EP4004581A1 - Generating non-semantic reference data for determining the position of a motor vehicle - Google Patents

Generating non-semantic reference data for determining the position of a motor vehicle

Info

Publication number
EP4004581A1
EP4004581A1 EP20735552.0A EP20735552A EP4004581A1 EP 4004581 A1 EP4004581 A1 EP 4004581A1 EP 20735552 A EP20735552 A EP 20735552A EP 4004581 A1 EP4004581 A1 EP 4004581A1
Authority
EP
European Patent Office
Prior art keywords
raw data
point cluster
point
data points
cluster
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.)
Pending
Application number
EP20735552.0A
Other languages
German (de)
French (fr)
Inventor
Constanze HUNGAR
Daniel WILBERS
Bernd Rech
Niklas KOCH
Stefan Juergens
Christian MERFELS
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.)
MAN Truck and Bus SE
Volkswagen AG
Original Assignee
MAN Truck and Bus SE
Volkswagen AG
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 MAN Truck and Bus SE, Volkswagen AG filed Critical MAN Truck and Bus SE
Publication of EP4004581A1 publication Critical patent/EP4004581A1/en
Pending 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Definitions

  • the present invention relates to a computer-implemented method for generating non-semantic reference data for determining the position of a motor vehicle, with a set of raw data points being provided which depicts a predetermined surrounding area.
  • the invention also relates to a method for determining the position of a motor vehicle, a map system for determining the position of a motor vehicle, a motor vehicle with a map system, a computer system for generating non-semantic reference data for determining the position of a motor vehicle, a computer program and a computer-readable storage medium.
  • semantic structures and patterns are recognized by the vehicle sensors in the motor vehicle environment and compared with corresponding entries in a digital map of the motor vehicle.
  • semantic structures are always assigned to a predefined class, for example provided with the information about what type of object it is, for example a traffic sign or the edge of a house.
  • Landmark-based localization however, has the disadvantage that only those environmental features are used for localization that can be assigned to a more or less generic class. This limits the number of environmental features available for localization, so that in areas in which no such landmarks are available, localization cannot be carried out or can only be carried out with low accuracy.
  • the position of a motor vehicle can also be determined on the basis of satellite signals from a global navigation satellite system.
  • the accuracy of satellite receivers usually used in motor vehicles, however, is too low to enable highly automated or autonomous driving.
  • the document EP 3 290 864 A1 describes a driver assistance system for determining a vehicle position. Approximate position data of the motor vehicle are recorded using GPS signals. In addition, an image of the surroundings of the motor vehicle is recorded and compared with stored image data. By combining the information obtained in this way, the position of the motor vehicle can be determined even if the satellite reception is poor.
  • the improved concept is based on the idea of generating non-semantic reference data by clustering the raw data points depicting the environment using predetermined descriptors to describe the properties of the environment and storing corresponding feature information depending on the information gain that the respective point clusters can contribute to position determination.
  • a computer-implemented method for generating non-semantic reference data for determining the position of a motor vehicle is specified.
  • a set of raw data points in particular generated by means of an environment sensor, is provided which depicts a predefined environment area.
  • a predetermined descriptor is determined for each of the raw data points by means of a computing unit, which characterizes a property of the surrounding area at a position of the respective raw data point or at a position which corresponds to the respective raw data point in the environment.
  • At least one point cluster is generated by means of the computing unit in that, in particular by means of the computing unit, the raw data points are grouped into the point cluster depending on their respective descriptors.
  • a first point cluster of the at least one point cluster is assigned a code number that relates to information gain for determining the position of the motor vehicle, depending on the descriptors of the raw data points of the first point cluster.
  • characteristic information of the first point cluster is stored as non-semantic reference data for position determination on a memory unit.
  • the surrounding area is in particular a surrounding area of the environment sensor or a data acquisition system or a data acquisition vehicle on which the environment sensor is mounted.
  • the raw data points are generated before the motor vehicle uses the reference data to determine its position.
  • the surrounding area is therefore an area surrounding a potential position of the motor vehicle.
  • the environment sensor can be designed, for example, as a radar sensor or lidar sensor, also referred to as a laser scanner.
  • the environment sensor system In order to map the surrounding area, the environment sensor system generates a point cloud from scanning points, which are present in particular as three-dimensional coordinate tuples.
  • the raw data points that map the surrounding area are in particular such a point cloud or a part thereof.
  • the provision of the set of raw data points takes place in particular in computer-readable form so that the raw data points can be read by means of the computing unit.
  • the generation of the raw data points is not necessarily part of the method for generating non-semantic reference data according to the improved concept.
  • the fact that the raw data points are generated in advance and then provided has the particular advantage that high-precision measuring devices can be used when generating the raw data points.
  • the raw data points of the set of raw data points can be present, for example, as corresponding coordinate tuples in a predetermined reference coordinate system, for example a global coordinate system or world coordinate system, for example a geodetic coordinate system, such as WGS84.
  • a predetermined reference coordinate system for example a global coordinate system or world coordinate system, for example a geodetic coordinate system, such as WGS84.
  • the descriptor is in particular a property of the surrounding area that can be measured using the raw data points, for example a geometric property. Contain geometric properties that can serve as descriptors in particular the curvature or mean curvature of the scanned surfaces or areas in the surrounding area. Statistical properties of the raw data points or their distribution or properties of the distribution of the raw data points can also serve as descriptors. Optical properties of the environment can also be reflected by the raw data points. In particular, the raw data points can also contain intensity information in addition to the spatial coordinates, or the intensity information can be assigned to the raw data points and made available. In the case of a lidar sensor, this is, for example, the intensity of the reflected laser beam.
  • the spectral reflectivity or color of the corresponding point in the environment that corresponds to the raw data point can be determined on the basis of the intensity. These properties can also serve as descriptors.
  • the specified descriptor can also contain several values suitable as descriptors or one or several variables derived from these.
  • each raw data point of the set of raw data points is either assigned to exactly one point cluster of the at least one point cluster or the respective raw data point is sorted out or discarded, i.e. not taken into account for the generation of the reference data .
  • the raw data points of the first point cluster are in particular those raw data points of the set of raw data points that form the first point cluster as a result of the grouping.
  • the raw data points are grouped depending on the descriptors can in particular be understood to mean that the individual descriptors of the individual raw data points are used for grouping or that the descriptors of the raw data points are statistically evaluated, for example by averaging or local averaging or other analysis of the distribution of the Descriptors and the grouping is carried out based on the result of the statistical evaluation. Both Aspects can also be combined or carried out one after the other in order to generate the at least one point cluster.
  • the raw data points can initially be grouped on the basis of their individual descriptors, for example to form descriptor clusters, and cluster descriptors can then be assigned to the descriptor clusters, for example based on the descriptors of their respective raw data points, which for example correspond to statistical characteristic values of the descriptors of the raw data points of the respective descriptor cluster, for example an average value, a median and so on.
  • the descriptor clusters can then be grouped into the point clusters on the basis of further criteria, in particular on the basis of their cluster descriptors.
  • the fact that the code of the first point cluster relates to an information gain for determining the position of the motor vehicle can be understood, for example, in such a way that the code indicates what influence the use of the first point cluster for determining the position of the motor vehicle has on the accuracy of the position determination.
  • the characteristic value can, for example, indicate how clearly the first point cluster can be recognized, how many other clusters are in the immediate vicinity of the first point cluster, how different the cluster descriptor or the descriptors of the raw data points of the first point cluster compared to other point clusters of the at least one point cluster are and the like.
  • the key figure can express how distinctive a feature of the surrounding area is that is represented by the first point cluster.
  • the feature can be viewed as more prominent, the higher the distinctiveness of the feature, the higher the uniqueness or singularity of the feature and the lower the density of further features in the vicinity of the respective feature.
  • Each of the point clusters can in particular be assigned to a corresponding feature in the surrounding area or can be understood as a corresponding feature.
  • the features that are represented by the point clusters are non-semantic in nature, so they are not necessarily assigned a meaning.
  • the feature information includes, for example, a position of the first point cluster, for example a mean or characteristic position of the raw data points of the first point cluster, a spatial extent of the raw data points of the first point cluster or other geometric properties of the first point cluster or the raw data of the first point cluster.
  • the feature information can also contain the descriptors of the raw data points and / or the cluster descriptor of the first point cluster.
  • the storage of the feature information as a function of the code number can for example take place in such a way that the feature information and the associated code number are stored together or the feature information contains the code number itself.
  • the feature information of the first point cluster can, for example, only be stored if the characteristic number is above a predetermined limit value.
  • the feature information can be stored in a marked form if the code number is smaller than the predefined limit value in order to indicate that the respective point cluster is only suitable for position determination to a limited extent.
  • Storing the feature information as a function of the key figure ensures a high quality of the reference data and, in particular, enables high accuracy of the position determination based on the reference data.
  • the method according to the improved concept makes it possible to generate reference data for determining position largely independently of the content of the surrounding area, i.e. regardless of which objects or structures are located within the surrounding area.
  • the improved concept can therefore be used universally and flexibly and, in particular, independent of the presence of semantic landmarks.
  • the features represented by the point clusters can also relate to features in the environment that are not intuitively recognizable for humans.
  • the descriptors of the raw data points are used as a means to identify features in the environment as such and particularly distinctive ones
  • features for determining position or to save them as reference data For example, use is made of the fact that the distribution, in particular spatial distribution, of the descriptors of the raw data points for distinctive features, ie in particular clearly recognizable features, differs from non-distinctive features, for example objects with very complex surfaces.
  • the features are presented and used further in the form of feature information without meaningful content.
  • the method includes the acquisition of sensor measurement data based on the environment sensor system and the generation of the raw data points based on the sensor measurement data.
  • each point cluster of the at least one point cluster is assigned a respective code number, which relates to the respective information gain for determining the position of the motor vehicle by the respective point cluster, depending on the respective descriptors of the raw data points of the respective point cluster.
  • the respective feature information of the point clusters of the at least one point cluster is stored on the storage unit as a function of the respective characteristic numbers of the point clusters.
  • a spatial distribution of all point clusters of the at least one point cluster is analyzed by means of the computing unit.
  • a localization parameter is determined for the first point cluster and possibly for all further point clusters of the at least one point cluster.
  • the characteristic number of the first point cluster is determined by means of the computing unit as a function of the localization characteristic value of the first point cluster. The same applies, if necessary, to the key figures of the other point clusters.
  • the localization characteristic quantifies in particular how high the density of point clusters of the at least one point cluster is at the position of the first point cluster, that is to say in particular in the immediate vicinity of the first point cluster. The more point clusters there are in the immediate vicinity of the first point cluster, the less suitable the first point cluster is for determining the position, or the lower the gain in information that the first point cluster can contribute to determining the position.
  • the localization parameter is greater, for example, the smaller the density of point clusters at the position of the first point cluster.
  • the key figure of the first point cluster is greater, the greater the localization characteristic value for the first point cluster.
  • the preference for more strongly localized features in the surrounding area increases the reliability or accuracy of the possible position determination based on the reference data.
  • the computing unit determines a number of point clusters of the at least one point cluster that are located in a predetermined sub-area of the surrounding area in which the first point cluster is located.
  • the localization parameter is determined depending on the number of point clusters in the specified sub-area.
  • the localization parameter can additionally be determined as a function of the total number of point clusters of the at least one point cluster, for example as the ratio of the number of point clusters in the specified sub-area to the total number.
  • the surrounding area can be completely divided into a plurality of predefined partial areas, including the partial area in which the first point cluster is located.
  • the localization parameter can then be determined, for example, as a function of an average number of point clusters in the various partial areas.
  • the localization parameter can be determined as the ratio of the number of point clusters in the sub-area in which the first point cluster is located to the average number of point clusters in all sub-areas.
  • an average density of point clusters is used to determine the localization parameter.
  • a singularity characteristic value for the first point cluster is determined by means of the arithmetic unit as a function of the descriptors of the raw data points of the first point cluster and as a function of the descriptors of the raw data points of a second point cluster of the at least one point cluster.
  • the key figure is determined as a function of the singularity characteristic value, and in particular as a function of the localization characteristic value, of the first point cluster.
  • the singularity or uniqueness of a point cluster or a feature to which the point cluster corresponds can be understood as a characteristic value for a deviation of the descriptors of the raw data points of the respective point cluster or of the cluster descriptor of the respective point cluster compared to other point clusters of the at least one point cluster.
  • the descriptors or cluster descriptors of all point clusters of the at least one point cluster can be used to determine the singularity index of the first point cluster.
  • the quality of the reference data that is to say in particular the accuracy of the position determination that can be achieved by means of the reference data, can be increased further.
