JP2023544030A - マップ検証方法 - Google Patents
マップ検証方法 Download PDFInfo
- Publication number
- JP2023544030A JP2023544030A JP2023519705A JP2023519705A JP2023544030A JP 2023544030 A JP2023544030 A JP 2023544030A JP 2023519705 A JP2023519705 A JP 2023519705A JP 2023519705 A JP2023519705 A JP 2023519705A JP 2023544030 A JP2023544030 A JP 2023544030A
- Authority
- JP
- Japan
- Prior art keywords
- map
- data
- sensor
- probability
- semi
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012795 verification Methods 0.000 title claims abstract description 49
- 230000007613 environmental effect Effects 0.000 claims abstract description 37
- 230000004807 localization Effects 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 31
- 238000013459 approach Methods 0.000 claims description 23
- 238000010200 validation analysis Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 description 40
- 230000004927 fusion Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000010391 action planning Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000009187 flying Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000009184 walking Effects 0.000 description 1
Images
Classifications
-
- 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
- G01C21/3863—Structures of map data
- G01C21/387—Organisation of map data, e.g. version management or database structures
-
- 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
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3811—Point data, e.g. Point of Interest [POI]
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- 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
-
- 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
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- 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
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- 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
- G01C21/3859—Differential updating map data
-
- 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
- G01C21/3863—Structures of map data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Instructional Devices (AREA)
Abstract
少なくとも半自律型ロボット(F)の環境センサによって検出されたものとして少なくとも半自律型ロボット(F)の環境要素を表すものである、少なくとも1つの検出要素(S3、S4、S5)を描写するための少なくとも半自律型ロボット(F)のセンサデータを受信するステップと、所定のマップ上にプロットされたものとして、少なくとも半自律型ロボット(F)の環境要素を表すものである、少なくとも1つのマップ要素(A3、A4、A5)を有するマップを描写するマップデータ(Dk)を受信するステップと、マップ上の少なくとも半自律型ロボット(F)の位置を示す位置特定データ(Dl)を受信するステップと、センサデータ不確実性、マップデータ不確実性、および/または位置特定データ不確実性を含む、データ不確実性を決定するステップと、初期値で少なくとも1つのマップ要素(A3、A4、A5)のための存在確率(P)を初期化するステップと、マップデータ(Dk)、センサデータ(Ds)、位置特定データ(Dl)、およびデータ不確実性を使用して、少なくとも1つのマップ要素(A3、A4、A5)の存在確率(P)を更新するステップと、を備える、マップ検証方法である。
【選択図】図1a
【選択図】図1a
Description
本発明は、マップ検証方法に関する。
現在、少なくとも半自律型ロボット、特に部分的に自動化された運転車両は特に今後の挙動を計画するために、高解像度マップ、いわゆるHDマップに大きく依存している。少なくとも半自律型ロボットからのセンサデータのみに依存することは、トラフィック状況の評価において望ましくない誤差をもたらす可能性がある。
しかしながら、マップデータが古い場合、少なくとも半自律型ロボットの今後の挙動も、エラーなしに計画することができない。
したがって、マップデータを検証する方法が望まれている。
本発明の実施形態は、独立請求項に係るマップ検証方法を提供する。本発明の有用な実施形態は、従属請求項、明細書、および添付の図面から明らかになるであろう。
本発明の一態様によれば、マップ検証方法、すなわちカード型信憑性チェック方法は、以下のステップを含む。少なくとも1つの検出された要素を示す少なくとも半自律型ロボットのセンサデータを受信するステップであって、この場合、少なくとも1つの検出された要素は、少なくとも半自律型ロボットの環境センサによって検出されたものとして少なくとも半自律型ロボットの環境要素を表すものであるステップ。少なくとも1つのマップ要素を有するマップを描写するマップデータを受信するステップであって、この場合、少なくとも1つのマップ要素は、所定のマップ上にプロットされたものとして少なくとも半自律型ロボットの環境要素を表すものであるステップ。受信されたセンサデータから位置特定データを決定するステップであって、この場合、位置特定データは、マップ上の少なくとも半自律型ロボットの位置を示すものであるステップ。データ不確実性を決定するステップであって、この場合、データ不確実性は、センサデータ不確実性、マップデータ不確実性、および/または位置特定データ不確実性を含むものであるステップ。少なくとも1つのマップ要素の存在確率を初期値で初期化するステップ。マップデータ、センサデータ、位置特定データ、およびデータ不確実性を使用して、少なくとも1つのマップ要素の存在確率を更新するステップである。
