WO2017125199A1 - Verfahren zum auswerten eines umfeldes eines fahrzeuges - Google Patents

Verfahren zum auswerten eines umfeldes eines fahrzeuges Download PDF

Info

Publication number
WO2017125199A1
WO2017125199A1 PCT/EP2016/080100 EP2016080100W WO2017125199A1 WO 2017125199 A1 WO2017125199 A1 WO 2017125199A1 EP 2016080100 W EP2016080100 W EP 2016080100W WO 2017125199 A1 WO2017125199 A1 WO 2017125199A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
voxel
sensor
voxels
environment
Prior art date
Application number
PCT/EP2016/080100
Other languages
English (en)
French (fr)
Inventor
Philipp Schmalkoke
Stefan Lang
Raphael Cano
Leo VEPA
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2017125199A1 publication Critical patent/WO2017125199A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/87—Combinations of sonar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/60—Traversable objects, e.g. speed bumps or curbs
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9323—Alternative operation using light waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9324—Alternative operation using ultrasonic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93271—Sensor installation details in the front of the vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93272—Sensor installation details in the back of the vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93274—Sensor installation details on the side of the vehicles

Definitions

  • the present invention relates to a method and a device for evaluating an environment of a vehicle.
  • Modern driver assistance systems are taking on more and more tasks in order to get the job done
  • the following functions are typically provided: display of the direct vehicle environment, in particular also obstacles are displayed, which are in those regions, which can not be viewed by the driver of the vehicle, taking over some always
  • driver assistance systems for the necessary calculations usually use a 2D model, which the environment of the vehicle in the
  • Road level reflects. Such models are determined by means of a sensor installed in the vehicle. Thus, the obstructions for both displaying and automated functions are only viewed from a bird's-eye view. Assuming that the vehicle is on moving an approximately flat road, this procedure is sufficiently accurate. Especially with regard to parking and maneuvering situations on uneven terrain and in narrow or limited height situations, however, the inclusion of the height information is imperative to the driver a
  • the present invention relates to a method of evaluating an environment of a vehicle, comprising providing a voxel tensor that represents an environment of a vehicle, a selection of a first plurality of
  • Voxels of the voxel tensor which together simulate a detection space of a first active sensor of the vehicle, performing a
  • Determining distance measurement to a first environment object a selection of a subset of the first plurality of voxels of the voxel tensor whose associated environment points in the environment of the vehicle have a distance to the first active sensor that is less than the first detection distance, and reducing an occupancy probability for the selected subset of the first plurality of voxels.
  • a voxel tensor is a mathematical representation of a three-dimensional construct in which the voxels are arranged according to a grid.
  • An active sensor is a sensor which actively sends out a signal and detects objects based on the actively transmitted signal. So is one in particular
  • Ultrasonic sensor or a LIDAR sensor an active sensor.
  • a voxel is a three-dimensional pixel. In the voxel tensor with the environment of the vehicle and environment objects in the environment of the vehicle
  • a sensing space of a sensor is the area in which an object must be located to be sensed by the sensor.
  • the detection space is a theoretical detection space of the sensor, ie a space that can be detected by the sensor when the field of view of the sensor is not limited by objects.
  • the detection distance to a Environment object is the distance between the sensor and the respective environment object.
  • an occupancy probability is stored for each voxel of the voxel tensor.
  • Procedure executed in a loop, so may during a movement of the
  • the method can be carried out with a particularly low computing power and can be executed based on the information from active sensors, which are already installed in current vehicles anyway. It can be particularly cost-effective sensors, such as ultrasonic sensors
  • Such acquired three-dimensional information relating to a vehicle environment are also advantageous if an environment of the vehicle is to be displayed graphically, in particular also if a corresponding equalization of camera images is to take place.
  • the dependent claims show preferred developments of the invention.
  • the method according to the invention further comprises a selection of a second subset of the first plurality of voxels of the voxel tenser whose associated surrounding points in the environment of the vehicle have a distance to the first active sensor, which of the first
  • Detection distance corresponds, or in the environment of the vehicle in a range, which by the first detection distance and a
  • Tolerance value is defined, and includes increasing an occupancy probability for the selected second subset of the first plurality of voxels. It is thus by the second subset a tolerance range around the first
  • Subset can be selected, the associated environment points in the environment of the vehicle have a distance to the first active sensor, which is smaller than the first detection distance and is greater than the first
  • Detection distance minus a tolerance value Alternatively or additionally, such voxels are selected as the second subset, their associated Environment points in the environment of the vehicle have a distance to the first active sensor, which is greater than the first detection distance and is smaller than the first detection distance plus a tolerance value.
  • the tolerance value is preferably selected depending on a sensor accuracy or a measurement error typical for the first sensor. The tolerance value can also be zero.
  • the occupancy probability is increased exactly for those voxels over which a statement can actually be made. An occupancy probability of voxels whose associated environment points are shadowed in the environment of the vehicle, for example, is not changed.
  • a selection is made of a third subset of the first plurality of voxels of the voxel tenser whose associated surrounding points in the surroundings of the vehicle have a distance to the first active sensor that is greater than the first detection distance and increasing
  • Occupancy probability for the selected third subset of the first plurality of voxels is either increased or reduced.
  • the method according to the invention further comprises detecting a position of objects in the surroundings of the vehicle by means of a passive sensor, and increasing the occupancy probability for the voxels of the voxel tensor, whose associated surrounding points in the environment of
  • a passive sensor is a sensor that does not emit a signal but can still detect a position of objects. For example, one
  • Stereo camera a passive sensor.
  • data from active and passive sensors are combined and the voxel tensor generates a particularly accurate reproduction of the environment of the vehicle.
  • the occupancy probability of a voxel can be reduced or increased by measuring an active sensor.
  • the occupancy probability of a voxel can only be increased.
  • Sensor-specific measurement uncertainties are mapped in particular by virtue of the fact that even those voxels which lie in a predefined ellipsoid around a voxel whose associated environment point in the environment of the vehicle corresponds to an object detected by a passive sensor are likewise increased.
  • a voxel is marked occupied if the
  • Movement probability is above a predetermined first limit. Thus, it can be prevented that a voxel is considered to be occupied when insufficient occupancy is likely, which may be caused by measurement inaccuracies, for example.
  • a voxel is marked as empty if the occupancy probability is below a predetermined second limit value. Thus it is prevented that a voxel is considered to be empty, although this is occupied, since also in this way measurement inaccuracies can be corrected.
  • the predetermined value is preferably between the first limit value and the second limit value. In other words, this means that the occupancy probability of a voxel is changed until it has reached the predetermined value, if the occupancy probability for this voxel exceeds a predefined value
  • the occupancy probability of this voxel is changed step by step if the occupancy probability for this voxel was not previously reduced over a given time interval and / or was not increased.
  • the occupancy probability is changed only for those voxels that do not belong to the first plurality of voxels. In this way, the occupancy probability can also be estimated for those voxels for which no sensor information currently exists.
  • the method is carried out in a loop, wherein the occupancy probabilities of the voxels of the voxel tensor are continuously updated by the active sensor and / or the passive sensor.
  • the method further comprises the following steps: A selection of a second plurality of voxels of the voxel tensors, which together form a detection space of a second active sensor of the voxel tensor
  • Mimicking a vehicle performing a distance measurement by the second active sensor to determine a second detection distance to a second environment object, a selection of a first subset of the second plurality of voxels of the voxel tensor, their associated surrounding points in the environment of the vehicle at a distance from the second active sensor which is smaller than the second detection distance, and reducing an occupancy probability for the selected first subset of the second plurality of voxels.
  • the sensor information multiple sensors are easily merged into a single voxel tensor.
  • the second environment object can also be equal to the first
  • the inventive method further comprises a selection of a second subset of the second plurality of voxels of
  • Voxel tensors whose associated surrounding points in the environment of the vehicle have a distance to the second active sensor, which is greater than the second detection distance, and increasing a
  • the method further comprises predicting or planning a movement trajectory for the vehicle based on the
  • Occupancy probabilities of the voxels of the voxel tensor includes. Since with the voxel tensor an environment of the vehicle is represented, can through this one
  • Influence of the environment on the vehicle can be predicted and a movement trajectory can be advantageously planned. So can one
  • Movement trajectory for example, be planned so that there is no collision between the vehicle and an environment object.
  • a movement trajectory can only be predicted by, for example, determining a current movement of the vehicle and extrapolating a future movement in the voxel tensor. In particular, it is accessed on other sensors of the vehicle, which suggest a future movement of the vehicle.
  • Vehicle model of the vehicle in the voxel tensor wherein the vehicle model is arranged or moved according to the movement trajectory in the voxel tensor, and further comprises a check whether a section of the vehicle model of the vehicle is angordnet on a voxel of the voxel tensor, which is marked as occupied.
  • the vehicle model is a spatial model of the vehicle. In this way, it can be determined in a simple manner whether a particular motion trajectory can lead to a collision between an environment object and the vehicle.
  • the vehicle model thereby takes into account specific peculiarities of the vehicle. Thus, for example, a floor clearance or a contour of the vehicle body can be considered.
  • the method according to the invention further comprises testing, in which, based on the movement trajectory and the
  • Occupancy probabilities of the voxels of the voxel tensor is checked whether there is a sufficient passage height for a passage of the vehicle or a vehicle section, and / or based on the
  • Voxeltensors is checked whether a bump is overridden.
  • the driver or any vehicle system can thus be provided with information as to whether a collision of the vehicle with an environment object occurs in the case of a planned or expected movement trajectory.
  • Vehicle section is a part of the vehicle, such as the front or rear area. Thus, for example, it can be determined whether an object can be partially underrun and a
  • Movement trajectory can be adjusted accordingly and / or a warning can be issued. For example, it is possible to estimate whether a garage shelf can partially be driven under the vehicle. It is also possible to estimate whether a ground clearance of the vehicle is sufficient to run over a curb. Thus, a system is provided which can provide a override warning and / or underride warning when a collision is to be feared.
  • the position of the three-dimensional vehicle model in the voxel tensor is preferably selected such that it is located on the floor of the surroundings of the vehicle reproduced in the voxel tensor.
  • an inclination of the vehicle can be considered. In particular, such a placement of the vehicle can be predicted.
  • the passage-height is preferably a clear height.
  • the method comprises determining a gradient coefficient based on the occupancy probability of the voxels, wherein the gradient coefficient describes a tilt angle of the vehicle, which assumes this, if it is in a certain position, which is represented in the represented by the voxel tensor Environment is located.
  • a transmission can be switched to a low gear when the slope coefficient
  • Slope coefficient indicates a large slope coefficient, which lies on the movement trajectory of the vehicle.
  • an optimization of a planning of a movement trajectory based on the gradient coefficients which result for waypoints along possible movement trajectories preferably takes place. This is preferably done on a cost function, where the slope coefficients of the waypoints
  • Cost factor is assigned, which is in particular maximized or minimized.
  • an optimal movement trajectory can be determined, which can be traveled, for example, with minimal energy consumption or minimum engine speed.
  • a device for evaluating an environment of a vehicle which comprises an evaluation unit which is adapted to carry out the method according to the invention.
  • the device preferably comprises an evaluation unit in the form of a digital computing unit, and more preferably comprises the first active sensor.
  • Such a device has all the advantages of the method.
  • FIG. 1 shows a flow chart of a method for evaluating a
  • FIG. 2 shows an illustration of a vehicle with a device that is set up to carry out the method according to the first embodiment
  • FIG. 3 shows a graphic representation of an exemplary voxel tenser in which a vehicle model of the vehicle is arranged
  • FIG. 4 shows a two-dimensional graphic representation of a
  • exemplary voxel tensor in which the vehicle model is arranged, a graphical representation of an exemplary detection space of a first active sensor and a replica of this detection space by a first plurality of voxels,
  • FIG. 6 shows an illustration of an exemplary voxel tensor with the vehicle model of the vehicle arranged therein in an exemplary first environment of the vehicle
  • FIG. 7 shows an illustration of an exemplary voxel tensor with the vehicle model arranged therein in an exemplary second environment of the vehicle.
  • FIG. 1 shows a flowchart of a method for evaluating an environment of a vehicle 10 according to a first embodiment of the invention. The method is carried out by a device 15 which is arranged in the vehicle 10.
  • FIG. 2 shows a representation of the vehicle 10 with the device 15.
  • the device 15 is in this first embodiment, a digital computing unit.
  • a first active sensor 11, a second active sensor 12, a third active sensor 13 and a fourth active sensor 14 are coupled via a respective data line.
  • the first to fourth active sensors 11, 12, 13, 14 In this first embodiment, each is an ultrasonic sensor.
  • the first active sensor 11 detects the distance to objects that are arranged in front of the vehicle 10.
  • the second active sensor 12 detects a distance to objects located to the right of the vehicle.
  • the third active sensor 13 detects a distance to objects which are arranged behind the vehicle 10.
  • the fourth active sensor 14 detects a distance to objects which are arranged to the left of the vehicle 10. Furthermore, a first passive sensor 18, which is a stereo camera, is arranged on the vehicle 10. In this case, a first camera 18a and a second camera 18b of the stereo camera are arranged on the vehicle.
  • the method is started when the device 15 is put into operation. After the method has been started, a first step 101 of the method is performed.
  • a voxel tenser 1 which represents an environment of the vehicle 10.
  • the voxel tensor 1 is a coordinate system with three axes, where an origin of the
  • Coordinate represents a current position of the vehicle 10.
  • An exemplary voxel tensor 1 is shown in FIG.
  • FIG. 3 shows a graphic representation of the exemplary voxel tenser 1 in which a vehicle model 4 of the vehicle 10 is arranged.
  • the vehicle model 4 is a three-dimensional representation of the vehicle 10.
  • the voxel tensor 1 consists of a multiplicity of voxels 2.
  • this exemplary representation of the voxel tensor 1 only the voxels 2 can be recognized, which are occupied
  • Voxels 2 marked as blank are transparent in Figure 3 and therefore not recognizable.
  • Vehicle 10 is disposed in an origin of the voxel tensor 1 and replicates the actual dimensions of the vehicle 10.
  • a mathematical construct is thus generated, wherein a value can be stored for each voxel 2 of the voxel tensor 1. This value is one in this first embodiment
  • the occupancy probability is a value representing a probability that is at a point in the actual environment of the vehicle 10, which is a voxel 2 associated with an object.
  • the occupancy probability might be a value between 0 and 1, where 0 means there is certainly no object at that point and 1 means there is an object safely at that point.
  • the value 0.5 means that no secure
  • Environment point in the environment of the vehicle is an object.
  • voxel tensor 1 illustrated in FIG. 3 is merely an exemplary visualization of the voxel tensor 1 in order to facilitate understanding of the present invention
  • FIG. 1 An alternative representation of the voxel tensor 1 is shown in FIG.
  • the individual voxels 2 are not shown in their scope. It can be seen that some areas A are marked as “unoccupied”, other areas B are marked “occupied” and further areas C are marked as "unknown"