  • the singularity characteristic of the first point cluster is greater, the more the descriptors of the raw data points of the first point cluster differ from the descriptors of the second point cluster or the more the cluster descriptor of the first point cluster differs from the cluster descriptor of the second point cluster.
  • the singularity characteristic value and the localization characteristic value are weighted by means of the computing unit and the characteristic number becomes dependent determined by the weighted singularity value and the weighted localization value.
  • At least one descriptor cluster is generated by means of the computing unit by grouping the raw data points depending on their respective descriptors and independently of their respective spatial positions.
  • the at least one point cluster is generated by spatially grouping the raw data points, with each descriptor cluster of the at least one descriptor cluster being identical to one of the point clusters of the at least one point cluster or being separated in order to form at least two of the point clusters of the at least one point cluster.
  • a descriptor cluster In order to generate the at least one descriptor cluster, those raw data points are grouped whose descriptors have similar values. In that the spatial positions of the raw data points are not taken into account for this purpose, a descriptor cluster can also be spatially disconnected according to a predetermined criterion.
  • a descriptor cluster can therefore in particular be a subset of
  • Raw data points of the set of raw data points are understood which, according to a predetermined definition, have similar descriptors and are in particular formed using a known method for cluster analysis.
  • a descriptor cluster can accordingly represent one or more features in the surrounding area.
  • Neglecting the spatial position can, for example, lead to two spatially separated, but otherwise identical or similar objects, to raw data points of the same descriptor cluster.
  • two walls that are spatially separated from one another can be assigned to the same descriptor cluster in the surrounding area.
  • a cluster descriptor is determined by means of the computing unit for each descriptor cluster depending on the descriptors of the raw data points of the descriptor cluster, for example by statistical evaluation of the Descriptors of the raw data points.
  • the cluster descriptor can, for example, correspond to an average value of the descriptors of the raw data points of the descriptor cluster or to another statistical parameter.
  • the raw data points of a descriptor cluster can be further processed jointly, which results in a lower memory and / or computing requirement.
  • all raw data points of the set of raw data points that cannot be assigned to any of the descriptor clusters according to a predetermined rule are discarded and no longer used to generate the reference data.
  • a distinctive characteristic value for the first point cluster is determined by means of the computing unit as a function of the descriptors of the raw data points of the first point cluster.
  • the key figure is determined as a function of the distinctive characteristic value and in particular as a function of the localization characteristic value and, for example, as a function of the singularity characteristic value of the first point cluster.
  • the distinctive characteristic value can be determined differently depending on the type of descriptors or raw data points used.
  • a distribution of the values of the descriptors of the raw data points of the first point cluster can be determined and compared with predetermined criteria.
  • the distribution can be used to determine whether the descriptors of the first point cluster are distributed unimodally or multimodally, how many local maxima the distribution has, how large the maximum values of the local maxima are, how broad the distribution or individual sub-distributions of the distribution are, and so on .
  • jumps in the distribution can also be used to determine the distinctive characteristic value.
  • a histogram of the descriptors of the raw data points of the first point cluster is generated by means of the computing unit and the histogram is analyzed in order to determine the distinctive characteristic value.
  • the distinctive characteristic value describes in particular how well the first point cluster can be described, for example how clearly the feature that the first point cluster describes can be recognized as such in the environment.
  • a corresponding distinctive characteristic value is determined for each descriptor cluster of the at least one descriptor cluster.
  • the distinctive characteristic value of the first point cluster then corresponds to the distinctive characteristic value of that descriptor cluster from which the first point cluster emerges.
  • the first point cluster thus inherits the distinctive characteristic value, as it were, from the associated descriptor cluster.
  • the distribution of the descriptors of the raw data points of the first point cluster is determined by means of the arithmetic unit and the distinctive characteristic value is determined as a function of the distribution.
  • the feature information of the first point cluster is stored on the storage unit by means of the computing unit as a function of the distinguishing characteristic value.
  • the feature information can only be stored on the storage unit, for example, if the distinctive characteristic value is greater than a predetermined further limit value.
  • the distinctive characteristic value, the singularity characteristic value and the localization characteristic value are weighted by means of the arithmetic unit and the characteristic number is determined as a function of the weighted singularity characteristic value, the weighted singularity characteristic value and the weighted localization characteristic value.
  • a method for determining the position of a motor vehicle is specified.
  • Image data of the surroundings of the motor vehicle are generated by means of an environment sensor of the motor vehicle.
  • the image data with predetermined reference data for determining the position are stored, matched.
  • a position of the motor vehicle is determined as a function of a result of the comparison by means of the further computing unit.
  • the reference data for position determination were generated using a method for determining reference data for position determination according to an improved concept.
  • a map system in particular a digital map system, in particular a digital map or HD map, for determining the position of a motor vehicle is specified.
  • the map system has a further memory unit, reference data for determining the position being stored on the further memory unit, which were generated by means of a method for determining reference data for determining the position of a motor vehicle according to the improved concept.
  • the memory unit on which the feature information is stored according to the method according to the improved concept is, in particular, the further memory unit of the card system.
  • Motor vehicle specified which has a map system for determining position according to the improved concept.
  • the computer system for generating reference data for determining the position of a motor vehicle specified.
  • the computer system has a computing unit and a memory unit.
  • the arithmetic unit is set up to receive a set of raw data points which represent a predefined surrounding area.
  • the arithmetic unit is set up to determine a descriptor for each of the raw data points which characterizes a property of the surrounding area at a position of the respective raw data point.
  • the computing unit is set up to generate at least one point cluster by grouping the raw data points depending on their descriptors.
  • the arithmetic unit is set up to assign a code number that relates to information gain for determining the position of the motor vehicle to a first point cluster of the at least one point cluster, depending on the descriptors of the raw data points of the first point cluster.
  • the arithmetic unit is set up to store feature information of the first point cluster as reference data for determining the position on the memory unit as a function of the code number.
  • the fact that the processing unit is set up to receive the set of raw data points can in particular be understood in such a way that the raw data points can be read by the processing unit.
  • FIG. 1 Further embodiments of the computer system according to the improved concept result directly from the various embodiments of the method for generating non-semantic reference data for determining position according to the improved concept and vice versa.
  • a computer system according to the improved concept is set up or programmed to carry out a method for generating non-semantic reference data according to the improved concept, or the computer system carries out such a method.
  • a computer program with instructions is specified.
  • the commands cause the computer system to carry out a method for determining non-semantic reference data according to the improved concept.
  • a computer-readable storage medium is specified on which a computer program according to the improved concept is stored.
  • the invention also includes the combinations of the features of the described embodiments.
  • FIG. 1 shows an exemplary embodiment of a computer system according to the improved concept
  • FIG. 2 shows a flow diagram of an exemplary embodiment of a method for determining non-semantic reference data according to the improved concept
  • 3 shows a motor vehicle with an exemplary embodiment of a card system according to the improved concept.
  • the described components of the embodiments each represent individual features of the invention that are to be considered independently of one another, which also develop the invention independently of one another and are therefore also to be regarded as part of the invention individually or in a combination other than the one shown. Furthermore, the described embodiments can also be supplemented by further features of the invention already described.
  • a computer system 16 is shown schematically according to the improved concept.
  • the computer system 16 has a computing unit 8 and a memory unit 10.
  • a set of raw data points is stored on the storage unit 10, for example, which maps a predefined surrounding area, that is to say a potential surrounding area of a motor vehicle 6.
  • FIG. 2 shows a flow chart of an exemplary embodiment of a method for generating non-semantic reference data for determining the position of a motor vehicle 6.
  • the set of raw data points 7 is provided in that it is stored on the storage unit 10 in computer-readable form, that is to say in particular readable by the computing unit 8.
  • the set of raw data points 7 corresponds, for example, to a point cloud that was generated in advance by means of a lidar system.
  • a predefined descriptor is assigned to each of the raw data points 7 by means of the arithmetic unit 8 or the corresponding descriptor is calculated for each raw data point 7 by means of the arithmetic unit 8, the descriptor being in particular a geometric one Characterized property of the surrounding area at the position which is represented by the respective raw data point, for example a curvature or mean curvature of the surroundings or an object in the surrounding area at the position of the respective raw data point.
  • depth information can also be used as a descriptor.
  • step 2 of the method the raw data points are grouped into descriptor clusters 12a, 12b, 12c by combining raw data points 7 with similar descriptors. That is to say, descriptors of the same type are grouped into descriptor clusters 12a, 12b, 12c by a clustering method.
  • those features in the surrounding area 11 which relate to similar objects can be combined in a common descriptor cluster 12a, 12b, 12c, for example all wall-like descriptions can be combined in a descriptor cluster 12a, 12b, 12c.
  • step 2 those of the raw data 7 which cannot be assigned to any of the descriptor clusters 12a, 12b, 12d according to predetermined criteria, can also be sorted out and are then no longer used.
  • a distinctive characteristic value can be determined in particular for each of the descriptor clusters 12a, 12b, 12c, in particular based on the descriptors of the corresponding raw data points 7 of the respective descriptor cluster 12a, 12b, 12c.
  • the distinctive characteristic value quantifies how writable and recognizable the descriptors of the respective descriptor cluster 12a, 12b, 12c are.
  • step 2 for example, all descriptor clusters 12a, 12b, 12c whose distinctive characteristic values are below a predetermined limit value can be sorted out and are not considered further.
  • distributions 17a, 17b of two descriptor clusters 12a, 12b, 12c are shown schematically in FIG.
  • the distribution 17a can represent the distribution of curvature values as descriptors for an advertising column and the distribution 17b a corresponding distribution for a tree. While the distribution 17a indicates a high distinctiveness, since it has three distinct maxima, the distribution 17b may not be suitable to be used for position determination since it indicates a relatively homogeneous distribution of the descriptors and thus a low distinctive value.
  • the descriptor clusters 12a, 12b, 12c are spatially separated from one another so that corresponding point clusters 9a, 9b, 9c, 9d, 9e, 9f are generated by the computing unit 8.
  • two house walls positioned at different points in the environment can fall into the same descriptor cluster 12a, 12b, 12c, but into different point clusters 9a, 9b, 9c, 9d, 9e, 9f.
  • the point clusters 9a, 9b, 9c, 9d, 9e, 9f in particular take over the distinguishing characteristic values of the respective descriptor clusters 12a, 12b, 12c from which they each arise.
  • a uniqueness characteristic value or singularity characteristic value can also be determined for each of the point clusters 9a, 9b, 9c, 9d, 9e, 9f by means of the computing unit 8.
  • the uniqueness or singularity of a point cluster 9a, 9b, 9c, 9d, 9e, 9f in particular quantifies the difference between the respective point cluster 9a, 9b, 9c, 9d, 9e, 9f from other point clusters 9a, 9b, 9c, 9d, 9e, 9f.
  • the singularity parameter can in particular be determined by describing the difference between descriptors of the individual point clusters 9a, 9b, 9c, 9d, 9e, 9f by means of the arithmetic unit 8 according to a predetermined mathematical rule.
  • the singularity value of the individual associated point clusters 9a, 9b, 9c, 9d, 9e, 9f is lower than if there is only one house wall.
  • a localization parameter can also be assigned.
  • a spatial distribution 18 of the point clusters 9a, 9b in particular can be analyzed.
  • the surrounding area 11 can be divided into a predetermined number of sub-areas by means of the computing unit 8, and the number of point clusters that lie within the sub-areas can be determined. The more point clusters there are in a sub-area, the lower the localization parameter for the point clusters 9a, 9b, 9c, 9d, 9e, 9f in this sub-area.
  • the arithmetic unit 8 is used to determine an associated code number for each of the point clusters 9a, 9b, 9c, 9d, 9e, 9f depending on the localization characteristic value, the singularity characteristic value and the distinctiveness characteristic value, which relates to information gain for determining the position of the motor vehicle.
  • Localization characteristic value, singularity characteristic value and distinctiveness characteristic value together describe how distinctive a feature is in the surrounding area 11, which is described by the respective point cluster 9a, 9b, 9c, 9d, 9e, 9f.
  • step 5 of the method feature information for each of the point clusters 9a, 9b, 9c, 9d, 9e, 9f, in particular corresponding spatial positions, dimensions or other geometric information of the point clusters 9a, 9b, 9c, 9d, 9e, 9f and, for example, the respective The code number or the respective characteristic values of the point clusters 9a, 9b, 9c, 9d, 9e, 9f are stored on the memory unit 10 if the code number relating to the information gain of the respective point cluster 9a, 9b, 9c, 9d, 9e, 9f is greater than an associated predetermined one Limit.
  • FIG. 3 shows a motor vehicle 6 which has a further processing unit 14 and an environment sensor system 13, for example a camera, a lidar system or a radar system.
  • an environment sensor system 13 for example a camera, a lidar system or a radar system.
  • the motor vehicle 6 also has a digital map 15, in particular a further memory unit on which a digital map 15 is stored.
  • the digital map 15 contains reference data for determining position, which were generated according to a method according to the improved concept.
  • Image data of the surroundings of the motor vehicle 6 can be generated by means of the environment sensor 13 of the motor vehicle 6.
  • the computer unit 14 can compare the image data with the reference data on the digital map 15.
  • the improved concept thus provides a possibility of making available and using non-semantic reference data for determining the position of a motor vehicle.
  • high-precision raw data points can be used to generate non-semantic, distinctive reference data for digital maps in order to enable the precise localization of a motor vehicle.
  • the storage space of the digital map is significantly reduced compared to the direct storage of the raw data points.
  • the improved concept therefore makes it possible to create highly accurate, globally referenced maps in which non-semantic features are stored together with their description.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

