WO2022012923A1 - Computerimplementiertes verfahren zum bestimmen der validität einer geschätzten position eines fahrzeugs - Google Patents

Computerimplementiertes verfahren zum bestimmen der validität einer geschätzten position eines fahrzeugs Download PDF

Info

Publication number
WO2022012923A1
WO2022012923A1 PCT/EP2021/067885 EP2021067885W WO2022012923A1 WO 2022012923 A1 WO2022012923 A1 WO 2022012923A1 EP 2021067885 W EP2021067885 W EP 2021067885W WO 2022012923 A1 WO2022012923 A1 WO 2022012923A1
Authority
WO
WIPO (PCT)
Prior art keywords
features
vehicle
feature groups
feature
estimated position
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/EP2021/067885
Other languages
English (en)
French (fr)
Inventor
Pascal MINNERUP
Martin ZEMAN
Sebastian Grünwedel
Maxi Winter
Barbara Rössle
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
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 Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to US18/016,048 priority Critical patent/US20230280465A1/en
Priority to CN202180061255.7A priority patent/CN116194802A/zh
Publication of WO2022012923A1 publication Critical patent/WO2022012923A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • 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
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • 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
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 computer-implemented method for determining the validity of an estimated position of a vehicle.
  • the invention relates to safeguarding the determination of a vehicle position against possible errors.
  • German patent application 102019 133 316.4 the content of which is hereby incorporated into this application.
  • the invention relates to a processing device and a computer program for executing such a method, as well as a computer-readable (storage) medium that includes instructions for executing such a method.
  • a vehicle can have a driving assistant that is set up to influence a longitudinal or lateral control of the vehicle.
  • a lane assistant can be set up to keep the vehicle between lane markings.
  • the markings can, for example, be scanned by a camera and recognized automatically.
  • the position can be determined in the longitudinal and/or transverse direction and expressed with respect to a predetermined reference point.
  • An absolute geographic position can be, for example, with respect to a predetermined geodetic reference system such as that WGS84 can be determined.
  • a relative position of the vehicle can be specified, for example, in the transverse direction with respect to a recognized lane marking.
  • the determination of the position of the vehicle is usually subject to a number of errors and inaccuracies. For example, sensors provide noisy and/or corrupted information, or may occasionally fail altogether. Different measurement conditions or complex processing heuristics lead to different degrees of accuracy or reliability. If the vehicle is controlled based on such a determined position, the safety of the vehicle or an occupant may be compromised.
  • a vehicle position is estimated as part of the localization.
  • the vehicle position can be estimated with reference to a digital map using data from a satellite navigation system (e.g. GPS or DGPS).
  • a satellite navigation system e.g. GPS or DGPS.
  • the validity of the position estimate is assessed by comparing the estimated vehicle position with sensor-recorded data about the vehicle's surroundings. For example, a comparison of recorded data from a LiDAR sensor with data from a provided map that shows expected features that can in principle be recorded by the LiDAR sensor can be used to check whether the estimated position is plausible. If features detected by the LiDAR sensor show a sufficient match with the expected features, the estimated vehicle position is confirmed by the validation (i.e. positively validated). On the other hand, it can be provided, for example, that the estimated position is expressly not confirmed if the comparison of detected features and expected features reveals a deviation from the estimated position that exceeds a predetermined value (e.g. 2 meters).
  • a predetermined value e.g. 2 meters
  • the validation can be carried out, for example, by means of an electronic data processing device.
  • a software component referred to as a (LiDAR) “validator” can be assigned to the above-mentioned LiDAR sensor as an information source for the validation on a logical or data processing level.
  • LiDAR LiDAR
  • a statistical test can be performed to determine the uncertainty of an individual validator. This involves, for example, using available sensor data collected at a point in time during a physical vehicle journey to check whether the validator, which is provided with a number of (deliberately) incorrect position estimates, rejects them on the basis of the sensor data. By using sensor data collected at several different points in time, meaningful statistics can be created.
  • the validator should be very unlikely to confirm that position estimate.
  • a challenge related to validation uncertainty is that an environment sensor, such as a LiDAR sensor, will generally only perceive a portion of the features in the vehicle environment that are "expected” according to a digital map.
  • the (possibly few) recorded features which are therefore available for the comparison, match several different features in the map.
  • a first aspect of the present invention relates to a computer-implemented method for determining the validity of an estimated position of a vehicle.
  • One step in the process is receiving a digital map.
  • the digital card can be received, for example, by a digital processing device and/or by a logical software module (which can be referred to, for example, as a “validator”).
  • the digital map can be, for example, a high-precision digital map, which in particular shows a roadway including lanes and objects in the vehicle environment, such as obstacles at the edge of the roadway.
  • Receiving the digital map can include, for example, loading a relevant map section of such a map, with the map section containing map information about the vehicle surroundings.
  • the digital map can be provided by a map memory, for example, which can be arranged in the vehicle.
  • the digital map can also be transmitted to the vehicle from outside the vehicle, for example from a server, with the transmission preferably taking place via a wireless communication interface.
  • the digital map can be based, for example, at least in part on data recorded by sensors, which were recorded during one or more reconnaissance trips by a reconnaissance vehicle.
  • An environment sensor system used here can include, for example, a receiver of a global satellite navigation system (eg GPS or DGPS), one or more optical cameras, one or more RADAR sensors and/or one or more LiDAR sensors.
  • the digital map can contain a number of layers, for example one layer being based on data from a global satellite navigation system, another layer being based on optical camera data and another layer being based on LiDAR data.
  • the different layers can contain features that can be recognized by the respective sensors.
  • the digital map can contain two-dimensional information. This means that the digital map can be used, for example, to obtain information about the course of a roadway including lanes in a plan view, which makes it possible to localize the vehicle with regard to a current lane.
  • the digital map can optionally also contain three-dimensional information. Accordingly, height information of objects can also be provided. For example, in addition to the course of a crash barrier in a two-dimensional top view, the digital map can also include data on the height of the crash barrier. Such a map with a 2D top view and some additional elevation information is often referred to as 2.5D. Alternatively, the map can also be fully 3D.
  • a further step of the method is receiving an estimated position of the vehicle, the estimated position being a position on the digital map or a position on the digital map (preferably unambiguously) being assignable.
  • an extended method can additionally also comprise a step of estimating the position of the vehicle, which step can be carried out by means of an electronic processing device.
  • the estimation of a position is to be understood as a provisional determination of the position. This can, but does not necessarily have to, involve a statistical estimation operation in the mathematical sense.
  • the position estimate can still be subject to an uncertainty that can possibly only be reduced to an acceptable level (eg from a safety perspective) by the subsequent validation.
  • the vehicle position can be estimated, for example, in relation to map information, ie it can be estimated, for example, at which map position the vehicle is located.
  • the vehicle position may be estimated using data from a satellite navigation system (e.g., GPS or DGPS).
  • sensor data can also be used, which is provided, for example, by an environment sensor system of the vehicle.
  • the environment sensor system can include, for example, one or more RADAR and/or LiDAR sensors and/or one or more cameras.
  • vehicle position is estimated using odometry data.
  • the odometry data can, for example, express a movement that has taken place in relation to a previously assumed position and can be determined, for example, on the basis of signals which are provided by yaw rate sensors on the wheels of the vehicle.
  • the position can be estimated relative to one or more lane boundaries and, for example, make a statement about which of several lanes the vehicle is traveling in.
  • the estimated vehicle position is validated according to the method using information contained in the digital map and information provided by an environment sensor system of the vehicle.
  • the environment sensors preferably comprises a plurality of different and/or statistically independent sensors, such as, for example, one or more LiDAR sensors and/or one or more RADAR sensors and/or one or more optical cameras.
  • the validation can be performed by a processing device.
  • One or more software components referred to as “validators” can be assigned to the respective environment sensor(s) used for the validation on a logical or data processing level.
  • Reliable lateral localization including a determination of which lane the vehicle is traveling in, is generally particularly important. This can be checked, for example, using one or more validators.
  • a validator that validates a lateral localization can, for example, also check a longitudinal localization (possibly with lower accuracy requirements compared to the lateral localization).
  • one or more validators can also be provided, which check that the vehicle is actually on the right road.
  • a number of different validators check whether assigned sensor data confirm an estimated position or not. For example, based on LiDAR data, a first validator can make a statement as to whether the vehicle is in a specific lane according to the estimated position. In addition, a second validator, e.g. based on camera track detection, can provide a corresponding evaluation of the position estimate. If both validators confirm the position estimate, there is generally a higher certainty that the position estimate is correct compared to a situation in which there is only confirmation by one validator or compared to a situation in which one or even both validators explicitly not confirm the position estimate.
  • a non-confirmation of the position estimate by a validator can occur, for example, in cases where the data available to the validator is insufficient to reliably confirm the position and/or when an actual deviation in the position is detected.
  • the probability of an unnoticed erroneous determination of the vehicle position can be made so improbable that the position can be determined with a degree of certainty that satisfies a required safety in use. For example, validation in this way can ensure that the estimated position does not deviate from the actual position by more than 2 meters with a very high probability.
  • failure can mean in particular that a validator confirms a position estimate that is actually wrong (“false positive”).
  • a safety-critical situation could result if, for example, a LiDAR-based validator, possibly together with other validators, incorrectly comes to the conclusion that a position estimate is correct.
  • the method steps described below are intended to enable the estimated vehicle position to be validated, with which, in particular, the risk of such false positive reports is low.
  • a further step is the identification of a number of first features in the digital map, the first features pointing to at least one object located next to a roadway.
  • the object or objects can be, for example, a crash barrier, a grass edge, a street lamp, a tree or a building.
  • all types of objects are possible that can also be detected, at least in principle, by means of the vehicle's surroundings sensors.
  • Such objects can serve as orientation points (landmarks) as part of the validation of the vehicle position.
  • the first features that point to one or more such objects can, for example, be in the form of data points of a data point cloud, with each data point corresponding to a position in the digital map. It is also conceivable that the digital map initially represents the object or objects in the form of continuous structures, such as areas or lines, with these structures being converted into a point cloud for further processing by sampling.
  • the first features are grouped into a number of first feature groups. This is done in such a way that all first features that are located next to the road in a respective area defined with regard to its longitudinal extension belong to a first feature group assigned to the respective area.
  • first features located in such an area can then be assigned to the same first feature group.
  • first feature groups are created, each of which contains first features that are located in the respectively assigned areas.
  • a further step is receiving sensor information about the surroundings of the vehicle.
  • the sensor information may have been recorded, for example, by means of a first sensor that is part of the vehicle's surroundings sensor system.
  • the surroundings sensor system is set up to record and provide information relating to the surroundings of the vehicle.
  • the environment sensor system can in particular include a camera, a depth camera, a radar sensor, a LiDAR sensor or a similar sensor.
  • a sensor preferably works without contact, for example by means of detection of electromagnetic waves or ultrasonic waves, and can be imaging.
  • the sensor information has been generated using a LiDAR sensor.
  • a further step is recognizing a number of second features in the sensor information, the second features pointing to at least one object located next to a roadway.
  • the second features which indicate one or more such objects, can be present, for example, in the form of data points in a data point cloud, with each individual data point indicating, for example, a sensor-detected measuring point together with its position in relation to the vehicle.
  • a data point cloud can be provided by a LiDAR scanner.
  • a further step is the grouping of the second features into a number of second feature groups in such a way that all second features that are located in a respective area next to the roadway, which is defined with regard to its longitudinal extent, have a second feature group assigned to the respective area. belong to group.
  • the division into areas, each with a defined longitudinal boundary, can be the same as used when grouping the first features.
  • the areas mentioned above which extend longitudinally over a defined distance along the roadway, are sometimes also referred to as "buckets".
  • the division of the first and second features when grouping into feature groups based on the areas can also be visualized in such a way that the features are thrown into different containers.
  • a further step is the sorting out of first feature groups whose maximum lateral extent (eg a distance between a feature located furthest to the left and a feature located furthest to the right) exceeds a first predetermined value (e.g. 1 meter) and/or the sorting out of second feature groups whose maximum lateral extent has a second predetermined value, which is identical can be with the first value.
  • a first predetermined value e.g. 1 meter
  • second predetermined value e.g. 1 meter
  • a further step is the assignment of at least some of the first feature groups that have not been sorted out to a respective second feature group that has not been sorted out.
  • first and second feature groups can be assigned to one another that correspond to one another in the sense that it can be assumed that they describe the same object or the same parts of an object in the digital map or in the vehicle environment. If the same division of the digital map or a corresponding section of the vehicle environment detected by sensors into longitudinally delimited areas has been used when grouping the first or second features, the feature groups assigned to one another can correspond to one another, in particular in the sense that they correspond to one another assigned.
  • a further step is determining the validity of the estimated position of the vehicle on the basis of a comparison of positions of a number of the first feature groups that have not been sorted out with positions of the respectively assigned second feature groups.
  • the positions of the first and second feature groups are preferably compared in a common coordinate system which has a fixed relationship to the digital map. The validity of the estimated position is thus determined by comparing first features that are expected based on the map information and second features that are detected using the environment sensors.
  • the validity of the estimated position can be determined, for example, in such a way that, based on the (hypothetical) assumption that the estimated position would be correct, the positions of the number of first feature groups with the positions of the respectively assigned second Feature groups can be compared in a common coordinate system.
  • the estimated position is confirmed (i.e. positively validated) if the positions of all associated feature groups differ by less than a predetermined distance (such as 50 cm or 1 m).
  • different criteria can also be used as criteria for evaluating position deviations in the longitudinal or lateral direction predetermined distances may be provided. For example, provision can be made for the estimated position to be confirmed if a lateral distance between the feature groups associated with one another is not greater than 50 cm and if a longitudinal distance between the feature groups associated with one another is not greater than 1 meter.
  • the decision as to whether the arrangement of the feature groups associated with one another matches a position estimate can also be made on the basis of a statistical analysis. For example, provision can be made for the estimated position to be confirmed if the positions of at least a defined proportion (e.g. at least 90%) of the feature groups associated with one another differ by less than a predetermined distance (possibly differentiated according to lateral and longitudinal direction, as described above).
  • a defined proportion e.g. at least 90%
  • An optional development also provides that the statistical analysis also takes into account a distance distribution. For example, it can be provided that, as a prerequisite for a confirmation of the estimated position, at least 60% of the considered pairs of associated first and second feature groups must not be more than 30 cm apart and that at the same time at least 90% of the pairs must not be more than 60 cm apart.
  • the (possibly statistical) comparison of the positions of the associated feature groups can be carried out with reference to a specific totality of feature groups, which can correspond to a currently viewed map section, for example.
  • a map section can be viewed that extends over a length of 20-40 meters (longitudinally) along the roadway. With a defined length of the individual areas of 1 meter, this would lead to a maximum total of 20-40 for the comparison Feature groups is taken as a basis. If, for example, 90% of these feature groups match (ie are no more than a predetermined distance apart), the estimated position is validated, as already explained above by way of example.
  • it can first be checked whether, after some first and/or second feature groups have been sorted out, there still remains a sufficient number of feature groups which can be assigned to one another. For example, provision can be made for the estimated position not to be confirmed if only a number of feature groups which can be associated with one another and which correspond to a length of less than 10 meters (or another predetermined distance) on the map remain. For example, it can be provided as a necessary condition for a confirmation of the position that the assignable features must cover a roadway length of at least 10 meters (or some other predetermined distance).
  • the invention is based on the idea that the reliability of the validation of an estimated vehicle position can be improved and, in particular, the probability of false confirmations can be reduced by specifically preventing such features from a digital map and/or from environmental sensor data for determining validity of the position estimate, which could lead to ambiguities (ie ambiguities) when comparing the digital map and environmental sensor data.
  • first and/or second feature groups whose respective maximum lateral extent exceeds a predetermined value are sorted out so that they are not used when determining the validity and cannot falsify the result.
  • the method provides for determining a subset of the object information present in the map data and in the surroundings sensor data, which subset should not be used to determine the validity of the estimated position.
