WO2010086108A1 - Verfahren zum bereitstellen einer umfeldrepräsentation eines fahrzeugs - Google Patents

Verfahren zum bereitstellen einer umfeldrepräsentation eines fahrzeugs Download PDF

Info

Publication number
WO2010086108A1
WO2010086108A1 PCT/EP2010/000317 EP2010000317W WO2010086108A1 WO 2010086108 A1 WO2010086108 A1 WO 2010086108A1 EP 2010000317 W EP2010000317 W EP 2010000317W WO 2010086108 A1 WO2010086108 A1 WO 2010086108A1
Authority
WO
WIPO (PCT)
Prior art keywords
occupancy state
cell
occupancy
cells
determined
Prior art date
Application number
PCT/EP2010/000317
Other languages
English (en)
French (fr)
Inventor
Thien-Nghia Nguyen
Original Assignee
Volkswagen 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 Volkswagen Aktiengesellschaft filed Critical Volkswagen Aktiengesellschaft
Publication of WO2010086108A1 publication Critical patent/WO2010086108A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0134—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to imminent contact with an obstacle, e.g. using radar systems

Definitions

  • the invention relates to a method for providing an environment representation of a vehicle, in particular of a motor vehicle.
  • sensors to capture information about the environment.
  • ultrasonic sensors, RADAR sensors and / or LI DAR sensors or camera-based systems are used as sensors.
  • information about the environment is derived and processed to provide an environment representation that can be used by vehicle systems to provide the respective functionality.
  • the environment representation mainly uses a so-called object-based approach or a map-based approach.
  • the object-based approach uses the sensor data to identify and track individual objects (tracing or tracking). The individual objects and their properties are combined in a data set or state vector.
  • This representation is particularly well suited to represent dynamic, ie moving, objects. For a representation of static, immobile objects, this approach is less suitable.
  • the environment is thought to be divided into areas, each of which is or is assigned to a cell of a map.
  • the cell has at least one statement, referred to herein as occupancy information, about the occupancy of the associated area. For example, an occupancy probability for the individual cells is determined on the basis of the sensor data. The occupancy probability indicates with which probability there is an object or not in the area of the environment of the motor vehicle assigned to the cell.
  • This approach is suitable for representing static objects in the environment of the vehicle.
  • static objects are those which do not move in a spatially or spatially fixed coordinate system.
  • dynamic objects are those that are moved in a stationary or space-fixed coordinate system.
  • the card-based approach fuses the sensor data of consecutive measurements to support occupancy information and to guard against statistical variations and measurement noise.
  • Bayesian theorem is used for the fusion.
  • a disadvantage of the card-based approach is that dynamic objects can be represented very poorly, since a change in the occupancy probability for a cell only changes after several measurement cycles if the measurement data indicates a deviation of the current occupancy state from the occupancy state previously determined by sensor data fusion.
  • the object of the invention is to provide a method for an improved environment representation or an improved method for providing an environment representation.
  • the invention is based on the following thoughts:
  • Each cell of the card has a corresponding surface, referred to here as a region, in the environment of the motor vehicle.
  • Each cell i can assume one of three possible states Z: occupied, characterized by the letter B, free, characterized by the letter F, or unknown, characterized by the letter U.
  • the occupying state unknown is assumed, for example, for cells, their associated area yet has never been surveyed or its area obscured when measured by other objects.
  • the occupancy state of the area around the vehicle may only be vacant or occupied.
  • the occupancy state unknown of a cell thus expresses only the ignorance about the actual occupancy state of the associated area of the environment.
  • each cell becomes i assigned another attribute, a confidence P 1 .
  • This attribute indicates how much one can trust the determined occupancy state of the cell, which is also called the estimated state of the cell.
  • the confidence can be derived from sensor measurements. Thus, for example, the reflection strength of the beam or the number of reflected beams in a laser scanner (LIDAR system) from the area of a cell can decisively determine the confidence of the state estimate of this cell. In a stereo camera can be z. For example, you can make a statement about the confidence from the number of 3D points reconstructed in a cell. From the confidences of the individual measuring times, ie individual determined confidences of the occupancy states, a confidence P 1 of the respective cells i can be determined. The confidence usually assumes a value from the interval [0 ... 1].
  • a method for environment representation of a vehicle comprising the steps of: subdividing the environment into areas, and assigning cells to the areas, wherein the cells can assume an occupancy state, free, busy, or unknown, and wherein the Occupancy states are free and assigned as recognized occupancy statuses; Collecting sensor data about the environment; Determining the occupancy state for the cells in the environment using the sensor data; Determining confidence values, each representing a probability statement, that the occupancy state of the cell corresponds to a true occupancy state of the corresponding area; wherein each of the cells is assigned the last detected occupancy state; and the confidence value of each cell is updated.
  • the occupancy state of the cells is determined in each case by the last recognized occupancy state.
  • the cells of "actually" or “basically” free areas usually have a high confidence for the occupancy state freely when a moving object moves into the area , This confidence can be reassigned to the cell after leaving the moving object when the occupancy state has again changed to the value.
  • An embodiment of the invention therefore provides that the previous confidence value of a cell whose occupancy state is changed from freely assigned to occupied is stored in a backup memory assigned to the cell, and the current confidence value is assigned the confidence value of the current measurement.
  • the confidence values P 1 for the states "free" can be stored and the cells can accept these stored confidence values once the object has moved on.
  • a development of the invention therefore provides that the confidence value of a cell whose occupancy state is not changed is fused by means of a fusion formula based on the previous confidence value and the currently determined confidence value.
  • the fusion formula used is the Bayesian theorem, such that
  • the confidence value is fused by means of a fusion formula from the confidence value stored in the backup storage and the currently determined confidence value, when the occupancy state is changed from busy to free.
  • confidences for cells ie, confidence values for occupancy states of cells
  • the confidence value of a cell is determined according to Aging model is reduced if the current determined occupation state is unknown and deviates from the previously recognized occupancy state. This takes into account that for cells whose occupancy state was never known, a confidence value does not have to be aged.
  • An occupancy state in an embodiment that includes a noise detection or a noise detection method only as a detected state when it is determined that a detected change in occupancy state of a cell is not caused by noise.
  • a preferred embodiment thus provides that noise is detected when determining the current occupancy state using the sensor data, at least if an occupancy state change of an occupancy state determined only on the basis of the sensor data is established compared to the previous occupancy state of the cell.
  • the noise detection is preferably carried out by means of a fuzzy inference system.
  • fuzzy logic The reason for applying fuzzy logic is the effectiveness of modeling relationships of different sizes without having to use highly complex equations. Fuzzy sets and membership functions can be used to describe many parameters. A variety of criteria and properties can serve as input (inputs) to a fuzzy inference system that uses noise rejection.
  • the idea can be used that moving objects occur in the environment. As mentioned above, this results in the states of the cells being able to change from one to the next. More specifically, it is said that cells that were free at time k-1 may be occupied by moving objects at time k. On the other hand, there may also be cells that were occupied at time k-1 and are free at time k because an object has moved out of the associated area. In one In the case of a moving object, those areas or the associated cells which become free and which are occupied should have a correlation. This can be used to eliminate noise.
  • fuzzy inference system Other facts or criteria can also be used as input variables for a fuzzy inference system. For example, correlations of the measured occupancy states of different sensors for the same area of the environment or the environment of the vehicle.