好ましくは、少なくとも半自律型ロボットのセンサデータは、少なくとも半自律型ロボットのセンサによって検出されたオンラインセンサデータを含む。好ましくは、センサデータは、カメラデータ、ライダデータ、レーダデータ、および/またはGPSデータを含む。
本明細書で使用するとき、「マップ要素」という用語は特に、交通標識または信号機等の交通標識、並びに道路標識を含む。
一般に、少なくとも半自律型ロボットは、少なくとも部分的に自動化された運転車両であり得る。あるいは、少なくとも半自律型ロボットは、飛行、泳行、潜水、または歩行によって移動するものなどの別の移動ロボットであってもよい。例えば、移動ロボットは、少なくとも半自律型芝刈機、または少なくとも半自律型掃除ロボット等であってもよい。
好ましくは、存在確率を初期化することは、マップ要素存在確率の初期値を決定することを含み、初期値はセンサデータが存在しない場合にマップ要素に割り当てられた仮の存在確率を示す。
好ましくは、位置特定データはGPSデータを含む。
好ましくは、位置特定データは、受信されたセンサデータおよび受信されたマップデータを使用して決定される。例えば、位置特定データは、特にGPSデータを用いて、マップデータをセンサデータと照合することによって決定される。したがって、位置特定データは、マップ上の少なくとも半自律型ロボットの少なくとも推定位置を示す。
したがって、マップ検証方法はいわゆるマルコフ仮定を使用し、それに従って、実際の状態は前の状態および現在のセンサデータのみに依存するが、状態の完全な履歴には依存しない。このようにして、マップ検証方法の最も簡単な計算負荷を実現することができる。
好ましくは、データ不確実性を決定するステップはセンサデータ、マップデータ、および位置特定データを確率表示で表すステップを含む。
好ましくは、確率表示はベイズ表現を含む。
センサデータの確率表示は、センサ測定値の空間的不確実性、センサ測定値の干渉率、センサによるマップ要素の検出確率、および/または使用される形態に依存する的中度および非的中度を考慮に入れる。
クラッタとも称される摂動は、センサ測定値、すなわち、実物体、つまりマップ要素によって決定されないセンサデータ、例えば、ゴースト測定値を含む。
クラッタレートは時間ステップ当たりのクラッタ測定の数を表し、これは、典型的にはクラッタ測定が独立して行われるときにポアソン分布を使用してモデル化される。
好ましくは、マップ検証方法は、少なくとも半自律型ロボットにおいて、言い換えればオンラインで実行される。マップ検証方法はマップデータおよびセンサデータだけでなく、少なくとも半自律型ロボットの位置特定、すなわち、マップに対するその推定位置も使用する。タスクはマップ要素を確認または除去し、したがって、マップデータとセンサデータとの間の可能な不一致、すなわち、少なくとも半自律型ロボットの環境を検出することである。
マップ検証方法を適切に機能させるための前提条件は、正確な位置特定だけでなく、正確なセンサ較正である。この理由は、マップデータとセンサデータとの間の検出された乖離が不正確なまたは古いマップによってだけでなく、不十分な位置特定および不正確に較正されたまたは不完全なセンサによっても引き起こされ得ることである。
好ましくは、マップ要素の共通の存在確率が異なるセンサから計算される。代替的に、マップ要素の別個の存在確率が、各センサまたは異なるセンサの組合せに対して計算される。
好ましくは、センサデータは、追跡されていないセンサ測定値からのデータを含み、センサ測定値からの誤差は経時的にフィルタリングされる追跡された要素とは異なり、経時的にほとんどまたは全く相関を有さない。時間的に無相関の測定誤差を有する測定は確率的にモデル化するのがはるかに容易であり、このモデルはまた、内部妥当性チェックの一部として行われるチェックがより容易である。測定値が失われることはなく、マップ検証方法は特に、追跡アルゴリズムによってフィルタリングされたものであろう摂動測定値を含む、すべての利用可能な情報にアクセスすることができる。
存在確率を更新することは、要素融合またはオブジェクト融合の概念に該当する。言い換えれば、存在確率は、マップデータとセンサデータとを融合することによって直接観測可能なマップ要素について計算される。これは各センサに対して個別に実行することができるが、一度に全ての利用可能なセンサデータまたはセンサの任意の組合せに基づく同時存在確率も可能である。
また、存在確率に加えて、マップ要素の更新位置を算出することが好ましい。これは、ランダム有限集合アプローチ(略してRFSアプローチ)における(マルチ)ベルヌーイフィルタによって本質的に行われるか、または必要であれば、対数二元ベイジアンフィルタアプローチ(略してロジットアプローチ)を介して追加のカルマンフィルタとして追加することができる。
水平線内のマップ要素の更新された存在確率の計算は、入力データの確率表示を使用して、各時間ステップで可視マップ要素に対して実行される。
このようにして、安全性に関する改善された挙動および軌道計画が提供される。
このようにして、融合されたセンサデータおよびマップデータに基づいて、少なくとも半自律型ロボットの環境の全体的、正確、かつ実際の表現が提供される。
好ましい実施形態によれば、マップ検証方法は、以下のステップを含む。少なくとも1つのマップ要素を環境センサのセンサ空間に投影することである。
マップ水平線の一部であるマップ要素は全ての関連する、例えば、前向きのセンサ、すなわち、それらのセンサ空間に投影される。この投影は通常、達成するのが容易であるが、センサ座標からマップ座標への逆投影は一般に、例えばモノカメラの場合、より複雑であるか、または更には未定義である。マップ水平線は全体的なマップの部分集合であり、少なくとも半自律型ロボットの近傍のマップ要素からなる。このマップ水平線は少なくとも全ての関連するセンサの視野を含むが、典型的にはより大きい。
好ましい実施形態によれば、マップ検証方法は、以下のステップ、すなわち、少なくとも1つの検出された要素に少なくとも1つのマップ要素を割り当てるステップを備える。
割り当てステップではセンサ空間内の要素を示すためのセンサデータ、すなわちセンサ測定値の所定数の最良のグローバルアサインメントが、マーティのランク付けされた割り当てアルゴリズム、および、例えば、ハンガリアン法を基礎として使用して計算される。ランク付けされた割り当ては例えば、RFS理論からのマルチオブジェクト測定モデルに基づくことができ、これはセンサ測定の空間的不確実性だけでなく、摂動速度、摂動強度、および検出確率も捕捉する。特に、(マルチ)ベルヌーイフィルタは、関連付けステップにおいて既に計算されているそれぞれの確率に基づいて重み付けされる複数の関連付けを処理することができる。特に、これらの関連付けはまた、感知欠如(マップ要素がいかなる感知にも割り当てられていない)および干渉感知(感知がいかなるマップ要素にも割り当てられていない)の可能性を考慮に入れる。