  • the estimated position is then validated only on the basis of the remaining object information.
  • the method is carried out separately for features that indicate objects on different sides of the road.
  • all method steps can be carried out for features that indicate objects on the left edge of the road, and independently for features that indicate objects on the right edge of the road.
  • separate validators can be implemented at the software level, with one validator only taking as a basis object information from the left edge of the road and a separate validator only taking object information from the right edge of the road as a basis.
  • the result of the determination of the validity of the position estimate is positive overall if a first validator, which uses object information from the right-hand side of the road, confirms the position estimate and if a second validator, which uses object information from the left-hand side of the road, makes no statement , for example because not enough usable features are recorded on the right-hand side of the road.
  • the result of the determination of the validity of the estimated vehicle position is neutral (i.e. neither a confirmation nor a clear falsification is issued) if the first validator confirms the position estimate and the second validator expressly does not confirm the position estimate (i.e the position estimate falsified).
  • the first features and/or the second features which are located in a respective area next to the roadway that is defined with regard to its longitudinal extent, are also used as part of those first or second feature groups are considered, which are assigned to respective longitudinally adjacent areas.
  • the respective features for the sorting step are also thrown into adjacent “buckets”.
  • the digital map and the sensor information each also provide elevation information about the (first and second) features.
  • those features whose height differs by at least a predetermined height difference are not assigned to the same feature group.
  • the feature height can therefore be used as a possible differentiator, which can resolve a possible ambiguity.
  • a grass edge and a crash barrier that extend parallel along the roadside in the same area can be distinguished by their height, so they do not introduce ambiguity that could affect the reliability of the estimated position validation.
  • an algorithm used can therefore be based in particular on a 2D representation or on a 3D representation of the vehicle environment.
  • a 2D representation can have the advantage that it requires fewer computing resources.
  • the features can be grouped not only for each longitudinal position, but also for each height, so that more features can be used for the validation if necessary.
  • Estimating and/or validating the position of the vehicle may be performed at least in part using machine learning, for example.
  • the position can be estimated and/or the position validated using an artificial neural network or another machine-learning-capable system. If machine learning is used, a sufficient database and suitable ground truth are required for good validation.
  • the data from test drives covering millions of kilometers can be used as a data set. For testing purposes, this data can be intentionally linked to e.g. fake position estimates that the LiDAR-based validator must reject, and to ground truth positions (e.g. received from a reference DG PS sensor) that the validator must confirm as correct.
  • the method can be further improved by determining a pose of the vehicle, i.e. estimating and validating it in the manner proposed by the invention.
  • a pose includes an orientation of the vehicle (e.g., orientation relative to one or more lane boundaries) in addition to the position of the vehicle.
  • the position can be specified, for example, in Cartesian coordinates along a right-hand system of two or three axes, and the orientation as an angle of rotation around these axes.
  • a processing device is proposed, the processing device being designed to carry out a method according to the first aspect of the invention. Accordingly, features or advantages of the method can be transferred to the processing device or vice versa.
  • the processing device can, for example, be part of a control system of the vehicle, which comprises one or more processors (such as CPUs and/or GPUs) on which the necessary computing operations for carrying out the method run.
  • processors such as CPUs and/or GPUs
  • Different processing means can also be used, such as a dedicated processing means for estimating one of the positions and another processing means for validating the position.
  • the vehicle whose position is to be validated can have a processing device according to the second aspect.
  • the vehicle preferably includes a drive motor and is a motor vehicle, in particular a road-bound motor vehicle.
  • the motor vehicle can Longitudinally be controlled, for example, by influencing the drive motor or a braking device.
  • the vehicle is preferably set up for at least partially automated driving, up to highly automated or even autonomous driving.
  • a driving function of the vehicle can be controlled depending on the estimated and validated position.
  • the driving function can bring about a longitudinal and/or lateral control of the vehicle, for example in the form of a speed assistant or a lane departure warning system.
  • the estimated and validated position can be a safety-relevant parameter of the vehicle and can be measured, for example, in the longitudinal and/or transverse direction of the vehicle.
  • a third aspect relates to a computer program which includes instructions which, when the computer program is executed by a processing device, cause the latter to carry out a method according to the second aspect of the invention.
  • a fourth aspect of the invention relates to a computer-readable (storage) medium which comprises instructions which, when executed by a processing device, cause the latter to carry out a method according to the first aspect.
  • processing device mentioned above in connection with the third and fourth aspects of the invention can in particular be a processing device according to the second aspect of the invention.
  • the processing device can comprise a programmable microcomputer or microcontroller and the method can be in the form of a computer program product with program code means.
  • the computer program product can also be stored on a computer-readable data carrier.
  • 1A shows, schematically and as an example, a section of a digital map with a number of first features that indicate objects in the area surrounding a vehicle.
  • 1B shows a number of sensor-detected second features, which indicate objects in the area surrounding the vehicle, schematically and by way of example.
  • FIG. 2A shows the map detail from FIG. 1A, with an alternative grouping of the first features in feature groups being used as a basis.
  • FIG. 2B shows the sensor-detected second features from FIG. 1B , an alternative grouping of the second features in feature groups being the basis.
  • FIG. 3 shows a schematic flow diagram of a computer-implemented one
  • Figures 1A-2B relate to an example scenario in which the validity of an estimated position of a motor vehicle 105 is determined using objects 310-370 that are located next to a roadway.
  • FIG. 3 shows a schematic flow chart of a method 200 according to the invention.
  • the vehicle 105 is set up for automated driving. To do this, it must be able to determine its position, especially in relation to lane boundaries and objects in the vehicle's surroundings. A driving function of the vehicle 105 can then be automatically controlled depending on the determined position. In particular, the driving function can cause automatic longitudinal and/or lateral control of the vehicle 105 .
  • the vehicle 105 is equipped with an environment sensor system, only one environment sensor in the form of a LiDAR sensor 1151 being shown as an example in FIGS. 1A-2B.
  • the environment sensors of the vehicle 105 can include, for example, one or more cameras and one or more RADAR sensors.
  • an in the figures are not explicitly shown receiving device for a global satellite navigation system and / or an odometer for providing odometry data.
  • a processing device 120 is arranged in the vehicle 105 .
  • the processing device 120 can be part of a control system for the automated driving functions of the vehicle 105, for example.
  • the processing device 120 includes one or more processors (such as CPUs and/or GPUs), on which the necessary computing operations for carrying out a method 200 for determining the validity of an estimated position of a vehicle 105 run.
  • Steps of the method 200 are illustrated schematically in FIG. 3 .
  • the individual method steps 205-250 are explained below by way of example with reference to FIGS. 1A-2B.
  • a digital map is received by the processing device 120 or by a software module which is executed by the processing device 120 .
  • the digital map is provided by a digital map memory 125 which is arranged in the vehicle 105 and is communicatively connected to the processing device 120 .
  • receiving the digital map includes loading a relevant map section that contains relevant map information about the vehicle environment.
  • the map section can cover a lane length of 40 meters, for example.
  • the loaded map section accordingly shows in particular a roadway including lane boundaries and several objects 310, 320, 330, 340, 350, 360, 370, which according to the map information are located to the left and right of the roadway at the edge of the roadway.
  • the objects may be a guardrail 310 extending longitudinally along the roadway as shown on the left in Figure 1A.
  • the objects 320-370 shown schematically which are located to the right of the roadway, there can be, for example, sections of a safety barrier, a grass edge, a noise protection wall or something like that. Trees, bushes, street lamps, bridge pillars, etc. can also be among objects 320-370.
  • the digital map can, for example, be based at least in part on data recorded by sensors, which were recorded during one or more reconnaissance trips by a reconnaissance vehicle of a service provider of the digital map.
  • the digital map can contain several layers, for example, with the different layers containing features that can be detected using different environmental sensors of the vehicle 105 .
  • an estimated position of vehicle 105 is received by the processing device or the software module.
  • the estimated position is a position on the digital map or at least can be assigned to a position on the digital map.
  • the estimated vehicle position corresponds to the position on the digital map where the vehicle 105 is located in FIG. 1A.
  • the vehicle 105 is in the left lane.
  • the position estimate can be associated with a certain degree of uncertainty and should therefore be validated as reliably as possible within the scope of the further method steps using information provided by the LiDAR sensor 1151 .
  • a further step 215 is the recognition of a number of first features 400 in the digital map, which indicate the objects 310-370 located next to the roadway.
  • the first features are in the form of data points that collectively describe objects 310-370. This is illustrated schematically in FIG. 1A by a dotted representation of the objects 310-370.
  • the digital map initially contains the objects 310-370 in the form of continuous structures, such as areas or lines, and that these structures become a total of individual data points for further processing by sampling.
  • the first features 400 are grouped into a number of first feature groups 405-470. This is done in such a way that all first features 400, which are located next to the road in a respective area defined with regard to its longitudinal extent, belong to a first feature group 405-470 assigned to the respective area.
  • a plurality of contiguous areas are defined, each extending a predetermined length L (e.g., 1 meter) longitudinally along the roadway. This is illustrated in FIG. 1A by a plurality of horizontal dashed lines, each of which delimits such a strip-shaped area.
  • first features 400 located in a respective area are associated with the same first feature group 405-470.
  • reference numbers 405-470 do not refer to the different areas per se, but to the corresponding feature groups, which contain all features 400 that are located in a respective area.
  • Feature group 410 includes both features 400 describing object 320 and features 400 describing object 330 .
  • the object 310 also extends over a number of areas and thus feature groups, only one feature group 470 being provided with a reference number here as an example.
  • a further step is receiving 225 sensor information about the vehicle environment.
  • the sensor information is generated using the LiDAR sensor 1151 and transmitted to the processing device 120 .
  • a number of second features 500 are recognized in the sensor information by means of the processing device 120.
  • the second features 500 point to some objects 310, 320, 330, 340, 360, 370 from the totality of objects 310-370, which are also indicated in the digital map of FIG. 1A.
  • the object 350 recorded in the digital map has not been detected by the LiDAR sensor 1151 in the present case.
  • One reason for this can be, for example, that the object 350 is difficult or impossible to detect using LiDAR, or that the object 350 is actually not present in the vehicle environment, for example because the digital map is no longer up-to-date.
  • each individual data point 500 can correspond to a measurement point recorded by the LiDAR sensor 1151.
  • Each data point 500 has a unique position relative to the vehicle 105 as illustrated in Figure 1B.
  • a further step 235 is the grouping of the second features 500 into a number of second feature groups 505-570 in such a way that all second features 500, which are located in a respective area defined with regard to its longitudinal extent next to the roadway, one dem belong to the second feature group 505-570 assigned to the respective area.
  • the grouping 235 of the second features 500 can be carried out analogously to the grouping 220 of the first features 400 .
  • a plurality of coherent strip-shaped areas can be defined, each of which extends over a predetermined length L (e.g. 1 meter) along the roadway. All second features 500 located in such an area can then be assigned to the same second feature group 505-570.
  • a number of second feature groups 505-570 are created, each of which contains second features 500, which are located in the respectively assigned areas.
  • the division into regions, each of which has a defined longitudinal boundary, is the same as that which was already used when grouping 220 the first features 400 .
  • the division of the first and second features 400, 500 when grouped into corresponding feature groups 405-470, 505-507 can be visualized in such a way that the features 400, 500 are divided into several buckets (corresponding to the different areas) are thrown.
  • some first and/or second feature groups 410, 425, 510, 525 are sorted out so that they are not used in the subsequent method steps for validating the estimated vehicle position.
  • first predetermined value B1 e.g. 1 meter
  • the feature groups 410, 425 sorted out using this criterion are marked with a dark “X”.
  • Feature groups 405, 415, 435-470 that have not been sorted out are marked with a dark tick.
  • a bright "X" marks areas where there are no first features that could be used to validate the estimated vehicle position.
  • the features of the sorted out feature group 410 belong to two different elongated objects 320, 330, which overlap in the area assigned to the feature group 410 in such a way that they have a common longitudinal extent.
  • the sorted out feature group 425 belongs to a single object 340 whose lateral extent is greater than the first predetermined value B1.
  • all second feature groups 510, 525 whose maximum lateral extent exceeds a second predetermined value B2 can also be sorted out in a very analogous manner. This is illustrated in FIG. 1B, where the sorted out second feature groups 510, 525 are again marked with a dark “X”.
  • the second value B2 can be identical to the first value B1.
  • FIGS. 1A and 1B illustrates an embodiment of the sorting step 240, wherein for the purpose of sorting 240, the first features 400 and / or second features 500, which are located next to the road in a respective area defined in terms of its longitudinal extent, are also considered as part of those first or second feature groups 405, 415, 445-470, 505, 515, 545-570, associated with the respective longitudinally adjacent areas. Proceeding from this, the same criteria with regard to the lateral extent of the feature groups are then applied as described above with reference to FIGS. 1A and 1B. In this variant, for example, the first feature groups 405 and 415 and the corresponding second feature groups 505 and 515 are consequently also sorted out.
  • the respective features 400, 500 for the step 240 of sorting out are also thrown into adjacent buckets, figuratively speaking.
  • the corresponding objects 320-370, to which the features 400, 500 refer are virtually lengthened, so to speak. If, for example, areas (buckets) with a respective length of 1 meter are taken as a basis, this results in a virtual longitudinal extension of 2 meters. In this way, for example, a longitudinal measurement tolerance can be taken into account.
  • a further step 245 is the assignment of at least some of the first feature groups 405, 415, 445-470 that have not been sorted out to a respective second feature group 505, 515, 545-570 that has not been sorted out.
  • first and second feature groups can be assigned to one another that correspond to one another in the sense that it can be assumed that they describe the same object or the same parts of an object in the digital map or in the vehicle environment.
  • the same division of the digital map (cf. Fig. 1A or Fig. 2A) or the section of the sensor-detected vehicle environment (cf. Fig. 1B and FIG. 2B) are used in longitudinally delimited areas, and the feature groups 405, 415, 445-470, 505, 515, 545-570 assigned to one another correspond to one another in the sense that they are assigned to areas corresponding to one another.
  • the first feature group 405 is assigned to the second feature group 505
  • the first feature group 410 is assigned to the second feature group 510, and so on.
  • a further step 250 is the determination of the validity of the estimated position of the vehicle 105 on the basis of a comparison of positions of a number of the first feature groups 405, 415, 445-470 that have not been sorted out with positions of the respective associated second feature groups 505, 515, 545-570.
  • the validity of the estimated position is therefore determined by comparing the positions of first features 400, which are based on the map information (cf. Fig. 1A or Fig.
  • the validity of the estimated position is determined in such a way that, based on the assumption that the estimated position would be correct, the positions of the number of first feature groups 405, 415, 445-470 be compared with the positions of the respectively associated second feature groups 505, 515, 545-570 in a common coordinate system.
  • 505, 515, 545-570 differ by less than a predetermined distance (such as 50 cm or 1 m).
  • Different predetermined distances can also be provided for the evaluation of position deviations in the longitudinal or lateral direction. For example, provision can be made for the estimated position to be confirmed if a lateral distance between the respective feature groups 405, 415, 445-470, 505, 515, 545-570 assigned to one another is not greater than 50 cm and if a longitudinal one The distance between the respective mutually associated feature groups 405, 415, 445-470, 505, 515, 545-570 is not greater than 1 meter. This is evidently the case when comparing FIGS. 1A and 1B or FIGS. 2A and 2B, so that in the present example scenario the estimated vehicle position would be confirmed by the LiDAR validator.
  • the decision as to whether the arrangement of the feature groups 405, 415, 445-470, 505, 515, 545-570 associated with one another match a position estimate can also be made on the basis of a statistical analysis. For example, provision can be made for the estimated position to be confirmed if the positions of at least a defined proportion (such as at least 90%) of the feature groups 405, 415, 445-470, 505, 515, 545-570 assigned to one another by less than a predetermined distance (possibly differentiated according to the lateral and longitudinal direction, as described above) differentiate.
  • a predetermined distance possibly differentiated according to the lateral and longitudinal direction, as described above
  • the statistical consideration can also take into account a statistical distance distribution. For example, it can be provided that, as a prerequisite for confirming the estimated position, at least 60% of the considered pairs of first and second feature groups 405, 415, 445-470, 505, 515, 545-570 are no further than 30 cm apart be separated and at the same time at least 90% of the couples must not be more than 60 cm apart.
  • the positions of the feature groups 405, 415, 445-470, 505, 515, 545-570 assigned to one another can be compared in each case with reference to a specific totality of feature groups, which can correspond, for example, to a map section currently being viewed. For example, a section that extends 20-40 meters (longitudinally) along the roadway can be considered. With a defined length of the individual areas of 1 meter, this would result in the comparison being based on a total of a maximum of 20-40 feature groups. If, for example, 90% of these feature groups match (i.e. are no more than a predetermined distance apart), the estimated position is validated.
  • the information about the object 310 on the left-hand side of the road can be used in this embodiment , can still be used to validate the estimated vehicle position.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