  • a cluster size of adjacent cells that simultaneously change their occupancy state an association quality indicating a relationship of the cells belonging to a cluster, a correlation between clusters that change their occupancy state in the opposite direction, a correlation of Occupancy state of different sensors, state information about the measurement sensors and measurement influences, a confidence change for the occupancy state occupied for the cell between the previous occupancy state of the cell and the occupancy status determined solely on the basis of the sensor data, are used and the previous occupancy state is used as determined occupancy state when the interference system attributes the occupancy state change to noise, and otherwise the occupancy determined solely from the sensor data stand is used.
  • the cells In order to facilitate or facilitate reconciliation of the map-based environment representation with an object-based environment representation, in one embodiment it is provided to assign to the cells a further attribute indicating whether a cell occupying an occupancy state is part of a moving object or not , This means that the cells which were actually or basically detected as being free, i. have a high confidence for the occupancy state, and are now detected as occupied, as being marked as belonging to a moving object.
  • Fig. 1 is a schematic representation of a fuzzy inference system for noise detection
  • Fig. 2 is a schematic diagram illustrating the fuzzyfication of an input quantity
  • Fig. 3 is a schematic diagram for illustrating the defuzzification of an output quantity.
  • the environment i. H. the environment
  • the vehicle divided into areas. These areas can assume the occupancy status freely or assigned.
  • each area is assigned a cell.
  • Each cell of the card thus has a corresponding area, referred to here as area, in the environment of the motor vehicle.
  • Each cell i can assume one of three possible states Z: occupied, characterized by the letter B, free, characterized by the letter F, or unknown, characterized by the letter U.
  • the occupancy state unknown in the real environment expresses that no statement can be made about the true occupancy state of the associated area.
  • the assignment state unknown is assumed, for example, for cells whose associated area has never been measured or whose area is covered by other objects during the measurement.
  • a confidence can be determined for the determined occupancy states, which is a measure of the fact that the determined occupancy state coincides with the actual occupancy state of the associated area.
  • the confidence can be derived from sensor measurements.
  • the reflection strength of the beam or the number of reflected beams in a laser scanner can decisively determine the confidence of the state estimation of a cell.
  • a stereo camera can be z.
  • a confidence P 1 of the respective cells i can be determined. The confidence usually assumes a value from the interval [0 ... 1].
  • the previously determined confidence for the occupancy state value can be stored free of the associated cell. If the area is again detected as free, ie if the object has moved away from the associated area again, then the cell can again be assigned the stored confidence or a confidence derived therefrom and the current measurement. Based on these basic assumptions, the occupancy state and the confidence of any cell can be determined as follows or updated by new measurements:
  • the aging is carried out according to the following formula:
  • C 1 , C 2 are optimized aging constants and ⁇ k represents a time difference between times k and k-1.
  • the stored value of the backup memory is used. More preferably, however, the updated confidence is determined from the confidence determined in the current measurement and the stored confidence using the formula of the Bayes Theorem given above.
  • the cells can respond dynamically to moving objects. It should be noted, however, that noise thereby also gains more influence. In principle, it can not be determined at a first glance whether this is caused by a moving object or noise in the case of a determined occupancy state change. In practice, when using stereo cameras, it has been shown that the confidence determined for noise-induced states is much lower than for the occupancy states caused by objects. For the individual sensors, therefore, suitable criteria are to be established in order to reliably detect an occupancy state value due to noise.
  • a use of a fuzzy logic in the form of a fuzzy inference system is provided.
  • fuzzy logic As previously reported by Timothy J. Ross, Jane M. Booker, W. Jerry Parkinson: "Fuzzy Logic and Probability Applications - Bridging the Gap" ASA-SIAM Series on Statistics and Applied Probability, SIAM, Philadelphia, 2002. p. 29
  • An advantage of applying fuzzy logic is the effectiveness of modeling relationships of different sizes without having to deal with highly complex equations. Fuzzy sets and membership functions can be used to describe many parameters. The following criteria can be considered as Input (input variables) for a fuzzy inference system, which should only be mentioned in a nutshell:
  • Cluster Size A cluster size is determined by a number of cells experiencing the same occupancy state change at the same time. The higher the cluster size, the more likely an occupancy state change is caused by object movement. With the cell size of 10 cm x 10 cm, a cluster in the case of the moving object usually has a minimum size of three cells.
  • Map resolution the finer the map resolution, the more precise the cluster size can be determined.
  • a cohesion of the cells segmented in a cluster can be described by the quality of association.
  • the cohesion is determined by the distance between the cells of the cluster.
  • An association quality is great when the cells have small distances to each other.
  • clusters when an object moves on the map, it logically leaves both clusters that can be assigned a free-to-busy allocation state change and clusters that can be freely assigned to a busy state change from busy to busy. These clusters are usually similar.
  • Correlation between different sensors Using multiple sensors provides the ability to verify by correlating the measured occupancy conditions for the same areas. As a result, a higher reliability is achieved.
  • Expert knowledge about sensor misfire and false detection Each sensor is subject to certain measurement conditions, eg. B. It is known with cameras that during heavy rains, or reflections on dropouts or unreliable measurements. Therefore, knowledge of such measurement and / or environmental conditions can be used to properly process the measurement results of the sensors.
  • the above criteria are fuzzified and, as already mentioned, used as input variables (also referred to as input) for the fuzzy inference system 1, which is shown schematically in simplified form in FIG.
  • This fuzzyfying is illustrated schematically for an input variable in FIG.
  • the degree of membership is given by a magnitude of a value ⁇ which can be read on the ordinate for the respective membership functions (member chip functions) at the abscissa value at which the currently determined number of cells is plotted.
  • the individual rules 2-1, 2-2,... 2-r which represent the expert knowledge with regard to the presence of a noise or a moving object as a function of the individual elements, are then evaluated.
  • the rules may e.g. as follows:
  • the output of the fuzzy inference system is a probability-based statement as to whether the change in the occupancy state of the area associated with the cell is caused by a moving object or noise.
  • the output quantity can be determined, for example, by a defuzzification function, which is shown in FIG.
  • the determined occupancy state has the value which the cell had before the measurement. Otherwise, the occupancy state determined from the measurement is considered and used as the determined occupancy state. That is, the determined occupancy state is dependent on the result of the noise detection in embodiments that include noise detection.
  • Cells that are determined to have their occupancy state determined by a moving object are identified accordingly in one embodiment. For this purpose, a further storage element per cell is provided for the cells.
  • objects from the object fusion which were determined to be moving, can be transferred to the environment map. It has been found that areas in the environment map where occupancy state changes occur are in good agreement with the positions of the moving objects. Cells in this area can in one embodiment, the confidence of the objects from the object tracking, which is also called probability of existence, take over, as this is determined by multiple tracking (tracing) fairly reliable.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bereitstellen einer Umfeldrepräsentation eines Fahrzeugs, umfassend die Schritte: Unterteilen der Umgebung in Bereiche, und Zuordnen von Zellen zu den Bereichen, wobei die Zellen einen Belegungszustand, frei, belegt oder unbekannt annehmen können und wobei die Belegungszustände frei und belegt als erkannte Belegungszustände bezeichnet sind; Erfassen von Sensordaten über das Umfeld; Ermitteln des Belegungszustands für die Zellen im Umfeld unter Verwendung der Sensordaten; Ermitteln von Konfidenzwerten, die jeweils eine Wahrscheinlichkeitsaussage repräsentieren, dass der Belegungszustand der Zelle einem wahren Belegungszustand des entsprechenden Bereichs entspricht; wobei den Zellen iterativ jeweils der zuletzt ermittelte erkannte Belegungszustand zugewiesen wird und der Konfidenzwert der Zellen aktualisiert wird.

