WO2018054521A1 - Method for the self-location of a vehicle - Google Patents
Method for the self-location of a vehicle Download PDFInfo
- Publication number
- WO2018054521A1 WO2018054521A1 PCT/EP2017/001017 EP2017001017W WO2018054521A1 WO 2018054521 A1 WO2018054521 A1 WO 2018054521A1 EP 2017001017 W EP2017001017 W EP 2017001017W WO 2018054521 A1 WO2018054521 A1 WO 2018054521A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- environment
- vehicle
- map
- feature
- value
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Definitions
- the invention relates to a method for self-localization of a vehicle according to the preamble of claim 1.
- a method for creating a digital environment map is known, for example, from US 2013/0060382 A1.
- an environment to be mapped is scanned by means of a robot and locations of a plurality of points on the surface are detected when scanning the surroundings. Subsequently, a first detected point position is selected and a first subset of the detected point positions determined that are in a vicinity of the selected first detected point position.
- a line segment is determined, which approximates the first subset of detected point locations.
- the first detected point position in a map of the environment is displayed as a set first detected point position, wherein the set first detected point position is closer to the line segment than the first detected point position.
- the invention is based on the object to provide a comparison with the prior art improved method for self-localization of a vehicle.
- Environment data is done with the digital environment map.
- the environment map as at least one
- each one pixel of the gray value image as a value distance information to a specific feature in the environment is assigned and the values of the pixels using a Gaussian function, in particular with reference to well-known Gaussian error function, are transformed in such a way that each one pixel, which represents a surrounding area with a feature, with a Gaussian function, in particular with reference to well-known Gaussian error function, are transformed in such a way that each one pixel, which represents a surrounding area with a feature, with a
- predetermined value is initialized and the pixels representing a surrounding area spaced from the feature are each initialized with a value smaller than the predetermined value, these values decreasing from the predetermined value according to the Gaussian function.
- a digital environment map can be created, which contains an entire reference information acquired from the environment, so that a susceptibility to error in the comparison of the acquired data with the environment map is very small.
- conventional maps stored as a gray value image is also a
- Gray value image created in which the features are shown for example, as point and / or line-shaped structures.
- the method is also suitable for large environments, especially for use in a public transport area.
- the method also requires reduced memory requirements over conventional methods in which features determined from the environmental data are associated with features from a digital feature-based map. This results from the fact that for self-localization no additional descriptive
- FIG. 1 Schematically a flow of a method for self-localization of
- FIGURE 1 shows schematically a sequence of a method for
- a gray value image of an environment of the vehicle is created on the basis of a provided, feature-based map in which features of the environment are entered.
- the feature-based map can either be created during a learn drive of the vehicle or obtained from a database or other source. For quick access, the feature-based map can be created for example by means of so-called QuadTree structures or by means of other suitable sorting methods.
- the feature-based map provides an image of the environment
- the features can be stored in the map.
- the features may be represented by any other geometric structures.
- the feature-based map can be stored, for example, on a data carrier in the vehicle. It is also conceivable to store the feature-based map in an external data processing unit outside the vehicle and, if required, required data via a wireless
- the gray-scale image is created during the drive of the vehicle on the feature-based map, creating a sufficiently large gray scale image of a region of the environment.
- the area which is to be represented in the gray-scale image is determined on the basis of an a priori distribution function representing a vehicle position, on the basis of an estimate of the uncertainty of the a priori distribution function and on the basis of a visual range of an instantaneous detection area of the surroundings.
- the a-priori distribution function and its uncertainty are based on the well-known theorem of Bayes, so that will not be discussed in more detail here.
- the result of the first step S1 is thus a two-dimensional gray value image with a variable number of pixels and a predetermined pixel size, each pixel representing a portion of the environment to be represented.
- Characteristics-based map contained features are entered into the gray scale image, so that a feature-based gray value image is created with a comparison with conventional gray value images reduced memory requirements.
- a second step S2 takes place by means of the accumulated in the gray value image
- Pixels initialized with the value "0" represent a surrounding area in which a certain feature is located and thus a distance to this feature is zero. Pixels that have a surrounding area
- a third step S3 the values of the pixels are further transformed, the values being determined, for example, using the known Gaussian error function be transformed. That is, in this transformation, the pixels provided with the value "0" are initialized to a predetermined value representing a maximum value. All pixels with the values ">0" are initialized with a value which drops from the given value as a function of the distance to a specific feature. If a distance to a feature is smaller than the distance to another feature, the value of the pixel at the pixel is oriented at the predetermined value that includes the feature with the smaller distance.
- the transformation of the values of the pixels may alternatively be performed by folding with a suitable convolution kernel as an alternative to the Gaussian error function.