Ein Verfahren (200) zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs (105) umfasst: Empfangen (210) der geschätzten Position als Position in einer digitalen Karte ist oder als eine Position, die einer Position in der digitale Karte zuordenbar ist; Empfangen (225) von Sensorinformationen über ein Fahrzeugumfeld; Erkennen (215, 230) einer Anzahl von ersten Features (400) in der digitalen Karte und einer Anzahl von zweiten Features (500) in den Sensorinformationen, wobei die Features (400, 500) auf wenigstens ein neben einer Fahrbahn befindliches Objekt (310-370) hinweisen; Gruppieren (220, 235) der ersten Features (400) in eine Anzahl von ersten Feature-Gruppen (405-470) sowie der zweiten Features (500) in eine Anzahl von zweiten Feature-Gruppen (505-570) in der Weise, dass alle ersten Features (400), die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, einer dem jeweiligen Bereich zugeordneten ersten bzw. zweiten Feature-Gruppe (405-470, 505-570) angehören; Aussortieren (240) von ersten und/oder zweiten Feature-Gruppen (410, 425, 510, 525), deren maximale laterale Ausdehnung einen ersten bzw. zweiten vorbestimmten Wert (B1, B2) überschreitet; Zuordnen (245) wenigstens einiger der nicht aussortierten ersten Feature-Gruppen (405, 415, 445-470) zu einer jeweiligen nicht aussortierten zweiten Feature-Gruppe (505, 515, 545-570); Bestimmen (250) der Validität der geschätzten Position auf der Basis eines Vergleichs von Positionen einer Anzahl der nicht aussortierten ersten Feature-Gruppen (405, 415, 445-470) mit Positionen der jeweils zugeordneten zweiten Feature-Gruppen (505, 515, 545-570).