  • Representation is the vehicle model 4 arranged, which is shown here due to the two-dimensional representation in a plan view.
  • a second step 102 is executed.
  • Voxel tensors 1 which together simulate a detection space 16 of the first active sensor 11 of the vehicle 10.
  • the detection space 16 of the first active sensor 1 1 is shown in Figure 5 far left in a first view. Furthermore, this is shown in the middle of Figure 5 from a second view.
  • the first active sensor 11 is included in this first embodiment of the invention
  • Ultrasonic sensor which emits an acoustic signal and receives it again. From the time interval between transmission of the acoustic signal and receiving the acoustic signal is closed to a distance to an object which is located in front of the first active sensor 11. Further information regarding the position of the object lie in this first
  • Embodiment initially not available. If a reflection of the acoustic signal is received by the first active sensor 11, the object is located in the detection space 16 of the first active sensor 11.
  • the detection space 16 is simulated by a first plurality 3 of voxels 2 of the voxel tenser 1.
  • a replica of the detection space 16 of the first active sensor 11 is shown on the far right in FIG. It can be seen that the first plurality 3 of voxels 2 is selected such that the
  • the first plurality 3 of voxels 2 extends from a first sensor voxel 5 whose position in the voxel tensor 1 corresponds to a position occupied by the first active sensor 1 1 in the actual environment of the vehicle.
  • the first plurality 3 of voxels 2 are shown in FIG. 5 outside of the voxel tensor 1, the first plurality 3 of voxels 2 is a selection of voxels 2 of the voxel tensor 1.
  • the first sensor 11 Since the first sensor 11 detects an area in front of the vehicle 10, this is arranged on a front of the vehicle 10. Accordingly, the first is
  • the first plurality 3 of voxels 2 thus lies in a pictorial representation of the voxel tenser 1 in front of the vehicle model 4 of the vehicle 10 and thus extends away from the front of the vehicle model 4 of the vehicle 10, starting from the coordinate origin of the voxel tensor 1.
  • the second plurality of voxels 2 of the voxel tensor 1 are a plurality of voxels 2 located to the right of the vehicle model 4 of the vehicle 10 in the voxel tensor 1.
  • Voxeltensors 1 selected for the fourth active sensor 14 of the vehicle 10.
  • a third step 103 is performed.
  • a distance measurement is carried out by means of the first active Sensor 1 1, to a first detection distance 17 to a first
  • the first detection distance 17 is thus a distance between the object and the first active sensor 1 1 in the actual environment of the vehicle 10.
  • the first environment object is an actual object located in the surroundings of the vehicle 10, in this case in front of the vehicle 10 , is located.
  • a distance measurement is carried out by means of the second active sensor 12, by a second detection distance to a second
  • the second detection distance is thus a distance between the object and the second sensor 12 in the
  • the second environment object is an actual object, which is located in the vicinity of the vehicle 10, in this case right next to the vehicle 10. If the detection spaces of the first active sensor 11 and of the second active sensor 12 overlap, the first environment object can simultaneously also be the second environment object. Similarly, a distance measurement is performed by the third and fourth active sensors 13, 14 to determine a third and fourth detection distance.
  • a fourth step 104 is executed.
  • a selection is made of a first subset 6a of the first plurality 3 of voxels 2 of the voxel tensor 1 whose associated surrounding points in the surroundings of the vehicle 10 are at a distance from the first active sensor 11 which is smaller than the first detection distance 17 Since the voxel tensor 1 is an illustration of the environment of the vehicle 10, the first
  • Detection distance 17 are converted into a value that describes an associated distance in the voxel tensor 1.
  • each voxel 2 could have an extension of 10 ⁇ 10 ⁇ 10 cm when they are transmitted to the actual environment of the vehicle 10.
  • a detection distance of 1.5 meters can be represented as a juxtaposition of 15 voxels 2 in voxel tensor 1.
  • the first detection distance 17 is thus transferred to the voxel tensor 1 and all voxels 2 of the first plurality 3 of voxels 2 whose distance to the first sensor voxel 5 is less than the transmitted first detection distance 17 are selected and form the subset 6a of the first plurality 3 of voxels 2.
  • the voxels 2 of the first plurality 3 of voxels 2 of the voxel tensor 1 are selected, whose associated surrounding points in the environment of the vehicle 10 have a distance to the sensor which is greater than the first detection distance but smaller than the first detection distance plus one Tolerance value of for example 10 cm.
  • the second subset 6b is thereby formed by the voxels 2 of the first plurality 3 of voxels 2 of the voxel tensor 1, which are not of the first
  • Subset 6a include but are adjacent to this.
  • the first detection distance 17 with an exemplary value is likewise entered for this purpose, even if this is actually a value from the actual surroundings of the vehicle 10. It can be seen that only such voxels 2 are counted to the first subset 6a of the first plurality 3 of voxels 2 which are closer to the first sensor voxel 5 than the transmitted detection distance 17. Accordingly, it can be seen that only such voxels 2 are counted to the second subset 6b of the first plurality 3 of voxels 2 which are farther than the transmitted first detection distance 17 from the first sensor voxel 5, but no further than the transmitted first detection distance 17 plus of
  • a first and second subset of the second plurality 3 of voxels 2 of the voxel tensor 1 are also based selected on the second detection distance.
  • a first and second subset of the third and fourth pluralities of voxels 2 of the voxel tensor 1 are respectively selected based on the third and fourth detection distances.
  • a fifth step 105 is executed.
  • an occupancy probability for the selected first subset of the first plurality 3 of voxels 2 is reduced.
  • a voxel 2 of the voxel tensor 1 for each voxel 2 of the voxel tensor 1, a
  • Occupancy probability of all voxels 2 of the voxel tensor 1, which are outside the vehicle model 4 of the vehicle 10, is initially set to 0, 5.
  • the occupancy probability is reduced by deducting a predetermined value from the respective occupancy probability.
  • a predetermined value for example the value 0, 1, is subtracted at each pass of the method.
  • this predetermined value is chosen only as an example and can be selected to any value or variable.
  • the occupancy probability is increased by adding a predetermined value to the respective occupancy probability.
  • a predetermined value for the second subset 6b of the first plurality 3 of voxels 2, a predetermined value, for example the value 0.1, is added at each pass of the method.
  • this predetermined value is chosen only as an example and can be selected to any value or variable.
  • a sixth step 106 is executed.
  • a voxel 2 is identified as being occupied by an object if the occupancy probability of the voxel 2 is above a predetermined first limit value. In addition, there is a marking this
  • Voxels 2 as unoccupied by an object if the occupancy probability is below a predetermined second threshold For example, the first threshold is set to a value of 0.6 and the second threshold is set to a value of 0.4.
  • the first and second limits are given by way of example only. These can be chosen as long as the first limit value is greater than the second limit value.
  • each voxel 2 of the voxel tensor 1 is checked to see if its occupancy probability is greater than the first threshold. If this is the case, then this is marked as "occupied", which means that
  • Voxels are marked as "unoccupied.” For the voxels whose
  • Occupancy probability is between the first and the second limit, it is unclear whether there is an object in the actual environment of the vehicle.
  • the voxel 2 is labeled as "unknown.” For example, additional verification of the occupancy probability could be done by another sensor measurement for these voxels 2. If the first threshold is set equal to the second threshold, then each voxel 2 is identified as either occupied or not occupied unclear case no longer occurs.
  • a seventh step 107 is executed.
  • the occupancy probability of a voxel 2 is changed so that it converges to a predetermined value if the occupancy probability for this voxel 2 has not been changed over a predetermined time interval.
  • the predetermined value is a value which is between the first threshold and the second
  • Limit value is. So the default value is here chosen to 0.5.
  • Time variable for each voxel 2 to a predetermined value, for example, 5 set. Each time the procedure is run, this value is decremented by the value 1 if the occupancy probability of that voxel 2 is not reduced or increased. Thus, after a given number of process runs, this value reaches 0 if the occupancy probability for that voxel has not been increased or decreased. If this variable has reached the value 0, then the occupancy probability of the associated voxel 2 is reduced, if this is above the predetermined value and is increased, if this is below the predetermined value. For example, a constant value, for example 0.1, is added or subtracted from the respective occupancy probability. Thus, an aging of measurement data is implemented. If there is no new measured value for a voxel 2 over a certain period of time, its occupancy probability converges to the predetermined value until the voxel is marked as "unknown".
  • the process branches back to the second step 102 and is then executed in a loop until the device 15 is taken out of service.
  • the effect is used that when a reflection of a sensor signal of the first active sensor 11 is received therefrom, there is a high probability that the reflection within the
  • Detection space 16 of the first active sensor 11 is done. Thus, starting from a position of the first active sensor 11, a position of the object at a sectional area between its detection space 16 and a sphere spanned about the first active sensor 11 ball, the radius of the measured distance, are determined. This applies to all active sensors that actively send a measurement signal. In particular
  • Ultrasonic sensors and radar sensors are active sensors, an occupancy probability of the voxels 2, which lie between the center of the respective sensor and the above-described interface can be reduced.
  • the method further comprises detecting a position of objects in the environment of the vehicle 10 by means of a passive one
  • the first passive sensor 18 Sensors, for example, the first passive sensor 18.
  • an image is respectively detected by the two cameras 18a, 18b of the first passive sensor 18.
  • objects shown together in the images are detected, and a position of these objects in the vicinity of the vehicle 10 is calculated by means of triangulation.
  • the occupancy probability for the voxels 2 of the voxel tensor 1 is increased, whose associated surrounding points in the environment of the vehicle 10 correspond to the position of the objects detected by the first passive sensor 18.
  • the information content of the voxel tensor 1 can be verified and improved.
  • the method is carried out in a loop, wherein the occupancy probabilities of the voxels 2 of the
  • Voxeltensors 1 thus be continuously updated by the first active sensor 1 1 and the first passive sensor 18.
  • the first active sensor 1 1 can also be another active sensor.
  • the first active sensor 1 1 may be a LIDAR sensor.
  • LIDAR sensors send and receive light to measure a distance to reflected surfaces. This is usually a point-by-point scanning of the environment of the vehicle 10.
  • a current measurement of a LIDAR sensor results in a point that is arranged in the environment of the vehicle 10. This point can be rendered as an ellipsoid.
  • One dimension of the ellipsoid represents a covariance of the measurement of that point.
  • the occupancy probability within the ellipsoid is increased.
  • the increase in the occupancy probability can also be linked to the covariance value.
  • the device 15 is further configured to evaluate the voxel tensor 1 such that information for the driver of the vehicle 10
  • a prediction or planning of a movement trajectory 7 for the vehicle 10 takes place based on the occupancy probabilities of the voxels 2 of the voxel tensor 1.
  • Vehicle 10 determines thearchitectedjektone 7, for example, characterized in that a steering angle and a speed of movement of the vehicle 10 are read.
  • FIG. 6 shows an exemplary voxel tensor 1 with the vehicle model 4 of the vehicle 10 arranged therein in an exemplary first environment of the vehicle 10. It was determined that there is no steering angle of the vehicle 10 and the vehicle 10 moves forward. Accordingly, thepressstrajektone 7 extends in a straight line in front of the vehicle 10 and thus also in front of the vehicle model 4 of the vehicle 10.
  • the motion trajectory 7 is scheduled by the device based on the occupancy probabilities of the voxels 2 of the voxel tensor 1.
  • a starting position and a target position can be transmitted from the actual surroundings of the vehicle 10 into the voxel tensor 1 by the device. Then a multiplicity of potential motion trajectories are calculated which connect the starting position and the target position.
  • Vehicle model 4 is calculated according to the potential
  • Motion trajectories moved between the starting position and the target position. Such movement trajectories, in which, during the computational movement, a collision of the vehicle model 4 with one of the environmental objects represented in the voxel tensor 1 are discarded. In order to detect whether a collision occurs, it is checked whether a section of the
  • Vehicle model 4 of the vehicle 10 is angordnet on a voxel 2 of the voxel tensor 1, which is marked as occupied. That's how it works Vehicle model 4 in the computational motion successively in
  • the vehicle model 4 of the vehicle 10 is transmitted to the voxel tensor 1 and the vehicle model 4 is moved in accordance with the movement trajectory 7 in the voxel tensor 1.
  • FIG. 1 shows a situation in front of the vehicle 10 is a survey 8 and two wells 9a, 9b. These were detected by the method described above.
  • the wells 9a, 9b could be potholes.
  • Movement trajectory 7 leads through a region of the voxel tensor 1, in which an occupancy probability of the voxel 2 can be concluded that on the movement trajectory 7 of the vehicle 10 is a not collision-free drive over unevenness.
  • the movement trajectory 7 could be rescheduled so that the elevation 8, and the valleys 9a, 9b are bypassed.
  • it is checked based on the privacysstrajektone 7 and the occupancy probabilities of the voxel 2 of the voxel tensor 1, whether a sufficient passage-height for a passage of the vehicle 10 or a vehicle section is given. For structures that can be traversed by the vehicle 10, the associated voxel 2 with the lowest
  • a warning may be issued if the movement trajectory 7 leads through a region of the voxel tensor 1 in which an occupancy probability of the voxels 2 suggests that there is no sufficient passage height for a passing of the vehicle 10.
  • Movement trajectories 7 are planned again.
  • the traversable and traversable properties are defined by threshold values and can be selected dynamically depending on a current load state, the tire pressure, the suspension setting and the tires of the vehicle 10.
  • the threshold values can be selected dynamically depending on a current load state, the tire pressure, the suspension setting and the tires of the vehicle 10.
  • Driver can express the threshold more or less conservative, so that an individual driving style of the driver 10 is taken into account. Approaches the driver with the vehicle 10 as a not over or under-ride
  • the slope coefficient describes here an angle between a
  • the pitch angle may also be a swing between a transverse axis of the vehicle 10 and a horizontal plane.
  • Vehicle 10 can be read directly from the voxel tensor 1, an inclination of the vehicle 10 and thus the inclination angle can be calculated at a departure of the movement trajectory 7.
  • the occupancy probability of the voxel 2 it is first determined whether the voxel 2 is marked as occupied or unoccupied and accordingly creates a height profile of the environment of the vehicle 10.
  • the gradient coefficient is determined either as a relative value describing a change in slope relative to a current position of the vehicle 10, or
  • Slope coefficient is determined as an absolute value. For this it is advantageous if a current slope coefficient by a tilt sensor
  • one or more future gradient coefficients can then be determined.
  • FIG. 7 shows an exemplary voxel tensor 1 with therein
  • the situation illustrated in Figure 7 describes a situation in which the vehicle 10 and thus the vehicle model 4 have a slope.
  • a position of the vehicle 10 is shown in the future, which results when the vehicle 10 of the movement trajectory 7 follows. Therein the vehicle 10 is on a ramp.
  • the elevation profile of the environment can be read directly from the representation of the voxel tensor 1.
  • Motor torque and / or a necessary braking force during a movement of the vehicle 10 are automatically adjusted and adapted to the present situation. Even after the end of the parking process, the information is still useful, because so the power of the parking brake can be selected accordingly.
  • optimization of a motion trajectory planning based on the slope coefficients that result for waypoints along possible motion trajectories occurs.
  • the slope coefficients for all waypoints are added along a multiplicity of possible motion trajectories.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Acoustics & Sound (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zum Auswerten eines Umfeldes eines Fahrzeuges (10), umfassend ein Bereitstellen (101) eines Voxeltensors (1), die ein Umfeld eines Fahrzeuges (10) repräsentiert, eine Auswahl (102) einer ersten Vielzahl (3) von Voxeln (2) des Voxeltensors (1), die zusammen einen Erfassungsraum (16) eines ersten aktiven Sensors (11) des Fahrzeuges (10) nachbilden, ein Durchführen (103) einer Distanzmessung mittels des ersten aktiven Sensors (11), um eine erste Erfassungsdistanz (17) zu einem ersten Umgebungsobjekt zu ermitteln, eine Auswahl (104) einer ersten Untermenge (6) der ersten Vielzahl (3) von Voxeln (2) des Voxeltensors (1), deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges (10) einen Abstand zu dem ersten aktiven Sensor (11) aufweisen, der kleiner ist als die erste Erfassungsdistanz (17), und ein Reduzieren (105) einer Belegungswahrscheinlichkeit für die ausgewählte erste Untermenge der ersten Vielzahl (3) von Voxeln (2).

