WO2009101030A1 - Verfahren zur rechnergestützten berechnung der bewegung eines objekts aus sensordaten - Google Patents

Verfahren zur rechnergestützten berechnung der bewegung eines objekts aus sensordaten Download PDF

Info

Publication number
WO2009101030A1
WO2009101030A1 PCT/EP2009/051360 EP2009051360W WO2009101030A1 WO 2009101030 A1 WO2009101030 A1 WO 2009101030A1 EP 2009051360 W EP2009051360 W EP 2009051360W WO 2009101030 A1 WO2009101030 A1 WO 2009101030A1
Authority
WO
WIPO (PCT)
Prior art keywords
transformation
measuring
points
point
data
Prior art date
Application number
PCT/EP2009/051360
Other languages
English (en)
French (fr)
Inventor
Wendelin Feiten
Michael Fiegert
Original Assignee
Siemens Aktiengesellschaft
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 Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to CN200980104077.0A priority Critical patent/CN101939666B/zh
Priority to US12/866,755 priority patent/US8798957B2/en
Priority to JP2010546295A priority patent/JP5210396B2/ja
Publication of WO2009101030A1 publication Critical patent/WO2009101030A1/de

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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
    • 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

Definitions

  • the invention relates to a method for computer-aided calculation of the movement of an object from sensor data as well as a corresponding device and a corresponding computer program product.
  • the invention relates to the technical field of determining the self-motion of mobile objects, such as e.g. Vehicles, aircraft, robots and the like.
  • mobile objects such as e.g. Vehicles, aircraft, robots and the like.
  • the position and orientation of the object in space e.g. in a two-dimensional plane of motion, is determined.
  • measuring sensors located on the object for example laser scanners, are used. These sensors detect the environment of the object and thereby generate a set of measuring points, which result, for example, from the transit time of laser radiation reflected from objects of the environment of a laser scanner.
  • laser scanners are used for position determination, they are usually mounted so that they circle a light beam parallel to the ground and measure the distance to the next reflecting point. In this way one obtains a series of two-dimensional measuring points in the coordinates of the autonomous object, this sequence being also referred to as a scan.
  • a scan In order to determine the proper motion of the object from these data, it is known from the prior art to compare a scan made at an earlier time with a current scan. In this case, a transformation is sought, which maps these two scans as well as possible.
  • the known methods can be divided essentially into two groups.
  • the first group of methods extracts structural elements, in particular lines, from the measurement point quantities and searches for a transformation which maps these structural elements as well as possible to one another.
  • the second group processes raw data in the form of the acquired measurement points.
  • the first group works accurately and reliably in structured environments, e.g. in interior spaces.
  • the second group is more universally applicable, but inaccurate and computationally expensive.
  • Both classes of methods work poorly if the environment is only partially structured, for example, if only a single wall can be extracted. In this case, a method according to the first group can not extract a displacement of the object parallel to the wall, while a method of the second group tends to cling to randomly, but incorrectly assigned measuring point pairs of the compared measuring point sets.
  • the object of the invention is to provide a method for computer-aided calculation of the movement of an object from sensor data, which simply and reliably determines the proper motion of the object.
  • sensor data of a sensor located on an object are processed, wherein the Sensor data recorded at different times measuring points quantities of measuring points of the environment of the object and wherein the object movement between a first, at a first time detected data amount and a second, at a second time detected data amount is determined.
  • a) structural elements of one or more structure types are extracted from the first measurement point set, whereby a first data set is obtained.
  • structure elements are extracted from the second measurement point set, whereby a second data set is obtained.
  • the first and second data sets each contain the extracted structure elements and unassignable measurement points which can not be assigned to a structure element.
  • a step b) the structure elements of the same structure type of the second data set are then associated with the corresponding structure elements of the first data set. If associations are found, based on the associations, a transformation sequence (which may possibly comprise only a single transformation or, if there is no association, a zero transformation without positional change) is performed to map the structure elements of the second data set to the structure elements of the first dataset third amount of data is received.
  • a transformation sequence (which may possibly comprise only a single transformation or, if there is no association, a zero transformation without positional change) is performed to map the structure elements of the second data set to the structure elements of the first dataset third amount of data is received.
  • the structure elements of the third data set are associated with the unassignable measurement points of the first data set. If associations are found, based on the associations, a second transformation sequence (which may possibly contain only a single transformation or, in the case of non-existent associations, a zero transformation without positional change) for mapping the structure elements of the third dataset to the unassignable measurement points of the first data set, whereby a fourth amount of data is obtained.
  • a second transformation sequence which may possibly contain only a single transformation or, in the case of non-existent associations, a zero transformation without positional change
  • the method according to the invention is characterized in that both structural information in the form of structural elements and non-assignable measuring points are suitably processed in the method.
  • the method thus combines the advantages of the two methods described above of the first and second group, wherein first sought after matches of extracted structural elements and then the resulting transformation is refined by the comparison of unassignable measuring points with structural elements. In this way, a method is provided which can easily and with little or no misassociation determine the proper motion of an object by comparing two detected measurement point sets.
  • the extracted structural elements are at least of the type line.
  • step b) of the method first the structure elements of the type line are extracted, wherein methods known for extraction can be used, which are described for example in document [1].
  • the extracted structural elements also comprise further structural types, in particular the structural type circular segment.
  • further structure types achieves a more precise association between structural elements and thus a more accurate mapping of the data sets onto one another.
  • step a) firstly connected components comprising mutually following measuring points are determined, whereby adjacent measuring points belonging to a connected component do not exceed a maximum dot pitch. It is particularly simple and efficient to extract a structural element of the structural type circular segment from a connected component as follows:
  • a circle is calculated, on which the edge measuring points lying at the respective ends of the connected component and a measuring point between the edge measuring points of the connected component, in particular substantially in the middle between the edge measuring points, are arranged. If the minimum distance of each connected point to the circle is less than a predetermined threshold, the points of the connected component are assigned to the calculated circle, and otherwise the connected component at the largest minimum distance connected component measurement point is split into two connected components.
  • the measurement noise of the sensor is taken into account in steps b) and c) by means of suitable statistical methods, whereby the accuracy of the determination of the intrinsic movement of the object is increased.
  • this measurement noise flows in the form of a covariance matrix and the corresponding Mahalanobis distance, these variables being well known to the person skilled in the art.
  • the first transformation sequence of step b) is determined in particular by an iteration as follows: In a step bi), for a set of structural element pairs which each comprise a structural element of a transformed second data set and a structural element of the first data set, the Mahalanobis distances of the transformations, which depend on a current covariate matrix, are calculated, each of which contains the structural elements of a Structure pair of elements map to each other, taking into account the Mahalanobis distances a Strukturelement- pair is selected and a transformation for mapping the structural elements of the selected Strukturelement-pair is performed on each other, whereby a new transformed second data set is obtained.
  • step b.ii at least the selected structural element pair is deleted from the set of structural element pairs, the covariance is updated, and step b.i) is returned.
  • transformations with small Mahalanobis distances and / or transformations between long features and / or clusters of transformations are preferred in the selection of the transformations in step b.i).
  • step b.i) is estimated in a preferred embodiment of the invention, in particular based on the Kalman filter.
  • the updating of the covariance matrix in step b.ii) also takes place particularly efficiently by the use of the Kalman filter, whereby the Kalman filter update formula is used to re-estimate the covariance matrix.
  • step b.ii) also those structural element pairs are deleted from the set of structural elements, whose structural elements are mapped to one another by a transformation, of which the updated covariance matrix-dependent Mahalanobis distance is greater than a predetermined threshold.
  • the transformed second data amount corresponds to the second data set obtained in step a) and the set of structural element pairs includes all possible pairs which comprise a structural element of the first data set and include the second data amount, or a preselection of
  • Structural element pairs wherein the preselection comprises structural element pairs whose structural elements are mapped to one another by a transformation whose Mahalanobis distance, which is dependent on an initial covariance matrix, is less than or equal to a predefined threshold value.
  • the initial covariance matrix is determined based on the measurement noise of an odometric measurement or on a motion model.
  • the second transformation sequence of step c) is determined by an iteration as follows:
  • a step ci) the covariance matrix-dependent Mahalanobis distances of the transformations are calculated for a set of structural element measurement point pairs, which each comprise a structural element of a transformed third data set and an unidentifiable measurement point of the first data set each image the structural element to the unassignable measuring point of a structural element-measuring point pair, and taking into account the Mahalanobis distances, a structural element measuring point pair is selected and a transformation of the structural element is performed on the measuring point of the selected structural element-measuring point pair a new transformed third dataset is obtained.
  • at least the selected structure element measuring point pair is deleted from the set of structure element measuring point pairs, the covariance matrix is updated and the method returns to step ci).
  • step c.i in selecting the transformations in step c.i), transformations with small Mahalanobis distances and / or clusters of similar transformations are preferred.
  • the transformation performed in step c.i) is estimated in a preferred embodiment of the invention, in particular based on the Kalman filter.
  • the updating of the covariance matrix can again be carried out with the aid of the Kalman filter.
  • step c.ii) structural element measuring point pairs in which the structural element is mapped to an unidentifiable measuring point by a transformation whose Mahalanobis distance dependent on the updated covariance matrix becomes greater than a predefined threshold value, also deleted from the set of feature-point pairs.
  • the transformed third data set corresponds to the third data set obtained in step b) and the set of structure element measuring point pairs includes all possible pairs which comprise a structural element of the third data set and comprise an unassignable measuring point of the first data set, or a preselection of structural element measuring point pairs, wherein the preselection comprises structural element measuring point pairs in which the structural element is mapped to an unassignable measuring point by a transformation whose dependence depends on the current covariance matrix. Mahalanobis distance is less than or equal to a predetermined threshold.
  • the method according to the invention further comprises, after the implementation of step c), also a search for associations of still remaining unassignable measuring points, whereby an even more precise determination of the mapping of the data sets onto one another is achieved.
  • the remaining unassignable measurement points are contained in the fourth data set defined above and these measurement points are associated with the unassignable measurement points of the first data set, provided that suitable associations are found.
  • a third transformation sequence (which may possibly comprise only a single transformation or, in the case of non-existent associations, a zero transformation without positional change) is then used to map the unassignable measurement points of the fourth data set to the unassignable measurement points of the first data set Amount of data is obtained, wherein the movement of the object between the first and second time is determined based on the first and second and third transformation sequence.
  • a step i) for a set of measurement point pairs, each comprising an unadjustable measurement point of a transformed fifth data set and an unassignable measurement point of the first data set, the covariate matrix-dependent Mahalanobis distances of the transformations are calculated that the unassignable measurement points of a pair of measuring points, and taking into account the Mahalanobis distances, a pair of measuring points is selected and a transformation for mapping the measuring points of the selected pair of measurement points, thereby obtaining a new transformed fifth data set.
  • step ii) at least the selected measuring point pair is deleted from the set of measuring point pairs, the coefficient matrix is updated and the method returns to step i).
  • transformations in step i) above preferably, transformations with small Mahalanobis distances and / or clusters of similar transformations are preferred.
  • the measurement noise of the sensor is again preferably taken into account by means of statistical methods.
  • the transformation performed in step i) is estimated in a preferred embodiment of the invention, in particular based on the Kalman filter.
  • the updating of the covariance matrix is again preferably carried out with the Kalman filter.
  • sensor data in the form of laser scans are processed, which were recorded with a laser scanner on the object.
  • a preferred field of application of the method according to the invention is the determination of the movement of a robot and / or a crane and / or a vehicle, in particular for the autonomous navigation of such objects.
  • the invention further comprises a device for computer-aided calculation of the movement of an object from sensor data of a sensor located on the object, wherein the sensor data at different times comprise measured-point quantities of measuring points in the environment of the object, the device comprising a means for Determining the movement of the object between a first measuring point quantity acquired at a first point in time and a second measuring point detected at a second point in time point amount has.
  • This means is designed such that during operation of the device, the above-described inventive method is performed.
  • the invention further relates to a computer program product having a program code stored on a machine-readable carrier for carrying out the inventive method described above, when the program runs on a computer.
  • Fig. 1 is a schematic representation which the
  • Fig. 2 is a schematic representation which the
  • FIGS. 3 to 7 are schematic diagrams showing the
  • sensor data in the form of two-dimensional points are considered, which were recorded with a laser scanner as so-called laser scans.
  • the individual points in the scans result from the reflections of the selected
  • the laser beam moves on the objects in the vicinity of the object on which the laser scanner is arranged.
  • the aim of the method described below is to determine the intrinsic movement of the object by virtue of the fact that laser scans determined at different points in time are transformed one on the other, thereby determining the movement of the object between these points in time.
  • structural elements in the form of lines and circles are determined from the individual measuring points of the respective scan.
  • firstly connected components in the form of point sequences are determined, and then corresponding structural elements are determined from the connected components.
  • the method of the invention is characterized in that during the transformation of two scans onto each other not only the extracted structural elements but also non-assignable measuring points, ie measuring points to which no structural element can be assigned, are processed.
  • hybrid scans are processed comprising structural elements and measuring points, wherein the elements in such a hybrid scan in the embodiment described here are characterized by the set of points P, the lines L and the circles C.
  • FIG. 1 illustrates a corresponding algorithm for dividing the scan into contiguous pieces on the basis of measuring points which are arranged along a wall W.
  • Measuring points are characterized by a maximum point distance such that measuring points belong to a connected component only if their distance is less than or equal to the maximum point distance.
  • the maximum point distance between two points 1 and 2 on the wall W is denoted by amax in FIG.
  • the sensor system S with the axes x and y detects the points 1 and 2 via the adjacent beams Bl and B2.
  • the distance a of adjacent measuring points on the wall W results, according to the sine theorem, from the ⁇ angular distance - between the left-hand beam B1 and the right-hand
  • the angle ⁇ between the center beam B3 and the wall W is chosen as a parameter and as a result an upper limit value amax of the distance between adjacent points on the wall is obtained for each adjacent pair of points.
  • the distance amax is then used to extract coherent components based on the following procedure:
  • the first measurement point of the scan is placed in the first, current connected component.
  • the current connected component is then extended by the next point, if the distance between the last point of the cou- component and the next point is less than or equal to the maximum distance amax. However, if the next point has a distance greater than the maximum distance amax to the last point, the next point is assigned to a new, then current connected component. Unassigned measurement points remain in the scan and are not discarded. Context components that contain fewer than a minimal number of individual points are deleted again and re-sorted into the scan as non-assignable measurement points.
  • Fig. 2 shows in the upper part of a connected component of measuring points Pl, P2, ..., P12.
  • a decomposition of the respective connected components takes place in circles, wherein in the case that a considered connected component becomes too short, ie if its number of points is below a threshold value, the measuring points of this component be sorted back into the scan again.
  • the boundary points Pl and P12 as well as a middle point P8 of the connected component are considered. From these three punk It is clearly possible to determine a circle whose circumference runs through all three points. This determination is made by connecting the boundary points P1 and P12 respectively to the middle point P8 over a straight line and determining the mid perpendiculars of the respective straight lines, wherein the intersection of the mid perpendiculars is the center of the circle.
  • p x and Py denote the x- and y-coordinates of the respective point of the connected component. If now all the distances of the points of the connected component are below a predetermined threshold, the segment is classified as a circle segment.
  • the individual distances d (p, c, r) are indicated as vertical connecting lines between the points and the circular line, in which example the distance between the point P6 and the circular line exceed the predetermined threshold, which indicated that the point P6 is rendered filled black.
  • the connected component can thus not be classified as a circle, and therefore, in a next step, the associated component is split at the point of maximum distance, ie in FIG. 2 at point P6. This is indicated in the lower part of FIG. 2, wherein there are now two connected components.
  • the first connected component consists of the points Pl to P6 and the second connected component from the points P6 to P12.
  • Z is the set of points of the connected component.
  • optimization methods known from the prior art such as the Newton method, the Quasi-Newton method or conjugate gradients for finding the minimum.
  • Fig. 3 shows a first scan, also referred to as a reference scan, indicated by dots in the form of crosses, some of the dots being referenced Ml to M5. Further, a second scan is indicated, which is indicated by dots in the form of circles, some of the points with reference numerals Ml 'to M5' are provided. The goal now is to determine a transformation by which the points of the second scan are mapped to the reference scan. The mapping of the scans on each other takes place taking into account the measuring noise of the
  • the determination of the transformation which maps the two scans onto one another takes place stepwise by determining individual transformations of a transformation sequence, the measurement noise being taken into account in the form of the motion covariance matrix of the individual transformations of the transformation sequence.
  • a transformation is described here by a vector which contains the translation according to the transformation as x and y component and the rotation of the transformation in the form of an angle ⁇ as a further component.
  • the covariance matrix can be determined, whereby the components of the transformation are considered to be random variables and each entry of the covariance matrix the Covariances of the corresponding entries describes.
  • the covariance is defined as the expected value from the product of the difference between a first random variable and its expected value and the difference between a second random variable and its expected value.
  • the measuring noise of the sensor based on the covariances is taken into account in the embodiment described here based on the known Mahalanobis distance, which will be explained in more detail below.
  • Fig. 3 to Fig. 7 the position of the sensor system as the origin of the two axes Al and A2 is reproduced.
  • the current movement covariance or the corresponding Mahalanobis distance is indicated by circles or ellipses. This reflects the likelihood of movement based on measurement noise. In the case of an ellipse, therefore, a movement in the direction of the semi-minor axis is less likely than in the direction of the large semiaxis. For a circle, all directions of movement are equally likely.
  • an initial covariate matrix is predetermined, which is determined, for example, from odometric data, i. from the movement of the wheels of the object on which the scanner is located.
  • each transformation direction is equally probable for the initial covarance matrix, so that the motion covariance is represented as circle C.
  • a line is extracted for each scan, which in the reference scan comprises the scan points M1 and M2 and all points in between and in the second scan the points M1 'and M2' and all points in between.
  • Transformation has a small Mahalanobis distance. Accordingly, the second scan for imaging the lines is moved towards each other, as shown in Fig. 4. After the transformation, an update of the covariance matrix takes place, for which purpose the Kalman filter known from the prior art is used.
  • FIG. 4 also shows the extracted lines L and the non-assignable measuring points M3 to M5 of the reference scan and M3 'to M5' of the second scan.
  • the possible transformations between pairs of points are again considered, and based on the Mahalanobis distance of the transformations, the points M3 and M3 'are associated with each other and mapped by a first transformation, this transformation being shown in FIG is indicated by a corresponding straight line Gl.
  • the covariance matrix is again updated.
  • Transformations of the pairs of points results in a total transformation sequence, which maps the two scans very well, as shown in Fig. 7 can be seen.
  • the covariance matrix is small enough so that the scan match can be considered with sufficient certainty as correct.
  • a scan S ⁇ e ⁇ , ... e n ] from points or structural elements ei to e n , eg a previously recorded reference scan 5 " " , is called fixed and another, in particular the current scan S Q , as mobile.
  • the elements can be points,
  • the lines are first compared in the hybrid scans. If there are no lines in one of the scans, you continue to compare lines with points, or to compare circle segments, if circular segments are included in the hybrid scans.
  • This Mahalanobis distance contains the displacement along the line for a line pair as a parameter.
  • the transformation is determined in the embodiment described here with an estimation method.
  • the estimated transformation represents a special variant of the transformations or transformation sequences which are carried out or executed according to the claims.
  • the estimation method will be explained with an example in which a line V 1 of the current scan is shifted to a line V ⁇ of the reference scan and rotated.
  • the location of the endpoints of the line should not be used to estimate the transformation because it is very uncertain. Therefore, the lines corresponding to the straight lines on which they lie are parameterized by the length and direction of the perpendicular to this line, the so-called Hessian normal form L ⁇ ( ⁇ A
  • Reference [2] describes the derivation of this representation from the scan points belonging to the line. This representation is understood as a “measurement” in the sense of the Kalman mechanism.
  • the covariance of such a line is also determined from the covariance of the scan points. This determination is used later in the determination of the covariances of the reference line ⁇ r and the movable line ⁇ ⁇ .
  • the state to be estimated in the sense of the Kalman filter is the transformation between the current scan and the reference scan.
  • the covariance of the predicate J ikWtio) n consists of the covariance of the line extraction ⁇ a and the previous covariance of the transformation.
  • the covariance ⁇ ⁇ is added from the measurement uncertainty.
  • the new covariance is analogous to the previous case of the covariance of the line, the covariance of the measuring point and the function that maps the pair of measuring point and line on the selected transformation.
  • measuring point pairs are treated analogously to the line pairs or the point-line pairs.
  • the embodiment of the method according to the invention just described has a number of advantages.
  • measurement uncertainties are taken into account statistically in a suitable manner.
  • other descriptions of the uncertainty for example sample-based descriptions, such as on particle filters, can be used.
  • the method can also be designed such that the motion uncertainty is taken into account by weighted measures for the association of structural elements or points.

