WO2013164182A2 - Verfahren und vorrichtung zur bestimmung eines umfelds - Google Patents

Verfahren und vorrichtung zur bestimmung eines umfelds Download PDF

Info

Publication number
WO2013164182A2
WO2013164182A2 PCT/EP2013/057767 EP2013057767W WO2013164182A2 WO 2013164182 A2 WO2013164182 A2 WO 2013164182A2 EP 2013057767 W EP2013057767 W EP 2013057767W WO 2013164182 A2 WO2013164182 A2 WO 2013164182A2
Authority
WO
WIPO (PCT)
Prior art keywords
probability
hypothesis
criterion
environment
motor vehicle
Prior art date
Application number
PCT/EP2013/057767
Other languages
English (en)
French (fr)
Other versions
WO2013164182A3 (de
Inventor
Thomas App
Pascal KANTER
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to US14/397,820 priority Critical patent/US9747801B2/en
Publication of WO2013164182A2 publication Critical patent/WO2013164182A2/de
Publication of WO2013164182A3 publication Critical patent/WO2013164182A3/de

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • 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
    • B60W40/06—Road conditions

Definitions

  • the invention relates to a technique for determining an environment of a motor vehicle.
  • the invention relates to a classification of the environment based on locally scanned information.
  • Onboard a motor vehicle may be installed a variety of support systems for the driver, which are referred to as assistance systems.
  • assistance systems may include, for example, a lane departure warning, which issues a warning when the motor vehicle is about to leave a drawn lane on a road.
  • Another assistance system may include a parking aid that provides steering or driving information for a parking operation.
  • the function of such assistants it is advantageous to know in which environment or on which type of road the motor vehicle is currently located. If, for example, the lane assistant is provided with the information that the motor vehicle is located on a freeway, certain functions can be parameterized accordingly. For example, optical information on a lane can be evaluated more specifically.
  • Known assistants determine a position of the motor vehicle and close on the basis of map data at the specific position on the environment.
  • the map database can be outdated and thus lead to misinformation.
  • Another approach suggests the environment determined at least approximately on the basis of the current speed of the motor vehicle. For example, from a driving speed of about 130 km / h, it can be assumed that the motor vehicle is located on a motorway.
  • such a provision is prone to error and can even counteract the functionality of the assistant selectively.
  • the invention is therefore based on the object to provide a method, a computer program product and a device for improved classification of the environment of a motor vehicle.
  • the invention solves these objects by means of the subject matters of the independent claims. Subclaims give preferred embodiments again.
  • a method of classifying an environment of a motor vehicle comprises steps of providing a hypothesis to which class the environment belongs, of sampling information from the surroundings of the motor vehicle and of determining, on the basis of the sampled information, a criterion that the Hypothesis supports or weakens. From the criterion, a probability is then determined by means of Bayesian filtering, with which the hypothesis is correct.
  • the actual environment of the motor vehicle can be determined without recourse to a database and the associated risks of incorrect entries.
  • a driver assistance method downstream of the method may attach more or less importance to the determination. This can be resolved if necessary contradictions between different information with ease.
  • the Bayesian filter can be used in such a way that past assessments, recognized as correct or incorrect, contribute to improving the selectivity. An erroneous rejection or mistaken acceptance of the hypothesis may become less frequent or less likely without further action.
  • the hypothesis is assumed if the probability exceeds an upper threshold, and discarded if the probability falls below a lower threshold, the thresholds having a predetermined distance from each other.
  • a driver assistant to benefit from the procedure, which is not prepared to work with probabilities.
  • the particular environment may be displayed to the driver of the motor vehicle for purposes of control or acknowledgment or opposition.
  • a function can also be degraded with regard to the given probability, or the function can change internal parameters or thresholds on the basis of the given probability.
  • a plurality of specific criteria are stored, the likelihood being determined based on the stored criteria.
  • the statistical evaluation of the Bayesian filter can be carried out on a broader basis of input parameters. The selectivity of the filter can thereby increase.
  • Each criterion may refer to a time and the criteria may be cyclically stored after their reference times, so that the probability is always determined with respect to a predetermined, past period of time.
  • the determination may thus evaluate, in the manner of a moving average, past information that is within an interval considered relevant to the determination of the current environment.
  • the number of stored criteria for example based on a speed of the motor vehicle, may be variable. A transition between different environments of the motor vehicle can be traced faster in this way by the process.
  • each criterion is assigned a first weighting factor.
  • a first criterion may represent a lateral dynamics of the motor vehicle, while a second criterion is associated with a driving speed of the motor vehicle.
  • the weighting factor for the first criterion may be greater than the weighting factor of the second criterion in determining whether the environment of the motor vehicle is in the class of highways. The relevance of the different criteria for determining the probability with regard to the valid hypothesis can thus be modeled. Both the selectivity and the rate of determination of the classification of the environment can be improved thereby.
  • the determination of the criterion includes weighting with an ignorance factor that increases with increasing
  • the criterion is multiplied by another factor that reduces the influence of the criterion on the certain probability if the most recently determined probability was in the range of the assumption (near 1) or in the area of rejection (near 0) of the hypothesis.
  • the method with increased speed tends to converge, ie to determine a value that is as different as possible from the 50% probability.
  • a temporary situation such as a tunnel transit or an overtaking process can leave the determination or classification of the environment untouched.
  • a computer program product comprises program code means for carrying out the described method when the computer program product runs on a processor or is stored on a computer-readable medium.
  • An inventive device for classifying the environment of a motor vehicle comprises an estimating device for providing a hypothesis to which class the environment belongs, an interface for receiving information that is sampled from the environment of the motor vehicle, and a processing device for determining a criterion that the Hypo- This either supports or weakens, based on the scanned information, and for determining a probability with which the hypothesis holds, by means of Bayesian filtering of the criterion.
  • the apparatus is arranged to set up and test a number of different hypotheses to determine which class the environment is most likely to associate with.
  • the device can be arranged on board the motor vehicle and be configured to provide a signal indicative of the environment of the motor vehicle to one or more driver assistance systems of the motor vehicle.
  • the device additionally comprises a ring memory for storing a predetermined number of specific criteria, the Bayes filtering being performed on the basis of the stored criteria.
  • FIG. 1 shows a device for classifying an environment of a motor vehicle
  • FIG. 2 is a flowchart of a method
  • FIG. 3 shows a representation of the determination of the probability in the method of FIG. 2.
  • Figure 4 is a diagram of a decision curve of the method of Figure 2.
  • FIG. 1 shows a device 100 for classifying an environment 105 of a motor vehicle 1 10.
  • the device 100 is arranged on board the motor vehicle 110 and is configured to determine the environment 105 or to perform a classification as to whether the environment 105 is in a predetermined class falls.
