EP4569493A1 - Verfahren zur bestimmung einer fahrspurmarkierung einer fahrspur für ein fahrzeug - Google Patents

Verfahren zur bestimmung einer fahrspurmarkierung einer fahrspur für ein fahrzeug

Info

Publication number
EP4569493A1
EP4569493A1 EP23750957.5A EP23750957A EP4569493A1 EP 4569493 A1 EP4569493 A1 EP 4569493A1 EP 23750957 A EP23750957 A EP 23750957A EP 4569493 A1 EP4569493 A1 EP 4569493A1
Authority
EP
European Patent Office
Prior art keywords
lane
lane marking
course
width
vehicle
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
EP23750957.5A
Other languages
English (en)
French (fr)
Inventor
Stefan Kuenzel
Axel Vogler
Joel Janai
Thomas Wenzel
Tamas Kapelner
Azhar Sultan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP4569493A1 publication Critical patent/EP4569493A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30172—Centreline of tubular or elongated structure
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30256—Lane; Road marking

Definitions

  • the present invention relates to a method for determining a lane marking for a vehicle.
  • the present invention further relates to a method for training at least one machine learning model.
  • the detection of a lane marking of a lane for a vehicle is an important aspect, particularly in the area of autonomous driving.
  • the detection of a lane marking of a lane has so far been pursued by using different technical approaches.
  • a first approach is based on a classic gradient method. Gradients are extracted from an image of the road that was recorded using sensors and/or cameras located in a vehicle. From this, a lane marking of the lane in which the vehicle is located is determined. The inner and outer edges of the lane marking are determined and put together in order to calculate the width of a lane marking.
  • a second approach uses segment-based methods based on deep learning scenarios.
  • the outer and inner edges of a lane marking of a lane are also determined by means of an estimate of individual segment masks of the lane marking.
  • the accuracy of this method depends significantly on the resolution of the segment masking used.
  • Another approach to determining the lane marking of a lane is pursued by so-called anchor-based or anchor-less approaches.
  • the aim is to use a direct or immediate representation of a line of the lane marking to be detected around a center of the lane marking to be detected to model. This approach does enable greater accuracy in the exact determination or determination of the position of the lane marking.
  • no direct conclusions can be drawn about the inner and outer edges of the lane marking to be detected.
  • the disclosure relates to a method for determining a lane marking of a first lane for a vehicle with the following steps:
  • the first step involves providing measurement data from monitoring the vehicle's surroundings.
  • the measurement data is fed to at least one machine learning model.
  • a course of the lane marking is evaluated using the at least one machine learning model.
  • a width of the lane marking is evaluated using the at least one machine learning model.
  • the present invention therefore offers the advantage that not only is a center of a lane marking to be detected in a lane of a vehicle modeled, but also that a width of the lane marking to be detected in the lane of the vehicle is also recorded or estimated at any time. This is done by adding or solving a corresponding regression problem.
  • the approach pursued by the present invention achieves the advantage of a higher accuracy in determining the lane marking than with known approaches, since the center of the lane marking to be detected of a lane is still determined.
  • a further advantage is that all lane markings can be represented or determined using the approach according to the invention.
  • Another advantage of the solution according to the invention is that solving a regression problem for a width of the lane marking to be detected of a lane is much easier to solve than a continuous estimate of an inner and outer edge of a lane marking. This is because the width of the lane marking to be determined can be determined relative to a center line or reference line of the lane, which makes the method according to the invention independent of a position or location of the lane marking in a recorded image.
  • a possible embodiment of the method provides that the course indicates a center line of the lane marking in discrete or continuous form. This provides the advantage of greater accuracy when determining the lane marking.
  • a possible embodiment of the method provides that the width of the lane marking is determined by regression. This has the advantage that the width of the lane marking can be determined efficiently.
  • a possible embodiment of the method provides that a portion of the lane marking closest to the vehicle is selected for the regression. This has the advantage that the width of the lane marking can be determined efficiently.
  • a possible embodiment of the method provides that the regression is carried out at several points along the lane marking and the determined widths result in a final result for the width of the lane marking be aggregated. This further reduces the error in determining the width of the lane marking
  • a possible embodiment of the method provides that the course is specified in the form of distances to a reference line through the monitored area of the vehicle's surroundings. This has the advantage that the width of the lane marking can be determined efficiently and with high accuracy.
  • a possible embodiment of the method provides that the image data and/or video data are selected as measurement data. These are the most important measurement modalities for detecting lane markings.
  • the first step is to select a position along the course of the lane marking.
  • the search takes place in a predetermined search direction relative to the course of the lane marking for two boundary points between the lane marking on the one hand and the lane surface on the other.
  • the width of the lane marking is determined from a distance between the two border points.
  • a possible embodiment of the method provides that camera calibration data and / or information about the road condition of the first lane are taken into account when determining the width of the lane marking of the first lane. This can further increase the accuracy.
  • the disclosure relates to a method for training at least one machine learning model for use in the method described above, with the following steps:
  • the first step involves providing training examples of measurement data that were recorded from the perspective of an ego vehicle and indicate the presence of one or more lane markings.
  • a target course and a target width are provided for at least one lane marking that delimits the lane currently traveled by the ego vehicle
  • the training examples are fed to the machine learning model to be trained, so that this machine learning model, together with the previous one, determines a course and a width of the lane marking.
  • a deviation between this course and this width on the one hand, and the target course or the target width on the other hand, is evaluated with a predetermined cost function.
  • parameters that characterize the behavior of the machine learning model are optimized with the aim that the evaluation by the cost function is likely to improve with further processing of training examples.
  • the width of a lane marking that delimits the lane currently traveled by the ego vehicle is the target width that can be determined most precisely within the framework of the label, because this lane marking is closest to the ego vehicle. It is therefore advantageous to only use this target width.
  • a possible embodiment of the method provides that at least one target course is provided and a course is determined for at least one further road marking that does not limit the lane currently traveled by the ego vehicle, and the cost function also determines the deviation of this course from its target -Progress evaluated. This achieves the advantage that the method can also be used or transmitted efficiently to determine additional road markings that are not in the lane currently being traveled.
