WO2023246989A1 - Verfahren zur lokalisierung eines fahrzeugs, sensoreinrichtung, fahrzeug und computerprogrammprodukt - Google Patents

Verfahren zur lokalisierung eines fahrzeugs, sensoreinrichtung, fahrzeug und computerprogrammprodukt Download PDF

Info

Publication number
WO2023246989A1
WO2023246989A1 PCT/DE2023/200108 DE2023200108W WO2023246989A1 WO 2023246989 A1 WO2023246989 A1 WO 2023246989A1 DE 2023200108 W DE2023200108 W DE 2023200108W WO 2023246989 A1 WO2023246989 A1 WO 2023246989A1
Authority
WO
WIPO (PCT)
Prior art keywords
gaussian distributions
vehicle
gaussian
distance
sensor data
Prior art date
Application number
PCT/DE2023/200108
Other languages
English (en)
French (fr)
Inventor
Wassim Suleiman
Nicolai Glatz
Original Assignee
Continental Autonomous Mobility Germany GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Continental Autonomous Mobility Germany GmbH filed Critical Continental Autonomous Mobility Germany GmbH
Publication of WO2023246989A1 publication Critical patent/WO2023246989A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/523—Details of pulse systems
    • G01S7/526—Receivers
    • G01S7/53—Means for transforming coordinates or for evaluating data, e.g. using computers
    • 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
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G01S15/08—Systems for measuring distance only
    • G01S15/10—Systems for measuring distance only using transmission of interrupted, pulse-modulated waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G01S15/42—Simultaneous measurement of distance and other co-ordinates
    • 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
    • G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • 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
    • G01S2015/932—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles for parking operations

Definitions

  • the invention relates to a method for localizing a vehicle from sensor data sets describing an environment of the vehicle and recorded with the aid of at least one sensor of a sensor device of the vehicle, the sensor data sets each comprising a plurality of Gaussian distributions, the Gaussian distributions each consisting of at least one measuring point of the sensor device are formed and each describe at least part of an object in the environment of the vehicle in relation to a coordinate system.
  • the invention further relates to a sensor device, a vehicle and a computer program product.
  • vehicles can have sensors that can, for example, detect objects in the vehicle's surroundings. Knowledge of the presence of the objects can make driving the vehicle easier.
  • the information obtained via the sensors can be displayed to a driver and enable autonomous or semi-autonomous driving processes.
  • Distance sensors can be used as sensors, for example, which can determine the distance between the sensor or the vehicle and an object in the area surrounding the vehicle.
  • Distance sensors usually include a transmitting device that sends out signals and a receiving device that receives signals reflected from objects in the environment as echoes.
  • the distance, or in other words, the distance, to the object can be determined based on a transit time difference between the time of sending the signal and the time of receiving the echo, taking into account the speed of propagation of the signal.
  • Such distance sensors can usually be used in motor vehicles to detect the surroundings.
  • Ultrasonic sensors for example, are particularly important, especially in semi-automatic or automatic driving maneuvers, especially in connection with parking applications, such as parking distance measurement, finding parking spaces or when parking.
  • the motor vehicle is usually moved relative to the objects, with a measurement cycle being carried out at predetermined times during the movement. During each measurement cycle, at least one signal is sent out using a distance sensor.
  • the position and/or orientation of the detected objects changes in relation to a coordinate system fixed to the vehicle. If information about the vehicle movement is to be derived from a comparison between the relative object arrangements from different measurement cycles, then it is necessary to carry out an assignment, also known as registration, of the objects determined in each case. This allows the relative change in position of the objects in relation to the vehicle to be determined. From the relative change in position of stationary objects, a movement of the vehicle can then be traced.
  • the assignment or registration of the objects represents a challenge.
  • the applicable methods can depend in particular on the type of object description in the environmental data, which is generated from the measured values of the sensors.
  • the environmental data can be generated, for example, as point clouds from the measurement points or as object maps in which the detected objects are described as geometric figures, for example as polygons.
  • a method for assigning different points in two data sets is described, for example, in the article by Besl, Paul J.; ND McKay 'A Method for Registration of 3-D Shapes", IEEE Transactions on Pattern Analysis and Machine Intelligence, 14 (2), pp. 239-256, 1992.
  • a transformation or mapping rule is used, which creates a first point data set on a second point data set, determined by step by step looking for the closest point in the second data set for the points of the first data set. Then one of the data sets is transformed in a transformation step in order to minimize the distances. These steps are repeated as often carried out until a minimum of the distances has been reached.
  • the mapping rule for the data sets then results from the sum of the transformation steps carried out.
  • objects can also be depicted in the environmental data in other forms.
  • descriptions are particularly desirable that enable a compact, i.e. data-efficient, description of the objects. More compact environmental data reduces the resources required to process and/or store it, thus enabling more efficient use and/or the use of cheaper hardware.
  • the invention is based on the object of specifying an efficient method for assigning or registering objects in sensor data sets, which in particular also enables a compact description of the objects.
  • the method comprises the following steps:
  • the second sensor data set comprising a plurality of second Gaussian distributions in a second coordinate system
  • the assignment being carried out by evaluating at least one distance criterion describing a distance between two Gaussian distributions, - determining at least one transformation rule comprising a shift and/or a rotation between the first coordinate system and the second coordinate system while minimizing the distances described by the distance criterion between the nearest Gaussian distributions,
  • a first sensor data set is therefore initially recorded at a first vehicle position.
  • the first vehicle position can, for example, be the destination of a previously carried out vehicle movement.
  • the vehicle can have moved into the first position at least partially independently, i.e. autonomously or semi-autonomously. Alternatively, the vehicle can also have been moved into the first position by a driver.
  • the first vehicle position can be selected in particular depending on a driving maneuver to be carried out with the support of the method according to the invention.
  • the driving maneuver can in particular be carried out autonomously or semi-autonomously.
  • the driving maneuver can be, for example, a parking procedure, i.e. parking or pulling out of a parking space.
  • the first vehicle position can be in the vicinity of a parking space, for example, and when leaving a parking space, the first vehicle position can be within the parking space.
  • the first sensor data set is recorded, which consequently describes the objects in the area surrounding the vehicle.
  • several measuring points are recorded using the at least one sensor, which is designed, for example, as an ultrasonic sensor.
  • the sensor data set in particular, one or more measuring points, which describe, for example, signals (echoes) of the sensor reflected from a similar distance and/or from a similar direction, are combined into an ellipse described by a Gaussian distribution.
  • the shape of the Gaussian distribution or the ellipse can in particular correspond to or correspond to the spatial distribution of the reflection locations of the echoes described by the respective measuring points at least be approximated.
  • An ellipse or a Gaussian distribution describing the ellipse can each describe an object or a part or a section of an object in the area surrounding the vehicle.
  • large objects and/or objects with a more complex geometry can be described by several Gaussian distributions or several ellipses.
  • the spatial distribution of the measuring points and/or the spatial extent of the Gaussian distributions determined from the measuring points is specified in the first sensor data set in relation to the first coordinate system.
  • the first coordinate system can, for example, describe the arrangement of the Gaussian distributions in relation to the sensor or in relation to the vehicle. Since the vehicle is in the first vehicle position when the first sensor data set is recorded, the first coordinate system indicates the spatial distribution of the Gaussian distributions in relation to the first vehicle position.
  • the reference system to which the spatial distribution of the Gaussian distributions is specified when measuring the second sensor data set by the at least one sensor changes.
  • the Gaussian distributions described in the second sensor data set are specified in a second coordinate system, which can also relate to the vehicle. Due to the vehicle movement into the second vehicle position, the Gaussian distributions now refer to the second vehicle position.
  • the first sensor data set and the second sensor data set are then merged, for example by converting the Gaussian distributions of one sensor data set into the second without taking into account the offset between the coordinate systems Sensor data set can be adopted.
  • the closest Gaussian distribution in the second sensor data set can then be determined for the first Gaussian distributions of the first sensor data set.
  • the closest distribution is used determined by evaluating the distance criterion describing a distance between two Gaussian distributions. It is also possible at this point for the closest first Gaussian distribution to be determined for the second Gaussian distributions.
  • a transformation rule comprising a shift and/or a rotation is determined between the first coordinate system and the second coordinate system.
  • the transformation rule is determined by minimizing the distances between the closest Gaussian distributions described by the distance criterion.
  • the first coordinate system and the second coordinate system are aligned relative to one another, whereby the different reference positions can be at least partially compensated.
  • the second vehicle position is determined, for example calculated or at least approximated, using the transformation rule from the first position.
  • a new, further assignment of the Gaussian distributions takes place and then a further transformation rule is determined by again minimizing the distances described by the distance criterion between the now assigned pairs of Gaussian distributions.
  • the steps of assigning the Gaussian distributions and determining a transformation rule can be repeated until a minimum for the distances has been reached. The assignment and the subsequent determination of a transformation rule can therefore be repeated iteratively.
  • the second vehicle position can then be determined in particular depending on all of the transformation regulations determined. For example, an overall transformation rule representing all displacements and/or all rotations can be determined, which is applied to the first vehicle position can be used to determine the second vehicle position.
  • the closest Gaussian distribution i.e. the one at the shortest distance described by the distance criterion. This does not necessarily have to correspond to a Gaussian distribution assigned to the same object.
  • the closest Gaussian distributions can also change for different assignment steps. Iteratively, a displacement and/or a rotation between the first coordinate system and the second coordinate system can advantageously be determined, so that localization of the vehicle is possible based on the first sensor data set and the second sensor data set.
  • the vehicle can be localized in particular as part of a (partially) automated driving process of the vehicle.