好ましくは、検出された要素とマップ要素との関連付けはシステム内で、この情報に依存するすべてのモジュール間で一度だけ同期される。そうでなければ、マップ検証方法は、完全に異なる関連付けを行うことができる他の機能モジュールから切り離され、これらの潜在的に不正確な関連付けの正確さをチェックすることなく、それを使用する。マップオブジェクトを描写するための測定値の関連付けは、入力として位置特定を必要とする。関連付けは前の時間ステップからの予測された位置特定推定値に依存し、提供された関連付けは位置特定モジュールの次のステップを更新するために使用される。
好ましい実施形態によれば、マップ検証方法は、以下のステップを備える。少なくとも1つのマップ要素の存在確率を評価する評価ステップであって、評価することは、マップ要素を確認すること、マップ要素、潜在的に新しいマップ要素が誤りであることを証明すること、および可能なステートメントを何ら作成しないことのうちの1つを含むものである、評価ステップ。
センサデータを既存のマップ要素に割り当てることができない場合、潜在的に新しいマップ要素が識別される。このようにして、潜在的に新しいマップ要素を識別することができる。言い換えれば、測定値、すなわち対応するセンサデータを既存のマップ要素に割り当てることができない確率が決定される。その結果、潜在的に新しいマップ要素が報告されるか、または新しいマップ要素が直接初期化される。
好ましい実施形態によれば、存在確率を更新するステップは、ランダム有限集合(RFS)アプローチまたはロジットアプローチを含む。
RFSアプローチは、ランダム有限集合理論を使用して、空間不確実性、摂動速度、摂動強度、および検出確率に基づくセンサモデルを指す。
ロジットアプローチは、二元ベイジアンフィルタの対数実施を使用する的中率および非的中率に基づくセンサモデルを指す。
RFSアプローチはさらに、(マルチ)ベルヌーイフィルタを適用することによって、存在確率に加えて、マップ要素の更新された位置を提供することができ、ここで、ロジットアプローチは、位置更新も提供するためにカルマンフィルタと組み合わされなければならない。
この情報のすべてを用いて、RFSまたはロジットアプローチのいずれかを用いて、従来のマップ要素の存在確率を更新することが可能である。存在確率は、収集されたが不確実なセンサデータに基づいて、マップ要素が依然として存在するか否かを特定する。全く不可視のマップ要素は更新されず、したがって、先行時間ステップからのそれらの存在確率を保持する。マップ要素の存在確率、好ましくは位置の更新は、センサ測定値のセットが利用可能である各時間ステップで行われる。RFSおよびロジットの両方のアプローチはマルコフ仮定に従い、更新されたマップ要素の実際の状態は、マップ要素の状態の完全な履歴ではなく、現在の測定値およびその先行状態のみに依存する。
存在確率の更新は(マルチ)ベルヌーイフィルタおよびRFSベースの測定モデルのいずれかによって行われ、これらのモデルはさらに、副産物としてのセンサデータを用いて、または対数尤度(ロジット)および対応する的中/非的中率を有する二元ベイジアンフィルタを用いて、マップオブジェクト位置を更新する。
マルチベルヌーイフィルタはRFS理論に基づいており、センサ測定値の空間的不確実性、センサの摂動速度/強度、およびマップ要素の検出確率を考慮に入れている。
二元ベイジアンフィルタは単にロジットまたは対数オッズアプローチとも呼ばれ、特定の確率を有する要素の的中および非的中をモデル化し、マップ要素付近の測定値は的中と見なされ、近傍の測定値は、見える場合、その特定のマップ要素の非的中と見なされない。
ポイント状のオブジェクト、またはセンサ空間に対してまばらに拡張されたオブジェクトの場合、説明されるアプローチは例えば、信号機、交通標識、破線のレーンマーキング、ポール、木幹、ボットのポイントなど、直接適用することができる。ソリッドレーンマーキング、例えば、境界は、それらが長すぎ、したがってセンサの視野を著しく超える場合、より小さいセグメントに分割される必要があり得る。次いで、これらのより小さいセグメントは、提案されたアプローチを使用して、それらの存在についてチェックされることができる。したがって、(連続的である)固定車線境界の各セグメントに存在確率が割り当てられる。
(マルチ)ベルヌーイフィルタに依存するRFSアプローチを使用することの副産物として、測定値がすでに存在する物体の一部ではない確率を計算することができる。この情報は、潜在的に新しいマップ要素の完全な指標である。したがって、任意の既知のマップ要素に属さない高い確率を有する追加の測定値が、新しいマップ要素の推論を可能にするために転送される。これらの測定値を使用して、新しいマップ要素を作成し、マップ検証方法の以下のステップでもそれらを更新することができる。
好ましい実施形態によれば、存在確率は、50%の初期値で初期化される。
好ましくは、初期値は予め定められている。さらに好ましくは、初期値がマップ要素ごとに動的に決定される。例えば、初期値を決定するために、マップ要素および/またはマップデータの特性に応じて、存在確率の所定の傾向が決定される。例えば、道路標識の種類のマップ要素は、道路標識が通常信号機よりも頻繁に置換されると仮定される場合、信号機の種類のマップ要素よりも低い初期確率で初期化される。
好ましい実施形態によれば、少なくとも1つのマップ要素の存在確率を更新することは、時間間隔で繰り返される。
好ましくは、時間隔は予め決定される。さらに、好ましくは、時間間隔が少なくとも半自律型ロボットの少なくとも1つの環境センサの検出レートに依存する。言い換えれば、少なくとも1つのマップ要素の先行存在確率は、新しいセンサデータが利用可能になるとすぐに更新される。例えば、少なくとも半自律型ロボットの環境センサは、毎秒25フレームを提供するカメラを備える。その結果、少なくとも1つのマップ要素の従来存在確率は、毎秒25回更新される。
好ましい実施形態によれば、マップ検証方法は、以下のステップを備える。環境センサの視野およびマップ要素の遮蔽を使用して決定されるものであるマップ要素の可視性を決定するステップ。マップ要素の可視性を使用して検出確率を決定するステップ。
マップ要素の可視性は、センサの視野を確認するだけでなく、それぞれのマップ要素の遮蔽も確認する。
好ましくは、検出確率がセンサの真の陽性率を使用して決定される。
加えて、可視性は、センサ測定値およびマップ要素の不確実性、ならびに誤差伝搬を介した位置特定および較正情報の不確実性を考慮に入れる。次いで、可視性情報を検出確率に統合することができる。検出確率はマップオブジェクトの可視性だけでなく、一般に、センサまたは検出アルゴリズムが対応する測定値を生成する確率も捕捉する。したがって、非可視物体の検出確率はゼロであるが、完全に可視物体の検出確率は一般に1ではない。この理由はセンサが典型的には全ての可視物体を検出することができず、それらのうちの特定の割合のみを検出することができるからである(真の陽性な結果の割合を参照されたい)。