A computer-implemented method for generating non-semantic reference data for determining the position of a motor vehicle (6) involves a set of raw data points (7) being provided that models a stipulated surrounding area (11). A stipulated descriptor characterizing a property of the surrounding area (11) is determined for each of the raw data points (7). At least one point cluster (9a, 9b, 9c, 9d, 9e, 9f) is generated by grouping the raw data points (7) on the basis of their descriptors. An identification number relating to an information gain for determining the position of the motor vehicle (6) is assigned to a first point cluster on the basis of the descriptors of the raw data points (7). The identification number is taken as a basis for storing feature information of the first point cluster on a memory unit (10) as non-semantic reference data for determining the position.

Description

Beschreibung description
Erzeugen nicht-semantischer Referenzdaten zur Positionsbestimmung eines Kraftfahrzeugs Generating non-semantic reference data for determining the position of a motor vehicle
Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zum Erzeugen nicht-semantischer Referenzdaten zur Positionsbestimmung eines Kraftfahrzeugs, wobei ein Satz von Rohdatenpunkten bereitgestellt wird, der einen vorgegebenen Umgebungsbereich abbildet. Die Erfindung betrifft außerdem ein Verfahren zur Positionsbestimmung eines Kraftfahrzeugs, ein Kartensystem zur Positionsbestimmung eines Kraftfahrzeugs, ein Kraftfahrzeug mit einem Kartensystem, ein Computersystem zum Erzeugen nicht semantischer Referenzdaten zur Positionsbestimmung eines Kraftfahrzeugs, ein Computerprogramm sowie ein computerlesbares Speichermedium. The present invention relates to a computer-implemented method for generating non-semantic reference data for determining the position of a motor vehicle, with a set of raw data points being provided which depicts a predetermined surrounding area. The invention also relates to a method for determining the position of a motor vehicle, a map system for determining the position of a motor vehicle, a motor vehicle with a map system, a computer system for generating non-semantic reference data for determining the position of a motor vehicle, a computer program and a computer-readable storage medium.
Beispielsweise zur Navigation oder Trajektorienplanung benötigen hochautomatisierte oder autonome Kraftfahrzeuge präzise Kenntnis ihrer eigenen Position. Bei bekannten Verfahren zur Bestimmung der Position werden beispielsweise semantische Strukturen und Muster, sogenannte Landmarken, in der Kraftfahrzeugumgebung von den Fahrzeugsensoren erkannt und mit entsprechenden Eintragungen in einer digitalen Karte des Kraftfahrzeugs verglichen. Solche semantischen Strukturen sind dabei stets einer vordefinierten Klasse zugeordnet, beispielsweise also mit der Information versehen, um welche Art von Objekt es sich handelt, etwa ein Verkehrsschild oder eine Häuserkante. For example, for navigation or trajectory planning, highly automated or autonomous motor vehicles need precise knowledge of their own position. In known methods for determining the position, for example, semantic structures and patterns, so-called landmarks, are recognized by the vehicle sensors in the motor vehicle environment and compared with corresponding entries in a digital map of the motor vehicle. Such semantic structures are always assigned to a predefined class, for example provided with the information about what type of object it is, for example a traffic sign or the edge of a house.
Die landmarkenbasierte Lokalisierung hat jedoch den Nachteil, dass nur solche Umgebungsmerkmale zur Lokalisierung verwendet werden, die einer mehr oder weniger generischen Klasse zugeordnet werden können. Dies schränkt die Anzahl die zur Lokalisierung verfügbaren Umgebungsmerkmale ein, sodass in Bereichen, in denen keine derartigen Landmarken zur Verfügung stehen, die Lokalisierung nicht oder nur mit geringer Genauigkeit durchgeführt werden kann. Landmark-based localization, however, has the disadvantage that only those environmental features are used for localization that can be assigned to a more or less generic class. This limits the number of environmental features available for localization, so that in areas in which no such landmarks are available, localization cannot be carried out or can only be carried out with low accuracy.
Die Position eines Kraftfahrzeugs kann auch anhand von Satellitensignalen eines globalen Navigationssatellitensystems bestimmt werden. Die Genauigkeit bei üblicherweise in Kraftfahrzeugen eingesetzten Satellitenempfängern ist jedoch zu gering, um hochautomatisiertes oder autonomes Fahren zu ermöglichen. Hochpräzise Satellitenempfänger dagegen bringen einen erheblichen Kostenaufwand mit sich. Im Dokument EP 3 290 864 A1 wird ein Fahrerassistenzsystem zum Bestimmen einer Fahrzeugposition beschrieben. Dabei werden ungefähre Positionsdaten des Kraftfahrzeugs anhand von GPS-Signalen erfasst. Zudem wird ein Umgebungsbild des Kraftfahrzeugs aufgenommen und mit gespeicherten Bilddaten verglichen. Durch Kombination der dadurch erhaltenen Informationen kann die Position des Kraftfahrzeugs auch bei schlechtem Satellitenempfang ermittelt werden. The position of a motor vehicle can also be determined on the basis of satellite signals from a global navigation satellite system. The accuracy of satellite receivers usually used in motor vehicles, however, is too low to enable highly automated or autonomous driving. High-precision satellite receivers, on the other hand, entail considerable costs. The document EP 3 290 864 A1 describes a driver assistance system for determining a vehicle position. Approximate position data of the motor vehicle are recorded using GPS signals. In addition, an image of the surroundings of the motor vehicle is recorded and compared with stored image data. By combining the information obtained in this way, the position of the motor vehicle can be determined even if the satellite reception is poor.
Vor diesem Hintergrund ist es eine Aufgabe der vorliegenden Erfindung, ein verbessertes Konzept zur Positionsbestimmung eines Kraftfahrzeugs, insbesondere zur kartenbasierten Positionsbestimmung eines Kraftfahrzeugs, bereitzustellen, das von der Verfügbarkeit semantischer Umgebungsstrukturen unabhängig ist. Against this background, it is an object of the present invention to provide an improved concept for determining the position of a motor vehicle, in particular for determining the position of a motor vehicle based on maps, which is independent of the availability of semantic surrounding structures.
Erfindungsgemäß wird diese Aufgabe durch den jeweiligen Gegenstand der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen und Ausgestaltungsformen sind Gegenstand der abhängigen Ansprüche. According to the invention, this object is achieved by the respective subject matter of the independent claims. Advantageous developments and embodiments are the subject of the dependent claims.
Das verbesserte Konzept beruht auf der Idee, nicht-semantische Referenzdaten zu erzeugen, indem die Umgebung abbildende Rohdatenpunkte anhand vorgegebener Deskriptoren zur Beschreibung von Umgebungseigenschaften geclustert werden und abhängig von einem Informationsgewinn, den die jeweiligen Punktcluster zur Positionsbestimmung beitragen können, entsprechende Merkmalsinformationen gespeichert werden. The improved concept is based on the idea of generating non-semantic reference data by clustering the raw data points depicting the environment using predetermined descriptors to describe the properties of the environment and storing corresponding feature information depending on the information gain that the respective point clusters can contribute to position determination.
Gemäß einem unabhängigen Aspekt des verbesserten Konzepts wird ein computerimplementiertes Verfahren zum Erzeugen nicht-semantischer Referenzdaten zur Positionsbestimmung eines Kraftfahrzeugs angegeben. Dabei wird ein Satz von, insbesondere mittels eines Umfeldsensors erzeugten, Rohdatenpunkten bereitgestellt, der einen vorgegebenen Umgebungsbereich abbildet. Für jeden der Rohdatenpunkte wird mittels einer Recheneinheit ein vorgegebener Deskriptor bestimmt, der eine Eigenschaft des Umgebungsbereichs an einer Position des jeweiligen Rohdatenpunkts beziehungsweise an einer Position, die dem jeweiligen Rohdatenpunkt in der Umgebung entspricht, charakterisiert. Mittels der Recheneinheit wird wenigstens ein Punktcluster erzeugt, indem, insbesondere mittels der Recheneinheit, die Rohdatenpunkte abhängig von ihren jeweiligen Deskriptoren zu dem Punktcluster gruppiert werden. Mittels der Recheneinheit wird einem ersten Punktcluster des wenigstens einen Punktclusters abhängig von den Deskriptoren der Rohdatenpunkte des ersten Punktclusters eine Kennzahl zugeordnet, die einen Informationsgewinn zur Positionsbestimmung des Kraftfahrzeugs betrifft. Abhängig von der Kennzahl werden mittels der Recheneinheit Merkmalsinformationen des ersten Punktclusters als nicht-semantische Referenzdaten zur Positionsbestimmung auf einer Speichereinheit gespeichert. According to an independent aspect of the improved concept, a computer-implemented method for generating non-semantic reference data for determining the position of a motor vehicle is specified. In this case, a set of raw data points, in particular generated by means of an environment sensor, is provided which depicts a predefined environment area. A predetermined descriptor is determined for each of the raw data points by means of a computing unit, which characterizes a property of the surrounding area at a position of the respective raw data point or at a position which corresponds to the respective raw data point in the environment. At least one point cluster is generated by means of the computing unit in that, in particular by means of the computing unit, the raw data points are grouped into the point cluster depending on their respective descriptors. By means of the arithmetic unit, a first point cluster of the at least one point cluster is assigned a code number that relates to information gain for determining the position of the motor vehicle, depending on the descriptors of the raw data points of the first point cluster. Depends on the By means of the computing unit, characteristic information of the first point cluster is stored as non-semantic reference data for position determination on a memory unit.
Bei dem Umgebungsbereich handelt es sich insbesondere um einen Umgebungsbereich des Umfeldsensors beziehungsweise eines Datenerfassungssystems oder eines Datenerfassungsfahrzeugs, an welchem der Umfeldsensor montiert ist. Insbesondere werden die Rohdatenpunkte erzeugt, bevor das Kraftfahrzeug die Referenzdaten zur Positionsbestimmung nutzt. Bei dem Umgebungsbereich handelt es sich also um einen Umgebungsbereich einer potentiellen Position des Kraftfahrzeugs. The surrounding area is in particular a surrounding area of the environment sensor or a data acquisition system or a data acquisition vehicle on which the environment sensor is mounted. In particular, the raw data points are generated before the motor vehicle uses the reference data to determine its position. The surrounding area is therefore an area surrounding a potential position of the motor vehicle.
Der Umfeldsensor kann beispielsweise als Radarsensor oder Lidarsensor, auch bezeichnet als Laserscanner, ausgestaltet sein. Zum Abbilden des Umgebungsbereichs erzeugt das Umfeldsensorsystem eine Punktwolke aus Abtastpunkten, die insbesondere als dreidimensionale Koordinatentupel vorliegen. Bei den Rohdatenpunkten, die den Umgebungsbereich abbilden, handelt es sich insbesondere um eine solche Punktwolke oder einen Teil davon. The environment sensor can be designed, for example, as a radar sensor or lidar sensor, also referred to as a laser scanner. In order to map the surrounding area, the environment sensor system generates a point cloud from scanning points, which are present in particular as three-dimensional coordinate tuples. The raw data points that map the surrounding area are in particular such a point cloud or a part thereof.
Das Bereitstellen des Satzes von Rohdatenpunkten erfolgt insbesondere in computerlesbarer Form, sodass die Rohdatenpunkte mittels der Recheneinheit gelesen werden können. Insbesondere ist das Erzeugen der Rohdatenpunkte nicht notwendigerweise ein Teil des Verfahrens zum Erzeugen nicht-semantischer Referenzdaten nach dem verbesserten Konzept. The provision of the set of raw data points takes place in particular in computer-readable form so that the raw data points can be read by means of the computing unit. In particular, the generation of the raw data points is not necessarily part of the method for generating non-semantic reference data according to the improved concept.
Dass die Rohdatenpunkte vorab erzeugt und dann bereitgestellt werden, hat insbesondere den Vorteil, dass bei der Erzeugung der Rohdatenpunkte hochpräzise Messgeräte eingesetzt werden können. The fact that the raw data points are generated in advance and then provided has the particular advantage that high-precision measuring devices can be used when generating the raw data points.
Die Rohdatenpunkte des Satzes von Rohdatenpunkten können beispielsweise als entsprechende Koordinatentupel in einem vorgegebenen Referenzkoordinatensystem, beispielsweise einem globalen Koordinatensystem oder Weltkoordinatensystem, beispielsweise einem geodätischen Koordinatensystem, wie beispielsweise WGS84, vorliegen. The raw data points of the set of raw data points can be present, for example, as corresponding coordinate tuples in a predetermined reference coordinate system, for example a global coordinate system or world coordinate system, for example a geodetic coordinate system, such as WGS84.
Bei dem Deskriptor handelt es sich insbesondere um eine anhand der Rohdatenpunkte messbare Eigenschaft des Umgebungsbereichs, beispielsweise eine geometrische Eigenschaft. Geometrische Eigenschaften, die als Deskriptoren dienen können, beinhalten insbesondere die Krümmung oder mittlere Krümmung der abgetasteten Oberflächen oder Bereiche in dem Umgebungsbereich. Auch statistische Eigenschaften der Rohdatenpunkte beziehungsweise deren Verteilung oder Eigenschaften der Verteilung der Rohdatenpunkte können als Deskriptoren dienen. Auch optische Eigenschaften der Umgebung können durch die Rohdatenpunkte widergespiegelt sein. Insbesondere können die Rohdatenpunkte neben den räumlichen Koordinaten auch Intensitätsinformationen beinhalten oder die Intensitätsinformationen können den Rohdatenpunkten zugeordnet sein und bereitgestellt werden. Dabei handelt es sich im Falle eines Lidarsensors beispielsweise um die Intensität des reflektierten Laserstrahls. Da die Aussendecharakteristik, insbesondere die Wellenlängenverteilung des ausgesendeten Laserstrahls, bekannt ist, kann anhand der Intensität auf die spektrale Reflektivität oder Farbe des entsprechenden Punkts in der Umgebung, der dem Rohdatenpunkt entspricht, ermittelt werden. Auch diese Eigenschaften können als Deskriptoren dienen. The descriptor is in particular a property of the surrounding area that can be measured using the raw data points, for example a geometric property. Contain geometric properties that can serve as descriptors in particular the curvature or mean curvature of the scanned surfaces or areas in the surrounding area. Statistical properties of the raw data points or their distribution or properties of the distribution of the raw data points can also serve as descriptors. Optical properties of the environment can also be reflected by the raw data points. In particular, the raw data points can also contain intensity information in addition to the spatial coordinates, or the intensity information can be assigned to the raw data points and made available. In the case of a lidar sensor, this is, for example, the intensity of the reflected laser beam. Since the emission characteristic, in particular the wavelength distribution of the emitted laser beam, is known, the spectral reflectivity or color of the corresponding point in the environment that corresponds to the raw data point can be determined on the basis of the intensity. These properties can also serve as descriptors.
Der vorgegebene Deskriptor kann auch mehrere als Deskriptoren geeignete Werte beinhalten oder eine oder mehrere von diesen abgeleitete Größen. The specified descriptor can also contain several values suitable as descriptors or one or several variables derived from these.
