WO2023213768A1 - Verfahren zur modellierung von fahrspurbegrenzungen - Google Patents

Verfahren zur modellierung von fahrspurbegrenzungen Download PDF

Info

Publication number
WO2023213768A1
WO2023213768A1 PCT/EP2023/061459 EP2023061459W WO2023213768A1 WO 2023213768 A1 WO2023213768 A1 WO 2023213768A1 EP 2023061459 W EP2023061459 W EP 2023061459W WO 2023213768 A1 WO2023213768 A1 WO 2023213768A1
Authority
WO
WIPO (PCT)
Prior art keywords
lane
lane boundaries
modeling
boundaries
probability density
Prior art date
Application number
PCT/EP2023/061459
Other languages
English (en)
French (fr)
Inventor
Thomas Monninger
Alexander Bracht
Maximilian Harr
Anja Severin
Michael Mink
Mario Aleksic
Michael Henzler
Roland Ortloff
Original Assignee
Mercedes-Benz Group 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 Mercedes-Benz Group AG filed Critical Mercedes-Benz Group AG
Publication of WO2023213768A1 publication Critical patent/WO2023213768A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Definitions

  • the invention relates to a method for modeling lane boundaries in a digital road map.
  • a method for estimating the lane course of a roadway from environment data recorded by an environment sensor in front of a vehicle is known with the following method steps: a) determining the roadway width of the roadway in front of the vehicle from the environment data recorded using a radar sensor, the roadway width being the Roadway is determined from the intensity profile of the reflected radar beams, b) creating a hypothesis about a number of lanes
  • US 9 063 548 B1 describes a projection of recognized lane markings in a further course.
  • the WO 2018219 522 A1 and US 2016/0167582 A1 describe a probabilistic estimation of lane paths from traffic, with deterministic parameters being used as a result to describe lanes or a lane width.
  • EP 3 106 836 A1 describes an adaptation of road boundaries taking into account the uncertainty of a vehicle measurement, the result being a deterministic geometry.
  • US 2016/0098496 A1 describes a derivation of topological track links in intersections from trajectories.
  • WO 2021 160 319 A1 describes a method for updating digital road maps, in which a geometric description value is calculated from a statistical distribution.
  • the invention is based on the object of specifying a novel method for modeling lane boundaries in a digital road map.
  • a lateral cross section of a lane is used as a definition area for a probability density function.
  • the probability density function is dependent on a respective availability of the lane boundaries, on a respective marking type of the lane boundaries, on an occurrence of overlapping lanes, on a scenario on the lane and/or in its surroundings, on a complexity of a topology and/or a quality of the the respective lane boundaries are modeled.
  • the lane boundaries are modeled probabilistically using the probability density function.
  • the present method enables meaningful modeling of overlapping lanes in a particularly advantageous manner.
  • the digital road map allows probabilistic information about lane assignment at any time. For example, maximum likelihood estimation can be performed to calculate the best estimator for the assignment. In addition, multiple assignments with different probabilities are possible to represent different possibilities.
  • the present method enables meaningful modeling of real situations in which lane boundary markings are missing or ambiguous. It is not necessary to assume a pseudo-deterministic lane boundary, which would not meaningfully reflect reality.
  • the probabilistic modeling carried out in the method advantageously includes deterministic modeling as a so-called subset, so that in principle no modeling options are lost.
  • the method can be used to model deterministic lane boundaries probabilistically, for example by using a Dirac delta or a rectangular distribution.