Description

Computerimplementiertes Verfahren zum Bestimmen der Validität einer geschätzten
Position eines Fahrzeugs
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs. Insbesondere betrifft die Erfindung die Absicherung der Bestimmung einer Fahrzeugposition gegen mögliche Fehler. In dieser Hinsicht wird auch auf die deutsche Patentanmeldung 102019 133 316.4 Bezug genommen, deren Inhalt hiermit in diese Anmeldung aufgenommen wird.
Des Weiteren betrifft die Erfindung eine Verarbeitungseinrichtung und ein Computerprogramm zur Ausführung eines solchen Verfahrens sowie ein computerlesbares (Speicher)medium, das Befehle zum Ausführen eines solchen Verfahrens umfasst.
Ein Fahrzeug kann einen Fahrassistenten aufweisen, der dazu eingerichtet ist, eine Längs oder Quersteuerung des Fahrzeugs zu beeinflussen. Beispielsweise kann ein Fahrspurassistent dazu eingerichtet sein, das Fahrzeug zwischen Fahrbahnmarkierungen zu halten. Die Markierungen können z.B. mittels einer Kamera abgetastet und automatisch erkannt werden.
Viele Fahrassistenten erfordern die Kenntnis einer genauen Position des Fahrzeugs. Die Position kann in Längs- und/oder Querrichtung bestimmt und bezüglich eines vorbestimmten Referenzpunkts ausgedrückt werden. Eine absolute geographische Position kann beispielsweise bezüglich eines vorbestimmten geodätischen Referenzsystems wie dem WGS84 bestimmt werden. Eine relative Position des Fahrzeugs kann beispielsweise in Querrichtung bezüglich einer erkannten Fahrspurmarkierung angegeben werden.
Die Bestimmung der Position des Fahrzeugs unterliegt üblicherweise einer Reihe von Fehlern und Ungenauigkeiten. Sensoren stellen beispielsweise verrauschte und/oder verfälschte Informationen bereit oder können gelegentlich ganz ausfallen. Unterschiedliche Messbedingungen oder komplexe Verarbeitungsheuristiken führen zu unterschiedlich genauen oder verlässlichen Bestimmungen. Wird das Fahrzeug auf der Basis einer solchermaßen bestimmten Position gesteuert, kann die Sicherheit des Fahrzeugs oder eines Insassen gefährdet sein.
Um eine möglichst sichere Bestimmung der Position des Fahrzeugs zu ermöglichen, kann man z.B. auf Verfahren zurückgreifen, die einen Schritt der Lokalisierung und einen Schritt der Validierung umfassen.
Dabei wird im Rahmen der Lokalisierung eine Fahrzeugposition geschätzt. Beispielsweise kann das Schätzen der Fahrzeugposition mit Bezug auf eine digitale Karte unter Verwendung von Daten eines Satellitennavigationssystems (z.B. GPS oder DGPS) erfolgen.
Im Rahmen der Validierung wird die Validität der Positionsschätzung beurteilt, indem die geschätzte Fahrzeugposition mit sensorisch erfassten Daten über das Fahrzeugumfeld abgeglichen wird. Dabei kann z.B. mittels eines Vergleichs von erfassten Daten eines LiDAR-Sensors mit Daten einer bereitgestellten Karte, die erwarteten Features anzeigt, welche durch den LiDAR-Sensor prinzipiell erfassbar sind, überprüft werden, ob die geschätzte Position plausibel ist. Falls durch den LiDAR-Sensor erfasste Features eine hinreichende Übereinstimmung mit den erwarteten Features aufweisen, wird die geschätzte Fahrzeugposition durch die Validierung bestätigt (d.h. positiv validiert). Hingegen kann z.B. vorgesehen sein, dass die geschätzte Position ausdrücklich nicht bestätigt wird, wenn sich aus dem Vergleich von erfassten Features und erwarteten Features eine Abweichung von der geschätzten Position, die einen vorbestimmten Wert (z.B. 2 Meter) überschreitet.
Das Validieren kann z.B. mittels einer elektronischen Datenverarbeitungsvorrichtung ausgeführt werden. Beispielsweise kann dabei dem oben erwähnten LiDAR-Sensor als einer Informationsquelle für die Validierung auf einer logischen bzw. datentechnischen Verarbeitungsebene eine als (LiDAR-)„Validator“ (Englisch: validator) bezeichnete Softwarekomponenten zugeordnet sein. Um insgesamt eine zuverlässige Positionsbestimmung zu gewährleisten, ist es wünschenswert, statistische Unsicherheiten, mit denen die Validierung an sich behaftet ist, möglichst gering zu halten.
Um die Unsicherheit eines einzelnen Validators zu ermitteln, kann ein statistischer Test durchgeführt werden. Dabei wird z.B. anhand verfügbarer Sensordaten, die während einer physischen Fahrzeugfahrt zu einem Zeitpunkt erfasst wurden, geprüft, ob der Validator, dem eine Anzahl (absichtlich) falscher Positionsschätzungen zur Verfügung gestellt werden, diese auf der Grundlage der Sensordaten ablehnt. Durch Verwendung von Sensordaten, die zu mehreren unterschiedlichen Zeitpunkten erfasst worden sind, kann eine aussagekräftige Statistik erstellt werden.
Es ist insbesondere erstrebenswert, dass die Anzahl von falschen Positivmeldungen (Englisch: „false positives“) eines Validators, d.h. von positiven Bestätigungen einer tatsächlich falschen Position durch den Validator, gering ist. Mit anderen Worten soll es sehr unwahrscheinlich sein, dass der Validator, wenn er aufgefordert wird, die Validität einer falschen Positionsschätzung zu beurteilen, diese Positionsschätzung bestätigt.
Eine Herausforderung, die sich im Zusammenhang mit der Unsicherheit der Validierung stellt, besteht darin, dass ein Umfeldsensor, wie z.B. ein LiDAR-Sensor, im Allgemeinen nur einen Teil der gemäß einer digitalen Karte „erwarteten“ Features im Fahrzeugumfeld wahrnehmen wird. Zudem kann es Vorkommen, dass die (ggf. wenigen) erfassten Features, die demnach für den Abgleich zur Verfügung stehen, zu mehreren unterschiedlichen Features in der Karte passen. Es kann also mitunter eine Ambiguität (d.h. Mehrdeutigkeit) in der Zuordnung von erfassten und erwarteten Features vorliegen, die sich aus Sicht des Validators in eine Ambiguität der Fahrzeugposition übersetzt.
Hiervon ausgehend besteht eine der Erfindung zu Grunde liegende Aufgabe darin, eine verbesserte Bestimmung der Validität einer geschätzten Position eines Fahrzeugs vorzuschlagen. Die Erfindung löst die Aufgabe mittels der Gegenstände der unabhängigen Ansprüche. Unteransprüche geben bevorzugte Ausführungsformen wieder.
Die Aufgabe wird durch die Merkmale der unabhängigen Patentansprüche gelöst.
Vorteilhafte Ausführungsformen sind in den abhängigen Ansprüchen beschrieben.
Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicherweise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
Ein erster Aspekt der vorliegenden Erfindung betrifft ein computerimplementiertes Verfahren zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs.
Ein Schritt des Verfahrens ist das Empfangen einer digitalen Karte.
Dabei kann die digitale Karte beispielsweise seitens einer digitalen Verarbeitungseinrichtung und/oder seitens eines logischen Softwaremoduls (welches z.B. als „Validator“ bezeichnet werden kann) empfangen werden. Bei der digitalen Karte kann es sich beispielsweise um eine hochgenaue digitale Karte handeln, welche insbesondere eine Fahrbahn samt Fahrspuren sowie Objekte im Fahrzeugumfeld, wie z.B. Hindernisse am Fahrbahnrand, darstellt.
Das Empfangen der digitalen Karte kann z.B. insbesondere das Laden eines relevanten Kartenausschnitts einer derartigen Karte umfassen, wobei der Kartenausschnitt Karteninformationen über das Fahrzeugumfeld enthält.
Die digitale Karte kann beispielsweise von einem Kartenspeicher bereitgestellt werden, welcher in dem Fahrzeug angeordnet sein kann. Alternativ kann die digitale Karte auch von außerhalb des Fahrzeugs, beispielsweise von einem Server, an das Fahrzeug übermittelt werden, wobei die Übermittlung vorzugsweise über eine drahtlose Kommunikationsschnittstelle erfolgt.
Die digitale Karte kann z.B. wenigstens teilweise auf sensorisch erfassten Daten beruhen, welche bei einer oder mehreren Erkundungsfahrten eines Erkundungsfahrzeugs aufgezeichnet wurden. Eine dabei eingesetzte Umfeldsensorik kann beispielsweise einen Empfänger eines globalen Satellitennavigationssystems (z.B. GPS oder DGPS), eine oder mehrere optische Kameras, einen oder mehrere RADAR-Sensoren und/oder einen oder mehrere LiDAR-Sensoren umfassen. Dementsprechend kann die digitale Karte mehrere Schichten enthalten, wobei z.B. eine Schicht auf Daten eines globalen Satellitennavigationssystems beruht, eine weitere Schicht auf optischen Kameradaten beruht und eine weitere Schicht auf LiDAR-Daten beruht. Die verschiedenen Schichten können Features enthalten, die mittels der jeweiligen Sensorik erkannt werden können.
Die digitale Karte kann insbesondere zweidimensionale Informationen enthalten. Das bedeutet, dass der digitalen Karte z.B. insbesondere Informationen über einen Verlauf einer Fahrbahn mitsamt Fahrspuren in einer Draufsicht entnommen werden können, wodurch eine Lokalisierung des Fahrzeugs hinsichtlich einer aktuellen Fahrspur ermöglicht wird.
Optional kann die digitale Karte bei einigen Ausführungsformen auch dreidimensionale Informationen enthalten. Dementsprechend können auch Höheninformationen von Objekten bereitgestellt werden. So kann die digitale Karte z.B. zusätzlich zu dem Verlauf einer Leitplanke in einer zweidimensionalen Draufsicht auch Daten über die Höhe der Leitplanke umfassen. Eine solche Karte mit einer 2D-Draufsicht und einigen zusätzlichen Höheninformationen wird oft als 2,5D bezeichnet. Alternativ kann die Karte auch voll 3D sein.
Ein weiterer Schritt des Verfahrens ist das Empfangen einer geschätzten Position des Fahrzeugs, wobei die geschätzte Position eine Position in der digitalen Karte ist oder einer Position in der digitalen Karte (vorzugsweise eindeutig) zuordenbar ist.
Gemäß einer Ausführungsform kann ein erweitertes Verfahren zusätzlich auch einen Schritt des Schätzens der Position des Fahrzeugs umfassen, wobei dieser Schritt mittels einer elektronischen Verarbeitungsvorrichtung ausgeführt werden kann.
Unter dem Schätzen einer Position ist im Rahmen der vorliegenden Beschreibung ein vorläufiges Bestimmen der Position zu verstehen. Dies kann, muss aber nicht notwendigerweise, eine statistische Schätzoperation im mathematischen Sinne, umfassen.
Die Positionsschätzung kann dabei noch mit einer Unsicherheit behaftet sein, die ggf. erst durch die anschließende Validierung auf ein (z.B. unter Sicherheitsaspekten) akzeptables Maß verringert werden kann. Das Schätzen der Fahrzeugposition kann beispielsweise in Bezug auf Karteninformationen erfolgen, d.h. es kann z.B. geschätzt werden, an welcher Kartenposition sich das Fahrzeug befindet.
Beispielsweise kann das Schätzen der Fahrzeugposition unter Verwendung von Daten eines Satellitennavigationssystems (z.B. GPS oder DGPS) erfolgen. Zusätzlich oder alternativ können dabei auch Sensordaten herangezogen werden, die z.B. von einer Umfeldsensorik des Fahrzeugs bereitgestellt werden. Die Umfeldsensorik kann z.B. einen oder mehrere RADAR- und/oder LiDAR-Sensoren und/oder eine oder mehrere Kameras umfassen.
Gemäß einer Ausführungsform wird die Fahrzeugposition unter Verwendung von Odometriedaten geschätzt. Die Odometriedaten können z.B. eine erfolgte Bewegung bezüglich einer früher eingenommenen Position ausdrücken und beispielsweise auf der Basis von Signalen bestimmt werden, die von Drehratensensoren an Rädern des Fahrzeugs bereitgestellt werden.
Die Positionsschätzung kann insbesondere relativ zu einer oder mehreren Fahrspurbegrenzungen erfolgen und z.B. eine Aussage darüber treffen, auf welcher von mehreren Fahrspuren das Fahrzeug fährt.
Um beispielsweise beim autonomen oder hochautomatisierten Fahren eine hinreichende Sicherheit gewährleisten zu können, ist es nämlich erforderlich, dass die Fahrzeugposition relativ zu den umgebenden Fahrspuren zuverlässig bestimmt wird. Es ist also im Rahmen eines Gesamtsicherheitskonzepts erstrebenswert, mit einer sehr hohen statistischen Zuverlässigkeit festzustellen, auf welcher Fahrspur sich das Fahrzeug befindet. Mit anderen Worten ist eine hohe Lokalisierungssicherheit, insbesondere bezüglich der Fahrspur, wünschenswert.
Um die Integrität der Fahrzeugpositionsschätzung zu gewährleisten, wird diese validiert. Mit anderen Worten wird die Validität (d.h. die Gültigkeit) der geschätzten Position des Fahrzeugs bestimmt. In diesem Zusammenhang sind die weiteren Verfahrensschritte, die nachfolgend beschrieben werden, zu verstehen.
Im Einklang mit den Schritten, die weiter unten genauer beschrieben werden, erfolgt das Validieren der geschätzten Fahrzeugposition verfahrensgemäß unter Verwendung Informationen, die in der digitalen Karte enthalten sind, sowie von Informationen, die von einer Umfeldsensorik des Fahrzeugs zur Verfügung gestellt werden. Die Umfeldsensorik umfasst bevorzugt mehrere verschiedenartige und/oder statistisch unabhängige Sensoren, wie z.B. einen oder mehrere LiDAR-Sensoren und/oder einen oder mehrere RADAR- Sensoren und/oder einen oder mehrere optische Kameras.
Das Validieren kann mittels einer Verarbeitungsvorrichtung ausgeführt werden. Dem oder den jeweiligen für die Validierung verwendeten Umfeldsensoren können dabei auf einer logischen bzw. datentechnischen Verarbeitungsebene z.B. ein oder mehrere als „Validatoren“ (Englisch: validator) bezeichnete Softwarekomponenten zugeordnet sein.
Eine zuverlässige laterale Lokalisierung, einschließlich einer Bestimmung, auf welcher Fahrspur das Fahrzeug fährt, ist im Allgemeinen besonders wichtig. Dies kann z.B. mittels eines oder mehrerer Validatoren überprüft werden. Ein Validator, der eine laterale Lokalisierung validiert, kann z.B. außerdem auch eine longitudinale Lokalisierung überprüfen (ggf. mit niedrigerer Genauigkeitsanforderung im Vergleich zu der lateralen Lokalisierung).
Es können z.B. auch ein oder mehrere Validatoren vorgesehen sein, welche prüfen, dass das Fahrzeug überhaupt auf der richtigen Straße ist.
Allgemein ist bevorzugt, dass mehrere unterschiedliche Validatoren überprüfen, ob jeweils zugeordnete Sensordaten eine geschätzte Position bestätigen oder nicht. Beispielsweise kann ein erster Validator basierend auf LiDAR-Daten eine Aussage darüber treffen, ob das Fahrzeug sich entsprechend der geschätzten Position in einer bestimmten Fahrspur befindet. Zusätzlich kann ein zweiter Validator, z.B. auf Basis einer Kameraspurerkennung, eine entsprechende Bewertung der Positionsschätzung abgeben. Falls beide Validatoren die Positionsschätzung bestätigen, ist im Allgemeinen eine höhere Sicherheit gegeben, dass die Positionsschätzung richtig ist, im Vergleich zu einer Situation, in der nur die Bestätigung durch einen Validator vorliegt oder im Vergleich zu einer Situation, in welcher einer oder gar beide Validatoren die Positionsschätzung ausdrücklich nicht bestätigen.
Eine Nicht-Bestätigung der Positionsschätzung durch einen Validator kann z.B. in Fällen eintreten, in denen die dem Validator zur Verfügung stehenden Daten nicht ausreichen, um die Position verlässlich zu bestätigen und/oder wenn eine tatsächliche Abweichung hinsichtlich der Position festgestellt wird.