  • the first sensor data set and the second sensor data set can each also be referred to as maps or map information.
  • the Gaussian distributions can each be a multidimensional probability density distribution. In the sensor data sets, the Gaussian distributions can be described, for example, as covariance matrices.
  • the method according to the invention advantageously enables simple mapping of environmental information.
  • the sensor data sets determined are memory efficient and require little computing power to create them.
  • the localization of the vehicle can also be advantageously determined within a predetermined period of time with comparatively low computing power. This advantageously results in the method being suitable for sensor devices, which, in addition to the at least sensor, includes a computing device with a comparatively low computing capacity.
  • the method according to the invention makes it possible to localize the vehicle in an acceptable time based on a first and a second sensor data set, even with such a sensor device.
  • the localization of the vehicle from the sensor data sets has the advantage that precise position determination is possible, in particular during a driving maneuver involving several movements of the vehicle.
  • the method according to the invention does not have any accumulating errors. Furthermore, the method can be used to precisely determine the position even when moving in a confined space and/or during driving maneuvers of the vehicle that involve a large proportion of rotational and/or transverse movement of the vehicle, such as a parking maneuver. The method can in particular also be used to determine a vehicle position multiple times during a driving maneuver.
  • the Gaussian distributions in the first sensor data set and the second sensor data set each describe an ellipse combining one or more measuring points.
  • Combining, in particular, several measurement points as an ellipse represents an efficient way to describe the objects in the sensor data sets.
  • an ellipse has the advantage that its mathematical description is comparatively simple compared to a polygon or a point cloud and therefore requires only a small amount of data .
  • an ellipse can take on different shapes, for example depending on the ratio of its semi-axes, and thus describe the geometry of different objects.
  • Such an ellipse can advantageously be described by a Gaussian distribution.
  • the ellipse can, for example, be assigned to a probability and a particularly two-dimensional Gaussian distribution can be determined in such a way that it maps the corresponding ellipse for this probability based on its covariance.
  • a particularly two-dimensional Gaussian distribution can be determined in such a way that it maps the corresponding ellipse for this probability based on its covariance.
  • describing the ellipses using Gaussian distributions represents an efficient type of mathematical description.
  • the Gaussian distributions are each at least two-dimensional, with a distance criterion being used, which indicates at least one distance in relation to the at least two dimensions.
  • the two dimensions can correspond to a plane of a road surface on which the vehicle is standing.
  • the Gaussian distributions can each describe an ellipse lying in this plane. It is possible for three-dimensional Gaussian distributions to be used, in particular if the at least one sensor and/or a sensor device comprising the sensor is also designed to determine an object height assigned to the respective measuring points.
  • a Mahalanobis distance, a Bhattacharyya distance, a Kullback-Leibler distance and/or a probability-based distance between two Gaussian distributions can be used as a distance criterion, the probability-based distance indicating the probability that the mean value of one of the Gaussian distributions can be used. Distributions in the other Gaussian distribution is assigned.
  • the expected value of the Gaussian distribution can be used as the mean value of a Gaussian distribution.
  • the probability-based distance can indicate the probability that the mean or expected value of a first Gaussian distribution lies in a second Gaussian distribution, with the second Gaussian distribution being selected as the closest Gaussian distribution in which the probability is greatest. Accordingly, this also applies if a first Gaussian distribution is reversed as the closest distribution to a second Gaussian distribution.
  • mathematical distances can also be used as a distance criterion, which indicate a distance between two distributions, such as the Bhattacharyya distance or the Kullback-Leibler distance.
  • a mathematical distance such as a Mahalanobis distance, which indicates the distance of a point, for example a center of one of the distributions, to a distribution, can also be used as a distance criterion, additionally or alternatively.
  • the assignment of the closest Gaussian distributions depends on at least one Assignment criterion takes place, the assignment criterion being a ratio between the amplitudes of the measured values described by the Gaussian distributions, a ratio between directions which are assigned to the measured values described by the Gaussian distributions, and / or a ratio between the curvatures of the measured values described by the Gaussian distributions.
  • Distribution objects described can be used.
  • the assignment criteria can each be used in addition to the distance criterion, or one or more higher-dimensional distance criteria can be used, which, in addition to a spatial distance, for example in the x-direction and y-direction, also include at least one further dimension corresponding to an assignment criterion.
  • the quality of the assignments can be improved.
  • the number of iteration steps required can be reduced by using one or more assignment criteria, so that the assignment rule can be determined quickly.
  • mapping criteria makes it more likely that a first Gaussian distribution will be mapped to a second Gaussian distribution (or vice versa) that includes measurements reflected from the same object. Since the properties of the object influence the echoes reflected from the object, properties of the echoes can be considered in order to determine appropriate Gaussian distributions or to avoid obvious or at least very likely misattributions.
  • a different Gaussian distribution for example the second-smallest distance, is chosen as the closest Gaussian distribution if it is in the smallest Distance Gaussian distribution only has a poor degree of agreement for one or more considered assignment criteria.
  • the relationship between the amplitudes of the measured values described by the Gaussian distributions can be used as the assignment criterion.
  • a Gaussian distribution can be assigned as the closest Gaussian distribution if the amplitudes are as similar as possible or if the amplitude ratio lies within a predetermined interval.
  • the relationship between directions that are assigned to the measured values described by the Gaussian distributions can also be considered as an assignment criterion, with an assignment taking place in particular when the same or at least a similar direction is assigned to the measured values.
  • the direction can optionally be corrected based on movement information describing the movement of the vehicle in order to take into account a relative change in direction due to the vehicle movement.
  • the azimuth angle at which the echoes forming the measured values are received by the sensor can be used as the direction, with a similar direction being possible if the ratio of the directions or the respective azimuth angles are in a predetermined interval .
  • the curvature refers to the shape of the object or to the shape of a side surface of the object facing the sensor.
  • Gaussian distributions can be considered as possible closest Gaussian distributions, which describe objects with the same or a similar curvature, that is, within a predetermined curvature interval.
  • assignment criteria can be determined, for example, using machine learning.
  • the first Gaussian distributions and at least a part of the second Gaussian distributions are each assigned a label, with only those Gaussian distributions which have a matching label being used to determine the closest Gaussian distribution exhibit.
  • the label may, for example, indicate an object type and/or an object class of an object described by the Gaussian distribution. It is possible for a physical object to be described by multiple Gaussian distributions, where the Gaussian distributions each describe a part or a section of the object. Each of the Gaussian distributions can be assigned a label that describes the object type and/or the object class of the entire object.
  • the closest Gaussian distribution it can be provided according to the invention that only Gaussian distributions are taken into account whose mean value is within a multiple of the variance of the Gaussian distribution for which the closest Gaussian distribution is determined. In this way, the computational effort in determining the respective distances resulting from the one or more distance criteria can be reduced. Of those Gaussian distributions that lie within the multiple of the variance, the Gaussian distribution lying at the shortest distance can then be chosen as the closest Gaussian distribution. When using one or more assignment criteria, the Gaussian distribution can also be selected in which the at least one assignment criterion matches and which of several Gaussian distributions with matching assignment criteria has the smallest distance.
  • the transformation rule is determined in relation to mean values of the respective Gaussian distributions and/or in relation to covariance matrices of the respective Gaussian distributions.
  • the transformation rule is determined in relation to mean values of the respective Gaussian distributions and/or in relation to covariance matrices of the respective Gaussian distributions.
  • the entire information that can be derived from the respective Gaussian distributions can advantageously be taken into account, so that a more precise and/or faster determination of the transformation rule is made possible.
  • Taking the covariance matrices into account also allows the particularly elliptical shape of the Gaussian distributions to be taken into account when determining the transformation rule describing a shift and/or a rotation.
  • Taking the covariance matrices into account can be implemented as a weighted determination of the transformation regulations.
  • the inverses of the covariance matrices for example, can be used as weighting factors.
  • a transformation rule comprising scaling is determined, in particular by means of singular value decomposition.
  • the transformation rule can include scaling to compensate for a different scale between the first coordinate system and the second coordinate system.
  • the transformation rule can include, for example, an enlargement or reduction factor as a scaling in relation to one of the coordinate systems.
  • singular value decomposition SMD is that the computational effort required to determine the transformation rule is comparatively low
  • a transformation rule comprising an error covariance matrix is determined, in particular by means of a Gauss-Helmert model.
  • the error covariance matrix can be used to provide information about the accuracy of the transformation rule.
  • a Gauss-Helmert model to determine the transformation rule, in addition to a transformation rule describing, for example, a shift, a rotation and a scaling, an associated error covariance matrix can also be efficiently determined.
  • efficient transferability and efficient application of the method can also be made possible with sensor data sets comprising more than two dimensions.
  • an initial transformation can be applied to at least one of the coordinate systems, the initial transformation being determined as a function of movement information describing the movement.
  • the initial transformation can be carried out in particular before a first assignment of the Gaussian distributions in order to at least partially compensate for an offset between the first coordinate system and the second coordinate system at the beginning.
  • the initial transformation can be carried out in particular if the offset between the first coordinate system and the second coordinate system can be estimated at least approximately based on movement information which describes the movement of the vehicle from the first vehicle position to the second vehicle position.
  • the movement information is determined using odometry and/or using a navigation method, in particular using satellite navigation.
  • the movement information can be determined, for example, by a control device designed to carry out the method.
  • the control device can be part of the vehicle and/or a sensor device that also includes the at least one sensor.
  • the control device can be connected to determine the movement information, for example by means of an odometry device that provides odometry data and/or a navigation device that provides navigation data, for example a satellite navigation device, or can comprise an odometry device and/or a navigation device.