マップ要素の可視性は各センサについて別々に推定され、特に、センサ原点からそれぞれのマップ要素までの視線をチェックすることによって、センサの知覚可能な視野と、マップ要素の前の他のオブジェクトによる任意の遮蔽とをチェックすることによって推定される。これは、例えば、環境の3D表現を提供するステレオカメラシステムのためのスチクセル(Stixel)表現を使用することによって行うことができる。次いで、この表現を使用して、そのようなスチクセルがマップ要素の前に位置するかどうかをチェックすることができ、したがって、それを不明瞭にする。代替案は、地上の全てのマップ要素に特に使用することができるモノカメラからのラベル付きピクセル画像を使用することである。基本的なアイデアは予想されるマップ要素の前のピクセルがオブジェクト、例えば、車、歩行者などとして分類されるかどうかをチェックして、その背後の地面上のマップ要素、例えば、車線マーカーを不明瞭にすることを知ることである。
次いで、マップ要素の検出確率は、その推定された可視性からだけでなく、その特定のマップ要素の種類に対するセンサの真陽性率からも導出される。検出確率は、マップ要素が対応するセンサ読取値を生成する可能性を指定する。これは、ロジット表現における的中率に密接に関連し、RFSアプローチの測定モデルに直接統合される。検出確率は完全に可視でないマップ要素についてはゼロであり、完全に可視であるオブジェクトについては1以下である。検出確率は完全に可視のマップ要素に対して1つのみであり、真陽性率が1であるセンサ、すなわち、センサは、この場合、いかなる偽陰性測定も提供しない。
真陽性率は環境中に存在するマップ要素の総数に対する検出されたマップ要素の割合を特定し、言い換えれば、真陽性測定値と偽陰性測定値との合計に対する真陽性測定値の比を記述する。
検出確率は、既存のマップ要素が対応する測定値、すなわちセンサデータを生成する確率を含む。これは、マップ要素の可視性および環境センサの真陽性率を含む。
好ましい実施形態によれば、データ不確実性は、マップ要素の可視性を決定するために使用される。
好ましい実施形態によれば、所定の閾値を下回る検出確率を有する少なくとも1つのマップ要素の存在確率は更新されない。
好ましい実施形態によれば、マップ検証方法は、以下のステップを備える。すなわち、存在確率の妥当性を検証するステップである。
マップ妥当性検証法自体の妥当性を検証するため、存在確率を計算するために使用される確率的仮定が、少なくとも半自律型ロボットにおける内部信憑性または妥当性チェックの文脈においてチェックされる。この妥当性チェックは仮定されたパラメータ、例えば、RFSベースのアプローチにおける空間的不確実性、摂動率、および検出確率、または、予定義された有意水準におけるオンライン推定パラメータからの、ロジットアプローチにおける的中および非的中率の統計的に有意な偏差を報告する。さらに、マップからセンサ空間への誤差伝搬は潜在的に非線形の関数の線形化を必要とし、これはまた、妥当性チェックとして関連領域における強い非線形性についてチェックされる。
存在確率を更新するために使用される確率的およびアルゴリズム的仮定は、内部妥当性または一貫性チェックとしてオンラインで検証される。好ましくは、環境センサの測定モデルが一貫性についてチェックされる。測定モデルの関連パラメータ、例えば、センサ測定の空間的不確実性、センサ摂動速度、およびRFSベースの定式化を使用するときの検出確率は、オンラインで推定される。続いて、妥当性チェックは、最初に存在確率を計算するために行われた仮定がこれらのオンライン推定パラメータの信頼区間内にあることを検証する。この目的のために、統計的仮説検定が好ましくは実施される。好ましくは、パラメータはオンラインで推定される。しかし、それらは、自己実現的な予言を避けるために、相応的に調整されない。したがって、推定されたパラメータは2つの間の確率的偏差を検出し、信憑性チェック自体もはや信憑性がないことをさらなるモジュールに報告するために、仮定されたパラメータに対してチェックされるだけである。これは、信憑性チェック自体の自己評価の一形態である。
好ましい実施形態によれば、少なくとも半自律型ロボットの異なるセンサからのセンサデータを比較して、存在確率の妥当性を検証する。
本発明のさらなる態様によれば、マップ検証システムは、本明細書で指定されるマップ検証方法を実行するように構成される。
本発明のさらなる態様によれば、少なくとも半自律型ロボットを制御するための方法は、以下のステップを備える。少なくとも1つのマップ要素の存在確率を決定するため、本明細書で指定されるマップ検証方法の実行するステップ。センサデータ、マップデータ、位置特定データ、および少なくとも1つのマップ要素の存在確率を使用してロボット軌道を決定するステップ。決定されたロボット軌道に基づいて少なくとも半自律型ロボットを制御するステップ。
このようにして、マップ検証方法は少なくとも半自律型ロボットの環境におけるそれらの存在に依存する前に、センサデータ、特に少なくとも半自律型ロボットのオンラインセンサデータを用いてマップの関連部分を確認することによって、行動および軌道計画がマップデータを安全に使用することを可能にする。マップ検証方法の出力に基づいて、行動計画モジュールはどのマップ要素がセンサデータで確認されるかを知り、どのマップ要素が例えば、遮蔽のために未知であり、どのマップ要素がもはや存在しないかを知る。したがって、マップ検証方法は、融合センサおよびマップデータに基づいて、少なくとも半自律型ロボットの環境の全体像、正確で最も重要な実表現を提供する。
次の実施例では、行動計画を示す。
実施例1
車両は信号機が見当たらない交差点に接近しており、信号機が依然として存在する場合、それは隠れることはないであろう。存在確率は、車両が見当たらない信号機に近づくにつれて、50%から0%にゆっくりと減少する。行動生成は車両をかなり早く減速させて、存在確率の低下に応答し、最終的に、信号機がマップにおいて安全上重要であるときに安全な停止に達し、古いマップデータに依存しながら交差点に入ることを回避する。
車両は信号機が見当たらない交差点に接近しており、信号機が依然として存在する場合、それは隠れることはないであろう。存在確率は、車両が見当たらない信号機に近づくにつれて、50%から0%にゆっくりと減少する。行動生成は車両をかなり早く減速させて、存在確率の低下に応答し、最終的に、信号機がマップにおいて安全上重要であるときに安全な停止に達し、古いマップデータに依存しながら交差点に入ることを回避する。
実施例2
車両は、信号機が隠れた交差点に接近しつつある。行動生成は可能であれば、車両を減速させる、および/または信号機を隠す物体の周りを走行させる。この点に関する着想は、信号機の存在についてのより多くの情報を収集することである。信号機を見ることができず、安全上重要である場合、車両は交差点の前に停止する。
車両は、信号機が隠れた交差点に接近しつつある。行動生成は可能であれば、車両を減速させる、および/または信号機を隠す物体の周りを走行させる。この点に関する着想は、信号機の存在についてのより多くの情報を収集することである。信号機を見ることができず、安全上重要である場合、車両は交差点の前に停止する。
実施例3
車両は、信号機を明瞭に見ることができる交差点に接近しつつある。信号機の存在確率は、車両が交差点に近づくにつれて、50%から100%にゆっくりと増加する。車両は、信号機およびその状態を知覚することができるので、交差点を安全に横切るために減速する必要がない。
車両は、信号機を明瞭に見ることができる交差点に接近しつつある。信号機の存在確率は、車両が交差点に近づくにつれて、50%から100%にゆっくりと増加する。車両は、信号機およびその状態を知覚することができるので、交差点を安全に横切るために減速する必要がない。