- the result of the third step S3 is an environment map, which is shown as a
- a particle filter can be used, which is a sequential Monte Carlo method, in which a so-called a-postperiori probability distribution of a state estimation is represented by a discrete sample whose elements are called particles.
- the particle filter selects that position and orientation of a particle as the localization result with which the currently acquired environmental data best fit into the environment map.
- An update of the environment map takes place in predetermined time steps. Since a movement of the vehicle between two time steps is usually very small, the environment maps overlap from successive time steps very strong. For this reason, the current environment map is preferred using the environment map of the previous time step with an appropriate one
- Update procedure created This can be a computational effort for the creation of the map map limited. To carry out steps S1 to S4 sufficiently powerful computing units in the vehicle are required. Furthermore, to determine the
- Estimate of the uncertainty of the a-priori distribution function for example, a satellite-based positioning system, e.g. GPS, required.
- this estimate may also be based on information from a history of the vehicle, e.g. B. a last known Abstellort be determined.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
The invention relates to a method for the self-location of a vehicle, in which method - environmental data of an environment of the vehicle are collected, - the environmental data are compared with a digital map of the environment, and - the self-location of the vehicle in the environment is carried out using a stochastic evaluation of the comparison of the environmental data with the digital map of the environment, characterised in that the map of the environment is created as at least one grey-scale image of the environment with a variable number of pixels, wherein - the grey-scale image is determined using an available digital map of the environment, in which features of the environment are entered, - in each case one pixel of the grey-scale image is assigned a value as an item of distance information from a certain feature in the environment, and - the assigned values of the pixels are transformed using a Gaussian function such that in each case one pixel which represents an environmental region with a feature is initialised with a predefined value, and the pixels which represent an environmental region which is at a distance from the feature are each initialised with a value which is smaller than the predefined value, said values descending from the predefined value according to the Gaussian function.
Description
Verfahren zur Selbstlokalisierung eines Fahrzeugs Method for self-localization of a vehicle
Die Erfindung betrifft ein Verfahren zur Selbstlokalisierung eines Fahrzeugs gemäß dem Oberbegriff des Anspruchs 1. The invention relates to a method for self-localization of a vehicle according to the preamble of claim 1.
Aus dem Stand der Technik sind Verfahren zur Selbstlokalisierung eines Fahrzeugs bekannt. Dabei erfolgt die Selbstlokalisierung mittels digitaler Auswertung von Methods for self-localization of a vehicle are known from the prior art. The self-localization takes place by means of digital evaluation of
Sensordaten unter Berücksichtigung einer zur Verfügung gestellten digitalen Sensor data considering a provided digital
Umgebungskarte. Ein Verfahren zur Erstellung einer digitaler Umgebungskarte ist beispielsweise aus der US 2013/0060382 A1 bekannt. Hierbei werden eine zu kartierende Umgebung mittels eines Roboters abgetastet und Orte einer Vielzahl von Punkten auf der Oberfläche beim Abtasten der Umgebung erfasst. Anschließend wird eine erste erfasste Punktposition ausgewählt und eine erste Teilmenge der erfassten Punktpositionen bestimmt, die in einer Nähe der ausgewählten ersten erfassten Punktposition sind. Map. A method for creating a digital environment map is known, for example, from US 2013/0060382 A1. In this case, an environment to be mapped is scanned by means of a robot and locations of a plurality of points on the surface are detected when scanning the surroundings. Subsequently, a first detected point position is selected and a first subset of the detected point positions determined that are in a vicinity of the selected first detected point position.
Weiterhin wird ein Liniensegment ermittelt, welches die erste Teilmenge von erfassten Punktstellen annähert. Anschließend wird die erste erfasste Punktposition in einer Karte der Umgebung als eine eingestellte erste erfasste Punktposition dargestellt, wobei die eingestellte erste erfasste Punktposition näher an dem Liniensegment liegt als die erste erfasste Punktposition. Furthermore, a line segment is determined, which approximates the first subset of detected point locations. Subsequently, the first detected point position in a map of the environment is displayed as a set first detected point position, wherein the set first detected point position is closer to the line segment than the first detected point position.
Der Erfindung liegt die Aufgabe zu Grunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Selbstlokalisierung eines Fahrzeugs anzugeben. The invention is based on the object to provide a comparison with the prior art improved method for self-localization of a vehicle.