  • a sensor device for a sensor device according to the invention it is provided that it comprises at least one sensor and at least one control device, the control device being designed to carry out a method according to the invention.
  • the control device can form a structural unit with the at least one sensor or can be designed separately from the sensor and with it be communicatively connected.
  • the control device can be a part of the vehicle or a control device external to the vehicle that is communicatively connected to the at least one sensor.
  • a vehicle according to the invention it is intended for a vehicle according to the invention to comprise a sensor device according to the invention.
  • the control device of the sensor device can be arranged in the vehicle.
  • the control device can also be arranged external to the vehicle and communicate with the at least one sensor via a particularly wireless communication connection.
  • a computer program product according to the invention is intended to include instructions that cause a control device to carry out a method according to the invention.
  • the computer program product according to the invention can be stored on a non-transient data carrier, for example a CD, a floppy disk or a USB stick. It is also possible for the computer program product to be stored on a computing device, from which it can be accessed via a communication connection, for example the Internet, and/or stored on a control device.
  • FIG. 1 shows an exemplary embodiment of a vehicle according to the invention with an exemplary embodiment of a sensor device according to the invention
  • FIG. 2 shows a flowchart of an exemplary embodiment of a method according to the invention
  • 3 shows a diagram comprising first Gaussian distributions and second Gaussian distributions to explain the exemplary embodiment of a method according to the invention
  • FIG. 4 shows a further diagram comprising the measuring points of the sensor device used to form the Gaussian distributions.
  • FIG. 1 An exemplary embodiment of a vehicle 1 is shown in FIG. In the vicinity of the vehicle 1, which is designed as a passenger car, there are two further vehicles 2, 3, between which there is a parking space 4.
  • the vehicle 1 includes an exemplary embodiment of a sensor device 5, which includes a control device 6 and one or more sensors 7. For the sake of clarity, only a single sensor 7 is shown.
  • the sensor 7 is designed as an ultrasonic sensor and is used to detect part of the surroundings of the vehicle 1.
  • the control device 6 is set up to carry out a method for localizing the vehicle 1 in a sensor data set describing the surroundings of the vehicle 1.
  • the sensor data set can be recorded using the sensor 7 or the sensor device 5.
  • the control device 6 can form a structural unit with the at least one sensor 7 or can be designed separately from the sensor and connected to it in a communicative manner.
  • the control device can be part of the vehicle 1 or a control device external to the vehicle that is connected to the at least one sensor 7, in particular in a wirelessly communicating manner.
  • the sensor 7 has a detection area 8 in which signals emitted by the sensor 7 are reflected on objects in the surroundings of the vehicle 1, for example the vehicles 2, 3, and received again as echoes. From these echoes, the sensor device 5 can determine the distance to the objects or vehicles 2, 3, for example from a transit time measurement.
  • the relative arrangement between the vehicle 1 and the external vehicle 2, 3 changes. For example, when this movement is carried out in the course of an assisted or At least partially automated driving maneuvers, it may be necessary to determine the second vehicle position 10 with a high level of accuracy. This requires localization of the vehicle 1, which can be carried out by the control device 6 on the basis of sensor data sets determined by the sensor 7.
  • FIG. 2 shows a flowchart of an exemplary embodiment of a method for localizing a vehicle in a sensor data set describing an environment of the vehicle and recorded with the aid of at least one sensor of the vehicle.
  • the method can be carried out by the control device 5.
  • a first sensor data set is recorded in a step S1 via the sensor device 5 or the sensor 7.
  • the first sensor data set includes several measuring points, each of which corresponds to one of the signals emitted by the sensor 7 and received as echoes.
  • the first sensor data set includes several first Gaussian distributions, each of which is formed from one or more measuring points of the sensor device 5. The measuring points or the Gaussian distributions are specified in relation to a first coordinate system.
  • the vehicle moves into a second vehicle position in a step S2.
  • a second sensor data set is then recorded in a step S3 via the sensor device 5 or the sensor 7.
  • the sensor data set recorded in the second vehicle position 10 also includes several second Gaussian distributions, which are specified in relation to a second coordinate system. Both the first coordinate system and the second coordinate system can be specified in relation to the vehicle 1, but the coordinate systems have an offset from one another, which corresponds to the movement of the vehicle 1, i.e. the movement between the first vehicle position 9 and the second vehicle position 10 .
  • control device 6 determines a transformation rule which determines the offset between the first coordinate system of the first Sensor data set and the second coordinate system of the second sensor data set. From the first vehicle position 9 and the transformation rule, the second vehicle position 10 and thus the current vehicle orientation at this point in time relative to the environment or the external vehicles 2, 3 can then be determined.
  • a step S4 the first sensor data set and the second sensor data set are combined. This can be done, for example, by transferring the measuring points from the second sensor data set to the first sensor data set.
  • the positions assigned to the respective measuring points differ due to the offset between the first coordinate system and the second coordinate system.
  • FIG. 3 shows a diagram which includes first Gaussian distributions 11 and second Gaussian distributions 12.
  • the diagram represents, for example, the first coordinate system, with an x coordinate plotted on the abscissa and a y coordinate plotted on the ordinate.
  • the first Gaussian distributions 11 are each formed from the measuring points of the first sensor data set and are shown with closed points.
  • the second Gaussian distributions 12 are each formed from the measuring points of the second sensor data set.
  • the second Gaussian distributions 12 are represented by X-shaped points.
  • the first Gaussian distributions 11 in the first sensor data set and the second Gaussian distributions 12 each describe an ellipse summarizing one or more measurement points in the second sensor data set.
  • the measuring points used to form the Gaussian distributions 11, 12 are shown in FIG. 4, with symbols corresponding to the representation of the Gaussian distributions being used for the measuring points.
  • the measuring points shown in Fig. 4 are for illustrative purposes only.
  • the measuring points are preferably not part of the sensor data sets, which in particular only contain the Gaussian distributions instead of the measuring points in order to enable simpler data processing and data storage.
  • the Gaussian distributions 11, 12 each extend in the x-direction and in the y-direction and are therefore each two-dimensional. It can be seen that there is a spatial offset between the second Gaussian distributions 12 and the first Gaussian distributions 11.
  • each of the first Gaussian distributions 11 from the first sensor data set recorded in the first vehicle position 9 is assigned the closest second Gaussian distribution 12 from the second sensor data set.
  • the assignment is carried out by evaluating at least one distance criterion describing a distance between two Gaussian distributions.
  • the second Gaussian distribution 12 is selected as the closest Gaussian distribution which has the shortest distance to the first Gaussian distribution 11.
  • the second Gaussian distributions 12_1, ..., 12_K are assigned to the first Gaussian distributions 11_1, ..., 11_N.
  • each first Gaussian distribution 11_1, ..., 11_N is assigned a second Gaussian distribution 12.
  • the number K of the second Gaussian distributions 12 can differ from the number N of the first Gaussian distributions.
  • the second Gaussian distribution 12 with the smallest distance is assigned to the first Gaussian distributions 11.
  • a Mahalanobis distance, a Bhattacharyya distance, a Kullback-Leibler distance and/or a probability-based distance between two Gaussian distributions can be used as a distance criterion, the probability-based distance indicating the probability that the mean of one of the Gaussians -Distributions in the other Gaussian distribution is assigned.
  • the aforementioned distances each enable the calculation of a spatial distance between a first Gaussian distribution 11 and a second Gaussian distribution 12 in relation to the x coordinate and the y coordinate.
  • the closest Gaussian distribution In order to reduce the computational effort in determining the closest Gaussian distribution, for example, only those second Gaussian distributions 12 can be taken into account whose mean value is within a multiple of the variance of the first Gaussian distribution 11 to which the closest Gaussian distribution is should be determined. Of the second Gaussian distributions 12, which lie within the multiple of the variance, the second Gaussian distribution 12 located at the shortest distance can then be selected as the closest Gaussian distribution.
  • a transformation rule is then determined which describes a shift and/or a rotation of the second Gaussian distributions 12 in relation to the first Gaussian distributions 11.
  • the second Gaussian distributions 13 transformed according to the transformation rule are shown in FIG. 3 by means of O-shaped points. Points corresponding to the transformed Gaussian distributions 13 are also shown in FIG. These measuring points also serve for illustrative purposes only. Preferably, the measuring points corresponding to the transformed measuring points are also not part of the sensor data sets, which in particular contain the Gaussian distributions instead of the measuring points.
  • the transformed second Gaussian distributions 13 have a smaller spatial offset from the first Gaussian distributions 11.
  • the transformation rule is determined in particular by minimizing the distances described by the distance criterion between the first Gaussian distributions 11 and their respective assigned ones. closest second Gaussian distributions 12. In particular, a sum of the distances can be minimized.
  • the transformation rule can also describe a scaling in order to compensate for a different scale between the first coordinate system and the second coordinate system.
  • the transformation rule can be determined, for example, using singular value decomposition. It is possible for a transformation rule comprising an error covariance matrix to be determined, the transformation rule being able to be determined, for example, using a Gauss-Helmert model.
  • the transformation rule can be determined, for example, in relation to the mean values of the respective first and second Gaussian distributions 11, 12 and/or in relation to covariance matrices of the respective first and second Gaussian distributions 11, 12. Taking the covariance matrices into account can be implemented as a weighted determination of the transformation regulations, with the inverses of the covariance matrices being used as weighting factors, for example.
  • steps S5 and S6 are then carried out again at least once in order to further reduce the spatial offset between the first Gaussian distributions 11 and the transformed second Gaussian distributions 13.