Description

Beschreibung
Verfahren zum Bereitstellen einer Umfeldrepräsentation eines Fahrzeugs
Die Erfindung betrifft ein Verfahren zum Bereitstellen einer Umfeldrepräsentation eines Fahrzeugs, insbesondere eines Kraftfahrzeugs.
In modernen Kraftfahrzeugen werden eine Reihe von Systemen eingesetzt, die einen Fahrer beim Führen des Kraftfahrzeugs unterstützen. Ein Teil dieser Systeme und der von ihnen ausgeführten und/oder bereitgestellten Funktionen dient einer Erhöhung einer Fahrsicherheit und/oder Fahrer- und Insassensicherheit. Rückhaltesysteme werden beispielsweise vor einem tatsächlich eingetretenen Unfall aktiviert, sobald ein Unfall als unvermeidbar erkannt ist. Hierfür ist eine möglichst gute Kenntnis des Umfelds des Fahrzeugs notwendig. Andere Systeme sind eher einem Komfortbereich zuzuordnen, hierzu zählen beispielsweise Systeme, die ein Ein- und/oder Ausparken des Fahrzeugs in eine Parklücke unterstützen. Wieder andere Systeme unterstützen das aktive Führen des Kraftfahrzeugs, wie beispielsweise Systeme zum Einhalten eines Mindestabstands von einem vorausfahrenden Kraftfahrzeug oder Systeme zum Unterstützen eines Spurwechsels usw.
Alle genannten Systeme und eine Vielzahl weiterer Systeme sind auf eine möglichst genaue Kenntnis des Umfelds des Kraftfahrzeugs angewiesen. Aus dem Stand der Technik ist es bekannt, Sensoren zu verwenden, um Informationen über das Umfeld zu erfassen. Als Sensoren werden beispielsweise Ultraschallsensoren, RADAR-Sensoren und/oder LI DAR-Sensoren oder kamerabasierte Systeme eingesetzt. Aus den Sensordaten werden Informationen über das Umfeld abgeleitet und aufbereitet, um eine Umfeldrepräsentation bereitzustellen, die von Fahrzeugsystemen genutzt werden kann, um die jeweilige Funktionalität bereitzustellen.
Im Stand der Technik werden zur Umfeldrepräsentation hauptsächlich ein so genannter objektbasierter Ansatz oder ein kartenbasierter Ansatz verwendet. Bei dem objektbasierten Ansatz werden anhand der Sensordaten einzelne Objekte identifiziert und nachverfolgt (Tracing oder Tracking). Die einzelnen Objekte samt ihrer Eigenschaften werden in einem Datensatz oder Zustandsvektor zusammengefasst. Diese Darstellung eignet sich besonders gut um dynamische, d.h. bewegte, Objekte zu repräsentieren. Für eine Darstellung von statischen, unbewegten Objekten ist dieser Ansatz weniger geeignet. Bei einem kartenbasierten Ansatz wird die Umgebung gedanklich in Bereiche unterteilt, denen jeweils eine Zelle einer Karte zugeordnet wird oder ist. Die Zelle weist mindestens eine Aussage, die hier als Belegungsinformation bezeichnet wird, über die Belegung des zugeordneten des Bereichs auf. Anhand der Sensordaten wird beispielsweise eine Belegungswahrscheinlichkeit für die einzelnen Zellen ermittelt. Die Belegungswahrscheinlichkeit gibt an, mit welcher Wahrscheinlichkeit sich in dem der Zelle zugeordneten Bereich der Umgebung des Kraftfahrzeugs ein Objekt befindet oder nicht. Dieser Ansatz eignet sich, um statische Objekte in dem Umfeld des Fahrzeugs zu repräsentieren.
Es versteht sich für den Fachmann, dass als statische Objekte solche angesehen werden, die sich in einem orts- oder raumfesten Koordinatensystem nicht bewegen. Entsprechend sind dynamische Objekte solche, die in einem orts- oder raumfesten Koordinatensystem bewegt sind.
Bei dem kartenbasierten Ansatz werden die Sensordaten aufeinanderfolgender Messungen fusioniert, um die Belegungsinformation zu untermauern und gegenüber statistischen Schwankungen und Messrauschen abzusichern. Hierbei wird zur Fusionierung beispielsweise das Bay- es'sche Theorem verwendet. Ein Nachteil des kartenbasierten Ansatzes besteht darin, dass dynamische Objekte sehr schlecht repräsentiert werden können, da sich eine Änderung der Belegungswahrscheinlichkeit für eine Zelle erst nach mehreren Messzyklen ändert, wenn die Messdaten eine Abweichung des aktuellen Belegungszustands von dem zuvor durch Sensordatenfusion ermittelten Belegungszustand anzeigen.
Aufgabe der Erfindung ist es ein Verfahren für eine verbesserte Umfeldrepräsentation bzw. verbessertes Verfahren zum Bereitstellen einer Umfeldrepräsentation zu schaffen.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 gelöst. Vorteilhafte Ausführungsformen der Erfindung ergeben sich aus den Unteransprüchen.
Der Erfindung liegen folgende Gedanken zugrunde:
Jede Zelle der Karte weist eine korrespondierende Fläche, hier als Bereich bezeichnet, im Umfeld des Kraftfahrzeugs auf. Jede Zelle i kann einen von drei möglichen Zuständen Z annehmen: belegt, gekennzeichnet durch den Buchstaben B, frei, gekennzeichnet durch den Buchstaben F, oder unbekannt, gekennzeichnet durch den Buchstaben U. (Der Belegungszustand unbekannt wird beispielsweise für Zellen angenommen, deren zugehöriger Bereich noch nie vermessen wurde oder dessen Bereich bei der Messung durch andere Objekte verdeckt ist.) Tatsächlich kann der Belegungszustand des Bereichs des Umfelds des Fahrzeugs nur frei oder belegt sein. Der Belegungszustand unbekannt einer Zelle drückt somit nur das Unwissen über den tatsächlichen Belegungszustand des zugehörigen Bereichs des Umfelds aus. Zu einem Zeitpunkt k gilt für eine Zelle i somit: Z,(k)= F oder B oder U. Da neben dem aktuellen Belegungszustand auch eine Information über die Güte der Belegungsinformation benötigt wird, insbesondere wenn sicherheitsrelevante Systeme die Information weiterverarbeiten, wird jeder Zelle i ein weiteres Attribut, eine Konfidenz P1, zugewiesen. Dieses Attribut gibt an, wie sehr man dem ermittelten Belegungszustand der Zelle, den man auch als geschätzten Zustand der Zelle bezeichnet, vertrauen kann. Die Konfidenz kann aus Sensormessungen abgeleitet werden. So kann beispielsweise die Reflexionsstärke des Strahls bzw. die Anzahl der reflektierten Strahlen bei einem Laserscanner (LIDAR-System) aus dem Bereich einer Zelle die Konfidenz der Zustandsschätzung dieser Zelle maßgeblich bestimmen. Bei einer Stereo-Kamera lässt sich z. B. aus der Anzahl der in einer Zelle rekonstruierten 3D-Punkte eine Aussage über die Konfidenz treffen. Aus den Konfidenzen der einzelnen Messzeitpunkte, d.h. einzelnen ermittelten Konfidenzen der Belegungszustände, kann eine Konfidenz P1 der jeweiligen Zellen i ermittelt werden. Die Konfidenz nimmt in der Regel einen Wert aus dem Intervall [0...1] an.
Insbesondere wird ein Verfahren zur Umfeldrepräsentation beziehungsweise zum Bereitstellen einer Umfeldrepräsentation eines Fahrzeugs geschaffen, welches die Schritte umfasst: Unterteilen der Umgebung in Bereiche, und Zuordnen von Zellen zu den Bereichen, wobei die Zellen einen Belegungszustand, frei, belegt oder unbekannt annehmen können und wobei die Belegungszustände frei und belegt als erkannte Belegungszustände bezeichnet sind; Erfassen von Sensordaten über das Umfeld; Ermitteln des Belegungszustands für die Zellen im Umfeld unter Verwendung der Sensordaten; Ermitteln von Konfidenzwerten, die jeweils eine Wahrscheinlichkeitsaussage repräsentieren, dass der Belegungszustand der Zelle einem wahren Belegungszustand des entsprechenden Bereichs entspricht; wobei den Zellen jeweils der zuletzt ermittelte erkannte Belegungszustand zugewiesen wird; und der Konfidenzwert einer jeden Zelle aktualisiert wird. Vorteil des Verfahrens ist, dass der Belegungszustand der Zellen jeweils durch den zuletzt erkannten Belegungszustand festgelegt ist. Dieses orientiert sich stark an der realen Situation des Umfelds. Ferner wird auf Änderungen des Belegungszustands aufgrund von sich dynamisch bewegenden Objekten