Description

Beschreibung
Titel
Verfahren zum Auswerten eines Umfeldes eines Fahrzeuges Stand der Technik
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zum Auswerten eines Umfeldes eines Fahrzeuges. Moderne Fahrassistenzsysteme übernehmen immer mehr Aufgaben, um den
Fahrer eines Fahrzeuges bei alltäglichen Fahrsituationen zu unterstützen. Dazu werden typischerweise folgende Funktionen bereitgestellt: Anzeige des direkten Fahrzeugumfeldes, wobei insbesondere auch Hindernisse angezeigt werden, welche sich in solchen Regionen befinden, welche nicht von dem Fahrer des Fahrzeuges eingesehen werden können, Übernahme einiger immer
wiederkehrender Fahrmanöver, um den täglichen Fahrkomfort und die Sicherheit zu erhöhen, Überwachung der Fahraktivitäten und Eingreifen bei gefährlichen Situationen, wie es beispielsweise ein ultraschallbasierter Notbremsassistent ermöglicht, und/oder Automatisches Fahren ohne die Unterstützung des Fahrers oder automatisches Parken ohne die Anwesenheit des Fahrers im Fahrzeug.
Insbesondere durch eine Anzeige des direkten Fahrzeugumfeldes werden Fahrmanöver in engen Situationen für den Fahrer einfacher und sicherer durchführbar. Zudem kann sich der Fahrer bei einem automatischen
Einparkvorgang besser auf das Umfeld konzentrieren und gegebenenfalls eingreifen.
Bisher nutzen Fahrassistenzsysteme für die dazu notwendigen Berechnungen zumeist ein 2D-Modell, welches das Umfeld des Fahrzeuges in der
Fahrbahnebene widergibt. Solche Modelle werden mittels einer im Fahrzeug verbauten Sensorik ermittelt. So werden die Hindernisse sowohl für anzeigende als auch für automatisierte Funktionen nur aus der Vogelperspektive betrachtet beziehungsweise angezeigt. Unter der Annahme, dass sich das Fahrzeug auf einer annährend ebenen Straße bewegt, ist dieses Vorgehen hinreichend genau. Gerade im Hinblick auf Park- und Manövriersituationen auf unebenem Terrain sowie in engen oder in der Höhe limitierten Situationen ist das Hinzuziehen der Höheninformationen jedoch zwingend notwendig, um dem Fahrer eine
Assistenzfunktion von hoher Güte und Robustheit bereitstellen zu können.
Aus der US2006/0178828, der DE102011 108468A1 und der
DE102011013776A1 sind bereits Systeme bekannt, die ein dreidimensionales
Erfassen eines Umfeldes eines Fahrzeuges ermöglichen.
Offenbarung der Erfindung
Die vorliegende Erfindung betrifft ein Verfahren zum Auswerten eines Umfeldes eines Fahrzeuges, umfassend ein Bereitstellen eines Voxeltensors, der ein Umfeld eines Fahrzeuges repräsentiert, eine Auswahl einer ersten Vielzahl von
Voxeln des Voxeltensors, die zusammen einen Erfassungsraum eines ersten aktiven Sensors des Fahrzeuges nachbilden, ein Durchführen einer
Distanzmessung mittels des ersten aktiven Sensors, um eine erste
Distanzmessung zu einem ersten Umgebungsobjekt zu ermitteln, eine Auswahl einer Untermenge der ersten Vielzahl von Voxeln des Voxeltensors, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges einen Abstand zu dem ersten aktiven Sensor aufweisen, der kleiner ist als die erste Erfassungsdistanz, und ein Reduzieren einer Belegungswahrscheinlichkeit für die ausgewählte Untermenge der ersten Vielzahl von Voxeln.
Ein Voxeltensor ist eine mathematische Darstellung eines dreidimensionalen Konstruktes, in dem die Voxel gemäß einem Raster angeordnet sind. Ein aktiver Sensor ist ein Sensor, welcher ein Signal aktiv aussendet und Objekte basierend auf dem aktiv ausgesandten Signal erfasst. So ist insbesondere ein
Ultraschallsensor oder ein LIDAR-Sensor ein aktiver Sensor. Ein Voxel ist ein dreidimensionales Pixel. In dem Voxeltensor werden mit dem Umfeld des Fahrzeuges auch Umgebungsobjekte in dem Umfeld des Fahrzeuges
repräsentiert. Ein Erfassungsraum eines Sensors ist der Bereich, in dem sich ein Objekt befinden muss, damit es von dem Sensor wahrgenommen wird. Der Erfassungsraum ist dabei ein theoretischer Erfassungsraum des Sensors, also ein Raum, der durch den Sensor erfasst werden kann, wenn der Sichtbereich des Sensors nicht durch Objekte begrenzt wird. Die Erfassungsdistanz zu einem Umgebungsobjekt ist der Abstand zwischen dem Sensor und dem jeweiligen Umgebungsobjekt. Typischerweise wird für jedes Voxel des Voxeltensors eine Belegungswahrscheinlichkeit gespeichert. Wird das erfindungsgemäße
Verfahren in einer Schleife ausgeführt, so kann bei einer Bewegung des
Fahrzeuges durch einen einzelnen Sensor oder mehrere Sensoren die gesamte
Umgebung des Fahrzeuges erfasst werden. Es erfolgt somit ein Abtasten der Umgebung des Fahrzeuges.
Auf diese Weise kann ein besonders genaues dreidimensionales Abbild des Umfeldes des Fahrzeuges erstellt werden. Dabei kann das Verfahren mit einer besonders geringen Rechenleistung durchgeführt werden und kann basierend auf den Informationen von aktiven Sensoren ausgeführt werden, die ohnehin bereits in aktuellen Fahrzeugen verbaut werden. Es kann dabei auf besonders kostengünstige Sensoren, wie beispielsweise Ultraschallsensoren
zurückgegriffen werden. Derart erfasste dreidimensionale Informationen bezüglich eines Fahrzeugumfeldes sind ferner vorteilhaft, wenn eine Umgebung des Fahrzeuges grafisch dargestellt werden soll, insbesondere auch dann, wenn dabei eine entsprechende Entzerrung von Kamerabildern erfolgen soll. Die Unteransprüche zeigen bevorzugte Weiterbildungen der Erfindung.
Es ist vorteilhaft, wenn das erfindungsgemäße Verfahren ferner eine Auswahl einer zweiten Untermenge der ersten Vielzahl von Voxeln des Voxeltensors umfasst, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges einen Abstand zu dem ersten aktiven Sensor aufweisen, welcher der ersten
Erfassungsdistanz entspricht, oder in dem Umfeld des Fahrzeuges in einem Bereich liegen, welcher durch die erste Erfassungsdistanz und einen
Toleranzwert definiert ist, und ein Erhöhen einer Belegungswahrscheinlichkeit für die ausgewählte zweite Untermenge der ersten Vielzahl von Voxeln umfasst. Es wird somit durch die zweite Untermenge ein Toleranzbereich um die erste
Erfassungsdistanz gebildet. Das bedeutet, dass solche Voxel als zweite
Untermenge ausgewählt werden, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges einen Abstand zu dem ersten aktiven Sensor aufweisen, der kleiner ist als die erste Erfassungsdistanz und größer ist als die erste
Erfassungsdistanz abzüglich eines Toleranzwertes. Alternativ oder zusätzlich werden solche Voxel als zweite Untermenge ausgewählt, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges einen Abstand zu dem ersten aktiven Sensor aufweisen, der größer ist als die erste Erfassungsdistanz und kleiner ist als die erste Erfassungsdistanz zuzüglich eines Toleranzwertes. Der Toleranzwert wird dabei bevorzugt abhängig von einer Sensorgenauigkeit oder einem für den ersten Sensor typischen Messfehler gewählt. Der Toleranzwert kann auch Null sein. Somit wird die Belegungswahrscheinlichkeit genau für solche Voxel erhöht, über die tatsächlich eine Aussage getroffen werden kann. Eine Belegungswahrscheinlichkeit von Voxeln, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges beispielsweise abgeschattet sind, wird nicht verändert.
Alternativ erfolgt eine Auswahl einer dritten Untermenge der ersten Vielzahl von Voxeln des Voxeltensors, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges einen Abstand zu dem ersten aktiven Sensor aufweisen, der größer ist als die erste Erfassungsdistanz und es erfolgt ein Erhöhen einer
Belegungswahrscheinlichkeit für die ausgewählte dritte Untermenge der ersten Vielzahl von Voxeln. Somit wird eine Belegungswahrscheinlichkeit aller Voxel der ersten Vielzahl von Voxeln des Voxeltensors entweder erhöht oder reduziert. Es wird somit eine zuverlässige Aussage über einen möglichst großen Bereich des Umfeldes des Fahrzeugs getroffen und in dem Voxeltensor dargestellt.
Es ist vorteilhaft, wenn das erfindungsgemäße Verfahren ferner Erfassen einer Position von Objekten in dem Umfeld des Fahrzeuges mittels eines passiven Sensors umfasst, und ein Erhöhen der Belegungswahrscheinlichkeit für die Voxel des Voxeltensors umfasst, deren zugehörige Umfeldpunkte in dem Umfeld des
Fahrzeuges der Position der durch den passiven Sensor erfassten Objekte, insbesondere zuzüglich sensorspezifischer Messunsicherheiten, entsprechen. Ein passiver Sensor ist ein Sensor, welcher kein Signal aussendet aber dennoch eine Position von Objekten erfassen kann. So ist beispielsweise eine
Stereokamera ein passiver Sensor. Auf diese Weise werden Daten von aktiven und passiven Sensoren kombiniert und durch den Voxeltensor wird eine besonders genaue Wiedergabe des Umfeldes des Fahrzeuges erzeugt. Dabei kann die Belegungwahrscheinlichkeit eines Voxels durch eine Messung eines aktiven Sensors reduziert oder erhöht werden. Durch eine Messung eines passiven Sensors kann die Belegungwahrscheinlichkeit eines Voxels jedoch lediglich erhöht werden. Wenn ein passiver Sensor eine Position eines
Umgebungsobjektes erfasst, so besteht eine hohe Wahrscheinlichkeit, dass das Umgebungsobjekt an der erfassten Position tatsächlich vorhanden ist. Jedoch sind passive Sensoren im Vergleich zu aktiven Sensoren relativ unzuverlässig, wenn es darum geht, Freiräume zu erkennen. Freiräume sind dabei Bereiche in dem Fahrzeugumfeld, in denen sich kein Umgebungsobjekt befindet. So kann eine Position eines sich annähernden Fremdfahrzeugs beispielsweise durch zwei akustische Sensoren, welche einen passiven Sensor bilden, zuverlässig erfasst werden, wenn diese ein Motorengeräusch des Fremdfahrzeuges auffangen. Dahingegen kann nicht zuverlässig erfasst werden, ob sich zwischen dem passiven akustischen Sensor und dem Fremdfahrzeug ein weiteres Objekt befindet, welches eventuell kein erfassbares Geräusch abgibt. Über solche Freiräume kann nur mittels aktiver Sensoren eine zuverlässige Aussage getroffen werden. Durch das erfindungsgemäße Verfahren wird dieser
Gewichtung unterschiedlicher Sensortypen Rechnung getragen. Die
sensorspezifische Messunsicherheiten wird insbesondere dadurch abgebildet, dass auch solche Voxel, die in einem vordefinierten Ellipsoid um ein Voxel liegen, dessen zugehöriger Umfeldpunkt im Umfeld des Fahrzeuges einem durch einen passiven Sensor erfassten Objekt entspricht, ebenfalls erhöht wird.
Bevorzugt wird ein Voxel als belegt gekennzeichnet, wenn die
Bewegungswahrscheinlichkeit über einem vorgegebenen ersten Grenzwert liegt. Somit kann verhindert werden, dass ein Voxel als belegt angesehen wird, wenn eine nicht ausreichende Belegungswahrscheinlich vorliegt, was beispielsweise durch Messungenauigkeiten verursacht sein kann.
Auch ist es vorteilhaft, wenn ein Voxel als unbelegt gekennzeichnet wird, wenn die Belegungswahrscheinlichkeit unter einem vorgegebenen zweiten Grenzwert liegt. Somit wird verhindert, dass ein Voxel als unbelegt angesehen wird, obwohl dieses belegt ist, da auch auf diese Weise Messungenauigkeiten korrigiert werden können.