  • classes may include, for example, a highway, a traffic-calmed
  • Zone a city traffic or a parking situation.
  • a scanning device 1 15 is provided, which is adapted to scan the environment 105 of the motor vehicle 1 10.
  • the scanning device 1 15 comprises a camera for recording still or moving images.
  • a plurality of and / or different scanning devices 15 may be provided, such as a distance sensor or a position sensor.
  • the scanner 1 15 does not have to be included in the device 100, but can also be assigned to a subsystem of the motor vehicle 110, the information provided being shared by the device 100.
  • the device 100 comprises a first interface 120 for receiving the information of the scanner 1 15, a second interface 125 for providing a signal indicative of the class of the environment 105, and a processing device 130 connected to both interfaces 120, 125.
  • the read access to the elements of the circular buffer 135 can be done randomly. The number of elements of the ring buffer
  • 135 may be variable and varied, for example, based on a vehicle speed or other operating parameter of the motor vehicle 110.
  • the ring buffer 135 generally has a fixed size of n memory locations, whereby it can also be used on a control unit without dynamic memory management. tion can be used.
  • the content of the ring memory 135 can be implemented very simply and efficiently a "running mean”.
  • a rule base 140 is optionally provided, in which parameters and constants that correspond to different classes of environments 105 can be stored. In order to determine whether the environment 105 of the motor vehicle 1 10 falls within a predetermined class, the parameters corresponding to this class can be read by the processing device 130 and possibly also written.
  • FIG. 2 shows a flow diagram of a method 200 for classifying the environment of the motor vehicle 110 of FIG. 1.
  • the method 200 is set up, in particular, for execution on the processing device 130 of the device 100 on board the motor vehicle 110 in FIG.
  • the method 200 may be in the form of a computer program product for controlling a programmable microcomputer.
  • the purpose of the method 200 is to determine the class of the environment 105 or to determine whether the environment 105 falls into a predetermined class. In different embodiments, not all of the following steps need to be implemented.
  • the method 200 begins in a step 205 in which a class is provided, which is called hypothesis below, and is to be checked as to whether the current environment 105 of the motor vehicle 110 falls within this class.
  • the probability that the hypothesis is true is set to a fixed value that is between extreme values of the probability. For example, the probability may be between 0 (hypothesis certainly does not) and 1 (hypothesis holds true), where a probability close to 0.5 indicates that additional data is needed to judge whether the hypothesis should be accepted or discarded.
  • a subsequent step 215 the environment 105 is scanned by means of the scanning device 15. The resulting information is made available to the device 100 via the interface 120.
  • one or more criteria are determined, each of which individually indicates whether or not the environment 105 could fall into the predetermined class. The criteria will be explained in more detail below with reference to FIG. Although any of a variety of criteria may be determined and evaluated based on the information of one or more scanners 15, it will be assumed below that it is a single criterion.
  • the criterion is weighted by a constant factor. This factor is assigned to the criterion and may vary depending on the predetermined class.
  • the particular criterion is then weighted with a dynamic factor.
  • a dynamic factor For this purpose, an ignorance factor is determined in a step 230, which indicates how much a previously determined probability that the environment 105 lies in the predetermined class differs from a value lying between the extremes, in particular of 0.5.
  • An exemplary determination of the ignorance factor w can be made as follows:
  • p is the last certain probability that the environment 105 is in the predetermined class.
  • the counter described can still be divided by the number n of processed criteria in order to determine w. In this case, cyclic storage of the last one takes place in a step 240 certain criterion. If ring buffer 135 is not yet completely filled, the specific criterion is stored at the next available memory location. Otherwise, the particular criterion overwrites the oldest, previously stored value.
  • A is the hypothesis and B the definite criterion.
  • P ⁇ A ⁇ B) is thus the probability that the hypothesis is to be assumed - and the environment 105 of the motor vehicle 1 10 lies in the predetermined class - on the condition that the criterion exists.
  • P ⁇ A) is the absolute probability that the hypothesis is to be assumed, in the present example this would be about the absolute probability for a highway ride.
  • P ⁇ B) is the absolute probability of the criterion, for example a low transverse dynamics of the motor vehicle 1 10.
  • the absolute probabilities can be updated on the basis of successful determinations of the environment 105, whereby a learning effect of the Bayesian filter can occur.
  • step 250 the probability value determined in step 245 renews the previously determined value.
  • the new probability value may be compared to thresholds that realize hysteresis of a statement regarding the hypothesis. For example, if the certain probability value is above an upper threshold, the hypothesis should be accepted. If the probability value is below a lower threshold, so the hypothesis is to be rejected. On the other hand, if the probability lies between the two thresholds, then a statement based on the available information or criteria is not yet conclusive. In a concluding step 260, the determined probability or the particular statement is provided, for example by means of the interface 125. Subsequently, the method 200 can return to step 215 and run through again.
  • FIG. 3 shows a representation for determining the probability in the method of FIG. 2.
  • a numerical value 305 is determined which is used as criterion B in step 245 of the method 200 from FIG. 2 (compare equation 2).
  • the numeric value 305 is determined based on first criteria 310 and second criteria 315.
  • the first criteria 310 when satisfied, each indicates that the hypothesis is correct.
  • the second criteria 315 indicate that the hypothesis is inaccurate.
  • the first criteria 310 may include high speed, rectified parallel traffic, low average steering angles, or multiple marked lanes.
  • the second criteria 315 may include, for example, a high lateral dynamics, a reverse drive or first criteria 310 missing over a predetermined time.
  • the first criteria 310 are evaluated as positive and the second criteria 315 are evaluated negatively, wherein each criterion 310, 315 is assigned a fixed numerical value, which is given as an example in a circle.
  • the numerical values of those criteria 310, 315 which were previously determined to be present are added up and form a sum which can be evaluated as a numerical value 305 in step 245 of the method 200.
  • the updating of the sum can occur periodically or whenever a new criterion 210, 215 arrives.
  • FIG. 4 shows a diagram 400 of an exemplary decision curve 405 of the method 200 from FIG. 2. In the horizontal direction, a time is entered, and a probability in the vertical direction.
  • the determined probability p is high and decreases relatively strongly, because the criterion of a high transverse dynamic was determined, which has a high negative weighting.
  • the decision curve 405 subtly drops because no first criteria 310 can be determined that increases the probability p, and therefore a lightly weighted negative criterion is continuously applied.
  • the gentle waste may also be due to a general lack of usable readings.
  • the decision curve 405 increases again relatively steeply, because as a first criterion 310 a parallel traffic on a neighboring lane was detected as a criterion.
  • the illustrated example course of the decision curve 405 corresponds to an embodiment of the method 200, in which the ring buffer 135 from FIG. 1 is used to take into account a predetermined number of past criteria for determining the probability.
  • the indicated, slightly logarithmic course of the decision curve 405 beyond the time t2 results in particular when the dynamic ignorance factor w is taken into account, as described above with reference to equation 1 and steps 230, 235 of the method 200 from FIG.