sofort, d.h. schneller, reagiert. Somit ist eine Darstellung oder Berücksichtigung von bewegten, d. h. dynamischen Objekten besser gewährleistet. Eine Zuverlässigkeit der Aussage, d.h. des Informationsgehalts, einer jeden Zelle wird durch die zusätzlich ermittelte Konfidenz angezeigt. Im Umfeld des Fahrzeugs gibt es Bereiche, die grundsätzlich frei sind und zum aktuellen Messzeitpunkt temporär durch bewegte Objekte belegt sind. Um den aktuellen Belegungszustand korrekt anzuzeigen, ist es sinnvoll den Belegungszustand der zugehörigen Zellen entsprechend zu verändern. Diese Bereiche und somit die zugehörigen Zellen werden jedoch, nachdem das oder die bewegten Objekte die entsprechenden Bereiche wieder verlassen haben, wieder den Belegungszustand frei einnehmen. Da die Konfidenz eines Belegungszustands einer Zelle aus einer Vielzahl von Messwerten oder Messzyklen fusioniert sein kann, weisen die Zellen von „eigentlich" oder „grundsätzlich" freien Bereichen meist eine hohe Konfidenz für den Belegungszustand frei auf, wenn ein bewegtes Objekt sich in den Bereich bewegt. Diese Konfidenz kann nach dem Verlassen des bewegten Objekts der Zelle erneut zugewiesen werden, wenn der Belegungszustand erneut auf den Wert frei gewechselt hat. Eine Ausführungsform der Erfindung sieht daher vor, dass der bisherige Konfidenzwert einer Zelle, deren Belegungszustand von frei auf belegt geändert wird, in einem der Zelle zugeordneten Sicherungsspeicher abgelegt wird, und als aktueller Konfidenzwert der Konfidenzwert der aktuellen Messung zugewiesen wird. In dem Sicherungsspeicher können die Konfidenzwerte P1 für die Zustände „frei" gespeichert werden. Die Zellen können diese gespeicherten Konfidenzwerte wieder annehmen, sobald das Objekt sich fortbewegt hat.
Eine Weiterbildung der Erfindung sieht daher vor, dass der Konfidenzwert einer Zelle, deren Belegungszustand nicht verändert wird, mittels einer Fusionierungsformel anhand des bisherigen Konfidenzwerts und des aktuell ermittelten Konfidenzwerts fusioniert wird.
Bei einer Ausführungsform wird als Fusionierungsformel das Bayes'sche Theorem verwendet, so dass gilt:
P,(k - l) P,Mess(k)
P1W = '1 [7l -P,(k - l)] [l - P,Mess (k)J + P, (k - 1) • P,Mess (k)
wobei P,(k) den Konfidenzwert der Zelle i zum Zeitpunkt k angibt und P,Mess(k) den aktuell ermittelten Konfidenzwert angibt und k-1 einen vorangegangnen Messzeitpunkt angibt.
Um auch eine aktuelle Messung in die Ermittlung der Konfidenz mit einzubeziehen, wenn der Belegungszustand sich von belegt zurück auf frei ändert, ist bei einer Ausführungsform vorgesehen, dass der Konfidenzwert anhand einer Fusionierungsformel aus dem im Sicherungsspeicher abgelegten Konfidenzwert und dem aktuell ermittelten Konfidenzwert fusioniert wird, wenn der Belegungszustand von belegt auf frei geändert wird. Um zu berücksichtigen, dass Konfidenzen für Zellen, d. h. Konfidenzwerte für Belegungszu- stände von Zellen, mit der Zeit abnehmen, wenn über die den Zellen zugeordneten Bereiche keine neuen Daten erhoben werden können, ist bei einer Ausführungsform vorgesehen, dass der Konfidenzwert einer Zelle gemäß einem Alterungsmodell verringert wird, wenn der aktuelle ermittelte Belegungszustand unbekannt ist und von dem bisherigen erkannten Belegungszustand abweicht. Hierbei wird berücksichtigt, dass für Zellen, deren Belegungszustand nie bekannt war, ein Konfidenzwert nicht gealtert werden muss.
Bei einer Ausführungsform der Erfindung ist das Alterungsmodell durch folgende Formel beschrieben: P1 (k) =C, • P1 (k - 1) • e°2Δk , wobei Δk die Zeitspanne zwischen der vorherigen Messung zum Zeitpunkt k-1 und der aktuellen Messung zum Zeitpunkt k angibt und Ci und C2 Alterungskonstanten sind.
Da Messsensoren allgemein immer fehlerbehaftet sind und zum Beispiel ein Messrauschen aufweisen, ist es vorteilhaft, eine Rauscherkennung vorzusehen. Ein Belegungszustand gilt bei einer Ausführungsform, die eine Rauscherkennung oder ein Verfahren zur Rauscherkennung umfasst, nur als erkannter Zustand, wenn festgestellt ist, dass eine festgestellte Änderung eines Belegungszustands einer Zelle nicht durch Rauschen verursacht ist. Eine bevorzugte Ausführungsform sieht somit vor, dass bei der Ermittlung des aktuellen Belegungszustands unter Verwendung der Sensordaten eine Rauscherkennung ausgeführt wird, zumindest wenn eine BeIe- gungszustandsänderung eines nur aufgrund der Sensordaten festgestellten Belegungszustands gegenüber dem bisherigen Belegungszustand der Zelle festgestellt wird. Die Rauscherkennung wird vorzugsweise mittels eines Fuzzy-Inferenz-Systems ausgeführt.
Der Grund für die Anwendung von Fuzzy-Logik besteht in der Effektivität bei der Modellierung von Zusammenhängen unterschiedlicher Größen, ohne hoch komplexe Gleichungen nutzen zu müssen. Mit Fuzzy-Sets und Zugehörigkeitsfunktionen lassen sich viele Parameter beschreiben. Eine Vielzahl von Kriterien und Eigenschaften kann als Input (Eingangsgrößen) für ein Fuzzy-Inferenz-System dienen, für das eine Rauschunterdrückung genutzt wird.
Zum einen kann die Überlegung genutzt werden, dass sich bewegende Objekte im Umfeld vorkommen. Dies führt, wie oben bereits erwähnt, dazu, dass die Zustände der Zellen sich von einem zum nächsten Zeitpunkt ändern können. Genauer beschrieben heißt es: Zellen, die zum Zeitpunkt k-1 frei waren, können von bewegten Objekten zum Zeitpunkt k belegt werden. Auf der anderen Seite kann es auch Zellen geben, die zum Zeitpunkt k-1 belegt waren und zum Zeitpunkt k frei sind, weil ein Objekt sich aus dem zugehörigen Bereich fortbewegt hat. Bei ei- nem sich bewegenden Objekt sollten solche Bereiche bzw. die zugehörigen Zellen, die frei werden und die belegt werden, eine Korrelation aufweisen. Diese kann zum Ausschließen von Rauschen verwendet werden.
Auch andere Tatsachen oder Kriterien können als Eingangsgrößen für ein Fuzzy-Inferenz-Sys- tem genutzt werden. Beispielsweise Korrelationen der gemessenen Belegungszustände unterschiedlicher Sensoren für denselben Bereich der Umgebung bzw. des Umfelds des Fahrzeugs.
Bei einer Ausführungsform ist vorgesehen, dass als Eingabegröße eine Clustergröße benachbarter Zellen, die zeitgleich ihren Belegungszustand ändern, eine Assoziationsgüte, welche einen Zusammenhang der zu einem Cluster gehörenden Zellen angibt, eine Korrelation zwischen Clustern, die ihren Belegungszustand in entgegengesetzter Richtung ändern, eine Korrelation des anhand der Sensordaten ermittelten Belegungszustands unterschiedlicher Sensoren, Zustandsinformationen über die Messsensoren und Messeinflüsse, eine Konfidenzänderung für den Belegungszustand belegt für die Zelle zwischen dem bisherigen Belegungszustand der Zelle und dem ausschließlich anhand der Sensordaten festgestellten Belegungszustands verwendet werden und dass als ermittelter Belegungszustand der bisherige Belegungszustand verwendet wird, wenn das Interferenzsystem die Belegungszustandsänderung einem Rauschen zuschreibt, und andernfalls der ausschließlich anhand der Sensordaten festgestellte Belegungszustand verwendet wird.
Um einen Abgleich der kartenbasierten Umfeldrepräsentation mit einer objektbasierten Umfeldrepräsentation zu erleichtern oder zu ermöglichen, ist bei einer Ausführungsform vorgesehen, den Zellen ein weiteres Attribut zuzuordnen, welches angibt, ob eine Zelle, die einen Belegungszustand belegt, aufweist, Bestandteil eines bewegten Objekts ist oder nicht. Dieses bedeutet, dass die Zellen, die eigentlich oder grundsätzlich als frei detektiert wurden, d.h. eine hohe Konfidenz für den Belegungszustand frei aufwiesen, und nun als belegt detektiert sind, als zu einem beweglichen Objekt gehörig markiert werden.