Ferner ist es vorteilhaft, wenn die Belegungswahrscheinlichkeit eines Voxels gegen einen vorgegebenen Wert konvergiert, wenn die
Belegungswahrscheinlichkeit für dieses Voxel über ein vorgegebenes Zeitintervall hinweg nicht verändert wurde. Der vorgegebene Wert liegt dabei bevorzugt zwischen dem ersten Grenzwert und dem zweiten Grenzwert. Dies Bedeutet mit anderen Worten, dass die Belegungswahrscheinlichkeit eines Voxels so lange verändert wird, bis diese den vorgegebenen Wert erreicht hat, wenn die Belegungswahrscheinlichkeit für dieses Voxel über ein vorgegebenes
Zeitintervall hinweg nicht verändert wurde. Dabei ist es insbesondere vorteilhaft, wenn die Belegungswahrscheinlichkeit dieses Voxels Schritt für Schritt verändert wird, wenn die Belegungswahrscheinlichkeit für dieses Voxel zuvor über ein vorgegebenes Zeitintervall hinweg nicht reduziert wurde und/oder nicht erhöht wurde. Insbesondere wird die Belegungswahrscheinlichkeit nur für solche Voxel verändert, die nicht zu der ersten Vielzahl von Voxeln gehören. Auf diese Weise kann die Belegungswahrscheinlichkeit auch für solche Voxel abgeschätzt werden, für welche aktuell keine Sensorinformationen vorliegen. Ebenfalls ist es vorteilhaft, wenn das Verfahren in einer Schleife ausgeführt wird, wobei die Belegungswahrscheinlichkeiten der Voxel des Voxeltensors durch den aktiven Sensor und/oder den passiven Sensor kontinuierlich aktualisiert werden. Somit wird insbesondere bei einer Bewegung des Fahrzeuges das Umfeld des Fahrzeuges abgetastet, da jeder an dem Fahrzeug angeordnete Sensor durch die Bewegung des Fahrzeuges beständig neue Bereiche des Umfeldes erfasst.
Dabei kann bei einzelnen Durchläufen des Verfahrens auch eine Aktualisierung der Belegungswahrscheinlichkeiten nur mittels passiver Sensoren oder nur mittels aktiver Sensoren erfolgen. Auch ist es vorteilhaft, wenn mehrere aktive und/oder mehrere passive Sensoren an dem Fahrzeug angeordnet sind. So ist es insbesondere vorteilhaft, wenn das Verfahren ferner die folgenden Schritte umfasst: Eine Auswahl einer zweiten Vielzahl von Voxeln des Voxeltensors, die zusammen einen Erfassungsraum eines zweiten aktiven Sensors des
Fahrzeuges nachbilden, ein Durchführen einer Distanzmessung mittels des zweiten aktiven Sensors, um eine zweite Erfassungsdistanz zu einem zweiten Umgebungsobjekt zu ermitteln, eine Auswahl einer ersten Untermenge der zweiten Vielzahl von Voxeln des Voxeltensors, deren zugehörige Umfeldspunkte in dem Umfeld des Fahrzeuges einen Abstand zu dem zweiten aktiven Sensor aufweisen, der kleiner ist als die zweite Erfassungsdistanz, und ein Reduzieren einer Belegungswahrscheinlichkeit für die ausgewählte erste Untermenge der zweiten Vielzahl von Voxeln. Auf diese Weise können die Sensorinformationen mehrerer Sensoren auf einfache Weise in einem einzelnen Voxeltensor zusammengeführt werden. Abhängig von dessen Lage in dem Umfeld des Fahrzeuges kann das zweite Umgebungsobjekt auch gleich dem ersten
Umgebungsobjekt sein. Die Erfassungsdistanz zu dem zweiten
Umgebungsobjekt ist der Abstand zwischen dem zweiten Sensor und dem zweiten Umgebungsobjekt. Wird ein Bereich der Fahrzeugumgebung durch zwei aktive Sensoren erfasst, so kann eine höhere Zuverlässigkeit für den Wert der Belegungswahrscheinlichkeit für die zugehörigen Voxel erreicht werden. Dabei ist es ebenfalls vorteilhaft, wenn das erfindungsgemäße Verfahren ferner eine Auswahl einer zweiten Untermenge der zweiten Vielzahl von Voxeln des
Voxeltensors umfasst, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges einen Abstand zu dem zweiten aktiven Sensor aufweisen, der größer ist als die zweite Erfassungsdistanz, und ein Erhöhen einer
Belegungswahrscheinlichkeit für die ausgewählte zweite Untermenge der zweiten Vielzahl von Voxeln umfasst.
Ferner ist es vorteilhaft, wenn das Verfahren ferner ein Vorhersagen oder Planen einer Bewegungstrajektorie für das Fahrzeug basierend auf den
Belegungswahrscheinlichkeiten der Voxel des Voxeltensors umfasst. Da mit dem Voxeltensor ein Umfeld des Fahrzeuges repräsentiert ist, kann durch diesen ein
Einfluss der Umgebung auf das Fahrzeug vorhergesagt werden und eine Bewegungstrajektorie vorteilhaft geplant werden. So kann eine
Bewegungstrajektorie beispielsweise so geplant werden, dass es zu keiner Kollision zwischen dem Fahrzeug und einem Umgebungsobjekt kommt.
Alternativ oder zusätzlich kann ein Bewegungstrajektorie auch lediglich vorhergesagt werden, indem beispielsweise eine aktuelle Bewegung des Fahrzeuges ermittelt wird und ein zukünftige Bewegung in dem Voxeltensor extrapoliert wird. Insbesondere wird dabei auf weitere Sensoren des Fahrzeuges zugegriffen, welche auf eine zukünftige Bewegung des Fahrzeuges schließen lassen.
Auch ist es vorteilhaft, wenn das Verfahren ein Übertragen eines
Fahrzeugmodells des Fahrzeuges in den Voxeltensor umfasst, wobei das Fahrzeugmodell entsprechend der Bewegungstrajektorie in dem Voxeltensor angeordnet oder bewegt wird, und ferner ein Prüfen umfasst, ob ein Abschnitt des Fahrzeugmodells des Fahrzeuges auf einem Voxel des Voxeltensors angordnet ist, welches als belegt gekennzeichnet ist. Das Fahrzeugmodell ist dabei ein räumliches Modell des Fahrzeuges. Auf diese Weise kann auf einfache Weise ermittelt werden, ob es bei einer bestimmten Bewegungstrajektorie zu einer Kollision zwischen einem Umgebungsobjekt und dem Fahrzeug kommen kann. Durch das Fahrzeugmodell werden dabei spezifische Eigenheiten des Fahrzeuges berücksichtigt. So kann beispielsweise eine Unterbodenfreiheit oder eine Kontur der Fahrzeugkarosserie berücksichtigt werden. Ferner ist es vorteilhaft, wenn das erfindungsgemäße Verfahren ferner ein Prüfen umfasst, bei dem basierend auf der Bewegungstrajektorie und den
Belegungswahrscheinlichkeiten der Voxel des Voxeltensors geprüft wird, ob eine ausreichende Durchfahrts-Höhe für ein Passieren des Fahrzeuges oder eines Fahrzeugabschnittes gegeben ist, und/oder basierend auf der
Bewegungstrajektorie und den Belegungswahrscheinlichkeiten der Voxel des
Voxeltensors geprüft wird, ob eine Unebenheit überfahrbar ist. Dem Fahrer oder einem beliebigen Fahrzeugsystem kann somit eine Information bereitgestellt werden, ob es bei einer geplanten oder zu erwartenden Bewegungstrajektorie zu einer Kollision des Fahrzeuges mit einem Umgebungsobjekt kommt. Ein
Fahrzeugabschnitt ist dabei ein Teilbereich des Fahrzeuges, beispielsweise dessen Frontbereich oder Heckbereich. So kann beispielsweise festgestellt werden, ob ein Objekt teilweise unterfahren werden kann und eine
Bewegungstrajektorie kann entsprechend angepasst werden und/oder eine Warnung kann ausgegeben werden. So ist beispielsweise eine Abschätzung möglich, ob ein Garagenregal von dem Fahrzeug teilweise unterfahren werden kann. Auch ist eine Abschätzung möglich, ob eine Bodenfreiheit des Fahrzeuges ausreichend ist, um einen Randstein zu überfahren. Es wird somit ein System geschaffen, welches eine Überfahrwarnung und/oder eine Unterfahrwarnung bereitstellen kann, wenn eine Kollision zu befürchten ist. Dabei wird die Lage des dreidimensionalen Fahrzeugmodells in dem Voxeltensor bevorzugt so gewählt, dass dieses auf dem in dem Voxeltensor wiedergegebenen Boden des Umfeldes des Fahrzeuges steht. Somit kann auch eine Neigung des Fahrzeuges berücksichtigt werden. Insbesondere kann so ein Aufsetzen des Fahrzeuges vorhergesagt werden. Die Durchfahrts-Höhe ist dabei bevorzugt eine lichte Höhe. Auch ist es vorteilhaft, wenn das Verfahren ein Ermitteln eines Steigungskoeffizienten basierend auf der Belegungswahrscheinlichkeit der Voxel umfasst, wobei der Steigungskoeffizient einen Neigungswinkel des Fahrzeuges beschreibt, den dieses annimmt, wenn dieses sich in einer bestimmten Position befindet, die sich in dem durch den Voxeltensor repräsentierten Umfeld befindet.
Auf diese Weise können Parameter für eine Fahrzeugsteuerung vorhergesagt werden, die von dem Steigungskoeffizienten abhängen. So kann beispielsweise ein Getriebe in einen niedrigen Gang geschaltet werden, wenn der
Steigungskoeffizient auf einen großen Steigungskoeffizienten schließen lässt, der auf der Bewegungstrajektorie des Fahrzeuges liegt.
Bevorzugt erfolgt dabei ein Optimieren einer Planung einer Bewegungstrajektorie basierend auf den Steigungskoeffizienten, die sich für Wegpunkte entlang möglicher Bewegungstrajektorien ergeben. Die erfolgt bevorzugt auf einer Kostenfunktion, wobei den Steigungskoeffizienten der Wegpunkte ein
Kostenfaktor zugeordnet wird, welcher insbesondere maximiert oder minimiert wird. Somit kann eine optimale Bewegungstrajektorie ermittelt werden, welche beispielsweise unter minimalen Energieaufwand oder minimaler Motordrehzahl befahren werden kann.
Auch ist eine Vorrichtung zum Auswerten eines Umfeldes eines Fahrzeuges vorteilhaft, die eine Auswertungseinheit umfasst, die dazu eingerichtet ist, das erfindungsgemäße Verfahren auszuführen. Die Vorrichtung umfasst bevorzugt eine Auswerteeinheit in Form einer digitalen Recheneinheit, und umfasst weiter bevorzugt den ersten aktiven Sensor. Eine solche Vorrichtung weist alle Vorteile des Verfahrens auf.
Kurze Beschreibung der Zeichnungen Nachfolgend werden Ausführungsbeispiele der Erfindung unter Bezugnahme auf die begleitende Zeichnung im Detail beschrieben. In der Zeichnung ist:
Figur 1 ein Ablaufdiagramm eines Verfahrens zum Auswerten eines
Umfeldes eines Fahrzeuges gemäß einer ersten Ausführungsform der Erfindung, Figur 2 eine Darstellung eines Fahrzeuges mit einer Vorrichtung, die dazu eingerichtet ist, das Verfahren gemäß der ersten
Ausführungsform auszuführen,
Figur 3 eine grafische Darstellung eines beispielhaften Voxeltensors, in der ein Fahrzeugmodell des Fahrzeuges angeordnet ist,
Figur 4 eine zweidimensionale grafische Darstellung eines
beispielhaften Voxeltensors, in der das Fahrzeugmodell angeordnet ist, eine grafische Darstellung eines beispielhaften Erfassungsraumes eines ersten aktiven Sensors und eine Nachbildung dieses Erfassungsraumes durch eine erste Vielzahl von Voxeln,
Figur 6 eine Darstellung eines beispielhaften Voxeltensors mit dem darin angeordneten Fahrzeugmodell des Fahrzeuges in einem beispielhaften ersten Umfeld des Fahrzeuges, und
Figur 7 eine Darstellung eines beispielhaften Voxeltensors mit dem darin angeordneten Fahrzeugmodell in einem beispielhaften zweiten Umfeld des Fahrzeuges.
Ausführungsformen der Erfindung
Figur 1 zeigt ein Ablaufdiagramm eines Verfahrens zum Auswerten eines Umfeldes eines Fahrzeuges 10 gemäß einer ersten Ausführungsform der Erfindung. Das Verfahren wird von einer Vorrichtung 15 ausgeführt, die in dem Fahrzeug 10 angeordnet ist.