Durch die Verwendung der Deskriptoren, die nicht an eine Bedeutungsebene von Objekten in der Umgebung anknüpfen, wird eine nicht-semantische Beschreibung der Umgebung ermöglicht. By using the descriptors, which are not linked to a level of meaning of objects in the environment, a non-semantic description of the environment is made possible.
Um die Rohdatenpunkte des Satzes von Rohdatenpunkten zu dem wenigstens einen Punktcluster zu gruppieren, wird insbesondere jeder Rohdatenpunkt des Satzes von Rohdatenpunkten entweder genau einem Punktcluster des wenigstens einen Punktclusters zugeordnet oder der jeweilige Rohdatenpunkt wird aussortiert beziehungsweise verworfen, also für die Erzeugung der Referenzdaten nicht weiter berücksichtigt. In order to group the raw data points of the set of raw data points into the at least one point cluster, in particular each raw data point of the set of raw data points is either assigned to exactly one point cluster of the at least one point cluster or the respective raw data point is sorted out or discarded, i.e. not taken into account for the generation of the reference data .
Bei den Rohdatenpunkten des ersten Punktclusters handelt es sich insbesondere um diejenigen Rohdatenpunkte des Satzes von Rohdatenpunkten, die durch das Gruppieren den ersten Punktcluster bilden. The raw data points of the first point cluster are in particular those raw data points of the set of raw data points that form the first point cluster as a result of the grouping.
Dass die Rohdatenpunkte abhängig von den Deskriptoren gruppiert werden, kann insbesondere derart verstanden werden, dass die individuellen Deskriptoren der einzelnen Rohdatenpunkte zur Gruppierung herangezogen werden oder, dass die Deskriptoren der Rohdatenpunkte statistisch ausgewertet werden, beispielsweise durch Mittelwertbildung oder lokale Mittelwertbildung oder sonstige Analyse der Verteilung der Deskriptoren und die Gruppierung anhand des Resultats der statistischen Auswertung durchgeführt wird. Beide Aspekte können auch kombiniert werden beziehungsweise nacheinander durchgeführt werden, um den wenigstens einen Punktcluster zu erzeugen. The fact that the raw data points are grouped depending on the descriptors can in particular be understood to mean that the individual descriptors of the individual raw data points are used for grouping or that the descriptors of the raw data points are statistically evaluated, for example by averaging or local averaging or other analysis of the distribution of the Descriptors and the grouping is carried out based on the result of the statistical evaluation. Both Aspects can also be combined or carried out one after the other in order to generate the at least one point cluster.
Insbesondere können die Rohdatenpunkte zunächst anhand ihrer individuellen Deskriptoren gruppiert werden, beispielsweise zu Deskriptorclustern, und den Deskriptorclustern können dann beispielsweise basierend auf den Deskriptoren ihrer jeweiligen Rohdatenpunkte Clusterdeskriptoren zugeordnet werden, die beispielsweise statistischen Kennwerten der Deskriptoren der Rohdatenpunkte des jeweiligen Deskriptorclusters entsprechen, beispielsweise einem Mittelwert, einem Medianwert und so weiter. In einem zweiten Schritt können die Deskriptorcluster dann anhand weiterer Kriterien, insbesondere anhand ihrer Clusterdeskriptoren, zu den Punktclustern gruppiert werden. In particular, the raw data points can initially be grouped on the basis of their individual descriptors, for example to form descriptor clusters, and cluster descriptors can then be assigned to the descriptor clusters, for example based on the descriptors of their respective raw data points, which for example correspond to statistical characteristic values of the descriptors of the raw data points of the respective descriptor cluster, for example an average value, a median and so on. In a second step, the descriptor clusters can then be grouped into the point clusters on the basis of further criteria, in particular on the basis of their cluster descriptors.
Dass die Kennzahl des ersten Punktclusters einen Informationsgewinn zur Positionsbestimmung des Kraftfahrzeugs betrifft, kann beispielsweise derart verstanden werden, dass die Kennzahl angibt, welchen Einfluss die Verwendung des ersten Punktclusters zur Positionsbestimmung des Kraftfahrzeugs auf eine Genauigkeit der Positionsbestimmung hat. Dabei kann der Kennwert beispielsweise angeben, wie eindeutig sich der erste Punktcluster wiedererkennen lässt, wie viele weitere Cluster sich in unmittelbarer Umgebung des ersten Punktclusters befinden, wie unterschiedlich der Clusterdeskriptor oder die Deskriptoren der Rohdatenpunkte des ersten Punktclusters im Vergleich zu anderen Punktclustern des wenigstens einen Punktclusters sind und dergleichen. The fact that the code of the first point cluster relates to an information gain for determining the position of the motor vehicle can be understood, for example, in such a way that the code indicates what influence the use of the first point cluster for determining the position of the motor vehicle has on the accuracy of the position determination. The characteristic value can, for example, indicate how clearly the first point cluster can be recognized, how many other clusters are in the immediate vicinity of the first point cluster, how different the cluster descriptor or the descriptors of the raw data points of the first point cluster compared to other point clusters of the at least one point cluster are and the like.
Mit anderen Worten kann die Kennzahl ausdrücken, wie markant ein Merkmal des Umgebungsbereichs ist, das durch den ersten Punktcluster dargestellt wird. Dabei kann das Merkmal beispielsweise als umso markanter angesehen werden, je höher eine Distinktivität des Merkmals ist, je höher die Einzigartigkeit oder Singularität des Merkmals ist und je niedriger die Dichte von weiteren Merkmalen in der Umgebung des jeweiligen Merkmals ist. Diese Eigenschaften lassen sich durch vorgegebene Regeln oder Vorschriften quantifizieren, sodass sich auch die Angabe, wie markant das Merkmal ist, nach vorgegebenen Regeln quantifizieren und daher messen lässt. In other words, the key figure can express how distinctive a feature of the surrounding area is that is represented by the first point cluster. The feature can be viewed as more prominent, the higher the distinctiveness of the feature, the higher the uniqueness or singularity of the feature and the lower the density of further features in the vicinity of the respective feature. These properties can be quantified by given rules or regulations, so that the indication of how distinctive the feature is can be quantified according to given rules and therefore measured.
Jeder der Punktcluster kann insbesondere einem entsprechenden Merkmal in dem Umgebungsbereich zugeordnet werden oder als entsprechendes Merkmal verstanden werden. Die Merkmale, die durch die Punktcluster dargestellt werden, sind nicht-semantischer Natur, ihnen ist also nicht notwendigerweise eine Bedeutung zugeordnet. Each of the point clusters can in particular be assigned to a corresponding feature in the surrounding area or can be understood as a corresponding feature. The features that are represented by the point clusters are non-semantic in nature, so they are not necessarily assigned a meaning.
Die Merkmalsinformationen beinhalten beispielsweise eine Position des ersten Punktclusters, beispielsweise eine mittlere oder charakteristische Position der Rohdatenpunkte des ersten Punktclusters, eine räumliche Ausdehnung der Rohdatenpunkte des ersten Punktclusters oder sonstige geometrische Eigenschaften des ersten Punktclusters oder der Rohdaten des ersten Punktclusters. Die Merkmalsinformationen können auch die Deskriptoren der Rohdatenpunkte beinhalten und/oder den Clusterdeskriptor des ersten Punktclusters. The feature information includes, for example, a position of the first point cluster, for example a mean or characteristic position of the raw data points of the first point cluster, a spatial extent of the raw data points of the first point cluster or other geometric properties of the first point cluster or the raw data of the first point cluster. The feature information can also contain the descriptors of the raw data points and / or the cluster descriptor of the first point cluster.
Das Speichern der Merkmalsinformationen abhängig von der Kennzahl kann beispielsweise derart erfolgen, dass die Merkmalsinformationen und die zugehörige Kennzahl gemeinsam gespeichert werden beziehungsweise die Merkmalsinformationen die Kennzahl selbst beinhalten. Alternativ oder zusätzlich können die Merkmalsinformationen des ersten Punktclusters beispielsweise nur dann gespeichert werden, wenn die Kennzahl oberhalb eines vorgegebenen Grenzwerts liegt. Alternativ oder zusätzlich können die Merkmalsinformationen in einer markierten Form gespeichert werden, wenn die Kennzahl kleiner ist als der vorgegebene Grenzwert, um zu kennzeichnen, dass der jeweilige Punktcluster nur eingeschränkt zur Positionsbestimmung tauglich ist. The storage of the feature information as a function of the code number can for example take place in such a way that the feature information and the associated code number are stored together or the feature information contains the code number itself. As an alternative or in addition, the feature information of the first point cluster can, for example, only be stored if the characteristic number is above a predetermined limit value. As an alternative or in addition, the feature information can be stored in a marked form if the code number is smaller than the predefined limit value in order to indicate that the respective point cluster is only suitable for position determination to a limited extent.
Durch das Speichern der Merkmalsinformationen abhängig von der Kennzahl wird eine hohe Qualität der Referenzdaten gewährleistet und insbesondere eine hohe Genauigkeit der Positionsbestimmung anhand der Referenzdaten ermöglicht. Storing the feature information as a function of the key figure ensures a high quality of the reference data and, in particular, enables high accuracy of the position determination based on the reference data.
Indem der Umgebungsbereich anhand nicht-semantischer Merkmale beschrieben werden kann, ermöglicht es das Verfahren nach dem verbesserten Konzept weitgehend unabhängig von dem Inhalt des Umgebungsbereichs, also unabhängig davon, welche Objekte oder Strukturen sich innerhalb des Umgebungsbereichs befinden, Referenzdaten zur Positionsbestimmung zu erzeugen. Das verbesserte Konzept ist daher universell und flexibel anwendbar und insbesondere unabhängig vom Vorhandensein semantischer Landmarken. Since the surrounding area can be described using non-semantic features, the method according to the improved concept makes it possible to generate reference data for determining position largely independently of the content of the surrounding area, i.e. regardless of which objects or structures are located within the surrounding area. The improved concept can therefore be used universally and flexibly and, in particular, independent of the presence of semantic landmarks.
Insbesondere können die durch die Punktcluster dargestellten Merkmale auch für Menschen nicht intuitiv erkennbare Merkmale in der Umgebung betreffen. In particular, the features represented by the point clusters can also relate to features in the environment that are not intuitively recognizable for humans.
Nach dem verbesserten Konzept werden die Deskriptoren der Rohdatenpunkte als Mittel verwendet, Merkmale in der Umgebung als solche zu identifizieren und besonders markante Merkmale zur Positionsbestimmung heranzuziehen beziehungsweise als Referenzdaten zu speichern. Dabei wird beispielsweise ausgenutzt, dass sich die Verteilung, insbesondere räumliche Verteilung, der Deskriptoren der Rohdatenpunkte für distinktive Merkmale, also insbesondere eindeutig wiedererkennbare Merkmale, unterscheidet von nicht-distinktiven Merkmalen, beispielsweise Objekten mit sehr komplexen Oberflächen. Die Merkmale werden in Form der Merkmalsinformationen ohne inhaltliche Bedeutung dargestellt und weiterverwendet. According to the improved concept, the descriptors of the raw data points are used as a means to identify features in the environment as such and particularly distinctive ones To use features for determining position or to save them as reference data. For example, use is made of the fact that the distribution, in particular spatial distribution, of the descriptors of the raw data points for distinctive features, ie in particular clearly recognizable features, differs from non-distinctive features, for example objects with very complex surfaces. The features are presented and used further in the form of feature information without meaningful content.
Gemäß zumindest einer Ausführungsform des Verfahrens zum Bereitstellen der Referenzdaten zur Positionsbestimmung beinhaltet das Verfahren das Erfassen von Sensormessdaten anhand des Umfeldsensorsystems und das Erzeugen der Rohdatenpunkte basierend auf den Sensormessdaten. According to at least one embodiment of the method for providing the reference data for position determination, the method includes the acquisition of sensor measurement data based on the environment sensor system and the generation of the raw data points based on the sensor measurement data.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit jedem Punktcluster des wenigstens einen Punktclusters abhängig von den jeweiligen Deskriptoren der Rohdatenpunkte des jeweiligen Punktclusters eine jeweilige Kennzahl zugeordnet, die den jeweiligen Informationsgewinn zur Positionsbestimmung des Kraftfahrzeugs durch den jeweiligen Punktcluster betrifft. Jeweilige Merkmalsinformationen der Punktcluster des wenigstens einen Punktclusters werden abhängig von den jeweiligen Kennzahlen der Punktcluster auf der Speichereinheit gespeichert. According to at least one embodiment, each point cluster of the at least one point cluster is assigned a respective code number, which relates to the respective information gain for determining the position of the motor vehicle by the respective point cluster, depending on the respective descriptors of the raw data points of the respective point cluster. The respective feature information of the point clusters of the at least one point cluster is stored on the storage unit as a function of the respective characteristic numbers of the point clusters.
Dadurch wird eine Vielzahl von Merkmalen in dem Umgebungsbereich in nicht-semantischer Weise identifiziert und zur Positionsbestimmung als Referenzdaten bereitgestellt. As a result, a large number of features in the surrounding area are identified in a non-semantic manner and made available as reference data for determining the position.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit eine räumliche Verteilung aller Punktcluster des wenigstens einen Punktclusters analysiert. Abhängig von einem Ergebnis der Analyse der räumlichen Verteilung wird ein Lokalisierungskennwert für den ersten Punktcluster und gegebenenfalls für alle weiteren Punktcluster des wenigstens einen Punktclusters, bestimmt. Die Kennzahl des ersten Punktclusters wird abhängig von dem Lokalisierungskennwert des ersten Punktclusters mittels der Recheneinheit bestimmt. Analoges gilt gegebenenfalls für die Kennzahlen der weiteren Punktcluster. According to at least one embodiment, a spatial distribution of all point clusters of the at least one point cluster is analyzed by means of the computing unit. Depending on a result of the analysis of the spatial distribution, a localization parameter is determined for the first point cluster and possibly for all further point clusters of the at least one point cluster. The characteristic number of the first point cluster is determined by means of the computing unit as a function of the localization characteristic value of the first point cluster. The same applies, if necessary, to the key figures of the other point clusters.
Der Lokalisierungskennwert quantifiziert insbesondere, wie hoch die Dichte von Punktclustern des wenigstens einen Punktclusters an der Position des ersten Punktclusters ist, also insbesondere in einer unmittelbaren Umgebung des ersten Punktclusters. Je mehr Punktcluster sich in der unmittelbaren Umgebung des ersten Punktclusters befinden, desto weniger gut eignet sich der erste Punktcluster zur Positionsbestimmung, beziehungsweise desto geringer ist der Informationsgewinn, den der erste Punktcluster zur Positionsbestimmung beitragen kann. The localization characteristic quantifies in particular how high the density of point clusters of the at least one point cluster is at the position of the first point cluster, that is to say in particular in the immediate vicinity of the first point cluster. The more point clusters there are in the immediate vicinity of the first point cluster, the less suitable the first point cluster is for determining the position, or the lower the gain in information that the first point cluster can contribute to determining the position.