Nachfolgend wird die Erfindung unter Bezugnahme auf eine Zeichnung anhand bevorzugter Ausführungsformen näher erläutert. Hierbei zeigen:
Fig. 1 eine schematische Darstellung eines Fuzzy-Inferenz-Systems zur Rauscherkennung;
Fig. 2 eine schematische Darstellung zur Veranschaulichung des Fuzzyfizierens einer Eingangsgröße; und Fig. 3 eine schematische Darstellung zur Veranschaulichung des Defuzzifizierens einer Ausgabegröße.
Für eine kartenbasierte Umfeldrepräsentation wird das Umfeld, d. h. die Umgebung, des Fahrzeugs in Bereiche unterteilt. Diese Bereiche können den Belegungszustand frei oder belegt annehmen. Zur Abbildung der Umgebung in eine Karte wird jedem Bereich eine Zelle zugeordnet. Jede Zelle der Karte besitzt somit eine korrespondierende Fläche, hier als Bereich bezeichnet, im Umfeld des Kraftfahrzeugs. Jede Zelle i kann einen von drei möglichen Zustände Z annehmen: belegt, gekennzeichnet durch den Buchstaben B, frei, gekennzeichnet durch den Buchstaben F, oder unbekannt, gekennzeichnet durch den Buchstaben U. Der in der realen Umgebung nicht anzutreffende Belegungszustand unbekannt, drückt aus, dass über den wahren Belegungszustand des zugehörigen Bereichs keine Aussage getroffen werden kann. Der Belegungszustand unbekannt wird beispielsweise für Zellen angenommen, deren zugehöriger Bereich noch nie vermessen wurde oder dessen Bereich bei der Messung durch andere Objekte verdeckt ist.
Für die ermittelten Belegungszustände lässt sich jeweils eine Konfidenz ermitteln, die ein Maß dafür ist, dass der ermittelte Belegungszustand mit dem tatsächlichen Belegungszustand des zugehörigen Bereichs übereinstimmt.
Die Konfidenz kann aus Sensormessungen abgeleitet werden. So kann beispielsweise die Reflexionsstärke des Strahls bzw. die Anzahl der reflektierten Strahlen bei einem Laserscanner (LIDAR-System) die Konfidenz der Zustandsschätzung einer Zelle maßgeblich bestimmen. Bei einer Stereo-Kamera lässt sich z. B. aus der Anzahl der in einer Zelle rekonstruierten 3D- Punkte eine Aussage über die Konfidenz treffen. Aus den Konfidenzen der einzelnen Messzeitpunkte, d.h. Konfidenzwerten unterschiedlicher Messzeitpunkte oder Messungen für ermittelte Belegungszustände, kann eine Konfidenz P1 der jeweiligen Zellen i ermittelt werden. Die Konfidenz nimmt in der Regel einen Wert aus dem Intervall [0...1] an.
Wird nun ein Bereich temporär durch ein Objekt belegt, so kann die zuvor ermittelte Konfidenz für den Belegungszustandswert frei der zugehörigen Zelle gespeichert werden. Wird der Bereich erneut als frei detektiert, d.h. hat sich das Objekt aus dem zugehörigen Bereich wieder wegbewegt, so kann der Zelle wieder die gespeicherte Konfidenz oder eine hieraus und der aktuellen Messung abgeleitete Konfidenz zugeordnet werden. Ausgehend von diesen Grundannahmen können der Belegungszustand und die Konfidenz einer beliebigen Zelle wie folgt ermittelt bzw. anhand von neuen Messungen aktualisiert werden:
Zum Zeitpunkt t=0 (Messungsstart) haben alle Zellen der Umfeldkarte den Zustand „unbekannt" und die Konfidenz von 0. Danach werden jeweils der gespeicherte Zustand Z1 (k - 1) und der aus einer aktuellen Messung abgeleitete Zustand Z^ess(k) verglichen.
Wenn sich der Belegungszustand der Zelle nicht ändert, z. B. Z1 (k - X) = Z,We" (k) = B , wird nur die Konfidenz P1 nach Bayes'schem Theorem aktualisiert. Der neue Belegungszustand bleibt der Alte. Für die Konfidenz gilt:
/>, (* - 1) - ?/*"(*)
W) =i
■ [l - P( (* - l)]- [l - ?/*-(*)]+ />, (* - l) - P,M"s(k)
Wenn sich der Zustand von „belegt" oder „frei", d.h. einem erkannten Zustand, auf „unbekannt" ändert, z.B. Z,(k - 1) = B; Zf"s{k) = U , wobei dieser Fall in der Praxis wegen Messungenauig- keiten, Zellenverdeckungen durch Objektsbewegung oder anderen Faktoren regelmäßig auftritt, wird der gespeicherte Belegungszustand beibehalten (Z1 (^ - I) = Z1(A) ), während die Konfidenz nach einem passenden Alterungsmodell reduziert wird. Bevorzugt wird die Alterung gemäß folgender Formel ausgeführt:
P1 (k) =C, - P,(k - l) - eClΔ\
wobei C1, C2 optimierte Alterungskonstanten sind und Δk eine Zeitdifferenz zwischen den Zeitpunkten k und k-1 repräsentiert.
Wenn sich der Belegungszustand von Z1 (k - I) = F von dem aktuell ermittelten erkannten Belegungszustand belegt, Z™ess(k) = B unterscheidet, das heißt eine Änderung des Belegungszustands von frei auf belegt auftritt, kann angenommen werden, dass sich ein Objekt in den der Zelle i zugeordneten Bereich bewegt hat. In diesem Fall übernimmt die Zelle i den Belegungszustand Z1 (k) = B . Die Konfidenz P wird wegen der Zustandsänderung neu initialisiert, basierend auf der aktuellen Messung (z. B. eine Anzahl der rekonstruierten 3D-Punkte auf Zelle i zum Zeitpunkt k). Die alte Konfidenz P1 (k - 1) für den Zustand Z1 (k - 1) = F wird in einem Sicherungsspeicher gespeichert, da erwartet wird, dass die Zelle irgendwann zu einem späteren Zeitpunkt wieder frei sein wird, sobald sich das Objekt aus dem zugeordneten Bereich wegbewegt hat.
Wenn sich der Belegungszustand von belegt auf frei ändert, d.h. Z1 (k - 1) = B und Z,Mωs (k) = F gilt, kann angenommen werden, dass das Objekt den der Zelle i zugeordneten Bereich verlassen hat. In diesem Fall übernimmt die Zelle den Zustand Z, (k) = F . Als Konfidenz wird bei einer Ausführungsform der abgespeicherte Wert des Sicherungsspeichers verwendet. Bevorzugter wird jedoch die aktualisierte Konfidenz aus der bei aktueller Messung ermittelten Konfidenz und der gespeicherten Konfidenz unter Verwendung der oben angegebenen Formel des Theorems von Bayes ermittelt.
Die bisherige Betrachtung hat vernachlässigt, dass ein gemessener Belegungszustand durch Rauschen des Messsensors beeinflusst sein kann. Eine festgestellte Änderung des Belegungszustands einer Zelle kann also ihre Ursache außer in der Bewegung eines Objekts auch in dem Rauschen des Messsensors haben.
Bei dem beschriebenen Verfahren können die Zellen dynamisch auf bewegende Objekte reagieren. Es ist zu jedoch zu beachten, dass Rauschen dadurch auch stärkeren Einfluss gewinnt. Im Prinzip kann bei einer festgestellten Belegungszustandsänderung auf dem ersten Blick nicht festgestellt werden, ob diese von einem sich bewegenden Objekt oder Rauschen verursacht ist. In der Praxis hat sich beim Einsatz von Stereo-Kameras gezeigt, dass für die durch Rauschen verursachten Zustände ermittelte Konfidenz wesentlich geringer ist als für die durch Objekte verursachten Belegungszustände. Für die einzelnen Sensoren sind somit geeignete Kriterien festzulegen, um möglichst zuverlässig einen Belegungszustandwert aufgrund von Rauschen zu erkennen.
Um eine effektive Rauscherkennung zu realisieren, ist bei einer Ausführungsform ein Einsatz einer Fuzzy-Logik in Form eines Fuzzy-Inferenz-Systems vorgesehen.
Wie bereits von Timothy J. Ross, Jane M. Booker, W. Jerry Parkinson: "Fuzzy Logic and Prob- ability Applications - Bridging the Gap" ASA-SIAM Series on Statistics and Applied Probability, SIAM, Philadelphia, 2002. S. 29-53 festgestellt ist, liegt ein Vorteil für die Anwendung von Fuzzy-Logik in einer Effektivität einer Modellierung von Zusammenhängen unterschiedlicher Größen, ohne hoch komplexe Gleichungen angehen zu müssen. Mit Fuzzy-Sets und Zugehörigkeitsfunktionen lassen sich viele Parameter beschreiben. Folgende Kriterien können als Input (Eingangsgrößen) für ein Fuzzy-Inferenz-System dienen, die hier nur stichwortartig erwähnt werden sollen:
Konfidenzänderung: Man definiert als Konfidenzänderung: AP = P,k~l (B) - P,kMess (B) , wobei
P,k'1(B), die Konfidenz für den Belegungszustand „belegt" der Zelle i zum Zeitpunkt k-1 und PkiMess(B) die Konfidenz für den Belegungszustand „belegt" der Zelle i zum Zeitpunkt k ausschließlich aufgrund der Messdaten angeben. Es ergibt sich für den Fachmann, dass ebenfalls die Konfidenz für den Belegungszustand „frei" verwendet werden kann. Ferner wird angemerkt, dass es möglich ist, aus der Konfidenz für den Belegungszustand „belegt" eine Konfidenz für den Belegungszustand „frei" und umgekehrt zu errechnen. Hierbei wird vorausgesetzt, dass ein der Zelle zugeordneter Bereich jeweils entweder frei oder belegt sein kann.
Clustergröße: Eine Clustergröße wird durch eine Anzahl der Zellen ermittelt, die zeitgleich dieselbe Belegungszustandsänderung erfahren. Je höher die Clustergröße, desto wahrscheinlicher ist eine Belegungszustandsänderung durch eine Objektbewegung verursacht. Bei der Zellengröße von 10 cm x 10 cm hat ein Cluster im Fall vom bewegten Objekt normalerweise eine Mindestgröße von drei Zellen.
Kartenauflösung: je feiner die Kartenauflösung, desto präziser kann die Clustergröße bestimmt werden.
Assoziationsgüte: Ein Zusammenhalt der in einem Cluster segmentierten Zellen kann durch die Assoziationsgüte beschrieben werden. Der Zusammenhalt wird über den Abstand der Zellen des Clusters zueinander festgelegt. Eine Assoziationsgüte ist groß, wenn die Zellen zueinander geringe Abstände aufweisen.
Korrelation zwischen Cluster: wenn ein Objekt sich auf der Karte bewegt, hinterlässt es logischerweise sowohl Cluster, die einer Belegungszustandsänderung von frei nach belegt zugeordnet werden können, als auch Cluster, die einer Belegungszustandsänderung von belegt nach frei zugeordnet werden können. Diese Cluster sind in der Regel ähnlich.
Korrelation zwischen verschiedenen Sensoren: Ein Einsatz von mehreren Sensoren bietet die Möglichkeit, eine Verifizierung über eine Korrelation der gemessenen Belegungszustände für dieselben Bereiche vorzunehmen. Hierdurch wird eine höhere Zuverlässigkeit erreicht. Expertenwissen über Sensorenaussetzer und falsche Detektion: Jeder Sensor unterliegt bestimmten Messbedingungen, z. B. Es ist bei Kameras bekannt, dass bei starken Regen, Son- nenlicht oder Spiegelungen zu Aussetzer oder unzuverlässige Messungen auftreten können. Deshalb können Kenntnisse über solche Mess- und/oder Umgebungszustände verwendet werden, um die Messergebnisse der Sensoren richtig zu verarbeiten.
Die obigen Kriterien werden fuzzyfiziert und wie schon erwähnt als Eingangsgrößen (die auch als Input bezeichnet werden) für das Fuzzy-Inferenz-System 1 verwendet, das vereinfacht schematisch in Fig. 1 dargestellt ist. Dieses Fuzzyfizieren ist schematisch für eine Eingangsgröße in Fig. 2 dargestellt. Anhand der Eingangsgröße Zellenanzahl in einem Cluster wird der Grad einer Zugehörigkeit zu den Elementen „kleiner Cluster" und „großer Cluster" ermittelt. Der Grad der Zugehörigkeit wird durch eine Größe eines Wertes μ angegeben, der auf der Ordinate für die jeweiligen Zugehörigkeitsfunktionen (Memberschip- Funktionen) an dem Abszissenwert, an dem die aktuell ermittelte Zellenanzahl abgetragen wird, abgelesen werden kann.
Bei dem Fuzzy-Inferenz-System 1 werden anschließend die einzelnen Regeln 2-1 , 2-2, ... 2-r, die das Expertenwissen hinsichtlich eines Vorliegens eines Rauschens oder eines bewegten Objekts in Abhängigkeit von den einzelnen Elemente darstellen, ausgewertet. Die Regeln können z.B. wie folgt lauten:
• WENN die Clustergröße klein ist UND die Kartenauflösung hoch ist, DANN ist die Wahrscheinlichkeit von Rauschen hoch (sehr wahrscheinlich Rausch).
• WENN die Clustergröße groß ist UND die Korrelation zwischen Clustern hoch ist, DANN ist die Wahrscheinlichkeit von Rauschen klein (sehr wahrscheinlich bewegendes Objekt)
• WENN die Sensormessbedingung nicht optimal ist, DANN ist die Wahrscheinlichkeit von Rauschen hoch (sehr wahrscheinlich Rausch)
• WENN die Konfidenzänderung groß ist UND die Chlustergröße groß ist, DANN ist die Wahrscheinlichkeit von Rausch klein (sehr wahrscheinlich bewegendes Objekt)
Es ist zu erkennen, dass manche Kriterien voneinander miteinander in Beziehung zueinander stehen, wie z.B. Clustergröße und Kartenauflösung. Daher werden sie mit einer UND-Verknüp- fung ausgewertet. In einem Aggregator 3 werden Und- und Oder-Verknüpfungen einzelner logischer Aussagen der Regeln 2-1 , 2-2, ..., 2-r kombiniert und die unterschiedlichen Regeln, die von unterschiedlichen Eingangsgrößen abhängen können, akkumuliert. Abschließend findet in einem Defuzzyfizierer 4 eine Defuzzyfikation satt, so dass als Ergebnis angegeben wird, ob die ausschließlich aufgrund der Messdaten angezeigte Änderung des Belegungszustands durch Rauschen oder ein bewegtes Objekt verursacht ist. Die Defuzzyfikation ist exemplarisch schematisch in Fig. 3 dargestellt. Zur Berechnung der Ausgabegröße (Outputgröße) kann z.B. die Methode „Center of Gravity", die von Dirk H. Traeger in "Einführung in die Fuzzy-Logik" - Teub- ner Stuttgart Verlag, 1993. S. 42-46 beschrieben ist, verwendet werden. Die Ausgabegröße des Fuzzy-Inferenz-Systems ist eine wahrscheinlichkeitsbasierte Aussage, ob die Änderung des Belegungszustands des der Zelle zugeordneten Bereichs durch ein bewegtes Objekt oder Rauschen verursacht ist. Die Outputgröße kann beispielsweise durch eine Defuzzifizierungssfunk- tion ermittelt werden, die in Fig 3 gezeigt ist.
Anhand der Ausgangsgröße ist es möglich das aktuelle Messergebnis hinsichtlich einer Ursache für die Belegungszustandsänderung zu klassifizieren. Entweder als wird Rauschen oder eine bewegtes Objekt als Ursache für die gemessene Belegungszustandsänderung angenommen.
Wird das Messergebnis durch die Fuzzy-Inferenz als Rauschen gekennzeichnet, so hat der ermittelte Belegungszustand den Wert, den die Zelle vor der Messung inne hatte. Andernfalls wird der aufgrund der Messung festgestellte Belegungszustand als ermittelter Belegungszustand angesehen und verwendet. Dieses bedeutet, der ermittelte Belegungzustand ist bei Ausführungsformen, die eine Rauscherkennung umfassen, von dem Ergebnis der Rauscherkennung abhängig.
Zellen, für die ermittelt ist, dass deren Belegungszustand durch eine bewegtes Objekt festgelegt ist, werden bei einer Ausführungsform entsprechend gekennzeichnet. Hierfür ist für die Zellen ein weiteres Speicherelement je Zelle vorgesehen.
Auf dieser Basis können Objekte aus der Objektfusion (Objekttracing), die als bewegend festgestellt wurden, auf die Umfeldkarte übertragen werden. Es hat sich gezeigt, dass Bereiche in der Umfeldkarte, in denen Belegungszustandsänderungen vorkommen, gut mit den Positionen der sich bewegenden Objekte übereinstimmen. Zellen in diesem Bereich können bei einer Ausführungsform die Konfidenz der Objekte aus dem Objekttracking, die auch Existenzwahrscheinlichkeit genannt wird, übernehmen, da diese durch mehrfaches Tracking (Tracing) ziemlich zuverlässig ermittelt ist.
Angemerkt wird ferner, dass für statische Bereiche die Konfidenz aufgrund mehrerer Beobachtungen anhand des klassischen Bayes'schen Ansatzes immer sicherer ermittelt und in der Umfeldkarte korrekt dargestellt wird.
Das beschriebene Verfahren bietet in den unterschiedlichen Ausführungsformen jeweils eine Lösung der Herausforderung, eine effektive Schnittstelle zu erstellen, in der die Ergebnisse aus den kartenbasierten und objektbasierten Umfeldmodellierungen lückenlos überführt werden können.