Das Validierungskonzept beruht demnach bei vorteilhaften Ausführungsformen auf einer Reihe vorzugsweise statistisch unabhängiger Validatoren, die eine Positionsschätzung bestätigen können. Wenn genügend Validatoren eine Schätzung bestätigen, gilt die Positionsschätzung als sicher. Durch ein solches Validierungskonzept kann die bestimmte Position des Fahrzeugs prinzipiell beliebig sicher in einem vorbestimmten Fehlerbereich liegen. Wird die Position des Fahrzeugs etwa auf der Basis dreier Validatoren validiert, und sind Wahrscheinlichkeiten für eine fehlerhafte Validierung durch die einzelnen Validatoren derart bestimmt, dass jeweils in nur einem von 1000 Fällen eine fehlerhafte Validierung durch einen Validator erfolgt, so kann eine mit positivem Ergebnis validierte Position des Fahrzeugs in nur einem von 1000 * 1000 * 1000 = 1 000000000 Fällen dennoch falsch sein. Für diese Bestimmung wurde angenommen, dass die Validatoren voneinander unabhängig sind. Insgesamt kann die Wahrscheinlichkeit für eine unbemerkte Fehlbestimmung der Fahrzeugposition so unwahrscheinlich gemacht werden, dass die Position mit einer Sicherheit bestimmt werden kann, die einer geforderten Gebrauchssicherheit genügt. Beispielsweise kann die Validierung auf diese Weise sicherstellen, dass die geschätzte Position mit sehr großer Wahrscheinlichkeit nicht um mehr als 2 Meter von der tatsächlichen Position abweicht.
Entsprechend dem Vorstehenden ist es prinzipiell wünschenswert, dass die einzelnen Validatoren so selten wie möglich scheitern. Scheitern kann in diesem Zusammenhang insbesondere bedeuten, dass ein Validator eine Positionsschätzung bestätigt, die eigentlich falsch ist („false positive“). So könnte es z.B. zu einer sicherheitskritischen Situation führen, wenn beispielsweise ein LiDAR-basierter Validator, ggf. zusammen mit weiteren Validatoren, fälschlicherweise zu dem Ergebnis kommt, dass eine Positionsschätzung korrekt ist.
Die nachfolgend beschriebenen Verfahrensschritte sollen eine Validierung der geschätzten Fahrzeugposition ermöglichen, bei welcher insbesondere die Gefahr von solchen falschen Positivmeldungen gering ist.
Dabei ist ein weiterer Schritt das Erkennen einer Anzahl von ersten Features in der digitalen Karte, wobei die ersten Features auf wenigstens ein neben einer Fahrbahn befindliches Objekt hinweisen.
Bei dem Objekt bzw. den Objekten kann es sich z.B. um eine Leitplanke, eine Graskante, eine Straßenlaterne, einen Baum oder ein Gebäude handeln. Grundsätzlich kommen alle Arten von Objekten infrage, die zumindest prinzipiell auch mittels der Umfeldsensorik des Fahrzeugs erfasst werden können. Im Rahmen der Validierung der Fahrzeugposition können solche Objekte als Orientierungspunkte (Landmarken) dienen. Die ersten Features, die auf ein oder mehrere solcher Objekte hinweisen, können beispielsweise in Form von Datenpunkten einer Datenpunktwolke vorliegen, wobei jeder Datenpunkt einer Position in der digitalen Karte entspricht. Dabei ist auch denkbar, dass die digitale Karte das Objekt bzw. die Objekte zunächst in Form von kontinuierlichen Strukturen, wie z.B. Flächen oder Linien, darstellt, wobei diese Strukturen für die weitere Verarbeitung durch Sampling in eine Punktwolke überführt werden.
In einem weiteren Schritt werden die ersten Features in eine Anzahl von ersten Feature- Gruppen gruppiert. Dies geschieht in der Weise, dass alle ersten Features, die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, einer dem jeweiligen Bereich zugeordneten ersten Feature-Gruppe angehören.
Beispielsweise können mehrere zusammenhängende Bereiche definiert werden, die sich jeweils über eine vorbestimmte Länge (z.B. 1 Meter) entlang der Fahrbahn erstrecken. Sämtliche erste Features, die sich in einem solchen Bereich befinden können dann derselben ersten Feature-Gruppe zugeordnet werden. Im Ergebnis entstehen so mehrere erste Feature-Gruppen, die jeweils erste Features enthalten, welche sich in den jeweils zugeordneten Bereichen befinden.
Ein weiterer Schritt ist das Empfangen von Sensorinformationen über ein Umfeld des Fahrzeugs.
Die Sensorinformationen können z.B. mittels eines ersten Sensors erfasst worden sein, der Teil einer Umfeldsensorik des Fahrzeugs ist.
Im Allgemeinen ist die Umfeldsensorik dazu eingerichtet, Informationen bezüglich des Umfelds des Fahrzeugs zu erfassen und bereitzustellen. Die Umfeldsensorik kann insbesondere eine Kamera, eine Tiefenkamera, einen Radarsensor, einen LiDAR- Sensor oder einen ähnlichen Sensor umfassen. Ein derartiger Sensor arbeitet bevorzugt berührungslos, beispielsweise mittels Detektion von elektromagnetischen Wellen oder Ultraschallwellen, und kann bildgebend sein.
Bei einer bevorzugten Ausführungsform sind die Sensorinformationen mittels eines LiDAR-Sensors erzeugt worden. Ein weiterer Schritt ist das Erkennen einer Anzahl von zweiten Features in den Sensorinformationen, wobei die zweiten Features auf wenigstens ein neben einer Fahrbahn befindliches Objekt hinweisen.
Die zweiten Features, die auf ein oder mehrere solcher Objekte hinweisen, können beispielsweise in Form von Datenpunkten einer Datenpunktwolke vorliegen, wobei jeder einzelne Datenpunkt z.B. einen sensorisch erfassten Messpunkt mitsamt seiner Position in Bezug auf das Fahrzeug anzeigt. Beispielsweise kann eine derartige Datenpunktwolke von einem LiDAR-Scanner bereitgestellt werden.
Ein weiterer Schritt ist das Gruppieren der zweiten Features in eine Anzahl von zweiten Feature-Gruppen in der Weise, dass alle zweiten Features, die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, einer dem jeweiligen Bereich zugeordneten zweiten Feature-Gruppe angehören.
Beispielsweise können, wie vorstehend bereits mit Bezug auf das Gruppieren der ersten Features beschrieben, mehrere zusammenhängende Bereiche definiert werden, die sich jeweils über eine vorbestimmte Länge (z.B. 1 Meter) entlang der Fahrbahn erstrecken. Sämtliche zweite Features, die sich in einem solchen Bereich befinden, können dann derselben zweiten Feature-Gruppe zugeordnet werden. Im Ergebnis entstehen auf diese Weise mehrere zweite Feature-Gruppen, die jeweils zweite Features enthalten, welche sich in den jeweils zugeordneten Bereichen befinden.
Die Aufteilung in Bereiche, die jeweils eine definierte longitudinale Begrenzung haben, kann dabei dieselbe sein, die beim Gruppieren der ersten Features verwendet wird.
Im Folgenden werden die oben erwähnten Bereiche, die sich longitudinal über eine definierte Distanz entlang der Fahrbahn erstrecken, mitunter auch als „Buckets“ bezeichnet. Die Aufteilung der ersten und zweiten Features bei der Gruppierung in Feature-Gruppen anhand der Bereiche kann man sich nämlich bildlich auch so veranschaulichen, dass die Features in unterschiedliche Behälter geworfen werden.
Ein weiterer Schritt ist das Aussortieren von ersten Feature-Gruppen, deren maximale laterale Ausdehnung (d.h. z.B. ein Abstand zwischen einem am weitesten links befindlichen Feature zu einem am weitesten rechts befindlichen Feature) einen ersten vorbestimmten Wert (z.B. 1 Meter) überschreitet und/oder das Aussortieren von zweiten Feature-Gruppen, deren maximale laterale Ausdehnung einen zweiten vorbestimmen Wert, welcher identisch mit dem ersten Wert sein kann, überschreitet. Insbesondere können alle ersten bzw. zweiten Feature-Gruppen, deren laterale Ausdehnung den ersten bzw. zweiten vorbestimmten Wert überschreitet, aussortiert werden.
Ein weiterer Schritt ist das Zuordnen wenigstens einiger der nicht aussortierten ersten Feature-Gruppen zu einer jeweiligen nicht aussortierten zweiten Feature-Gruppe.
Dabei können insbesondere solche ersten und zweiten Feature-Gruppen einander zugeordnet werden, welche einander in dem Sinne entsprechen, dass angenommen werden kann, dass sie dasselbe Objekt oder dieselben Teile eines Objekts in der digitalen Karte bzw. im Fahrzeugumfeld beschreiben. Wenn beim Gruppieren der ersten bzw. zweiten Features dieselbe Aufteilung der digitalen Karte bzw. eines entsprechenden Ausschnitts des sensorisch erfassten Fahrzeugumfelds in longitudinal abgegrenzte Bereiche verwendet worden ist, können die einander zugeordneten Feature-Gruppen einander insbesondere in dem Sinne entsprechen, dass sie einander entsprechenden Bereichen zugeordnet sind.
Ein weiterer Schritt ist das Bestimmen der Validität der geschätzten Position des Fahrzeugs auf der Basis eines Vergleichs von Positionen einer Anzahl der nicht aussortierten ersten Feature-Gruppen mit Positionen der jeweils zugeordneten zweiten Feature-Gruppen. Dabei werden die Positionen der ersten und zweiten Feature-Gruppen bevorzugt in einem gemeinsamen Koordinatensystem verglichen, welches in einer festen Beziehung zu der digitalen Karte steht. Das Bestimmen der Gültigkeit der geschätzten Position erfolgt somit durch einen Abgleich von ersten Features, die aufgrund der Karteninformationen erwartet werden und zweiten Features, die mittels der Umfeldsensorik erfasst werden.
In Übereinstimmung mit dem Vorstehenden kann die Validität der geschätzten Position z.B. in der Weise bestimmt wird, dass ausgehend von der (hypothetischen) Annahme, dass die geschätzte Position korrekt wäre, die Positionen der Anzahl der ersten Feature-Gruppen mit den Positionen der jeweils zugeordneten zweiten Feature- Gruppen in einem gemeinsamen Koordinatensystem verglichen werden.
Dabei kann vorgesehen sein, dass die geschätzte Position bestätigt (d.h. positiv validiert) wird, wenn die Positionen aller einander zugeordneten Feature-Gruppen sich um weniger als eine vorbestimmte Distanz (wie z.B. 50 cm oder 1 m) unterscheiden.
Gemäß einer Ausführungsvariante können als Kriterien für die Bewertung von Positionsabweichungen in longitudinaler bzw. lateraler Richtung auch unterschiedliche vorbestimmte Distanzen vorgesehen sein. So kann z.B. vorgesehen sein, dass die geschätzte Position bestätigt wird, wenn ein lateraler Abstand zwischen den einander zugeordneten Feature-Gruppen nicht größer als 50 cm ist und wenn ein longitudinaler Abstand zwischen den einander zugeordneten Feature-Gruppen nicht größer als 1 Meter ist.
Mit der Angabe, dass es sich um eine oder mehrere vorbestimmte Distanzen handelt, soll nicht etwa ausgedrückt werden, dass diese nicht manuell oder automatisch entsprechend einem Algorithmus veränderbar wäre. Vielmehr soll ausgesagt werden, dass der Positionsabgleich zwischen den einander zugeordneten Feature-Gruppen im Rahmen der Validierung jeweils in Bezug auf eine in diesem konkreten Zusammenhang vorbestimmte Distanz erfolgt. Damit ist aber nicht ausgeschlossen, dass der Wert der Distanz im Laufe der Zeit oder für bestimmte räumliche Bereiche oder in Abhängigkeit von anderen Parametern zweckmäßig angepasst werden kann.
Gemäß einerweiteren Ausführungsform kann die Entscheidung, ob die Anordnung der einander zugeordneten Feature-Gruppen zu einer Positionsschätzung passt, auch anhand einer statistischen Betrachtung getroffen werden. So kann z.B. vorgesehen sein, dass die geschätzte Position bestätigt wird, wenn die Positionen wenigstens eines definierten Anteils (wie z.B. mindestens 90%) der einander zugeordneten Feature- Gruppen sich um weniger als eine vorbestimmte Distanz (ggf. unterschieden nach lateraler und longitudinaler Richtung, wie oben beschrieben) unterscheiden.
Eine optionale Weiterbildung sieht ferner vor, dass die statistische Betrachtung auch eine Abstandsverteilung berücksichtigt. Beispielsweise kann vorgesehen sein, dass als Voraussetzung für eine Bestätigung der geschätzten Position wenigstens 60% der betrachteten Paare von einander zugeordneten ersten und zweiten Feature-Gruppen nicht weiter als 30 cm voneinander entfernt sein dürfen und dass zugleich wenigstens 90% der Paare nicht weiter als 60 cm voneinander entfernt sein dürfen.
Es wird ferner darauf hingewiesen, dass im Rahmen der Validierung der (ggf. statistische) Abgleich der Positionen der einander zugeordneten Feature-Gruppen jeweils mit Bezug auf eine bestimmte Gesamtheit von Feature-Gruppen erfolgen kann, welche z.B. einem momentan betrachteten Kartenausschnitt entsprechen kann. So kann z.B. ein Kartenausschnitt betrachtet werden, der sich über eine Länge von 20-40 Meter (longitudinal) entlang der Fahrbahn erstreckt. Dies würde bei einer definierten Länge der einzelnen Bereiche von 1 Meter dazu führen, dass dem Abgleich eine Gesamtheit von maximal 20-40 Feature-Gruppen zu Grunde gelegt wird. Wenn z.B. 90% dieser Feature-Gruppen übereinstimmen (d.h. nicht weiter als um eine vorbestimmte Distanz auseinanderliegen), wird die geschätzte Position validiert, wie bereits weiter oben beispielhaft ausgeführt wurde.
Es liegt auch im Rahmen der Erfindung, dass in einem optionalen weiteren Schritt zunächst überprüft werden kann, ob nach dem Aussortieren einiger erster und/oder zweiter Feature- Gruppen noch eine ausreichende Anzahl von Feature-Gruppen, die einander zugeordnet werden können, verbleibt. So kann z.B. vorgesehen sein, dass die geschätzte Position nicht bestätigt wird, wenn lediglich eine Anzahl von einander zuordenbaren Feature-Gruppen verbleibt, die auf der Karte einer Länge von weniger als 10 Meter (oder eine andere vorbestimmte Distanz) entsprechen. Es kann z.B. als eine notwendige Voraussetzung für eine Bestätigung der Position vorgesehen sein, dass die einander zuordenbaren Features eine Fahrbahnlänge von wenigstens 10 Meter (oder eine andere vorbestimmte Distanz) abdecken müssen.
Die Erfindung geht von dem Gedanken aus, dass die Zuverlässigkeit der Validierung einer geschätzten Fahrzeugposition verbessert und insbesondere die Wahrscheinlichkeit von falschen Bestätigungen verringert werden kann, indem gezielt verhindert wird, dass solche Features aus einer digitalen Karte und/oder aus Umfeldsensordaten für die Bestimmung der Validität der Positionsschätzung verwendet werden, die bei einem Abgleich von digitaler Karte und Umfeldsensordaten zu Ambiguitäten (d.h. Mehrdeutigkeiten) führen könnten.
Erfindungsgemäß ist deshalb vorgesehen, dass erste und/oder zweite Feature-Gruppen, deren jeweilige maximale laterale Ausdehnung einen vorbestimmten Wert überschreitet aussortiert werden, sodass sie bei der Bestimmung der Validität nicht herangezogen werden und das Ergebnis nicht verfälschen können.
Dies kann beispielsweise lateral sehr weit ausgedehnte Objekte am Fahrbahnrand betreffen. Ferner können mehrere lateral voneinander beabstandete Objekte betroffen sein, die sich in der Weise überlappen, dass sie einen gemeinsamen longitudinalen Erstreckungsbereich haben. Durch die Eibeziehung solcher Objekte bei der Validierung insbesondere einer geschätzten lateralen Position könnte nämlich eine unerwünschte Mehrdeutigkeit entstehen. Verfahrensgemäß können Features, die solchen Objekten entsprechen, aussortiert werden, sodass die potenzielle Ambiguität bei der Bestimmung der Validität der geschätzten Position nicht zum Tragen kommen kann. Mit anderen Worten sieht das Verfahren also vor, eine Teilmenge der in den Kartendaten und in den Umfeldsensordaten vorliegenden Objektinformationen zu bestimmen, welche für eine Bestimmung der Validität der geschätzten Position nicht herangezogen werden soll. Das Validieren der geschätzten Position erfolgt sodann nur anhand der übrigen Objektinformationen.