好ましい実施形態によれば、少なくとも半自律型ロボットを制御するための方法は、以下のステップを備える。センサデータ、マップデータ、位置特定データ、および少なくとも1つのマップ要素の存在確率を使用して制御モードを決定するステップ、及び決定された制御モードに基づいて少なくとも半自律型ロボットを制御するステップである。
好ましくは、制御モードは少なくとも半自律型ロボットの所定の挙動特性を含む。例えば、制御モードは、「ノーマルドライブ」モード、「予防安全」モード、および/または「安全停止」モードを含む。制御モードに応じて、少なくとも半自律型ロボットは同じ入力データ、すなわち、センサデータ、マップデータ、および/または位置特定データを与えられて、異なるように制御される。
好ましくは、コンピュータ・プログラムは、コンピュータ・プログラムがコンピュータによって実行されるときに、コンピュータ・プログラムに、本明細書で指定されるマップ検証方法を実行させる命令を含む。
好ましくは、マシン読取可能な記憶媒体が本明細書に記載のコンピュータ・プログラムを記憶する。
有利には、少なくとも1つのマップ要素を含むマップデータがリモートサーバーから受信され、マップ検証方法の結果は有利には、リモートサーバーに送信され、少なくとも1つのマップ要素の更新または少なくとも1つのマップ要素の位置におけるマップリサーベイがトリガされるべきかどうかの決定の基礎として、そこで使用される。マップ検証方法の結果は、特に、少なくとも1つのマップ要素の存在が確認される、又は誤りであることを立証されるか否か、またはその存在について何らのステートメントも作成できないか否かを示す、少なくとも1つのマップ要素の更新された存在確率またはそれから導出された情報である。
本発明を改善するさらなる手段を、図面を参照して本発明の好ましい実施形態の明細書と共に以下により詳細に説明する。
図1aは、第1の時間ステップにおける第1のトラフィック状況V1を示す。少なくとも半自律型ロボット、この場合は少なくとも部分的に自動化された運転車両は、交差点に向かって進んでいる。高精度(HD)マップのマップデータから、第1の信号機A1と第2の信号機A2の2つのマップ要素を得ることができる。しかし、この場合、第1の信号機A1は、建設工事のために撤去された。この点において、第1の信号機A1に関するマップデータは古くなっている。マップ検証方法によれば、第1の信号機A1および第2の信号機A2について、第1の存在確率P1および第2の存在確率P2が50%の値で初期化される。この第1の時間ステップでは、車両Fは依然として交差点から比較的遠く離れている。車両Fの環境センサによって提供されるセンサデータは、第1の信号機A1に対しても第2の信号機A2に対しても検出要素を有しない。第1の時間ステップでは、第1の存在確率P1および第2の存在確率P2が更新される信憑性チェックが実行される。信憑性チェックでは、車両Fの内部統計および位置特定データに基づいて、車両Fの環境センサが第1の信号機A1または第2の信号機A2のいずれかを検出することができない程に、車両Fが交差点から依然としてかなり離れていると判定される。換言すれば、第1の信号機A1および第2の信号機A2は車両Fの環境センサの視野内にない。したがって、センサデータに基づいて、第1の存在確率P1および第2の存在確率P2については、それ以上のステートメントを作成できないと判定される。この点で、第1の存在確率P1は50%のままであり、第2の存在確率P2は50%のままである。少なくとも部分的に自動化された運転車両の制御のために、交差点までの車両Fの十分な距離に基づいて、ノーマル速度での運転を継続することが決定される。この場合の車両の制御モードは、「ノーマルドライブ」である。
図1bは、第2の時間ステップにおける第1のトラフィック状況V1を示す。少なくとも部分的に自動化された車両Fは、第1の時間ステップよりも交差点に近い。第2の時間ステップでは、第1の存在確率P1および第2の存在確率P2が更新される、信憑性チェックが実行される。信憑性チェックでは、車両Fの内部統計および位置特定データに基づいて、車両Fの環境センサが第1の信号機A1および第2の信号機A2の両方を検出することができるべき交差点に車両Fがすでに十分に近接していると判定される。換言すれば、第1の信号機A1および第2の信号機A2は車両Fの環境センサの視界範囲内にある。これにより、センサデータに基づいて、第1の存在確率P1および第2の存在確率P2についてのステートメントを作成できると判定される。第1の信号機A1は規定されたように、もはや存在しないので、車両Fの環境センサはまた、マップデータから予期される位置におけるいかなる要素も検出しない。対照的に、第2の信号機A2はまだマップデータから予想される位置にある。この点において、第1の存在確率P1は50%から35%に低減され、第2の存在確率P2は50%から70%に増大される。少なくとも部分的に自動化された運転車両の制御のために、第1の存在確率P1および第2の存在確率P2に基づいて、車両Fをわずかに減速させることが決定され、その結果、特に第1の信号機A1についてさらなるステートメントを作成できるように、環境を測定するためのより多くの時間が存在する。車両Fの制御モードは、「ノーマルドライブ」から「予防安全」に変更される。
この場合、信憑性チェックでは、センサデータとマップデータとの間の第1の信号機A1の差異が検出された。第1の信号機A1が車両Fの環境センサによっても検出された場合、第1の存在確率P1は50%から70%に増加され、車両Fの制御モードは「ノーマルドライブ」で変化しないままであった。
図1cは、第3の時間ステップにおける第1のトラフィック状況V1を示す。少なくとも部分的に自動化された車両Fは、第2の時間ステップよりも交差点に近い。第3の時間ステップでは、第1の存在確率P1および第2の存在確率P2が更新される、信憑性チェックが実行される。信憑性チェックでは、車両Fの内部統計および位置特定データに基づいて、車両Fの環境センサが第1の信号機A1および第2の信号機A2の両方を検出することができるべき交差点に車両Fが依然として十分に近いと判定される。換言すれば、第1の信号機A1および第2の信号機A2は車両Fの環境センサの視界範囲内にある。したがって、センサデータに基づいて、第1の存在確率P1および第2の存在確率P2についてのステートメントを作成できると判定される。規定されたように、第1の信号機A1は、もはや存在しないので、車両Fの環境センサは、マップデータから予想される位置に要素を検出し続けない。対照的に、第2の信号機A2はまだマップデータから予想される位置にある。この点において、第1の存在確率P1は35%から5%に低減され、第2の存在確率P2は70%から99%に増大される。第1の存在確率P1および第2の存在確率P2に基づいて、第1の信号機A1が存在しないことによって起こり得る危機的状況が生じた可能性が高いので、少なくとも部分的に自動化された車両の制御が、交差点の前に車両Fを安全停止させるように決定される。ここで、車両Fの制御モードは、「予防安全」から「安全停止」に変更される。この状況では、車両Fの遠隔操作が監視センタから要求され、それによって、車両Fのトラフィック状況が手動で解決される。さらに、マップデータの更新または交差点の更新された測定が開始される。