Dementsprechend ist der Lokalisierungskennwert beispielsweise umso größer, je kleiner die Dichte von Punktclustern an der Position des ersten Punktclusters ist. Accordingly, the localization parameter is greater, for example, the smaller the density of point clusters at the position of the first point cluster.
Insbesondere ist die Kennzahl des ersten Punktclusters umso größer, je größer der Lokalisierungskennwert für den ersten Punktcluster ist. In particular, the key figure of the first point cluster is greater, the greater the localization characteristic value for the first point cluster.
Durch die Bevorzugung stärker lokalisierter Merkmale in dem Umgebungsbereich wird eine Zuverlässigkeit beziehungsweise Genauigkeit der möglichen Positionsbestimmung anhand der Referenzdaten erhöht. The preference for more strongly localized features in the surrounding area increases the reliability or accuracy of the possible position determination based on the reference data.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit eine Anzahl von Punktclustern des wenigstens einen Punktclusters bestimmt, die sich in einem vorgegebenen Teilbereich des Umgebungsbereichs befinden, in dem sich der erste Punktcluster befindet. Der Lokalisierungskennwert wird abhängig von der Anzahl der Punktcluster in dem vorgegebenen Teilbereich bestimmt. According to at least one embodiment, the computing unit determines a number of point clusters of the at least one point cluster that are located in a predetermined sub-area of the surrounding area in which the first point cluster is located. The localization parameter is determined depending on the number of point clusters in the specified sub-area.
Beispielsweise kann der Lokalisierungskennwert zusätzlich abhängig von der Gesamtanzahl der Punktcluster des wenigstens einen Punktclusters bestimmt werden, beispielsweise als Verhältnis der Anzahl von Punktclustern in dem vorgegebenen Teilbereich zu der Gesamtanzahl. For example, the localization parameter can additionally be determined as a function of the total number of point clusters of the at least one point cluster, for example as the ratio of the number of point clusters in the specified sub-area to the total number.
Beispielsweise kann der Umgebungsbereich vollständig in mehrere vorgegebene Teilbereiche, inklusive dem Teilbereich, in dem sich der erste Punktcluster befindet, aufgeteilt sein. For example, the surrounding area can be completely divided into a plurality of predefined partial areas, including the partial area in which the first point cluster is located.
Der Lokalisierungskennwert kann dann beispielsweise abhängig von einer durchschnittlichen Anzahl von Punktclustern in den verschiedenen Teilbereichen bestimmt werden. Beispielsweise kann der Lokalisierungskennwert als Verhältnis der Anzahl der Punktcluster in dem Teilbereich, in dem sich der erste Punktcluster befindet zu der mittleren Anzahl von Punktclustern in allen Teilbereichen bestimmt werden. In diesen Ausführungsformen wird insbesondere eine mittlere Dichte von Punktclustern herangezogen, um den Lokalisierungskennwert zu bestimmen. The localization parameter can then be determined, for example, as a function of an average number of point clusters in the various partial areas. For example, the localization parameter can be determined as the ratio of the number of point clusters in the sub-area in which the first point cluster is located to the average number of point clusters in all sub-areas. In these embodiments, in particular an average density of point clusters is used to determine the localization parameter.
Gemäß zumindest einer Ausführungsform ist der Lokalisierungskennwert umso kleiner, je größer die Anzahl von Punktclustern ist, die sich in dem vorgegebenen Teilbereich des ersten Punktclusters befinden. According to at least one embodiment, the greater the number of point clusters that are located in the predefined sub-area of the first point cluster, the smaller the localization parameter.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit abhängig von den Deskriptoren der Rohdatenpunkte des ersten Punktclusters und abhängig von den Deskriptoren der Rohdatenpunkte eines zweiten Punktclusters des wenigstens einen Punktclusters ein Singularitätskennwert für den ersten Punktcluster bestimmt. Die Kennzahl wird abhängig von dem Singularitätskennwert, und insbesondere abhängig von dem Lokalisierungskennwert, des ersten Punktclusters bestimmt. According to at least one embodiment, a singularity characteristic value for the first point cluster is determined by means of the arithmetic unit as a function of the descriptors of the raw data points of the first point cluster and as a function of the descriptors of the raw data points of a second point cluster of the at least one point cluster. The key figure is determined as a function of the singularity characteristic value, and in particular as a function of the localization characteristic value, of the first point cluster.
Die Singularität oder Einzigartigkeit eines Punktclusters beziehungsweise eines Merkmals, dem der Punktcluster entspricht, kann verstanden werden als Kennwert für eine Abweichung der Deskriptoren der Rohdatenpunkte des jeweiligen Punktclusters beziehungsweise des Clusterdeskriptors des jeweiligen Punktclusters im Vergleich zu anderen Punktclustern des wenigstens einen Punktclusters. Insbesondere können die Deskriptoren oder Clusterdeskriptoren aller Punktcluster des wenigstens einen Punktclusters verwendet werden, um die Singularitätskennzahl des ersten Punktclusters zu bestimmen. The singularity or uniqueness of a point cluster or a feature to which the point cluster corresponds can be understood as a characteristic value for a deviation of the descriptors of the raw data points of the respective point cluster or of the cluster descriptor of the respective point cluster compared to other point clusters of the at least one point cluster. In particular, the descriptors or cluster descriptors of all point clusters of the at least one point cluster can be used to determine the singularity index of the first point cluster.
Durch die Bevorzugung einzigartiger oder singulärer Merkmale beziehungsweise Punktcluster werden insbesondere solche Merkmale zur Positionsbestimmung bevorzugt, die anderen Merkmalen in dem Umgebungsbereich möglichst wenig gleichen. Dementsprechend kann die Qualität der Referenzdaten, also insbesondere die mittels den Referenzdaten erreichbare Genauigkeit der Positionsbestimmung, weiter erhöht werden. By giving preference to unique or singular features or point clusters, in particular those features are preferred for determining the position which resemble other features in the surrounding area as little as possible. Accordingly, the quality of the reference data, that is to say in particular the accuracy of the position determination that can be achieved by means of the reference data, can be increased further.
Gemäß zumindest einer Ausführungsform ist der Singularitätskennwert des ersten Punktclusters umso größer, je stärker sich die Deskriptoren der Rohdatenpunkte des ersten Punktclusters von den Deskriptoren des zweiten Punktclusters unterscheiden oder je stärker sich der Clusterdeskriptor des ersten Punktclusters von dem Clusterdeskriptor des zweiten Punktclusters unterscheidet. According to at least one embodiment, the singularity characteristic of the first point cluster is greater, the more the descriptors of the raw data points of the first point cluster differ from the descriptors of the second point cluster or the more the cluster descriptor of the first point cluster differs from the cluster descriptor of the second point cluster.
Gemäß zumindest einer Ausführungsform werden der Singularitätskennwert und der Lokalisierungskennwert mittels der Recheneinheit gewichtet und die Kennzahl wird abhängig von dem gewichteten Singularitätskennwert und dem gewichteten Lokalisierungskennwert bestimmt. According to at least one embodiment, the singularity characteristic value and the localization characteristic value are weighted by means of the computing unit and the characteristic number becomes dependent determined by the weighted singularity value and the weighted localization value.
Dadurch wird es ermöglicht, je nach Anwendungsfall beziehungsweise je nach Art der verwendeten Deskriptoren dem Singularitätskennwert oder dem Lokalisierungskennwert eine höhere Bedeutung zugemessen werden. This makes it possible, depending on the application or depending on the type of descriptors used, to assign greater importance to the singularity parameter or the localization parameter.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit wenigstens ein Deskriptorcluster erzeugt, indem die Rohdatenpunkte abhängig von ihren jeweiligen Deskriptoren und unabhängig von ihren jeweiligen räumlichen Positionen gruppiert werden. Der wenigstens eine Punktcluster wird durch räumliches Gruppieren der Rohdatenpunkte erzeugt wird, wobei jeder Deskriptorcluster des wenigstens einen Deskriptorclusters identisch zu einem der Punktcluster des wenigstens einen Punktclusters ist oder aufgetrennt wird, um wenigstens zwei der Punktcluster des wenigstens einen Punktclusters zu bilden. In accordance with at least one embodiment, at least one descriptor cluster is generated by means of the computing unit by grouping the raw data points depending on their respective descriptors and independently of their respective spatial positions. The at least one point cluster is generated by spatially grouping the raw data points, with each descriptor cluster of the at least one descriptor cluster being identical to one of the point clusters of the at least one point cluster or being separated in order to form at least two of the point clusters of the at least one point cluster.
Um den wenigstens einen Deskriptorcluster zu erzeugen, werden diejenigen Rohdatenpunkte gruppiert, deren Deskriptoren ähnliche Werte aufweisen. Indem die räumliche Positionen der Rohdatenpunkte hierfür nicht berücksichtigt werden, kann ein Deskriptorcluster nach einem vorgegebenen Kriterium auch räumlich unzusammenhängend sein. In order to generate the at least one descriptor cluster, those raw data points are grouped whose descriptors have similar values. In that the spatial positions of the raw data points are not taken into account for this purpose, a descriptor cluster can also be spatially disconnected according to a predetermined criterion.
Unter einem Deskriptorcluster kann also insbesondere eine Untermenge vonA descriptor cluster can therefore in particular be a subset of
Rohdatenpunkten des Satzes von Rohdatenpunkten verstanden werden, die nach einer vorgegebenen Definition ähnliche Deskriptoren aufweisen, und insbesondere anhand eines bekannten Verfahrens zur Clusteranalyse gebildet werden. Raw data points of the set of raw data points are understood which, according to a predetermined definition, have similar descriptors and are in particular formed using a known method for cluster analysis.
Ein Deskriptorcluster kann dementsprechend eines oder mehrere Merkmale in dem Umgebungsbereich darstellen. Durch die Verwendung der Deskriptoren undA descriptor cluster can accordingly represent one or more features in the surrounding area. Using the descriptors and
Vernachlässigung der räumlichen Position können beispielsweise zwei räumlich voneinander getrennte, ansonsten aber identische oder ähnliche Objekte zu Rohdatenpunkten desselben Deskriptorclusters führen. Beispielsweise können zwei räumlich voneinander getrennt angeordnete Wände in dem Umgebungsbereich demselben Deskriptorcluster zugeordnet werden. Neglecting the spatial position can, for example, lead to two spatially separated, but otherwise identical or similar objects, to raw data points of the same descriptor cluster. For example, two walls that are spatially separated from one another can be assigned to the same descriptor cluster in the surrounding area.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit für jeden Deskriptorcluster abhängig von den Deskriptoren der Rohdatenpunkte des Deskriptorclusters ein Clusterdeskriptor bestimmt, beispielsweise durch statistische Auswertung der Deskriptoren der Rohdatenpunkte. Der Clusterdeskriptor kann beispielsweise einem Mittelwert der Deskriptoren der Rohdatenpunkte des Deskriptorclusters entsprechen oder einer anderen statistischen Kenngröße. According to at least one embodiment, a cluster descriptor is determined by means of the computing unit for each descriptor cluster depending on the descriptors of the raw data points of the descriptor cluster, for example by statistical evaluation of the Descriptors of the raw data points. The cluster descriptor can, for example, correspond to an average value of the descriptors of the raw data points of the descriptor cluster or to another statistical parameter.
Dadurch kann eine gemeinsame Weiterverarbeitung der Rohdatenpunkte eines Deskriptorclusters erfolgen, woraus ein geringerer Speicher- und/oder Rechenbedarf folgt. As a result, the raw data points of a descriptor cluster can be further processed jointly, which results in a lower memory and / or computing requirement.
Gemäß zumindest einer Ausführungsform werden alle Rohdatenpunkte des Satzes von Rohdatenpunkte, die gemäß einer vorgegebenen Vorschrift keinem der Deskriptorcluster zugeordnet werden können, verworfen und nicht weiter zur Erzeugung der Referenzdaten herangezogen. According to at least one embodiment, all raw data points of the set of raw data points that cannot be assigned to any of the descriptor clusters according to a predetermined rule are discarded and no longer used to generate the reference data.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit abhängig von den Deskriptoren der Rohdatenpunkte des ersten Punktclusters ein Distinktivitätskennwert für den ersten Punktcluster bestimmt. Die Kennzahl wird abhängig von dem Distinktivitätskennwert und insbesondere abhängig von dem Lokalisierungskennwert und beispielsweise abhängig von dem Singularitätskennwert des ersten Punktclusters bestimmt. According to at least one embodiment, a distinctive characteristic value for the first point cluster is determined by means of the computing unit as a function of the descriptors of the raw data points of the first point cluster. The key figure is determined as a function of the distinctive characteristic value and in particular as a function of the localization characteristic value and, for example, as a function of the singularity characteristic value of the first point cluster.
Der Distinktivitätskennwert kann abhängig von der Art der verwendeten Deskriptoren oder Rohdatenpunkte jeweils unterschiedlich ermittelt werden. The distinctive characteristic value can be determined differently depending on the type of descriptors or raw data points used.
Insbesondere kann zum Ermitteln des Distinktivitätskennwerts eine Verteilung der Werte der Deskriptoren der Rohdatenpunkte des ersten Punktclusters bestimmt werden und mit vorgegebenen Kriterien verglichen werden. In particular, to determine the distinctive characteristic value, a distribution of the values of the descriptors of the raw data points of the first point cluster can be determined and compared with predetermined criteria.
Beispielsweise kann anhand der Verteilung bestimmt werden, ob die Deskriptoren des ersten Punktclusters unimodal oder multimodal verteilt sind, wie viele lokale Maxima die Verteilung aufweist, wie groß die Maximalwerte der lokalen Maxima sind, wie breit die Verteilung beziehungsweise einzelne Unterverteilungen der Verteilung sind und so weiter. Beispielsweise können auch Sprünge in der Verteilung herangezogen werden, um den Distinktivitätskennwert zu bestimmen. For example, the distribution can be used to determine whether the descriptors of the first point cluster are distributed unimodally or multimodally, how many local maxima the distribution has, how large the maximum values of the local maxima are, how broad the distribution or individual sub-distributions of the distribution are, and so on . For example, jumps in the distribution can also be used to determine the distinctive characteristic value.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit ein Histogramm der Deskriptoren der Rohdatenpunkte des ersten Punktclusters erzeugt und das Histogramm wird analysiert, um den Distinktivitätskennwert zu bestimmen. Der Distinktivitätskennwert beschreibt insbesondere, wie gut sich der erste Punktcluster beschreiben lässt, beispielsweise wie eindeutig sich das Merkmal, das der erste Punktcluster beschreibt, als solches in der Umgebung erkennen lässt. According to at least one embodiment, a histogram of the descriptors of the raw data points of the first point cluster is generated by means of the computing unit and the histogram is analyzed in order to determine the distinctive characteristic value. The distinctive characteristic value describes in particular how well the first point cluster can be described, for example how clearly the feature that the first point cluster describes can be recognized as such in the environment.