Figur 2 zeigt eine Darstellung des Fahrzeuges 10 mit der Vorrichtung 15. Die Vorrichtung 15 ist in dieser ersten Ausführungsform eine digitale Recheneinheit. An die Vorrichtung 15 ist ein erster aktiven Sensor 11 , ein zweiter aktiven Sensor 12, ein dritter aktiven Sensor 13 und ein vierter aktiven Sensor 14 über jeweils eine Datenleitung angekoppelt. Der erste bis vierte aktive Sensor 11 , 12, 13, 14 ist in dieser ersten Ausführungsform jeweils ein Ultraschallsensor. Der erste aktive Sensor 11 erfasst den Abstand zu Objekten, die vor dem Fahrzeug 10 angeordnet sind. Der zweite aktive Sensor 12 erfasst einen Abstand zu Objekten, die rechts neben dem Fahrzeug angeordnet sind. Der dritte aktive Sensor 13 erfasst einen Abstand zu Objekten, die hinter dem Fahrzeug 10 angeordnet sind.
Der vierte aktive Sensor 14 erfasst einen Abstand zu Objekten, die links neben dem Fahrzeug 10 angeordnet sind. Ferner ist an dem Fahrzeug 10 ein erster passiver Sensor 18 angeordnet, der eine Stereokamera ist. Dabei ist eine erste Kamera 18a und eine zweite Kamera 18b der Stereokamera an dem Fahrzeug angeordnet.
Das Verfahren wird gestartet, wenn die Vorrichtung 15 in Betrieb genommen wird. Nachdem das Verfahren gestartet wurde, wird ein erster Schritt 101 des Verfahrens ausgeführt. In dem ersten Schritt 101 erfolgt ein Bereitstellen eines Voxeltensors 1 , die ein Umfeld des Fahrzeuges 10 repräsentiert. Der Voxeltensor 1 ist ein Koordinatensystem mit drei Achsen, wobei ein Ursprung des
Koordinatensystems eine aktuelle Position des Fahrzeuges 10 repräsentiert. Ein beispielhafter Voxeltensor 1 ist in Figur 3 gezeigt.
Figur 3 zeigt eine grafische Darstellung des beispielhaften Voxeltensors 1 , in der ein Fahrzeugmodell 4 des Fahrzeuges 10 angeordnet ist. Das Fahrzeugmodell 4 ist eine dreidimensionale Darstellung des Fahrzeuges 10. In dieser grafischen Darstellung des Voxeltensors 1 ist ersichtlich, dass der Voxeltensor 1 aus einer Vielzahl von Voxeln 2 besteht. Dabei sind in dieser beispielhaften Darstellung des Voxeltensors 1 nur die Voxel 2 zu erkennen, welche als belegt
gekennzeichnet sind. Voxel 2, die als unbelegt gekennzeichnet sind, sind in Figur 3 transparent und daher nicht erkenntlich. Das Fahrzeugmodell 4 des
Fahrzeuges 10 ist in einem Ursprung des Voxeltensors 1 angeordnet und bildet die tätsächlichen Dimensionen des Fahrzeuges 10 nach.
In dem ersten Schritt 101 wird somit ein mathematisches Konstrukt erzeugt, wobei für jedes Voxel 2 des Voxeltensors 1 ein Wert hinterlegt werden kann. Dieser Wert ist in dieser ersten Ausführungsform eine
Belegungswahrscheinlichkeit. Die Belegungswahrscheinlichkeit ist ein Wert, welcher eine Wahrscheinlichkeit wiedergibt, dass sich an einem Punkt in dem tatsächlichen Umfeld des Fahrzeuges 10, welche einem Voxel 2 zugehörig ist, ein Objekt befindet. So könnte die Belegungswahrscheinlichkeit beispielsweise ein Wert zwischen 0 und 1 sein, wobei 0 bedeutet, dass sich an diesem Punkt sicher kein Objekt befindet und 1 bedeutet, dass an diesem Punkt sicher ein Objekt befindlich ist. Der Wert 0,5 bedeutet enstsprechend, dass keine sichere
Aussage darüber getroffen werden kann, ob sich an dem zugehörigen
Umfeldpunkt in dem Umfeld des Fahrzeuges ein Objekt befindet.
Es wird darauf verwiesen, dass der in Figur 3 dargestellte Voxeltensor 1 lediglich eine beispielhafte Visualisierung des Voxeltensors 1 ist, um das Verständnis der
Erfindung zu erleichtern. Eine alternative Darstellung des Voxeltensors 1 ist in Figur 4 gezeigt. Dabei sind die einzelnen Voxel 2 nicht in deren Umfang dargestellt. Es ist ersichtlich, dass einige Bereiche A als als„unbelegt" gekennzeichnet sind, andere Bereiche B als„belegt" gekennzeichnet sind und weitere Bereiche C als„unbekannt" gekennzeichnet sind. Im Zentrum der
Darstellung ist das Fahrzeugmodell 4 angeordnet, welches hier aufgrund der zweidimensionalen Darstellung in einer Draufsicht dargestellt ist.
Nach dem ersten Schritt 101 wird ein zweiter Schritt 102 ausgeführt. In dem zweiten Schritt 102 erfolgt eine Auswahl einer ersten Vielzahl 3 von Voxeln 2 des
Voxeltensors 1 , die zusammen einen Erfassungsraum 16 des ersten aktiven Sensors 11 des Fahrzeuges 10 nachbilden. Der Erfassungsraum 16 des ersten aktiven Sensors 1 1 ist in Figur 5 ganz links in einer ersten Ansicht dargestellt. Ferner ist dieser in der Mitte der Figur 5 aus einer zweiten Ansicht dargestellt. Der erste aktive Sensor 11 ist in dieser ersten Ausführungsform der Erfindung ein
Ultraschallsensor, der ein akustisches Signal aussendet und dieses wieder empfängt. Aus dem Zeitintervall zwischen Aussenden des akustischen Signals und Empfangen des akustischen Signals wird auf einen Abstand zu einem Objekt geschlossen, das sich vor dem ersten aktiven Sensor 11 befindet. Weitere Informationen bezüglich der Lage des Objektes liegen dabei in dieser ersten
Ausführungsform zunächst nicht vor. Wird eine Reflektion des akustischen Signals durch den ersten aktiven Sensor 11 empfangen, so befindet sich das Objekt in dem Erfassungsraum 16 des ersten aktiven Sensors 11. Der Erfassungsraum 16 wird durch eine erste Vielzahl 3 von Voxeln 2 des Voxeltensors 1 nachgebildet. Eine Nachbildung des Erfassungsraums 16 des ersten aktiven Sensors 11 ist in Figur 5 ganz rechts dargestellt. Es ist ersichtlich, dass die erste Vielzahl 3 von Voxeln 2 derart ausgewählt ist, dass der
Erfassungsraum 16 des ersten aktiven Sensors 11 in zumindest ähnlicher Form wiedergegeben, also nachgebildet ist. Dabei erstreckt sich die erste Vielzahl 3 von Voxeln 2 von einem ersten Sensorvoxel 5 ausgehend, dessen Position in dem Voxeltensor 1 einer Position entspricht, welche der erste aktive Sensor 1 1 in dem tatsächlichen Umfeld des Fahrzeuges einnimmt. Auch wenn die erste Vielzahl 3 von Voxeln 2 in Figur 5 außerhalb des Voxeltensors 1 dargestellt sind, ist die erste Vielzahl 3 von Voxeln 2 eine Auswahl von Voxeln 2 des Voxeltensors 1.
Da der erste Sensor 11 einen Bereich vor dem Fahrzeug 10 erfasst, ist dieser an einer Front des Fahrzeuges 10 angeordnet. Entsprechend ist das erste
Sensorvoxel 5 an einer Front des Fahrzeugmodells 4 in dem Voxeltensor 1 angeordnet. Die erste Vielzahl 3 von Voxeln 2 liegt somit in einer bildlichen Darstellung des Voxeltensors 1 vor dem Fahrzeugmodell 4 des Fahrzeuges 10 und erstreckt sich somit von der Front des Fahrzeugmodells 4 des Fahrzeuges 10 ausgehend von dem Koordinatenursprung des Voxeltensors 1 weg.
Ferner erfolgt in dem zweiten Schritt 102 eine Auswahl einer zweiten Vielzahl von Voxeln 2 des Voxeltensors 1 , die zusammen einen Erfassungsraum des zweiten aktiven Sensors 12 des Fahrzeuges 10 nachbilden. Dies erfolgt entsprechend der Auswahl der ersten Vielzahl 3 von Voxeln 2 des Voxeltensors 1 , wobei die zweite Vielzahl entsprechend der tatsächlichen Position des zweiten aktiven Sensors 12 in dem Voxeltensor 1 ausgewählt wird. Somit ist die zweite Vielzahl von Voxeln 2 des Voxeltensors 1 eine Vielzahl von Voxeln 2, die rechts neben dem Fahrzeugmodell 4 des Fahrzeuges 10 in dem Voxeltensor 1 liegen. Entsprechend wird zudem eine dritte Vielzahl von Voxeln 2 des Voxeltensors 1 für den dritten aktiven Sensor 13 und eine vierte Vielzahl von Voxeln des
Voxeltensors 1 für den vierten aktiven Sensor 14 des Fahrzeuges 10 ausgewählt.
Nach dem zweiten Schritt 102 wird ein dritter Schritt 103 durchgeführt. In dem dritten Schritt 103 erfolgt eine Distanzmessung mittels des ersten aktiven Sensors 1 1 , um eine erste Erfassungsdistanz 17 zu einem ersten
Umgebungsobjekt zu ermitteln. Es wird also eine Abstandsmessung durch den ersten aktiven Sensor 11 durchgeführt. Die erste Erfassungsdistanz 17 ist somit ein Abstand zwischen dem Objekt und dem ersten aktiven Sensor 1 1 in dem tatsächlichen Umfeld des Fahrzeuges 10. Das erste Umgebungsobjekt ist dabei ein tatsächliches Objekt, welches sich in der Umgebung des FahrzeugeslO, in diesem Falle vor dem Fahrzeug 10, befindet.
Ferner erfolgt in dem dritten Schritt 103 eine Distanzmessung mittels des zweiten aktiven Sensors 12, um eine zweite Erfassungsdistanz zu einem zweiten
Umgebungsobjekt zu ermitteln. Es wird also eine Abstandsmessung durch den zweiten aktiven Sensor 12 durchgeführt. Die zweite Erfassungsdistanz ist somit ein Abstand zwischen dem Objekt und dem zweiten Sensor 12 in dem
tatsächlichen Umfeld des Fahrzeuges 10. Das zweite Umgebungsobjekt ist dabei ein tatsächliches Objekt, welches sich in der Umgebung des FahrzeugeslO, in diesem Falle rechts neben dem Fahrzeug 10, befindet. Überschneiden sich die Erfassungsräume des ersten aktiven Sensors 11 und des zweiten aktiven Sensors 12, so kann das erste Umgebungsobjekt gleichzeitig auch das zweite Umgebungsobjekt sein. In entsprechender Weise erfolgt eine Distanzmessung durch den dritten und vierten aktiven Sensor 13, 14, um eine dritte und vierte Erfassungsdistanz zu ermitteln.
Nach dem dritten Schritt 103 wird ein vierter Schritt 104 ausgeführt. In dem vierten Schritt 104 erfolgt eine Auswahl einer ersten Untermenge 6a der ersten Vielzahl 3 von Voxeln 2 des Voxeltensors 1 , deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges 10 einen Abstand zu dem ersten aktiven Sensor 11 aufweisen, der kleiner ist als die erste Erfassungsdistanz 17. Da der Voxeltensor 1 eine Abbildung des Umfeldes des Fahrzeuges 10 ist, kann die erste
Erfassungsdistanz 17 in einen Wert umgewandelt werden, der eine zugehörige Distanz in dem Voxeltensor 1 beschreibt. So könnte beispielsweise jedes Voxel 2 eine Ausdehnung von 10 x 10 x 10 cm aufweisen, wenn diese in das tatsächliche Umfeld des Fahrzeuges 10 übertragen werden. Umgekehrt kann in diesem Beispiel eine Erfassungsdistanz von 1 ,5 Meter als eine Aneinanderreihung von 15 Voxel 2 in dem Voxeltensor 1 dargestellt werden. Die erste Erfassungsdistanz 17 wird also in den Voxeltensor 1 übertragen und alle Voxel 2 der ersten Vielzahl 3 von Voxeln 2, deren Abstand zu dem ersten Sensorvoxel 5 geringer ist als die übertragene erste Erfassungsdistanz 17, werden ausgewählt und bilden die Untermenge 6a der ersten Vielzahl 3 von Voxeln 2.
Zudem erfolgt in dem vierten Schritt 104 eine Auswahl einer zweiten Untermenge 6b der ersten Vielzahl 3 von Voxeln 2 des Voxeltensors 1 , deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges 10 einen Abstand zu dem ersten aktiven Sensor 11 aufweisen, welcher in dem Umfeld des Fahrzeuges 10 in einem Bereich liegen, welcher durch die erste Erfassungsdistanz und einen Toleranzwert definiert ist. So werden beispielsweise die Voxel 2 der ersten Vielzahl 3 von Voxeln 2 des Voxeltensors 1 ausgewählt, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges 10 einen Abstand zu dem Sensor aufweisen, der größer ist als die erste Erfassungsdistanz aber kleiner ist als die erste Erfassungsdistanz zuzüglich eines Toleranzwertes von beispielsweise 10 cm. Die zweite Untermenge 6b wird dabei durch die Voxel 2 der ersten Vielzahl 3 von Voxeln 2 des Voxeltensors 1 gebildet, welche nicht von der ersten