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur rechnergestützten Berechnung der Bewegung eines Objekts aus Sensordaten eines auf dem Objekt befindlichen Sensors, wobei die Sensordaten zu verschiedenen Zeitpunkten erfasste Messpunktmengen aus Messpunkten der Umgebung des Objekts enthalten und wobei die Objektbewegung zwischen einer ersten, zu einem ersten Zeitpunkt erfassten Messpunktmenge und einer zweiten, zu einem zweiten Zeitpunkt erfassten Messpunktmenge ermittelt wird. Das Verfahren zeichnet sich dadurch aus, dass aus der ersten und zweiten Messpunktmenge zunächst Strukturinformationen in der Form von Strukturelementen, wie z.B. Linien, Kreise und dergleichen, extrahiert werden und zusammen mit den keinem Strukturtyp zuordenbaren Messpunkten gespeichert werden. Anschließend werden Assoziationen zunächst zwischen den Strukturelementen vom gleichen Strukturtyp bestimmt und eine entsprechende Transformation zur Abbildung der Strukturelemente aufeinander ermittelt. Schließlich erfolgt in einem nächsten Schritt eine Assoziation der unzuordenbaren Messpunkte mit Strukturelementen und eine entsprechende Transformation der assoziierten Messpunkte und Strukturelemente aufeinander. Durch das erfindungsgemäße Verfahren wird ein hybrider Scan geschaffen, auf dessen Basis die Eigenbewegung des Objekts bestimmt werden kann. Die Assoziation der Strukturelemente bzw. Messpunkte erfolgt dabei vorzugsweise mittels statistischer Verfahren, bei denen das Messrauschen des Sensors berücksichtigt wird. Das Verfahren eignet sich insbesondere zum Einsatz zur Bestimmung der Eigenbewegung von autonomen mobilen Systemen, wie z.B. Robotern, Fahrzeugen, Krans und dergleichen.