  • a possible embodiment of the method envisages ignoring at least one lane marking that is apparent from the measurement data by setting its contribution to the cost function to zero. This allows this lane marking to be hidden more efficiently than by removing it from the measurement data of the training example.
  • the disclosure relates to a computer program containing machine-readable instructions which, when executed on one or more computers and/or computer instances, cause the computer or computer instances to carry out the method according to the invention.
  • the disclosure relates to a machine-readable data carrier and/or download product with the computer program.
  • the disclosure relates to one or more computers and/or computer instances with the computer program and/or with the machine-readable data carrier and/or download product.
  • Figure 1 Schematic flow diagram of the method for determining a lane marking of a first lane for a vehicle
  • FIG. 2 Schematic flowchart of the method for training at least one machine learning model for use in the method according to Figure 1;
  • Figure 3 exemplary representation of a method known from the prior art for determining a center of a lane marking for a lane of a vehicle
  • Figure 4 exemplary representation of a method according to the invention for determining a width of a lane marking for a lane of a vehicle
  • Figure 5 exemplary representation of the provision of a target position and a target width of a lane marking for a lane of a vehicle.
  • FIG. 3 shows a schematic flow diagram of the method 100 for determining a lane marking 2 of a first lane 1 for a vehicle 10 with the following steps:
  • a first step 102 measurement data from monitoring the surroundings of the vehicle 10 is provided.
  • a second step 104 the measurement data is fed to at least one machine learning model.
  • a course of the lane marking is evaluated using the at least one machine learning model.
  • a width 3 of the lane marking 2 is evaluated using the at least one machine learning model.
  • the evaluation of the width 3 of the lane marking 2 of the first lane 1 in the fourth step 108 is preferably carried out with the following steps:
  • a position along the course of the lane marking 2 of the lane 1 is selected.
  • a search is made in a predetermined search direction relative to the course of the lane marking 2 for two boundary points - see the line segment 9 in Figure 4 - between the lane marking 2 on the one hand and the lane surface on the other.
  • a third step 124 the width 3 of the lane marking 2 of the lane 1 or the first lane 1 is determined from a distance between the two border points.
  • Figure 2 shows a schematic flowchart of the method 200 for training at least one machine learning model for use in the method 100 according to Figure 1 with the following steps:
  • a first step 202 training examples of measurement data are provided, which were recorded from the perspective of an ego vehicle 10 and indicate the presence of one or more lane markings.
  • a target course and a target width are provided for at least one lane marking that delimits the lane currently traveled by the ego vehicle 10.
  • a third step 206 the training examples are fed to the machine learning model to be trained, so that this machine learning model Model with the method according to one of claims 1 to 9 determines a course and a width 3 of the lane marking 2.
  • a deviation between this course and this width 3 on the one hand, and the target course or the target width on the other hand, is evaluated with a predetermined cost function.
  • a fifth step 210 parameters that characterize the behavior of the machine learning model are optimized, with the aim that the evaluation by the cost function is likely to improve with further processing of training examples.
  • Figure 3 shows an exemplary representation of an image recorded by an (ego) vehicle 10 for using a method known from the prior art for determining a center of a lane marking 2 for a lane 1 of the vehicle 10 using an anchor-based approach. Between the starting point 6 and the end point 7 of a reference line 5, the individual distances of the individual line sections or the individual line segments 8 to the respective center 4 of the lane marking 2 of the lane 1 are determined for each point in the horizontal direction via regression.
  • FIG. 4 shows an example of how the method 100 proposed here for determining a width 3 of a lane marking 2 for a lane 1 of a vehicle 10 can be carried out on the same recorded image.
  • this method described in simple words, starting from the reference line 5, which runs between a starting point 6 and an end point 7, the respective width 3 of the lane marking 2 of the lane 1 is determined in the horizontal direction in accordance with the following steps of the method 100 as follows :
  • a first step 102 measurement data from monitoring the surroundings of the vehicle 10 is provided, here in the form of the recorded image.
  • the measurement data can generally be made available as image data and/or video data from corresponding sensors or other technical detection devices (not shown) of the vehicle 10.
  • the measurement data is fed to at least one machine learning model.
  • Several models can also be used, for example, a first model can be provided for determining the course of the lane marking 2 of the lane 1 and a second model to be used to determine the width 3 of the lane marking 2 of lane 1.
  • a course of the lane marking 2 is evaluated using the at least one machine learning model.
  • the course can be, for example, a center line 4, but also an edge.
  • the course of the center line 4 can in particular be specified, for example, in the form of many discrete positions.
  • the course of the center line 4 can also be specified in a continuous form.
  • the course of the center line 4 can preferably - and as shown in Figure 4 - be specified in the form of distances of the individual line segments 9 of the lane marking 2 from the reference line 5 through the monitored area of the surroundings of the vehicle 10.
  • a width 3 of the lane marking 2 is evaluated with the at least one machine learning model.
  • the width 3 of the lane marking 2 of the lane 1 is preferably determined by regression.
  • a so-called scalar regression can be used here, since it can be carried out at a higher speed and provides more precise results, since the lane marking 2 appears larger for a given pixel resolution of a vehicle camera.
  • camera calibration data and/or information about the road condition of the first lane 1 can preferably also be taken into account.
  • the regression can preferably be carried out at several points along the lane marking 2, with the determined widths being aggregated into a final result for the width 3 of the lane marking 2.
  • a corresponding weighting can be carried out with the distance to the vehicle 10 in order to take into account a different degree of accuracy.
  • the evaluation of the width 3 of the lane marking 2 of the first lane 1 in the fourth step 108 is preferably carried out with the following steps:
  • a position along the course of the lane marking 2 of the lane 1 is selected.
  • a search is made in a predetermined search direction relative to the course of the lane marking 2 for two boundary points - see the line segment 9 in Figure 4 - between the lane marking 2 on the one hand and the lane surface on the other.
  • a third step 124 the width 3 of the lane marking 2 of the lane 1 or the first lane 1 is determined from a distance between the two border points.
  • FIG. 5 shows an example of how a target position and a target width of a lane marking 2 for a lane 1 of a vehicle 10 can be obtained.
  • Figure 5 shows how the middle 4 of the lane marking of the lane 1 of the ego vehicle 1 - dashed line - and the inner edge 11 of the lane marking 2 are marked accordingly.
  • a target width of a lane marking can be determined, which limits the lane currently traveled by the ego vehicle 10. This target width can be used to label training examples for the machine learning model.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