Claims

Patentansprüche
1. Verfahren zur Umfeldrepräsentation eines Fahrzeugs umfassend:
Unterteilen der Umgebung in Bereiche, und Zuordnen von Zellen zu den Bereichen, wobei die Zellen einen Belegungszustand, frei, belegt oder unbekannt annehmen können und wobei die Belegungszustände frei und belegt als erkannte Belegungszustände bezeichnet sind;
Erfassen von Sensordaten über das Umfeld;
Ermitteln der Belegungszustände für die Zellen im Umfeld unter Verwendung der Sensordaten;
Ermitteln von Konfidenzwerten, die jeweils eine Wahrscheinlichkeitsaussage repräsentieren, dass der Belegungszustand de,r Zelle einem wahren Belegungszustand des entsprechenden Bereichs entspricht; dadurch gekennzeichnet, dass den Zellen iterativ jeweils der zuletzt ermittelte erkannte Belegungszustand zugewiesen und der Konfidenzwert der Zellen aktualisiert wird.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass der bisherige Konfidenzwert einer Zelle, deren Belegungszustand von frei auf belegt geändert wird, in einem der Zelle zugeordneten Sicherungsspeicher abgelegt wird, und der Zelle als aktueller Konfidenzwert der Konfidenzwert der aktuellen Messung zugewiesen wird.
3. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der Konfidenzwert einer Zelle, deren Belegungszustand nicht verändert wird, mittels einer Fusi- onierungsformel anhand des bisherigen Konfidenzwerts der Zelle und des aktuell ermittelten Konfidenzwerts für die Zelle fusioniert wird.
4. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass als Fusionierungsformel das Bayes'sche Theorem verwendet wird, so dass gilt:
P(Ic) = -P, (* - I) - •?, '"(*) f wobei P,(k) den Konfidenzwert der Zelle
Λ [1 - P, {k - i)]- ll - />/*"(*)]+ P,(k - 1) • P,M"s(k) i zum Zeitpunkt k angibt und P,Mess(k) den aktuell ermittelten Konfidenzwert angibt.
5. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der Konfidenzwert anhand einer Fusionierungsformel aus dem im Sicherungsspeicher abgeleg- ten Konfidenzwert und dem aktuell ermittelten Konfidenzwert fusioniert wird, wenn der Belegungszustand von belegt auf frei geändert wird.
6. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der Konfidenzwert einer Zelle gemäß einem Alterungsmodell verringert wird, wenn der aktuelle ermittelte Belegungszustand unbekannt ist und von dem bisherigen Belegungszustand abweicht.
7. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass das Alterungsmodell durch folgende Formel beschrieben ist: P1 (k) =C, • Pl(k - l) - e°2Ak , wobei Δk die Zeitspanne zwischen der vorherigen Messung und der aktuellen Messung angibt und C1 und C2 Konstanten sind.
8. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass in die Ermittlung des aktuellen Belegungszustands unter Verwendung der Sensordaten eine Rauscherkennung umfasst, wenn eine Belegungszustandsänderung eines nur aufgrund der Sensordaten festgestellten Belegungszustands gegenüber dem bisherigen Belegungszustand der Zelle festgestellt wird, wobei die Rauscherkennung mittels eines Fuzzy-Inferenz- Systems ausgeführt wird.
9. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass als Eingabegröße eine Clustergröße benachbarter Zellen, die zeitgleich ihren Belegungszustand ändern, eine Assoziationsgüte, welche einen Zusammenhang der zu einem Cluster gehörenden Zellen angibt, eine Korrelation zwischen Clustern, die ihren Belegungszustand in entgegengesetzter Richtung ändern, eine Korrelation des anhand der Sensordaten ermittelten Belegungszustands unterschiedlicher Sensoren, Zustandsinformationen über die Messsensoren und Messeinflüsse und/oder eine Konfi- denzänderung für den Belegungszustand belegt für die Zelle zwischen dem bisherigen Belegungszustand der Zelle und dem ausschließlich anhand der Sensordaten ermittelten Belegungszustands verwendet werden und als ermittelter Belegungszustand der bisherige Belegungszustand verwendet wird, wenn das Fuzzy-Interferenz-System die Belegungszustandsänderung Rauschen zuschreibt, und andernfalls der ausschließlich anhand der Sensordaten ermittelte Belegungszustand verwendet wird.
PCT/EP2010/000317 2009-01-27 2010-01-20 Verfahren zum bereitstellen einer umfeldrepräsentation eines fahrzeugs WO2010086108A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102009006214.9A DE102009006214B4 (de) 2009-01-27 2009-01-27 Verfahren zum Bereitstellen einer Umfeldrepräsentation eines Fahrzeugs
DE102009006214.9 2009-01-27

Publications (1)

Publication Number Publication Date
WO2010086108A1 true WO2010086108A1 (de) 2010-08-05

Family

ID=42087258

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2010/000317 WO2010086108A1 (de) 2009-01-27 2010-01-20 Verfahren zum bereitstellen einer umfeldrepräsentation eines fahrzeugs

Country Status (2)