Description

Verfahren zur rechnergestützten Berechnung der Bewegung eines Objekts aus Sensordaten
Die Erfindung betrifft ein Verfahren zur rechnergestützten Berechnung der Bewegung eines Objekts aus Sensordaten sowie eine entsprechende Vorrichtung und ein entsprechendes Computerprogrammprodukt .
Die Erfindung betrifft das technische Gebiet der Ermittlung der Eigenbewegung von mobilen Objekten, wie z.B. Fahrzeugen, Flugzeugen, Robotern und dergleichen. Bei der autonomen Bewegung solcher Objekte ist es erforderlich, dass die Position und Orientierung des Objekts im Raum, z.B. in einer zweidimensionalen Ebene der Bewegung, bestimmt wird. Zur Positionsbestimmung werden auf dem Objekt befindliche Messsensoren, beispielsweise Laserscanner, eingesetzt. Diese Sensoren erfassen die Umgebung des Objekts und erzeugen hierdurch eine Menge von Messpunkten, die sich beispielsweise aus der Laufzeit von an Gegenständen der Umgebung reflektierten Laserstrahlen eines Laserscanners ergeben.
Werden Laserscanner zur Positionsbestimmung verwendet, sind diese meistens so montiert, dass sie parallel zum Boden einen Lichtstrahl kreisen lassen und den Abstand zum nächsten reflektierenden Punkt messen. Auf diese Weise erhält man eine Folge zweidimensionaler Messpunkte in den Koordinaten des autonomen Objekts, wobei diese Folge auch als Scan bezeichnet wird. Um aus diesen Daten die Eigenbewegung des Objekts zu bestimmen, ist es aus dem Stand der Technik bekannt, einen zu einem früheren Zeitpunkt vorgenommenen Scan mit einem aktuellen Scan zu vergleichen. Es wird hierbei eine Transformation gesucht, welche diese beiden Scans möglichst gut aufeinander abbildet . Im Stand der Technik gibt es verschiedene Standardverfahren zur Bestimmung der Eigenbewegung von Objekten basierend auf dem Vergleich von Messpunktmengen zu verschiedenen Zeitpunkten. Ein Überblick über gangige Verfahren findet sich hierbei in der Druckschrift [1] .
Die bekannten Verfahren lassen sich im Wesentlichen in zwei Gruppen einteilen. Die erste Gruppe der Verfahren extrahiert Strukturelemente, insbesondere Linien, aus den Messpunktmen- gen und sucht nach einer Transformation, welche diese Strukturelemente möglichst gut aufeinander abbildet. Die zweite Gruppe verarbeitet Rohdaten in der Form der erfassten Messpunkte. Die erste Gruppe arbeitet genau und zuverlässig in strukturierten Umgebungen, wie z.B. in Innenraumen. Die zwei- te Gruppe ist hingegen universeller einsetzbar, jedoch ungenau und rechenaufwandiger . Beide Verfahrensklassen funktionieren schlecht, wenn die Umgebung nur teilweise strukturiert ist, beispielsweise wenn nur eine einzelne Wand extrahiert werden kann. In diesem Fall kann ein Verfahren gemäß der ers- ten Gruppe eine Verschiebung des Objekts parallel zur Wand nicht extrahieren, wahrend ein Verfahren der zweiten Gruppe dazu neigt, sich an zufallig, jedoch falsch zugeordneten Messpunktpaaren der miteinander verglichenen Messpunktmengen festzuhalten .
Aufgabe der Erfindung ist es, ein Verfahren zur rechnergestutzten Berechnung der Bewegung eines Objekts aus Sensordaten zu schaffen, welches einfach und zuverlässig die Eigenbewegung des Objekts bestimmt.
Diese Aufgabe wird durch die Merkmale des unabhängigen Anspruchs 1, des Anspruchs 26 oder des Anspruchs 27 gelost. Weiterbildungen der Erfindung sind in den abhangigen Ansprüchen definiert.
In dem erfindungsgemaßen Verfahren werden Sensordaten eines auf einem Objekt befindlichen Sensors verarbeitet, wobei die Sensordaten zu verschiedenen Zeitpunkten erfasste Messpunktmengen aus Messpunkten der Umgebung des Objekts enthalten und wobei die Objektbewegung zwischen einer ersten, zu einem ersten Zeitpunkt erfassten Datenmenge und einer zweiten, zu ei- nem zweiten Zeitpunkt erfassten Datenmenge ermittelt wird.
In dem erfindungsgemäßen Verfahren werden in einem ersten Schritt a) Strukturelemente von einem oder mehreren Strukturtypen aus der ersten Messpunktmenge extrahiert, wodurch eine erste Datenmenge erhalten wird. Analog werden aus der zweiten Messpunktmenge Strukturelemente extrahiert, wodurch eine zweite Datenmenge erhalten wird. Die erste und zweite Datenmenge enthalten dabei jeweils die extrahierten Strukturelemente und unzuordenbare Messpunkte, welche keinem Struktur- element zugewiesen werden können.
In einem Schritt b) werden dann die Strukturelemente vom gleichen Strukturtyp der zweiten Datenmenge mit den entsprechenden Strukturelementen der ersten Datenmenge assoziiert. Sofern Assoziationen aufgefunden werden, wird basierend auf den Assoziationen eine Transformationsfolge (welche gegebenenfalls nur eine einzige Transformation oder bei nicht vorhandener Assoziation eine Null-Transformation ohne Lageveränderung umfassen kann) zur Abbildung der Strukturelemente der zweiten Datenmenge auf die Strukturelemente der ersten Datenmenge durchgeführt, wodurch eine dritte Datenmenge erhalten wird.
Anschließend werden in einem Schritt c) die Strukturelemente der dritten Datenmenge mit den unzuordenbaren Messpunkten der ersten Datenmenge assoziiert. Sofern Assoziationen aufgefunden werden, wird basierend auf den Assoziationen eine zweite Transformationsfolge (welche gegebenenfalls nur eine einzige Transformation oder bei nicht vorhandenen Assoziationen eine Null-Transformation ohne Lageveränderung enthalten kann) zur Abbildung der Strukturelemente der dritten Datenmenge auf die unzuordenbaren Messpunkte der ersten Datenmenge durchgeführt, wodurch eine vierte Datenmenge erhalten wird.
Basierend auf zumindest der ersten und zweiten Transformati- onsfolge wird schließlich die Bewegung des Objekts zwischen dem ersten und zweiten Zeitpunkt bestimmt.
Das erfindungsgemaße Verfahren zeichnet sich dadurch aus, dass in dem Verfahren in geeigneter Weise sowohl Strukturin- formationen in der Form von Strukturelementen als auch nicht zuordenbare Messpunkte verarbeitet werden. Das Verfahren vereint somit die Vorteile der beiden eingangs beschriebenen Verfahren der ersten und zweiten Gruppe, wobei zunächst nach Übereinstimmungen von extrahierten Strukturelementen gesucht wird und anschließend die sich daraus ergebende Transformation durch den Vergleich von unzuordenbaren Messpunkten mit Strukturelementen verfeinert wird. Auf diese Weise wird ein Verfahren geschaffen, welches einfach und mit wenigen oder keinen Fehlassoziationen die Eigenbewegung eines Objekts durch den Vergleich von zwei erfassten Messpunktmengen bestimmen kann.
In einer bevorzugten Ausfuhrungsform des erfindungsgemaßen Verfahrens sind die extrahierten Strukturelemente zumindest vom Typ Linie. Vorzugsweise werden im Schritt b) des Verfahrens als erstes die Strukturelemente vom Typ Linie extrahiert, wobei zur Extraktion bekannte Verfahren verwendet werden können, welche beispielsweise in dem Dokument [1] beschrieben sind.
In einer bevorzugten Variante des erfindungsgemaßen Verfahrens umfassen die extrahierten Strukturelemente auch weitere Strukturtypen, insbesondere den Strukturtyp Kreissegment. Durch die Verwendung von weiteren Strukturtypen wird eine ge- nauere Assoziation zwischen Strukturelementen und somit eine genauere Abbildung der Datenmengen aufeinander erreicht. In einer bevorzugten Variante des erfindungsgemäßen Verfahrens werden in Schritt a) zunächst Zusammenhangskomponenten umfassend aufeinander folgende Messpunkte ermittelt, wobei benachbarte, zu einer Zusammenhangskomponente gehörende Mess- punkte einen maximalen Punktabstand nicht überschreiten. Besonders einfach und effizient kann dabei aus einer Zusammenhangskomponente ein Strukturelement vom Strukturtyp Kreissegment wie folgt extrahiert werden:
Zunächst wird ein Kreis berechnet, auf dem die an den jeweiligen Enden der Zusammenhangskomponente liegenden Randmesspunkte sowie ein Messpunkt zwischen den Randmesspunkten der Zusammenhangskomponente, insbesondere im Wesentlichen in der Mitte zwischen den Randmesspunkten, angeordnet sind. Falls der minimale Abstand jedes Messpunkts der Zusammenhangskomponente zum Kreis kleiner als ein vorgegebener Schwellwert ist, werden die Messpunkte der Zusammenhangskomponente dem berechneten Kreis zugeordnet, und ansonsten wird die Zusammenhangskomponente am Messpunkt der Zusammenhangskomponente mit dem größten minimalen Abstand von dem Kreis in zwei Zusammenhangskomponenten aufgeteilt.
Das obige Verfahren liefert durch einfache geometrische Betrachtungen in kurzer Zeit geeignete Kreissegmente, welche als Strukturelemente verarbeitet werden können.
In einer besonders bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird in den Schritten b) und c) mittels geeigneter statistischer Verfahren auch das Messrauschen des Sensors berücksichtigt, wodurch die Genauigkeit der Bestimmung der Eigenbewegung des Objekts erhöht wird. Vorzugsweise fließt dieses Messrauschen in der Form einer Kovarianz- matrix sowie der entsprechenden Mahalanobis-Distanz ein, wobei diese Größen dem Fachmann hinlänglich bekannt sind. Die erste Transformationsfolge des Schritts b) wird dabei insbesondere durch eine Iteration wie folgt bestimmt: In einem Schritt b.i) werden für eine Menge von Strukturelement-Paaren, welche jeweils ein Strukturelement einer transformierten zweiten Datenmenge und ein Strukturelement der ersten Datenmenge umfassen, die von einer momentanen Kovari- anzmatrix abhängigen Mahalanobis-Distanzen der Transformationen berechnet, welche jeweils die Strukturelemente eines Strukturelement-Paars aufeinander abbilden, wobei unter Berücksichtigung der Mahalanobis-Distanzen ein Strukturelement- Paar ausgewählt wird und eine Transformation zur Abbildung der Strukturelemente des ausgewählten Strukturelement-Paars aufeinander ausgeführt wird, wodurch eine neue transformierte zweite Datenmenge erhalten wird.
In einem Schritt b.ii) wird aus der Menge der Strukturele- ment-Paare zumindest das ausgewählte Strukturelement-Paar gestrichen, die Kovarianz wird aktualisiert und es wird zu Schritt b.i) zurückgegangen.
Bei dem obigen iterativen Verfahren werden bei der Auswahl der Transformationen in Schritt b.i) vorzugsweise Transformationen mit kleinen Mahalanobis-Distanzen und/oder Transformationen zwischen langen Strukturelementen und/oder Anhäufungen von Transformationen bevorzugt.
Die in Schritt b.i) durchgeführte Transformation wird in einer bevorzugten Ausführungsform der Erfindung geschätzt, insbesondere basierend auf dem Kaiman-Filter. Die Aktualisierung der Kovarianzmatrix in Schritt b.ii) erfolgt besonders effizient ebenfalls durch die Verwendung des Kaiman-Filters, wo- bei die Kalman-Filter-Update-Formel zur Neuschätzung der Kovarianzmatrix eingesetzt wird.
Vorzugsweise werden in Schritt b.ii) aus der Menge der Strukturelemente auch solche Strukturelement-Paare gestrichen, de- ren Strukturelemente durch eine Transformation aufeinander abgebildet werden, deren von der aktualisierten Kovarianz- matrix abhängige Mahalanobis-Distanz größer als ein vorgegebener Schwellwert ist.