Abstract

Ein Verfahren zum Klassifizieren eines Umfelds eines Kraftfahrzeugs umfasst Schritte des Bereitstellens einer Hypothese, welcher Klasse das Umfeld zugehörig ist, des Abtastens von Informationen aus dem Umfeld des Kraftfahrzeugs und des Bestimmens eines Kriteriums, das die Hypothese stützt oder schwächt, auf der Basis der abgetasteten Informationen. Aus dem Kriterium wird dann mittels Bayes-Filterung eine Wahrscheinlichkeit bestimmt, mit der die Hypothese zutrifft.

Description

Beschreibung
Titel
Verfahren und Vorrichtung zur Bestimmung eines Umfelds
Die Erfindung betrifft eine Technik zur Bestimmung eines Umfelds eines Kraftfahrzeugs. Insbesondere betrifft die Erfindung eine Klassifikation des Umfelds auf der Basis von lokal abgetasteten Informationen.
Stand der Technik
An Bord eines Kraftfahrzeugs kann eine Vielzahl von Unterstützungssystemen für den Fahrer installiert sein, die als Assistenzsysteme bezeichnet werden. Ein solches System kann beispielsweise einen Spurassistenten (lane departure warning) umfassen, das eine Warnung ausgibt, wenn das Kraftfahrzeug im Begriff ist, eine eingezeichnete Spur auf einer Straße zu verlassen. Ein anderes Assistenzsystem kann eine Einparkhilfe umfassen, das Lenk- oder Fahrhinweise für einen Einparkvorgang gibt. Zur Funktion derartiger Assistenten ist es von Vorteil, zu wissen, in welchem Umfeld bzw. auf welcher Art von Straße sich das Kraftfahrzeug gerade befindet. Steht beispielsweise dem Spurassistenten die Information zur Verfügung, dass sich das Kraftfahrzeug auf einer Autobahn befindet, so können gewisse Funktionen daran angepasst parametrisiert werden. Beispielsweise können optische Hinweise auf eine Fahrspur gezielter ausgewertet werden.
Bekannte Assistenten bestimmen eine Position des Kraftfahrzeugs und schließen auf der Basis von Kartendaten an der bestimmten Position auf das Umfeld. Es ist jedoch nicht jedes Kraftfahrzeug mit einem Navigationssystem bzw. einer Kar- tendatenbank ausgerüstet, außerdem kann die Kartendatenbank veraltet sein und so zu Fehlinformationen führen. Ein anderer Ansatz schlägt vor, das Umfeld wenigstens näherungsweise anhand der gegenwärtigen Geschwindigkeit des Kraftfahrzeugs zu bestimmen. Beispielsweise kann ab einer Fahrgeschwindigkeit von ca. 130 km/h davon ausgegangen werden, dass sich das Kraftfahrzeug auf einer Autobahn befindet. Eine derartige Bestimmung ist jedoch fehleranfällig und kann der Funktionsfähigkeit des Assistenten punktuell sogar entgegen wirken.
Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren, ein Computerprogrammprodukt und eine Vorrichtung zur verbesserten Klassifikation des Umfelds eines Kraftfahrzeugs bereitzustellen. Die Erfindung löst diese Aufgaben mit- tels der Gegenstände der unabhängigen Ansprüche. Unteransprüche geben bevorzugte Ausführungsformen wieder.
Offenbarung der Erfindung
Ein erfindungsgemäßes Verfahren zum Klassifizieren eines Umfelds eines Kraftfahrzeugs umfasst Schritte des Bereitstellens einer Hypothese, welcher Klasse das Umfeld zugehörig ist, des Abtastens von Informationen aus dem Umfeld des Kraftfahrzeugs und des Bestimmens, auf der Basis der abgetasteten Informatio- nen, eines Kriteriums, das die Hypothese stützt oder schwächt. Aus dem Kriterium wird dann mittels Bayes-Filterung eine Wahrscheinlichkeit bestimmt, mit der die Hypothese zutrifft.
Durch die Verarbeitung von lokal verfügbaren Informationen kann das tatsächliche Umfeld des Kraftfahrzeugs ohne einen Rückgriff auf eine Datenbank und den damit verbundenen Risiken inkorrekter Einträge bestimmt werden. Ferner kann durch Bereitstellen einer graduellen Wahrscheinlichkeit anstelle einer binären Aussage ein dem Verfahren nachgeschaltetes Fahrerassistenzverfahren der Bestimmung mehr oder weniger Bedeutung beimessen. Dadurch können gegebenenfalls Widersprüche zwischen unterschiedlichen Informationen erleichtert aufgelöst werden. Außerdem kann der Bayes-Filter so eingesetzt werden, dass zurückliegende, als richtig oder falsch erkannte Einschätzungen zur Verbesserung der Trennschärfe beitragen. Ein irrtümliches Ablehnen oder irrtümliches Annehmen der Hypothese kann dadurch ohne weiteres Zutun weniger häufig bzw. weniger wahrscheinlich werden. Bevorzugterweise wird die Hypothese angenommen, falls die Wahrscheinlichkeit einen oberen Schwellenwert übersteigt, und verworfen, falls die Wahrscheinlichkeit einen unteren Schwellenwert unterschreitet, wobei die Schwellenwerte einen vorbestimmten Abstand zueinander aufweisen.
Dadurch kann auch ein Fahrerassistent von dem Verfahren profitieren, der nicht darauf vorbereitet ist, mit Wahrscheinlichkeiten zu arbeiten. Außerdem kann das bestimmte Umfeld dem Fahrer des Kraftfahrzeugs zwecks Kontrolle bzw. Bestätigung oder Widerspruch zur Anzeige gebracht werden. Weiter kann auch eine Funktion bezüglich der gegebenen Wahrscheinlichkeit degradiert werden oder die Funktion kann anhand der gegebenen Wahrscheinlichkeit innere Parameter oder Schwellen umstellen.
In einer bevorzugten Ausführungsform wird eine Vielzahl von bestimmten Kriterien gespeichert, wobei die Wahrscheinlichkeit auf der Basis der gespeicherten Kriterien bestimmt wird. Dadurch kann die statistische Auswertung des Bayes- Filters auf einer verbreiterten Basis an Eingabeparametern durchgeführt werden. Die Trennschärfe des Filters kann dadurch zunehmen.