Die Offenbarung umfasst ein Verfahren (100) zur Bestimmung einer Fahrspurmarkierung (2) einer ersten Fahrspur (1) für ein Fahrzeug (10) mit folgenden Schritten: • Bereitstellen (102) von Messdaten aus einer Überwachung des Umfelds des Fahrzeugs (10); • Zuführen (104) der Messdaten zu mindestens einem Maschine Learning-Modell; • Auswerten (106) eines Verlaufs der Fahrspurmarkierung (2) mit dem mindestens einen Maschine Learning-Modell; • Auswerten (108) einer Breite (3) der Fahrspurmarkierung (2) mit dem mindestens einen Maschine Learning-Modell. Ferner umfasst die Offenbarung ein Verfahren (200) zum Trainieren mindestens eines Maschine Learning-Modells für den Einsatz in dem oben genannten Verfahren (100).

Description

Beschreibung
Titel:
Verfahren zur Bestimmung einer Fahrspurmarkierung einer Fahrspur für ein Fahrzeug
Die vorliegende Erfindung betrifft ein Verfahren zur Bestimmung einer Fahrspurmarkierung für ein Fahrzeug. Ferner betrifft die vorliegende Erfindung ein Verfahren zum Trainieren mindestens eines Machine Learning-Modells.
Stand der Technik
Die Detektion einer Fahrspurmarkierung einer Fahrspur für ein Fahrzeug ist insbesondere im Bereich des autonomen Fahrens ein wichtiger Aspekt. Die Detektion einer Fahrspurmarkierung einer Fahrspur wird bislang durch Anwendung von unterschiedlich technischen Lösungsansätzen verfolgt.
Ein erster Ansatz basiert auf einer klassischen Gradienten-Methode. Dabei werden Gradienten von einem Bild der Fahrbahn, das über in einem Fahrzeug befindliche Sensoren und / oder Kameras aufgenommen wurde, extrahiert. Hieraus wird eine Fahrspurmarkierung der Fahrspur ermittelt, auf welcher sich das Fahrzeug befindet. Dabei werden in die innere und äußere Kante der Fahrspurmarkierung ermittelt und zusammengefügt, um daraus eine Breite einer Fahrspurmarkierung zu berechnen.
Ein zweiter Ansatz verwendet segmentbasierte Methoden, die auf Deep- Learning-Szenarien basieren. Bei diesem Ansatz werden ebenso die äußeren und inneren Kanten einer Fahrspurmarkierung einer Fahrspur ermittelt, und zwar mittels einer Schätzung von einzelnen Segmentmaskierungen der Fahrspurmarkierung. Jedoch hängt die Genauigkeit dieser Methode wesentlich von der Auflösung der verwendeten Segmentmaskierung ab. Ein weiterer Ansatz zur Ermittlung der Fahrspurmarkierung einer Fahrspur wird durch sogenannte Anker-basierte bzw. Anker-lose Ansätze verfolgt Dabei ist es das Ziel, eine direkte bzw. unmittelbare Repräsentation einer Linie der zu detektierenden Fahrspurmarkierung zu verwenden, um eine Mitte der zu detektierenden Fahrspurmarkierung zu modellieren. Zwar ermöglicht dieser Ansatz eine höhere Genauigkeit bei der exakten Ermittlung bzw. Bestimmung der Position der Fahrspurmarkierung. Doch es können bei diesem Ansatz keine direkten Rückschlüsse auf die inneren und äußeren Kanten der zu detektierenden Fahrspurmarkierung gezogen werden.
Offenbarung der Erfindung
Gemäß einem ersten Aspekt betrifft die Offenbarung ein Verfahren zur Bestimmung einer Fahrspurmarkierung einer ersten Fahrspur für ein Fahrzeug mit folgenden Schritten:
In einem ersten Schritt erfolgt das Bereitstellen von Messdaten aus einer Überwachung des Umfelds des Fahrzeugs.
In einem zweiten Schritt erfolgt das Zuführen der Messdaten zu mindestens einem Machine Learning-Modell.
In einem dritten Schritt erfolgt das Auswerten eines Verlaufs der Fahrspurmarkierung mit dem mindestens einen Machine Learning-Modell.
In einem vierten Schritt erfolgt das Auswerten einer Breite der Fahrspurmarkierung mit dem mindestens einen Machine Learning-Modell.
Die vorliegende Erfindung bietet also den Vorteil, dass nicht nur eine Mitte einer zu detektierenden Fahrspurmarkierung einer Fahrspur eines Fahrzeugs modelliert wird, sondern dass zusätzlich auch eine Breite der zu detektierenden Fahrspurmarkierung der Fahrspur des Fahrzeugs zu jedem Zeitpunkt erfasst bzw. geschätzt wird. Dies erfolgt durch Hinzufügen bzw. dem Lösen eines entsprechenden Regressions-Problems. Durch den verfolgten Lösungsansatz der vorliegenden Erfindung wird der Vorteil einer höheren Genauigkeit der Ermittlung der Fahrspurmarkierung als bei bekannten Ansätzen erzielt, da weiterhin die Mitte der zu detektierenden Fahrspurmarkierung einer Fahrspur bestimmt wird.
Ein weiterer Vorteil besteht darin, dass sämtliche Fahrspurmarkierungen durch den erfindungsgemäßen Ansatz repräsentiert bzw. bestimmt werden können.
Ein weiterer Vorteil der erfindungsgemäßen Lösung besteht außerdem darin, dass die Lösung eines Regressionsproblems für eine Breite der zu detektierenden Fahrspurmarkierung einer Fahrspur sehr viel einfacher zu lösen ist als eine kontinuierliche Schätzung einer inneren und äußeren Kante einer Fahrspurmarkierung. Denn die zu ermittelnde Breite der Fahrspurmarkierung kann relativ zu einer Mittellinie bzw. Bezugslinie der Fahrspur ermittelt werden, wodurch das erfindungsgemäße Verfahren unabhängig von einer Position oder Lage der Fahrspurmarkierung in einem aufgenommenen Bild wird.
Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass der Verlauf eine Mittellinie der Fahrspurmarkierung in diskreter oder kontinuierlicher Form angibt. Dadurch wird der Vorteil einer höheren Genauigkeit bei der Ermittlung der Fahrspurmarkierung erzielt.
Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass die Breite der Fahrspurmarkierung durch Regression bestimmt wird. Dadurch wird der Vorteil erreicht, dass die Breite der Fahrspurmarkierung effizient ermittelt werden kann.
Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass ein dem Fahrzeug nächster Teilbereich der Fahrspurmarkierung für die Regression ausgewählt wird. Dadurch wird der Vorteil erreicht, dass die Breite der Fahrspurmarkierung effizient ermittelt werden kann.
Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass die Regression an mehreren Stellen entlang der Fahrspurmarkierung durchgeführt wird und die ermittelten Breiten zu einem Endergebnis für die Breite der Fahrspurmarkierung aggregiert werden. Dadurch wird der Fehler bei der Ermittlung der Breite der Fahrspurmarkierung weiter reduziert
Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass der Verlauf in Form von Entfernungen zu einer Bezugslinie durch den überwachten Bereich des Umfelds des Fahrzeugs angegeben ist. Dadurch wird der Vorteil erreicht, dass die Breite der Fahrspurmarkierung effizient und mit hoher Genauigkeit ermittelt werden kann.
Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass die Bilddaten und/oder Videodaten als Messdaten gewählt werden. Dies sind die wichtigsten Messmodalitäten zur Detektion von Fahrspurmarkierungen.
Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass der Schritt des Auswertens der Breite der Fahrspurmarkierung der ersten Fahrspur folgende Schritte aufweist:
In einem ersten Schritt erfolgt das Auswählen einer Position entlang des Verlaufs der Fahrspurmarkierung.
In einem zweiten Schritt erfolgt das Suchen in einer vorgegebenen Suchrichtung relativ zum Verlauf der Fahrspurmarkierung nach zwei Grenzpunkten zwischen der Fahrspurmarkierung einerseits und der Fahrspuroberfläche andererseits.
In einem dritten Schritt erfolgt das Ermitteln der Breite der Fahrspurmarkierung aus einer Entfernung zwischen den beiden Grenzpunkten.
Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass Kamera- Kalibrationsdaten und / oder Information zur Straßenbeschaffenheit der ersten Fahrspur in der Bestimmung der Breite der Fahrspurmarkierung der ersten Fahrspur berücksichtigt werden. Die Genauigkeit kann dadurch noch einmal gesteigert werden. Gemäß einem zweiten Aspekt betrifft die Offenbarung ein Verfahren zum Trainieren mindestens eines Machine Learning-Modells für den Einsatz in dem zuvor beschriebenen Verfahren mit folgenden Schritten:
In einem ersten Schritt erfolgt das Bereitstellen von Trainings-Beispielen von Messdaten, die aus der Perspektive eines Ego-Fahrzeugs aufgenommen wurden und das Vorhandensein einer oder mehrerer Fahrspurmarkierungen anzeigen.
In einem zweiten Schritt erfolgt das Bereitstellen eines Soll-Verlaufs und einer Soll-Breite mindestens für eine Fahrspurmarkierung, die die vom Ego-Fahrzeug aktuell befahrene Fahrspur begrenzt
In einem dritten Schritt erfolgt das Zuführen der Trainings-Beispiele zu dem zu trainierenden Machine Learning-Modell, so dass dieses Machine Learning-Modell mit dem vorangegangenen einen Verlauf und eine Breite der Fahrspurmarkierung bestimmt.
In einem vierten Schritt erfolgt das Bewerten einer Abweichung zwischen diesem Verlauf und dieser Breite einerseits, und dem Soll-Verlauf bzw. der Soll-Breite andererseits, mit einer vorgegebenen Kostenfunktion.
In einem fünften Schritt erfolgt das Optimieren von Parametern, die das Verhalten des Machine Learning-Modells charakterisieren, mit dem Ziel, dass sich bei weiterer Verarbeitung von Trainings-Beispielen die Bewertung durch die Kostenfunktion voraussichtlich verbessert.
Die Breite einer Fahrspurmarkierung, die die vom Ego-Fahrzeug aktuell befahrene Fahrspur begrenzt, ist die im Rahmen des Labels am genauesten bestimmbare Soll-Breite, weil diese Fahrspurmarkierung dem Ego-Fahrzeug am nächsten ist. Daher ist es vorteilhaft, nur diese Soll-Breite zu verwenden.
Tendenziell ist es natürlich immer besser, mehr gelabelte Trainings-Beispiele zur Verfügung zu haben. Wenn aber beispielsweise eine weiter entfernte Fahrspurmarkierung mit einer nur ungenau bestimmten Soll-Breite gelabelt wird, können sich diese verrauschten Labels C.noisy labels“) nachteilig auf den Erfolg des Trainings auswirken. Eine mögliche Ausgestaltung des Verfahrens sieht vor, dass für mindestens eine weitere Fahrbahnmarkierung, die nicht die vom Ego-Fahrzeug aktuell befahrene Fahrspur begrenzt, zumindest ein Soll-Verlauf bereitgestellt und ein Verlauf ermittelt wird, und die Kostenfunktion auch die Abweichung dieses Verlaufs von seinem Soll-Verlauf bewertet. Dadurch wird der Vorteil erzielt, dass das Verfahren effizient auch zur Ermittlung von weiteren Fahrbahnmarkierungen, welche sich nicht auf der aktuell befahrenen Fahrspur befinden, eingesetzt bzw. übertragen werden kann.