In einer weiteren Ausgestaltung des erfindungsgemäßen Verfah- rens entspricht zu Beginn der Iteration zur Bestimmung der ersten Transformationsfolge die transformierte zweite Datenmenge der in Schritt a) erhaltenen zweiten Datenmenge und die Menge der Strukturelement-Paare beinhaltet alle möglichen Paare, welche ein Strukturelement der ersten Datenmenge und der zweiten Datenmenge umfassen, bzw. eine Vorauswahl von
Strukturelement-Paaren, wobei die Vorauswahl solche Strukturelement-Paare umfasst, deren Strukturelemente durch eine Transformation aufeinander abgebildet werden, deren von einer anfänglichen Kovarianzmatrix abhängige Mahalanobis-Distanz kleiner oder gleich einem vorgegebenen Schwellwert ist. In einer besonders bevorzugten Ausführungsform wird die anfängliche Kovarianzmatrix dabei basierend auf dem Messrauschen einer odometrischen Messung oder aus einem Bewegungsmodell bestimmt .
In einer weiteren Ausgestaltung des erfindungsgemäßen Verfahrens wird die zweite Transformationsfolge des Schritts c) durch eine Iteration wie folgt bestimmt:
In einem Schritt c.i) werden für eine Menge von Strukturelement-Messpunkt-Paaren, welche jeweils ein Strukturelement einer transformierten dritten Datenmenge und einen unzuordenba- ren Messpunkt der ersten Datenmenge umfassen, die von einer Kovarianzmatrix abhängigen Mahalanobis-Distanzen der Trans- formationen berechnet, welche jeweils das Strukturelement auf den unzuordenbaren Messpunkt eines Strukturelement-Messpunkt- Paars abbilden, und unter Berücksichtigung der Mahalanobis- Distanzen wird ein Strukturelement-Messpunkt-Paar ausgewählt und eine Transformation des Strukturelements auf dem Mess- punkt des ausgewählten Strukturelement-Messpunkt-Paars ausgeführt, wodurch eine neue transformierte dritte Datenmenge erhalten wird. In einem Schritt c.ii) wird aus der Menge der Strukturelement-Messpunkt-Paare zumindest das ausgewählte Strukturelement-Messpunkt-Paar gestrichen, die Kovarianzmatrix wird ak- tualisiert und es wird zu Schritt c.i) zurückgegangen.
Vorzugsweise werden in dem obigen iterativen Verfahren bei der Auswahl der Transformationen in Schritt c.i) Transformationen mit kleinen Mahalanobis-Distanzen und/oder Anhäufungen von ähnlichen Transformationen bevorzugt. Die in Schritt c.i) durchgeführte Transformation wird in einer bevorzugten Ausführungsform der Erfindung geschätzt, insbesondere basierend auf dem Kaiman-Filter. Auch die Aktualisierung der Kovarianzmatrix kann wiederum mit Hilfe des Kaiman-Filters durchge- führt werden.
In einer bevorzugten Variante des iterativen Verfahrens werden in Schritt c.ii) Strukturelement-Messpunkt-Paare, bei denen das Strukturelement auf einen unzuordenbaren Messpunkt durch eine Transformation abgebildet wird, deren von der aktualisierten Kovarianzmatrix abhängige Mahalanobis-Distanz größer als ein vorgegebener Schwellwert ist, auch aus der Menge der Strukturelement-Messpunkt-Paare gestrichen.
In einer weiteren Variante des erfindungsgemäßen Verfahrens entspricht zu Beginn der Iteration zur Bestimmung der zweiten Transformationsfolge die transformierte dritte Datenmenge der in Schritt b) erhaltenen dritten Datenmenge und die Menge der Strukturelement-Messpunkt-Paare beinhaltet alle möglichen Paare, welche ein Strukturelement der dritten Datenmenge und einen unzuordenbaren Messpunkt der ersten Datenmenge umfassen, oder eine Vorauswahl von Strukturelement-Messpunkt- Paaren, wobei die Vorauswahl solche Strukturelement- Messpunkt-Paare umfasst, bei denen das Strukturelement auf einen unzuordenbaren Messpunkt durch eine Transformation abgebildet wird, deren von der aktuellen Kovarianzmatrix abhän- gige Mahalanobis-Distanz kleiner oder gleich einem vorgegebenen Schwellwert ist.
Das erfindungsgemäße Verfahren umfasst in einer bevorzugten Variante ferner nach Durchführung des Schritts c) auch eine Suche nach Assoziationen von noch übrigen nicht zuordenbaren Messpunkten, wodurch eine noch präzisere Bestimmung der Abbildung der Datenmengen aufeinander erreicht wird. Die verbleibenden unzuordenbaren Messpunkte sind dabei in der oben definierten vierten Datenmenge enthalten und diese Messpunkte werden mit den unzuordenbaren Messpunkten der ersten Datenmenge assoziiert, sofern geeignete Assoziationen gefunden werden. Basierend auf den Assoziationen wird dann eine dritte Transformationsfolge (welche gegebenenfalls nur eine einzige Transformation oder bei nicht vorhandenen Assoziationen eine Null-Transformation ohne Lageveränderung umfassen kann) zur Abbildung der unzuordenbaren Messpunkte der vierten Datenmenge auf die unzuordenbaren Messpunkte der ersten Datenmenge durchgeführt, wodurch eine fünfte Datenmenge erhal- ten wird, wobei die Bewegung des Objekts zwischen dem ersten und zweiten Zeitpunkt basierend auf der ersten und zweiten und dritten Transformationsfolge bestimmt wird.
In der oben beschriebenen Variante des erfindungsgemäßen Ver- fahrens wird zur Bestimmung der dritten Transformationsfolge insbesondere eine Iteration mit folgenden Schritten durchgeführt:
In einem Schritt i) werden für eine Menge an Messpunkt- Paaren, welche jeweils einen unzuordenbaren Messpunkt einer transformierten fünften Datenmenge und einen unzuordenbaren Messpunkt der ersten Datenmenge umfassen, die von einer Kova- rianzmatrix abhängigen Mahalanobis-Distanzen der Transformationen berechnet, welche die unzuordenbaren Messpunkte eines Messpunkt-Paars aufeinander abbilden, und unter Berücksichtigung der Mahalanobis-Distanzen wird ein Messpunkt-Paar ausgewählt und eine Transformation zur Abbildung der Messpunkte des ausgewählten Messpunkt-Paars aufeinander ausgeführt, wodurch eine neue transformierte fünfte Datenmenge erhalten wird.
In einem Schritt ii) wird aus der Menge der Messpunkt-Paare zumindest das ausgewählte Messpunkt-Paar gestrichen, die Ko- varianzmatrix wird aktualisiert und es wird zu Schritt i) zurückgegangen. Bei der Auswahl der Transformationen im obigen Schritt i) werden vorzugsweise Transformationen mit kleinen Mahalanobis-Distanzen und/oder Anhäufungen von ähnlichen Transformationen bevorzugt.
Bei der obigen Bestimmung der fünften Datenmenge wird vorzugsweise wiederum mit Hilfe von statistischen Verfahren das Messrauschen des Sensors berücksichtigt. Die in Schritt i) durchgeführte Transformation wird in einer bevorzugten Ausführungsform der Erfindung geschätzt, insbesondere basierend auf dem Kaiman-Filter. Auch die Aktualisierung der Kovarianz- matrix erfolgt vorzugsweise wiederum mit dem Kaiman-Filter.
In einer weiteren Variante des erfindungsgemäßen Verfahrens werden Sensordaten in der Form von Laserscans verarbeitet, welche mit einem Laserscanner auf dem Objekt erfasst wurden. Ein bevorzugtes Anwendungsgebiet des erfindungsgemäßen Ver- fahrens ist die Bestimmung der Bewegung eines Roboters und/oder eines Krans und/oder eines Fahrzeugs, insbesondere zur autonomen Navigation solcher Objekte.
Neben dem oben beschriebenen Verfahren umfasst die Erfindung ferner eine Vorrichtung zur rechnergestützten Berechnung der Bewegung eines Objekts aus Sensordaten eines auf dem Objekt befindlichen Sensors, wobei die Sensordaten zu verschiedenen Zeitpunkten erfasste Messpunktmengen aus Messpunkten in der Umgebung des Objekts enthalten, wobei die Vorrichtung ein Mittel zur Bestimmung der Objektbewegung zwischen einer ersten, zu einem ersten Zeitpunkt erfassten Messpunktmenge und einer zweiten, zu einem zweiten Zeitpunkt erfassten Mess- punktmenge aufweist. Dieses Mittel ist derart ausgestaltet, dass im Betrieb der Vorrichtung das oben beschriebene erfindungsgemäße Verfahren durchgeführt wird.
Die Erfindung betrifft darüber hinaus ein Computerprogrammprodukt mit einem auf einem maschinenlesbaren Träger gespeicherten Programmcode zur Durchführung des oben beschriebenen erfindungsgemäßen Verfahrens, wenn das Programm auf einem Rechner abläuft.
Ausführungsbeispiele der Erfindung werden nachfolgend anhand der beigefügten Figuren detailliert beschrieben.
Es zeigen:
Fig. 1 eine schematische Darstellung, welche die
Extraktion von Zusammenhangskomponenten gemäß einer Ausführungsform des erfindungsgemäßen Verfahrens verdeutlicht;
Fig. 2 eine schematische Darstellung, welche die
Extraktion von Kreisen gemäß einer Ausführungsform des erfindungsgemäßen Verfahren zeigt; und
Fig. 3 bis Fig. 7 schematische Darstellungen, welche den
Ablauf des erfindungsgemäßen Verfahrens zur Assoziation von Strukturelementen und Messpunkten gemäß einer Ausführungsform des erfindungsgemäßen Verfahrens wiedergibt .
In der hier beschriebenen Ausführungen des erfindungsgemäßen Verfahrens werden Sensordaten in der Form von zweidimensiona- len Punkten betrachtet, welche mit einem Laserscanner als sog. Laserscans erfasst wurden. Die einzelnen Punkte in den Scans ergeben sich dabei durch die Reflexionen des sich wäh- rend des Scans bewegenden Laserstrahls an den Gegenständen in der Umgebung des Objekts, auf dem der Laserscanner angeordnet ist. Ziel des nachfolgend beschriebenen Verfahrens ist es, die Eigenbewegung des Objekts dadurch zu bestimmen, dass zu verschiedenen Zeitpunkten ermittelte Laserscans aufeinander transformiert werden und dadurch die Bewegung des Objekts zwischen diesen Zeitpunkten bestimmt wird.
Um überhaupt zwei unterschiedliche Laserscans miteinander vergleichen zu können, werden in der hier beschriebenen Ausführungsform des erfindungsgemäßen Verfahrens Strukturelemente in der Form von Linien und Kreisen aus den einzelnen Messpunkten des jeweiligen Scans ermittelt. Zur Extraktion dieser Strukturelemente werden zunächst Zusammenhangskomponenten in der Form von Punktefolgen ermittelt, und anschließend werden entsprechende Strukturelemente aus den Zusammenhangskomponenten bestimmt.
Das Verfahren der Erfindung zeichnet sich dadurch aus, dass bei der Transformation von zwei Scans aufeinander nicht nur die extrahierten Strukturelemente, sondern auch nicht zuor- denbare Messpunkte, d.h. Messpunkte, denen kein Strukturelement zugewiesen werden kann, verarbeitet werden. Somit werden hybride Scans umfassend Strukturelemente und Messpunkte ver- arbeitet, wobei die Elemente in einem solchen hybriden Scan in der hier beschriebenen Ausführungsform durch die Menge der Punkte P, der Linien L und der Kreise C charakterisiert ist. Für einen Scan S mit Elementen e± gilt somit:
Figure imgf000014_0001
Wie bereits oben erwähnt, müssen zur Extraktion von Linien und Kreisen zunächst zusammenhängende Stücke von Messpunkten in dem Scan bestimmt werden. Fig. 1 verdeutlicht hierbei ei- nen entsprechenden Algorithmus zur Aufteilung des Scans in zusammenhängende Stücke anhand von Messpunkten, welche entlang einer Wand W angeordnet sind. Zusammenhängende Bereiche von Messpunkten werden dabei durch einen maximalen Punktabstand derart charakterisiert, dass Messpunkte nur dann zu einer zusammenhängenden Komponente gehören, wenn ihr Abstand kleiner oder gleich dem maximalen Punktabstand ist. Der maxi- male Punktabstand zwischen zwei Punkten 1 und 2 an der Wand W ist in Fig. 1 mit amax bezeichnet. Das Sensorsystem S mit den Achsen x und y erfasst die Punkte 1 bzw. 2 über die benachbarten Strahlen Bl und B2. Der Abstand a benachbarter Messpunkte auf der Wand W ergibt sich nach dem Sinussatz aus der δ Winkeldistanz — zwischen dem linken Strahl Bl bzw. dem rech-