Untermenge 6a umfasst sind aber an diese angrenzen. Die übrigen Voxel 2 der ersten Vielzahl 3 von Voxeln 2 des Voxeltensors 1 , welche nicht von der ersten Untermenge 6a oder der zweiten Untermenge 6b umfasst sind, bilden eine dritte Untermenge 6c.
In die Darstellung der ersten Vielzahl 3 von Voxeln 2 in Figur 5 ist dazu ebenfalls die erste Erfassungsdistanz 17 mit einem beispielhaften Wert eingetragen, auch wenn diese eigentlich ein Wert aus der tatsächlichen Umgebung des Fahrzeuges 10 ist. Es ist ersichtlich, dass nur solche Voxel 2 zu der ersten Untermenge 6a der ersten Vielzahl 3 von Voxeln 2 gezählt werden, die näher als die übertragene Erfassungsdistanz 17 an dem ersten Sensorvoxel 5 liegen. Entsprechend ist ersichtlich, dass nur solche Voxel 2 zu der zweiten Untermenge 6b der ersten Vielzahl 3 von Voxeln 2 gezählt werden, die weiter als die übertragene erste Erfassungsdistanz 17 von dem ersten Sensorvoxel 5 entfernt liegen, jedoch nicht weiter als die übertragene erste Erfassungsdistanz 17 zuzüglich des
Toleranzwertes von dem ersten Sensorvoxel 5 entfernt liegen.
In entsprechender Weise wird in dem vierten Schritt auch eine erste und zweite Untermenge der zweiten Vielzahl 3 von Voxeln 2 des Voxeltensors 1 basierend auf der zweiten Erfassungsdistanz ausgewählt. Zudem wird jeweils eine erste und zweite Untermenge der dritten und vierten Vielzahl von Voxeln 2 des Voxeltensors 1 basierend auf der dritten und vierten Erfassungsdistanz ausgewählt.
Nach dem vierten Schritt 104 wird ein fünfter Schritt 105 ausgeführt. In dem fünften Schritt 105 erfolgt ein Reduzieren einer Belegungswahrscheinlichkeit für die ausgewählte erste Untermenge der ersten Vielzahl 3 von Voxeln 2. Wie zuvor beschrieben kann für jedes Voxel 2 des Voxeltensors 1 eine
Belegungswahrscheinlichkeit gespeichert werden. In dieser ersten
Ausführungsform der Erfindung sei angenommen, dass die
Belegungswahrscheinlichkeit aller Voxel 2 des Voxeltensors 1 , die außerhalb des Fahrzeugmodells 4 des Fahrzeuges 10 liegen, zunächst auf 0, 5 gesetzt ist. In diesem fünften Schritt S105 wird die Belegungswahrscheinlichkeit reduziert, indem ein vorgegebener Wert von der jeweiligen Belegungswahrscheinlichkeit abgezogen wird. So wird für die erste Untermenge 6a der ersten Vielzahl 3 von Voxeln 2 bei jedem Durchgang des Verfahrens ein vorgegebener Wert, beispielsweise der Wert 0, 1 , abgezogen. Dieser vorgegebene Wert ist dabei jedoch lediglich beispielhaft gewählt und kann auf einen beliebigen Wert oder auch variabel gewählt werden.
Ferner erfolgt in dem fünften Schritt 105 ein Erhöhen einer
Belegungswahrscheinlichkeit für die ausgewählte zweite Untermenge 6b der ersten Vielzahl 3 von Voxeln 2. Die Belegungswahrscheinlichkeit wird erhöht, indem ein vorgegebener Wert zu der jeweiligen Belegungswahrscheinlichkeit addiert wird. So wird für die zweite Untermenge 6b der ersten Vielzahl 3 von Voxeln 2 bei jedem Durchgang des Verfahrens ein vorgegebener Wert, beispielsweise der Wert 0,1 , addiert. Dieser vorgegebene Wert ist dabei jedoch lediglich beispielhaft gewählt und kann auf einen beliebigen Wert oder auch variabel gewählt werden.
In entsprechender Weise wird die Belegungswahrscheinlichkeit der Voxel 2, welche die ausgewählte erste Untermenge der zweiten Vielzahl von Voxeln 2, die ausgewählte erste Untermenge der dritten Vielzahl von Voxeln 2 und die ausgewählte erste Untermenge der vierten Vielzahl von Voxeln 2 bilden, ebenfalls reduziert. In entsprechender Weise wird ferner die
Belegungswahrscheinlichkeit der Voxel 2, welche die ausgewählte zweite Untermenge der zweiten Vielzahl von Voxeln 2, die ausgewählte zweite
Untermenge der dritten Vielzahl von Voxeln 2 und die ausgewählte zweite Untermenge der vierten Vielzahl von Voxeln 2 bilden, ebenfalls erhöht.
Nach dem fünften Schritt 105 wird ein sechster Schritt 106 ausgeführt. In dem sechsten Schritt 106 erfolgt ein Kennzeichnen eines Voxels 2 als von einem Objekt belegt, wenn die Belegungswahrscheinlichkeit des Voxels 2 über einem vorgegebenen ersten Grenzwert liegt. Zudem erfolgt ein Kennzeichnen dieses
Voxels 2 als von einem Objekt unbelegt, wenn die Belegungswahrscheinlichkeit unter einem vorgegebenen zweiten Grenzwert liegt. So ist der erste Grenzwert beispielsweise auf einen Wert von 0,6 festgelegt und der zweite Grenzwert auf einen Wert von 0,4 festgelegt. Der erste und der zweite Grenzwert sind hier jedoch nur beispielhaft angegeben. Diese können beliebig gewählt werden, solange der erste Grenzwert größer als der zweite Grenzwert ist.
Es wird somit jedes Voxel 2 des Voxeltensors 1 dahingehend geprüft, ob dessen Belegungswahrscheinlichkeit größer als der erste Grenzwert ist. Ist dieses der Fall, so wird dieses als„belegt" gekennzeichnet, das bedeutet, dass
angenommen wird, dass sich an der dem Voxel 2 entsprechenden Stelle in dem tatsächlichen Umfeld des Fahrzeuges 10 ein Objekt befindet. Ferner wird geprüft, ob die Belegungswahrscheinlichkeit unter dem zweiten Grenzwert liegt. Ist dies der Fall, so wird davon ausgegangen, dass an dem Punkt, der diesem Voxel 2 in dem tatsächlichen Umfeld des Fahrzeuges 10 entspricht, kein Objekt liegt. Das
Voxel wird als„unbelegt" gekennzeichnet. Für die Voxel, deren
Belegungswahrscheinlichkeit zwischen dem ersten und dem zweiten Grenzwert liegt, ist unklar, ob dort ein Objekt in dem tatsächlichen Umfeld des Fahrzeuges liegt. Das Voxel 2 wird als„unbekannt" gekennzeichnet. Für diese Voxel 2 könnte beispielsweise eine zusätzliche Verifizierung der Belegungswahrscheinlichkeit durch eine weitere Sensormessung erfolgen. Wird der erste Grenzwert gleich dem zweiten Grenzwert gewählt, wird jedes der Voxel 2 als entweder belegt oder unbelegt gekennzeichnet. Ein unklarer Fall tritt nichtmehr auf. Nach dem sechsten Schritt 106 des Verfahrens wird ein siebter Schritt 107 ausgeführt. In dem siebten Schritt 107 wird die Belegungswahrscheinlichkeit eines Voxels 2 so verändert, dass diese gegen einen vorgegebenen Wert konvergiert, wenn die Belegungswahrscheinlichkeit für dieses Voxel 2 über ein vorgegebenes Zeitintervall hinweg nicht verändert wurde. Der vorgegebene Wert ist ein Wert, welcher zwischen dem ersten Grenzwert und dem zweiten
Grenzwert liegt. So ist der vorgegebene Wert hier zu 0,5 gewählt.
So wird bei jedem Reduzieren einer Belegungswahrscheinlichkeit eine
Zeitvariable für jedes Voxel 2 auf einen vorgegebenen Wert, beispielsweise 5, gesetzt. Bei jedem Durchlauf des Verfahrens wird dieser Wert um den Wert 1 dekrementiert, falls die Belegungswahrscheinlich dieses Voxels 2 nicht reduziert oder erhöht wird. Somit erreicht dieser Wert nach einer gegebenen Anzahl an Verfahrensdurchläufen den Wert 0, falls die Belegungswahrscheinlichkeit für dieses Voxel nicht erhöht oder reduziert wurde. Hat diese Variable den Wert 0 erreicht, so wird die Belegungswahrscheinlichkeit des zugehörigen Voxels 2 reduziert, falls diese über dem vorgegebenen Wert liegt und wird erhöht, falls diese unter dem vorgegebenen Wert liegt. So wird beispielsweise ein konstanter Wert, beispielsweise 0,1 , von der jeweiligen Belegungswahrscheinlichkeit addiert oder subtrahiert. Es wird somit eine Alterung von Messdaten implementiert. Liegt für ein Voxel 2 über eine bestimmte Zeit kein neuer Messwert vor, konvergiert dessen Belegungswahrscheinlichkeit gegen den vorgegebenen Wert, bis das Voxel als„unbekannt" gekennzeichnet wird.
Nach dem siebten Schritt 107 verzweigt das Verfahren zurück auf den zweiten Schritt 102 und wird fortan in einer Schleife ausgeführt, bis die Vorrichtung 15 außer Betrieb genommen wird.
Es wird somit der Effekt genutzt, dass, wenn eine Reflektion eines Sensorsignals des ersten aktiven Sensors 11 von diesem wieder empfangen wird, eine hohe Wahrscheinlichkeit dafür vorliegt, dass die Reflektion innerhalb des
Erfassungsraums 16 des ersten aktiven Sensors 11 erfolgt ist. Somit kann ausgehend von einer Position des ersten aktiven Sensors 11 , eine Lage des Objektes an einer Schnittfläche zwischen dessen Erfassungsraum 16 und einer um den ersten aktiven Sensor 11 aufgespannten Kugel, die den Radius des gemessenen Abstands aufweist, bestimmt werden. Dies gilt für alle aktiven Sensoren, die ein Messsignal aktiv aussenden. Da insbesondere
Ultraschalsensoren und Radarsensoren aktive Sensoren sind, kann eine Belegungswahrscheinlichkeit der Voxel 2, die zwischen dem Zentrum des jeweiligen Sensors und der oben beschriebenen Schnittfläche liegen, verringert werden.
In einer alternativen Ausführungsform, welche im Wesentlichen der ersten Ausführungsform entspricht, umfasst das Verfahren ferner ein Erfassen einer Position von Objekten in dem Umfeld des Fahrzeuges 10 mittels eines passiven
Sensors, beispielsweise des ersten passiven Sensors 18. Dabei wird durch die beiden Kameras 18a, 18b des ersten passiven Sensors 18 jeweils ein Bild erfasst. In Folge drauf werden in den Bildern gemeinsam dargestellte Objekte detektiert und eine Position dieser Objekte in der Umgebung des Fahrzeuges 10 wird mittels einer Triangulation errechnet. In dem fünften Schritt 105 wird zudem die Belegungswahrscheinlichkeit für die Voxel 2 des Voxeltensors 1 erhöht, deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges 10 der Position der durch den ersten passiven Sensor 18 erfassten Objekte entsprechen. Somit kann der Informationsgehalt des Voxeltensors 1 verifiziert und verbessert werden.
Auch in dieser alternativen Ausführungsform wird das Verfahren in einer Schleife ausgeführt, wobei die Belegungswahrscheinlichkeiten der Voxel 2 des
Voxeltensors 1 somit durch den ersten aktiven Sensor 1 1 und den ersten passiven Sensor 18 kontinuierlich aktualisiert werden.
Es sei darauf verwiesen, dass der erste aktive Sensor 1 1 auch ein anderer aktiver Sensor sein kann. Beispielsweise kann der erste aktive Sensor 1 1 ein LIDAR-Sensor sein. LIDAR-Sensoren senden und empfangen Licht, um einen Abstand zu reflektierten Oberflächen zu messen. Hierbei erfolgt zumeist eine punktweise Abtastung des Umfeldes des Fahrzeuges 10. Eine aktuelle Messung eines LIDAR-Sensors ergibt einen Punkt, der in dem Umfeld des Fahrzeuges 10 angeordnet ist. Dieser Punkt kann als ein Ellipsoid wiedergegeben werden. Eine Dimension des Ellipsoids gibt eine Kovarianz der Messung dieses Punktes wieder. Die Belegungswahrscheinlichkeit innerhalb des Ellipsoids wird erhöht. Die Erhöhung der Belegungswahrscheinlichkeit kann auch an den Kovarianzwert gebunden sein.
Die Vorrichtung 15 ist ferner dazu eingerichtet, den Voxeltensor 1 derart auszuwerten, dass Informationen für den Fahrer des Fahrzeuges 10
bereitgestellt werden können oder Informationen für eine Fahrzeugsteuerung bereitgestellt werden können. Dazu erfolgt beispielsweise ein Vorhersagen oder Planen einer Bewegungstrajektone 7 für das Fahrzeug 10 basierend auf den Belegungswahrscheinlichkeiten der Voxel 2 des Voxeltensors 1.
Dazu wird bei einem Vorhersagen einer Bewegungstrajektone 7 für das