Eine mögliche Ausgestaltung des Verfahrens sieht vor, mindestens eine aus den Messdaten ersichtliche Fahrspurmarkierung unberücksichtigt zu lassen, indem ihr Beitrag zur Kostenfunktion auf Null gesetzt wird. Hiermit lässt sich diese Fahrspurmarkierung effizienter ausblenden als durch eine Entfernung aus den Messdaten des Trainings-Beispiels.
Gemäß einem dritten Aspekt betrifft die Offenbarung ein Computerprogramm, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem oder mehreren Computern und/oder Computer-Instanzen ausgeführt werden, den oder die Computer bzw. Computer-Instanzen dazu veranlasst, das erfindungsgemäße Verfahren auszuführen.
Gemäß einem vierten Aspekt betrifft die Offenbarung einen maschinenlesbaren Datenträger und/oder Downloadprodukt mit dem Computerprogramm.
Gemäß einem fünften Aspekt betrifft die Offenbarung ein oder mehrere Computer und/oder Computer-Instanzen mit dem Computerprogramm und/oder mit dem maschinenlesbaren Datenträger und/oder Downloadprodukt.
Weitere, die Erfindung verbessernde Maßnahmen werden nachstehend gemeinsam mit der Beschreibung der bevorzugten Ausführungsbeispiele der Erfindung anhand von Figuren näher dargestellt.
Ausführungsbeispiele Es zeigt:
Figur 1 Schematisches Ablaufdiagramm des Verfahrens zur Bestimmung einer Fahrspurmarkierung einer ersten Fahrspur für ein Fahrzeug;
Figur 2 Schematisches Ablaufdiagramm des Verfahrens zum Trainieren mindestens eines Machine Learning-Modells für den Einsatz in dem Verfahren nach Figur 1 ;
Figur 3 Beispielhafte Darstellung eines aus dem Stand der Technik bekannten Verfahrens zur Ermittlung einer Mitte einer Fahrspurmarkierung für eine Fahrspur eines Fahrzeugs;
Figur 4 Beispielhafte Darstellung eines erfindungsgemäßen Verfahrens zur Ermittlung einer Breite einer Fahrspurmarkierung für eine Fahrspur eines Fahrzeugs; und
Figur 5 Beispielhafte Darstellung des Bereitstellens einer Soll-Position und einer Soll-Breite einer Fahrspurmarkierung für eine Fahrspur eines Fahrzeugs.
Figur 1 unter Bezugnahme auf Figur 3 zeigt ein schematisches Ablaufdiagramm des Verfahrens 100 zur Bestimmung einer Fahrspurmarkierung 2 einer ersten Fahrspur 1 für ein Fahrzeug 10 mit folgenden Schritten:
In einem ersten Schritt 102 erfolgt das Bereitstellen von Messdaten aus einer Überwachung des Umfelds des Fahrzeugs 10.
In einem zweiten Schritt 104 erfolgt das Zuführen der Messdaten zu mindestens einem Machine Learning-Modell.
In einem dritten Schritt 106 erfolgt das Auswerten eines Verlaufs der Fahrspurmarkierung mit dem mindestens einen Machine Learning-Modell. In einem vierten Schritt 108 erfolgt das Auswerten einer Breite 3 der Fahrspurmarkierung 2 mit dem mindestens einen Machine Learning-Modell.
Das Auswerten der Breite 3 der Fahrspurmarkierung 2 der ersten Fahrspur 1 im vierten Schritt 108 erfolgt vorzugsweise mit folgenden Schritten:
In einem ersten Schritt 120 wird eine Position entlang des Verlaufs der Fahrspurmarkierung 2 der Fahrspur 1 ausgewählt.
In einem zweiten Schritt 122 wird in einer vorgegebenen Suchrichtung relativ zum Verlauf der Fahrspurmarkierung 2 nach zwei Grenzpunkten - siehe in Figur 4 das Liniensegment 9 - zwischen der Fahrspurmarkierung 2 einerseits und der Fahrspuroberfläche andererseits gesucht.
In einem dritten Schritt 124 wird die Breite 3 der Fahrspurmarkierung 2 der Fahrspur 1 bzw. der ersten Fahrspur 1 aus einer Entfernung zwischen den beiden Grenzpunkten ermittelt.
Figur 2 zeigt ein schematisches Ablaufdiagramm des Verfahrens 200 zum Trainieren mindestens eines Machine Learning-Modells für den Einsatz in dem Verfahren 100 gemäß Figur 1 mit folgenden Schritten:
In einem ersten Schritt 202 erfolgt das Bereitstellen von Trainings-Beispielen von Messdaten, die aus der Perspektive eines Ego-Fahrzeugs 10 aufgenommen wurden und das Vorhandensein einer oder mehrerer Fahrspurmarkierungen anzeigen.
In einem zweiten Schritt 204 erfolgt das Bereitstellen eines Soll-Verlaufs und einer Soll-Breite mindestens für eine Fahrspurmarkierung, die die vom Ego- Fahrzeug 10 aktuell befahrene Fahrspur begrenzt.
In einem dritten Schritt 206 erfolgt das Zuführen der Trainings-Beispiele zu dem zu trainierenden Machine Learning-Modell, so dass dieses Machine Learning- Modell mit dem Verfahren nach einem der Ansprüche 1 bis 9 einen Verlauf und eine Breite 3 der Fahrspurmarkierung 2 bestimmt.
In einem vierten Schritt 208 erfolgt das Bewerten einer Abweichung zwischen diesem Verlauf und dieser Breite 3 einerseits, und dem Soll-Verlauf bzw. der Soll-Breite andererseits, mit einer vorgegebenen Kostenfunktion.
In einem fünften Schritt 210 erfolgt das Optimieren von Parametern, die das Verhalten des Machine Learning-Modells charakterisieren, mit dem Ziel, dass sich bei weiterer Verarbeitung von Trainings-Beispielen die Bewertung durch die Kostenfunktion voraussichtlich verbessert.