Gemäß einer vorteilhaften Ausführungsform wird das Verfahren für Features, die auf Objekte auf unterschiedlichen Fahrbahnseiten hindeuten, separat ausgeführt wird. Mit anderen Worten können sämtliche Verfahrensschritte einerseits für Features, die auf Objekte am linken Fahrbahnrand hinweisen, ausgeführt werden und unabhängig davon für Features, die auf Objekte am rechten Fahrbahnrand hinweisen. Dementsprechend können auf der Softwareebene separate Validatoren implementiert sein, wobei ein Validator nur Objektinformationen vom linken Fahrbahnrand und ein separater Validator nur Objektinformationen vom rechten Fahrbahnrand zu Grunde legt.
Auf diese Weise kann verhindert werden, dass Ambiguitäten, die durch eine bestimmte Art oder Anordnung von Objekten auf einer Fahrbahnseite eingeführt werden, die Verwertung von Objektinformationen bezüglich der anderen Fahrbahnseite unnötigerweise beeinträchtigen. Es kann z.B. Vorkommen, dass über eine gewisse Fahrbahnlänge Objekte am rechten Fahrbahnrand für eine Positionsvalidierung ungeeignet sind. In einem solchen Fall kann es jedoch sinnvoll sein, die Objektinformationen, die sich auf den linken Fahrbahnrand für die Validierung dennoch heranzuziehen.
Beispielsweise kann vorgesehen sein, dass das Ergebnis der Bestimmung der Validität der Positionsschätzung insgesamt positiv ausfällt, wenn ein erster Validator, der Objektinformationen vom rechten Fahrbahnrand verwendet, die Positionsschätzung bestätigt und wenn zugleich ein zweiter Validator, der Objektinformationen vom linken Fahrbahnrand verwendet, keine Aussage trifft, z.B. weil nicht genügend verwertbare Features am rechten Fahrbahnrand erfasst werden.
Ferner kann z.B. vorgesehen sein, dass das Ergebnis der Bestimmung der Validität der geschätzten Fahrzeugposition neutral ist (d.h. es wird weder eine Bestätigung noch eine klare Falsifikation ausgegeben), falls der erste Validator die Positionsschätzung bestätigt und der zweite Validator die Positionsschätzung ausdrücklich nicht bestätigt (d.h. die Positionsschätzung falsifiziert). Es liegt auch im Rahmen der Erfindung, dass für den oben beschriebenen Schritt des Aussortierens die ersten Features und/oder die zweiten Features, die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, zusätzlich auch als Teil derjenigen ersten bzw. zweiten Feature- Gruppen betrachtet werden, die jeweiligen longitudinal benachbarten Bereichen zugeordnet sind. Mit anderen Worten werden bei dieser Ausführungsvariante die jeweiligen Features für den Schritt des Aussortierens jeweils auch in benachbarte „Buckets“ geworfen. Hierdurch werden die entsprechenden Objekte, auf die die Features hinweisen, sozusagen virtuell verlängert. Legt man beispielsweise Bereiche (Buckets) mit einer jeweiligen Länge von 1 Meter zu Grunde, so resultiert eine virtuelle Verlängerung um 2 Meter. Auf diese Weise kann z.B. einer longitudinaler Messtoleranz Rechnung getragen werden.
Gemäß einer Ausführungsform stellen die digitale Karte und die Sensorinformationen jeweils auch Höheninformationen über die (ersten bzw. zweiten) Features bereit. Dabei werden solche Features, deren Höhe sich wenigstens um eine vorbestimmte Höhendifferenz unterscheidet, nicht einer selben Feature-Gruppe zugeordnet.
Die Feature-Höhe kann demnach als ein mögliches Unterscheidungsmerkmal verwendet werden, welches eine mögliche Ambiguität auflösen kann. Beispielsweise können eine Graskante und eine Leitplanke, die sich in ein und demselben Bereich parallel entlang des Fahrbahnrands erstrecken, anhand der Höhe unterschieden werden, sodass sie keine Ambiguität einführen, die die Zuverlässigkeit der Validierung der geschätzten Position beeinträchtigen könnte.
Im Einklang mit dem Vorstehenden kann ein verwendeter Algorithmus also insbesondere auf einer 2D-Darstellung oder auf einer 3D-Darstellung des Fahrzeugumfelds basieren. Eine 2D- Darstellung kann dabei den Vorteil haben, dass sie mit geringere Rechenressourcen auskommt. Bei einer 3D-Darstellung kann die Gruppierung der Features nicht nur für jede Längsposition, sondern auch für jede Höhe erfolgen, sodass ggf. insgesamt mehr Features für die Validierung verwertet werden können.
Das Schätzen und/oder das Validieren der Position des Fahrzeugs kann z.B. wenigstens teilweise mittels maschinellem Lernen ausgeführt werden. Beispielsweise kann das Schätzen der Position und/oder das Validieren der Position mittels eines künstlichen neuronalen Netzwerks oder eines anderen maschinell lernfähigen Systems erfolgen. Wenn maschinelles Lernen verwendet wird, ist für eine gute Absicherung eine ausreichende Datenbasis und eine geeignete „Ground Truth“ erforderlich. Als Datensatz können z.B. die Daten von Testfahrten mit Millionen von Kilometern benutzt werden. Diese Daten können zu Testzwecken z.B. absichtlich mit gefälschten Positionsschätzungen verknüpft werden, die der LiDAR-basierte Validator zurückweisen muss, sowie mit (z.B. von einem Referenz- DG PS-Sensor empfangenen) Ground-Truth-Positionen, die der Validator als richtig bestätigen muss.
Das Verfahren kann weiter verbessert werden, indem eine Pose des Fahrzeugs bestimmt, d.h. in der erfindungsgemäß vorgeschlagenen Weise geschätzt und validiert, wird. Eine Pose umfasst zusätzlich zu der Position des Fahrzeugs eine Ausrichtung des Fahrzeugs (z.B. eine Ausrichtung relativ zu einer oder mehreren Fahrspurbegrenzungen). Die Position kann dabei beispielsweise in kartesischen Koordinaten entlang eines Rechtssystems zweier oder dreier Achsen angegeben werden und die Ausrichtung als Drehwinkel um diese Achsen.
Gemäß einem zweiten Aspekt der Erfindung wird eine Verarbeitungseinrichtung vorgeschlagen, wobei die Verarbeitungseinrichtung zum Durchführen eines Verfahrens gemäß dem ersten Erfindungsaspekt ausgelegt ist. Merkmale oder Vorteile des Verfahrens können dementsprechend auf die Verarbeitungseinrichtung übertragen werden oder umgekehrt.
Die Verarbeitungseinrichtung kann z.B. Teil eines Steuerungssystems des Fahrzeugs sein, welches einen oder mehrere Prozessoren (wie z.B. CPUs und/oder GPUs) umfasst, auf welchen die nötigen Rechenoperationen zur Durchführung des Verfahrens ablaufen.
Es können auch unterschiedliche Verarbeitungseinrichtungen verwendet werden, etwa eine dedizierte Verarbeitungseinrichtung zum Schätzen einer der Position und eine weitere Verarbeitungseinrichtung zum Validieren der Position.
Beispielsweise kann das Fahrzeug, dessen Position validiert werden soll, eine Verarbeitungseinrichtung gemäß dem zweiten Aspekt aufweisen.
Das Fahrzeug umfasst dabei bevorzugt einen Antriebsmotor und ist ein Kraftfahrzeug, insbesondere ein straßengebundenes Kraftfahrzeug. Das Kraftfahrzeug kann in Längsrichtung zum Beispiel durch Beeinflussen des Antriebsmotors oder einer Bremseinrichtung gesteuert werden.
Bevorzugt ist das Fahrzeug zum wenigstens teilweise automatisierten Fahren, bis hin zum hochautomatisierten oder sogar autonomen Fahren eingerichtet.
Beispielsweise kann eine Fahrfunktion des Fahrzeugs in Abhängigkeit der geschätzten und validierten Position gesteuert werden. Die Fahrfunktion kann insbesondere eine Längs- und/oder Quersteuerung des Fahrzeugs bewirken, etwa in Form eines Geschwindigkeitsassistenten oder eines Spurhalteassistenten. Die geschätzte und validierte Position kann dabei ein sicherheitsrelevanter Parameter des Fahrzeugs sein und sich z.B. in Längs- und/oder Querrichtung des Fahrzeugs bemessen.
Ein dritter Aspekt betrifft ein Computerprogramm, welches Befehle umfasst, die bei der Ausführung des Computerprogramms durch eine Verarbeitungseinrichtung diese veranlassen, ein Verfahren gemäß dem zweiten Erfindungsaspekt auszuführen.
Ein vierter Aspekt der Erfindung betrifft ein computerlesbares (Speicher)medium, welches Befehle umfasst, die bei der Ausführung durch eine Verarbeitungseinrichtung diese veranlassen, ein Verfahren gemäß dem ersten Aspekt auszuführen.
Es versteht sich dabei, dass die vorstehend im Zusammenhang mit dem dritten und vierten Erfindungsaspekt genannte Verarbeitungseinrichtung insbesondere eine Verarbeitungseinrichtung gemäß dem zweiten Erfindungsaspekt sein kann.
Beispielsweise kann die Verarbeitungseinrichtung einen programmierbaren Mikrocomputer oder Mikrocontroller umfassen und das Verfahren kann in Form eines Computerprogrammprodukts mit Programmcodemitteln vorliegen. Das Computerprogrammprodukt kann auch auf einem computerlesbaren Datenträger abgespeichert sein.
Die Erfindung wird nun anhand von Ausführungsbeispielen sowie unter Bezugnahme auf die beigefügten Zeichnungen näher erläutert. Dabei sind die in der Beschreibung genannten und/oder in den Zeichnungen alleine gezeigten Merkmale und Merkmalskombinationen nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen. Fig. 1A zeigt schematisch und bespielhaft einen Ausschnitt einer digitalen Karte mit einer Anzahl von ersten Features, die auf Objekte im Umfeld eines Fahrzeugs hinweisen.
Fig. 1 B zeigt schematisch und bespielhaft eine Anzahl sensorisch erfasster zweiter Features, die auf Objekte im Umfeld des Fahrzeugs hinweisen.
Fig. 2A zeigt den Kartenausschnitt aus Fig. 1A, wobei einer alternativen Gruppierung der ersten Features in Feature-Gruppen zugrunde gelegt ist.
Fig. 2B zeigt die sensorisch erfassten zweiten Features aus Fig. 1B, wobei einer alternativen Gruppierung der zweiten Features in Feature-Gruppen zugrunde gelegt ist.
Fig. 3 zeigt ein schematisches Ablaufdiagramm eines computerimplementierten
Verfahrens zum Bestimmen der Validität einer geschätzten Fahrzeugposition.
Die Figuren 1A-2B beziehen sich auf ein Beispielszenario, in welchem die Validität einer geschätzten Position eines Kraftfahrzeugs 105 anhand von Objekten 310-370, die sich neben einer Fahrbahn befinden, bestimmt wird.
Im Folgenden wird die Erfindung exemplarisch anhand dieses Beispielszenarios erläutert, wobei sogleich auch auf die Figur 3 Bezug genommen wird, die ein schematisches Ablaufdiagramm eines erfindungsgemäßen Verfahrens 200 zeigt.
Das Fahrzeug 105 ist zum automatisierten Fahren eingerichtet. Hierfür muss es in der Lage sein, seine Position, insbesondere in Bezug auf Fahrspurbegrenzungen und Objekte im Fahrzeugumfeld, zu bestimmen. Eine Fahrfunktion des Fahrzeugs 105 kann dann in Abhängigkeit der bestimmten Position automatisch gesteuert werden. Die Fahrfunktion kann insbesondere eine automatische Längs- und/oder Quersteuerung des Fahrzeugs 105 bewirken.
Das Fahrzeug 105 ist mit einer Umfeldsensorik ausgestattet, wobei in den Figuren 1A-2B exemplarisch jeweils nur ein Umfeldsensor in Form eines LiDAR-Sensors 1151 dargestellt ist. Darüber hinaus kann die Umfeldsensorik des Fahrzeugs 105 beispielsweise einen oder mehrere Kameras und einen oder mehrere RADAR-Sensoren umfassen. Ferner kann eine in den Figuren nicht explizit dargestellte Empfangsvorrichtung für ein globales Satellitennavigationssystem und/oder ein Odometer zur Bereitstellung von Odometriedaten vorgesehen sein.
Weiterhin ist in dem Fahrzeug 105 eine Verarbeitungseinrichtung 120 angeordnet. Die Verarbeitungseinrichtung 120 kann z.B. Teil eines Steuerungssystems für die automatisierten Fahrfunktionen des Fahrzeugs 105 sein. Dabei umfasst die Verarbeitungseinrichtung 120 einen oder mehrere Prozessoren (wie z.B. CPUs und/oder GPUs), auf welchen die nötigen Rechenoperationen zur Durchführung eines Verfahrens 200 zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs 105 ablaufen.
Schritte des Verfahrens 200 sind in Fig. 3 schematisch veranschaulicht. Im Folgenden werden die einzelnen Verfahrensschritte 205-250 unter Bezugnahme auf die Fig. 1A- 2B beispielhaft erläutert.
In einem Schritt 205 wird eine digitale Karte seitens der Verarbeitungseinrichtung 120 bzw. seitens eines Softwaremoduls, das von der Verarbeitungseinrichtung 120 ausgeführt wird, empfangen. Die digitale Karte wird bei dem vorliegenden Ausführungsbeispiel von einem digitalen Kartenspeicher 125 bereitgestellt, welcher in dem Fahrzeug 105 angeordnet und kommunikativ mit der Verarbeitungseinrichtung 120 verbunden ist.
Das Empfangen der digitalen Karte umfasst konkret das Laden eines relevanten Kartenausschnitts, der relevante Karteninformationen über das Fahrzeugumfeld enthält. Der Kartenausschnitt kann beispielsweise eine Fahrbahnlänge von 40 Metern abdecken.
Einige der empfangenen Karteninformationen sind in Fig. 1A bildlich dargestellt. Der geladene Kartenausschnitt zeigt demnach insbesondere eine Fahrbahn samt Fahrspurbegrenzungen sowie mehrere Objekte 310, 320, 330, 340, 350, 360, 370, die sich gemäß den Karteninformationen links und rechts neben der Fahrbahn am Fahrbahnrand befinden.
Beispielsweise kann unter den Objekten eine Leitplanke 310 sein, die sich longitudinal entlang der Fahrbahn erstreckt, wie auf der linken Seite in Fig. 1A gezeigt. Unter den schematisch dargestellten Objekten 320-370, die sich rechts von der Fahrbahn befinden, können beispielsweise Abschnitte einer Leiplanke, einer Graskante, einer Lärmschutzwand oder dergleichen sein. Auch Bäume, Büsche, Straßenlaternen Brückenpfeiler usw. können unter den Objekten 320-370 sein.
Die digitale Karte kann z.B. wenigstens teilweise auf sensorisch erfassten Daten beruhen, welche bei einer oder mehreren Erkundungsfahrten eines Erkundungsfahrzeugs eines Service- Providers der digitalen Karte aufgezeichnet wurden. Dabei kann die digitale Karte z.B. mehrere Schichten enthalten, wobei die verschiedenen Schichten Features enthalten, die mittels unterschiedlichen Umfeldsensoren des Fahrzeugs 105 erkannt werden können.
Im Folgenden wird davon ausgegangen, dass unter den in der digitalen Karte gemäß Fig. 1A gezeigten Objekte 310-370 wenigstens einige Objekte sind, die im Fahrzeugumfeld prinzipiell mittels des LiDAR-Sensors 1151 erfasst werden können.
In einem weiteren Schritt 210 wird seitens der Verarbeitungseinrichtung bzw. des Softwaremoduls eine geschätzte Position des Fahrzeugs 105 empfangen. Die geschätzte Position ist eine Position in der digitalen Karte oder jedenfalls einer Position in der digitalen Karte zuordenbar ist. Bei dem vorliegenden Beispiel entspricht die geschätzte Fahrzeugposition der Position in der digitalen Karte, an welcher das Fahrzeug 105 in Fig. 1A eingezeichnet ist.
Das Fahrzeug 105 befindet sich entsprechend der Positionsschätzung auf der linken Fahrspur. Die Positionsschätzung kann jedoch mit einer gewissen Unsicherheit behaftet sein und soll daher im Rahmen der weiteren Verfahrensschritte möglichst zuverlässig anhand von Informationen, die der LiDAR-Sensor 1151 bereitstellt, validiert werden.
