expired - Fee Related EP1947623B1 (en) | 2007-01-17 | 2007-12-14 | Method and device for the dynamic classification of objects and/or traffic situations |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP1947623B1 (en) |
| DE (2) | DE102007002562A1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2400473A1 (en) * | 2010-06-28 | 2011-12-28 | Audi AG | Method and device for supporting a driver of a vehicle |
| US9950711B2 (en) | 2013-10-01 | 2018-04-24 | Volkswagen Ag | Device for a vehicle |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8653482B2 (en) | 2006-02-21 | 2014-02-18 | Goji Limited | RF controlled freezing |
| DE102007034505A1 (en) | 2007-07-24 | 2009-01-29 | Hella Kgaa Hueck & Co. | Method and device for traffic sign recognition |
| DE102008043761B4 (en) * | 2008-11-14 | 2017-04-27 | Robert Bosch Gmbh | Method and control unit for adapting a vehicle assistance system |
| DE102009057553A1 (en) * | 2009-12-09 | 2011-06-16 | Conti Temic Microelectronic Gmbh | A method for assisting the driver of a road-bound vehicle in the vehicle guidance |
| EP2583263B1 (en) | 2010-06-15 | 2014-03-19 | Conti Temic Microelectronic GmbH | Method for combining a road sign recognition system and a lane detection system of a motor vehicle |
| DE102012213485A1 (en) | 2012-07-31 | 2014-02-06 | Robert Bosch Gmbh | Method for checking driving recommendation information stored in driving recommendation memory for navigation system in e.g. lorry, involves providing environmental condition independent of driving recommendation message or event |
| DE102013219909A1 (en) | 2013-10-01 | 2015-04-02 | Conti Temic Microelectronic Gmbh | Method and device for detecting traffic signs |
| US9754049B2 (en) | 2014-09-30 | 2017-09-05 | International Business Machines Corporation | Characterizing success pathways in networked graphs |
| DE102017215868A1 (en) * | 2017-09-08 | 2019-03-14 | Robert Bosch Gmbh | Method and device for creating a map |
| DE102018205248A1 (en) | 2018-04-09 | 2019-10-10 | Bayerische Motoren Werke Aktiengesellschaft | Fusion system for the fusion of environment information for a motor vehicle |
| DE102019218590A1 (en) * | 2019-11-29 | 2021-06-02 | Volkswagen Aktiengesellschaft | Method and device for object recognition |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10336638A1 (en) * | 2003-07-25 | 2005-02-10 | Robert Bosch Gmbh | Apparatus for classifying at least one object in a vehicle environment |
| WO2005052883A1 (en) * | 2003-11-20 | 2005-06-09 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for determining the driving situation |
| WO2005064566A1 (en) * | 2003-12-19 | 2005-07-14 | Bayerische Motoren Werke Aktiengesellschaft | Determination of an expected speed level |
| DE102005043471A1 (en) * | 2005-09-13 | 2007-03-15 | Daimlerchrysler Ag | Vehicle-sided traffic-adaptive assistance system controlling method for use in control device, involves evaluating two spatially and/or temporally sections of road from environment information and selecting parameters for controlling system |
-
2007
- 2007-01-17 DE DE200710002562 patent/DE102007002562A1/en not_active Withdrawn
- 2007-12-14 EP EP20070024268 patent/EP1947623B1/en not_active Expired - Fee Related
- 2007-12-14 DE DE200750001957 patent/DE502007001957D1/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10336638A1 (en) * | 2003-07-25 | 2005-02-10 | Robert Bosch Gmbh | Apparatus for classifying at least one object in a vehicle environment |
| WO2005052883A1 (en) * | 2003-11-20 | 2005-06-09 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for determining the driving situation |
| WO2005064566A1 (en) * | 2003-12-19 | 2005-07-14 | Bayerische Motoren Werke Aktiengesellschaft | Determination of an expected speed level |
| DE102005043471A1 (en) * | 2005-09-13 | 2007-03-15 | Daimlerchrysler Ag | Vehicle-sided traffic-adaptive assistance system controlling method for use in control device, involves evaluating two spatially and/or temporally sections of road from environment information and selecting parameters for controlling system |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2400473A1 (en) * | 2010-06-28 | 2011-12-28 | Audi AG | Method and device for supporting a driver of a vehicle |
| US9950711B2 (en) | 2013-10-01 | 2018-04-24 | Volkswagen Ag | Device for a vehicle |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102007002562A1 (en) | 2008-07-24 |
| DE502007001957D1 (en) | 2009-12-24 |
| EP1947623B1 (en) | 2009-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1947623B1 (en) | Method and device for the dynamic classification of objects and/or traffic situations | |
| DE102016003424B4 (en) | Method and device for recognizing traffic signs | |
| DE10354322A1 (en) | Method and system for determining the driving situation | |
| WO2009013223A1 (en) | Method and apparatus for recognizing traffic signs | |
| DE102017217444A1 (en) | Method and system for updating a control model for automatic control of at least one mobile unit | |
| DE102015209186A1 (en) | Method for determining a description of a lane | |