  • the first Gaussian distributions 11 it is possible for the first Gaussian distributions 11 to be assigned at least partially different second Gaussian distributions than in the first iteration of this step.
  • a second Gaussian distribution 12, 13 it is also possible for a second Gaussian distribution 12, 13 to be assigned to more than one first Gaussian distribution 11 as the closest Gaussian distribution.
  • a step S7 the second vehicle position 10 is determined based on the first vehicle position 9 and the one or more transformation rules determined in step S6 determined.
  • an initial transformation can be applied to at least one of the coordinate systems in an optional step Si to improve the convergence of the method.
  • the initial transformation can be determined depending on movement information describing the movement of the vehicle 1 from the first vehicle position 9 to the second vehicle position 10.
  • the initial transformation can be applied in particular before the first implementation of step S5 and allows at least partial compensation of the offset between the first coordinate system and the second coordinate system.
  • the movement information can be determined, for example, using odometry and/or using a navigation method, in particular using satellite navigation.
  • the movement information can be determined by the control device 6, for example.
  • the control device 6 can be connected to determine the movement information, for example by means of an odometry device (not shown) of the vehicle 1 that provides odometry data and/or a navigation device (not shown) of the vehicle 1 that provides navigation data.
  • the control device 6 can comprise an odometry device and/or a navigation device.
  • the closest Gaussian distributions can additionally or alternatively be assigned depending on at least one assignment criterion.
  • the assignment criterion can be, for example, a ratio between the amplitudes of the measured values described by the Gaussian distributions, a ratio between directions that are assigned to the measured values described by the Gaussian distributions, and / or a ratio between the curvatures of the measured values described by the Gaussian distribution objects described can be used.
  • the assignment criteria can be used in addition to the distance criterion, or one or more higher-dimensional distance criteria can be used, which, in addition to a spatial distance in relation to the x-coordinate and to the y-coordinate, also at least one further, include a dimension corresponding to an assignment criterion. It is possible for several assignment criteria to be used, which are weighted among each other using weighting factors.
  • a first Gaussian distribution 11 is assigned a second Gaussian distribution 12, which reflected from the same object, for example one of the external vehicles 2, 3, or from the same part or section of an object Measured values included. Since the properties of the object influence the echoes reflected from the object, properties of the echoes can be considered in order to determine appropriate Gaussian distributions or to avoid obvious or at least very likely misattributions.
  • assignable second Gaussian distributions 12 it is possible, for example, for several assignable second Gaussian distributions 12 to lie within a predetermined distance range around a first Gaussian distribution 11, with the closest Gaussian distribution from this group of second Gaussian distributions 12 depending on the at least one assignment criterion, in particular is selected depending on the degree of agreement between the properties of the Gaussian distributions and/or their measured values, which are considered as assignment criteria.
  • assignment rules can also be used in relation to the assignment criteria and the distances between the Gaussian distributions described in each case by the distance criterion.
  • the relationship between the amplitudes of the measured values described by the Gaussian distributions can be used as the assignment criterion.
  • An assignment of a second Gaussian distribution 12 can be the closest one Gaussian distribution to a first Gaussian distribution 11 occurs when the amplitudes are as similar as possible or when the amplitude ratio of the measured values lies within a predetermined interval.
  • the amplitudes of individual measured values or averaged amplitudes of all measured values forming the respective Gaussian distribution 11, 12 can be considered.
  • the relationship between directions that are assigned to the measured values described by the Gaussian distributions 11, 12 can also be considered as an assignment criterion, with an assignment taking place in particular when the same or at least a similar direction is assigned to the measured values is.
  • the direction can optionally be corrected based on the or further movement information describing the movement of the vehicle 1 in order to take into account a relative change in direction due to the vehicle movement.
  • the azimuth angle of the sensor detection area 8 in the xy plane, at which the echoes forming the measured values are received by the sensor 7, can be used as the direction.
  • the directions of individual measured values or the averaged directions of all measured values forming the respective Gaussian distribution can be considered.
  • a similar direction can be assumed, for example, if the ratio of the directions or the respective azimuth angles lie in a predetermined interval.
  • second Gaussian distributions 12 can be considered as possible closest Gaussian distributions, which describe objects or object sections with the same or a similar curvature, that is, within a predetermined curvature interval. It is possible for at least some of the first Gaussian distributions 11 and at least some of the second Gaussian distributions 12 to be assigned a label, with only those being used to determine the closest second Gaussian distribution 12 to a first Gaussian distribution 11 second Gaussian distributions 12 are used, which have a matching label.
  • the label can, for example, describe an object type and/or an object class of an object described by the Gaussian distribution. For example, the label can indicate that the object is a third-party vehicle 2, 3 or a boundary of the parking space 4.
  • the closest first Gaussian distribution 11 can also be assigned to the second Gaussian distributions 12, in particular to each of the second Gaussian distributions 12.
  • the above statements apply analogously to such an assignment.
  • more than two dimensions for example three-dimensional or comprising more than three dimensions
  • sensor data sets and corresponding coordinate systems can also be used.
  • the Gaussian distributions 11, 12 can also be three-dimensional or correspondingly multi-dimensional.
  • the transformation rule can advantageously be determined as a covariance matrix, or comprising a covariance matrix.
  • the method for localizing the vehicle 1 can take place in particular as part of an assisted, semi-autonomous or autonomous driving maneuver.
  • the control device 6 or a further control device of the vehicle or an external computing device communicating with the control device 6 can be used to determine a travel trajectory for a semi-autonomous or autonomous vehicle movement based on the determined second position information.
  • at least one actuator of the vehicle 1 can be controlled in order to carry out a longitudinal and/or transverse movement of the vehicle 1.
  • one designed to display information to a driver of the vehicle 1 can also be used Display device can be controlled depending on the second vehicle position 10, in particular for displaying information determined depending on the second vehicle position 10.

Landscapes

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

Abstract

Verfahren zur Lokalisierung eines Fahrzeugs (1) aus eine Umgebung des Fahrzeugs (1) beschreibenden Sensordatensätzen, welche jeweils mehrere Gauß-Verteilungen (11, 12) umfassen, mit den Schritten: - Aufnehmen eines ersten Sensordatensatzes an einer ersten Fahrzeugposition (9), wobei der erste Sensordatensatz mehrere erste Gauß-Verteilungen (11) in einem ersten Koordinatensystem umfasst, - Aufnehmen eines zweiten Sensordatensatzes nach einer Bewegung des Fahrzeugs (1), wobei der zweite Sensordatensatz mehrere zweite Gauß-Verteilungen (12) in einem zweiten Koordinatensystem umfasst, - Zuordnen der jeweils nächstliegenden ersten Gauß-Verteilung (11) zu den zweiten Gauß-Verteilungen (12) oder der jeweils nächstliegenden zweiten Gauß-Verteilung (12) zu den ersten Gauß-Verteilungen (11), wobei die Zuordnung jeweils durch Auswertung eines Distanzkriteriums erfolgt, - Ermitteln wenigstens einer eine Verschiebung und/oder eine Rotation umfassenden Transformationsvorschrift zwischen dem ersten und dem zweiten Koordinatensystem unter Minimierung der von dem Distanzkriterium beschriebenen Abstände zwischen den jeweils nächstliegenden Gauß-Verteilungen (11, 12), - Ermitteln einer zweiten Fahrzeugposition (10) aus der ersten Fahrzeugposition (9) und der Transformationsvorschrift.

Description

Beschreibung
Verfahren zur Lokalisierung eines Fahrzeugs, Sensoreinrichtung, Fahrzeug und Computerprogrammprodukt
Die Erfindung betrifft ein Verfahren zur Lokalisierung eines Fahrzeug aus eine Umgebung des Fahrzeugs beschreibenden, mit Hilfe wenigstens eines Sensors einer Sensoreinrichtung des Fahrzeugs aufgenommenen Sensordatensätzen, wobei die Sensordatensätze jeweils mehrere Gauß-Verteilungen umfassen, wobei die Gauß-Verteilungen jeweils aus wenigstens einem Messpunkt der Sensoreinrichtung gebildet werden und in Bezug zu einem Koordinatensystem jeweils zumindest einen Teil eines Objekts im Umfeld des Fahrzeugs beschreiben. Weiterhin betrifft die Erfindung eine Sensoreinrichtung, ein Fahrzeug sowie ein Computerprogrammprodukt.
Um Kenntnisse über ihre Umgebung zu erhalten, können Fahrzeuge Sensoren aufweisen, welche beispielsweise Objekte in der Umgebung des Fahrzeugs erkennen können. Die Kenntnis über die Präsenz der Objekte kann Fahrvorgänge des Fahrzeugs erleichtern. Die über die Sensoren gewonnenen Informationen können dabei sowohl einem Fahrer angezeigt werden als auch autonome oder teilautonome Fahrvorgänge ermöglichen.
Als Sensoren können dabei beispielsweise Abstandssensoren eingesetzt werden, welche den Abstand zwischen dem Sensor bzw. dem Fahrzeug und einem Objekt in der Umgebung des Fahrzeugs ermitteln können. Abstandssensoren umfassen üblicherweise eine Sendeeinrichtung, welche Signale aussendet sowie eine Empfangseinrichtung, welche an Objekten in der Umgebung reflektierte Signale als Echos empfängt. Dabei kann anhand einer Laufzeitdifferenz zwischen dem Zeitpunkt des Sendens des Signals und dem Zeitpunkt des Empfangs des Echos unter Berücksichtigung der Ausbreitungsgeschwindigkeit des Signals der Abstand, oder anders ausgedrückt, die Entfernung, zum Objekt bestimmt werden.