Jedes Kriterium kann sich auf einen Zeitpunkt beziehen und die Kriterien können nach ihren Bezugszeitpunkten zyklisch gespeichert werden, so dass die Wahrscheinlichkeit stets bezüglich eines vorbestimmten, zurückliegenden Zeitraums bestimmt wird. Die Bestimmung kann somit nach Art eines gleitenden Durchschnitts zurückliegende Informationen bewerten, die innerhalb eines Intervalls liegen, der als relevant für die Bestimmung des gegenwärtigen Umfelds angesehen wird.
Dabei kann die Anzahl der gespeicherten Kriterien, beispielsweise auf der Basis einer Geschwindigkeit des Kraftfahrzeugs, variabel sein. Ein Übergang zwischen unterschiedlichen Umfeldern des Kraftfahrzeugs kann auf diese Weise schneller durch das Verfahren nachvollzogen werden.
In einer weiter bevorzugten Ausführungsform ist jedem Kriterium ein erster Wichtungsfaktor zugeordnet. Beispielsweise kann ein erstes Kriterium eine Querdynamik des Kraftfahrzeugs repräsentieren, während ein zweites Kriterium einer Fahrgeschwindigkeit des Kraftfahrzeugs zugeordnet ist. Der Wichtungsfaktor für das erste Kriterium kann beim Bestimmen, ob das Umfeld des Kraftfahrzeugs in der Klasse der Autobahnen liegt, größer sein als der Wichtungsfaktor des zweiten Kriteriums. Die Relevanz der unterschiedlichen Kriterien für die Bestimmung der Wahrscheinlichkeit bezüglich der geltenden Hypo- these kann so modelliert sein. Sowohl die Trennschärfe als auch die Bestimmungsgeschwindigkeit der Klassifikation des Umfelds kann dadurch verbessert sein.
In einer weiteren bevorzugten Ausführungsform umfasst das Bestimmen des Kri- teriums ein Gewichten mit einem Unwissenheitsfaktor, der mit zunehmendem
Abstand der zuletzt bestimmten Wahrscheinlichkeit von den Extremwerten ansteigt. Anders ausgedrückt, wird das Kriterium mit einem weiteren Faktor multipliziert, der den Einfluss des Kriteriums auf die bestimmte Wahrscheinlichkeit reduziert, wenn die zuletzt bestimmte Wahrscheinlichkeit im Bereich der Annahme (nahe 1 ) oder im Bereich der Ablehnung (nahe 0) der Hypothese lag. Auf diese
Weise tendiert das Verfahren mit vergrößerter Geschwindigkeit dazu, zu konvergieren, also einen von der Wahrscheinlichkeit 50% möglichst stark unterschiedlichen Wert zu bestimmen. Je weiter die bestimmte Wahrscheinlichkeit von 50% entfernt liegt, desto geringer ist der Einfluss eines neu bestimmten Kriteriums auf die neu zu bestimmende Wahrscheinlichkeit, so dass das Annehmen oder Verwerfen der Hypothese auch bei kurzfristig geänderten Informationen, beispielsweise in Form eines Messfehlers oder eines Ausreißers, stabil sein kann. So kann beispielsweise eine vorübergehende Situation wie eine Tunneldurchque- rung oder ein Überholvorgang die Bestimmung bzw. Klassifikation des Umfelds unberührt lassen.
Ein Computerprogrammprodukt umfasst Programmcodemittel zur Durchführung des beschriebenen Verfahrens, wenn das Computerprogrammprodukt auf einer Verarbeitungseinrichtung abläuft oder auf einem computerlesbaren Datenträger gespeichert ist.
Eine erfindungsgemäße Vorrichtung zur Klassifizierung des Umfelds eines Kraftfahrzeugs umfasst eine Schätzeinrichtung zur Bereitstellung einer Hypothese, welcher Klasse das Umfeld zugehörig ist, eine Schnittstelle zur Entgegennahme von Informationen, die aus dem Umfeld des Kraftfahrzeugs abgetastet sind, und eine Verarbeitungseinrichtung zur Bestimmung eines Kriteriums, das die Hypo- these stützt oder schwächt, auf der Basis der abgetasteten Informationen, und zur Bestimmung einer Wahrscheinlichkeit, mit der die Hypothese zutrifft, mittels Bayes-Filterung des Kriteriums. In einer bevorzugten Ausführungsform ist die Vorrichtung dazu eingerichtet, eine Anzahl unterschiedlicher Hypothesen aufzustellen und zu prüfen, um zu bestimmen, welcher Klasse das Umfeld höchstwahrscheinlich zuzuordnen ist.
Die Vorrichtung kann an Bord des Kraftfahrzeugs angeordnet und dazu eingerichtet sein, ein Signal, das auf das Umfeld des Kraftfahrzeugs hinweist, einem oder mehreren Fahrerassistenzsystemen des Kraftfahrzeugs zur Verfügung zu stellen.
In einer bevorzugten Ausführungsform umfasst die Vorrichtung zusätzlich einen Ringspeicher zur Speicherung einer vorbestimmten Anzahl bestimmter Kriterien, wobei die Bayes-Filterung auf der Basis der gespeicherten Kriterien erfolgt.
Kurze Beschreibung der Figuren
Die Erfindung wird nun mit Bezug auf die beigefügten Figuren genauer beschrieben, in denen:
Figur 1 eine Vorrichtung zur Klassifizierung eines Umfelds eines Kraftfahrzeugs; Figur 2 ein Ablaufdiagramm eines Verfahrens;
Figur 3 eine Darstellung der Bestimmung der Wahrscheinlichkeit im Verfahren von Figur 2; und
Figur 4 ein Diagramm eines Entscheidungskurve des Verfahrens von Figur 2 darstellt.
Genaue Beschreibung von Ausführungsbeispielen Figur 1 zeigt eine Vorrichtung 100 zur Klassifizierung eines Umfelds 105 eines Kraftfahrzeugs 1 10. Die Vorrichtung 100 ist an Bord des Kraftfahrzeugs 1 10 angeordnet und dazu eingerichtet, das Umfeld 105 zu bestimmen bzw. eine Klassifikation durchzuführen, ob das Umfeld 105 in eine vorbestimmte Klasse fällt. Derartige Klassen können beispielsweise eine Autobahn, eine verkehrsberuhigte
Zone, einen Stadtverkehr oder eine Parksituation umfassen.
An Bord des Kraftfahrzeugs 1 10 ist eine Abtasteinrichtung 1 15 vorgesehen, die dazu eingerichtet ist, das Umfeld 105 des Kraftfahrzeugs 1 10 abzutasten. In der vorliegenden Darstellung umfasst die Abtasteinrichtung 1 15 eine Kamera zur Aufnahme von Still- oder Bewegtbildern. In weiteren Ausführungsformen können auch mehrere und/oder andere Abtasteinrichtungen 1 15 vorgesehen sein, etwa ein Abstandssensor oder ein Positionssensor. Die Abtasteinrichtung 1 15 muss nicht von der Vorrichtung 100 umfasst , sondern kann auch einem Subsystem des Kraftfahrzeugs 1 10 zugeordnet sein, wobei die bereitgestellten Informationen durch die Vorrichtung 100 mitbenutzt werden.