2 ten Strahl B2 und dem hypothetischen, in Fig. 1 gestrichelt gezeichneten Mittelstrahl B3 und dem Winkel γ zwischen diesem Mittelstrahl und der Wand W sowie aus den beiden mit dem Sensorsystem S gemessenen Abständen von dem Ursprung des Sen- sorsystems zu dem Punkt 1 (als di bezeichnet) und von dem Ursprung des Sensorsystems S zu dem Punkt 2 (als d2 bezeichnet) .
Insbesondere gilt:
Figure imgf000015_0001
Der Winkel γ zwischen Mittelstrahl B3 und der Wand W wird als Parameter gewählt und hierdurch erhält man für jedes be- nachbarte Punktepaar einen oberen Grenzwert amax des Abstands zwischen benachbarten Punkten auf der Wand.
Mit Hilfe des Abstands amax erfolgt dann die Extraktion von zusammenhängigen Komponenten basierend auf folgendem Verfah- ren:
Zunächst wird der erste Messpunkt des Scans in die erste, aktuelle Zusammenhangskomponente eingeordnet. Die aktuelle Zusammenhangskomponente wird dann um den nächsten Punkt erwei- tert, wenn der Abstand zwischen dem letzten Punkt der Zusam- menhangskomponente und dem nächsten Punkt kleiner oder gleich dem maximalen Abstand amax ist. Wenn der nächste Punkt jedoch einen Abstand größer als der maximale Abstand amax zum letzten Punkt aufweist, wird der nächste Punkt einer neuen, dann aktuellen Zusammenhangskomponente zugeordnet. Nicht zugeordnete Messpunkte bleiben im Scan und werden nicht verworfen. Zusammenhangskomponenten, die weniger als eine minimale Anzahl von einzelnen Punkten enthalten, werden wieder gelöscht und als nicht zuordenbare Messpunkte in den Scan rücksor- tiert.
Nach der Ermittlung aller Zusammenhangskomponenten werden schließlich die geometrischen Merkmale in der Form von Linien und Kreisen aus den einzelnen Zusammenhangskomponenten extra- hiert. Dabei wird versucht, jede der Zusammenhangskomponenten zum einen durch Linien und zum anderen durch Kreise zu approximieren. Ferner kann man auch andere Elemente, wie z.B. rechtwinklige Ecken, aus dem Scan extrahieren. Die Extraktion von Linien aus einem Scan ist dem Fachmann hinlänglich be- kannt und wird beispielsweise in der Druckschrift [1] beschrieben. In der hier beschriebenen Ausführungsform werden zunächst Linien mit einem gängigen Verfahren aus dem Scan extrahiert. Anschließend erfolgt eine rekursive Extraktion von Kreisen, wobei diese Extraktion nachfolgend anhand von Fig. 2 erläutert wird.
Fig. 2 zeigt im oberen Teil eine Zusammenhangskomponente aus Messpunkten Pl, P2, ..., P12. Zur Extraktion von Kreisen bzw. Kreissegmenten aus dieser Menge an Punkten erfolgt eine Zer- legung der jeweiligen Zusammenhangskomponenten in Kreise, wobei im Falle, dass eine betrachtete Zusammenhangskomponente zu kurz wird, d.h. wenn ihre Anzahl an Punkten unterhalb eines Schwellenwerts liegt, die Messpunkte dieser Komponente wieder in den Scan zurücksortiert werden. Zur Extraktion von Kreisen aus der Zusammenhangskomponente der Fig. 2 werden zunächst die Randpunkte Pl und P12 sowie ein mittlerer Punkt P8 der Zusammenhangskomponente betrachtet. Aus diesen drei Punk- ten lässt sich eindeutig ein Kreis bestimmen, dessen Umfang durch alle drei Punkte läuft. Diese Bestimmung erfolgt durch das jeweilige Verbinden der Randpunkte Pl bzw. P12 mit dem mittleren Punkt P8 über eine Gerade und das Bestimmen der Mittelsenkrechten der jeweiligen Geraden, wobei der Schnittpunkt der Mittelsenkrechten der Mittelpunkt des Kreises ist.
Es ergibt sich somit zunächst ein Kreis mit der entsprechenden Kreislinie C, auf der die Punkte Pl, P8 und P12 liegen. Von diesem Kreis ist der Radius r und dessen Mittelpunkt c = \cx c ) bekannt. In einem nächsten Schritt wird dann das
Quadrat des Abstands jedes Punktes der Zusammenhangskomponente von dem Kreis berechnet, d.h. es wird folgender Abstand berechnet :
r
Figure imgf000017_0001
px und Py bezeichnen hierbei die x- bzw. y-Koordinate des jeweiligen Punktes der Zusammenhangskomponente. Wenn nunmehr alle Abstände der Punkte der Zusammenhangskomponente unter einem vorgegebenen Schwellwert liegen, wird das Segment als Kreissegment klassifiziert.
In der in Fig. 2 gezeigten Ausführungsform sind die einzelnen Abstände d(p, c, r) als senkrechte Verbindungslinien zwischen den Punkten und der Kreislinie angedeutet, wobei in diesem Beispiel der Abstand zwischen dem Punkt P6 und der Kreislinie den vorgegebenen Schwellwert überschreiten, was dadurch angedeutet wird, dass der Punkt P6 schwarz gefüllt wiedergegeben ist. Die Zusammenhangskomponente kann somit nicht als Kreis klassifiziert werden, und es erfolgt deshalb in einem nächsten Schritt eine Aufteilung der Zusammenhangskomponente am Punkt des maximalen Abstands, d.h. in Fig. 2 am Punkt P6. Dies ist im unteren Teil der Fig. 2 angedeutet, wobei nunmehr zwei Zusammenhangskomponenten vorliegen. Die erste Zusammenhangskomponente besteht dabei aus den Punkten Pl bis P6 und die zweite Zusammenhangskomponente aus den Punkten P6 bis P12. Nunmehr wird für jede Zusammenhangskomponente analog wie oben beschrieben verfahren, d.h. basierend auf den Randpunkten Pl und P6 sowie dem mittleren Punkt P3 der ersten Zusam- menhangskomponente wird ein entsprechender Kreis bestimmt und basierend auf den Randpunkten P6 und P12 sowie dem mittleren Punkt P9 der zweiten Zusammenhangskomponente wird ein Kreis bestimmt. In dem Beispiel der Fig. 2 liegen die Abstande der einzelnen Punkte von der Kreislinie für beide Zusammenhangs- komponenten unterhalb des vorgegebenen Schwellwerts, so dass die beiden Segmente als Kreise klassifiziert werden.
Der oben beschriebene Algorithmus neigt zur Ubersegmentie- rung, d.h., dass statt eines Kreisbogens zwei aneinander sto- ßende Kreisbogen mit etwa gleichen Mittelpunkten und Radius gefunden werden. Diese können anschließend wieder zusammenge- fasst werden. Ebenso wie bei der Linienextraktion können anschließend Mittelpunkte und Radius des Kreises entsprechend der Zusammenhangskomponente genau geschätzt werden, bei- spielsweise durch Bestimmung des folgenden Minimums:
Figure imgf000018_0001
Dabei bezeichnet Z die Menge der Punkte der Zusammenhangskom- ponente . Es können hierbei aus dem Stand der Technik bekannte Optimierungsverfahren, wie das Newton-Verfahren, das Quasi- Newton-Verfahren oder konjugierte Gradienten zum Auffinden des Minimums eingesetzt werden.
Wenn Punkte in einem Scan sowohl in einer extrahierten Linie als auch in einem extrahierten Kreissegment auftauchen, wird der Konflikt im Uberlappungsbereich zwischen Linie und Kreissegment aufgrund der Lange der einzelnen Segmente und der Summe der jeweiligen Abweichungen im Uberlappungsbereich auf- gelost. Ein längeres Segment (gemessen durch die Anzahl der Punkte) wird dabei bevorzugt. Nachdem ein hybrider Scan, d.h. ein Scan mit extrahierten Linien, Kreisen und nicht zuordenbaren Messpunkten, erhalten wurde, wird schließlich ein Scan-Matching-Algorithmus zur Abbildung der Strukturelemente und Messpunkte von zwei Scans aufeinander durchgeführt. Dieser Scan-Matching-Algorithmus wird zunächst allgemein anhand von Fig. 3 bis Fig. 7 beschrieben und anschließend erfolgt eine detaillierte Erläuterung des Algorithmus und der dabei verwendeten mathematischen Verfahren .
Fig. 3 zeigt einen ersten Scan, der auch als Referenzscan bezeichnet wird und durch Punkte in der Form von Kreuzen angedeutet ist, wobei einige der Punkte mit Bezugszeichen Ml bis M5 versehen sind. Ferner ist ein zweiter Scan wiedergegeben, der durch Punkte in der Form von Kreisen angedeutet ist, wobei einige der Punkte mit Bezugszeichen Ml' bis M5' versehen sind. Ziel ist es nunmehr, eine Transformation zu bestimmen, durch welche die Punkte des zweiten Scans auf den Referenzscan abgebildet werden. Die Abbildung der Scans aufeinander erfolgt dabei unter Berücksichtigung des Messrauschens des
Sensors, wodurch die Wahrscheinlichkeit einer Fehlinterpretation entsprechender Assoziationen von Punkten und Strukturelementen zwischen den einzelnen Scans vermindert wird.
In der hier beschriebenen Ausführungsform erfolgt die Bestimmung der Transformation, welche die beiden Scans aufeinander abbildet, schrittweise durch Ermittlung einzelner Transformationen einer Transformationsfolge, wobei das Messrauschen in der Form der Bewegungskovarianzmatrix der einzelnen Transfor- mationen der Transformationsfolge berücksichtigt wird. Eine Transformation wird hierbei durch einen Vektor beschrieben, der als x- und y-Komponente die Translation gemäß der Transformation und als weitere Komponente die Rotation der Transformation in der Form eines Winkels ß enthält. Für eine sol- che Transformation lässt sich die Kovarianzmatrix bestimmen, wobei die Komponenten der Transformation als Zufallsvariablen betrachtet werden und jeder Eintrag der Kovarianzmatrix die Kovarianzen der entsprechenden Einträge beschreibt. Die Kovarianz ist dabei definiert als der Erwartungswert aus dem Produkt der Differenz zwischen einer ersten Zufallsvariablen und deren Erwartungswert und der Differenz zwischen einer zweiten Zufallsvariablen und deren Erwartungswert. Das Messrauschen des Sensors basierend auf den Kovarianzen wird dabei in der hier beschriebenen Ausführungsform basierend auf der bekannten Mahalanobis-Distanz berücksichtigt, welche weiter unten noch näher erläutert wird.
In Fig. 3 bis Fig. 7 wird die Position des Sensorsystems als Ursprung der beiden Achsen Al und A2 wiedergegeben. Die aktuelle Bewegungskovarianz bzw. die entsprechende Mahalanobis- Distanz wird durch Kreise bzw. Ellipsen angedeutet. Hierdurch wird die Wahrscheinlichkeit einer Bewegung basierend auf dem Messrauschen wiedergegeben. Im Falle einer Ellipse ist somit eine Bewegung in Richtung der kleinen Halbachse weniger wahrscheinlich als in Richtung der großen Halbachse. Bei einem Kreis sind alle Bewegungsrichtungen gleich wahrscheinlich.
Zu Beginn des Verfahrens wird zunächst eine initiale Kovari- anzmatrix vorgegeben, welche beispielsweise aus odometrischen Daten bestimmt wird, d.h. aus der Bewegung der Räder des Objekts, auf dem der Scanner angeordnet ist. Im Beispiel der Fig. 3 ist für die anfängliche Kovaranzmatrix jede Transformationsrichtung gleich wahrscheinlich, so dass die Bewegungskovarianz als Kreis C wiedergegeben ist. Zunächst erfolgt in den Scans der Fig. 3 die oben beschriebene Extraktion von Strukturelementen. Es wird hierbei für jeden Scan eine Linie extrahiert, welche im Referenzscan die Scanpunkte Ml und M2 und alle dazwischen liegenden Punkte und im zweiten Scan die Punkte Ml' und M2' und alle dazwischen liegenden Punkte umfasst.
Nachfolgend werden neben den Linien auch Kreise extrahiert, sofern solche vorhanden sind. In dem Beispiel der Fig. 3 finden sich keine Kreise und es liegen lediglich drei weitere, keinem Strukturelement zuordenbare Messpunkte M3, M4 und M5 für den Referenzscan und M3' , M4' und M5' für den zweiten Scan vor. Nach dieser Extraktion erfolgt eine Assoziation der extrahierten Linien der beiden Scans zueinander. Hierbei wird die Bewegungskovarianz und die Mahalanobis-Distanz der Transformation der Linien aufeinander berücksichtigt. In dem Beispiel der Fig. 3 findet sich je Scan genau eine Linie, wobei die Linien auch so zueinander liegen, dass die Transformation, welche die Linien aufeinander abbildet, gut verträglich mit der Bewegungskovarianz sind, d.h. die entsprechende