  • a large number of modern algorithms that use a digital road map, for example in the field of robotics are probabilistic.
  • An example of such an algorithm is a so-called sampling-based path finding.
  • Probabilistic lane boundaries are a useful input variable and exploit the maximum potential.
  • the probabilistic modeling of lane boundaries also allows a natural integration of measurements subject to stochastic uncertainty. Since a mapped lane boundary represents the result of various measurements, for example from several measurements of a vehicle fleet, a statistical analysis is more accurate and loss-free because a spread, for example as a variance, is also modeled.
  • the probabilistic modeling of lane boundaries prevents deterministic boundaries and thus avoids absolute trust in lane guidance from the digital road map. This shifts path planning to the rest of the system and results in a higher tolerance for inaccuracies in the digital road map.
  • Fig. 2 shows a schematic of a road surface with interrupted
  • FIG. 3 shows a schematic of a road surface without lane markings and a modeling of these.
  • FIG. 1 shows a road surface F with lane boundaries B1, B2 located on it and designed as solid lane markings, as well as a probabilistic modeling of these lane boundaries B1, B2.
  • Figure 2 shows a road surface F with lane boundaries B1, B2 located on it and designed as interrupted lane markings, as well as a probabilistic modeling of these lane boundaries B1, B2.
  • 3 shows a road surface F without lane boundaries B1, B2 and a probabilistic modeling of non-existent lane boundaries B1, B2.
  • a probability density P for the presence of lane boundaries B1, B2 on the road surface F is plotted depending on a lateral cross section Q of a lane FS, that is, a width of the lane FS.
  • the lateral cross section Q of the lane FS serves as a definition area for a probability density function f(Q), which can be modeled depending on various influencing factors.
  • Possible influencing factors are an availability of the lane boundaries B1, B2, a respective marking type of the lane boundaries B1, B2, an occurrence of overlapping lanes FS, a scenario on the lane FS and/or in its surroundings, a complexity of a topology and/or a quality of the respective lane boundaries B1, B2.
  • the probability density function f(Q) shows a bi-modal course, with the modes lying in the middle of a respective lane boundary B1, B2.
  • the Gaussian normal distribution is suitable as the underlying parametric function for each lane boundary B1, B2, with the expected value p being chosen in particular such that it lies at the center of the respective lane boundary B1, B2.
  • Absolute limits can also be modeled probabilistically. Discontinuous probability density functions f(Q) come into question for this.
  • a solid lane boundary B1, B2, as shown as an example in Figure 1, can be modeled, for example, as a rectangular distribution. This ensures that the probability at the outer edge has the value "1" and that this position corresponds to a deterministic lane boundary B1, B2.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Modellierung von Fahrspurbegrenzungen (B1, B2). Erfindungsgemäß wird ein lateraler Querschnitt (Q) einer Fahrspur (FS) als Definitionsbereich für eine Wahrscheinlichkeitsdichtefunktion (f(P)) verwendet. Die Wahrscheinlichkeitsdichtefunktion (f(P)) wird in Abhängigkeit von einer jeweiligen Verfügbarkeit der Fahrspurbegrenzungen (B1, B2), von einem jeweiligen Markierungstyp der Fahrspurbegrenzungen (B1, B2), von einem Auftreten von überlappenden Fahrspuren (FS), von einem Szenario auf der Fahrspur (FS) und/oder in deren Umgebung, von einer Komplexität einer Topologie und/oder einer Qualität der jeweiligen Fahrspurbegrenzungen (B1, B2) modelliert, wobei anhand der Wahrscheinlichkeitsdichtefunktion (f(P)) die Fahrspurbegrenzungen (B1, B2) probabilistisch modelliert werden.