Die Aufgabe wird erfindungsgemäß mit den in Anspruch 1 angegebenen Merkmalen gelöst. The object is achieved with the features specified in claim 1.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
Bei einem Verfahren zur Selbstlokalisierung eines Fahrzeugs werden Umgebungsdaten einer Umgebung des Fahrzeugs erfasst, wobei die Umgebungsdaten mit einer digitalen Umgebungskarte abgeglichen werden und wobei die Selbstlokalisierung des Fahrzeugs in der Umgebung anhand einer stochastischen Auswertung des Abgleichs der Advantageous embodiments of the invention are the subject of the dependent claims. In a method for self-localization of a vehicle environment data of an environment of the vehicle are detected, wherein the environment data are compared with a digital environment map and wherein the self-localization of the vehicle in the environment using a stochastic evaluation of the balance
Umgebungsdaten mit der digitalen Umgebungskarte erfolgt. Environment data is done with the digital environment map.
Erfindungsgemäß ist vorgesehen, dass die Umgebungskarte als mindestens ein According to the invention it is provided that the environment map as at least one
Grauwertbild der Umgebung mit einer variablen Anzahl von Pixeln mit einer Gray value image of the environment with a variable number of pixels with one
vorgegebenen Pixelgröße erstellt wird, wobei das Grauwertbild anhand einer zur predetermined pixel size is created, the gray value image based on a for
Verfügung gestellten digitalen Karte der Umgebung ermittelt wird, in welcher Merkmale der Umgebung eingetragen sind, wobei jeweils einem Pixel des Grauwertbilds als Wert eine Distanzinformation zu einem bestimmten Merkmal in der Umgebung zugeordnet wird und die Werte der Pixel anhand einer Gauß-Funktion, insbesondere anhand der allgemein bekannten Gaußschen Fehlerfunktion, derart transformiert werden, dass jeweils ein Pixel, welches einen Umgebungsbereich mit einem Merkmal repräsentiert, mit einem Is provided in which features of the environment are registered, each one pixel of the gray value image as a value distance information to a specific feature in the environment is assigned and the values of the pixels using a Gaussian function, in particular with reference to well-known Gaussian error function, are transformed in such a way that each one pixel, which represents a surrounding area with a feature, with a
vorgegebenen Wert initialisiert wird und die Pixel, die einen Umgebungsbereich repräsentieren, welcher zu dem Merkmal beabstandet ist, mit jeweils einem Wert initialisiert werden, welcher kleiner als der vorgegebene Wert ist, wobei diese Werte gemäß der Gauß-Funktion vom vorgegebenen Wert abfallen. predetermined value is initialized and the pixels representing a surrounding area spaced from the feature are each initialized with a value smaller than the predetermined value, these values decreasing from the predetermined value according to the Gaussian function.
Mittels des Verfahrens ist eine digitale Umgebungskarte erstellbar, die eine gesamte, aus der Umgebung erfasste Referenzinformation enthält, so dass eine Fehleranfälligkeit beim Abgleich der erfassten Daten mit der Umgebungskarte sehr gering ist. Gegenüber konventionellen als Grauwertbild gespeicherten Umgebungskarten ist zudem ein By means of the method, a digital environment map can be created, which contains an entire reference information acquired from the environment, so that a susceptibility to error in the comparison of the acquired data with the environment map is very small. In addition to conventional maps stored as a gray value image is also a
Speicherbedarf zur Durchführung des Verfahrens verringert, da das Grauwertbild anhand einer merkmalsbasierten Karte erstellt wird. D. h., es wird ein merkmalsbasiertes Memory requirement for performing the method reduced since the gray value image is created using a feature-based map. That is, it becomes a feature-based
Grauwertbild erstellt, bei dem die Merkmale beispielsweise als punkt- und/oder linienförmige Strukturen dargestellt sind. Damit eignet sich das Verfahren auch für große Umgebungen, insbesondere zur Anwendung in einem öffentlichen Verkehrsbereich. Gray value image created in which the features are shown, for example, as point and / or line-shaped structures. Thus, the method is also suitable for large environments, especially for use in a public transport area.
Des Weiteren erfordert das Verfahren gegenüber konventionellen Verfahren, bei denen aus den Umgebungsdaten ermittelte Merkmale mit Merkmalen aus einer digitalen, merkmalsbasierten Karte assoziiert werden, auch einen verringerten Speicherbedarf. Dies resultiert daraus, dass zur Selbstlokalisierung keine zusätzlichen beschreibenden Furthermore, the method also requires reduced memory requirements over conventional methods in which features determined from the environmental data are associated with features from a digital feature-based map. This results from the fact that for self-localization no additional descriptive
Eigenschaften einzelner Merkmale erforderlich sind.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert. Characteristics of individual features are required. Embodiments of the invention will be explained in more detail below with reference to a drawing.