Indem Merkmale mit höherem Distinktivitätskennwert bevorzugt werden, kann eine höhere Zuverlässigkeit für die Positionsbestimmung erzielt werden. By preferring features with a higher distinctive characteristic value, a higher degree of reliability for the position determination can be achieved.
Gemäß zumindest einer Ausführungsform wird für jeden Deskriptorcluster des wenigstens einen Deskriptorclusters ein entsprechender Distinktivitätskennwert bestimmt. Der Distinktivitätskennwert des ersten Punktclusters entspricht dann dem Distinktivitätskennwert desjenigen Deskriptorclusters, aus dem der erste Punktcluster hervorgeht. According to at least one embodiment, a corresponding distinctive characteristic value is determined for each descriptor cluster of the at least one descriptor cluster. The distinctive characteristic value of the first point cluster then corresponds to the distinctive characteristic value of that descriptor cluster from which the first point cluster emerges.
Der erste Punktcluster erbt also gewissermaßen den Distinktivitätskennwert von dem zugehörigen Deskriptorcluster. The first point cluster thus inherits the distinctive characteristic value, as it were, from the associated descriptor cluster.
Gemäß zumindest einer Ausführungsform wird mittels der Recheneinheit die Verteilung der Deskriptoren der Rohdatenpunkte des ersten Punktclusters bestimmt und der Distinktivitätskennwert wird abhängig von der Verteilung bestimmt. According to at least one embodiment, the distribution of the descriptors of the raw data points of the first point cluster is determined by means of the arithmetic unit and the distinctive characteristic value is determined as a function of the distribution.
Gemäß zumindest einer Ausführungsform werden die Merkmalsinformationen des ersten Punktclusters mittels der Recheneinheit abhängig von dem Distinktivitätskennwert auf der Speichereinheit gespeichert. According to at least one embodiment, the feature information of the first point cluster is stored on the storage unit by means of the computing unit as a function of the distinguishing characteristic value.
Insbesondere können die Merkmalsinformationen beispielsweise nur dann auf der Speichereinheit gespeichert werden, wenn der Distinktivitätskennwert größer ist als ein vorgegebener weiterer Grenzwert. In particular, the feature information can only be stored on the storage unit, for example, if the distinctive characteristic value is greater than a predetermined further limit value.
Gemäß zumindest einer Ausführungsform werden der Distinktivitätskennwert, der Singularitätskennwert und der Lokalisierungskennwert mittels der Recheneinheit gewichtet und die Kennzahl wird abhängig von dem gewichteten Singularitätskennwert, dem gewichteten Singularitätskennwert und dem gewichteten Lokalisierungskennwert bestimmt. According to at least one embodiment, the distinctive characteristic value, the singularity characteristic value and the localization characteristic value are weighted by means of the arithmetic unit and the characteristic number is determined as a function of the weighted singularity characteristic value, the weighted singularity characteristic value and the weighted localization characteristic value.
Gemäß einem weiteren unabhängigen Aspekt des verbesserten Konzepts wird ein Verfahren zur Positionsbestimmung eines Kraftfahrzeugs angegeben. Dabei werden mittels eines Umfeldsensors des Kraftfahrzeugs Bilddaten einer Umgebung des Kraftfahrzeugs erzeugt. Mittels einer weiteren Recheneinheit des Kraftfahrzeugs werden die Bilddaten mit vorgegebenen Referenzdaten zur Positionsbestimmung, die insbesondere auf einer digitalen Karte oder einem Kartensystem des Kraftfahrzeugs gespeichert sind, abgeglichen. Mittels der weiteren Recheneinheit wird eine Position des Kraftfahrzeugs abhängig von einem Ergebnis des Abgleichs bestimmt. Die Referenzdaten zur Positionsbestimmung wurden dabei anhand eines Verfahrens zum Bestimmen von Referenzdaten zur Positionsbestimmung nach einem verbesserten Konzept erzeugt. According to a further independent aspect of the improved concept, a method for determining the position of a motor vehicle is specified. Image data of the surroundings of the motor vehicle are generated by means of an environment sensor of the motor vehicle. By means of a further computing unit of the motor vehicle, the image data with predetermined reference data for determining the position, in particular on a digital Map or a map system of the motor vehicle are stored, matched. A position of the motor vehicle is determined as a function of a result of the comparison by means of the further computing unit. The reference data for position determination were generated using a method for determining reference data for position determination according to an improved concept.
Gemäß einem weiteren unabhängigen Aspekt des verbesserten Konzepts wird ein Kartensystem, insbesondere ein digitales Kartensystem, insbesondere eine digitale Karte oder HD-Karte, zur Positionsbestimmung eines Kraftfahrzeugs angegeben. Das Kartensystem weist eine weitere Speichereinheit auf, wobei auf der weiteren Speichereinheit Referenzdaten zur Positionsbestimmung gespeichert sind, die mittels eines Verfahrens zum Bestimmen von Referenzdaten zur Positionsbestimmung eines Kraftfahrzeugs nach dem verbesserten Konzept erzeugt wurden. According to a further independent aspect of the improved concept, a map system, in particular a digital map system, in particular a digital map or HD map, for determining the position of a motor vehicle is specified. The map system has a further memory unit, reference data for determining the position being stored on the further memory unit, which were generated by means of a method for determining reference data for determining the position of a motor vehicle according to the improved concept.
Bei der Speichereinheit, auf der die Merkmalsinformationen nach dem Verfahren nach dem verbesserten Konzept gespeichert werden, handelt es sich insbesondere um die weitere Speichereinheit des Kartensystems. The memory unit on which the feature information is stored according to the method according to the improved concept is, in particular, the further memory unit of the card system.
Gemäß einem weiteren unabhängigen Aspekt des verbesserten Konzepts wird einAccording to a further independent aspect of the improved concept, a
Kraftfahrzeug angegeben, das ein Kartensystem zur Positionsbestimmung nach dem verbesserten Konzept aufweist. Motor vehicle specified, which has a map system for determining position according to the improved concept.
Gemäß einem weiteren unabhängigen Aspekt des verbesserten Konzepts wird einAccording to a further independent aspect of the improved concept, a
Computersystem zum Erzeugen von Referenzdaten zur Positionsbestimmung eines Kraftfahrzeugs angegeben. Das Computersystem weist eine Recheneinheit und eine Speichereinheit auf. Die Recheneinheit ist dazu eingerichtet, einen Satz von Rohdatenpunkten zu erhalten, der einen vorgegebenen Umgebungsbereich abbildet. Die Recheneinheit ist dazu eingerichtet, für jeden der Rohdatenpunkte einen Deskriptor zu bestimmen, der eine Eigenschaft des Umgebungsbereichs an einer Position des jeweiligen Rohdatenpunkts charakterisiert. Die Recheneinheit ist dazu eingerichtet, wenigstens einen Punktcluster zu erzeugen, indem die Rohdatenpunkte abhängig von ihren Deskriptoren gruppiert werden. Die Recheneinheit ist dazu eingerichtet, einem ersten Punktcluster des wenigstens einen Punktclusters abhängig von den Deskriptoren der Rohdatenpunkte des ersten Punktclusters eine Kennzahl zuzuordnen, die einen Informationsgewinn zur Positionsbestimmung des Kraftfahrzeugs betrifft. Die Recheneinheit ist dazu eingerichtet, abhängig von der Kennzahl Merkmalsinformationen des ersten Punktclusters als Referenzdaten zur Positionsbestimmung auf der Speichereinheit zu speichern. Dass die Recheneinheit dazu eingerichtet ist, den Satz von Rohdatenpunkten zu erhalten, kann insbesondere derart verstanden werden, dass die Rohdatenpunkte durch die Recheneinheit gelesen werden können. Computer system for generating reference data for determining the position of a motor vehicle specified. The computer system has a computing unit and a memory unit. The arithmetic unit is set up to receive a set of raw data points which represent a predefined surrounding area. The arithmetic unit is set up to determine a descriptor for each of the raw data points which characterizes a property of the surrounding area at a position of the respective raw data point. The computing unit is set up to generate at least one point cluster by grouping the raw data points depending on their descriptors. The arithmetic unit is set up to assign a code number that relates to information gain for determining the position of the motor vehicle to a first point cluster of the at least one point cluster, depending on the descriptors of the raw data points of the first point cluster. The arithmetic unit is set up to store feature information of the first point cluster as reference data for determining the position on the memory unit as a function of the code number. The fact that the processing unit is set up to receive the set of raw data points can in particular be understood in such a way that the raw data points can be read by the processing unit.
Weitere Ausführungsformen des Computersystems nach dem verbesserten Konzept ergeben sich unmittelbar aus den verschiedenen Ausführungsformen des Verfahrens zum Erzeugen nicht-semantischer Referenzdaten zur Positionsbestimmung nach dem verbesserten Konzept und umgekehrt. Insbesondere ist ein Computersystem nach dem verbesserten Konzept dazu eingerichtet oder programmiert, ein Verfahren zum Erzeugen nicht-semantischer Referenzdaten nach dem verbesserten Konzept durchzuführen oder das Computersystem führt ein solches Verfahren durch. Further embodiments of the computer system according to the improved concept result directly from the various embodiments of the method for generating non-semantic reference data for determining position according to the improved concept and vice versa. In particular, a computer system according to the improved concept is set up or programmed to carry out a method for generating non-semantic reference data according to the improved concept, or the computer system carries out such a method.
Gemäß einem weiteren unabhängigen Aspekt des verbesserten Konzepts wird ein Computerprogramm mit Befehlen angegeben. Bei Ausführung des Computerprogramms durch ein Computersystem, insbesondere ein Computersystem nach dem verbesserten Konzept, insbesondere durch die Recheneinheit des Computersystems, veranlassen die Befehle das Computersystem dazu, ein Verfahren zum Bestimmen nicht-semantischer Referenzdaten nach dem verbesserten Konzept durchzuführen. According to a further independent aspect of the improved concept, a computer program with instructions is specified. When the computer program is executed by a computer system, in particular a computer system according to the improved concept, in particular by the computing unit of the computer system, the commands cause the computer system to carry out a method for determining non-semantic reference data according to the improved concept.
Gemäß einem weiteren unabhängigen Aspekt des verbesserten Konzepts wird ein computerlesbares Speichermedium angegeben, auf dem ein Computerprogramm nach dem verbesserten Konzept gespeichert ist. According to a further independent aspect of the improved concept, a computer-readable storage medium is specified on which a computer program according to the improved concept is stored.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen. The invention also includes the combinations of the features of the described embodiments.
Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Exemplary embodiments of the invention are described below.
In den Figuren zeigen: In the figures show:
Fig. 1 eine beispielhafte Ausführungsform eines Computersystems nach dem verbesserten Konzept; 1 shows an exemplary embodiment of a computer system according to the improved concept;
Fig. 2 ein Ablaufdiagramm einer beispielhaften Ausführungsform eines Verfahrens zum Bestimmen nicht-semantischer Referenzdaten nach dem verbesserten Konzept; und Fig. 3 ein Kraftfahrzeug mit einer beispielhaften Ausführungsform eines Kartensystems nach dem verbesserten Konzept. 2 shows a flow diagram of an exemplary embodiment of a method for determining non-semantic reference data according to the improved concept; and 3 shows a motor vehicle with an exemplary embodiment of a card system according to the improved concept.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar. The exemplary embodiments explained below are preferred embodiments of the invention. In the exemplary embodiments, the described components of the embodiments each represent individual features of the invention that are to be considered independently of one another, which also develop the invention independently of one another and are therefore also to be regarded as part of the invention individually or in a combination other than the one shown. Furthermore, the described embodiments can also be supplemented by further features of the invention already described.
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen. In the figures, functionally identical elements are each provided with the same reference symbols.
In Fig. 1 ist ein Computersystem 16 nach dem verbesserten Konzept schematisch dargestellt. Das Computersystem 16 weist eine Recheneinheit 8 sowie eine Speichereinheit 10 auf. Auf der Speichereinheit 10 ist beispielsweise ein Satz von Rohdatenpunkten gespeichert, der einen vorgegebenen Umgebungsbereich abbildet, also einen potentiellen Umgebungsbereich eines Kraftfahrzeugs 6. In Fig. 1, a computer system 16 is shown schematically according to the improved concept. The computer system 16 has a computing unit 8 and a memory unit 10. A set of raw data points is stored on the storage unit 10, for example, which maps a predefined surrounding area, that is to say a potential surrounding area of a motor vehicle 6.
Die Funktion des Computersystems 16 wird im Folgenden im Detail anhand beispielhafter Ausführungsformen eines Verfahrens zum Erzeugen von Referenzdaten nach dem verbesserten Konzept erläutert, wie es beispielsweise in Fig. 2 dargestellt ist. The function of the computer system 16 is explained in detail below with the aid of exemplary embodiments of a method for generating reference data according to the improved concept, as is shown in FIG. 2, for example.
Fig. 2 zeigt ein Ablaufdiagramm einer beispielhaften Ausführungsform eines Verfahrens zum Erzeugen nicht-semantischer Referenzdaten zur Positionsbestimmung eines Kraftfahrzeugs 6. FIG. 2 shows a flow chart of an exemplary embodiment of a method for generating non-semantic reference data for determining the position of a motor vehicle 6.
In Schritt 1 des Verfahrens wird der Satz von Rohdatenpunkten 7 bereitgestellt, indem er auf der Speichereinheit 10 in computerlesbarer Form, also insbesondere durch die Recheneinheit 8 lesbar, gespeichert ist. Der Satz von Rohdatenpunkten 7 entspricht beispielsweise einer Punktwolke, die mittels eines Lidarsystems vorab erzeugt wurde. In step 1 of the method, the set of raw data points 7 is provided in that it is stored on the storage unit 10 in computer-readable form, that is to say in particular readable by the computing unit 8. The set of raw data points 7 corresponds, for example, to a point cloud that was generated in advance by means of a lidar system.