Description

Verfahren zur Modellierung von Fahrspurbegrenzungen
Die Erfindung betrifft ein Verfahren zur Modellierung von Fahrspurbegrenzungen in einer digitalen Straßenkarte.
Für einen automatisierten und hochautomatisierten, beispielsweise autonomen Fährbetrieb sind hochgenaue digitale Straßenkarten erforderlich, deren Inhalte korrekt und aktuell sind. Für Anwendungsfälle mit einem Level 2+ der Norm SAE J3016 erfordern solche digitalen Straßenkarten eine fahrspurgenaue Modellierung einer Topologie. Diese Fahrspuren sind mittels geometrischer Fahrspurbegrenzungen lateral begrenzt.
Aus dem Stand der Technik sind Verfahren bekannt, welche digitale Straßenkarten mit volldeterministischen Attributen definieren. Auch die Fahrspurbegrenzungen sind klassischerweise als eine zweidimensionale Geometrie modelliert, beispielsweise als Polylinie, Polygonzug oder Spline. Dabei sind geometrische Abbildungen fest in der digitalen Straßenkarte eingetragen. Für ein den automatisierten oder hochautomatisierten Fährbetrieb ausführendes System ergibt sich eine binäre Fallunterscheidung, in welcher eine Koordinate deterministisch entweder innerhalb der Fahrspur ist oder nicht.
Aus der DE 102014223259 B4 ist ein Verfahren zum Schätzen des Fahrstreifenverlaufs einer Fahrbahn aus von einem Umfeldsensor aufgenommenen Umfelddaten vor einem Fahrzeug mit folgenden Verfahrensschritten bekannt: a) Bestimmen der Fahrbahnbreite der Fahrbahn vor dem Fahrzeug aus den mittels eines Radarsensors aufgenommen Umfelddaten, wobei die Fahrbahnbreite der Fahrbahn aus dem Intensitätsverlauf der reflektierten Radarstrahlen ermittelt wird, b) Erstellen einer Hypothese über eine Anzahl von Fahrstreifen aus
- der mit Verfahrensschritt a) ermittelten Fahrbahnbreite und - der Detektion der anderen Verkehrsteilnehmer auf der Fahrbahn hinsichtlich ihres Bewegungsverhaltens und
- aus einer Information einer digitalen Karte und
- aus einer Verkehrszeichenerkennung, c) Ermitteln eines Wahrscheinlichkeitsmodells für eine Lage der Fahrstreifenmitte der Fahrstreifen auf der Basis der Hypothese über die Anzahl der Fahrstreifen, und d) Bestimmen eines Werts mittels des Wahrscheinlichkeitsmodells mit dem größten Wahrscheinlichkeitswert als Lage der Fahrstreifenmitte der Fahrstreifen.
US 9 063 548 B1 beschreibt eine Projektion erkannter Fahrspurmarkierungen in einem weiteren Verlauf.
Die WO 2018219 522 A1 und US 2016/0167582 A1 beschreiben eine probabilistische Schätzung von Spurverläufen aus Befahrungen, wobei als Ergebnis deterministische Parameter zur Beschreibung von Fahrspuren oder einer Spurbreite genutzt wird.
Die EP 3 106 836 A1 beschreibt eine Anpassung von Straßenbegrenzungen unter Berücksichtigung einer Unsicherheit einer Fahrzeugmessung, wobei das Ergebnis eine deterministische Geometrie ist.
US 2016/0098496 A1 beschreibt eine Ableitung von topologischen Spurverknüpfungen in Kreuzungen aus Trajektorien.
WO 2021 160 319 A1 beschreibt ein Verfahren zur Aktualisierung von digitalen Straßenkarten, bei welchem ein geometrischer Beschreibungswert aus einer statistischen Verteilung berechnet wird.
Weiterhin beschreibt "Huang et al.: A Scalable Lane Detection Algorithm on COTSs with OpenCL. Design, Automation & Test in Europe Conference & Exhibition (DATE), 2016, 229-232" ein Verfahren zur Fahrspurerkennung mittels eines partikelfilterbasierten Spurerkennungsalgorithmus.
"Revilloud et al.: A lane marker estimation method for improving lane detection. IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), 2016, 289-295" beschreibt einen Erkennungs- und Schätzalgorithmus für Fahrspurmarkierungen. Hierbei wird zunächst ein Bereich einer Fahrspurmarkierung unter Verwendung eines Profils einer Fahrspurschätzung in einer Konfidenzkarte ermittelt. Danach wird ein Anpassungsverfahren angewendet, um eine Genauigkeit der Spurmarkierungserkennung zu erhöhen.
Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Modellierung von Fahrspurbegrenzungen in einer digitalen Straßenkarte anzugeben.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die im Anspruch 1 angegebenen Merkmale aufweist.
In dem Verfahren zur Modellierung von Fahrspurbegrenzungen wird erfindungsgemäß ein lateraler Querschnitt einer Fahrspur als Definitionsbereich für eine Wahrscheinlichkeitsdichtefunktion verwendet. Die Wahrscheinlichkeitsdichtefunktion wird in Abhängigkeit von einer jeweiligen Verfügbarkeit der Fahrspurbegrenzungen, von einem jeweiligen Markierungstyp der Fahrspurbegrenzungen, von einem Auftreten von überlappenden Fahrspuren, von einem Szenario auf der Fahrspur und/oder in deren Umgebung, von einer Komplexität einer Topologie und/oder einer Qualität der jeweiligen Fahrspurbegrenzungen modelliert. Anhand der Wahrscheinlichkeitsdichtefunktion werden die Fahrspurbegrenzungen probabilistisch modelliert.
Das vorliegende Verfahren ermöglicht in besonders vorteilhafter Weise eine sinnvolle Modellierung überlappender Fahrspuren. Dabei erlaubt die digitale Straßenkarte zu jeder Zeit eine probabilistische Auskunft zu einer Fahrspur-Zuordnung. Beispielsweise kann eine Maximum-Likelihood-Estimation durchgeführt werden, um den besten Schätzer für die Zuordnung zu berechnen. Außerdem sind mehrere Zuordnungen mit unterschiedlich hohen Wahrscheinlichkeiten möglich, um verschiedene Möglichkeiten abzubilden.
Weiterhin ermöglicht das vorliegende Verfahren eine sinnvolle Modellierung realer Situationen, in denen Fahrspurbegrenzungsmarkierungen fehlen oder uneindeutig sind. Hierbei ist es nicht nötig, eine pseudo-deterministische Fahrspurbegrenzung anzunehmen, die die Realität nicht sinnvoll abbilden würde.
Die in dem Verfahren durchgeführte probabilistische Modellierung beinhaltet in vorteilhafter Weise eine deterministische Modellierung als so genanntes Subset, so dass prinzipiell keine Modellierungsmöglichkeiten verloren gehen. Beispielsweise lassen sich mittels des Verfahrens deterministische Fahrspurgrenzen beispielsweise durch eine Nutzung eines Dirac-Deltas oder durch eine Rechteck-Verteilung probabilistisch modellieren. Weiterhin ist eine Vielzahl moderner Algorithmen, die eine digitale Straßenkarte verwenden, beispielsweise im Bereich der Robotik, probabilistisch. Ein solcher Algorithmus ist beispielweise eine so genannte sampling-basierte Pfadfindung. Probabilistische Fahrspurbegrenzungen sind dafür eine sinnvolle Eingangsgröße und schöpfen das maximale Potenzial aus.
Auch erlaubt die probabilistische Modellierung von Fahrspurbegrenzungen eine natürliche Integration von mit stochastischer Unsicherheit behafteten Messungen. Da eine kartierte Fahrspurbegrenzung das Ergebnis verschiedener Messungen darstellt, beispielsweise aus mehreren Messungen einer Fahrzeugflotte, ist eine statistische Betrachtung akkurater und verlustfreier, da auch eine Streuung, beispielsweise als Varianz, modelliert wird.
Anders als bei einer deterministischen Fahrspurmodellierung gibt es bei der probabilistischen Modellierung der Fahrspuren keine absolute Barriere oder scharfe Grenze, so dass ein leichter Übertritt einer Fahrspurbegrenzung durch ein Fahrzeug möglich ist. Dies entspricht eher der Realität, bei der ein menschlicher Fahrer situationsbedingt leicht eine Fahrspurbegrenzung überfahren würde, um eine Verkehrsfläche voll auszuschöpfen.
Ferner verhindert die probabilistische Modellierung von Fahrspurbegrenzungen deterministische Begrenzungen und vermeidet somit ein absolutes Vertrauen in eine Fahrspurführung aus der digitalen Straßenkarte. Dies verlagert eine Pfadplanung in das restliche System und bewirkt eine höhere Toleranz gegenüber Ungenauigkeiten der digitalen Straßenkarte.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