Dabei zeigt: Showing:
Fig. 1 Schematisch einen Ablauf eines Verfahrens zur Selbstlokalisierung eines Fig. 1 Schematically a flow of a method for self-localization of
Fahrzeugs. Vehicle.
Die einzige Figur 1 zeigt schematisch einen Ablauf eines Verfahrens zur The sole FIGURE 1 shows schematically a sequence of a method for
Selbstlokalisierung eines nicht dargestellten, insbesondere autonom betriebenen, Fahrzeugs. Self-localization of a vehicle, not shown, in particular autonomously operated.
In einem ersten Schritt S1 wird ein Grauwertbild einer Umgebung des Fahrzeugs anhand einer zur Verfügung gestellten, merkmalsbasierten Karte erstellt, in welcher Merkmale der Umgebung eingetragen sind. In a first step S1, a gray value image of an environment of the vehicle is created on the basis of a provided, feature-based map in which features of the environment are entered.
Die merkmalsbasierte Karte kann entweder während einer Lernfahrt des Fahrzeugs erstellt oder von einer Datenbank oder einer anderen Quelle bezogen werden. Für einen schnellen Zugriff kann die merkmalsbasierte Karte beispielsweise mittels sogenannter QuadTree-Strukturen oder mittels anderer geeigneter Sortierungsverfahren erstellt werden. Die merkmalsbasierte Karte stellt dabei ein Bild der Umgebung in The feature-based map can either be created during a learn drive of the vehicle or obtained from a database or other source. For quick access, the feature-based map can be created for example by means of so-called QuadTree structures or by means of other suitable sorting methods. The feature-based map provides an image of the environment
Vogelperspektive dar, wobei die Merkmale der Umgebung beispielsweise mittels punkt- und/oder linienförmigen Strukturen dargestellt sind. Die Merkmale sind somit Bird's eye view, wherein the features of the environment are represented for example by means of point and / or line-shaped structures. The features are thus
zweidimensional abgebildet und durch ihre Position und Orientierung beschrieben. mapped in two dimensions and described by their position and orientation.
Zusätzlich können weitere Eigenschaften der Merkmale in der Karte hinterlegt werden. Alternativ können die Merkmale mittels beliebiger anderer geometrischer Strukturen dargestellt werden. In addition, further properties of the features can be stored in the map. Alternatively, the features may be represented by any other geometric structures.
Dadurch, dass nur einzelne, hervorstechende Merkmale aus der Umgebung in der Karte enthalten sind, benötigt diese nur sehr wenig Speicherbedarf. Die merkmalsbasierte Karte kann beispielsweise auf einem Datenträger im Fahrzeug hinterlegt werden. Denkbar ist auch, die merkmalsbasierte Karte in einer externen Datenverarbeitungseinheit außerhalb des Fahrzeugs zu hinterlegen und bei Bedarf benötigte Daten über eine drahtlose The fact that only a few outstanding features of the environment are included in the map, this requires very little storage space. The feature-based map can be stored, for example, on a data carrier in the vehicle. It is also conceivable to store the feature-based map in an external data processing unit outside the vehicle and, if required, required data via a wireless
Verbindung zu empfangen.
Das Grauwertbild wird während der Fahrt des Fahrzeugs anhand der merkmalsbasierten Karte erstellt, wobei ein ausreichend großes Grauwertbild eines Bereichs der Umgebung erstellt wird. Der Bereich, welcher in dem Grauwertbild dargestellt sein soll, wird anhand einer eine Fahrzeugposition repräsentierenden a-priori-Verteilungsfunktion, anhand eines Schätzwerts für eine Unsicherheit der a-priori-Verteilungsfunktion und anhand einer Sichtweite eines momentanen Erfassungsbereichs der Umgebung bestimmt. Die a-priori- Verteilungsfunktion sowie deren Unsicherheit basieren auf dem allgemein bekannten Satz von Bayes, so dass hier nicht näher darauf eingegangen wird. Receive connection. The gray-scale image is created during the drive of the vehicle on the feature-based map, creating a sufficiently large gray scale image of a region of the environment. The area which is to be represented in the gray-scale image is determined on the basis of an a priori distribution function representing a vehicle position, on the basis of an estimate of the uncertainty of the a priori distribution function and on the basis of a visual range of an instantaneous detection area of the surroundings. The a-priori distribution function and its uncertainty are based on the well-known theorem of Bayes, so that will not be discussed in more detail here.