Ein weiterer Schritt 215 ist das Erkennen einer Anzahl von ersten Features 400 in der digitalen Karte, welche auf die neben der Fahrbahn befindlichen Objekte 310-370 hinweisen. Die ersten Features liegen in Form von Datenpunkten vor, die insgesamt die Objekte 310- 370 beschreiben. In Fig. 1A wird dies durch eine gepunktete Darstellung der Objekte 310- 370 schematisch verdeutlicht.
Es ist dabei auch möglich, dass die digitale Karte die Objekte 310-370 zunächst in Form von kontinuierlichen Strukturen, wie z.B. Flächen oder Linien, enthält, und dass diese Strukturen für die weitere Verarbeitung durch Sampling in eine Gesamtheit von einzelnen Datenpunkten werden. In einem weiteren Schritt 220 werden die ersten Features 400 in eine Anzahl von ersten Feature-Gruppen 405-470 gruppiert. Dies geschieht in der Weise, dass alle ersten Features 400, die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, einer dem jeweiligen Bereich zugeordneten ersten Feature-Gruppe 405-470 angehören.
Konkret werden bei dem vorliegenden Ausführungsbeispiel mehrere zusammenhängende Bereiche definiert, die sich jeweils über eine vorbestimmte Länge L (z.B. 1 Meter) longitudinal entlang der Fahrbahn erstrecken. In Fig. 1A wird dies durch mehrere horizontale gestrichelte Linien verdeutlicht, die jeweils einen solchen streifenförmigen Bereich begrenzen.
Alle ersten Features 400, die sich in einem jeweiligen Bereich befinden, werden derselben ersten Feature-Gruppe 405-470 zugeordnet. In Fig. 1A beziehen sich die Bezugszeichen 405-470 also nicht auf die unterschiedlichen Bereiche an sich, sondern auf die entsprechenden Feature-Gruppen, die alle Features 400 enthalten, die sich in einem jeweiligen Bereich befinden.
Beispielsweise gehören sämtliche Features (Datenpunkte) 400, die das Objekt 340 beschreiben, derselben Feature-Gruppe 425 an, da sie sich alle in demselben streifenförmigen Bereich befinden. Im Gegensatz dazu sind z.B. die Features 400, die das Objekt 360 beschreiben, auf drei benachbarte Feature-Gruppen 445, 450, 455 aufgeteilt, da sie sich über drei benachbarte Bereiche erstrecken. Die Feature-Gruppe 410 enthält sowohl Features 400, die das Objekt 320 beschreiben als auch Features 400, die das Objekt 330 beschreiben. Auf der linken Seite der Fahrbahn erstreckt sich das Objekt 310 ebenfalls über mehrere Bereiche und damit Feature-Gruppen, wobei hier nur eine Feature- Gruppe 470 exemplarisch mit einem Bezugszeichen versehen ist.
Ein weiterer Schritt ist das Empfangen 225 von Sensorinformationen über das Fahrzeugumfeld. Bei dem vorliegenden Ausführungsbeispiel werden die Sensorinformationen mittels des LiDAR-Sensors 1151 erzeugt und an die Verarbeitungseinrichtung 120 übermittelt.
In einem weiteren Schritt 230, der im Folgenden mit Bezug auf Fig. 1 B erläutert werden soll, wird mittels der Verarbeitungseinrichtung 120 in den Sensorinformationen eine Anzahl von zweiten Features 500 erkannt. Die zweiten Features 500 weisen bei dem vorliegenden Ausführungsbeispiel auf einige Objekte 310, 320, 330, 340, 360, 370 aus der Gesamtheit von Objekten 310-370 hin, welche auch in der digitalen Karte gemäß Fig. 1A verzeichnet sind. Das in der digitalen Karte verzeichnete Objekt 350 ist jedoch durch den LiDAR-Sensor 1151 vorliegend nicht erfasst worden. Ein Grund hierfür kann z.B. sein, dass das Objekt 350 seiner Beschaffenheit nach nicht oder nur schwer mittels LiDAR erkennbar ist oder dass das Objekt 350 tatsächlich nicht im Fahrzeugumfeld vorhanden ist, etwa weil die digitale Karte insoweit nicht mehr aktuell ist.
Ähnlich wie die ersten Features 400 liegen auch die zweiten Features 500 in Form von Datenpunkten vor. Dabei kann z.B. jeder einzelne Datenpunkt 500 einem durch den LiDAR- Sensor 1151 erfassten Messpunkt entsprechen. Jeder Datenpunkt 500 hat eine eindeutige Position in Bezug auf das Fahrzeug 105, wie in Fig. 1 B veranschaulicht.
Ein weiterer Schritt 235 ist das Gruppieren der zweiten Features 500 in eine Anzahl von zweiten Feature-Gruppen 505-570 in der Weise, dass alle zweiten Features 500, die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, einer dem jeweiligen Bereich zugeordneten zweiten Feature-Gruppe 505-570 angehören.
Das Gruppieren 235 der zweiten Features 500 kann ganz analog zu dem Gruppieren 220 der ersten Features 400 ausgeführt werden. Beispielsweise können, wie vorstehend bereits mit Bezug auf das Gruppieren 220 der ersten Features 400 beschrieben, mehrere zusammenhängende streifenförmige Bereiche definiert werden, die sich jeweils über eine vorbestimmte Länge L (z.B. 1 Meter) entlang der Fahrbahn erstrecken. Sämtliche zweite Features 500, die sich in einem solchen Bereich befinden können dann einer selben zweiten Feature-Gruppe 505-570 zugeordnet werden. Im Ergebnis entstehen so mehrere zweite Feature-Gruppen 505-570, die jeweils zweite Features 500 enthalten, welche sich in den jeweils zugeordneten Bereichen befinden.
Die Aufteilung in Bereiche, die jeweils eine definierte longitudinale Begrenzung haben, ist bei dem hier beschriebenen Ausführungsbeispiel dieselbe, die bereits beim Gruppieren 220 der ersten Features 400 verwendet worden ist. Wie eingangs erwähnt, kann man sich die Aufteilung der ersten und zweiten Features 400, 500 bei der Gruppierung in entsprechende Feature-Gruppen 405-470, 505-507 bildlich in der Weise veranschaulichen, dass die Features 400, 500 in mehrere Buckets (entsprechend den unterschiedlichen Bereichen) geworfen werden. In einem weiteren Schritt 240 werden einige erste und/oder zweite Feature-Gruppen 410, 425, 510, 525 aussortiert, sodass sie im Rahmen der nachfolgenden Verfahrensschritte für das Validieren der geschätzten Fahrzeugposition nicht herangezogen werden.
Konkret können z.B. alle ersten Feature-Gruppen 410, 425, deren maximale laterale Ausdehnung einen ersten vorbestimmten Wert B1 (z.B. 1 Meter) überschreitet, aussortiert werden.
In Fig. 1A sind die anhand dieses Kriteriums aussortierten Feature-Gruppen 410, 425 mit einem dunklen „X“ markiert. Nicht aussortierte Feature-Gruppen 405, 415, 435-470 sind mit einem dunklen Haken versehen. Ein helles „X“ markiert jeweils Bereiche, in denen gar keine ersten Features vorhanden sind, die für das Validieren der geschätzten Fahrzeugposition verwendet werden könnten.
Beispielsweise gehören die Features der aussortierten Feature-Gruppe 410 zu zwei unterschiedlichen länglichen Objekten 320, 330, die sich in dem der Feature-Gruppe 410 zugeordneten Bereich in der Weise überlappen, dass sie einen gemeinsamen longitudinalen Erstreckungsbereich haben. Ein maximaler lateraler (d.h. quer zu der Fahrbahn gemessener) Abstand von ersten Features 400 der beiden Objekte 320, 330 überschreitet dabei den ersten vorbestimmten Wert B1, was zum Aussortieren der Feature-Gruppe 410 führt.
Die aussortierte Feature-Gruppe 425 gehört zu einem einzigen Objekt 340, dessen laterale Ausdehnung größer als der erste vorbestimmte Wert B1 ist.
Zusätzlich oder alternativ zum Aussortieren einiger erster Feature-Gruppen 410, 425 können in ganz analoger Weise auch alle zweite Feature-Gruppen 510, 525, deren maximale laterale Ausdehnung einen zweiten vorbestimmen Wert B2 überschreitet, aussortiert werden. Dies ist in Fig. 1 B verdeutlicht, wo die aussortierten zweiten Feature-Gruppen 510, 525 wiederum mit einem dunklen „X“ gekennzeichnet sind. Der zweite Wert B2 kann dabei identisch mit dem ersten Wert B1 sein.
Durch das Aussortieren 240 der genannten Feature-Gruppen 410, 425, 510, 525 kann verhindert werden, dass für Validierung insbesondere einer geschätzten lateralen Position eine unerwünschte Mehrdeutigkeit entsteht.
Die Fig. 2A und 2B veranschaulicht eine Ausführungsvariante des Aussortier-Schritts 240, wobei für die Zwecke des Aussortierens 240 die ersten Features 400 und/oder die zweiten Features 500, die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, zusätzlich auch als Teil derjenigen ersten bzw. zweiten Feature-Gruppen 405, 415, 445-470, 505, 515, 545- 570 betrachtet werden, die jeweiligen longitudinal benachbarten Bereichen zugeordnet sind. Hiervon ausgehend werden sodann dieselben Kriterien hinsichtlich der lateralen Ausdehnung der Feature-Gruppen angewendet wie oben mit Bezug auf Fig. 1A und 1B beschrieben. Bei dieser Variante werden folglich z.B. auch die ersten Feature-Gruppen 405 und 415 sowie die entsprechenden zweiten Feature-Gruppen 505 und 515 aussortiert.
Bei dieser Ausführungsvariante werden die jeweiligen Features 400, 500 für den Schritt 240 des Aussortierens also bildlich gesprochen jeweils auch in benachbarte Buckets geworfen. Hierdurch werden die entsprechenden Objekte 320-370, auf die die Features 400, 500 hinweisen, sozusagen virtuell verlängert. Legt man beispielsweise Bereiche (Buckets) mit einer jeweiligen Länge von 1 Meter zu Grunde, so resultiert eine virtuelle longitudinale Verlängerung um 2 Meter. Auf diese Weise kann z.B. einer longitudinaler Messtoleranz Rechnung getragen werden.
Ein weiterer Schritt 245 ist das Zuordnen wenigstens einiger der nicht aussortierten ersten Feature-Gruppen 405, 415, 445-470 zu einer jeweiligen nicht aussortierten zweiten Feature- Gruppe 505, 515, 545-570. Dabei können insbesondere solche ersten und zweiten Feature- Gruppen einander zugeordnet werden, welche einander in dem Sinne entsprechen, dass angenommen werden kann, dass sie dasselbe Objekt oder dieselben Teile eines Objekts in der digitalen Karte bzw. im Fahrzeugumfeld beschreiben.
Bei dem vorliegenden Ausführungsbeispiel wurde beim Gruppieren 220, 235 der ersten bzw. zweiten Features 400, 500 dieselbe Aufteilung der digitalen Karte (vgl. Fig. 1A bzw. Fig. 2A) bzw. des Ausschnitts des sensorisch erfassten Fahrzeugumfelds (vgl. Fig. 1B bzw. Fig. 2B) in longitudinal abgegrenzte Bereiche verwendet, und die einander zugeordneten Feature- Gruppen 405, 415, 445-470, 505, 515, 545-570 entsprechen einander in dem Sinne, dass sie einander entsprechenden Bereichen zugeordnet sind. So wird z.B. die erste Feature-Gruppe 405 der zweiten Feature-Gruppe 505 zugeordnet, die erste Feature-Gruppe 410 wird der zweiten Feature-Grupp 510 zugeordnet usw.
Ein weiterer Schritt 250 ist das Bestimmen der Validität der geschätzten Position des Fahrzeugs 105 auf der Basis eines Vergleichs von Positionen einer Anzahl der nicht aussortierten ersten Feature-Gruppen 405, 415, 445-470 mit Positionen der jeweils zugeordneten zweiten Feature-Gruppen 505, 515, 545-570. Das Bestimmen der Gültigkeit der geschätzten Position erfolgt somit durch einen Abgleich der Positionen von ersten Features 400, die aufgrund der Karteninformationen (vgl. Fig. 1A bzw. Fig.
2A) erwartet werden und der Positionen von zweiten Features 500 (vgl. Fig. 1B bzw.
Fig. 2B), die mittels der Umfeldsensorik 1151 erfasst werden.
Die Validität der geschätzten Position wird bei dem Ausführungsbeispiel gemäß den Fig. 1A-B in der Weise bestimmt, dass ausgehend von der Annahme, dass die geschätzte Position korrekt wäre, die Positionen der Anzahl der ersten Feature- Gruppen 405, 415, 445-470 mit den Positionen der jeweils zugeordneten zweiten Feature-Gruppen 505, 515, 545-570 in einem gemeinsamen Koordinatensystem verglichen werden.
Bei der Ausführungsvariante gemäß Fig. 2A-B werden demgegenüber - aufgrund des abgewandelten Gruppierens/Aussortierens - auf der rechten Seite nur die Feature- Gruppen 435, 445, 450 und 465 für den Positionsvergleich herangezogen.
Es kann z.B. vorgesehen sein, dass die geschätzte Fahrzeugposition bestätigt wird, wenn die Positionen aller einander zugeordneten Feature-Gruppen 405, 415, 445-470,
505, 515, 545-570 sich um weniger als eine vorbestimmte Distanz (wie z.B. 50 cm oder 1 m) unterscheiden.
Für die Bewertung von Positionsabweichungen in longitudinaler bzw. lateraler Richtung können auch unterschiedliche vorbestimmte Distanzen vorgesehen sein. So kann z.B. vorgesehen sein, dass die geschätzte Position bestätigt wird, wenn ein lateraler Abstand zwischen den jeweiligen einander zugeordneten Feature-Gruppen 405, 415, 445-470, 505, 515, 545-570 nicht größer als 50 cm ist und wenn ein longitudinaler Abstand zwischen den jeweiligen einander zugeordneten Feature-Gruppen 405, 415, 445-470, 505, 515, 545-570 nicht größer als 1 Meter ist. Augenscheinlich ist dies beim Vergleich der Fig. 1A und 1B bzw. der Fig. 2A und 2B der Fall, sodass in dem vorliegenden Beispielszenario die geschätzten Fahrzeugposition durch den LiDAR- Validator bestätigt würde.
Die Entscheidung, ob die Anordnung der einander zugeordneten Feature-Gruppen 405, 415, 445-470, 505, 515, 545-570 zu einer Positionsschätzung passen, kann auch anhand einer statistischen Betrachtung getroffen werden. So kann z.B. vorgesehen sein, dass die geschätzte Position bestätigt wird, wenn die Positionen wenigstens eines definierten Anteils (wie z.B. mindestens 90%) der einander zugeordneten Feature- Gruppen 405, 415, 445-470, 505, 515, 545-570 sich um weniger als eine vorbestimmte Distanz (ggf. unterschieden nach lateraler und longitudinaler Richtung, wie weiter oben beschrieben) unterscheiden.
Die statistische Betrachtung kann dabei auch eine statistische Abstandsverteilung berücksichtigen. Beispielsweise kann vorgesehen sein, dass als Voraussetzung für eine Bestätigung der geschätzten Position wenigstens 60% der betrachteten Paare von einander zugeordneten ersten und zweiten Feature-Gruppen 405, 415, 445-470, 505, 515, 545-570 nicht weiter als 30 cm voneinander entfernt sein dürfen und dass zugleich wenigstens 90% der Paare nicht weiter als 60 cm voneinander entfernt sein dürfen.
Der Abgleich der Positionen der einander zugeordneten Feature-Gruppen 405, 415, 445- 470, 505, 515, 545-570 kann jeweils mit Bezug auf eine bestimmte Gesamtheit von Feature- Gruppen erfolgen kann, welche z.B. einem momentan betrachteten Kartenausschnitt entsprechen kann. So kann z.B. ein Abschnitt betrachtet werden, der sich über eine Länge von 20-40 Meter (longitudinal) entlang der Fahrbahn erstreckt. Dies würde bei einer definierten Länge der einzelnen Bereiche von 1 Meter dazu führen, dass dem Abgleich eine Gesamtheit von maximal 20-40 Feature-Gruppen zu Grunde gelegt wird. Wenn z.B. 90% dieser Feature-Gruppen übereinstimmen (d.h. nicht weiter als um eine vorbestimmte Distanz auseinanderliegen), wird die geschätzte Position validiert.
Gemäß einer vorteilhaften Ausführungsform wird das Verfahren 200 für Features 400,
500, die auf Objekte auf unterschiedlichen Fahrbahnseiten hindeuten, separat ausgeführt. Bezogen auf das vorliegende Ausführungsbeispiel können also sämtliche Verfahrensschritte einerseits für die Features 400, 500, die das Objekt 310 am linken Fahrbahnrand hinweisen, ausgeführt werden und unabhängig davon für die Features 400, 500, die auf die Objekte 320-370 am rechten Fahrbahnrand hinweisen.
Falls z.B. die am rechten Fahrbahnrand befindlichen Objekte 320-370 insgesamt für eine Positionsvalidierung ungeeignet sind, weil zu viele Feature-Gruppen aussortiert werden (vgl. z.B. Fig. 2A-B), können bei dieser Ausführungsform die Informationen über das Objekt 310 am linken Fahrbahnrand, dennoch herangezogen werden, um die geschätzte Fahrzeugposition zu validieren.