Transformation weist eine kleine Mahalanobis-Distanz auf. Entsprechend wird der zweite Scan zur Abbildung der Linien aufeinander bewegt, wie in Fig. 4 wiedergegeben ist. Nach der Transformation erfolgt eine Aktualisierung der Kovarianz- matrix, wobei hierzu der aus dem Stand der Technik bekannte Kaiman-Filter verwendet wird.
Wie sich aus Fig. 4 ergibt, sind nunmehr nicht mehr alle Bewegungen gleich wahrscheinlich, wie durch die entsprechende Ellipse E verdeutlicht wird. Insbesondere sind Bewegungen in Richtung der Achse Al unwahrscheinlicher als in Richtung der Achse A2, d.h. in Richtung der Achse Al ergeben sich größere Mahalanobis-Distanzen als in Richtung der Achse A2. In Fig. 4 erkennt man ferner die extrahierten und aufeinander abgebil- deten Linien L sowie die nicht zuordenbaren Messpunkte M3 bis M5 des Referenzscans und M3' bis M5' des zweiten Scans.
Es erfolgt nunmehr in einem nächsten Schritt die Suche nach Assoziationen der nicht zuordenbaren Messpunkte M3' bis M5' zu der Linie L. Da eine weitere Bewegung in Richtung der Achse Al aufgrund der sehr großen Mahalanobis-Distanz sehr unwahrscheinlich ist, wird durch den Algorithmus keine Assoziation zwischen den nicht zuordenbaren Messpunkten und der Linie L akzeptiert. Deshalb erfolgt in dem Algorithmus nunmehr in einem nächsten Schritt eine Assoziation der nicht zuordenbaren Messpunkte der jeweiligen Scans zueinander. Wie sich aus Fig. 4 ergibt, ist hierbei die günstigste Richtung der Transformation die Richtung entlang der Achse A2. Zur Ermittlung der Assoziation zwischen den Messpunkten werden wiederum die möglichen Transformationen zwischen Punktepaaren betrachtet und basierend auf der Mahalanobis-Distanz der Transforma- tionen werden die Punkte M3 und M3' miteinander assoziiert und durch eine erste Transformation aufeinander abgebildet, wobei diese Transformation in Fig. 5 durch eine entsprechende Gerade Gl angedeutet ist. Nach Durchführung der Transformation wird wiederum die Kovarianzmatrix aktualisiert.
Die Punkt-zu-Punkt-Assoziation wird schließlich für weitere Punktepaare wiederholt, wobei als nächstes die Messpunkte M4 und M4' miteinander assoziiert werden, wie durch die Gerade G2 in Fig. 6 angedeutet ist. Nach Durchführung einer entspre- chenden Transformation ergibt sich eine verkleinerte Kovarianzmatrix, was durch eine entsprechende Verkleinerung der Ellipse E in Fig. 6 gegenüber der Ellipse E in Fig. 5 ersichtlich wird. Abschließend erfolgt eine entsprechende Transformation durch Assoziation der Messpunkte M5' und M5 zueinan- der, so dass sich insgesamt nach Durchführung der einzelnen
Transformationen der Punktepaare insgesamt eine Transformationsfolge ergibt, welche die beiden Scans sehr gut aufeinander abbildet, wie aus Fig. 7 ersichtlich ist. Die Kovarianzmatrix ist dabei klein genug, so dass der Scan-Match mit hinreichen- der Sicherheit als richtig betrachtet werden kann.
Aus der Gesamttransformation aller zuvor durchgeführten Transformationen zur Abbildung einer Linie auf eine Linie und der Messpunkte aufeinander ergibt sich schließlich die Eigen- bewegung des Objekts.
Nachfolgend werden die einzelnen Schritte eines Scan- Matching-Algorithmus zur Abbildung von zwei hybriden Scans detailliert erläutert.
Ein Scan S = {eι,...en] aus Punkten bzw. Strukturelementen ei bis en, z.B. ein zuvor aufgenommener Referenzscan 5"", wird als fest betrachtet und ein anderer, insbesondere der aktuelle Scan SQ , als beweglich. Die Elemente können hierbei Punkte,
Geraden oder Kreissegmente sein. Gleichzeitig wird nach Aufruf des Scan-Matching-Algorithmus eine anfängliche Kovarianz ∑o der Wahrscheinlichkeitsverteilung der Konfiguration der
Tk=[x0 y0 ßo)τ =(0 0 θ)r des beweglichen Scans übergeben.
In einem nächsten Schritt werden zunächst in den hybriden Scans die Linien miteinander verglichen. Wenn es in einem der Scans keine Linien gibt, geht es weiter zum Vergleich von Linien mit Punkten, bzw. zum Vergleich von Kreissegmenten, sofern in den hybriden Scans Kreissegmente enthalten sind.
Es werden zum Vergleich von Linien mit Linien pro Linien-Paar (L^L^L" eSk a,Lr j eSr eine Menge von Transformationen
T, ',J KM:) kollinear Lr \ bestimmt. Anschaulich sind dies die
Transformationen, welche die bewegliche Linie parallel zur Referenzlinie im Referenzscan ausrichten und dann auf diese verschieben. Im Raum der Transformationen bildet diese Menge selbst wieder eine Gerade. Jeder Transformation T = (x y ß) wird die von der momentanen Bewegungskovarianz Σ abhängige
Mahalanobis-Distanz |(JC y
Figure imgf000023_0001
y ß)-∑ -1 zugeordnet .
Figure imgf000023_0002
Diese Mahalanobis-Distanz enthält für ein Linien-Paar als Parameter die Verschiebung entlang der Linie.
Aus den möglichen Transformationen zwischen Linien wird nun eine Transformation und hierdurch das zugeordnete Linienpaar ausgewählt. Dazu werden folgende Kriterien verwendet:
Transformationen zwischen langen Linien sind wertvoller als zwischen kurzen;
Transformationen mit kleiner Norm sind gut;
Cluster von Transformationen sind gut.
Basierend auf diesen Kriterien lassen sich verschiedene Stra- tegien ableiten. In einer Variante der Erfindung wird die Transformation zwischen der längsten Linie mit einer hinreichenden kleinen Norm ausgewählt. Hierdurch wird das Risiko von Fehlassoziationen minimiert.
In einem nächsten Schritt wird der Scan durch die Transformation Tk+i verschoben und gedreht, wodurch sich folgender neuer Scan ergibt:
sk a +ι =τk+ι(sk a) Die Transformation wird in der hier beschriebenen Ausführungsform mit einem Schätzverfahren bestimmt. Die geschätzte Transformation stellt dabei eine spezielle Variante der Transformationen bzw. Transformationsfolgen dar, welche gemäß den Ansprüchen durchgeführt bzw. ausgeführt werden. Im FoI- genden wird das Schätzverfahren an einem Beispiel erläutert, bei dem eine Linie V1 des aktuellen Scans auf eine Linie V} des Referenzscans geschoben und gedreht wird. Die Lage der Endpunkte der Linie sollte nicht zur Schätzung der Transformation verwendet werden, da sie sehr unsicher ist. Daher wer- den die Linien entsprechend der Geraden, auf denen sie liegen, durch Länge und Richtung des Lots auf diese Gerade, die sog. Hessesche Normalform L~ (\A parametrisiert . In der
W)
Druckschrift [2] wird die Herleitung dieser Darstellung aus den zur Linie gehörenden Scanpunkten beschrieben. Diese Dar- Stellung wird als „Messung" im Sinn des Kaiman-Mechanismus aufgefasst .
In der Druckschrift [2] wird außerdem die Kovarianz einer solchen Linie aus der Kovarianz der Scanpunkte bestimmt. Die- se Bestimmung wird weiter unten bei der Ermittlung der Kovarianzen der Referenzlinie ∑r und der beweglichen Linie ∑α verwendet .
Der zu schätzende Zustand im Sinne des Kaiman-Filters ist die Transformation zwischen aktuellem Scan und Referenzscan. Da- mit nimmt La ~\W' g)die Rolle der Prädiktion ein und Lr ~\ J \
wird als „Messun " verwendet. Die Kovarianz der PrädJikWtio)n setzt sich zusammen aus der Kovarianz der Linienextraktion ∑a und der bisherigen Kovarianz der Transformation.
Durch die Transformation Tx y ß\ des Objekts wird die Prädik- (d) . tlon U uberfuhrt in
Die Jacobische davon i
Figure imgf000025_0001
Die Kovarianz der Prädiktion ergibt sich aus der Bewegungsko- varianz ΣG=G-Σk-Gτ. Dazu wird die Kovarianz ∑α aus der Messunsicherheit addiert.
Damit wird der Kalman-Filter-Gain berechnet zu
Figure imgf000025_0002
Die Transformation aus dieser Landmarkenassoziation berechnet
Figure imgf000025_0003
Die Bewegungskovarianz ∑k+ι wird ebenfalls nach der Kaiman- Filter-Update-Formel neu geschätzt, und zwar wie folgt: Σk+ι={ld-Kk-G)-Σk.
Mit Hilfe der soeben bestimmten Transformation Tk+i wird der vorhergehende aktuelle Scan transformiert und der resultierende Scan wird zum neuen vorhergehenden Scan, d.h. es gilt:
Figure imgf000025_0004
Wenn es noch nicht berücksichtigte Paare von Geraden gibt, setzt man k <- k+1 und geht zurück zu dem obigen Schritt, bei dem ein Linienpaar basierend auf der Mahalanobis-Distanz aus- gewählt wird. Es wird hierbei das soeben berücksichtigte Linien-Paar nicht mehr betrachtet.
Nach Durchführung des Vergleichs der Linien werden in dem hybriden Scan Kreise mit Kreisen und schließlich Messpunkte mit Linien verglichen. Der Vergleich von Kreisen mit Kreisen läuft analog zum Vergleich von Linien mit Linien ab, weshalb das Verfahre nicht nochmals beschrieben wird. Beim Vergleich von Messpunkten mit Linien bilden die möglichen Transformati- onen, die einen Messpunkt auf einer Linie bewegen, eine zweidimensionale Mannigfaltigkeit. Aus praktischen Erwägungen wird immer eine geeignete Vorauswahl getroffen, in der hier beschriebenen Ausführungsform wird die Vorauswahl basierend auf der probabilistischen Norm mit der momentan gültigen Ko- varianz bestimmt, d.h. basierend auf:
Figure imgf000026_0001
Die neue Kovarianz ergibt sich analog zum vorhergehenden Fall aus der Kovarianz der Linie, der Kovarianz des Messpunkts und der Funktion, die das Paar aus Messpunkt und Linie auf die gewählte Transformation abbildet.
Die Punkt-Linien-Paare werden wiederum sukzessive abgearbeitet, wobei unplausible Paarungen, d.h. Paarungen mit Mahala- nobis-Distanzen oberhalb eines Schwellenwerts, weggelassen werden .
Schließlich werden noch Messpunkt-Paare behandelt, und zwar analog wie die Linien-Paare bzw. die Punkt-Linien-Paare.
Abschließend erhält man somit eine Transformationsfolge, mit der die Abbildung der hybriden Scans aufeinander beschrieben wird und woraus die Eigenbewegung des Objekts bestimmt werden kann . Die soeben beschriebene Ausführungsform des erfindungsgemäßen Verfahrens weist eine Reihe von Vorteilen auf. Durch die sukzessive Verwendung der möglichen Assoziationen von Strukturelementen bzw. Punkten, sortiert nach dem Risiko einer Fehl- assoziation, wird die Unsicherheit einer Fehlzuordnung verringert. Durch die Verwendung des Kaiman-Filters innerhalb eines Scan-Matches werden in geeigneter Weise Messunsicherheiten statistisch berücksichtigt. Anstatt des Kaiman-Filters können auch andere Beschreibungen der Unsicherheit, bei- spielsweise stichprobenbasierte Beschreibungen, wie z.B. auf Particle-Filter, eingesetzt werden. Gegebenenfalls kann das Verfahren auch derart ausgestaltet sein, dass die Bewegungsunsicherheit durch gewichtete Maße für die Assoziation von Strukturelementen bzw. Punkten berücksichtigt wird.
Literaturverzeichnis
[1] Jens-Steffen Gutmann: „Robuste Navigation autonomer mobiler Systeme", Dissertation, 2000, Albrecht-Ludwig- Universität Freiburg
[2] Michael Bosse: "ATLAS: A Framework for Large Scale Automated Mapping and Localization" , Disseration MASSACHUSETTS INSTITUTE OF TECHNOLOGY, Seiten 57 bis 62, Feb 2004