Das Ergebnis des ersten Schrittes S1 ist somit ein zweidimensionales Grauwertbild mit einer variablen Anzahl von Pixeln sowie einer vorgegebenen Pixelgröße, wobei jedes Pixel einen Abschnitt der zu repräsentierenden Umgebung darstellt. Die in der The result of the first step S1 is thus a two-dimensional gray value image with a variable number of pixels and a predetermined pixel size, each pixel representing a portion of the environment to be represented. The in the
merkmalsbasierten Karte enthaltenen Merkmale werden dabei in das Grauwertbild eingetragen, so dass ein merkmalsbasiertes Grauwertbild mit einem gegenüber konventionellen Grauwertbildern verringerten Speicherbedarf erstellt wird. Characteristics-based map contained features are entered into the gray scale image, so that a feature-based gray value image is created with a comparison with conventional gray value images reduced memory requirements.
In einem zweiten Schritt S2 erfolgt mittels der in das Grauwertbild akkumulierten In a second step S2 takes place by means of the accumulated in the gray value image
Merkmale eine Distanztransformation mit einem geeigneten Distanzmaß, z. B. mit der euklidischen Distanz. Features a distance transformation with a suitable distance measure, z. B. with the Euclidean distance.
Bei der Distanztransformation werden alle Pixel des Grauwertbildes mit einem In the distance transformation, all pixels of the gray value image are combined with a
bestimmten Wert initialisiert. Pixel, die mit dem Wert "0" initialisiert werden, repräsentieren einen Umgebungsbereich, in dem sich ein bestimmtes Merkmal befindet und somit eine Distanz zu diesem Merkmal gleich Null ist. Pixel, die einen Umgebungsbereich initialized certain value. Pixels initialized with the value "0" represent a surrounding area in which a certain feature is located and thus a distance to this feature is zero. Pixels that have a surrounding area
repräsentieren, in dem sich kein Merkmal befindet und somit eine Distanz zu einem bestimmten Merkmal größer als Null ist, werden mit einem Wert ">0" initialisiert. Die Werte der Pixel stellen dabei eine gute Näherung zum gewählten Distanzmaß dar. represent in which there is no feature and thus a distance to a certain feature is greater than zero, are initialized with a value "> 0". The values of the pixels represent a good approximation to the selected distance measure.
In einem dritten Schritt S3 erfolgt eine weitere Transformation der Werte der Pixel, wobei die Werte beispielsweise anhand der bekannten Gaußschen Fehlerfunktion
transformiert werden. D. h., bei dieser Transformation werden die Pixel, die mit dem Wert "0" versehen sind, auf einen vorgegebenen Wert, welcher einen maximalen Wert darstellt, initialisiert. Alle Pixel mit den Werten ">0" werden mit einem Wert initialisiert, welcher in Abhängigkeit der Distanz zu einem bestimmten Merkmal vom vorgegebenen Wert abfällt. Ist eine Distanz zu einem Merkmal kleiner als die Distanz zu einem anderen Merkmal, orientiert sich der Wert des Pixels an dem Pixel mit dem vorgegebenen Wert, welcher das Merkmal mit der geringeren Distanz umfasst. Die Transformation der Werte der Pixel kann alternativ zur Gaußschen Fehlerfunktion auch mittels Faltung mit einem geeigneten Faltungskern erfolgen. In a third step S3, the values of the pixels are further transformed, the values being determined, for example, using the known Gaussian error function be transformed. That is, in this transformation, the pixels provided with the value "0" are initialized to a predetermined value representing a maximum value. All pixels with the values ">0" are initialized with a value which drops from the given value as a function of the distance to a specific feature. If a distance to a feature is smaller than the distance to another feature, the value of the pixel at the pixel is oriented at the predetermined value that includes the feature with the smaller distance. The transformation of the values of the pixels may alternatively be performed by folding with a suitable convolution kernel as an alternative to the Gaussian error function.
Das Ergebnis des dritten Schritts S3 ist eine Umgebungskarte, die als ein The result of the third step S3 is an environment map, which is shown as a
merkmalsbasiertes Grauwertbild dargestellt ist und dabei eine Umgebung repräsentiert, die einer Umgebungsrepräsentation mittels eines konventionellen Grauwertbilds sehr ähnlich ist. feature-based grayscale image, thereby representing an environment very similar to an environmental representation using a conventional grayscale image.