Üblicherweise können derartige Abstandssensoren in Kraftfahrzeugen zur Umfelderfassung eingesetzt werden. Besondere Bedeutung spielen dabei zum Beispiel Ultraschallsensoren, welche insbesondere bei semi-automatischen oder automatischen Fahrmanövern, vor allem im Zusammenhang mit Parkanwendungen, etwa der Parkdistanzmessung, Parklückensuche oder beim Parken, eingesetzt werden können. Dabei wird das Kraftfahrzeug üblicherweise relativ zu den Objekten bewegt, wobei während des Bewegens zu vorbestimmten Zeitpunkten jeweils ein Messzyklus durchgeführt wird. Bei jedem Messzyklus wird dabei mit einem Abstandssensor wenigstens ein Signal ausgesendet.
Wenn zwischen zwei Messzyklen eine Fahrzeugbewegung stattgefunden hat, dann ändert sich die Position und/oder die Orientierung der erfassten Objekte in Bezug zu einem fahrzeugfesten Koordinatensystem. Wenn aus einem Vergleich zwischen den relativen Objektanordnungen aus unterschiedlichen Messzyklen eine Information über die Fahrzeugbewegung abgeleitet werden soll, dann ist es erforderlich, eine auch als Registrierung bezeichnete Zuordnung der jeweils ermittelten Objekte vorzunehmen. Dadurch kann die relative Positionsänderung der Objekte in Bezug zum Fahrzeug ermittelt werden. Aus der relativen Positionsänderung von stationären Objekten kann anschließend auch eine Bewegung des Fahrzeugs nachvollzogen werden.
Die Zuordnung bzw. Registrierung der Objekte stellt dabei eine Herausforderung dar. Die dazu anwendbaren Verfahren können insbesondere von der Art einer Objektbeschreibung in den Umfelddaten, welche aus den Messwerten der Sensoren erzeugt werden, abhängen. Die Umfelddaten können dabei beispielsweise als Punktewolken aus den Messpunkten oder als Objektkarten, in denen die erfassten Objekte als geometrische Figuren, zum Beispiel als Polygone, beschrieben sind, erzeugt werden.
Ein Verfahren, um unterschiedliche Punkte in zwei Datensätzen zuzuordnen, wird zum Beispiel in dem Artikel von Besl, Paul J.; N.D. McKay 'A Method for Registration of 3-D Shapes", IEEE Transactions on Pattern Analysis and Machine Intelligence, 14 (2), S. 239-256, 1992, beschrieben. Dabei wird eine Transformation bzw. Abbildungsvorschrift, welche einen ersten Punktdatensatz auf einem zweiten Punktdatensatz abbildet, ermittelt, indem für die Punkte des ersten Datensatzes schrittweise jeweils der nächstliegende Punkt in dem zweiten Datensatz gesucht wird. Anschließend wird einer der Datensätze in einem Transformationsschritt transformiert, um die Abstände zu minimieren. Diese Schritte werden so oft ausgeführt, bis ein Minimum der Abstände erreicht wurde. Die Abbildungsvorschrift für die Datensätze ergibt sich dann aus der Summe der jeweils durchgeführten T ransformationsschritte.
Neben Beschreibungen von Objekten durch Punktewolken aus Messpunkten oder als Polygone können Objekte auch in anderer Form in den Umfelddaten abgebildet werden. Insbesondere sind in dieser Hinsicht Beschreibungen wünschenswert, welche eine kompakte, das heißt datensparsame, Beschreibung der Objekte ermöglichen. Kompaktere Umfelddaten reduzieren die zu ihrer Verarbeitung und/oder Speicherung benötigten Ressourcen und ermöglichen somit eine effizientere Verwendung und/oder den Einsatz günstigerer Hardware.
Jedoch stellt sich auch für eine solche Beschreibung von Objekten die Herausforderung, eine effiziente Zuordnung bzw. Registrierung von Objekten in zwei unterschiedlichen Datensätzen vorzunehmen.
Der Erfindung liegt die Aufgabe zugrunde, eine effizientes Verfahren zur Zuordnung bzw. Registrierung von Objekten in Sensordatensätzen anzugeben, welches insbesondere auch eine kompakte Beschreibung der Objekte ermöglicht.
Zur Lösung dieser Aufgabe ist bei einem Verfahren der eingangsgenannten Art erfindungsgemäß vorgesehen, dass das Verfahren die folgenden Schritte umfasst:
- Aufnehmen eines ersten Sensordatensatzes an einer ersten Fahrzeugposition, wobei der erste Sensordatensatz mehrere erste Gauß-Verteilungen in einem ersten Koordinatensystem umfasst,
- Aufnehmen eines zweiten Sensordatensatzes nach einer Bewegung des Fahrzeugs, wobei der zweite Sensordatensatz mehrere zweite Gauß-Verteilungen in einem zweiten Koordinatensystem umfasst,
- Zuordnen der jeweils nächstliegenden ersten Gauß-Verteilung zu den zweiten Gauß-Verteilungen oder der jeweils nächstliegenden zweiten Gauß-Verteilung zu den ersten Gauß-Verteilungen, wobei die Zuordnung jeweils durch Auswertung wenigstens eines einen Abstand zwischen zwei Gauß-Verteilungen beschreibenden Distanzkriteriums erfolgt, - Ermitteln wenigstens einer eine Verschiebung und/oder eine Rotation umfassenden Transformationsvorschrift zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem unter Minimierung der von dem Distanzkriterium beschriebenen Abstände zwischen den jeweils nächstliegenden Gauß-Verteilungen,
- Ermitteln einer zweiten Fahrzeugposition aus der ersten Fahrzeugposition und der wenigstens einen
T ransformationsvorschrift.
Es wird also zunächst an einer ersten Fahrzeugposition ein erster Sensordatensatz erfasst. Die erste Fahrzeugposition kann zum Beispiel der Zielort einer zuvor durchgeführten Fahrzeugbewegung sein. Das Fahrzeug kann sich dabei zumindest teilweise selbstständig, d.h. autonom oder teilautonom, in die erste Position bewegt haben. Alternativ kann das Fahrzeug auch durch einen Fahrer in die erste Position bewegt worden sein. Die erste Fahrzeugposition kann insbesondere abhängig von einem mit der Unterstützung des erfindungsgemäßen Verfahrens durchzuführendem Fahrmanöver gewählt werden. Das Fahrmanöver kann dabei insbesondere autonom oder teilautonom durchgeführt werden. Bei dem Fahrmanöver kann es sich zum Beispiel um einen Parkvorgang, also ein Einparken oder ein Ausparken, handeln. Bei einem Einparkvorgang kann sich die erste Fahrzeugposition beispielsweise in der Umgebung einer Parklücke befinden, bei einem Ausparkvorgang kann entsprechend die erste Fahrzeugposition innerhalb der Parklücke liegen.
In der ersten Fahrzeugposition wird der erster Sensordatensatz erfasst, welcher folglich die Objekte in der Umgebung des Fahrzeugs beschreibt. Mittels des wenigstens einen Sensors, welcher beispielsweise als ein Ultraschallsensor ausgeführt ist, werden dazu mehrere Messpunkte erfasst. In dem Sensordatensatz werden insbesondere ein oder mehrere Messpunkte, welche beispielsweise aus einer ähnlichen Entfernung und/oder aus einer ähnlichen Richtung reflektierte Signale (Echos) des Sensors beschreiben, zu einer durch eine Gauß-Verteilung beschriebenen Ellipse zusammengefasst. Die Form der Gauß-Verteilung bzw. der Ellipse kann dabei insbesondere der räumlichen Verteilung der Reflektionsorte der durch die jeweiligen Messpunkte beschriebenen Echos entsprechen oder an diese zumindest angenähert werden. Dabei kann eine Ellipse bzw. eine die Ellipse beschreibende Gauß-Verteilung jeweils ein Objekt oder einen Teil bzw. einen Abschnitt eines Objekts im Umfeld des Fahrzeugs beschreiben. Insbesondere große Objekte und/oder Objekte mit einer komplexeren Geometrie können dabei jeweils durch mehrere Gauß-Verteilungen bzw. mehrere Ellipsen beschrieben werden.
Die räumliche Verteilung der Messpunkte und/oder die räumliche Ausdehnung der aus den Messpunkten ermittelten Gauß-Verteilungen wird im ersten Sensordatensatz in Bezug zu dem ersten Koordinatensystem angegeben. Das erste Koordinatensystem kann beispielsweise die Anordnung der Gauß-Verteilungen in Bezug zu dem Sensor bzw. in Bezug zu dem Fahrzeug beschreiben. Da sich das Fahrzeug bei der Aufnahme des ersten Sensordatensatzes in der ersten Fahrzeugposition befindet, gibt das erste Koordinatensystem die räumliche Verteilung der Gauß-Verteilungen also in Bezug zu der ersten Fahrzeugposition an.
Bewegt sich das Fahrzeug nun in eine zweite Fahrzeugposition, welche von der ersten Fahrzeugposition verschieden ist und, so ändert sich das Bezugsystem, zu dem die räumliche Verteilung der Gauß-Verteilungen bei der Messung des zweiten Sensordatensatzes durch den wenigstens einen Sensor angegeben wird. Die in dem zweiten Sensordatensatz beschriebenen Gauß-Verteilungen sind in einem zweiten Koordinatensystem angegeben, welches sich ebenfalls auf das Fahrzeug beziehen kann. Aufgrund der Fahrzeugbewegung in die zweite Fahrzeugposition beziehen sich die Gauß-Verteilungen nun auf die zweite Fahrzeugposition.