Die Vorrichtung 100 umfasst eine erste Schnittstelle 120 zur Entgegennahme der Informationen der Abtasteinrichtung 1 15, eine zweite Schnittstelle 125 zur Bereitstellung eines Signals, das auf die Klasse des Umfelds 105 hinweist, und eine Verarbeitungseinrichtung 130, die mit beiden Schnittstellen 120, 125 verbunden ist.
Zur effizienten Implementation kann Bevorzugterweise zusätzlich ein Ringspei- eher 135 vorgesehen sein, der mit der Verarbeitungseinrichtung 130 verbunden ist und eine zyklische Speicherung einer vorbestimmten Anzahl von Elementen zulässt, wobei bei gefülltem Ringspeicher 135 ein Schreiben eines neuen Elements ein Entfernen des ältesten Elements aus dem Ringspeicher 135 umfasst. In einer bevorzugten Ausführungsform kann der Lesezugriff auf die Elemente des Ringspeichers 135 wahlfrei erfolgen. Die Zahl der Elemente des Ringspeichers
135 kann variabel sein und beispielsweise auf der Basis einer Fahrgeschwindigkeit oder eines anderen Betriebsparameters des Kraftfahrzeugs 1 10 variiert werden.
Der Ringspeicher 135 hat im Allgemeinen eine feste Größe von n Speicherstellen, wodurch er auch auf einem Steuergerät ohne dynamische Speicherverwal- tung eingesetzt werden kann. Über den Inhalt des Ringspeichers 135 kann sehr einfach und effizient ein gleitender Durchschnitt („running mean") implementiert werden.
Ferner ist optional eine Regelbasis 140 vorgesehen, in der Parameter und Konstanten, die zu unterschiedlichen Klassen von Umfeldern 105 korrespondieren, abgespeichert sein können. Um zu bestimmen, ob das Umfeld 105 des Kraftfahrzeugs 1 10 in eine vorbestimmte Klasse fällt, können die zu dieser Klasse korrespondierenden Parameter durch die Verarbeitungseinrichtung 130 gelesen und gegebenenfalls auch geschrieben werden.
Figur 2 zeigt ein Ablaufdiagramm eines Verfahrens 200 zum Klassifizieren des Umfelds des Kraftfahrzeugs 1 10 von Figur 1 . Das Verfahren 200 ist insbesondere zum Ablauf auf der Verarbeitungseinrichtung 130 der Vorrichtung 100 an Bord des Kraftfahrzeugs 1 10 in Figur 1 eingerichtet. Insbesondere kann das Verfahren 200 in Form eines Computerprogrammprodukts zur Steuerung eines programmierbaren Mikrocomputers ausgebildet sein. Zweck des Verfahrens 200 ist, die Klasse des Umfelds 105 zu bestimmen, bzw. zu bestimmen, ob das Umfeld 105 in eine vorbestimmte Klasse fällt. In unterschiedlichen Ausfürhungsformen müssen nicht alle der im Folgenden angegebenen Schritte implementiert sein.
Das Verfahren 200 beginnt in einem Schritt 205, in dem eine Klasse bereitgestellt wird, die im Folgenden Hypothese genannt wird, und von der überprüft werden soll, ob das gegenwärtige Umfeld 105 des Kraftfahrzeugs 1 10 in diese Klasse fällt. In einem nachfolgenden Schritt 210 wird die Wahrscheinlichkeit, mit der die Hypothese zutrifft, auf einen festen Wert gesetzt, der zwischen Extremwerten der Wahrscheinlichkeit liegt. Die Wahrscheinlichkeit kann beispielsweise zwischen 0 (Hypothese gilt sicher nicht) und 1 (Hypothese gilt sicher) liegen, wobei eine Wahrscheinlichkeit nahe 0,5 anzeigt, dass zusätzliche Daten erforderlich sind, um beurteilen zu können, ob die Hypothese angenommen oder verworfen werden soll.
In einem nachfolgenden Schritt 215 wird das Umfeld 105 mittels der Abtasteinrichtung 1 15 abgetastet. Die resultierenden Informationen werden der Vorrichtung 100 über die Schnittstelle 120 zugänglich gemacht. In einem Schritt 220 werden eines oder mehrere Kriterien bestimmt, die jedes für sich darauf hinweisen, ob das Umfeld 105 in die vorbestimmte Klasse fallen könnte oder eher nicht. Die Kriterien werden unten mit Bezug auf Figur 3 noch genauer erläutert. Obwohl eine beliebige Vielzahl von Kriterien auf der Basis der Informationen einer oder mehrerer Abtasteinrichtungen 1 15 bestimmt und ausgewertet werden kann, wird im Folgenden davon ausgegangen, dass es sich allein um ein Kriterium handelt.
In einem nachfolgenden Schritt 225 wird das Kriterium mit einem konstanten Faktor gewichtet. Dieser Faktor ist dem Kriterium zugeordnet und kann je nach der vorbestimmten Klasse unterschiedlich sein.
In einer bevorzugten Ausführungsform wird anschließend das bestimmte Kriterium noch mit einem dynamischen Faktor gewichtet. Hierfür wird in einem Schritt 230 ein Unwissenheitsfaktor bestimmt, der angibt, um wie viel sich eine zuvor bestimmte Wahrscheinlichkeit, dass das Umfeld 105 in der vorbestimmten Klasse liegt, von einem zwischen den Extremen liegenden Wert, insbesondere von 0,5, unterscheidet. Eine beispielhafte Bestimmung des Unwissenheitsfaktors w kann auf folgende Weise erfolgen:
w =
Figure imgf000009_0001
(Gleichung 1 )
Dabei ist p die zuletzt bestimmte Wahrscheinlichkeit, dass das Umfeld 105 in der vorbestimmten Klasse liegt. Der Zähler der Formel von Gleichung 1 hat also maximalen Wert, falls p = 0,5 gilt. Je näher p an 1 oder 0 liegt, desto kleiner ist auch der Zähler von Gleichung 1 . Dadurch wird dem Kriterium ein umso größerer Ein- fluss auf eine erneute Bestimmung der Wahrscheinlichkeit eingeräumt, je unsicherer die zurückliegende Bestimmung war.
Wird eine Vielzahl von Kriterien verarbeit, beispielsweise bei Einsatz des Ringspeichers 135 aus Figur 1 , so kann zur Bestimmung von w der beschriebene Zähler noch durch die Anzahl n der verarbeiteten Kriterien geteilt werden. In diesem Fall erfolgt in einem Schritt 240 ein zyklisches Speichern des jeweils zuletzt bestimmten Kriteriums. Ist der Ringspeicher 135 noch nicht vollständig gefüllt, so wird das bestimmte Kriterium am nächsten freien Speicherplatz abgelegt. Andernfalls überschreibt das bestimmte Kriterium den jeweils ältesten, zuvor gespeicherten Wert.