Claims

Patentansprüche
1. Verfahren zur rechnergestützten Berechnung der Bewegung eines Objekts aus Sensordaten eines auf dem Objekt befindli- chen Sensors, wobei die Sensordaten zu verschiedenen Zeitpunkten erfasste Messpunktmengen aus Messpunkten (Pl, ...,P12. Ml, ..., M5') der Umgebung des Objekts enthalten, wobei die Objektbewegung zwischen einer ersten, zu einem ersten Zeitpunkt erfassten Messpunktmenge und einer zweiten, zu einem zweiten Zeitpunkt erfassten Messpunktmenge wie folgt ermittelt wird: a) es werden Strukturelemente (L, C) von einem oder mehreren Strukturtypen aus der ersten und zweiten Messpunktmenge extrahiert, wodurch eine erste und zweite Datenmenge erhalten wird, welche jeweils die extrahierten Strukturele- mente (L, C) und unzuordenbare Messpunkte (Ml, ..., M3' ) enthalten, die keinem Strukturelement (L, C) zugewiesen werden können; b) es wird nach Assoziationen der Strukturelemente (L, C) vom gleichen Strukturtyp der zweiten Datenmenge mit den Strukturelementen (L, C) der ersten Datenmenge gesucht und es wird basierend auf den aufgefundenen Assoziationen eine Transformationsfolge zur Abbildung der Strukturelemente (L, C) der zweiten Datenmenge auf die Strukturelemente (L, C) der ersten Datenmenge durchgeführt, wodurch eine dritte Datenmenge erhalten wird; c) es wird nach Assoziationen der Strukturelemente (L, C) der dritten Datenmenge mit den unzuordenbaren Messpunkten
(Ml, ..., M3') der ersten Datenmenge gesucht und es wird basierend auf den aufgefundenen Assoziationen eine zweite Transformationsfolge zur Abbildung der Strukturelemente
(L, C) der dritten Datenmenge auf die unzuordenbaren Messpunkte (Ml, ..., M3' ) der ersten Datenmenge durchgeführt, wodurch eine vierte Datenmenge erhalten wird; d) es wird die Bewegung des Objekts zwischen dem ersten und zweiten Zeitpunkt basierend auf zumindest der ersten und zweiten Transformationsfolge bestimmt.
2. Verfahren nach Anspruch 1, bei dem die extrahierten Stuk- turelemente (L, C) zumindest vom Typ Linie sind.
3. Verfahren nach Anspruch 2, bei dem in Schritt b) als ers- tes Strukturelemente vom Typ Linie extrahiert werden.
4. Verfahren nach Anspruch 2 oder 3, bei dem die extrahierten Strukturelemente ferner den Strukturtyp Kreissegment umfassen .
5. Verfahren nach einem der vorhergehenden Ansprüche, bei dem in Schritt a) zunächst Zusammenhangskomponenten umfassend aufeinander folgende Messpunkte (Pl, ..., P12) ermittelt werden, wobei benachbarte, zu einer Zusammenhangskomponente ge- hörende Messpunkte einen maximalen Punktabstand nicht überschreiten .
6. Verfahren nach Anspruch 4 und 5, bei dem ein Strukturelement vom Strukturtyp Kreissegment aus einer Zusammenhangskom- ponente wie folgt extrahiert wird: es wird ein Kreis (C) berechnet, auf dem die an den jeweiligen Enden der Zusammenhangskomponente liegenden Randmesspunkte (Pl, P12) sowie ein Messpunkt (P8) zwischen den Randmesspunkten (Pl, P12) der Zusammenhangs- komponente, insbesondere im Wesentlichen in der Mitte zwischen den Randmesspunkten (Pl, P12), angeordnet sind; falls der minimale Abstand jedes Messpunkts (Pl, ..., P12) der Zusammenhangskomponente zum Kreis (C) kleiner als ein vorgegebener Schwellwert ist, werden die Messpunkte (Pl, -t P12) der Zusammenhangskomponente dem berechneten Kreis (C) zugeordnet, und ansonsten wird die Zusammenhangskomponente am Messpunkt (P6) der Zusammenhangskomponente mit dem größten minimalen Abstand von dem Kreis (C) in zwei Zusammenhangskomponenten aufgeteilt.
7. Verfahren nach einem der vorhergehenden Ansprüche, bei dem in den Schritten b) und c) das Messrauchen des Sensors berücksichtigt wird.
8. Verfahren nach Anspruch 7, bei dem die erste Transformationsfolge des Schritts b) des Anspruchs 1 durch eine Iteration wie folgt bestimmt wird: b.i) für eine Menge von Strukturelement-Paaren, welche jeweils ein Strukturelement (L, C) einer transformierten zweiten Datenmenge und ein Strukturelement (L, C) der ersten Datenmenge umfassen, werden die von einer momentanen Kovarianzmatrix abhängigen Mahalanobis- Distanzen der Transformationen berechnet, welche jeweils die Strukturelemente (L, C) eines Strukturele- ment-Paars aufeinander abbilden, und unter Berücksichtigung der Mahalanobis-Distanzen wird ein Strukturelement-Paar ausgewählt und eine Transformation zur Abbildung der Strukturelemente (L, C) des ausgewählten Strukturelement-Paars aufeinander durchgeführt, wo- durch eine neue transformierte zweite Datenmenge erhalten wird; b.ii) aus der Menge der Strukturelement-Paare wird zumindest das ausgewählte Strukturelement-Paar gestrichen, die Kovarianzmatrix wird aktualisiert und es wird zu Schritt b.i) zurückgegangen.
9. Verfahren nach Anspruch 8, bei dem bei der Auswahl der Transformationen in Schritt b.i) Transformationen mit kleinen Mahalanobis-Distanzen und/oder Transformationen zwischen lan- gen Strukturelementen (L, C) und/oder Anhäufungen von ähnlichen Transformationen bevorzugt werden.
10. Verfahren nach Anspruch 8 oder 9, bei dem die in Schritt b.i) durchgeführte Transformation, insbesondere basierend auf dem Kaiman-Filter, geschätzt wird und/oder in Schritt b.ii) die Aktualisierung der Kovarianzmatrix mit Hilfe des Kaiman- Filters durchgeführt wird.
11. Verfahren nach einem der Ansprüche 8 bis 10, bei dem in Schritt b.ii) Strukturelement-Paare, deren Strukturelemente (L, C) durch eine Transformation aufeinander abgebildet wer- den, deren von der aktualisierten Kovarianzmatrix abhängige Mahalanobis-Distanz größer als ein vorgegebener Schwellwert ist, auch aus der Menge der Strukturelemente (L, C) gestrichen wird.
12. Verfahren nach einem der Ansprüche 8 bis 11, bei dem zu Beginn der Iteration zur Bestimmung der ersten Transformationsfolge die transformierte zweite Datenmenge der in Schritt a) erhaltenen zweiten Datenmenge entspricht und die Menge der Strukturelement-Paare alle möglichen Paare beinhaltet, welche ein Strukturelement (L, C) der ersten Datenmenge und der zweiten Datenmenge umfasst, oder eine Vorauswahl von Strukturelement-Paaren, wobei die Vorauswahl solche Strukturelement-Paare umfasst, deren Strukturelemente (L, C) durch eine Transformation aufeinander abgebildet werden, deren von einer anfänglichen Kovarianzmatrix abhängige Mahalanobis-Distanz kleiner oder gleich einem vorgegebenen Schwellwert ist.
13. Verfahren nach Anspruch 12, bei dem die anfängliche Kovarianzmatrix basierend auf dem Messrauschen einer odometri- sehen Messung und/oder aus einem Bewegungsmodell bestimmt wird.
14. Verfahren nach einem der vorhergehenden Ansprüche in Kombination mit Anspruch 7, bei dem die zweite Transformations- folge des Schritts c) des Anspruchs 1 durch eine Iteration wie folgt bestimmt wird: c.i) für eine Menge von Strukturelement-Messpunkt-Paaren, welche jeweils ein Strukturelement (L, C) einer transformierten dritten Datenmenge und einen unzuordenbaren Messpunkt (Ml, ..., M3' ) der ersten Datenmenge umfassen, werden die von einer Kovarianzmatrix abhängigen Maha- lanobis-Distanzen der Transformationen berechnet, wel- che jeweils das Strukturelement (L, C) auf den unzuor- denbaren Messpunkt (Ml, ..., M3' ) eines Strukturelement- Messpunkt-Paars abbilden, und unter Berücksichtigung der Mahalanobis-Distanzen wird ein Strukturelement- Messpunkt-Paar ausgewählt und eine Transformation zur Abbildung des Strukturelements (L, C) auf dem Messpunkt (Ml, ..., M3') des ausgewählten Strukturelement- Messpunkt-Paars ausgeführt, wodurch eine neue transformierte dritte Datenmenge erhalten wird; c.ii) aus der Menge der Strukturelement-Messpunkt-Paare wird zumindest das ausgewählte Strukturelement-Messpunkt- Paar gestrichen, dessen Transformation in Schritt c.i) ausgewählt wurde, die Kovarianzmatrix wird aktualisiert und es wird zu Schritt c.i) zurückgegangen.
15. Verfahren nach Anspruch 14, bei dem bei der Auswahl der Transformationen in Schritt b.i) Transformationen mit kleinen Mahalanobis-Distanzen und/oder Anhäufungen von ähnlichen Transformationen bevorzugt werden.
16. Verfahren nach Anspruch 14 oder 15, bei dem die in Schritt c.i) durchgeführte Transformation, insbesondere basierend auf dem Kaiman-Filter, geschätzt wird und/oder in Schritt c.ii) die Aktualisierung der Kovarianzmatrix mit HiI- fe des Kaiman-Filters durchgeführt wird.
17. Verfahren nach einem der Ansprüche 14 bis 16, bei dem in Schritt c.ii) Strukturelement-Messpunkt-Paare, bei denen das Strukturelement (L, C) auf einen unzuordenbaren Messpunkt (Ml, ..., M3' ) durch eine Transformation abgebildet wird, deren von der aktualisierten Kovarianzmatrix abhängige Mahalanobis- Distanz größer als ein vorgegebener Schwellwert ist, auch aus der Menge der Strukturelement-Messpunkt-Paare gestrichen wird.
18. Verfahren nach einem der Ansprüche 14 bis 17, bei dem zu Beginn der Iteration zur Bestimmung der zweiten Transformati- onsfolge die transformierte dritte Datenmenge der in Schritt b) erhaltenen dritten Datenmenge entspricht und die Menge der Strukturelement-Messpunkt-Paare alle möglichen Paare beinhaltet, welche ein Strukturelement (L, C) der dritten Datenmenge und einen unzuordenbaren Messpunkt (Ml, ..., M3' ) des ersten Datenmenge umfassen, oder eine Vorauswahl von Strukturelement-Messpunkt-Paaren, wobei die Vorauswahl solche Strukturelement-Messpunkt-Paare umfasst, bei denen das Strukturelement (L, C) auf einen unzuordenbaren Messpunkt (Ml, ..., M3' ) durch eine Transformation abgebildet wird, deren von der aktuellen Kovarianzmatrix abhängige Mahalanobis-Distanz kleiner oder gleich einem vorgegebenen Schwellwert ist.
19. Verfahren nach einem der vorhergehenden Ansprüche, bei dem nach Durchführung des Schritts c) nach Assoziationen der verbleibenden unzuordenbare Messpunkte (Ml, ..., M3' ) der vierten Datenmenge mit den unzuordenbaren Messpunkten (Ml, ..., M3') der ersten Datenmenge gesucht wird und basierend auf den aufgefundenen Assoziationen eine dritte Transformationsfolge zur Abbildung der unzuordenbaren Messpunkte (Ml, ..., M3' ) der vierten Datenmenge auf die unzuordenbaren Messpunkte (Ml, ..., M3' ) der ersten Datenmenge durchgeführt wird, wodurch eine fünfte Datenmenge erhalten wird, wobei die Bewegung des Objekts zwischen dem ersten und zweiten Zeitpunkt basierend auf der ersten und zweiten und dritten Transformationsfolge bestimmt wird.
20. Verfahren nach Anspruch 19, bei dem bei der Bestimmung der fünften Datenmenge das Messrauchen des Sensors berück- sichtigt wird.
21. Verfahren nach Anspruch 20, bei dem die dritte Transformationsfolge durch eine Iteration wie folgt bestimmt wird: i) für eine Menge von Messpunkt-Paaren, welche jeweils einen unzuordenbaren Messpunkt (Ml, ..., M3' ) einer transformierten fünften Datenmenge und einen unzuordenbaren Messpunkt (Ml, ..., M3') der ersten Datenmenge umfassen, werden die von einer Kovarianzmatrix abhängigen Mahalanobis- Distanzen der Transformationen berechnet, welche die un- zuordenbaren Messpunkte (Ml, ..., M3' ) eines Messpunkt- Paars aufeinander abbilden, und unter Berücksichtigung der Mahalanobis-Distanzen wird ein Messpunkt-Paar ausgewählt und eine Transformation zur Abbildung der Messpunkte (Ml, ..., M3' ) des ausgewählten Messpunkt-Paars aufeinander ausgeführt, wodurch eine neue transformierte fünfte Datenmenge erhalten wird; ii) aus der Menge der Messpunkt-Paare wird zumindest das ausgewählte Messpunkt-Paar gestrichen, die Kovarianzmatrix wird aktualisiert und es wird zu Schritt i) zurückgegangen .
22. Verfahren nach Anspruch 21, bei dem bei der Auswahl der Transformationen in Schritt i) Transformationen mit kleinen Mahalanobis-Distanzen und/oder Anhäufungen von ähnlichen Transformationen bevorzugt werden.
23. Verfahren nach Anspruch 21 oder 22, bei dem die in
Schritt i) ausgeführte Transformation, insbesondere basierend auf dem Kaiman-Filter, geschätzt wird und/oder in Schritt ii) die Aktualisierung der Kovarianzmatrix mit Hilfe des Kaiman- Filters durchgeführt wird.
24. Verfahren nach einem der vorhergehenden Ansprüche, bei dem der auf dem Objekt befindliche Sensor ein Laserscanner ist und die Sensordaten Laserscans darstellen.
25. Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Verfahren zur Bestimmung der Bewegung eines Roboters und/oder eines Krans und/oder eines Fahrzeugs eingesetzt wird.
26. Vorrichtung zur rechnergestützten Berechnung der Bewegung eines Objekts aus Sensordaten eines auf dem Objekt befindlichen Sensors, wobei die Sensordaten zu verschiedenen Zeit- punkten erfasste Messpunktmengen aus Messpunkten (Pl, ...,P12. Ml, ..., M5') der Umgebung des Objekts enthalten, wobei die Vorrichtung ein Mittel zur Bestimmung der Objektbewegung zwischen einer ersten, zu einem ersten Zeitpunkt erfassten Mess- punktmenge und einer zweiten, zu einem zweiten Zeitpunkt erfassten Messpunktmenge aufweist, wobei das Mittel derart ausgestaltet ist, dass es im Betrieb der Vorrichtung ein Verfahren nach einem der vorhergehenden Ansprüche durchführt.
27. Computerprogrammprodukt mit einem auf einem maschinenlesbaren Träger gespeicherten Programmcode zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche, wenn das Programm auf einem Rechner abläuft.
PCT/EP2009/051360 2008-02-11 2009-02-06 Verfahren zur rechnergestützten berechnung der bewegung eines objekts aus sensordaten WO2009101030A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN200980104077.0A CN101939666B (zh) 2008-02-11 2009-02-06 利用传感器数据来对对象的运动进行计算机辅助计算的方法
US12/866,755 US8798957B2 (en) 2008-02-11 2009-02-06 Method for the computer-aided calculation of the movement of an object using sensor data
JP2010546295A JP5210396B2 (ja) 2008-02-11 2009-02-06 コンピュータを援用してセンサデータから物体の運動を計算する方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE200810008499 DE102008008499B4 (de) 2008-02-11 2008-02-11 Verfahren zur rechnergestützten Berechnung der Bewegung eines Objekts aus Sensordaten
DE102008008499.9 2008-02-11