Um eine Lokalisierung des Fahrzeugs, also eine Bestimmung der zweiten Fahrzeugposition aus der ersten Fahrzeugposition, zu ermöglichen, werden anschließend der erste Sensordatensatz und der zweite Sensordatensatz zusammengeführt, indem beispielsweise die Gauß-Verteilungen des einen Sensordatensatzes ohne Berücksichtigung des Versatzes zwischen den Koordinatensystemen in den zweiten Sensordatensatzes übernommen werden. Anschließend kann für die ersten Gauß-Verteilungen des ersten Sensordatensatzes jeweils die nächstliegende Gauß-Verteilung im zweiten Sensordatensatz ermittelt werden. Die jeweils nächstliegende Verteilung wird dabei durch Auswertung des einen Abstand zwischen zwei Gauß-Verteilungen beschreibenden Distanzkriteriums ermittelt. Es ist an dieser Stelle ebenso möglich, dass für die zweiten Gauß-Verteilungen die jeweils nächstliegende erste Gauß-Verteilung ermittelt wird.
Nachdem insbesondere für jede der Gauß-Verteilungen des einen Sensordatensatzes die jeweils nächstliegende Gauß-Verteilung des anderen Sensordatensatzes ermittelt wurde, wird eine eine Verschiebung und/oder eine Rotation umfassende Transformationsvorschrift zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem ermittelt. Die Ermittlung der Transformationsvorschrift erfolgt dabei unter Minimierung der von dem Distanzkriterium beschriebenen Abstände zwischen den jeweils nächstliegenden Gauß-Verteilungen. In anderen Worten erfolgt ein Ausrichten des ersten Koordinatensystems und des zweiten Koordinatensystems relativ zueinander, wodurch die unterschiedlichen Bezugspositionen zumindest teilweise ausgeglichen werden können.
Dies ermöglicht es, dass mithilfe der Transformationsvorschrift aus der ersten Position die zweite Fahrzeugposition ermittelt, beispielsweise berechnet oder zumindest angenähert, werden kann. Es ist insbesondere möglich, dass nach dem Ermitteln einer ersten Transformationsvorschrift eine erneute, weitere Zuordnung der Gauß-Verteilungen erfolgt und anschließend eine weitere Transformationsvorschrift durch erneute Minimierung der durch das Distanzkriterium beschriebenen Abstände zwischen den nun zugeordneten Paaren von Gauß-Verteilungen ermittelt wird. Die Schritte der Zuordnung der Gauß-Verteilungen sowie der Ermittlung einer Transformationsvorschrift können dabei so oft wiederholt werden, bis ein Minimum für die Abstände erreicht wurde. Es kann also iterativ eine Wiederholung der Zuordnung sowie der anschließenden Ermittlung einer Transformationsvorschrift vorgenommen werden.
Die zweite Fahrzeugposition kann dann insbesondere in Abhängigkeit aller ermittelten Transformationsvorschriften bestimmt werden. Dabei kann beispielsweise eine alle Verschiebungen und/oder alle Rotationen abbildende Gesamttransformationsvorschrift bestimmt werden, welche angewendet auf die erste Fahrzeugposition zum Ermitteln der zweiten Fahrzeugposition verwendet werden kann.
Bezüglich der Zuordnung der Gauß-Verteilungen des einen Sensordatensatzes zu den Gauß-Verteilungen des anderen Sensordatensatzes ist zu erwähnen, dass jeweils die nächstliegende, also die in dem geringsten, vom Distanzkriterium beschriebenen Abstand, liegende Gauß-Verteilung betrachtet wird. Diese muss nicht zwingend einer demselben Objekt zugeordneten Gauß-Verteilung entsprechen. Insbesondere können sich die jeweils nächstliegenden Gauß-Verteilungen für unterschiedliche Zuordnungsschritte auch ändern. Iterativ können dabei vorteilhaft eine Verschiebung und/oder eine Rotation zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem bestimmt werden, sodass eine Lokalisierung des Fahrzeugs auf Grundlage des ersten Sensordatensatzes und des zweiten Sensordatensatzes möglich ist.
Die Lokalisierung des Fahrzeugs kann insbesondere im Rahmen eines (teil-)automatisierten Fahrvorgangs des Fahrzeugs erfolgen. Der erste Sensordatensatz und der zweite Sensordatensatz können jeweils auch als Karten bzw. Karteninformationen bezeichnet werden. Die Gauß-Verteilungen können jeweils eine mehrdimensionale Wahrscheinlichkeitsdichteverteilung sein. In den Sensordatensätzen können die Gauß-Verteilungen zum Beispiel als Kovarianz-Matrizen beschrieben werden.
Durch das erfindungsgemäße Verfahren wird vorteilhaft eine einfache Abbildung von Umgebungsinformationen ermöglicht. Die ermittelten Sensordatensätze sind dabei speichereffizient und benötigen dabei wenig Rechenleistung für ihre Erstellung. Auch die Lokalisierung des Fahrzeugs kann in einer vorgegebenen Dauer vorteilhaft mit einer vergleichsweise geringen Rechenleistung ermittelt werden. Dadurch ergibt sich vorteilhaft eine Eignung des Verfahrens für Sensoreinrichtungen, welche neben dem wenigstens Sensor eine Recheneinrichtung mit einer vergleichsweise geringen Rechenkapazität umfasst. Das erfindungsgemäße Verfahren ermöglicht es, auch bei einer solchen Sensoreinrichtung in einer annehmbaren Zeit eine Lokalisierung des Fahrzeugs auf Grundlage eines ersten und eines zweiten Sensordatensatzes vorzunehmen. Darüber hinaus weist die Lokalisierung des Fahrzeugs aus den Sensordatensätzen den Vorteil auf, dass eine genaue Positionsbestimmung, insbesondere während eines mehrere Bewegungen des Fahrzeugs umfassenden Fahrmanövers, möglich ist. Verglichen mit einer Positionsbestimmung über Odometrie weist das erfindungsgemäße Verfahren keinen sich akkumulierenden Fehler auf. Weiterhin kann mittels des Verfahrens auch bei Bewegungen auf engem Raum und/oder bei einem zu einem großen Anteil Dreh- und/oder Querbewegung des Fahrzeugs aufweisenden Fahrmanöver des Fahrzeugs, wie einem Parkvorgang, eine präzise Positionsermittlung erfolgen. Das Verfahren kann insbesondere auch dazu eingesetzt werden, mehrfach eine Fahrzeugposition im Verlauf eines Fahrmanövers zu ermitteln.
In einer bevorzugten Ausgestaltung der Erfindung kann vorgesehen sein, dass die Gauß-Verteilungen in dem ersten Sensordatensatz und dem zweiten Sensordatensatz jeweils eine einen oder mehrere Messpunkte zusammenfassende Ellipsen beschreiben. Eine Zusammenfassen insbesondere mehrerer Messpunkte als eine Ellipse stellt eine effiziente Möglichkeit zur Beschreibung der Objekte in den Sensordatensätzen dar. Eine Ellipse hat in diesem Zusammenhang den Vorteil, dass ihre mathematische Beschreibung verglichen mit einem Polygon oder einer Punktewolke vergleichsweise einfach ist und somit nur wenig Datenvolumen benötigt. Weiterhin kann eine Ellipse, beispielsweise abhängig von dem Verhältnis ihrer Halbachsen, unterschiedliche Formen annehmen und somit die Geometrie von unterschiedlichen Objekten beschreiben.
Vorteilhaft kann eine solche Ellipse durch eine Gauß-Verteilung beschrieben werden. Dabei kann die Ellipse zum Beispiel einer Wahrscheinlichkeit zugeordnet werden und eine insbesondere zweidimensionale Gauß-Verteilung kann derart ermittelt werden, dass sie aufgrund ihrer Kovarianz für diese Wahrscheinlichkeit die entsprechende Ellipse abbildet. Verglichen mit einer Beschreibung der Ellipsen über ihre Halbachsen und/oder ihre Brennpunkte stellt die Beschreibung der Ellipsen durch die Gauß-Verteilungen eine effiziente Art der mathematischen Beschreibung dar.
Erfindungsgemäß kann vorgesehen sein, dass die Gauß-Verteilungen jeweils wenigstens zweidimensional sind, wobei ein Distanzkriterium verwendet wird, welches wenigstens eine Distanz in Bezug zu den wenigstens zwei Dimensionen angibt. Die zwei Dimensionen können dabei einer Ebene einer Fahrbahnoberfläche entsprechen, auf welcher das Fahrzeug steht. Auf diese Weise können die Gauß-Verteilungen jeweils eine in dieser Ebene liegende Ellipse beschreiben. Es ist möglich, dass auch dreidimensionale Gauß-Verteilungen verwendet werden, insbesondere wenn der wenigstens eine Sensor und/oder eine den Sensor umfassende Sensoreinrichtung auch zur Ermittlung einer den jeweiligen Messpunkten zugeordneten Objekthöhe ausgebildet ist.
Als ein Distanzkriterium kann erfindungsgemäß eine Mahalanobis-Distanz, eine Bhattacharyya-Distanz, eine Kullback-Leibler-Distanz und/oder eine wahrscheinlichkeitsbasierte Distanz zwischen zwei Gauß-Verteilungen verwendet werden, wobei die wahrscheinlichkeitsbasierte Distanz die Wahrscheinlichkeit angibt, die dem Mittelwert einer der Gauß-Verteilungen in der anderen Gauß-Verteilung zugeordnet ist.