In einem nachfolgenden Schritt 245 werden das bzw. die bestimmten Kriterien in einem Bayes-Filter verarbeitet. Das Bayes-Theorem lautet:
^ 1 '~ T{5) (Gleichung 2)
, wobei Wahrscheinlichkeit von A unter der Bedingung B, ^ ) die
Wahrscheinlichkeit von A und die Wahrscheinlichkeit von B ist.
Vorliegend ist A die Hypothese und B das bestimmte Kriterium. P{A \ B ) ist somit die Wahrscheinlichkeit, dass die Hypothese anzunehmen ist - und das Umfeld 105 des Kraftfahrzeugs 1 10 in der vorbestimmten Klasse liegt - unter der Bedingung, dass das Kriterium vorliegt.
P {A ) ist die absolute Wahrscheinlichkeit, dass die Hypothese anzunehmen ist, im vorliegenden Beispiel wäre das etwa die absolute Wahrscheinlichkeit für eine Autobahnfahrt. P {B ) ist die absolute Wahrscheinlichkeit des Kriteriums, beispielsweise einer niedrigen Querdynamik des Kraftfahrzeugs 1 10. Die absoluten Wahrscheinlichkeiten können anhand erfolgreicher Bestimmungen des Umfelds 105 aktualisiert werden, wodurch ein Lerneffekt des Bayes-Filters eintreten kann.
In einem nachfolgenden Schritt 250 erneuert der im Schritt 245 bestimmte Wahrscheinlichkeitswert den zuvor bestimmten bzw. gesetzten Wert.
In einem optionalen Schritt 255 kann der neue Wahrscheinlichkeitswert mit Schwellenwerten verglichen werden, die eine Hysterese einer Aussage bezüglich der Hypothese realisieren. Liegt der bestimmte Wahrscheinlichkeitswert beispielsweise über einem oberen Schwellenwert, so ist die Hypothese anzunehmen. Liegt der Wahrscheinlichkeitswert unterhalb eines unteren Schwellenwerts, so ist die Hypothese zu verwerfen. Liegt die Wahrscheinlichkeit hingegen zwischen den beiden Schwellenwerten, so ist eine Aussage auf der Basis der vorliegenden Informationen bzw. Kriterien noch nicht schlüssig. In einem abschließenden Schritt 260 wird die bestimmte Wahrscheinlichkeit bzw. die bestimmte Aussage bereitgestellt, beispielsweise mittels der Schnittstelle 125. Anschließend kann das Verfahren 200 zum Schritt 215 zurückkehren und erneut durchlaufen.
Figur 3 zeigt eine Darstellung zur Bestimmung der Wahrscheinlichkeit im Verfahren von Figur 2. Es wird ein numerischer Wert 305 bestimmt, der in Schritt 245 des Verfahrens 200 aus Figur 2 als Kriterium B verwendet wird (vgl. Gleichung 2).
Der numerische Wert 305 wird auf der Basis von ersten Kriterien 310 und zweiten Kriterien 315 bestimmt. Die ersten Kriterien 310 weisen, wenn sie erfüllt sind, jeweils darauf hin, dass die Hypothese zutreffend ist. Die zweiten Kriterien 315 hingegen weisen darauf, dass die Hypothese unzutreffend ist.
Besteht die Hypothese beispielsweise darin, dass das Umfeld 105 der Klasse der Autobahnen zuzuordnen ist, so können die ersten Kriterien 310 eine hohe Geschwindigkeit, einen gleichgerichteten Parallelverkehr, geringe durchschnittliche Lenkwinkel oder mehrere markierte Fahrstreifen umfassen. Die zweiten Kriterien 315 können beispielsweise eine hohe Querdynamik, eine Rückwärtsfahrt oder über eine vorbestimmte Zeit ausbleibende erste Kriterien 310 umfassen.
Die ersten Kriterien 310 werden positiv gewertet und die zweiten Kriterien 315 werden negativ gewertet, wobei jedem Kriterium 310, 315 ein fester Zahlenwert zugeordnet ist, der jeweils beispielhaft in einem Kreis angegeben ist. Die Zahlenwerte derjenigen Kriterien 310, 315, die zuvor als vorliegend bestimmt wurden, werden aufaddiert und bilden eine Summe, die als numerischer Wert 305 im Schritt 245 des Verfahrens 200 ausgewertet werden kann. Das Aktualisieren der Summe kann periodisch oder jeweils bei Eintreffen eines neuen Kriteriums 210, 215 erfolgen. Figur 4 zeigt ein Diagramm 400 einer beispielhaften Entscheidungskurve 405 des Verfahrens 200 aus Figur 2. In horizontaler Richtung ist eine Zeit, in vertikaler Richtung eine Wahrscheinlichkeit eingetragen.
Vor einem ersten Zeitpunkt t1 ist die bestimmte Wahrscheinlichkeit p hoch und sinkt relativ stark ab, weil das Kriterium einer hohen Querdynamik bestimmt wurde, das eine hohe negative Gewichtung aufweist. Zwischen den Zeitpunkten t1 und t2 fällt die Entscheidungskurve 405 sanfter ab, da keine ersten Kriterien 310 bestimmt werden können, die die Wahrscheinlichkeit p erhöhen, und deshalb ein gering gewichtetes negatives Kriterium fortlaufend angewendet wird. Der sanfte Abfall kann auch in einem allgemeinen Ausbleiben verwertbarer Messwerte begründet sein. In einem solchen Fall sollte die bestimmte Wahrscheinlichkeit p allgemein stets sanft in Richtung Unwissenheit, beispielsweise also p = 0,5, gelenkt werden, gleich ob von einem nahe 1 oder einem nahe 0 liegenden Wahrscheinlichkeitswert aus. Nach dem zweiten Zeitpunkt t2 steigt die Entscheidungskurve 405 wieder relativ steil an, weil als erstes Kriterium 310 ein Parallelverkehr auf einer Nachbarspur als Kriterium erfasst wurde.
Der gezeigte, beispielhafte Verlauf der Entscheidungskurve 405 korrespondiert zu einer Ausprägung des Verfahrens 200, bei welcher der Ringspeicher 135 aus Figur 1 verwendet wird, um jeweils eine vorbestimmte Anzahl zurückliegender Kriterien für die Bestimmung der Wahrscheinlichkeit zu berücksichtigen. Der angedeutete, leicht logarithmische Verlauf der Entscheidungskurve 405 jenseits des Zeitpunkts t2 ergibt sich insbesondere bei Berücksichtigung des dynamischen Unwissenheitsfaktors w, wie oben mit Bezug auf Gleichung 1 sowie Schritte 230, 235 des Verfahrens 200 aus Figur 2 beschrieben wurde.