Claims

Patentansprüche
1. Computerimplementiertes Verfahren (200) zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs (105), umfassend die Schritte: a. Empfangen (205) einer digitalen Karte; b. Empfangen (210) einer geschätzten Position des Fahrzeugs (105), wobei die geschätzte Position eine Position in der digitalen Karte ist oder einer Position in der digitalen Karte zuordenbar ist; c. Erkennen (215) einer Anzahl von ersten Features (400) in der digitalen Karte, wobei die ersten Features (400) auf wenigstens ein neben einer Fahrbahn befindliches Objekt (310-370) hinweisen; d. Gruppieren (220) der ersten Features (400) in eine Anzahl von ersten Feature-Gruppen (405-470) in der Weise, dass alle ersten Features (400), die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, einer dem jeweiligen Bereich zugeordneten ersten Feature-Gruppe (405-470) angehören; e. Empfangen (225) von Sensorinformationen über ein Umfeld des Fahrzeugs (105); f. Erkennen (230) einer Anzahl von zweiten Features (500) in den Sensorinformationen, wobei die zweiten Features (500) auf wenigstens ein neben einer Fahrbahn befindliches Objekt (310-370) hinweisen; g. Gruppieren (235) der zweiten Features (500) in eine Anzahl von zweiten Feature-Gruppen (505-570) in der Weise, dass alle zweiten Features (500), die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, einer dem jeweiligen Bereich zweiten Feature-Gruppe (505-570) angehören; h. Aussortieren (240) von ersten Feature-Gruppen (410, 425), deren maximale laterale Ausdehnung einen ersten vorbestimmten Wert (B1) überschreitet und/oder Aussortieren von zweiten Feature-Gruppen (510, 525), deren maximale laterale Ausdehnung einen zweiten vorbestimmen Wert (B2) überschreitet; i. Zuordnen (245) wenigstens einiger der nicht aussortierten ersten Feature- Gruppen (405, 415, 445-470) zu einer jeweiligen nicht aussortierten zweiten Feature-Gruppe (505, 515, 545-570); j. Bestimmen (250) der Validität der geschätzten Position des Fahrzeugs (105) auf der Basis eines Vergleichs von Positionen einer Anzahl der nicht aussortierten ersten Feature-Gruppen (405, 415, 445-470) mit Positionen der jeweils zugeordneten zweiten Feature-Gruppen (505, 515, 545-570).
2. Verfahren (200) nach Anspruch 1, wobei die Validität der geschätzten Position in der Weise bestimmt (250) wird, dass ausgehend von der Annahme, dass die geschätzte Position korrekt wäre, die Positionen der Anzahl der ersten Feature-Gruppen (405, 415, 445-470) mit den Positionen der jeweils zugeordneten zweiten Feature-Gruppen (505, 515, 545-570) in einem gemeinsamen Koordinatensystem verglichen werden.
3. Verfahren (200) nach Anspruch 1 oder 2, wobei die geschätzte Position bestätigt wird, wenn die Positionen aller einander zugeordneten Feature- Gruppen (405, 415, 445-470, 505, 515, 545-570) sich um weniger als eine vorbestimmte Distanz unterscheiden.
4. Verfahren (200) nach Anspruch 1 oder 2, wobei die geschätzte Position bestätigt wird, wenn die Positionen wenigstens eines definierten Anteils der einander zugeordneten Feature-Gruppen (405, 415, 445-470, 505, 515, 545- 570) sich um weniger als eine vorbestimmte Distanz unterscheiden.
5. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei die Sensorinformationen mittels eines LiDAR-Sensors (1151) erzeugt worden sind.
6. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei das Verfahren (200) für Features, die auf Objekte (310-370) auf unterschiedlichen Fahrbahnseiten hindeuten, separat ausgeführt wird.
7. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei für das Aussortieren (240) die ersten Features (400) und/oder die zweiten Features (500), die sich in einem jeweiligen hinsichtlich seiner longitudinalen Ausdehnung definierten Bereich neben der Fahrbahn befinden, zusätzlich auch als Teil derjenigen ersten bzw. zweiten Feature-Gruppen (405, 415,
445-470, 505, 515, 545-570) betrachtet werden, die jeweiligen longitudinal benachbarten Bereichen zugeordnet sind.
8. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei die digitale Karte und die Sensorinformationen jeweils auch Höheninformationen über die Features (400, 500) bereitstellen und wobei Features (400, 500), deren Höhe sich wenigstens um eine vorbestimmte Höhendifferenz unterscheidet, nicht einer selben Feature-Gruppe zugeordnet werden.
9. Verarbeitungseinrichtung (120), wobei die Verarbeitungseinrichtung (120) zum Durchführen eines Verfahrens (200) nach einem der vorhergehenden Ansprüche ausgelegt ist.
10. Computerprogramm, umfassend Befehle, die bei der Ausführung des Computerprogramms durch eine Verarbeitungseinrichtung (120) diese veranlassen, ein Verfahren (200) nach einem der Ansprüche 1 bis 8 auszuführen.
11. Computerlesbares (Speicher)medium, umfassend Befehle, die bei der Ausführung durch eine Verarbeitungseinrichtung (120) diese veranlassen, ein Verfahren (200) nach einem der Ansprüche 1 bis 8 auszuführen.
PCT/EP2021/067885 2020-07-15 2021-06-29 Computerimplementiertes verfahren zum bestimmen der validität einer geschätzten position eines fahrzeugs Ceased WO2022012923A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/016,048 US20230280465A1 (en) 2020-07-15 2021-06-29 Computer-Implemented Method for Determining the Validity of an Estimated Position of a Vehicle
CN202180061255.7A CN116194802A (zh) 2020-07-15 2021-06-29 用于确定车辆的估计位置的有效性的计算机实施的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020118629.0 2020-07-15
DE102020118629.0A DE102020118629B4 (de) 2020-07-15 2020-07-15 Computerimplementiertes Verfahren zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs

Publications (1)

Publication Number Publication Date
WO2022012923A1 true WO2022012923A1 (de) 2022-01-20

Family

ID=76859599

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/067885 Ceased WO2022012923A1 (de) 2020-07-15 2021-06-29 Computerimplementiertes verfahren zum bestimmen der validität einer geschätzten position eines fahrzeugs

Country Status (4)

Country Link
US (1) US20230280465A1 (de)
CN (1) CN116194802A (de)
DE (1) DE102020118629B4 (de)
WO (1) WO2022012923A1 (de)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7283665B2 (ja) * 2019-12-19 2023-05-30 株式会社豊田自動織機 自己位置推定装置、移動体、自己位置推定方法、及び自己位置推定プログラム
DE102022201427A1 (de) 2022-02-11 2023-08-17 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Bestimmen einer Position und/oder Orientierung eines mobilen Geräts in einer Umgebung
DE102022201421A1 (de) 2022-02-11 2023-08-17 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Bestimmen einer Position und/oder Orientierung eines mobilen Geräts in einer Umgebung
DE102022122259A1 (de) * 2022-09-02 2024-03-07 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum clustern von datenobjekten
DE102023003483B3 (de) * 2023-08-24 2024-10-31 Mercedes-Benz Group AG Verfahren zur merkmalsbasierten Lokalisierung eines Fahrzeugs
DE102024128016A1 (de) * 2024-09-27 2026-04-02 Bayerische Motoren Werke Aktiengesellschaft Automatisierte fahrzeuglokalisierung auf der grundlage von gefilterten merkmalspunkten

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016214027A1 (de) * 2016-07-29 2018-02-01 Volkswagen Aktiengesellschaft Verfahren und System zum Erfassen von Landmarken in einem Verkehrsumfeld einer mobilen Einheit
DE102018004229A1 (de) * 2018-05-25 2019-11-28 Daimler Ag Verfahren zum Steuern eines zur Durchführung eines automatisierten Fahrbetriebs eingerichteten Fahrzeugsystems eines Fahrzeugs und Vorrichtung zur Durchführung des Verfahrens
DE102019133316A1 (de) 2019-12-06 2021-06-10 Bayerische Motoren Werke Aktiengesellschaft Bestimmen einer Position eines Fahrzeugs

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4703605B2 (ja) 2007-05-31 2011-06-15 アイシン・エィ・ダブリュ株式会社 地物抽出方法、並びにそれを用いた画像認識方法及び地物データベース作成方法
US10496766B2 (en) * 2015-11-05 2019-12-03 Zoox, Inc. Simulation system and methods for autonomous vehicles
DE102016224329A1 (de) * 2016-12-07 2018-06-07 Robert Bosch Gmbh Verfahren und System zur Lokalisierung eines Fahrzeugs
US10699135B2 (en) 2017-11-20 2020-06-30 Here Global B.V. Automatic localization geometry generator for stripe-shaped objects
DE112019000049T5 (de) * 2018-02-18 2020-01-23 Nvidia Corporation Für autonomes fahren geeignete objekterfassung und erfassungssicherheit
US10414395B1 (en) 2018-04-06 2019-09-17 Zoox, Inc. Feature-based prediction
KR102420568B1 (ko) * 2018-04-27 2022-07-13 삼성전자주식회사 차량의 위치를 결정하는 방법 및 이를 위한 차량
DE102018217268A1 (de) * 2018-10-10 2020-04-16 Zf Friedrichshafen Ag Vorrichtung und Verfahren zum Ermitteln von Höheninformationen eines Objekts in einer Umgebung eines Fahrzeugs
KR20200044420A (ko) * 2018-10-19 2020-04-29 삼성전자주식회사 위치 추정 방법 및 장치
US20200218905A1 (en) * 2019-01-08 2020-07-09 Qualcomm Incorporated Lateral and longitudinal offset tracking in vehicle position estimation
US20200005468A1 (en) * 2019-09-09 2020-01-02 Intel Corporation Method and system of event-driven object segmentation for image processing
DE102019130037B4 (de) * 2019-11-07 2022-09-29 Mercedes-Benz Group AG Verfahren zum Betrieb mindestens eines Umfelderfassungssensors eines Fahrzeugs
DE102020208082A1 (de) * 2020-06-30 2021-12-30 Robert Bosch Gesellschaft mit beschränkter Haftung Ermitteln einer Ausgangsposition eines Fahrzeugs für eine Lokalisierung
US11403856B2 (en) * 2020-08-26 2022-08-02 Ford Global Technologies, Llc Group object-tracking

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016214027A1 (de) * 2016-07-29 2018-02-01 Volkswagen Aktiengesellschaft Verfahren und System zum Erfassen von Landmarken in einem Verkehrsumfeld einer mobilen Einheit
DE102018004229A1 (de) * 2018-05-25 2019-11-28 Daimler Ag Verfahren zum Steuern eines zur Durchführung eines automatisierten Fahrbetriebs eingerichteten Fahrzeugsystems eines Fahrzeugs und Vorrichtung zur Durchführung des Verfahrens
DE102019133316A1 (de) 2019-12-06 2021-06-10 Bayerische Motoren Werke Aktiengesellschaft Bestimmen einer Position eines Fahrzeugs

Also Published As

Publication number Publication date
DE102020118629B4 (de) 2022-12-29
CN116194802A (zh) 2023-05-30
DE102020118629A1 (de) 2022-01-20
US20230280465A1 (en) 2023-09-07

Similar Documents

Publication Publication Date Title
DE102020118629B4 (de) Computerimplementiertes Verfahren zum Bestimmen der Validität einer geschätzten Position eines Fahrzeugs
EP3669142B1 (de) Verfahren zum steuern eines zur durchführung eines automatisierten fahrbetriebs eingerichteten fahrzeugsystems eines fahrzeugs und vorrichtung zur durchführung des verfahrens
DE102018220024B3 (de) Verfahren zur Fusion von Sensordaten von mehreren Sensoren und Fusionsvorrichtung zum Fusionieren von Sensordaten von mehreren Sensoren
EP3490862B1 (de) Verfahren und vorrichtung zum ermitteln eines fahrbahnmodells für ein fahrzeugumfeld
EP3380810B1 (de) Verfahren, vorrichtung, kartenverwaltungseinrichtung und system zum punktgenauen lokalisieren eines kraftfahrzeugs in einem umfeld
DE102019133316A1 (de) Bestimmen einer Position eines Fahrzeugs
EP2793045A1 (de) Verfahren zur Überprüfung eines Umfelderfassungssystems eines Fahrzeugs
EP3155454B1 (de) Verfahren und system zur anpassung eines navigationssystems
DE102014003152A1 (de) Verfahren und Vorrichtung zum Bestimmen zumindest eines Objektparameters eines Verkehrsmittels
DE102019211006B4 (de) Auswerten von Sensordaten eines Fahrzeugs
EP3688659A1 (de) Verfahren zum automatisierten identifizieren von parkflächen und/oder nicht-parkflächen
EP3980724A1 (de) Verfahren zum erstellen einer universell einsetzbaren merkmalskarte
EP4165370B1 (de) Verfahren zum bewerten einer digitalen karte, sowie bewertungssystem
WO2019223833A1 (de) Steuerung eines kraftfahrzeugs
DE102020118628A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Position eines Fahrzeugs
DE102018006503A1 (de) Digitale Karte
DE102021200408A1 (de) Sicherheitskritische bordseitige Überwachung der Umgebung eines Schienenfahrzeugs
DE102016215825A1 (de) Verfahren zum externen Bereitstellen von Kartendaten für Assistenzsysteme von Kraftfahrzeugen
DE102021107385A1 (de) Verfahren zum Bestimmen, in welcher Fahrspur sich ein Fahrzeug befindet und System zum Betreiben einer Fahrerassistenzfunktion
DE102019102919A1 (de) Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zum Betreiben eines Fahrzeuges
DE102020206239B4 (de) Verfahren und System zum Bestimmen einer Eigenposition eines Kraftfahrzeugs sowie ein mit einem solchen System ausgerüstetes Kraftfahrzeug
EP3969846B1 (de) Verfahren zum validieren einer kartenaktualität
EP4327051A1 (de) Abgleich von kartendaten und sensordaten
DE102020118622A1 (de) Steuerung eines Fahrzeugs
DE102019119000B4 (de) Bestimmen einer Fahrspurbegrenzung

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: 21739988

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: 21739988

Country of ref document: EP

Kind code of ref document: A1