Country Link
DE (1) DE102009006214B4 (de)
WO (1) WO2010086108A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112572471A (zh) * 2020-12-08 2021-03-30 西人马帝言(北京)科技有限公司 自动驾驶方法、装置、电子设备及计算机存储介质
CN114734993A (zh) * 2020-12-23 2022-07-12 观致汽车有限公司 动态交通场景显示系统及显示方法
CN117572917A (zh) * 2024-01-17 2024-02-20 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种用于温度智能控制器的数据融合方法及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014204430A1 (de) * 2014-03-11 2015-09-17 Conti Temic Microelectronic Gmbh Verfahren und Vorrichtung zur Ermittlung einer Genauigkeit eines zu bewertenden Belegungsgitters für ein Fahrerassistenzsystem
DE102016206631A1 (de) * 2016-04-20 2017-10-26 Continental Automotive Gmbh Vorrichtung zur Datenfusion von Messdaten für eine Generierung eines räumlichen Belegungsrasters für ein Kraftfahrzeug
US10160448B2 (en) 2016-11-08 2018-12-25 Ford Global Technologies, Llc Object tracking using sensor fusion within a probabilistic framework
CN107358679B (zh) * 2017-06-14 2019-10-18 同济大学 一种基于新型模糊观测器的车辆质心侧偏角的估计方法
DE102018102671A1 (de) * 2018-02-07 2019-08-08 Valeo Schalter Und Sensoren Gmbh Verfahren und Fahrassistenzsystem zum automatisierten Parken eines Kraftfahrzeugs
DE102021209727A1 (de) 2021-09-03 2023-03-09 Robert Bosch Gesellschaft mit beschränkter Haftung Schätzvorrichtung zum Ermitteln eines fusionierten Schätzwerts für einen Bewegungsparameter zur Verwendung in einem Fahrassistenzsystem für ein Fahrzeug, Trainingsvorrichtung zum Training einer Konfidenzschätzeinheit, Fahrassistenzsystem, Verfahren zum Ermitteln eines fusionierten Schätzwerts und Verfahren zum Training einer Konfidenzschätzeinheit

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19717399A1 (de) * 1997-04-24 1999-06-17 Spies Martin Dipl Ing Fh Einrichtung zur Bestimmung von Abstand und Art von Objekten sowie der Sichtweite
US6163252A (en) * 1999-04-07 2000-12-19 Mitsubishi Denki Kabushiki Kaisha Device for detecting obstacles, for use in vehicles
DE102006061390A1 (de) * 2006-12-23 2008-07-10 Volkswagen Ag Umfelderfassungssystem und Umfelderfassungsverfahren eines Kraftfahrzeugs
WO2008110416A1 (de) * 2007-03-15 2008-09-18 Robert Bosch Gmbh Verfahren zur objektbildung

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7142150B2 (en) 2004-12-15 2006-11-28 Deere & Company Method and system for detecting an object using a composite evidence grid
DE102006046843A1 (de) 2006-10-02 2008-04-03 Robert Bosch Gmbh Verfahren zur Erkennung eines Umfelds
DE102009007395B4 (de) 2008-03-25 2015-11-26 Volkswagen Ag Verfahren zur kartenbasierten Umfelddarstellung eines Fahrzeugs

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19717399A1 (de) * 1997-04-24 1999-06-17 Spies Martin Dipl Ing Fh Einrichtung zur Bestimmung von Abstand und Art von Objekten sowie der Sichtweite
US6163252A (en) * 1999-04-07 2000-12-19 Mitsubishi Denki Kabushiki Kaisha Device for detecting obstacles, for use in vehicles
DE102006061390A1 (de) * 2006-12-23 2008-07-10 Volkswagen Ag Umfelderfassungssystem und Umfelderfassungsverfahren eines Kraftfahrzeugs
WO2008110416A1 (de) * 2007-03-15 2008-09-18 Robert Bosch Gmbh Verfahren zur objektbildung

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DIRK H. TRAEGER: "Einführung in die Fuzzy-Logik", 1993, TEUB NER STUTTGART VERLAG, article "Center of Gravity", pages: 42 - 46
TIMOTHY J. ROSS; JANE M. BOOKER; W. JERRY PARKINSON: "ASA7SIAM Series on Statistics and Applied Probability", 2002, SIAM, article "Fuzzy Logic and Probability Applications - Bridging the Gap", pages: 29 - 53

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112572471A (zh) * 2020-12-08 2021-03-30 西人马帝言(北京)科技有限公司 自动驾驶方法、装置、电子设备及计算机存储介质
CN114734993A (zh) * 2020-12-23 2022-07-12 观致汽车有限公司 动态交通场景显示系统及显示方法
CN114734993B (zh) * 2020-12-23 2023-11-03 观致汽车有限公司 动态交通场景显示系统及显示方法
CN117572917A (zh) * 2024-01-17 2024-02-20 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种用于温度智能控制器的数据融合方法及系统
CN117572917B (zh) * 2024-01-17 2024-04-09 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种用于温度智能控制器的数据融合方法及系统

Also Published As

Publication number Publication date
DE102009006214B4 (de) 2022-10-13
DE102009006214A1 (de) 2010-07-29

Similar Documents

Publication Publication Date Title
WO2010086108A1 (de) Verfahren zum bereitstellen einer umfeldrepräsentation eines fahrzeugs
DE102009007395B4 (de) Verfahren zur kartenbasierten Umfelddarstellung eines Fahrzeugs
WO2019141311A1 (de) Verfahren zur detektion eines objektes
DE102009006113A1 (de) Vorrichtung und Verfahren zur Sensorfusion mit dynamischen Objekten
EP1612580A1 (de) Objekterkennungsverfahren für Fahrzeuge
EP3142913B1 (de) Umfeldkarte für fahrflächen mit beliebigem höhenverlauf
DE102014208009A1 (de) Erfassen von statischen und dynamischen Objekten
WO2018091386A1 (de) Verfahren zum erfassen und zur klassifizierung eines objekts mittels zumindest einer sensorvorrichtung auf basis einer belegungskarte, fahrerassistenzsystem sowie kraftfahrzeug
DE102011111440A1 (de) Verfahren zur Umgebungsrepräsentation
EP3254136A1 (de) Verarbeitung von sensormessungen eines fahrzeugumfeldes bei geringer querauflösung
DE102006046843A1 (de) Verfahren zur Erkennung eines Umfelds
DE102013011239A1 (de) Verfahren zur Bestimmung einer Bewegung eines Objekts
WO2013178407A1 (de) Verfahren und vorrichtung zur verarbeitung stereoskopischer daten
DE102016216154A1 (de) Verfahren und Auswerteeinheit zur Ermittlung der Position von Verkehrszeichen
DE102018213515A1 (de) Verfahren und Vorrichtung zum Erfassen einer Grenze in einem Umfeld eines Objekts
DE102018122374A1 (de) Verfahren zum Bestimmen eines ein Kraftfahrzeug umgebenden Freiraums, Computerprogrammprodukt, Freiraumbestimmungseinrichtung und Kraftfahrzeug
DE102019210767A1 (de) Verfahren und Vorrichtung zum Fusionieren einer Mehrzahl von Signalen einer Ultraschallsensorik eines Fortbewegungsmittels
DE112015006845T5 (de) Verbessertes Kurvenverhalten
DE102013220170A1 (de) Verfahren zum Bestimmen einer kinematischen Zustandsgröße eines Objekts
DE102018215288A1 (de) Verfahren und Verarbeitungseinheit zur Verfolgung eines Objektes
DE102019208507A1 (de) Verfahren zur Bestimmung eines Überlappungsgrades eines Objektes mit einem Fahrstreifen
DE102008055932A1 (de) Verfahren zur modellbasierten Simulation eines Verhaltens eines Sensors
DE102020204833B4 (de) Verfahren und Vorrichtung zum Fusionieren einer Mehrzahl von Signalen einer Ultraschallsensorik eines Fortbewegungsmittels
DE102019130037B4 (de) Verfahren zum Betrieb mindestens eines Umfelderfassungssensors eines Fahrzeugs
DE102019218078B4 (de) Bestimmung eines Sachverhalts im Umfeld eines Kraftfahrzeugs

Legal Events

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

Ref document number: 10700819

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 10700819

Country of ref document: EP

Kind code of ref document: A1