Als Mittelwert einer Gauß-Verteilung kann dabei zum Beispiel der Erwartungswert der Gauß-Verteilung verwendet werden. Die wahrscheinlichkeitsbasierte Distanz kann dabei die Wahrscheinlichkeit angeben, dass der Mittelwert bzw. Erwartungswert einer ersten Gauß-Verteilung in einer zweiten Gauß-Verteilung liegt, wobei diejenige zweite Gauß-Verteilung als nächstliegende Gauß-Verteilung ausgewählt wird, bei welcher die Wahrscheinlichkeit am größten ist. Entsprechend gilt dies auch bei umgekehrter Zuordnung einer ersten Gauß-Verteilung als nächstliegende Verteilung zu einer zweiten Gauß-Verteilung.
Alternativ oder zusätzlich können als Distanzkriterium auch mathematische Distanzen verwendet werden, welche einen Abstand zwischen zwei Verteilungen angeben, so wie beispielsweise die Bhattacharyya-Distanz oder die Kullback-Leibler-Distanz. Auch eine mathematische Distanz wie eine Mahalanobis-Distanz, welche den Abstand eines Punktes, beispielsweise eines Mittelpunkts einer der Verteilungen, zu einer Verteilung angibt, kann zusätzlich oder alternativ als ein Distanzkriterium verwendet werden.
Erfindungsgemäß kann vorgesehen sein, dass die Zuordnung der jeweils nächstliegenden Gauß-Verteilungen in Abhängigkeit wenigstens eines Zuordnungskriteriums erfolgt, wobei als Zuordnungskriterium ein Verhältnis zwischen den Amplituden der durch die Gauß-Verteilungen beschriebenen Messwerte, ein Verhältnis zwischen Richtungen, welche den durch die Gauß-Verteilungen beschriebenen Messwerten zugeordnet sind, und/oder ein Verhältnis zwischen den Krümmungen der durch die Gauß-Verteilung beschriebenen Objekte verwendet werden. Die Zuordnungskriterien können dabei jeweils zusätzlich zu dem Distanzkriterium verwendet werden, oder es können ein oder mehrere höherdimensionale Distanzkriterien verwendet werden, welche neben einer räumlichen Distanz, beispielsweise in x-Richtung und y-Richtung, auch wenigstens eine weitere, einem Zuordnungskriterium entsprechende Dimension umfassen. Durch die Verwendung der Zuordnungskriterien kann die Qualität der Zuordnungen verbessert werden kann. Vorteilhaft kann durch das Verwenden von einem oder mehreren Zuordnungskriterien die Anzahl an benötigten Iterationsschritten reduziert werden, sodass eine schnelle Ermittlung der Zuordnungsvorschrift ermöglicht wird.
Durch das Verwenden von einem oder mehreren Zuordnungskriterien wird es wahrscheinlicher, dass eine erste Gauß-Verteilung an eine zweite Gauß-Verteilung (oder umgekehrt) zugeordnet wird, welche von demselben Objekt reflektierte Messwerte umfasst. Da die Eigenschaften des Objekts Einfluss auf die von dem Objekt reflektierten Echos haben, können Eigenschaften der Echos betrachtet werden, um passende Gauß-Verteilungen zu ermitteln bzw. um offensichtliche oder zumindest sehr wahrscheinliche Fehlzuordnungen zu vermeiden.
In Abhängigkeit der Zuordnungskriterien kann also entschieden werden, ob statt einer den geringsten, durch das Distanzkriterium beschriebenen Abstand aufweisenden Gauß-Verteilung eine andere, beispielsweise die den zweitgeringsten Abstand aufweisende, Gauß-Verteilung als nächstliegende Gauß-Verteilung gewählt wird, wenn die in dem geringsten Abstand liegende Gauß-Verteilung nur einen schlechten Übereinstimmungsgrad bei einem oder mehreren betrachteten Zuordnungskriterien aufweist. Es ist zum Beispiel möglich, dass innerhalb eines Abstandsbereichs um eine erste Gauß-Verteilung, beispielsweise in Abständen, welche kleiner sind als ein vorgegebener Abstandsgrenzwert, mehrere zuordenbare zweite Gauß-Verteilungen liegen, wobei aus dieser Gruppe von zweiten Gauß-Verteilungen die nächstliegende Gauß-Verteilung in Abhängigkeit des wenigstens einen Zuordnungskriteriums, insbesondere in Abhängigkeit des Grad einer Übereinstimmung der als Zuordnungskriterium betrachteten Eigenschaften der Gauß-Verteilungen und/oder ihrer Messwerte, ausgewählt wird. Dieses Beispiel gilt entsprechend auch bei Zuordnung einer von mehreren ersten Gauß-Verteilungen zu einer zweiten Gauß-Verteilung.
Als Zuordnungskriterium kann das Verhältnis zwischen den Amplituden der durch die Gauß-Verteilungen beschriebenen Messwerte verwendet werden. Dabei kann eine Zuordnung einer Gauß-Verteilung als nächstliegende Gauß-Verteilung erfolgen, wenn die Amplituden möglichst ähnlich sind bzw. wenn das Amplitudenverhältnis innerhalb eines vorgegebenen Intervalls liegt. Zusätzlich oder alternativ dazu kann als ein Zuordnungskriterium auch das Verhältnis zwischen Richtungen, welche den durch die Gauß-Verteilungen beschriebenen Messwerten zugeordnet sind, betrachtet werden, wobei eine Zuordnung insbesondere dann erfolgt, wenn den Messwerten die gleiche oder zumindest eine ähnliche Richtung zugeordnet ist. Die Richtung kann dabei gegebenenfalls anhand einer die Bewegung des Fahrzeugs beschreibenden Bewegungsinformation korrigiert werden, um eine relative Richtungsänderung aufgrund der Fahrzeugbewegung zu berücksichtigen. Als Richtung kann dabei insbesondere der Azimut-Winkel, unter dem die die Messwerte bildenden Echos von dem Sensor empfangen werden, verwendet werden, wobei eine ähnliche Richtung vorliegen kann, wenn das Verhältnis der Richtungen bzw. der jeweiligen Azimut-Winkel in einem vorgegebenen Intervall liegen.
Es ist zusätzlich oder alternativ auch möglich, als Zuordnungskriterium das Verhältnis zwischen den Krümmungen der durch die Gauß-Verteilung beschriebenen Objekte zu verwenden. Die Krümmung bezieht sich dabei auf die Form des Objekts bzw. auf die Form einer zu dem Sensor gewandten Seitenfläche des Objekts. Es können dabei insbesondere Gauß-Verteilungen als mögliche nächstliegende Gauß-Verteilungen in Betracht gezogen werden, welche Objekte mit der gleichen oder einer ähnlichen, das heißt innerhalb eines vorgegebenen Krümmungsintervall liegenden, Krümmung beschreiben. In einer bevorzugten Ausgestaltung kann erfindungsgemäß vorgesehen sein, dass mehrere Zuordnungskriterien verwendet werden, wobei die Zuordnungskriterien untereinander gewichtet sind. Die Gewichtungsfaktoren können dabei beispielsweise mittels maschinellem Lernen ermittelt werden.
Erfindungsgemäß kann vorgesehen sein, dass zumindest einem Teil der ersten Gauß-Verteilungen und zumindest einem Teil der zweiten Gauß-Verteilungen jeweils ein Label zugewiesen wird, wobei für die Ermittlung der nächstliegenden Gauß-Verteilung nur diejenigen Gauß-Verteilungen herangezogen werden, welche ein übereinstimmendes Label aufweisen. Das Label kann zum Beispiel einen Objekttyp und/oder eine Objektklasse eines von der Gauß-Verteilung beschriebenen Objekts angeben. Es ist möglich, dass ein physikalisches Objekt durch mehrere Gauß-Verteilungen beschrieben wird, wobei die Gauß-Verteilungen jeweils einen Teil bzw. einen Abschnitt des Objekts beschreiben. Dabei kann jeder der Gauß-Verteilungen ein den Objekttyp und/oder die Objektklasse des Gesamtobjekts beschreibendes Label zugeordnet werden.
Für die Ermittlung der nächstliegenden Gauß-Verteilung kann erfindungsgemäß vorgesehen sein, dass nur Gauß-Verteilungen berücksichtigt werden, deren Mittelwert innerhalb eines Vielfachen der Varianz der Gauß-Verteilung liegen, zu der die nächstliegende Gauß-Verteilung ermittelt wird. Auf diese Weise kann der Rechenaufwand bei der Ermittlung der jeweiligen, aus den ein oder mehreren Distanzkriterien hervorgehenden Abstände reduziert werden. Von denjenigen Gauß-Verteilungen, welche innerhalb des Vielfachen der Varianz liegen, kann anschließend die in der geringsten Distanz liegende Gauß-Verteilung als nächstliegende Gauß-Verteilung gewählt werden. Bei Verwendung von einem oder mehreren Zuordnungskriterien kann auch diejenige Gauß-Verteilung gewählt werden, bei welcher das wenigstens eine Zuordnungskriterium übereinstimmt und welche von mehreren Gauß-Verteilungen mit übereinstimmenden Zuordnungskriterien den geringsten Abstand aufweist.