Figur 3 zeigt eine beispielhafte Darstellung eines von einem (Ego-)-Fahrzeug 10 aufgenommenen Bildes zur Anwendung eines aus dem Stand der Technik bekannten Verfahrens zur Ermittlung einer Mitte einer Fahrspurmarkierung 2 für eine Fahrspur 1 des Fahrzeugs 10 unter Verwendung eines Anker-basierten Ansatzes. Zwischen dem Anfangspunkt 6 und dem Endpunkt 7 einer Bezugslinie 5 werden in horizontaler Richtung für jeden Punkt die einzelnen Abstände der einzelnen Linienabschnitte oder der einzelnen Liniensegmente 8 zur jeweiligen Mitte 4 der Fahrspurmarkierung 2 der Fahrspur 1 über Regression ermittelt.
Figur 4 zeigt beispielhaft, wie an dem gleichen aufgenommenen Bild das hier vorgeschlagene Verfahren 100 zur Ermittlung einer Breite 3 einer Fahrspurmarkierung 2 für eine Fahrspur 1 eines Fahrzeugs 10 durchgeführt werden kann. In diesem Verfahren wird, in einfachen Worten beschrieben, ausgehend von der Bezugslinie 5, welche zwischen einem Anfangspunkt 6 und einem Endpunkt 7 verläuft, in horizontaler Richtung die jeweilige Breite 3 der Fahrspurmarkierung 2 der Fahrspur 1 gemäß der folgenden Schritte des Verfahrens 100 wie folgt ermittelt:
In einem ersten Schritt 102 erfolgt ein Bereitstellen von Messdaten aus einer Überwachung des Umfelds des Fahrzeugs 10, hier in Form des aufgenommenen Bildes. Die Messdaten können allgemein als Bilddaten und / oder Videodaten von entsprechenden Sensoren oder anderen technischen Detektionsvorrichtungen (nicht dargestellt) des Fahrzeugs 10 zur Verfügung gestellt werden. In einem zweiten Schritt 104 werden die Messdaten zu mindestens einem Machine Learning-Modell zugeführt Dabei können auch mehrere Modelle zum Einsatz kommen, zum Beispiel kann es vorgesehen sein, ein erstes Modell für die Ermittlung des Verlaufs der Fahrspurmarkierung 2 der Fahrspur 1 und ein zweites Modell für die Ermittlung der Breite 3 der Fahrspurmarkierung 2 der Fahrspur 1 zu verwenden.
In einem dritten Schritt 106 erfolgt die Auswertung eines Verlaufs der Fahrspurmarkierung 2 mit dem mindestens einen Machine Learning-Modell. Der Verlauf kann z.B. eine Mittellinie 4 sein, aber auch eine Kante. Der Verlauf der Mittellinie 4 kann insbesondere beispielsweise in Form vieler diskreter Positionen angegeben sein. Der Verlauf der Mittellinie 4 kann dabei auch in einer kontinuierlichen Form angeben sein. Der Verlauf der Mittellinie 4 kann vorzugsweise -und wie in der Figur 4 dargestellt - in Form von Entfernungen der einzelnen Linien-Segmente 9 der Fahrspurmarkierung 2 zu der Bezugslinie 5 durch den überwachten Bereich des Umfelds des Fahrzeugs 10 angegeben sein.
In einem vierten Schritt 108 wird eine Breite 3 der Fahrspurmarkierung 2 mit dem mindestens einen Machine Learning-Modell ausgewertet. Vorzugsweise wird die Breite 3 der Fahrspurmarkierung 2 der Fahrspur 1 durch Regression bestimmt. Insbesondere kann hier eine sogenannte skalare Regression eingesetzt werden, da diese mit einer höherer Geschwindigkeit durchführbar ist und präzisere Ergebnisse liefert, da bei einer gegebenen Pixelauflösung einer Fahrzeugkamera die Fahrspurmarkierung 2 größer erscheint. Für die Bestimmung der Breite 3 der Fahrspurmarkierung 2 der ersten Fahrspur 1 können vorzugsweise auch Kamera- Kalibrationsdaten und / oder Information zur Straßenbeschaffenheit der ersten Fahrspur 1 berücksichtigt werden.
Die Regression kann dabei vorzugsweise an mehreren Stellen entlang der Fahrspurmarkierung 2 durchgeführt werden, wobei die ermittelten Breiten zu einem Endergebnis für die Breite 3 der Fahrspurmarkierung 2 aggregiert werden. Dabei kann eine entsprechende Gewichtung mit der Entfernung zum Fahrzeug 10 erfolgen, um einen unterschiedlichen Grad an Genauigkeit zu berücksichtigen. Das Auswerten der Breite 3 der Fahrspurmarkierung 2 der ersten Fahrspur 1 im vierten Schritt 108 erfolgt vorzugsweise mit folgenden Schritten:
In einem ersten Schritt 120 wird eine Position entlang des Verlaufs der Fahrspurmarkierung 2 der Fahrspur 1 ausgewählt.
In einem zweiten Schritt 122 wird in einer vorgegebenen Suchrichtung relativ zum Verlauf der Fahrspurmarkierung 2 nach zwei Grenzpunkten - siehe in Figur 4 das Liniensegment 9 - zwischen der Fahrspurmarkierung 2 einerseits und der Fahrspuroberfläche andererseits gesucht.
In einem dritten Schritt 124 wird die Breite 3 der Fahrspurmarkierung 2 der Fahrspur 1 bzw. der ersten Fahrspur 1 aus einer Entfernung zwischen den beiden Grenzpunkten ermittelt.
Figur 5 zeigt beispielhaft, wie eine Soll-Position und eine Soll-Breite einer Fahrspurmarkierung 2 für eine Fahrspur 1 eines Fahrzeugs 10 gewonnen werden können. Die Figur 5 zeigt dabei, wie die Mitte 4 der Fahrspurmarkierung der Fahrspur 1 des Ego-Fahrzeugs 1 - gestrichelte Linie - und die innere Kante 11 der Fahrspurmarkierung 2 entsprechend markiert werden. Mit diesen Markierungen kann eine Soll-Breite einer Fahrspurmarkierung ermittelt werden, die die vom Ego-Fahrzeug 10 aktuell befahrene Fahrspur begrenzt. Diese Soll- Breite kann zum Labeln von Trainings-Beispielen für das Machine Learning- Modell verwendet werden.