Dabei zeigen:
Fig. 1 schematisch eine Fahrbahnoberfläche mit durchgezogenen Fahrspurmarkierungen und eine Modellierung dieser,
Fig. 2 schematisch eine Fahrbahnoberfläche mit unterbrochenen
Fahrspurmarkierungen und eine Modellierung dieser und Fig. 3 schematisch eine Fahrbahnoberfläche ohne Fahrspurmarkierungen und eine Modellierung dieser.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
In Figur 1 sind eine Fahrbahnoberfläche F mit darauf befindlichen und als durchgezogene Fahrspurmarkierungen ausgebildeten Fahrspurbegrenzungen B1 , B2 sowie eine probabilistische Modellierung dieser Fahrspurbegrenzungen B1, B2 dargestellt. Figur 2 zeigt eine Fahrbahnoberfläche F mit darauf befindlichen und als unterbrochene Fahrspurmarkierungen ausgebildeten Fahrspurbegrenzungen B1 , B2 sowie eine probabilistische Modellierung dieser Fahrspurbegrenzungen B1, B2. In Figur 3 sind eine Fahrbahnoberfläche F ohne Fahrspurbegrenzungen B1, B2 sowie eine probabilistische Modellierung nicht vorhandener Fahrspurbegrenzungen B1, B2 dargestellt.
Dabei ist zur probabilistischen Modellierung jeweils eine Wahrscheinlichkeitsdichte P für das Vorhandensein von Fahrspurbegrenzungen B1, B2 auf der Fahrbahnoberfläche F in Abhängigkeit eines lateralen Querschnitts Q einer Fahrspur FS, das heißt einer Breite der Fahrspur FS, abgetragen.
Das heißt der laterale Querschnitt Q der Fahrspur FS dient als Definitionsbereich für eine Wahrscheinlichkeitsdichtefunktion f(Q), welche in Abhängigkeit verschiedener Einflussfaktoren modelliert werden kann. Mögliche Einflussfaktoren sind eine Verfügbarkeit der Fahrspurbegrenzungen B1, B2, ein jeweiliger Markierungstyp der Fahrspurbegrenzungen B1, B2, ein Auftreten von überlappenden Fahrspuren FS, ein Szenario auf der Fahrspur FS und/oder in deren Umgebung, eine Komplexität einer Topologie und/oder eine Qualität der jeweiligen Fahrspurbegrenzungen B1, B2.
Im klassischen Fall gemäß Figur 2 zeigt die Wahrscheinlichkeitsdichtefunktion f(Q) einen bi-modalen Verlauf, wobei die Modi auf der Mitte einer jeweiligen Fahrspurbegrenzung B1, B2 liegen.
Als zugrundeliegende parametrische Funktion für jede Fahrspurbegrenzung B1, B2 bietet sich hierbei die Gauß-Normalverteilung an, wobei der Erwartungswert p insbesondere derart gewählt ist, dass dieser auf der Mitte der jeweiligen Fahrspurbegrenzung B1, B2 liegt. Die Standardabweichung o hängt nun von verschiedenen Faktoren, wie beispielsweise einer Beschaffenheit der Fahrspurbegrenzung B1 , B2, einem Markierungstyp und einer Messungenauigkeit einer Kartografie-Sensorik ab. Für eine deutlich gezeichnete, dünne durchgezogene Markierung kann beispielsweise o = 5cm gelten. Für eine ausgeblichene breite gestrichelte Markierung ist o beispielsweise 20cm.
Falls in der Realität keine Fahrspurbegrenzungen B1 , B2 vorhanden sind, wie beispielhaft in Figur 3 dargestellt, beispielsweise innerhalb von Straßenkreuzungen, kann ein Spurverlauf angenommen werden. In diesem Fall würde die Standardabweichung o der beiden Modi jedoch deutlich größer sein, um der höheren Unsicherheit gerecht zu werden.
Absolute Grenzen lassen sich ebenfalls probabilistisch modellieren. Hierfür kommen unstetige Wahrscheinlichkeitsdichtefunktionen f(Q) in Frage. Eine durchgezogene Fahrspurbegrenzung B1, B2, wie beispielhaft in Figur 1 dargestellt, kann beispielsweise als Rechteck-Verteilung modelliert werden. Damit ist sichergestellt, dass am äußeren Rand die Wahrscheinlichkeit den Wert "1" hat und diese Position einer deterministischen Fahrspurbegrenzung B1, B2 gleichkommt.