Claims

Ansprüche
1 . Verfahren (200) zum Klassifizieren eines Umfelds (105) eines Kraftfahrzeugs (1 10), folgende Schritte umfassend:
- Bereitstellen (205) einer Hypothese, welcher Klasse das Umfeld (105) zugehörig ist;
- Abtasten (215) von Informationen aus dem Umfeld (105) des Kraftfahrzeugs (1 10);
- Bestimmen (220), auf der Basis der abgetasteten Informationen, eines Kriteriums (310, 315), das die Hypothese stützt oder schwächt, gekennzeichnet durch
- Bestimmen (245) einer Wahrscheinlichkeit (p), mit der die Hypothese zutrifft, mittels Bayes-Filterung des Kriteriums (310, 315).
2. Verfahren (200) nach Anspruch 1 , ferner umfassend ein Annehmen (255) der Hypothese, falls die Wahrscheinlichkeit (p) einen oberen Schwellenwert übersteigt, und ein Verwerfen (255) der Hypothese, falls die Wahrscheinlichkeit (p) einen unteren Schwellenwert unterschreitet, wobei die Schwellenwerte einen vorbestimmten Abstand zueinander aufweisen.
3. Verfahren (200) nach Anspruch 1 oder 2, ferner umfassend ein Speichern (240) einer Vielzahl von bestimmten Kriterien (310, 315), wobei die Wahrscheinlichkeit (p) auf der Basis der gespeicherten Kriterien (310, 315) bestimmt (245) wird.
4. Verfahren (200) nach Anspruch 3, wobei sich jedes Kriteriums (310, 315) auf einen Zeitpunkt bezieht und die Kriterien (310, 315) nach ihren Bezugszeitpunkten zyklisch gespeichert (240) werden, so dass die Wahrscheinlichkeit (p) bezüglich eines vorbestimmten, zurückliegenden Zeitraums bestimmt wird. Verfahren (200) nach Anspruch 4, wobei die Anzahl der gespeicherten Kriterien (310, 315) auf der Basis einer Geschwindigkeit des Kraftfahrzeugs bestimmt ist.
Verfahren (200) nach einem der vorangehenden Ansprüche, wobei jedem Kriterium (310, 315) ein erster Wichtungsfaktor (225) zugeordnet ist.
Verfahren (200) nach einem der vorangehenden Ansprüche, wobei das Bestimmen des Kriteriums (310, 315) ein Wichten (235) mit einem Unwissenheitsfaktor (w) umfasst, der mit zunehmendem Abstand der zuletzt bestimmten Wahrscheinlichkeit (p) von den Extremwerten ansteigt (230).
Computerprogrammprodukt mit Programmcodemitteln zur Durchführung des Verfahrens (200) nach einem der vorangehenden Ansprüche, wenn das Computerprogrammprodukt auf einer Verarbeitungseinrichtung (130) abläuft oder auf einem computerlesbaren Datenträger gespeichert ist.
Vorrichtung (100) zur Klassifizierung eines Umfelds eines Kraftfahrzeugs (1 10), umfassend:
- eine Schätzeinrichtung (130, 140) zur Bereitstellung einer Hypothese, welcher Klasse das Umfeld (105) zugehörig ist;
- eine Schnittstelle (120) zur Entgegennahme von Informationen, die aus dem Umfeld (105) des Kraftfahrzeugs abgetastet sind;
- eine Verarbeitungseinrichtung (130) zur Bestimmung eines Kriteriums (310, 315), das die Hypothese stützt oder schwächt, auf der Basis der abgetasteten Informationen und zur Bestimmung einer Wahrscheinlichkeit (p), mit der die Hypothese zutrifft, mittels Bayes-Filterung des Kriteriums (310, 315).
0. Vorrichtung nach Anspruch 9, ferner umfassend einen Ringspeicher (135) zur Speicherung einer vorbestimmten Anzahl bestimmter Kriterien (310, 315).
PCT/EP2013/057767 2012-04-30 2013-04-15 Verfahren und vorrichtung zur bestimmung eines umfelds WO2013164182A2 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/397,820 US9747801B2 (en) 2012-04-30 2013-04-15 Method and device for determining surroundings