Jedem der Rohdatenpunkte 7 wird mittels der Recheneinheit 8 ein vorgegebener Deskriptor zugeordnet beziehungsweise für jeden Rohdatenpunkt 7 wird der entsprechende Deskriptor mittels der Recheneinheit 8 errechnet, wobei der Deskriptor insbesondere eine geometrische Eigenschaft des Umgebungsbereichs an der Position, die durch den jeweiligen Rohdatenpunkt dargestellt wird, charakterisiert, beispielsweise eine Krümmung oder mittlere Krümmung der Umgebung oder eines Objekts in der Umgebung an der Position des jeweiligen Rohdatenpunkts. Auch Tiefeninformationen können zusätzlich oder alternativ als Deskriptor verwendet werden. A predefined descriptor is assigned to each of the raw data points 7 by means of the arithmetic unit 8 or the corresponding descriptor is calculated for each raw data point 7 by means of the arithmetic unit 8, the descriptor being in particular a geometric one Characterized property of the surrounding area at the position which is represented by the respective raw data point, for example a curvature or mean curvature of the surroundings or an object in the surrounding area at the position of the respective raw data point. In addition or as an alternative, depth information can also be used as a descriptor.
In Schritt 2 des Verfahrens werden die Rohdatenpunkte zu Deskriptorclustern 12a, 12b, 12c gruppiert, indem Rohdatenpunkte 7 mit ähnlichen Deskriptoren zusammengefasst werden. Das heißt, durch ein Clusterverfahren werden gleichartige Deskriptoren zu Deskriptorclustern 12a, 12b, 12c gruppiert. In step 2 of the method, the raw data points are grouped into descriptor clusters 12a, 12b, 12c by combining raw data points 7 with similar descriptors. That is to say, descriptors of the same type are grouped into descriptor clusters 12a, 12b, 12c by a clustering method.
In diesem Schritt können beispielsweise solche Merkmale in dem Umgebungsbereich 1 1 , welche ähnliche Objekte betreffen, in einem gemeinsamen Deskriptorcluster 12a, 12b, 12c zusammengefasst werden, beispielsweise können alle wandähnlichen Beschreibungen in einem Deskriptorcluster 12a, 12b, 12c zusammengefasst sein. In this step, for example, those features in the surrounding area 11 which relate to similar objects can be combined in a common descriptor cluster 12a, 12b, 12c, for example all wall-like descriptions can be combined in a descriptor cluster 12a, 12b, 12c.
In Schritt 2 können auch diejenigen der Rohdaten 7, die nach vorgegebenen Kriterien keinem der Deskriptorcluster 12a, 12b, 12d zugeordnet werden können, aussortiert werden und werden dann nicht weiter genutzt. In step 2, those of the raw data 7 which cannot be assigned to any of the descriptor clusters 12a, 12b, 12d according to predetermined criteria, can also be sorted out and are then no longer used.
In Schritt 2 kann insbesondere für jeden der Deskriptorcluster 12a, 12b, 12c ein Distinktivitätskennwert bestimmt werden, insbesondere basierend auf den Deskriptoren der entsprechenden Rohdatenpunkte 7 des jeweiligen Deskriptorclusters 12a, 12b, 12c. Der Distinktivitätskennwert quantifiziert dabei, wie beschreibbar und wiedererkennbar die Deskriptoren des jeweiligen Deskriptorclusters 12a, 12b, 12c sind. In step 2, a distinctive characteristic value can be determined in particular for each of the descriptor clusters 12a, 12b, 12c, in particular based on the descriptors of the corresponding raw data points 7 of the respective descriptor cluster 12a, 12b, 12c. The distinctive characteristic value quantifies how writable and recognizable the descriptors of the respective descriptor cluster 12a, 12b, 12c are.
In Schritt 2 können zudem beispielsweise alle Deskriptorcluster 12a, 12b, 12c, deren Distinktivitätskennwert unterhalb eines vorgegebenen Grenzwerts liegen, aussortiert werden und werden nicht weiter betrachtet. In step 2, for example, all descriptor clusters 12a, 12b, 12c whose distinctive characteristic values are below a predetermined limit value can be sorted out and are not considered further.
Zur beispielhaften Erläuterung sind in Fig. 2 Verteilungen 17a, 17b zweier Deskriptorcluster 12a, 12b, 12c schematisch dargestellt. Beispielsweise kann die Verteilung 17a die Verteilung von Krümmungswerten als Deskriptoren für eine Litfaßsäule darstellen und die Verteilung 17b eine entsprechende Verteilung für einen Baum. Während die Verteilung 17a auf eine hohe Distinktivität hinweist, da sie drei ausgeprägte Maxima aufweist, ist die Verteilung 17b gegebenenfalls nicht geeignet, um zur Positionsbestimmung verwendet zu werden, da sie auf eine relativ homogene Verteilung der Deskriptoren hinweist und damit auf einen niedrigen Distinktivitätskennwert. For an exemplary explanation, distributions 17a, 17b of two descriptor clusters 12a, 12b, 12c are shown schematically in FIG. For example, the distribution 17a can represent the distribution of curvature values as descriptors for an advertising column and the distribution 17b a corresponding distribution for a tree. While the distribution 17a indicates a high distinctiveness, since it has three distinct maxima, the distribution 17b may not be suitable to be used for position determination since it indicates a relatively homogeneous distribution of the descriptors and thus a low distinctive value.
In Schritt 3 des Verfahrens werden die Deskriptorcluster 12a, 12b, 12c räumlich voneinander getrennt, sodass entsprechende Punktcluster 9a, 9b, 9c, 9d, 9e, 9f mittels der Recheneinheit 8 erzeugt werden. Beispielsweise können zwei an unterschiedlichen Stellen der Umgebung positionierte Häuserwände in denselben Deskriptorcluster 12a, 12b, 12c fallen, jedoch in unterschiedliche Punktcluster 9a, 9b, 9c, 9d, 9e, 9f. In step 3 of the method, the descriptor clusters 12a, 12b, 12c are spatially separated from one another so that corresponding point clusters 9a, 9b, 9c, 9d, 9e, 9f are generated by the computing unit 8. For example, two house walls positioned at different points in the environment can fall into the same descriptor cluster 12a, 12b, 12c, but into different point clusters 9a, 9b, 9c, 9d, 9e, 9f.
Die Punktcluster 9a, 9b, 9c, 9d, 9e, 9f übernehmen insbesondere die Distinktivitätskennwerte der jeweiligen Deskriptorcluster 12a, 12b, 12c aus denen sie jeweils hervorgehen. The point clusters 9a, 9b, 9c, 9d, 9e, 9f in particular take over the distinguishing characteristic values of the respective descriptor clusters 12a, 12b, 12c from which they each arise.
In Schritt 3 kann auch ein Einzigartigkeitskennwert oder Singularitätskennwert für jeden der Punktcluster 9a, 9b, 9c, 9d, 9e, 9f mittels der Recheneinheit 8 bestimmt werden. Die Einzigartigkeit beziehungsweise Singularität eines Punktclusters 9a, 9b, 9c, 9d, 9e, 9f quantifiziert insbesondere die Unterschiedlichkeit des jeweiligen Punktclusters 9a, 9b, 9c, 9d, 9e, 9f von anderen Punktclustern 9a, 9b, 9c, 9d, 9e, 9f. In step 3, a uniqueness characteristic value or singularity characteristic value can also be determined for each of the point clusters 9a, 9b, 9c, 9d, 9e, 9f by means of the computing unit 8. The uniqueness or singularity of a point cluster 9a, 9b, 9c, 9d, 9e, 9f in particular quantifies the difference between the respective point cluster 9a, 9b, 9c, 9d, 9e, 9f from other point clusters 9a, 9b, 9c, 9d, 9e, 9f.
Der Singularitätskennwert kann insbesondere bestimmt werden, indem mittels der Recheneinheit 8 gemäß einer vorgegebenen mathematischen Vorschrift die Unterschiedlichkeit zwischen Deskriptoren der einzelnen Punktcluster 9a, 9b, 9c, 9d, 9e, 9f beschrieben wird. The singularity parameter can in particular be determined by describing the difference between descriptors of the individual point clusters 9a, 9b, 9c, 9d, 9e, 9f by means of the arithmetic unit 8 according to a predetermined mathematical rule.
Befinden sich beispielsweise viele Häuserwände in dem Umgebungsbereich 1 1 , so ist der Singularitätskennwert der einzelnen zugehörigen Punktcluster 9a, 9b, 9c, 9d, 9e, 9f geringer, als wenn sich dort nur eine Häuserwand befindet. If, for example, there are many house walls in the surrounding area 11, the singularity value of the individual associated point clusters 9a, 9b, 9c, 9d, 9e, 9f is lower than if there is only one house wall.
In Schritt 3 kann neben der Punktcluster 9a, 9b, 9c, 9d, 9e, 9f zudem ein Lokalisierungskennwert zugeordnet werden. Dazu kann insbesondere eine räumliche Verteilung 18 der Punktcluster 9a, 9b analysiert werden. Insbesondere kann der Umgebungsbereich 1 1 mittels der Recheneinheit 8 in eine vorgegebene Anzahl von Unterbereichen aufgeteilt werden und die Anzahl von Punktclustern, die innerhalb der Unterbereiche liegen, kann bestimmt werden. Je mehr Punktcluster in einem Unterbereich liegen, desto geringer ist der Lokalisierungskennwert für die Punktcluster 9a, 9b, 9c, 9d, 9e, 9f in diesem Unterbereich. In Schritt 4 des Verfahrens wird mittels der Recheneinheit 8 abhängig von dem Lokalisierungskennwert, dem Singularitätskennwert und dem Distinktivitätskennwert für jeden der Punktcluster 9a, 9b, 9c, 9d, 9e, 9f eine zugehörige Kennzahl ermittelt, die einen Informationsgewinn zur Positionsbestimmung des Kraftfahrzeugs betrifft. Insbesondere ist die Kennzahl umso höher, je höher der Lokalisierungskennwert des jeweiligen Punktclusters, der Singularitätskennwert und/oder der Distinktivitätskennwert des jeweiligen Punktclusters 9a, 9b, 9c, 9d, 9e, 9f ist. In step 3, in addition to the point clusters 9a, 9b, 9c, 9d, 9e, 9f, a localization parameter can also be assigned. For this purpose, a spatial distribution 18 of the point clusters 9a, 9b in particular can be analyzed. In particular, the surrounding area 11 can be divided into a predetermined number of sub-areas by means of the computing unit 8, and the number of point clusters that lie within the sub-areas can be determined. The more point clusters there are in a sub-area, the lower the localization parameter for the point clusters 9a, 9b, 9c, 9d, 9e, 9f in this sub-area. In step 4 of the method, the arithmetic unit 8 is used to determine an associated code number for each of the point clusters 9a, 9b, 9c, 9d, 9e, 9f depending on the localization characteristic value, the singularity characteristic value and the distinctiveness characteristic value, which relates to information gain for determining the position of the motor vehicle. In particular, the higher the localization characteristic of the respective point cluster, the singularity characteristic and / or the distinctiveness of the respective point cluster 9a, 9b, 9c, 9d, 9e, 9f, the higher the characteristic number.
Lokalisierungskennwert, Singularitätskennwert und Distinktivitätskennwert zusammen beschreiben, wie markant ein Merkmal in dem Umgebungsbereich 1 1 ist, das durch den jeweiligen Punktcluster 9a, 9b, 9c, 9d, 9e, 9f beschrieben wird. Je markanter das Merkmal, desto höher ist der Informationsgewinn, desto wertvoller ist gewissermaßen also der entsprechende Punktcluster 9a, 9b, 9c, 9d, 9e, 9f zur Positionsbestimmung des Kraftfahrzeugs. Localization characteristic value, singularity characteristic value and distinctiveness characteristic value together describe how distinctive a feature is in the surrounding area 11, which is described by the respective point cluster 9a, 9b, 9c, 9d, 9e, 9f. The more distinctive the feature, the greater the information gain, the more valuable the corresponding point cluster 9a, 9b, 9c, 9d, 9e, 9f is to a certain extent for determining the position of the motor vehicle.
In Schritt 5 des Verfahrens werden Merkmalsinformationen für jeden der Punktcluster 9a, 9b, 9c, 9d, 9e, 9f, insbesondere entsprechende räumliche Positionen, Ausdehnungen oder sonstige geometrische Informationen der Punktcluster 9a, 9b, 9c, 9d, 9e, 9f sowie beispielsweise die jeweilige Kennzahl beziehungsweise die jeweiligen Kennwerte der Punktcluster 9a, 9b, 9c, 9d, 9e, 9f auf der Speichereinheit 10 gespeichert, wenn die Kennzahl betreffend den Informationsgewinn des jeweiligen Punktclusters 9a, 9b, 9c, 9d, 9e, 9f größer ist als ein zugehöriger vorgegebener Grenzwert. In step 5 of the method, feature information for each of the point clusters 9a, 9b, 9c, 9d, 9e, 9f, in particular corresponding spatial positions, dimensions or other geometric information of the point clusters 9a, 9b, 9c, 9d, 9e, 9f and, for example, the respective The code number or the respective characteristic values of the point clusters 9a, 9b, 9c, 9d, 9e, 9f are stored on the memory unit 10 if the code number relating to the information gain of the respective point cluster 9a, 9b, 9c, 9d, 9e, 9f is greater than an associated predetermined one Limit.
Dadurch werden insbesondere nur diejenigen Merkmale beziehungsweise Punktcluster 9a, 9b, 9c, 9d, 9e, 9f als nicht-semantische Referenzdaten zur Positionsbestimmung auf der Speichereinheit gespeichert, die ausreichend markant sind, was durch den Grenzwert definierte ist. As a result, in particular only those features or point clusters 9a, 9b, 9c, 9d, 9e, 9f are stored as non-semantic reference data for determining the position on the memory unit that are sufficiently prominent, which is defined by the limit value.
In Fig. 3 ist ein Kraftfahrzeug 6 gezeigt, das eine weitere Recheneinheit 14 aufweist sowie ein Umfeldsensorsystem 13, beispielsweise eine Kamera, ein Lidarsystem oder ein Radarsystem. FIG. 3 shows a motor vehicle 6 which has a further processing unit 14 and an environment sensor system 13, for example a camera, a lidar system or a radar system.
Das Kraftfahrzeug 6 weist außerdem eine digitale Karte 15 auf, insbesondere eine weitere Speichereinheit, auf der eine digitale Karte 15 gespeichert ist. Die digitale Karte 15 beinhaltet Referenzdaten zur Positionsbestimmung, die gemäß einem Verfahren nach dem verbesserten Konzept erzeugt wurden. Mittels des Umfeldsensors 13 des Kraftfahrzeugs 6 können Bilddaten einer Umgebung des Kraftfahrzeugs 6 erzeugt werden. Die Bilddaten können durch die Recheneinheit 14 mit den Referenzdaten auf der digitalen Karte 15 verglichen werden. The motor vehicle 6 also has a digital map 15, in particular a further memory unit on which a digital map 15 is stored. The digital map 15 contains reference data for determining position, which were generated according to a method according to the improved concept. Image data of the surroundings of the motor vehicle 6 can be generated by means of the environment sensor 13 of the motor vehicle 6. The computer unit 14 can compare the image data with the reference data on the digital map 15.
Merkmale, die von den Referenzdaten dargestellt werden, können anhand des Vergleichs in den Bilddaten identifiziert werden, sodass die Position des Kraftfahrzeugs 6 bestimmt werden kann. Features that are represented by the reference data can be identified on the basis of the comparison in the image data, so that the position of the motor vehicle 6 can be determined.
Wie beschrieben wird durch das verbesserte Konzept also eine Möglichkeit angegeben, nicht-semantische Referenzdaten zur Positionsbestimmung eines Kraftfahrzeugs zur Verfügung zu stellen und zu verwenden. As described, the improved concept thus provides a possibility of making available and using non-semantic reference data for determining the position of a motor vehicle.
Durch das verbesserte Konzept können hochpräzise Rohdatenpunkte verwendet werden, um nicht-semantische, markante Referenzdaten für digitale Karten zu erzeugen, um die genaue Lokalisierung eines Kraftfahrzeugs zu ermöglichen. Thanks to the improved concept, high-precision raw data points can be used to generate non-semantic, distinctive reference data for digital maps in order to enable the precise localization of a motor vehicle.
In verschiedenen Ausführungsformen wird durch die Zusammenfassung ähnlicher Deskriptoren der Rohdatenpunkte der Speicherplatz der digitalen Karte deutlich reduziert, im Vergleich zum direkten Abspeichern der Rohdatenpunkte. In various embodiments, by combining similar descriptors of the raw data points, the storage space of the digital map is significantly reduced compared to the direct storage of the raw data points.
Das verbesserte Konzept erlaubt es daher, hochgenaue, global referenzierte Karten zu erstellen, in denen nicht-semantische Merkmale zusammen mit deren Beschreibung gespeichert sind. The improved concept therefore makes it possible to create highly accurate, globally referenced maps in which non-semantic features are stored together with their description.
Bezugszeichenliste List of reference symbols
Verfahrensschritt Process step
Verfahrensschritt Process step
Verfahrensschritt Process step
Verfahrensschritt Process step
Verfahrensschritt Process step
Kraftfahrzeug Motor vehicle
Rohdatenpunkte Raw data points
Recheneinheit Arithmetic unit
a, 9b, 9c, 9d, 9e, 9f Punktclustera, 9b, 9c, 9d, 9e, 9f point clusters
0 Speichereinheit0 storage unit
1 Umgebungsbereich1 surrounding area
2a, 12b, 12c Deskriptorcluster2a, 12b, 12c descriptor clusters
3 Umfeldsensor3 environment sensor
4 Recheneinheit4 arithmetic unit
5 digitale Karte5 digital card
6 Computersystem6 computer system
7a Verteilung7a distribution
7b Verteilung7b distribution
8 räumliche Verteilung 8 spatial distribution