図2は、以下のステップを含むマップ検証方法を示す。第1のステップS10において、少なくとも1つの検出された要素を示す車両のセンサデータが受信され、少なくとも1つの検出された要素は車両の環境センサによって検出された車両の環境要素を表す。第2のステップS20において、少なくとも1つのマップ要素を有するマップを示すマップデータが受信され、少なくとも1つのマップ要素は所定のマップ上にプロットされた車両の環境要素を表す。第3のステップS30において、位置特定データが受信されたセンサデータから決定され、位置特定データは、マップ上の車両の位置を示す。第4のステップS40において、データ不確実性が決定され、データ不確実性は、センサデータ不確実性、マップデータ不確実性、および/または位置特定データ不確実性を含む。第5のステップS50において、少なくとも1つのマップ要素の存在確率が初期化される。第6のステップS60において、少なくとも1つのマップ要素の存在確率が、マップデータ、センサデータ、位置特定データ、およびデータ不確実性を使用して更新される。
図3aは、第1の時間ステップにおける第2のトラフィック状況V2を示す。
少なくとも部分的に自動化された運転車両Fは、交差点の近くに配置される。高精度(HD)マップのマップデータから、3つのマップ要素、すなわち、第3の信号機A3、第4の信号機A4、および第5の信号機A5が見られる。この場合、第3の信号機A3、第4の信号機A4および第5の信号機A5は、実際には依然として存在している。この点において、マップデータは現実のものである。
しかしながら、第3の信号機A3に割り当てることができる第3の検出要素S3と、第4の信号機A4に割り当てることができる第4の検出要素S4とが、センサデータから生じる。
マップ検証方法によれば、第3の信号機A3、第4の信号機A4および第5の信号機A5について、第3の存在確率P3、第4の存在確率P4および第5の存在確率P5が50%の値で初期化される。第1の時間ステップでは、第3の存在確率P3、第4の存在確率P4、および第5の存在確率P5が更新される、信憑性チェックが実行される。信憑性チェックでは、車両Fの内部統計および位置特定データに基づいて、車両Fの環境センサが第3の信号機A3、第4の信号機A4、および第5の信号機A5を検出することができるべき交差点に車両Fが十分に近いと判定される。しかしながら、車両Fからのセンサデータはまた、車両Fの環境センサと第5の信号機A5との間の見通し線内にある車両Fの近傍にトラックL、LKWが存在することを明らかにする。換言すれば、第3の信号機A3および第4の信号機A4は車両Fの環境センサの視野内にあり、第5の信号機A5は車両Fの環境センサの視野内にない。したがって、第5の存在確率P5についてはそれ以上のステートメントを作成できないと判断されるが、第3の存在確率P3および第4の存在確率P4についてはステートメントを作成できる。この点に関して、第1の時間ステップでは、第5の存在確率P5は50%のままであり、第3の存在確率P3および第4の存在確率P4は50%から77.1%に増加される。
図3bは、第2の時間ステップにおける第2のトラフィック状況V2を示す。
さらに、センサデータから、第3の信号機A3に割り当てることができる第3の検出要素S3と、第4の信号機A4に割り当てることができる第4の検出要素S4とのみが存在する。
第2の時間ステップでは、第3の存在確率P3、第4の存在確率P4、および第5の存在確率P5が更新される、信憑性チェックが実行される。信憑性チェックでは、車両Fの内部統計および位置特定データに基づいて、車両Fが車両Fの環境センサが第3の信号機A3、第4の信号機A4、および第5の信号機A5を検出することができるべき交差点にまだ十分に近いと判定される。しかしながら、車両Fのセンサデータは、車両Fの環境センサと第5の信号機A5との間の視野内にある車両Fの近傍にトラックL、LKWがあることを明らかにし続ける。換言すれば、第3の信号機A3および第4の信号機A4は車両Fの環境センサの視野内にあり、第5の信号機A5は車両Fの環境センサの視野内にない。したがって、第5の存在確率P5についてはそれ以上のステートメントを作成できないと判断されるが、第3の存在確率P3および第4の存在確率P4についてはステートメントを作成できる。この点に関して、第2の時間ステップでは、第5の存在確率P5は50%のままであり、第3の存在確率P3および第4の存在確率P4はそれぞれ77.1%から99.5%に増加される。
図3cは、第3の時間ステップにおける第2のトラフィック状況V2を示す。
ここで、センサデータは、第3の信号機A3に割り当てることができる第3の検出要素S3と、第4の信号機A4に割り当てることができる第4の検出要素S4と、第5の信号機A5に割り当てることができる第5の検出要素S5とをもたらす。
第3の時間ステップでは、第3の存在確率P3、第4の存在確率P4、および第5の存在確率P5が更新される、信憑性チェックが実行される。信憑性チェックでは、車両Fの内部統計および位置特定データに基づいて、車両Fが車両Fの環境センサが第3の信号機A3、第4の信号機A4、および第5の信号機A5を検出することができる程交差点に依然として十分に近いと判定される。また、車両Fのセンサデータは、車両Fの近傍にあるトラックLが車両Fの環境センサと第5の信号機A5との間の視野内にもはや存在しないことも明らかにしている。すなわち、第3の信号機A3、第4の信号機A4および第5の信号機は車両Fの環境センサの視界範囲内にある。これにより、第5の存在確率P5、第3の存在確率P3および第4の存在確率P4についてのステートメントを作成できると判定される。この点に関して、第3の時間ステップでは、第5の存在確率P5が50%から69.5%に増加し、第3の存在確率P3および第4の存在確率P4が99.5%から100%に増加される。
図4は、オブジェクトマッピングユニット11およびオブジェクト融合ユニット12を備えるマップ検証システム10を示す。マップ検証システム10は、センサシステム20、位置特定システム30、およびマップシステム40への入力として結合される。さらに、マップ検証システム10は、出力として行動計画システム50に結合される。
センサシステム20は、センサデータDsを提供する。マップシステム40は、マップデータDkを提供する。位置特定システム30は、センサデータDsおよびマップデータDkから位置特定データDlを決定する。センサデータDs、マップデータDk、および位置特定データDlは、マップ検証システム10、特にオブジェクトマッピングユニット11に提供される。
オブジェクトマッピングユニット11はセンサタイプに特有であり、各センサについて1回初期化される。オブジェクトマッピングユニット11はマップ要素をそれぞれのセンサ空間上に、例えば、カメラ座標系に投影するように構成され、例えば、これらのマップ要素への視線を潜在的にブロックするスチクセルに基づいて、センサ空間内のマップ要素の可視性を推定するように構成される。オブジェクトマッピングユニット11は例えば、マーティのアルゴリズムを使用して、センサデータの確率的定式化およびランク付けされた割り当てアルゴリズムを使用して、k個の最良の関連付けを計算するようにさらに構成される。オブジェクトの割り当ては実際のマップの信憑性チェックからアウトソーシングされる。これはマップに固有のものではなく、その結果は位置特定などの他のモジュールで使用できるためである。したがって、オブジェクトマッピングユニット11はマップ要素をセンサ空間内に、または言い換えればセンサ座標系内に投影し、マップ要素の可視性を特に推定し、センサデータ、すなわちセンサ測定値を割り当ててセンサ空間内のマップ要素を描写するように構成される。