| DE102019207721A1 (en) | Steering device and associated steering control method | |
| DE102015213526A1 (en) | Method and system for warning a driver of a vehicle | |
| DE112018004003T5 (en) | CONTROL AND METHOD FOR AUTOMATIC DRIVING | |
| DE102016224351A1 (en) | Concept for testing a sensor system for detecting an occupancy state of a parking space for errors | |
| DE102018219290B4 (en) | Method for teaching a personalized headlight device of a motor vehicle | |
| DE102015208208A1 (en) | Method and device for detecting a tiredness of a driver of a vehicle | |
| WO2022069466A1 (en) | Determining a prognosis for a time horizon in the future on the basis of a time horizon from the past, in particular for predicting a pollutant value in the air | |
| EP4078238A1 (en) | Method and device for making sensor data more robust against adverse disruptions | |
| EP3510577A1 (en) | Concept for detecting the surroundings of a vehicle | |
| EP3802257A1 (en) | Control of a motor vehicle | |
| DE102008011165B4 (en) | Sensor arrangement for an occupant protection system of a motor vehicle | |
| DE102019218078B4 (en) | Determination of a situation in the environment of a motor vehicle | |
| DE102009012887B4 (en) | Method for checking incorrect installation of vehicle sensors | |
| WO2018184637A1 (en) | Control device and method | |
| DE102019218127A1 (en) | Method and device for the optimal provision of AI systems | |
| DE102017204347A1 (en) | Method and system for determining a kinematic property of an object, method for controlling an assistance system of a motor vehicle and motor vehicle | |
| EP3772017A1 (en) | Rail signal detection for autonomous railway vehicles | |
| DE102019216184A1 (en) | Method for the robustification of a neural network against adversarial disturbances | |
| DE102019104973A1 (en) | Method and control device for a system for controlling a motor vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PUAI | Public reference made under article 153(3) epc to a published international application that has entered the european phase |
Free format text: ORIGINAL CODE: 0009012 |
|
| AK | Designated contracting states |
Kind code of ref document: A1 Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU LV MC MT NL PL PT RO SE SI SK TR |
|
| AX | Request for extension of the european patent |
Extension state: AL BA HR MK RS |
|
| 17P | Request for examination filed |
Effective date: 20080620 |
|
| 17Q | First examination report despatched |
Effective date: 20080728 |
|
| AKX | Designation fees paid |
Designated state(s): DE FR GB IT |
|
| GRAP | Despatch of communication of intention to grant a patent |
Free format text: ORIGINAL CODE: EPIDOSNIGR1 |
|
| GRAS | Grant fee paid |
Free format text: ORIGINAL CODE: EPIDOSNIGR3 |
|
| GRAA | (expected) grant |
Free format text: ORIGINAL CODE: 0009210 |
|
| AK | Designated contracting states |
Kind code of ref document: B1 Designated state(s): DE FR GB IT |
|
| REG | Reference to a national code |
Ref country code: GB Ref legal event code: FG4D Free format text: NOT ENGLISH |
|
| REF | Corresponds to: |
Ref document number: 502007001957 Country of ref document: DE Date of ref document: 20091224 Kind code of ref document: P |
|
| PLBE | No opposition filed within time limit |
Free format text: ORIGINAL CODE: 0009261 |
|
| STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT |
|
| 26N | No opposition filed |
Effective date: 20100812 |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: IT Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20101214 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: PLFP Year of fee payment: 9 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: PLFP Year of fee payment: 10 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: PLFP Year of fee payment: 11 |
|
| PGFP | Annual fee paid to national office [announced via postgrant information from national office to epo] |
Ref country code: GB Payment date: 20201227 Year of fee payment: 14 Ref country code: FR Payment date: 20201228 Year of fee payment: 14 |
|
| PGFP | Annual fee paid to national office [announced via postgrant information from national office to epo] |
Ref country code: IT Payment date: 20201231 Year of fee payment: 14 |
|
| PGFP | Annual fee paid to national office [announced via postgrant information from national office to epo] |
Ref country code: DE Payment date: 20201231 Year of fee payment: 14 |
|
| REG | Reference to a national code |
Ref country code: DE Ref legal event code: R119 Ref document number: 502007001957 Country of ref document: DE |
|
| GBPC | Gb: european patent ceased through non-payment of renewal fee |
Effective date: 20211214 |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: GB Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20211214 Ref country code: DE Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20220701 |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: FR Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20211231 |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: IT Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20211214 |