In einem vierten Schritt S4 erfolgt die Selbstlokalisierung des Fahrzeugs in der In a fourth step S4, the self-localization of the vehicle takes place in the
Umgebung. Dazu erfasst eine Sensorik des Fahrzeugs, z. B. eine Anzahl von Surroundings. For this purpose, detects a sensor of the vehicle, z. B. a number of
Radarsensoren oder ein Laserscanner, die Umgebung des Fahrzeugs. Dabei erfasste Umgebungsdaten werden ausgewertet und mit der im dritten Schritt S3 erstellten Radar sensors or a laser scanner, the environment of the vehicle. This recorded environment data are evaluated and created with the third step S3
Umgebungskarte abgeglichen. Dazu kann beispielsweise ein Partikel-Filter verwendet werden, bei welchem es sich um eine sequenzielle Monte-Carlo-Methode handelt, bei der im Allgemeinen eine sogenannte a-postperiori Wahrscheinlichkeitsverteilung einer Zustandsschätzung durch eine diskrete Stichprobe repräsentiert wird, deren Elemente Partikel genannt werden. D. h., der Partikel-Filter wählt in jedem Zeitschritt diejenige Position und Orientierung eines Partikels als Lokalisierungsergebnis aus, mit welchen die aktuell erfassten Umgebungsdaten bestmöglich in die Umgebungskarte passen. Environment map adjusted. For this purpose, for example, a particle filter can be used, which is a sequential Monte Carlo method, in which a so-called a-postperiori probability distribution of a state estimation is represented by a discrete sample whose elements are called particles. In other words, in each time step, the particle filter selects that position and orientation of a particle as the localization result with which the currently acquired environmental data best fit into the environment map.
Eine Aktualisierung der Umgebungskarte erfolgt in vorgegebenen Zeitschritten. Da eine Bewegung des Fahrzeugs zwischen zwei Zeitschritten üblicherweise sehr gering ist, überschneiden sich die Umgebungskarten aus aufeinanderfolgenden Zeitschritten sehr stark. Aus diesem Grund wird die aktuelle Umgebungskarte bevorzugt unter Verwendung der Umgebungskarte des vorhergehenden Zeitschritts mit einem geeigneten An update of the environment map takes place in predetermined time steps. Since a movement of the vehicle between two time steps is usually very small, the environment maps overlap from successive time steps very strong. For this reason, the current environment map is preferred using the environment map of the previous time step with an appropriate one
Aktualisierungsverfahren erstellt. Damit kann ein Rechenaufwand zur Erstellung der Umgebungskarte begrenzt werden.
Zur Durchführung der Schritte S1 bis S4 sind ausreichend leistungsfähige Recheneinheiten im Fahrzeug erforderlich. Des Weiteren ist zur Bestimmung des Update procedure created. This can be a computational effort for the creation of the map map limited. To carry out steps S1 to S4 sufficiently powerful computing units in the vehicle are required. Furthermore, to determine the
Schätzwerts für die Unsicherheit der a-priori-Verteilungsfunktion beispielsweise ein satellitengestütztes Positionsbestimmungssystem, z. B. GPS, erforderlich. Alternativ kann dieser Schätzwert auch anhand von Informationen aus einer Historie des Fahrzeugs, z. B. ein zuletzt bekannter Abstellort, ermittelt werden.
Estimate of the uncertainty of the a-priori distribution function, for example, a satellite-based positioning system, e.g. GPS, required. Alternatively, this estimate may also be based on information from a history of the vehicle, e.g. B. a last known Abstellort be determined.
Claims
1. Verfahren zur Selbstlokalisierung eines Fahrzeugs, wobei 1. A method for self-localization of a vehicle, wherein
- Umgebungsdaten einer Umgebung des Fahrzeugs erfasst werden, Environmental data of an environment of the vehicle are detected,
- die Umgebungsdaten mit einer digitalen Umgebungskarte abgeglichen werden und - the environmental data are compared with a digital environment map and
- die Selbstlokalisierung des Fahrzeugs in der Umgebung anhand einer - The self-localization of the vehicle in the area by means of a
stochastischen Auswertung des Abgleichs der Umgebungsdaten mit der digitalen Umgebungskarte erfolgt, stochastic evaluation of the adjustment of the environment data with the digital environment map,
dadurch gekennzeichnet, dass characterized in that
die Umgebungskarte als mindestens ein Grauwertbild der Umgebung mit einer variablen Anzahl von Pixeln erstellt wird, wobei the environment map is created as at least one gray scale image of the environment with a variable number of pixels, where
- das Grauwertbild anhand einer zur Verfügung gestellten digitalen Karte der Umgebung ermittelt wird, in welcher Merkmale der Umgebung eingetragen sind, the greyscale image is determined on the basis of an available digital map of the environment in which features of the environment are registered,
- jeweils einem Pixel des Grauwertbilds ein Wert als Distanzinformation zu einem bestimmten Merkmal in der Umgebung zugeordnet wird und - Each one pixel of the gray value image is assigned a value as distance information to a specific feature in the environment and
- die zugeordneten Werte der Pixel anhand einer Gauß-Funktion derart transformiert werden, dass jeweils ein Pixel, welches einen Umgebungsbereich mit einem - The associated values of the pixels are transformed by means of a Gaussian function such that in each case one pixel, which has a surrounding area with a
Merkmal repräsentiert, mit einem vorgegebenen Wert initialisiert wird und die Pixel, die einen Umgebungsbereich repräsentieren, welcher zu dem Merkmal beabstandet ist, mit jeweils einem Wert initialisiert werden, welcher kleiner als der vorgegebene Wert ist, wobei diese Werte gemäß der Gauß-Funktion vom vorgegebenen Wert abfallen. Feature, is initialized with a predetermined value and the pixels representing a surrounding area, which is spaced from the feature, each initialized with a value which is smaller than the predetermined value, these values according to the Gaussian function of the given Value fall off.