オブジェクト融合ユニット12はマップ要素の存在確率を更新し、任意選択で、マップ要素の位置も更新するように構成される。さらに、オブジェクト融合ユニット12はセンサデータ、すなわち、任意の既存のマップ要素に割り当てられていないセンサ測定値を識別し、したがって、潜在的に新しいマップ要素を識別するように構成される。オブジェクト融合ユニット12は、アルゴリズム的/確率的仮定の正確さをチェックする、すなわち存在確率の有効性をチェックするように構成される。
その結果、マップ検証システム10はマップ要素に、存在確率P、未割り当て測定値Mu、および妥当性チェック結果Vを、行動計画システム50に提供する。その結果、行動計画システム50は、提供されたデータに基づいて、少なくとも部分的に自動化された運転車両の行動を制御する。
Claims (15)
- マップ検証方法であって、
少なくとも半自律型ロボット(F)の環境センサによって検出されたものとして少なくとも半自律型ロボット(F)の環境要素を表すものである、少なくとも1つの検出要素(S3、S4、S5)を描写するための少なくとも半自律型ロボット(F)のセンサデータを受信するステップ(S10)と、
所定のマップ上にプロットされたものとして、少なくとも半自律型ロボット(F)の環境要素を表すものである、少なくとも1つのマップ要素(A3、A4、A5)を有するマップを描写するマップデータ(Dk)を受信するステップ(S20)と、
マップ上の少なくとも半自律型ロボット(F)の位置を示す位置特定データ(Dl)を受信するステップ(S30)と、
データ不確実性は、センサデータ不確実性、マップデータ不確実性、および/または位置特定データ不確実性を含む、データ不確実性を決定するステップ(S40)と、
初期値で少なくとも1つのマップ要素(A3、A4、A5)のための存在確率(P)を初期化するステップ(S50)と、
マップデータ(Dk)、センサデータ(Ds)、位置特定データ(Dl)、およびデータ不確実性を使用して、少なくとも1つのマップ要素(A3、A4、A5)の存在確率(P)を更新するステップ(S60)と、
を備える、マップ検証方法。 - 請求項1に記載のマップ検証方法において、少なくとも1つのマップ要素(A3、A4、A5)を環境センサのセンサ空間に投影するステップを備える、マップ検証方法。
- 請求項1又は2に記載のマップ検証方法において、少なくとも1つのマップ要素(A3、A4、A5)を少なくとも1つの検出要素(S3、S4、S5)に割り当てるステップを備える、マップ検証方法。
- 請求項1~3のうちいずれか一項に記載の方法において、前記少なくとも1つのマップ要素(A3、A4、A5)の存在確率(P3、P4、P5)を評価するステップを備え、評価することは、マップ要素を確認すること、マップ要素、潜在的に新しいマップ要素が誤りであることを立証すること、および可能なステートメントを何ら作成しないのうちの1つを含むものであるマップ検証方法。
- 請求項1~4のうちいずれか一項に記載のマップ検証方法において、前記存在確率(P3、P4、P5)を更新するステップは、ランダム有限集合(RFS)アプローチまたはロジットアプローチを含む、マップ検証方法。
- 請求項1~5のうちいずれか一項に記載のマップ検証方法において、前記存在確率(P3、P4、P5)は、50%の初期値で初期化される、マップ検証方法。
- 請求項1~6のうちいずれか一項に記載のマップ検証方法において、前記少なくとも1つのマップ要素(A3、A4、A5)の前記存在確率(P3、P4、P5)を更新するステップは、時間間隔で繰り返される、マップ検証方法。
- 請求項1~7のうちいずれか一項に記載のマップ検証方法において、前記環境センサの視野およびマップ要素(A3、A4、A5)の遮蔽を使用して決定されるものである、マップ要素(A3、A4、A5)の可視性を決定するステップと、
マップ要素(A3,A4,A5)の可視性を用いて、検出確率を決定するステップと、
を備える、マップ検証方法。 - 請求項1~8のうちいずれか一項に記載のマップ検証方法において、前記データ不確実性は、前記マップ要素(A3、A4、A5)の可視性を決定するために使用される、マップ検証方法。
- 請求項1~9のうちいずれか一項に記載のマップ検証方法において、所定の閾値を下回る検出確率を有する前記少なくとも1つのマップ要素(A3、A4、A5)の存在確率(P3、P4、P5)は更新されない、マップ検証方法。
- 請求項1~10のうちいずれか一項に記載のマップ検証方法において、前記存在確率(P3、P4、P5)の妥当性を検証するステップを備える、マップ検証方法。
- 請求項11に記載のマップ検証方法において、前記少なくとも半自律型ロボット(F)の異なるセンサからのセンサデータ(Ds)が、前記存在確率(P3、P4、P5)の妥当性を検証するために互いに比較される、マップ検証方法。
- 請求項1~12のうちいずれか一項に記載の方法を実行するように構成されたマップ検証システム(10)。
- 少なくとも半自律型ロボットを制御するための方法であって、
少なくとも1つのマップ要素の存在確率を決定するための、請求項1~12のいずれか一項に記載のマップ検証方法を実行するステップと、
少なくとも1つのマップ要素(A3、A4、A5)のセンサデータ(Ds)、マップデータ(Dk)、位置特定データ(Dl)、および存在確率(P3、P4、P5)の使用によりロボット軌道を決定するステップと、
決定されたロボット軌道に基づいて少なくとも半自律型ロボットを制御するステップと、
を備える、方法。 - 請求項14に記載の方法において、
少なくとも1つのマップ要素(A3、A4、A5)のセンサデータ(Ds)、マップデータ(Dk)、位置特定データ(Dl)、および存在確率(P3、P4、P5)の使用により制御モードを決定するステップと、
決定された制御モードに基づいて少なくとも半自律型ロボットを制御するステップと、
を備える、方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020125448.2A DE102020125448A1 (de) | 2020-09-29 | 2020-09-29 | Kartenplausibilitätsprüfungsverfahren |
DE102020125448.2 | 2020-09-29 | ||
PCT/EP2021/066299 WO2022069088A1 (de) | 2020-09-29 | 2021-06-16 | Kartenplausibilitätsprüfungsverfahren |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023544030A true JP2023544030A (ja) | 2023-10-19 |
Family
ID=76730507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023519705A Pending JP2023544030A (ja) | 2020-09-29 | 2021-06-16 | マップ検証方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230304827A1 (ja) |
EP (1) | EP4222451A1 (ja) |
JP (1) | JP2023544030A (ja) |
KR (1) | KR20230095951A (ja) |
CN (1) | CN116490747A (ja) |
DE (1) | DE102020125448A1 (ja) |