Fahrzeug 10 die Bewegungstrajektone 7 beispielsweise dadurch ermittelt, dass ein Lenkeinschlag und eine Bewegungsgeschwindigkeit des Fahrzeuges 10 ausgelesen werden. In Figur 6 ist ein beispielhafter Voxeltensor 1 mit dem darin angeordneten Fahrzeugmodell 4 des Fahrzeuges 10 in einem beispielhaften ersten Umfeld des Fahrzeuges 10 gezeigt. Dabei wurde ermittelt, dass kein Lenkeinschlag des Fahrzeuges 10 vorliegt und das Fahrzeug 10 sich vorwärts bewegt. Entsprechend erstreckt sich die Bewegungstrajektone 7 gradlinig vor dem Fahrzeug 10 und somit auch geradlinig vor dem Fahrzeugmodell 4 des Fahrzeuges 10.
Alternativ wird die Bewegungstrajektone 7 von der Vorrichtung basierend auf den Belegungswahrscheinlichkeiten der Voxel 2 des Voxeltensors 1 geplant. So kann durch die Vorrichtung beispielsweise eine Startposition und eine Zielposition aus der tatsächlichen Umgebung des Fahrzeuges 10 in den Voxeltensor 1 übertragen werden. Dann wird eine Vielzahl potentieller Bewegungstrajektorien errechnet, welche die Startposition und die Zielposition verbinden. Das
Fahrzeugmodell 4 wird rechnerisch entsprechend der potentiellen
Bewegungstrajektorien zwischen der Startposition und der Zielposition bewegt. Solche Bewegungstrajektorien, bei denen es zu bei der rechnerischen Bewegung zu einer Kollision des Fahrzeugmodells 4 mit einem der in dem Voxeltensor 1 repräsentierten Umgebungsobjekten kommt werden verworfen. Um zu erkennen, ob es zu einer Kollision kommt, wird geprüft, ob ein Abschnitt des
Fahrzeugmodells 4 des Fahrzeuges 10 auf einem Voxel 2 des Voxeltensors 1 angordnet ist, welches als belegt gekennzeichnet ist. So kann das Fahrzeugmodell 4 bei der rechnerischen Bewegung nacheinander in
unterschiedlichen Positionen in dem Voxeltensors 1 angeordnet werden, und es wird für jede Position überprüft, ob die Belegungswahrscheinlichkeit der in dieser Position von dem Fahrzeugmodell 4 überlagerten Voxel 2 kleiner 0,4 ist, diese also als„unbelegt" gekennzeichnet sind. Ist dies für alle überlagerten Voxel 2 für alle möglichen Positionen des Fahrzeugmodells 4 entlang einer potentiellen Bewegungstrajektorie der Fall, so kommt es zu keiner Kollision. Die kürzeste der verbleibenden potentiellen Bewegungstrajektorien wird als geplante
Bewegungstrajektorie 7 an die Fahrzeugsteuerung übermittelt.
Somit wird das Fahrzeugmodell 4 des Fahrzeuges 10 in den Voxeltensor 1 übertragen und das Fahrzeugmodell 4 entsprechend der Bewegungstrajektorie 7 in dem Voxeltensor 1 bewegt.
Beispielhaft wird auf das erste Umfeld des Fahrzeuges 10, welches in Figur 6 dargestellt ist, verwiesen. Dieses zeigt eine Situation, in der vor dem Fahrzeug 10 eine Erhebung 8 sowie zwei Senken 9a, 9b liegen. Diese wurden durch das zuvor beschriebene Verfahren erfasst. In der tatsächlichen Umgebung des Fahrzeuges 10 könnten die Senken 9a, 9b beispielsweise Schlaglöcher sein. Zur Ermittlung der Überfahrbarkeit einer Struktur aus Voxeln 2 wird überprüft, ob deren maximale Höhe, beispielsweise ermittelt durch die Anzahl der Voxel 2 in horizontale Richtung multipliziert mit deren Kantenlänge, unterhalb einer applizierbaren Schwelle liegt. Es wird somit geprüft, ob diese Unebenheiten, also die Erhebung 8 und die beiden Senken 9a, 9b, überfahrbar sind. Dies erfolgte basierend auf der Bewegungstrajektorie 7 und den
Belegungswahrscheinlichkeiten der Voxel 2 des Voxeltensors 1.
Es ist ersichtlich, dass die Bewegungstrajektorie 7 in Figur 6 darauf hindeutet, dass das Fahrzeug 10 über die Erhebung 8, und/oder die Senken 9a, 9b hinwegfährt. Daher erfolgt ein Ausgeben einer Warnung, wenn die
Bewegungstrajektorie 7 durch einen Bereich des Voxeltensors 1 führt, in der eine Belegungswahrscheinlichkeit der Voxel 2 darauf schließen lässt, dass auf der Bewegungstrajektorie 7 des Fahrzeuges 10 eine nicht kollisionsfrei überfahrbare Unebenheit liegt. Alternativ könnte die Bewegungstrajektorie 7 neu geplant werden, so dass die Erhebung 8, und die Senken 9a, 9b umfahren werden. Alternativ oder zusätzlich wird basierend auf der Bewegungstrajektone 7 und den Belegungswahrscheinlichkeiten der Voxel 2 des Voxeltensors 1 geprüft, ob eine ausreichende Durchfahrts-Höhe für ein Passieren des Fahrzeuges 10 oder eines Fahrzeugabschnittes gegeben ist. Für Strukturen, die von dem Fahrzeug 10 unterfahren werden können, gilt, dass das zugehörige Voxel 2 mit der niedrigsten
Koordinate in einer Richtung entlang der Hochachse des Fahrzeugmodells 4 des Fahrzeuges 10 betrachtet werden muss und sich anhand dieser Höher festlegen lässt, inwiefern der Fahrer mit dem Fahrzeug 10 unter dem Hindernis
durchfahren kann, also ob eine ausreichende Durchfahrts-Höhe vorliegt. Dies ist beispielsweise hilfreich bei Hängeregalen in Garagen, welche oberhalb der
Motorhaube, aber nicht oberhalb des Dachs des Fahrzeuges 10 Platz finden. Die spezifische Form des Fahrzeuges 10 kann hier Dank der dreidimensionalen Umfeldinformationen und dem Fahrzeugmodell 4 des Fahrzeuges 10
berücksichtigt werden.
So kann eine Warnung ausgegeben, wenn die Bewegungstrajektone 7 durch einen Bereich des Voxeltensors 1 führt, in der eine Belegungswahrscheinlichkeit der Voxel 2 darauf schließen lässt, dass keine ausreichende Durchfahrts-Höhe für ein Passieren des Fahrzeuges 10 gegeben ist. Alternativ kann die
Bewegungstrajektone 7 neu geplant werden.
Die Eigenschaften unterfahrbar und überfahrbar werden durch Schwellwerte festgelegt und können dabei abhängig von einem aktuellen Beladungszustand, dem Reifendruck, der Fahrwerkseinstellung und der Bereifung des Fahrzeuges 10 dynamisch gewählt werden. Optional oder zusätzlich ist es möglich, dass der
Fahrer den Schwellwert mehr oder weniger konservativ ausprägen kann, damit ein individueller Fahrstil des Fahrers 10 Berücksichtigung findet. Nähert sich der Fahrer mit dem Fahrzeug 10 einem als nicht über- oder unterfahrbar
klassifizierten Hindernis, so wird dieser durch eine entsprechende Warnung optisch und/oder akustisch gewarnt, um eine mögliche Kollision zu vermeiden.
Sofern möglich, planen autonom fahrende Systeme in einem solchen Fall eine alternative und kollisionsfreie Bewegungstrajektone 7.
Gegenüber aktuell verfügbaren Systemen bietet dies einen erweiterten
Kollisionsschutz, da neben Fahrzeugfront, Heck und den Fahrzeugseiten auch der Unterboden sowie das Fahrzeugdach, die Motorhaube und die Heckklappe berücksichtigt werden können. Zudem lassen sich durch die genauere
Umfelddetektion und die damit einhergehende verbesserte Ausnutzung von Parkraum auch engere Parklücken nutzen, als dies bislang möglich ist. Werden Unebenheiten in einer Fahrbahnebene oder einer Fahrbahnoberfläche erkannt, so kann diese Information dazu genutzt werden, ein adaptives Fahrwerk, beispielsweise die Stoßdämpfer, anzupassen. Dies kann gegebenenfalls auch nur für ein einziges Rad des Fahrzeuges 10 erfolgen. Auf diese Weise kann der Fahrkomfort bestmöglich erhalten werden und der Unterboden des Fahrzeuges 10 vor Kollisionen geschützt werden. Weiterhin können teilweise autonom bewegende Fahrzeuge die Information nutzen, um Unebenheiten innerhalb des Fahrschlauchs, also entlang der Fahrzeugtrajektorie 7, durch eine angepasste Bahnplanung gezielt zu umfahren. Alternativ oder zusätzlich ist die Vorrichtung 15 dazu geeignet, basierend auf der
Belegungswahrscheinlichkeit der Voxel 2 einen Steigungskoeffizienten zu ermitteln, wobei der Steigungskoeffizient einen Neigungswinkel des Fahrzeuges 10 beschreibt, den dieses annimmt, wenn dieses sich in einer bestimmten Position befindet, die sich in dem durch den Voxeltensor 1 repräsentierten Umfeld befindet.
Der Steigungskoeffizient beschreibt hier einen Wnkel zwischen einer
Längsachse des Fahrzeuges 10 und einer horizontalen Ebene. Es sei jedoch darauf verwiesen, dass der Steigungswinkel in weiteren Ausführungsformen ebenfalls ein Wnkel zwischen einer Querachse des Fahrzeuges 10 und einer horizontalen Ebene sein kann. Da ein Höhenprofil der Umgebung des
Fahrzeuges 10 direkt aus dem Voxeltensor 1 ausgelesen werden kann, kann auch eine Neigung des Fahrzeuges 10 und somit der Neigungswinkel bei einem Abfahren der Bewegungstrajektorie 7 errechnet werden. So wird basierend auf der Belegungswahrscheinlichkeit der Voxel 2 zunächst bestimmt, ob das Voxel 2 als belegt oder unbelegt markiert ist und entsprechend ein Höhenprofil des Umfeldes des Fahrzeuges 10 erstellt. Dabei wird der Steigungskoeffizient entweder als ein relativer Wert ermittelt, der eine Steigungsänderung gegenüber einer aktuellen Lage des Fahrzeuges 10 beschreibt, oder der
Steigungskoeffizient wird als ein absoluter Wert ermittelt. Dazu ist es vorteilhaft, wenn ein aktueller Steigungskoeffizient durch einen Neigungssensor
bereitgestellt wird. Für alternative Positionen des Fahrzeuges 10, dies sich beispielsweise bei einem Abfahren der Bewegungstrajektorie 7 ergeben, kann dann einer oder mehrere zukünftige Steigungskoeffizienten ermittelt werden.
Figur 7 zeigt dazu einen beispielhaften Voxeltensor 1 mit dem darin
angeordneten Fahrzeugmodell 4 in einem beispielhaften zweiten Umfeld des Fahrzeuges 10. Dabei beschreibt die in Figur 7 dargestellte Situation eine Situation, in der das Fahrzeug 10 und somit das Fahrzeugmodell 4 eine Neigung aufweisen. Dabei ist eine Lage des Fahrzeuges 10 in der Zukunft dargestellt, die sich ergibt, wenn das Fahrzeug 10 der Bewegungstrajektorie 7 folgt. Darin befindet sich das Fahrzeug 10 auf einer Rampe. Das Höhenprofil der Umgebung ist direkt aus der Darstellung des Voxeltensors 1 ablesbar.
Gerade bei autonomen Einparkvorgängen ist die Kenntnis über den zu erwartenden Höhenverlauf beim Abfahren einer Bewegungstrajektorie 7 von großer Bedeutung. Dies liegt beispielsweise insbesondere bei der Nutzung von ansteigenden Duplexgaragen vor. Ist der Höhenverlauf, also der
Steigungskoeffizient bekannt, so kann beispielsweise ein nötiger
Motordrehmoment und/oder eine nötige Bremskraft bei einer Bewegung des Fahrzeuges 10 automatisch angepasst und an die vorliegende Situation angepasst werden. Auch nach Ende des Parkvorgangs ist die Information weiterhin nützlich, da so die Kraft der Parkbremse entsprechend gewählt werden kann.
Auch erfolgt in weiteren alternativen Ausführungsformen ein Optimieren einer Planung einer Bewegungstrajektorie basierend auf den Steigungskoeffizienten, die sich für Wegpunkte entlang möglicher Bewegungstrajektorien ergeben. Dazu werden beispielsweise jeweils die Steigungskoeffizienten für alle Wegpunkte entlang einer Vielzahl möglicher Bewegungstrajektorien addiert. Die
Bewegungstrajektorie der möglicher Bewegungstrajektorien, deren addierte Steigungskoeffizienten die geringste Summe bilden, wird als optimale
Bewegungstrajektorie ausgewählt. Es wird somit eine Kostenfunktion realisiert. Nebst oben stehender Offenbarung wird explizit auf die Offenbarung der Figuren 1 bis 7 hingewiesen.