Publications (1)

Publication Number Publication Date
WO2009101030A1 true WO2009101030A1 (de) 2009-08-20

Family

ID=40561899

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2009/051360 WO2009101030A1 (de) 2008-02-11 2009-02-06 Verfahren zur rechnergestützten berechnung der bewegung eines objekts aus sensordaten

Country Status (5)

Country Link
US (1) US8798957B2 (de)
JP (1) JP5210396B2 (de)
CN (1) CN101939666B (de)
DE (1) DE102008008499B4 (de)
WO (1) WO2009101030A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023011816A1 (de) * 2021-08-02 2023-02-09 Robert Bosch Gmbh Verfahren zur sensordatenverarbeitung in einem sensorsystem und zugehöriges sensorsystem

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5733516B2 (ja) * 2011-05-12 2015-06-10 株式会社Ihi 移動体把持装置と方法
NL2015843B1 (en) * 2015-11-23 2017-06-07 Daf Trucks Nv Auto docking method for application in heavy trucks.

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1478835A (en) * 1973-06-01 1977-07-06 Stiftelsen Inst Mikrovags Velocity measuring device
US4177463A (en) * 1973-06-01 1979-12-04 Stiftelsen Institutet For Mikrovagsteknik Vid Tekniska Hogskolan I Stockholm Method and device for measuring the velocity of an object relative to a reference

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10252323A1 (de) * 2002-11-11 2004-05-19 Ibeo Automobile Sensor Gmbh Verfahren zur Bestimmung einer Eigenbewegung eines Fahrzeuges
US7379598B2 (en) * 2003-08-29 2008-05-27 The Johns Hopkins University Distance sorting algorithm for matching patterns
DE102005035746B4 (de) 2005-07-29 2010-02-18 Siemens Ag Verfahren zur Bestimmung einer Relativposition einer mobilen Einheit durch Vergleich von Scans einer Umgebung und mobile Einheit
US7460951B2 (en) * 2005-09-26 2008-12-02 Gm Global Technology Operations, Inc. System and method of target tracking using sensor fusion
CN101093255A (zh) * 2006-06-20 2007-12-26 敦南科技股份有限公司 运动检测装置及方法
GB2442776A (en) * 2006-10-11 2008-04-16 Autoliv Dev Object detection arrangement and positioning system for analysing the surroundings of a vehicle
WO2008097694A1 (en) * 2007-02-05 2008-08-14 Andrew Corporation System and method for optimizing location estimate of mobile unit

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1478835A (en) * 1973-06-01 1977-07-06 Stiftelsen Inst Mikrovags Velocity measuring device
US4177463A (en) * 1973-06-01 1979-12-04 Stiftelsen Institutet For Mikrovagsteknik Vid Tekniska Hogskolan I Stockholm Method and device for measuring the velocity of an object relative to a reference

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BIBER P ET AL: "The normal distributions transform: a new approach to laser scan matching", PROCEEDINGS OF THE 2003 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS. (IROS 2003). LAS VEGAS, NV, OCT. 27 - 31, 2003; [IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS], NEW YORK, NY : IEEE, US, vol. 3, 27 October 2003 (2003-10-27), pages 2743 - 2748, XP010675504, ISBN: 978-0-7803-7860-5 *
JIANG X ET AL: "Edge Detection in Range Images Based on Scan Line Approximation", COMPUTER VISION AND IMAGE UNDERSTANDING, ACADEMIC PRESS, US, vol. 73, no. 2, 1 February 1999 (1999-02-01), pages 183 - 199, XP004444655, ISSN: 1077-3142 *
YAQUB T ET AL: "Line Segment Based Scan Matching for Concurrent Mapping and Localization of a Mobile Robot", CONTROL, AUTOMATION, ROBOTICS AND VISION, 2006. ICARCV '06. 9TH INTERN ATIONAL CONFERENCE ON, IEEE, PI, 5 December 2006 (2006-12-05), pages 1 - 6, XP031333940, ISBN: 978-1-4244-0341-7 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023011816A1 (de) * 2021-08-02 2023-02-09 Robert Bosch Gmbh Verfahren zur sensordatenverarbeitung in einem sensorsystem und zugehöriges sensorsystem

Also Published As

Publication number Publication date
JP5210396B2 (ja) 2013-06-12
DE102008008499A1 (de) 2009-08-27
DE102008008499B4 (de) 2009-12-31
JP2011511943A (ja) 2011-04-14
US20100318320A1 (en) 2010-12-16
US8798957B2 (en) 2014-08-05
CN101939666B (zh) 2014-10-01
CN101939666A (zh) 2011-01-05

Similar Documents

Publication Publication Date Title
EP3497476B1 (de) Kraftfahrzeug und verfahren zur 360°-umfelderfassung
DE102005035746B4 (de) Verfahren zur Bestimmung einer Relativposition einer mobilen Einheit durch Vergleich von Scans einer Umgebung und mobile Einheit
DE4408328C2 (de) Verfahren zum Aufbau einer zellular strukturierten Umgebungskarte von einer selbstbeweglichen mobilen Einheit, welche sich mit Hilfe von auf Wellenreflexion basierenden Sensoren orientiert
EP2927844A1 (de) Positions- und lagebestimmung von 3d objekten
DE102015214338A1 (de) Bestimmung einer Anordnungsinformation für ein Fahrzeug
EP2005361A1 (de) Multisensorieller hypothesen-basierter objektdetektor und objektverfolger
DE102016218080B3 (de) Verfahren und Vorrichtung zum Bestimmen einer Kollisionswahrscheinlichkeit eines Fahrzeugs mit einem Objekt
DE10226663A1 (de) Verfahren zum Auffinden von Gegenständen auf einer Trägerebene
EP2369296A2 (de) Navigationsverfahren für einen Flugkörper
DE102008008499B4 (de) Verfahren zur rechnergestützten Berechnung der Bewegung eines Objekts aus Sensordaten
EP4000005A1 (de) VERFAHREN ZUM ERMITTELN EINER POSITION EINES ERSTEN BILDBEREICHS IN EINEM KORRESPONDENZ-BILD, SoC UND STEUERVORRICHTUNG UND SYSTEM ZUR DURCHFÜHRUNG DES VERFAHRENS, SOWIE COMPUTERPROGRAMM
EP4148386A1 (de) Ermittlung einer absoluten initialposition eines fahrzeugs
EP3663881A1 (de) Verfahren zur steuerung eines autonomen fahrzeugs auf der grundlage von geschätzten bewegungsvektoren
DE102013018561A1 (de) Verfahren zur Datenerfassung und Datenverarbeitung für eine Fahrspurkennung eines Fahrzeugs
DE19627938B4 (de) Verfahren zur dynamischen Spurverfolgung in Bewegtbildsequenzen
EP2059905A2 (de) Verfahren zur lagebestimmung von objeckten im dreidimensionalen raum
DE102017205782A1 (de) Steuervorrichtung und Verfahren
EP1145086A2 (de) Verfahren und anordnung zur ermittlung eines ähnlichkeitsmasses einer ersten struktur mit mindestens einer vorgegebenen zweiten struktur
DE3446009C2 (de)
DE102020134119B3 (de) Verfahren zur Lokalisierung eines Kraftfahrzeugs in einer Assistenzkarte, Kraftfahrzeug, Computerprogramm und elektronisch lesbarer Datenträger
DE102014211709B4 (de) Verfahren zur rechnergestützten dreidimensionalen Rekonstruktion einer Oberfläche eines Objekts aus digitalen Bilddaten
DE102021113111A1 (de) Verfahren zur Kalibrierung von Sensorinformationen eines Fahrzeugs sowie Fahrassistenzsystem
DE102022202400A1 (de) Verfahren zur Lokalisierung eines Fahrzeuges sowie Sensorsystem für ein Fahrzeug zur Lokalisierung des Fahrzeuges
DE102022205910A1 (de) Verfahren und Vorrichtung zum Erkennen eines Parkplatzes für ein Fahrzeug mithilfe maschineller Lernverfahren
DE102021122432A1 (de) Eigenposition-Schätzverfahren

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980104077.0

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09710484

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 12866755

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2010546295

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09710484

Country of ref document: EP

Kind code of ref document: A1