WO (1) | WO2022069088A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022212249A1 (de) | 2022-11-17 | 2024-05-23 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Lokalisierung eines vernetzten Kraftfahrzeugs |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016215249B4 (de) | 2016-08-16 | 2022-03-31 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Unterstützen eines Fahrerassistenzsystems in einem Kraftfahrzeug |
DE102017200072A1 (de) | 2017-01-04 | 2018-07-05 | Robert Bosch Gmbh | Verfahren zum Validieren einer digitalen Karte für ein Fahrzeug |
DE102018204501B3 (de) * | 2018-03-23 | 2019-07-04 | Continental Automotive Gmbh | System zur Erzeugung von Konfidenzwerten im Backend |
DE102019102919A1 (de) | 2019-02-06 | 2020-08-06 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zum Betreiben eines Fahrzeuges |
-
2020
- 2020-09-29 DE DE102020125448.2A patent/DE102020125448A1/de active Pending
-
2021
- 2021-06-16 JP JP2023519705A patent/JP2023544030A/ja active Pending
- 2021-06-16 US US18/028,656 patent/US20230304827A1/en active Pending
- 2021-06-16 EP EP21736530.3A patent/EP4222451A1/de active Pending
- 2021-06-16 WO PCT/EP2021/066299 patent/WO2022069088A1/de active Application Filing
- 2021-06-16 CN CN202180066309.9A patent/CN116490747A/zh active Pending
- 2021-06-16 KR KR1020237013576A patent/KR20230095951A/ko active Search and Examination
Also Published As
Publication number | Publication date |
---|---|
DE102020125448A1 (de) | 2022-03-31 |
EP4222451A1 (de) | 2023-08-09 |
CN116490747A (zh) | 2023-07-25 |
KR20230095951A (ko) | 2023-06-29 |
WO2022069088A1 (de) | 2022-04-07 |
US20230304827A1 (en) | 2023-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9127956B2 (en) | Technique for lane assignment in a vehicle | |
US20230054914A1 (en) | Vehicle localization | |
US10773719B2 (en) | Determining arrangement information for a vehicle | |
CN108291813B (zh) | 借助姿态图的位置数据融合 | |
US8055445B2 (en) | Probabilistic lane assignment method | |
CN105466438A (zh) | 防撞车辆中的传感器测距和应用 | |
US10989555B2 (en) | System and method for automated semantic map generation | |
JP6492469B2 (ja) | 自車走行レーン推定装置及びプログラム | |
CN110608746B (zh) | 用于确定机动车的位置的方法和装置 | |
CN113330279A (zh) | 用于确定车辆的位置的方法和系统 | |
KR102168288B1 (ko) | 다중 라이다를 이용한 다중 물체 추적 시스템 및 방법 | |
CN113330454A (zh) | 用于自动化和自主车辆的多传感器数据融合的方法和装置 | |
CN112394725B (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
CN111226135B (zh) | 用于确定多个传感器中的传感器的阻挡的方法和系统 | |
US20230228593A1 (en) | Method, device and system for perceiving multi-site roadbed network and terminal | |
CN110637209B (zh) | 估计机动车的姿势的方法、设备和具有指令的计算机可读存储介质 | |
CN109737971A (zh) | 车载辅助导航定位系统、方法、设备及存储介质 | |
CN107480592B (zh) | 一种多车道检测方法及跟踪方法 | |
JP2023544030A (ja) | マップ検証方法 | |
CN111103584A (zh) | 用于获知车辆的环境中的物体的高度信息的设备和方法 | |
CN111881245B (zh) | 能见度动态地图的产生方法、装置、设备及存储介质 | |
Matthaei et al. | Robust grid-based road detection for ADAS and autonomous vehicles in urban environments | |
Rohde et al. | Model-based derivation of perception accuracy requirements for vehicle localization in urban environments | |
US20230236021A1 (en) | Information processing device | |
CN115236672A (zh) | 障碍物信息生成方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20230511 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20230511 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240312 |