Claims

Verfahren zum Auswerten eines Umfeldes eines Fahrzeuges (10), umfassend: Bereitstellen (101 ) eines Voxeltensors (1), der ein Umfeld eines Fahrzeuges (10) repräsentiert, Auswahl (102) einer ersten Vielzahl (3) von Voxeln (2) des Voxeltensors (I) , die zusammen einen Erfassungsraum (16) eines ersten aktiven Sensors (11) des Fahrzeuges (10) nachbilden, Durchführen (103) einer Distanzmessung mittels des ersten aktiven Sensors (1 1), um eine erste Erfassungsdistanz (17) zu einem ersten Umgebungsobjekt zu ermitteln, Auswahl (104) einer ersten Untermenge (6a) der ersten Vielzahl (3) von Voxeln (2) des Voxeltensors (1), deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges (10) einen Abstand zu dem ersten aktiven Sensor (I I) aufweisen, der kleiner ist als die erste Erfassungsdistanz (17), und Reduzieren (105) einer Belegungswahrscheinlichkeit für die ausgewählte erste Untermenge (6a) der ersten Vielzahl (3) von Voxeln (2). Verfahren gemäß Anspruch 1 , ferner umfassend: Auswahl (106) einer zweiten Untermenge (6b) der ersten Vielzahl (3) von Voxeln (2) des Voxeltensors (1), deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges (10) einen Abstand zu dem ersten aktiven Sensor (1 1) aufweisen, welcher der ersten Erfassungsdistanz (17) entspricht, oder in dem Umfeld des Fahrzeuges (10) in einem Bereich liegen, welcher durch die erste Erfassungsdistanz und einen Toleranzwert definiert ist, und Erhöhen (107) einer Belegungswahrscheinlichkeit für die ausgewählte zweite Untermenge (6b) der ersten Vielzahl (3) von Voxeln (2). Verfahren gemäß einem der vorstehenden Ansprüche, ferner umfassend: Erfassen einer Position von Objekten in dem Umfeld des Fahrzeuges (10) mittels eines passiven Sensors (18), Erhöhen der Belegungswahrscheinlichkeit für die Voxel (2) des Voxeltensors (1), deren zugehörige Umfeldpunkte in dem Umfeld des Fahrzeuges (10) der Position der durch den passiven Sensor (18) erfassten Objekte, insbesondere zuzüglich sensorspezifischer Messunsicherheiten, entsprechen. Verfahren gemäß einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass ein Voxel (2) als belegt gekennzeichnet wird, wenn die Belegungswahrscheinlichkeit über einem vorgegebenen ersten Grenzwert liegt. Verfahren gemäß einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass ein Voxel (2) als unbelegt gekennzeichnet wird, wenn die Belegungswahrscheinlichkeit unter einem vorgegebenen zweiten Grenzwert liegt. Verfahren gemäß einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass die Belegungswahrscheinlichkeit eines Voxels (2) gegen einen vorgegebenen Wert konvergiert, wenn die Belegungswahrscheinlichkeit für dieses Voxel (2) über ein vorgegebenes Zeitintervall hinweg nicht verändert wurde. Verfahren gemäß einem der vorstehenden Ansprüche, dadurch gekennzeichnet, dass das Verfahren in einer Schleife ausgeführt wird, wobei die Belegungswahrscheinlichkeiten der Voxel (2) des Voxeltensors
(1) durch den aktiven Sensor und/oder den passiven Sensor kontinuierlich aktualisiert werden.
Verfahren gemäß einem der vorstehenden Ansprüche, ferner umfassend: ein Vorhersagen oder Planen einer Bewegungstrajektorie (7) für das Fahrzeug (10) basierend auf den Belegungswahrscheinlichkeiten der Voxel
(2) des Voxeltensors (1).
Verfahren gemäß Anspruch 8 ferner umfassend:
Übertragen eines Fahrzeugmodells des Fahrzeuges (1) in den Voxeltensor (1), wobei das Fahrzeugmodell (4) entsprechend der Bewegungstrajektorie (7) in dem Voxeltensor (1) angeordnet oder bewegt wird, Prüfen, ob ein Abschnitt des Fahrzeugmodells (4) des Fahrzeuges (10) auf einem Voxel (2) des Voxeltensors (1) angordnet ist, welches als belegt gekennzeichnet ist. 10. Verfahren gemäß Anspruch 8 oder 9 ferner umfassend:
Prüfen, ob eine ausreichende Durchfahrts-Höhe für ein Passieren des
Fahrzeuges (10) oder eines Fahrzeugabschnittes gegeben ist, basierend auf der Bewegungstrajektone (7) und den Belegungswahrscheinlichkeiten der Voxel (2) des Voxeltensors (1), und/oder
Prüfen, ob eine Unebenheit überfahrbar ist, basierend auf der
Bewegungstrajektone (7) und den Belegungswahrscheinlichkeiten der
Voxel (2) des Voxeltensors (1).
Verfahren gemäß einem der vorstehenden Ansprüche, ferner umfassend: Ermitteln eines Steigungskoeffizienten basierend auf der
Belegungswahrscheinlichkeit der Voxel (2), wobei der Steigungskoeffizient einen Neigungswinkel des Fahrzeuges (10) beschreibt, den dieses annimmt, wenn dieses sich in einer bestimmten Position befindet, die sich in dem durch den Voxeltensor (1) repräsentierten Umfeld befindet.
Verfahren gemäß Anspruch 11 , ferner umfassend:
Optimieren einer Planung einer Bewegungstrajektone (7) basierend auf den Steigungskoeffizienten, die sich für Wegpunkte entlang möglicher Bewegungstrajektorien ergeben.
Vorrichtung zum Auswerten eines Umfeldes eines Fahrzeuges (10), umfassend eine Auswertungseinheit, die dazu eingerichtet ist, das
Verfahren gemäß einem der Ansprüche 1 bis 12 auszuführen.
PCT/EP2016/080100 2016-01-20 2016-12-07 Verfahren zum auswerten eines umfeldes eines fahrzeuges WO2017125199A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016200656.8 2016-01-20
DE102016200656.8A DE102016200656A1 (de) 2016-01-20 2016-01-20 Verfahren zum Auswerten eines Umfeldes eines Fahrzeuges

Publications (1)

Publication Number Publication Date
WO2017125199A1 true WO2017125199A1 (de) 2017-07-27

Family

ID=57609849

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2016/080100 WO2017125199A1 (de) 2016-01-20 2016-12-07 Verfahren zum auswerten eines umfeldes eines fahrzeuges

Country Status (2)

Country Link
DE (1) DE102016200656A1 (de)
WO (1) WO2017125199A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017221839A1 (de) 2017-12-04 2019-06-06 Robert Bosch Gmbh Verfahren zur Positionsbestimmung für ein Fahrzeug, Steuergerät und Fahrzeug
US10649459B2 (en) 2018-04-26 2020-05-12 Zoox, Inc. Data segmentation using masks
DE102022207654A1 (de) 2022-07-26 2024-02-01 Volkswagen Aktiengesellschaft Erstellung von Fahrbereichen aus Lokalisierungsdaten und Fahrzeugabmessungen

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060178828A1 (en) 2005-02-08 2006-08-10 Seegrid Corporation Multidimensional evidence grids and system and methods for applying same
DE102011013776A1 (de) 2011-03-12 2011-11-10 Daimler Ag Verfahren zur Erfassung und/oder Verfolgung von Objekten
DE102011108468A1 (de) 2011-07-23 2013-01-24 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur Generierung von dreidimensionalen Umfeldinformationen
US20140035775A1 (en) * 2012-08-01 2014-02-06 GM Global Technology Operations LLC Fusion of obstacle detection using radar and camera

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060178828A1 (en) 2005-02-08 2006-08-10 Seegrid Corporation Multidimensional evidence grids and system and methods for applying same
DE102011013776A1 (de) 2011-03-12 2011-11-10 Daimler Ag Verfahren zur Erfassung und/oder Verfolgung von Objekten
DE102011108468A1 (de) 2011-07-23 2013-01-24 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur Generierung von dreidimensionalen Umfeldinformationen
US20140035775A1 (en) * 2012-08-01 2014-02-06 GM Global Technology Operations LLC Fusion of obstacle detection using radar and camera

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ELFES A: "Using occupancy grids for mobile robot perception and navigation", COMPUTER, IEEE COMPUTER SOCIETY, USA, vol. 22, no. 6, 1 June 1989 (1989-06-01), pages 46 - 57, XP011436714, ISSN: 0018-9162, DOI: 10.1109/2.30720 *
MATTHIAS R SCHMID ET AL: "Dynamic level of detail 3D occupancy grids for automotive use", INTELLIGENT VEHICLES SYMPOSIUM (IV), 2010 IEEE, IEEE, PISCATAWAY, NJ, USA, 21 June 2010 (2010-06-21), pages 269 - 274, XP031732249, ISBN: 978-1-4244-7866-8 *

Also Published As

Publication number Publication date
DE102016200656A1 (de) 2017-07-20

Similar Documents

Publication Publication Date Title
DE102009006113B4 (de) Vorrichtung und Verfahren zur Sensorfusion mit dynamischen Objekten
DE102018115813A1 (de) Verfahren und systeme zum lokalisieren eines fahrzeugs
EP3386825B1 (de) Verfahren zum erkennen einer möglichen kollision zwischen einem kraftfahrzeug und einem objekt unter berücksichtigung einer räumlichen unsicherheit, steuereinrichtung, fahrerassistenzsystem sowie kraftfahrzeug
DE102011014699B4 (de) Verfahren zum Betrieb eines Fahrerassistenzsystems zum Schutz eines Kraftfahrzeuges vor Beschädigungen und Kraftfahrzeug
EP3743318A1 (de) Korrigieren einer position eines fahrzeugs mit slam
DE102018129063A1 (de) Systeme und verfahren zur freiraum-inferenz zum brechen von geclusterten objekten in fahrzeugwahrnehmungssystemen
EP3332400A1 (de) Verfahren und vorrichtung in einem kraftfahrzeug zur verbesserten datenfusionierung bei einer umfelderfassung
DE102008036009A1 (de) Verfahren zum Kollisionsschutz eines Kraftfahrzeugs und Parkhausassistent
WO2014095019A1 (de) Verfahren und vorrichtung zum prädikativen ermitteln eines parameterwertes einer von einem fahrzeug befahrbaren oberfläche
WO2013029722A2 (de) Verfahren zur umgebungsrepräsentation
DE102018129057A1 (de) Systeme und verfahren zum bestimmen der geschwindigkeit von lidar-punkten
EP3430423B1 (de) Verfahren zur verbesserung einer erfassung zumindest eines objekts in einer umgebung eines kraftfahrzeugs durch eine indirekte messung mit sensoren, steuereinrichtung, fahrerassistenzsystem sowie kraftfahrzeug
DE102020118629B4 (de) Computerimplementiertes Verfahren zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs
EP3142913A1 (de) Umfeldkarte für fahrflächen mit beliebigem höhenverlauf
WO2017125199A1 (de) Verfahren zum auswerten eines umfeldes eines fahrzeuges
WO2020064576A1 (de) Verfahren zur bewertung einer auswirkung eines objektes im umfeld eines fortbewegungsmittels auf ein fahrmanöver des fortbewegungsmittels
DE102016111079A1 (de) Verfahren zur Objekthöhenerkennung eines Objektes in der Umgebung eines Kraftfahrzeugs sowie Fahrerassistenzsystem
WO2021219353A1 (de) Autonomes und/oder assistiertes kuppeln eines anhängers unter berücksichtigung des höhenprofils des untergrunds
DE102017205245A1 (de) Freibereichsfusion für Fahrerassistenzsysteme
EP2905156B1 (de) Verfahren zum Betrieb eines aktiven Fahrwerksystems eines Kraftfahrzeugs und Kraftfahrzeug
DE102016109850B4 (de) Verfahren zum Erkennen einer Neigung in einer Fahrbahn eines Kraftfahrzeugs, Fahrerassistenzsystem sowie Kraftfahrzeug
DE102019216147B3 (de) Verfahren zur Bestimmung einer Befahrbarkeit eines Bereichs eines Geländes für ein Fahrzeug
DE102021122405A1 (de) Fahrzeugbetrieb entlang eines geplanten pfades
DE102021201589A1 (de) Steuerung eines Fahrzeugs abhängig von einem topographischen Merkmal einer Fahrbahnoberfläche
DE102020206152A1 (de) Vorrichtung zur Bestimmung, ob eine Parklücke in einem seitlichen Frontbereich und/oder Heckbereich eines Fahrzeugs für das Fahrzeug geeignet ist, ein Fahrerassistenzsystem mit solch einer Vorrichtung sowie ein Fahrzeug mit solch einem Fahrerassistenzsystem

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: 16816604

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16816604

Country of ref document: EP

Kind code of ref document: A1