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102012207203.9 2012-04-30
DE201210207203 DE102012207203A1 (de) 2012-04-30 2012-04-30 Verfahren und Vorrichtung zur Bestimmung eines Umfelds

Publications (2)

Publication Number Publication Date
WO2013164182A2 true WO2013164182A2 (de) 2013-11-07
WO2013164182A3 WO2013164182A3 (de) 2014-03-27

Family

ID=48184157

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2013/057767 WO2013164182A2 (de) 2012-04-30 2013-04-15 Verfahren und vorrichtung zur bestimmung eines umfelds

Country Status (3)

Country Link
US (1) US9747801B2 (de)
DE (1) DE102012207203A1 (de)
WO (1) WO2013164182A2 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012207203A1 (de) * 2012-04-30 2013-10-31 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung eines Umfelds
DE102015012648B4 (de) 2015-09-30 2017-07-20 Audi Ag Verfahren zum Betrieb wenigstens eines Fahrzeugsystems eines Kraftfahrzeugs und Kraftfahrzeug
DE102016220581A1 (de) * 2016-10-20 2018-04-26 Continental Teves Ag & Co. Ohg Verfahren und vorrichtung zur bestimmung eines umfeldmodells
DE102017223632A1 (de) * 2017-12-21 2019-06-27 Continental Automotive Gmbh System zur Berechnung einer Fehlerwahrscheinlichkeit von Fahrzeugsensordaten
CN113642644A (zh) * 2021-08-13 2021-11-12 北京赛目科技有限公司 车辆环境等级的确定方法、装置、电子设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5961571A (en) * 1994-12-27 1999-10-05 Siemens Corporated Research, Inc Method and apparatus for automatically tracking the location of vehicles
US7639841B2 (en) * 2004-12-20 2009-12-29 Siemens Corporation System and method for on-road detection of a vehicle using knowledge fusion
WO2007107315A1 (de) * 2006-03-22 2007-09-27 Daimler Ag Multisensorieller hypothesen-basierter objektdetektor und objektverfolger
US7617042B2 (en) * 2006-06-30 2009-11-10 Microsoft Corporation Computing and harnessing inferences about the timing, duration, and nature of motion and cessation of motion with applications to mobile computing and communications
EP1906339B1 (de) * 2006-09-01 2016-01-13 Harman Becker Automotive Systems GmbH Verfahren zur Erkennung eines Objekts auf einem Bild und Bilderkennungsvorrichtung
US20090296989A1 (en) * 2008-06-03 2009-12-03 Siemens Corporate Research, Inc. Method for Automatic Detection and Tracking of Multiple Objects
JP5666987B2 (ja) * 2011-05-25 2015-02-12 株式会社デンソー 移動物体検出装置
US9146898B2 (en) * 2011-10-27 2015-09-29 Magna Electronics Inc. Driver assist system with algorithm switching
DE102012207203A1 (de) * 2012-04-30 2013-10-31 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung eines Umfelds
US9344683B1 (en) * 2012-11-28 2016-05-17 Lytx, Inc. Capturing driving risk based on vehicle state and automatic detection of a state of a location

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
None

Also Published As

Publication number Publication date
US20150116101A1 (en) 2015-04-30
DE102012207203A1 (de) 2013-10-31
US9747801B2 (en) 2017-08-29
WO2013164182A3 (de) 2014-03-27

Similar Documents

Publication Publication Date Title
EP2149132B1 (de) Verfahren und vorrichtung zur erkennung von verkehrsrelevanten informationen
EP3204792B1 (de) Verfahren zum bereitstellen von hinderniskarten für fahrzeuge
EP3526546B1 (de) Verfahren und system zur lokalisierung eines fahrzeugs
WO2013164182A2 (de) Verfahren und vorrichtung zur bestimmung eines umfelds
DE102016210534A1 (de) Verfahren zum Klassifizieren einer Umgebung eines Fahrzeugs
DE102009046913A1 (de) Verfahren und Steuergerät zur Müdigkeitserkennung
DE102019002487A1 (de) Verfahren zur Überprüfung eines Umfelderfassungssensors eines Fahrzeugs und Verfahren zum Betrieb eines Fahrzeugs
DE102016214045A1 (de) Verfahren und Vorrichtung zum Ermitteln eines Fahrbahnmodells für ein Fahrzeugumfeld
EP3063732B1 (de) Situationsanalyse für ein fahrerassistenzsystem
EP2856452A1 (de) Erkennung von richtungsfahrbahnen
DE102016003424A1 (de) Verfahren und Vorrichtung zum Erkennen von Verkehrszeichen
DE112020002267T5 (de) Anomalie-Diagnosevorrichtung
DE102008063033B4 (de) Vorrichtung und Verfahren zur Erkennung von Kollisionen mit erhöhter funktionaler Sicherheit
DE102016220581A1 (de) Verfahren und vorrichtung zur bestimmung eines umfeldmodells
DE102018133457A1 (de) Verfahren und System zum Bereitstellen von Umgebungsdaten
DE102017211887A1 (de) Verfahren und Vorrichtung zum Lokalisieren und automatisierten Betreiben eines Fahrzeugs
DE102019129737A1 (de) Verfahren zum Klassifizieren einer Umgebung eines Fahrzeugs
DE102016210027A1 (de) Verfahren Vorrichtung und System zur Falschfahrererkennung
EP3576013A1 (de) Abschätzen eines verlaufs eines schienenpfads
DE102019218078B4 (de) Bestimmung eines Sachverhalts im Umfeld eines Kraftfahrzeugs
DE102011081391A1 (de) Verfahren und Vorrichtung zum Erkennen von Störobjekten in der Umgebungsluft eines Fahrzeugs
DE102020110671A1 (de) Verfahren zur automatisierten Längsregelung
DE102019217586A1 (de) Bestimmung einer diskreten Repräsentation eines Fahrbahnabschnitts vor einem Fahrzeug
DE102019219927A1 (de) Verfahren und Vorrichtung zum Erkennen einer Entfremdung einer Sensordatendomäne von einer Referenzdatendomäne
DE102018205241A1 (de) Fusion von Umfeldinformation 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: 13718532

Country of ref document: EP

Kind code of ref document: A2

WWE Wipo information: entry into national phase

Ref document number: 14397820

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 13718532

Country of ref document: EP

Kind code of ref document: A2