Claims

Patentansprüche Verfahren zur Modellierung von Fahrspurbegrenzungen (B1 , B2), dadurch gekennzeichnet, dass
- ein lateraler Querschnitt (Q) einer Fahrspur (FS) als Definitionsbereich für eine Wahrscheinlichkeitsdichtefunktion (f(Q)) verwendet wird,
- die Wahrscheinlichkeitsdichtefunktion (f(Q)) in Abhängigkeit von einer jeweiligen Verfügbarkeit der Fahrspurbegrenzungen (B1, B2), von einem jeweiligen Markierungstyp der Fahrspurbegrenzungen (B1, B2), von einem Auftreten von überlappenden Fahrspuren (FS), von einem Szenario auf der Fahrspur (FS) und/oder in deren Umgebung, von einer Komplexität einer Topologie und/oder einer Qualität der jeweiligen Fahrspurbegrenzungen (B1, B2) modelliert wird und
- anhand der Wahrscheinlichkeitsdichtefunktion (f(Q)) die Fahrspurbegrenzungen (B1, B2) probabilistisch modelliert werden.
PCT/EP2023/061459 2022-05-04 2023-05-02 Verfahren zur modellierung von fahrspurbegrenzungen WO2023213768A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022001568.4A DE102022001568B3 (de) 2022-05-04 2022-05-04 Verfahren zur Modellierung von Fahrspurbegrenzungen
DE102022001568.4 2022-05-04

Publications (1)

Publication Number Publication Date
WO2023213768A1 true WO2023213768A1 (de) 2023-11-09

Family

ID=86383100

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/061459 WO2023213768A1 (de) 2022-05-04 2023-05-02 Verfahren zur modellierung von fahrspurbegrenzungen

Country Status (2)

Country Link
DE (1) DE102022001568B3 (de)
WO (1) WO2023213768A1 (de)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9063548B1 (en) 2012-12-19 2015-06-23 Google Inc. Use of previous detections for lane marker detection
US20160098496A1 (en) 2014-10-07 2016-04-07 Toyota Motor Engineering & Manufacturing North America, Inc. Joint probabilistic modeling and inference of intersection structure
DE102014223259A1 (de) * 2014-11-14 2016-05-19 Conti Temic Microelectronic Gmbh Verfahren zum Schätzen des Fahrstreifenverlaufs einer Fahrbahn
US20160167582A1 (en) 2014-12-16 2016-06-16 Here Global B.V. Learning Lanes From Vehicle Probes
EP3106836A1 (de) 2015-06-16 2016-12-21 Volvo Car Corporation Einheit und verfahren zur einstellung einer strassenbegrenzung
WO2018219522A1 (de) 2017-06-01 2018-12-06 Robert Bosch Gmbh VERFAHREN UND VORRICHTUNG ZUR ERSTELLUNG EINER FAHRSPURGENAUEN STRAßENKARTE
DE102017211298A1 (de) * 2017-07-04 2019-01-10 Continental Teves Ag & Co. Ohg Vorrichtung und verfahren zum ermitteln von fahrbahntopologie- und fahrbahngeometrieinformationen, und fahrzeug
WO2021160319A1 (de) 2020-02-14 2021-08-19 Audi Ag VERFAHREN UND PROZESSORSCHALTUNG ZUM AKTUALISIEREN EINER DIGITALEN STRAßENKARTE

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9063548B1 (en) 2012-12-19 2015-06-23 Google Inc. Use of previous detections for lane marker detection
US20160098496A1 (en) 2014-10-07 2016-04-07 Toyota Motor Engineering & Manufacturing North America, Inc. Joint probabilistic modeling and inference of intersection structure
DE102014223259A1 (de) * 2014-11-14 2016-05-19 Conti Temic Microelectronic Gmbh Verfahren zum Schätzen des Fahrstreifenverlaufs einer Fahrbahn
DE102014223259B4 (de) 2014-11-14 2021-10-14 Conti Temic Microelectronic Gmbh Verfahren zum Schätzen des Fahrstreifenverlaufs einer Fahrbahn
US20160167582A1 (en) 2014-12-16 2016-06-16 Here Global B.V. Learning Lanes From Vehicle Probes
EP3106836A1 (de) 2015-06-16 2016-12-21 Volvo Car Corporation Einheit und verfahren zur einstellung einer strassenbegrenzung
WO2018219522A1 (de) 2017-06-01 2018-12-06 Robert Bosch Gmbh VERFAHREN UND VORRICHTUNG ZUR ERSTELLUNG EINER FAHRSPURGENAUEN STRAßENKARTE
DE102017211298A1 (de) * 2017-07-04 2019-01-10 Continental Teves Ag & Co. Ohg Vorrichtung und verfahren zum ermitteln von fahrbahntopologie- und fahrbahngeometrieinformationen, und fahrzeug
WO2021160319A1 (de) 2020-02-14 2021-08-19 Audi Ag VERFAHREN UND PROZESSORSCHALTUNG ZUM AKTUALISIEREN EINER DIGITALEN STRAßENKARTE