Claims

Ansprüche
1. Verfahren (100) zur Bestimmung einer Fahrspurmarkierung (2) einer ersten Fahrspur (1) für ein Fahrzeug (10) mit folgenden Schritten:
• Bereitstellen (102) von Messdaten aus einer Überwachung des Umfelds des Fahrzeugs (10);
• Zuführen (104) der Messdaten zu mindestens einem Machine Learning- Modell;
• Auswerten (106) eines Verlaufs der Fahrspurmarkierung (2) mit dem mindestens einen Machine Learning-Modell;
• Auswerten (108) einer Breite (3) der Fahrspurmarkierung (2) mit dem mindestens einen Machine Learning-Modell.
2. Verfahren (100) nach Anspruch 1 , wobei der Verlauf eine Mittellinie (4) der Fahrspurmarkierung (2) in diskreter oder kontinuierlicher Form angibt.
3. Verfahren (100) nach einem der Ansprüche 1 bis 2, wobei die Breite (3) der Fahrspurmarkierung (2) durch Regression bestimmt wird.
4. Verfahren (100) nach Anspruch 3, wobei ein dem Fahrzeug (10) nächster Teilbereich der Fahrspurmarkierung (2) für die Regression ausgewählt wird .
5. Verfahren (100) nach einem der Ansprüche 3 bis 4, wobei die Regression an mehreren Stellen entlang der Fahrspurmarkierung (2) durchgeführt wird und die ermittelten Breiten zu einem Endergebnis für die Breite (3) der Fahrspurmarkierung (2) aggregiert werden.
6. Verfahren (100) nach einem der Ansprüche 1 bis 5, wobei der Verlauf in Form von Entfernungen zu einer Bezugslinie (5) durch den überwachten Bereich des Umfelds des Fahrzeugs (10) angegeben ist.
7. Verfahren (100) nach einem der Ansprüche 1 bis 6, wobei Bilddaten und/oder Videodaten als Messdaten gewählt werden.
8. Verfahren (100) nach einem der vorangegangenen Ansprüche, wobei der Schritt (108) des Auswertens der Breite (3) der Fahrspurmarkierung (2) der ersten Fahrspur (1) folgende Schritte aufweist:
• Auswählen (120) einer Position entlang des Verlaufs der
Fahrspurmarkierung (2);
• Suchen (122) in einer vorgegebenen Suchrichtung relativ zum Verlauf der Fahrspurmarkierung (2) nach zwei Grenzpunkten zwischen der Fahrspurmarkierung (2) einerseits und der Fahrspuroberfläche andererseits; und
• Ermitteln (124) der Breite (3) der Fahrspurmarkierung (2) aus einer Entfernung zwischen den beiden Grenzpunkten.
9. Verfahren (100) nach einem der vorangegangenen Ansprüche, wobei Kamera- Kalibrationsdaten und / oder Information zur Straßenbeschaffenheit der ersten Fahrspur (1) in der Bestimmung der Breite (3) der Fahrspurmarkierung (2) der ersten Fahrspur (1) berücksichtigt werden.
10. Verfahren (200) zum Trainieren mindestens eines Machine Learning- Modells für den Einsatz in dem Verfahren nach einem der Ansprüche 1 bis 9 mit folgenden Schritten:
• Bereitstellen (202) von Trainings-Beispielen von Messdaten, die aus der Perspektive eines Ego-Fahrzeugs (10) aufgenommen wurden und das Vorhandensein einer oder mehrerer Fahrspurmarkierungen anzeigen;
• Bereitstellen (204) eines Soll-Verlaufs und einer Soll-Breite mindestens für eine Fahrspurmarkierung, die die vom Ego-Fahrzeug (10) aktuell befahrene Fahrspur begrenzt;
• Zuführen (206) der Trainings-Beispiele zu dem zu trainierenden Machine
Learning-Modell, so dass dieses Machine Learning-Modell mit dem Verfahren nach einem der Ansprüche 1 bis 9 einen Verlauf und eine Breite (3) der Fahrspurmarkierung (2) bestimmt;
• Bewerten (208) einer Abweichung zwischen diesem Verlauf und dieser Breite (3) einerseits, und dem Soll-Verlauf bzw. der Soll-Breite andererseits, mit einer vorgegebenen Kostenfunktion; und
• Optimieren (210) von Parametern, die das Verhalten des Machine
Learning-Modells charakterisieren, mit dem Ziel, dass sich bei weiterer Verarbeitung von Trainings-Beispielen die Bewertung durch die Kostenfunktion voraussichtlich verbessert.
11 . Verfahren (200) nach Anspruch 10, wobei
• für mindestens eine weitere Fahrbahnmarkierung, die nicht die vom
Ego-Fahrzeug (10) aktuell befahrene Fahrspur (1) begrenzt, zumindest ein Soll-Verlauf bereitgestellt und ein Verlauf ermittelt wird; und
• die Kostenfunktion auch die Abweichung dieses Verlaufs von seinem
Soll-Verlauf bewertet.
12. Verfahren nach einem der Ansprüche 10 bis 11 , wobei mindestens eine aus den Messdaten ersichtliche Fahrspurmarkierung (2) unberücksichtigt bleibt, indem ihr Beitrag zur Kostenfunktion auf Null gesetzt wird.
13. Computerprogramm, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem oder mehreren Computern und/oder Computer-Instanzen ausgeführt werden, den oder die Computer bzw. Computer-Instanzen dazu veranlasst, das Verfahren nach einem der Ansprüche 1 bis 9 und / oder das Verfahren nach einem der Ansprüche 10 bis 12 auszuführen.
14. Maschinenlesbarer Datenträger und/oder Downloadprodukt mit dem Computerprogramm nach Anspruch 13.
15. Ein oder mehrere Computer und/oder Computer-Instanzen mit dem Computerprogramm nach Anspruch 13, und/oder mit dem maschinenlesbaren Datenträger und/oder Downloadprodukt nach Anspruch 14.
EP23750957.5A 2022-08-12 2023-07-27 Verfahren zur bestimmung einer fahrspurmarkierung einer fahrspur für ein fahrzeug Pending EP4569493A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022208429.2A DE102022208429A1 (de) 2022-08-12 2022-08-12 Verfahren zur Bestimmung einer Fahrspurmarkierung einer Fahrspur für ein Fahrzeug
PCT/EP2023/070893 WO2024033103A1 (de) 2022-08-12 2023-07-27 Verfahren zur bestimmung einer fahrspurmarkierung einer fahrspur für ein fahrzeug