2. Verfahren nach Anspruch 1 , 2. The method according to claim 1,
dadurch gekennzeichnet, dass characterized in that
die digitale Umgebungskarte in vorgegebenen Zeitabständen aktualisiert wird. the digital environment map is updated at predetermined intervals.
3. Verfahren nach Anspruch 1 oder 2, 3. The method according to claim 1 or 2,
dadurch gekennzeichnet, dass characterized in that
ein in der digitalen Umgebungskarte abgebildeter Bereich der Umgebung anhand
einer eine Fahrzeugposition repräsentierenden a-priori-Verteilungsfunktion, anhand eines Schätzwerts für eine Unsicherheit der a-priori-Verteilungsfunktion und anhand einer Sichtweite eines momentanen Erfassungsbereichs der Umgebung bestimmt wird. an area of the environment mapped in the digital environment map an a-priori distribution function representing a vehicle position is determined based on an estimate of the uncertainty of the a-priori distribution function and on the visibility of a current detection range of the environment.
4. Verfahren nach einem der vorhergehenden Ansprüche, 4. The method according to any one of the preceding claims,
dadurch gekennzeichnet, dass characterized in that
zur stochastischen Auswertung des Abgleichs der Umgebungsdaten mit der digitalen Umgebungskarte ein stochastischer Partikel-Filter verwendet wird.
For stochastic evaluation of the adjustment of the environmental data with the digital environment map a stochastic particle filter is used.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102016011378.2A DE102016011378A1 (en) | 2016-09-21 | 2016-09-21 | Method for self-localization of a vehicle |
| DE102016011378.2 | 2016-09-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2018054521A1 true WO2018054521A1 (en) | 2018-03-29 |
Family
ID=58405539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/EP2017/001017 WO2018054521A1 (en) | 2016-09-21 | 2017-08-28 | Method for the self-location of a vehicle |
Country Status (2)
| Country | Link |
|---|---|
| DE (1) | DE102016011378A1 (en) |
| WO (1) | WO2018054521A1 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214084A1 (en) | 2017-05-25 | 2018-11-29 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for representing environmental elements, system, and vehicle/robot |
| DE102018005240A1 (en) | 2018-07-03 | 2020-01-09 | Daimler Ag | Method for self-localization of a vehicle |
| DE102018216795A1 (en) * | 2018-09-28 | 2020-04-02 | Robert Bosch Gmbh | Method and device for operating a vehicle |
| CN112415998A (en) * | 2020-10-26 | 2021-02-26 | 珠海市一微半导体有限公司 | Obstacle classification and obstacle avoidance control system based on TOF camera |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130060382A1 (en) | 2009-04-24 | 2013-03-07 | Robert Bosch Gmbh | Method of accurate mapping with mobile robots |
| DE102015203016A1 (en) * | 2015-02-19 | 2016-08-25 | Volkswagen Aktiengesellschaft | Method and device for optical self-localization of a motor vehicle in an environment |
-
2016
- 2016-09-21 DE DE102016011378.2A patent/DE102016011378A1/en not_active Withdrawn
-
2017
- 2017-08-28 WO PCT/EP2017/001017 patent/WO2018054521A1/en active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130060382A1 (en) | 2009-04-24 | 2013-03-07 | Robert Bosch Gmbh | Method of accurate mapping with mobile robots |
| DE102015203016A1 (en) * | 2015-02-19 | 2016-08-25 | Volkswagen Aktiengesellschaft | Method and device for optical self-localization of a motor vehicle in an environment |
Non-Patent Citations (7)
| Title |
|---|
| BRUBAKER MARCUS A ET AL: "Map-Based Probabilistic Visual Self-Localization", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, IEEE COMPUTER SOCIETY, USA, vol. 38, no. 4, 1 April 2016 (2016-04-01), pages 652 - 665, XP011609016, ISSN: 0162-8828, [retrieved on 20160303], DOI: 10.1109/TPAMI.2015.2453975 * |
| CLARK F OLSON: "Probabilistic Self-Localization for Mobile Robots", IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION, IEEE INC, NEW YORK, US, vol. 16, no. 1, 1 February 2000 (2000-02-01), XP011053476, ISSN: 1042-296X * |
| FLOROS GEORGIOS ET AL: "OpenStreetSLAM: Global vehicle localization using OpenStreetMaps", 2013 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA); 6-10 MAY 2013; KARLSRUHE, GERMANY, IEEE, US, 6 May 2013 (2013-05-06), pages 1054 - 1059, XP032506209, ISSN: 1050-4729, ISBN: 978-1-4673-5641-1, [retrieved on 20131013], DOI: 10.1109/ICRA.2013.6630703 * |