Claims

Patentansprüche Claims
1. Computerimplementiertes Verfahren zum Erzeugen nicht-semantischer Referenzda ten zur Positionsbestimmung eines Kraftfahrzeugs (6), wobei ein Satz von Rohdaten punkten (7) bereitgestellt wird, der einen vorgegebenen Umgebungsbereich (1 1 ) ab bildet; 1. Computer-implemented method for generating non-semantic reference data for determining the position of a motor vehicle (6), wherein a set of raw data points (7) is provided, which maps a predetermined surrounding area (1 1);
dadurch gekennzeichnet, dass characterized in that
für jeden der Rohdatenpunkte (7) mittels einer Recheneinheit (8) ein vorgegebener Deskriptor bestimmt wird, der eine Eigenschaft des Umgebungsbereichs (1 1 ) an einer Position des jeweiligen Rohdatenpunkts (7) charakterisiert; a predetermined descriptor is determined for each of the raw data points (7) by means of a computing unit (8) which characterizes a property of the surrounding area (1 1) at a position of the respective raw data point (7);
mittels der Recheneinheit (8) wenigstens ein Punktcluster (9a, 9b, 9c, 9d, 9e, 9f) erzeugt wird, indem die Rohdatenpunkte (7) abhängig von ihren Deskriptoren grup piert werden; at least one point cluster (9a, 9b, 9c, 9d, 9e, 9f) is generated by means of the computing unit (8) by grouping the raw data points (7) depending on their descriptors;
mittels der Recheneinheit (8) einem ersten Punktcluster des wenigstens einen Punktclusters (9a, 9b, 9c, 9d, 9e, 9f) abhängig von den Deskriptoren der Rohdaten punkte (7) des ersten Punktclusters eine Kennzahl zugeordnet wird, die einen Infor mationsgewinn zur Positionsbestimmung des Kraftfahrzeugs (6) betrifft; und abhängig von der Kennzahl Merkmalsinformationen des ersten Punktclusters als nicht-semantische Referenzdaten zur Positionsbestimmung auf einer Speichereinheit (10) gespeichert werden. by means of the arithmetic unit (8) a first point cluster of the at least one point cluster (9a, 9b, 9c, 9d, 9e, 9f), depending on the descriptors of the raw data points (7) of the first point cluster, is assigned an index that provides information for determining position of the motor vehicle (6) concerns; and, depending on the code number, feature information of the first point cluster is stored as non-semantic reference data for determining the position on a storage unit (10).
2. Verfahren nach Anspruch 1 , 2. The method according to claim 1,
dadurch gekennzeichnet, dass mittels der Recheneinheit (8) characterized in that by means of the computing unit (8)
eine räumliche Verteilung aller Punktcluster (9a, 9b, 9c, 9d, 9e, 9f) des wenigstens einen Punktclusters (9a, 9b, 9c, 9d, 9e, 9f) analysiert wird; a spatial distribution of all point clusters (9a, 9b, 9c, 9d, 9e, 9f) of the at least one point cluster (9a, 9b, 9c, 9d, 9e, 9f) is analyzed;
abhängig von einem Ergebnis der Analyse der räumlichen Verteilung ein Lokalisie rungskennwert für den ersten Punktcluster bestimmt wird; und depending on a result of the analysis of the spatial distribution, a localization parameter is determined for the first point cluster; and
die Kennzahl abhängig von dem Lokalisierungskennwert bestimmt wird. the index is determined depending on the localization index.
3. Verfahren nach Anspruch 2, 3. The method according to claim 2,
dadurch gekennzeichnet, dass mittels der Recheneinheit (8) characterized in that by means of the computing unit (8)
eine Anzahl von Punktclustern bestimmt wird, die sich in einem vorgegebenen Teilbereich des Umgebungsbereichs (1 1 ) befinden, in dem sich der erste Punktclus ter befindet; und a number of point clusters is determined which are located in a predetermined sub-area of the surrounding area (1 1) in which the first point cluster is located; and
der Lokalisierungskennwert abhängig von der Anzahl bestimmt wird. the localization parameter is determined depending on the number.
4. Verfahren nach einem der Ansprüche 1 bis 3, 4. The method according to any one of claims 1 to 3,
dadurch gekennzeichnet, dass mittels der Recheneinheit (8) characterized in that by means of the computing unit (8)
abhängig von den Deskriptoren der Rohdatenpunkte (7) des ersten Punktclusters und von den Deskriptoren der Rohdatenpunkte (7) eines zweiten Punktclusters des we nigstens einen Punktclusters ein Singularitätskennwert für den ersten Punktcluster bestimmt wird; und depending on the descriptors of the raw data points (7) of the first point cluster and on the descriptors of the raw data points (7) of a second point cluster of the at least one point cluster, a singularity characteristic value for the first point cluster is determined; and
die Kennzahl abhängig von dem Singularitätskennwert bestimmt wird. the index is determined depending on the singularity index.
5. Verfahren nach einem der Ansprüche 1 bis 4, 5. The method according to any one of claims 1 to 4,
dadurch gekennzeichnet, dass mittels der Recheneinheit (8) characterized in that by means of the computing unit (8)
wenigstens ein Deskriptorcluster (12a, 12b, 12c) erzeugt wird, indem die Rohdaten punkte (7) abhängig von ihren Deskriptoren und unabhängig von ihren jeweiligen räumlichen Positionen gruppiert werden; und at least one descriptor cluster (12a, 12b, 12c) is generated by grouping the raw data points (7) depending on their descriptors and independently of their respective spatial positions; and
der wenigstens eine Punktcluster (9a, 9b, 9c, 9d, 9e, 9f) durch räumliches Gruppie ren der Rohdatenpunkte (7) erzeugt wird, wobei jeder Deskriptorcluster (12a, 12b, 12c) identisch zu einem der Punktcluster ist oder aufgetrennt wird, um wenigstens zwei der Punktcluster zu bilden. the at least one point cluster (9a, 9b, 9c, 9d, 9e, 9f) is generated by spatial grouping of the raw data points (7), each descriptor cluster (12a, 12b, 12c) being identical to one of the point clusters or being separated in order to to form at least two of the point clusters.
6. Verfahren nach einem der Ansprüche 1 bis 5, 6. The method according to any one of claims 1 to 5,
dadurch gekennzeichnet, dass mittels der Recheneinheit (8) characterized in that by means of the computing unit (8)
abhängig von den Deskriptoren der Rohdatenpunkte (7) des ersten Punktclusters ein Distinktivitätskennwert für den ersten Punktcluster bestimmt wird; und depending on the descriptors of the raw data points (7) of the first point cluster, a distinctive characteristic value for the first point cluster is determined; and
die Kennzahl abhängig von dem Distinktivitätskennwert bestimmt wird. the key figure is determined depending on the distinctive characteristic value.
7. Verfahren nach Anspruch 6, 7. The method according to claim 6,
dadurch gekennzeichnet, dass mittels der Recheneinheit (8) characterized in that by means of the computing unit (8)
eine Verteilung der Deskriptoren der Rohdatenpunkte (7) des ersten Punktclusters bestimmt wird; und a distribution of the descriptors of the raw data points (7) of the first point cluster is determined; and
der Distinktivitätskennwert abhängig von der der Verteilung bestimmt wird. the distinctive characteristic depends on which the distribution is determined.
8. Verfahren nach einem der Ansprüche 6 oder 7, 8. The method according to any one of claims 6 or 7,
dadurch gekennzeichnet, dass characterized in that
die Merkmalsinformationen des ersten Punktclusters mittels der Recheneinheit (8) abhängig von dem Distinktivitätskennwert auf der Speichereinheit (10) gespeichert werden. the feature information of the first point cluster is stored on the storage unit (10) by means of the computing unit (8) as a function of the distinctive characteristic value.
9. Verfahren nach einem der Ansprüche 6 bis 8, dadurch gekennzeichnet, dass 9. The method according to any one of claims 6 to 8, characterized in that
die Merkmalsinformationen des ersten Punktclusters mittels der Recheneinheit (8) nur dann auf die Speichereinheit (10) gespeichert werden, wenn der Distinktivitäts- kennwert größer oder gleich einem vorgegebenen Grenzwert ist. the feature information of the first point cluster is only stored on the storage unit (10) by means of the computing unit (8) if the distinctive characteristic value is greater than or equal to a predetermined limit value.
10. Verfahren nach einem der Ansprüche 1 bis 9, 10. The method according to any one of claims 1 to 9,
dadurch gekennzeichnet, dass characterized in that
die Kennzahl angibt, welchen Einfluss die Verwendung des ersten Punktclusters zur Positionsbestimmung des Kraftfahrzeugs (6) auf eine Genauigkeit der Positionsbe stimmung hat. the code indicates what influence the use of the first point cluster to determine the position of the motor vehicle (6) has on the accuracy of the position determination.
1 1. Verfahren zur Positionsbestimmung eines Kraftfahrzeugs (6), wobei 1 1. A method for determining the position of a motor vehicle (6), wherein
mittels eines Umfeldsensors (13) des Kraftfahrzeugs (6) Bilddaten einer Umgebung des Kraftfahrzeugs (6) erzeugt werden; image data of an environment of the motor vehicle (6) are generated by means of an environment sensor (13) of the motor vehicle (6);
mittels einer weiteren Recheneinheit (14) des Kraftfahrzeugs (6) die Bilddaten mit vorgegebenen Referenzdaten zur Positionsbestimmung abgeglichen werden; und mittels der weiteren Recheneinheit (14) eine Position des Kraftfahrzeugs (6) abhängig von einem Ergebnis des Abgleichs bestimmt wird; the image data are compared with predetermined reference data for position determination by means of a further computing unit (14) of the motor vehicle (6); and by means of the further computing unit (14) a position of the motor vehicle (6) is determined as a function of a result of the comparison;
dadurch gekennzeichnet, dass characterized in that
die Referenzdaten zur Positionsbestimmung mittels eines Verfahrens nach einem der Ansprüche 1 bis 10 erzeugt wurden. the reference data for position determination were generated by means of a method according to one of claims 1 to 10.
12. Kartensystem zur Positionsbestimmung eines Kraftfahrzeugs (6), das Kartensystem aufweisend eine weitere Speichereinheit (15), 12. Map system for determining the position of a motor vehicle (6), the map system having a further memory unit (15),
dadurch gekennzeichnet, dass characterized in that
auf der weiteren Speichereinheit (15) Referenzdaten zur Positionsbestimmung gespeichert sind, die mittels eines Verfahrens nach einem der Ansprüche 1 bis 10 er zeugt wurden. reference data for determining the position are stored on the further memory unit (15), which reference data were generated by means of a method according to one of claims 1 to 10.
13. Kraftfahrzeug mit einem Kartensystem (15) zur Positionsbestimmung nach Anspruch 12. 13. Motor vehicle with a map system (15) for determining position according to claim 12.
14. Computersystem zum Erzeugen nicht-semantischer Referenzdaten zur Positionsbe stimmung eines Kraftfahrzeugs (6), das Computersystem (16) aufweisend eine Re cheneinheit (8) und eine Speichereinheit (10), wobei die Recheneinheit (8) dazu ein gerichtet ist, einen Satz von Rohdatenpunkten, der einen vorgegebenen Umge bungsbereich (1 1 ) abbildet, zu erhalten; dadurch gekennzeichnet, dass die Recheneinheit (8) dazu eingerichtet ist, für jeden der Rohdatenpunkte (7) einen Deskriptor zu bestimmen, der eine Eigen schaft des Umgebungsbereichs (1 1 ) an einer Position des jeweiligen Rohdatenpunkts charakterisiert; 14. Computer system for generating non-semantic reference data for determining the position of a motor vehicle (6), the computer system (16) having a computing unit (8) and a storage unit (10), the computing unit (8) being directed to a set of raw data points, which maps a predetermined surrounding area (1 1) to obtain; characterized in that the computing unit (8) is set up to determine for each of the raw data points (7) a descriptor which characterizes a property of the surrounding area (1 1) at a position of the respective raw data point;
wenigstens einen Punktcluster (9a, 9b, 9c, 9d, 9e, 9f) zu erzeugen, indem die Rohdatenpunkte (7) abhängig von ihren Deskriptoren gruppiert werden; to generate at least one point cluster (9a, 9b, 9c, 9d, 9e, 9f) by grouping the raw data points (7) depending on their descriptors;
einem ersten Punktcluster des wenigstens einen Punktclusters (9a, 9b, 9c, 9d, 9e, 9f) abhängig von den Deskriptoren der Rohdatenpunkte (7) des ersten Punktclusters ei ne Kennzahl zuzuordnen, die einen Informationsgewinn zur Positionsbestimmung des Kraftfahrzeugs (6) betrifft; und assigning a first point cluster of the at least one point cluster (9a, 9b, 9c, 9d, 9e, 9f) depending on the descriptors of the raw data points (7) of the first point cluster ei ne code which relates to an information gain for determining the position of the motor vehicle (6); and
abhängig von der Kennzahl Merkmalsinformationen des ersten Punktclusters als Referenzdaten zur Positionsbestimmung auf der Speichereinheit (10) zu speichern. to store feature information of the first point cluster as reference data for position determination on the storage unit (10) as a function of the code number.
15. Computerprogramm mit Befehlen, welche bei Ausführung des Computerprogramms durch ein Computersystem das Computersystem dazu veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 10 durchzuführen. 15. Computer program with instructions which, when the computer program is executed by a computer system, cause the computer system to carry out a method according to one of claims 1 to 10.
16. Computerlesbares Speichermedium, auf dem ein Computerprogramm nach Anspruch 15 gespeichert ist. 16. Computer-readable storage medium on which a computer program according to claim 15 is stored.
EP20735552.0A 2019-07-23 2020-06-29 Generating non-semantic reference data for determining the position of a motor vehicle Pending EP4004581A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019119852.6A DE102019119852A1 (en) 2019-07-23 2019-07-23 Generating non-semantic reference data for determining the position of a motor vehicle
PCT/EP2020/068242 WO2021013475A1 (en) 2019-07-23 2020-06-29 Generating non-semantic reference data for determining the position of a motor vehicle

Publications (1)

Publication Number Publication Date
EP4004581A1 true EP4004581A1 (en) 2022-06-01

Family

ID=71409410

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20735552.0A Pending EP4004581A1 (en) 2019-07-23 2020-06-29 Generating non-semantic reference data for determining the position of a motor vehicle

Country Status (5)

Country Link
US (1) US20220262034A1 (en)
EP (1) EP4004581A1 (en)
CN (1) CN114144816A (en)
DE (1) DE102019119852A1 (en)
WO (1) WO2021013475A1 (en)

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7433509B1 (en) * 2001-10-09 2008-10-07 Nanometrics Incorporated Method for automatic de-skewing of multiple layer wafer for improved pattern recognition
JP4685501B2 (en) * 2004-07-07 2011-05-18 株式会社エヌ・ティ・ティ・ドコモ Channel assignment method
US8791996B2 (en) * 2010-03-31 2014-07-29 Aisin Aw Co., Ltd. Image processing system and position measurement system
US20130173225A1 (en) * 2011-04-29 2013-07-04 Thomson Licensing Method for sampling mesh models and apparatus for sampling mesh models
US20170242443A1 (en) * 2015-11-02 2017-08-24 Peloton Technology, Inc. Gap measurement for vehicle convoying
US9488492B2 (en) * 2014-03-18 2016-11-08 Sri International Real-time system for multi-modal 3D geospatial mapping, object recognition, scene annotation and analytics
US9311899B2 (en) * 2012-10-12 2016-04-12 International Business Machines Corporation Detecting and describing visible features on a visualization
US10198707B1 (en) * 2013-02-07 2019-02-05 United Parcel Service Of America, Inc. Systems and methods for synchronized delivery
US9117144B2 (en) * 2013-08-14 2015-08-25 Qualcomm Incorporated Performing vocabulary-based visual search using multi-resolution feature descriptors
US10586163B1 (en) * 2014-06-06 2020-03-10 Mmsr, Llc Geographic locale mapping system for outcome prediction
US9664779B2 (en) * 2014-07-03 2017-05-30 GM Global Technology Operations LLC Object classification for vehicle radar systems
EP3290864A1 (en) * 2016-08-30 2018-03-07 Continental Automotive GmbH Driver assistance system for determining a position of a vehicle
US10935978B2 (en) * 2017-10-30 2021-03-02 Nio Usa, Inc. Vehicle self-localization using particle filters and visual odometry
US11138037B2 (en) * 2017-11-02 2021-10-05 Mediatek Inc. Switch policy for hybrid scheduling in multi-processor systems
US10846511B2 (en) * 2018-12-20 2020-11-24 Here Global B.V. Automatic detection and positioning of pole-like objects in 3D
CN111771206B (en) * 2019-01-30 2024-05-14 百度时代网络技术（北京）有限公司 Map partitioning system for an autonomous vehicle
JP7248208B2 (en) * 2019-01-30 2023-03-29 バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッド Point cloud registration system for self-driving cars
US11816997B2 (en) * 2021-04-29 2023-11-14 Ge Aviation Systems Llc Demand driven crowdsourcing for UAV sensor

Also Published As

Publication number Publication date
CN114144816A (en) 2022-03-04
DE102019119852A1 (en) 2021-01-28
WO2021013475A1 (en) 2021-01-28
US20220262034A1 (en) 2022-08-18

Similar Documents

Publication Publication Date Title
DE102011111440A1 (en) Method for representation of environment of vehicle, involves forming segments of same width from image points of equal distance in one of image planes, and modeling objects present outside free space in environment
EP3824247A1 (en) Method and system for determining a position of a vehicle
EP2005361A1 (en) Multi-sensorial hypothesis based object detector and object pursuer
EP3857437A1 (en) Method and device for analyzing a sensor data stream and method for guiding a vehicle
DE102019216206A1 (en) Device and method for determining a U-turn strategy of an autonomous vehicle
DE102019127283A1 (en) System and method for detecting an object in a three-dimensional environment of a carrier vehicle
DE102019101405A1 (en) Method for evaluating position information of a landmark in the surroundings of a motor vehicle, evaluation system, driver assistance system and motor vehicle
DE102020214596A1 (en) Method for generating training data for a recognition model for recognizing objects in sensor data of an environment sensor system of a vehicle, method for generating such a recognition model and method for controlling an actuator system of a vehicle
DE102020211636A1 (en) Method and device for providing data for creating a digital map
EP3663881B1 (en) Method for controlling an autonomous vehicle on the basis of estimated movement vectors
DE102019220069A1 (en) More reliable classification of radar data from dynamic scenarios
EP4004581A1 (en) Generating non-semantic reference data for determining the position of a motor vehicle
DE102022000849A1 (en) Method for generating an environment representation for a vehicle
DE102020200876B4 (en) Method for processing sensor data from a sensor system in a vehicle
DE102017105721A1 (en) Method for identifying at least one parking space for a vehicle and parking assistance system of a vehicle
WO2021122339A1 (en) Method and device for making a neural network more robust in relation to adversarial disruptions
DE102006051091B4 (en) Method for object recognition in vehicles by means of close-range detection
DE102020213947B3 (en) Method for evaluating the surroundings of a motor vehicle by means of an assistance system and assistance system
EP3755972B1 (en) Building a geographic map
EP3671125B1 (en) Position determining system and method for operating a position determining system for a mobile unit
DE102019219924B4 (en) Method and device for creating and providing a database with sensor data patches stored therein for use in quilting
DE102022110233A1 (en) COMPUTER-IMPLEMENTED METHOD FOR SELECTING TRAINING DATA SETS FROM A VARIETY OF DATA SETS
DE102020204592A1 (en) Device and method for processing radar data and radar system
DE102020208981A1 (en) Method for estimating the geometry of a movement path
DE102022119715A1 (en) Method, system and computer program product for objectively evaluating the performance of an ADAS/ADS system

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220209

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)