Publications (1)

Publication Number Publication Date
EP4569493A1 true EP4569493A1 (de) 2025-06-18

Family

ID=87556285

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23750957.5A Pending EP4569493A1 (de) 2022-08-12 2023-07-27 Verfahren zur bestimmung einer fahrspurmarkierung einer fahrspur für ein fahrzeug

Country Status (6)

Country Link
US (1) US20260011157A1 (de)
EP (1) EP4569493A1 (de)
JP (1) JP2025526670A (de)
CN (1) CN119698643A (de)
DE (1) DE102022208429A1 (de)
WO (1) WO2024033103A1 (de)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4616068B2 (ja) * 2005-04-28 2011-01-19 本田技研工業株式会社 車両、画像処理システム、画像処理方法及び画像処理プログラム
JP2007304965A (ja) * 2006-05-12 2007-11-22 Mitsubishi Electric Corp 画像処理装置
JP6115429B2 (ja) * 2013-09-27 2017-04-19 日産自動車株式会社 自車位置認識装置
US9286524B1 (en) 2015-04-15 2016-03-15 Toyota Motor Engineering & Manufacturing North America, Inc. Multi-task deep convolutional neural networks for efficient and robust traffic lane detection
EP3576008B1 (de) 2018-05-30 2023-12-27 Aptiv Technologies Limited Bildbasierte fahrbahnmarkierungsklassifizierung
DE102018113559B4 (de) 2018-06-07 2025-10-30 Connaught Electronics Ltd. Verfahren zum Erkennen einer Fahrbahnmarkierung durch Validieren anhand der Linienbreite; Steuereinrichtung; Stellplatzerkennungssystem; sowie Fahrerassistenzsystem
DE102019209634B4 (de) 2019-07-02 2021-08-26 Zf Friedrichshafen Ag Computerimplementiertes Verfahren zum maschinellen Lernen von Fahrbahnmarkierungen mittels Audiosignalen, Steuergerät für automatisierte Fahrfunktionen, Verfahren und Computerprogramm zum Erkennen von Fahrbahnmarkierungen
US10867190B1 (en) 2019-11-27 2020-12-15 Aimotive Kft. Method and system for lane detection
DE102020215324A1 (de) 2020-12-03 2022-06-09 Robert Bosch Gesellschaft mit beschränkter Haftung Auswahl von Fahrmanövern für zumindest teilweise automatisiert fahrende Fahrzeuge

Also Published As

Publication number Publication date
US20260011157A1 (en) 2026-01-08
WO2024033103A1 (de) 2024-02-15
DE102022208429A1 (de) 2024-02-15
JP2025526670A (ja) 2025-08-15
CN119698643A (zh) 2025-03-25

Similar Documents

Publication Publication Date Title
DE102016113699B4 (de) Spurhalte-Steuerverfahren und Vorrichtung hierfür
DE102019131702A1 (de) Anhängerwinkelerfassung unter verwendung von ende-zu-ende-lernen
DE112016002910T5 (de) Spurhaltevorrichtung
DE102018128289A1 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
EP3393875B1 (de) Verfahren zum verbesserten erkennen von objekten durch ein fahrerassistenzsystem
EP3090922A1 (de) Verfahren zur lenkung eines landwirtschaftlichen anhängers und landwirtschaftlicher zugverbund
DE112018005265B4 (de) Lenksteuerungsvorrichtung, lenksteuerungsverfahren und aufzeichnungsmedium
EP2464992A1 (de) Kollisionsüberwachung für ein kraftfahrzeug
EP3482975A1 (de) Raupenfahrzeug
EP3850536A1 (de) Analyse dynamisscher räumlicher szenarien
DE102014210752A1 (de) Verfahren und Vorrichtung zum Überwachen einer Solltrajektorie eines Fahrzeugs
DE112009002415T5 (de) Verfahren zum Messen eines zylinderförmigen Elements in einer Faserbahnmaschine und eine Anordnung und eine Messvorrichtung für das Verfahren
EP4569493A1 (de) Verfahren zur bestimmung einer fahrspurmarkierung einer fahrspur für ein fahrzeug
DE102013200724A1 (de) Vorhersage eines Fahrmanövers eines Fahrzeugs
DE102010032462B4 (de) Verfahren und Vorrichtung zum Einparken eines Kraftfahrzeugs
EP3576013A1 (de) Abschätzen eines verlaufs eines schienenpfads
DE102018128535A1 (de) Trainieren eines künstlichen neuronalen Netzwerks mit durch Sensoren eines Fahrzeugs erfassten Daten
DE102021207830A1 (de) Verfahren zur Steuerungsassistenz eines Fahrzeugs
DE102019110018B4 (de) Verfahren zur Kollisionsvermeidung, System, fahrzeuginternes System, Zugfahrzeug und Signal
WO2014202365A1 (de) Verfahren und vorrichtung zur ermittlung eines fahrzustands eines externen kraftfahrzeugs
DE102019209813A1 (de) Vorrichtung zum Navigieren eines Ist-Fahrzeugs durch zumindest einen Abschnitt einer Soll-Trajektorie, Verfahren und Verwendung
DE112015006698B4 (de) Servolenkungs-Einstellvorrichtung
EP4350660A1 (de) System und verfahren zur prädiktion einer zukünftigen position eines verkehrsteilnehmers
DE102018129485A1 (de) Verfahren sowie System zur Bestimmung eines Fahrkorridors
DE102018219829A1 (de) Verfahren, Steuergerät, System und Computerprogramm zur Bestimmung von charakteristi-schen Objektpunkten eines Zielobjektes sowie Verfahren zum kameragestützten Positionieren eines motorbetriebenen Fahrzeugs

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: 20250312

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

Free format text: STATUS: EXAMINATION IS IN PROGRESS