| HENNING LATEGAHN: "Mapping and Localization in Urban Environments Using Cameras", 1 January 2013 (2013-01-01), XP055424653, Retrieved from the Internet <URL:https://www.ksp.kit.edu/download/1000037227> [retrieved on 20171114] * |
| MATTHIAS LIMMER ET AL: "Robust Deep-Learning-Based Road-Prediction for Augmented Reality Navigation Systems at Night", KITTI, 31 May 2016 (2016-05-31), XP055424166 * |
| RUCHTI PHILIPP ET AL: "Localization on OpenStreetMap data using a 3D laser scanner", 2015 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA), IEEE, 26 May 2015 (2015-05-26), pages 5260 - 5265, XP033169146, DOI: 10.1109/ICRA.2015.7139932 * |
| XU DANFEI ET AL: "Topometric localization on a road network", 2014 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS, IEEE, 14 September 2014 (2014-09-14), pages 3448 - 3455, XP032676471, DOI: 10.1109/IROS.2014.6943043 * |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102016011378A1 (en) | 2017-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018054521A1 (en) | Method for the self-location of a vehicle | |
| DE102017203276B4 (en) | Method and device for determining a trajectory in off-road scenarios | |
| DE102015115012A1 (en) | Method for generating an environment map of an environment of a motor vehicle based on an image of a camera, driver assistance system and motor vehicle | |
| DE102019209644A1 (en) | Method for training a neural network | |
| DE102019214402A1 (en) | METHOD AND DEVICE FOR PROCESSING DATA BY MEANS OF A NEURONAL CONVOLUTIONAL NETWORK | |
| DE102018008685A1 (en) | Method for training an artificial neural network, artificial neural network, use of an artificial neural network and corresponding computer program, machine-readable storage medium and corresponding device | |
| DE102016105238A1 (en) | VEHICLE AND VEHICLE PARKING SYSTEM | |
| DE102018113344A1 (en) | A method for locating a motor vehicle in an environment after a learning trip; Control device and driver assistance system | |
| DE102013002889A1 (en) | Method for modeling road edge of road for vehicle, involves determining road curvature using two curvature corrected inspection of search area in image, where inspection is corrected according to two different road curvature hypotheses | |
| DE102008036219A1 (en) | Method for identification of object i.e. traffic sign, in surrounding area of e.g. passenger car, involves determining similarity measure between multiple characteristics of image region and multiple characteristics of characteristic set | |
| EP3977225B1 (en) | Method for creating an environment map for use in the autonomous navigation of a mobile robot | |
| DE102021003567A1 (en) | Process for the recognition of object relationships and attributions from sensor data | |
| DE102018128535A1 (en) | Training an artificial neural network with data captured by sensors of a vehicle | |
| DE102020127278A1 (en) | Around-View Synthesis System and Process | |
| DE102019209473A1 (en) | Method and device for the rapid detection of repetitive structures in the image of a street scene | |
| WO2019162327A2 (en) | Method for determining a distance between a motor vehicle and an object | |
| DE102020208080A1 (en) | Detection of objects in images under equivariance or invariance with respect to the object size | |
| EP1425709A2 (en) | Model-based object classification and target recognition | |
| WO2021180470A1 (en) | Quality assurance method for an example-based system | |
| WO2009101030A1 (en) | Method for the computer-aided calculation of the movement of an object using sensor data | |
| DE102021206625A1 (en) | Computer-implemented method and system for supporting an imaging sensor installation and training method | |
| DE102010009620B4 (en) | Method and device for detecting at least one obstacle in a vehicle environment | |
| DE102018005240A1 (en) | Method for self-localization of a vehicle | |
| DE102018221617A1 (en) | Method for determining a relative movement using a digital image sequence | |
| DE102004050942B4 (en) | Bootstrap method for supervised teach-in of a pattern recognition system |
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: 17761185 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: 17761185 Country of ref document: EP Kind code of ref document: A1 |