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUANG ET AL.: "A Scalable Lane Detection Algorithm on COTSs with OpenCL", DESIGN, AUTOMATION & TEST IN EUROPE CONFERENCE & EXHIBITION (DATE, 2016, pages 229 - 232
REVILLOUD ET AL.: "A lane marker estimation method for improving lane detection", IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC, 2016, pages 289 - 295, XP033028361, DOI: 10.1109/ITSC.2016.7795569
THOMAS JULIAN ET AL: "Semantic Grid-Based Road Model Estimation for Autonomous Driving", 2019 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV), IEEE, 9 June 2019 (2019-06-09), pages 2329 - 2336, XP033605931, DOI: 10.1109/IVS.2019.8813790 *

Also Published As

Publication number Publication date
DE102022001568B3 (de) 2023-09-28

Similar Documents

Publication Publication Date Title
DE102015207804B4 (de) Verfahren zum Erkennen von Parkflächen und/oder Freiflächen
EP3581886B1 (de) Verfahren und vorrichtung zum bestimmen einer position eines kraftfahrzeugs
DE102015214338A1 (de) Bestimmung einer Anordnungsinformation für ein Fahrzeug
DE19633884B4 (de) Verfahren zum Ermitteln der Objektposition eines Objekts
EP3526546B1 (de) Verfahren und system zur lokalisierung eines fahrzeugs
DE102016205434A1 (de) Verfahren und System zum Erstellen einer spurgenauen Belegungskarte für Fahrspuren
EP3491339A1 (de) Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zur bestimmung der lateralen position eines fahrzeuges relativ zu den fahrstreifen einer fahrbahn
DE102019216914A1 (de) System und verfahren zur automatisierten erzeugung von semantischen karten
DE102013207658A1 (de) Verfahren zum Bestimmen eines Fahrspurverlaufes einer Fahrspur
DE102015225577A1 (de) Verbessertes Verfahren zum Ermitteln der Randbebauung einer Fahrbahn für die Lokalisierung von Kraftfahrzeugen
DE102020200169B3 (de) Verfahren zur Zusammenführung mehrerer Datensätze für die Erzeugung eines aktuellen Spurmodells einer Fahrbahn und Vorrichtung zur Datenverarbeitung
WO2004111938A1 (de) Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge
DE102020211636A1 (de) Verfahren und Vorrichtung zum Bereitstellen von Daten zum Erstellen einer digitalen Karte
DE102016213783A1 (de) Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Bestimmung der lateralen Position eines Fahrzeugs relativ zu den Fahrstreifen einer Fahrbahn
DE102016003935A1 (de) Verfahren zur Ermittlung einer Randbebauungsinformation in einem Kraftfahrzeug und Kraftfahrzeug
DE102022001568B3 (de) Verfahren zur Modellierung von Fahrspurbegrenzungen
EP4350660A1 (de) System und verfahren zur prädiktion einer zukünftigen position eines verkehrsteilnehmers
DE102013217060A1 (de) Spurgenaue Positionierung eines Fahrzeugs
DE102021214763A1 (de) Verfahren und Steuervorrichtung zum Steuern eines automatisierten Fahrzeugs
EP3806009A1 (de) Verfahren zum bewerten einer ausgewählten route, routenbewertungssystem und computerprogramm
DE102013217061A1 (de) Spurgenaue Positionierung eines Fahrzeugs
DE102021205896A1 (de) Computerimplementiertes Verfahren zum Bestimmen von zumindest einem Segment einer Fahrstrecke, derartiges Computerprogrammprodukt, derartiger Computerlesbarer Datenträger und Hardwaremodul zum Bestimmen von zumindest einem Segment einer Fahrstrecke
EP4327051A1 (de) Abgleich von kartendaten und sensordaten
WO2023232202A1 (de) Verfahren zum ermitteln einer trajektorie, steuerungsvorrichtung und kraftfahrzeug
DE102020102752A1 (de) Bewertung einer Routenbestimmung

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: 23723900

Country of ref document: EP

Kind code of ref document: A1