In einer bevorzugten Ausgestaltung kann erfindungsgemäß vorgesehen sein, dass die Transformationsvorschrift in Bezug zu Mittelwerten der jeweiligen Gauß-Verteilungen und/oder in Bezug zu Kovarianzmatrizen der jeweiligen Gauß-Verteilungen ermittelt wird. Bei der ausschließlichen Verwendung der Mittelwerte kann vorteilhaft der Rechenaufwand bei der Ermittlung der Transformationsvorschrift reduziert werden. Bei der zusätzlichen oder alternativen Berücksichtigung der Kovarianzmatrizen können vorteilhaft die gesamten, aus den jeweiligen Gauß-Verteilungen ableitbaren Informationen berücksichtigt werden, sodass eine genauere und/oder schnellere Ermittlung der Transformationsvorschrift ermöglicht wird. Das Berücksichtigen der Kovarianzmatrizen erlaubt es also, auch die insbesondere elliptische Form der Gauß-Verteilungen bei der Ermittlung der eine Verschiebung und/oder eine Rotation beschreibenden Transformationsvorschrift zu berücksichtigen. Das Berücksichtigen der Kovarianzmatrizen kann als eine gewichtete Ermittlung der Transformationsvorschriften umgesetzt werden. Dabei können als Gewichtungsfaktoren beispielsweise die Inversen der Kovarianzmatrizen verwendet werden.
Erfindungsgemäß kann vorgesehen sein, dass, insbesondere mittels Singulärwertzerlegung, eine eine Skalierung umfassende Transformationsvorschrift ermittelt wird. Die Transformationsvorschrift kann eine Skalierung umfassen, um einen unterschiedlichen Maßstab zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem auszugleichen. Neben einer Verschiebung und/oder einer Rotation kann die Transformationsvorschrift als Skalierung beispielsweise einen Vergrößerungs- oder Verkleinerungsfaktor in Bezug zu einem der Koordinatensysteme umfassen. Die Verwendung der Singulärwertzerlegung (engl. singular value decomposition, SVD) hat dabei den Vorteil, dass der Rechenaufwand für die Ermittlung der Transformationsvorschrift vergleichsweise gering ist
In einer bevorzugten Ausgestaltung kann vorgesehen sein, dass, insbesondere mittels eines Gauß-Helmert-Modells, eine eine Fehler-Kovarianzmatrix umfassende Transformationsvorschrift ermittelt wird. Durch die Fehler-Kovarianzmatrix kann eine Angabe zu der Genauigkeit der Transformationsvorschrift gemacht werden. Durch die Verwendung eines Gauß-Helmert-Modells zur Ermittlung der Transformationsvorschrift kann neben einer beispielsweise eine Verschiebung, eine Rotation und eine Skalierung beschreibenden Transformationsvorschrift auch eine dazugehörige Fehler-Kovarianzmatrix effizient ermittelt werden. Ferner kann dabei eine effiziente Übertragbarkeit sowie eine effiziente Anwendung des Verfahrens auch bei mehr als zwei Dimensionen umfassenden Sensordatensätzen ermöglicht werden.
Vor dem Ermitteln der jeweils nächstliegenden Gauß-Verteilungen kann erfindungsgemäß eine Initial-Transformation auf wenigstens eines der Koordinatensysteme angewendet wird, wobei die Initial-Transformation in Abhängigkeit einer die Bewegung beschreibenden Bewegungsinformation ermittelt wird. Die Initial-Transformation kann dabei insbesondere vor einer ersten Zuordnung der Gauß-Verteilungen ausgeführt werden, um einen Versatz zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem bereits zu Beginn zumindest teilweise zu kompensieren. Die Initial-Transformation kann insbesondere ausgeführt werden, wenn der Versatz zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem zumindest ungefähr auf Grundlage einer Bewegungsinformation, welche die Bewegung des Fahrzeugs von der ersten Fahrzeugposition in die zweite Fahrzeugposition beschriebt, abgeschätzt werden kann.
Erfindungsgemäß kann vorgesehen sein, dass die Bewegungsinformation mittels Odometrie und/oder mittels eines Navigationsverfahrens, insbesondere mittels Satellitennavigation, ermittelt wird. Die Bewegungsinformation kann zum Beispiel von einer zur Durchführung des Verfahrens ausgebildeten Steuereinrichtung ermittelt werden. Die Steuereinrichtung kann dabei Teil des Fahrzeugs und/oder einer auch den wenigstens einen Sensor umfassenden Sensoreinrichtung sein. Die Steuereinrichtung kann zur Ermittlung der Bewegungsinformation zum Beispiel mittels einer Odometriedaten bereitstellenden Odometrieeinrichtung und/oder einer Navigationsdaten bereitstellenden Navigationseinrichtung, beispielsweise einer Satellitennavigationseinrichtung, verbunden sein oder eine Odometrieeinrichtung und/oder eine Navigationseinrichtung umfassen.
Für eine erfindungsgemäße Sensoreinrichtung ist vorgesehen, dass sie wenigstens einen Sensor sowie wenigstens eine Steuereinrichtung umfasst, wobei die Steuereinrichtung zur Durchführung eines erfindungsgemäßen Verfahrens ausgebildet ist. Die Steuereinrichtung kann dabei mit dem wenigstens einen Sensor eine Baueinheit bilden oder separat zu dem Sensor ausgeführt und mit diesem kommunizierend verbunden sein. Die Steuereinrichtung kann ein Teil des Fahrzeugs oder eine fahrzeugexterne, mit dem wenigstens einer Sensor kommunizierend verbundene Steuereinrichtung, sein.
Für ein erfindungsgemäßes Fahrzeug ist vorgesehen, dass es eine erfindungsgemäße Sensoreinrichtung umfasst. Die Steuereinrichtung der Sensoreinrichtung kann dabei in dem Fahrzeug angeordnet sein. Alternativ kann die Steuereinrichtung auch fahrzeugextern angeordnet sein und mit dem wenigstens einen Sensor über eine insbesondere drahtlose Kommunikationsverbindung kommunizieren.
Für ein erfindungsgemäßes Computerprogrammprodukt ist vorgesehen, dass es Instruktionen umfasst, die eine Steuereinrichtung dazu veranlassen, ein erfindungsgemäßes Verfahren auszuführen. Das erfindungsgemäße Computerprogrammprodukt kann auf einem nichttransienten Datenträger, beispielsweise einer CD, einer Diskette oder einem USB-Stick gespeichert sein. Es ist auch möglich, dass das Computerprogrammprodukt auf einer Recheneinrichtung gespeichert ist, von der es über eine Kommunikationsverbindung, beispielsweise das Internet, abrufbar und/oder auf einer Steuereinrichtung hinterlegbar ist.
Sämtliche vorangehend in Bezug zu dem erfindungsgemäßen Verfahren beschriebenen Vorteile und Ausgestaltung gelten entsprechend für die erfindungsgemäße Sensoreinrichtung, das erfindungsgemäße Fahrzeug sowie für das erfindungsgemäße Computerprogrammprodukt und umgekehrt.
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie aus den Zeichnungen. Diese sind schematische Darstellungen und zeigen:
Fig. 1 ein Ausführungsbeispiel eines erfindungsgemäßen Fahrzeugs mit einem Ausführungsbeispiel einer erfindungsgemäßen Sensoreinrichtung,
Fig. 2 ein Flussdiagramm eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens, Fig. 3 ein Diagramm umfassend erste Gauß-Verteilungen und zweite Gauß-Verteilungen zur Erläuterung des Ausführungsbeispiels eines erfindungsgemäßen Verfahrens und
Fig. 4 ein weiteres Diagramm umfassend die zur Bildung der Gauß-Verteilungen herangezogenen Messpunkte der Sensoreinrichtung.
In Figur 1 ist ein Ausführungsbeispiel eines Fahrzeugs 1 dargestellt. In der Umgebung des als Personenkraftwagen ausgeführten Fahrzeugs 1 befinden sich zwei weitere Fahrzeuge 2,3, zwischen denen sich eine Parklücke 4 befindet. Das Fahrzeug 1 umfasst ein Ausführungsbeispiel einer Sensoreinrichtung 5, welche eine Steuereinrichtung 6 sowie einen oder mehrere Sensoren 7 umfasst. Der Übersichtlichkeit halber ist nur ein einzelner Sensor 7 dargestellt. Der Sensor 7 ist als Ultraschallsensor ausgeführt und dient zum Erfassen eines Teil des Umfelds des Fahrzeugs 1 .
Die Steuereinrichtung 6 ist dazu eingerichtet, ein Verfahren zur Lokalisierung des Fahrzeugs 1 in einem die Umgebung des Fahrzeugs 1 beschreibenden Sensordatensatz vorzunehmen. Der Sensordatensatz kann dabei mithilfe des Sensors 7 bzw. der Sensoreinrichtung 5 aufgenommen worden sein. Die Steuereinrichtung 6 kann dabei mit dem wenigstens einen Sensor 7 eine Baueinheit bilden oder separat zu dem Sensor ausgeführt und mit diesem kommunizierend verbunden sein. Die Steuereinrichtung kann ein Teil des Fahrzeugs 1 oder eine fahrzeugexterne, mit dem wenigstens einer Sensor 7 insbesondere drahtlos kommunizierend verbundene Steuereinrichtung, sein.
Der Sensor 7 weist einen Erfassungsbereich 8 auf, in dem von dem Sensor 7 ausgesendete Signale an Objekten im Umfeld des Fahrzeugs 1 , beispielsweise den Fahrzeugen 2, 3, reflektiert und als Echos wieder empfangen werden. Aus diesen Echos kann die Sensoreinrichtung 5, beispielsweise aus einer Laufzeitmessung, den Abstand zu den Objekten bzw. Fahrzeugen 2, 3 ermitteln.
Wenn sich das Fahrzeug 1 ausgehend von einer ersten Fahrzeugposition 9 in eine zweite Fahrzeugposition 10 (gestrichelt dargestellt) bewegt, so ändert sich die relative Anordnung zwischen dem Fahrzeug 1 und dem Fremdfahrzeug 2, 3. Beispielsweise bei Durchführung dieser Bewegung im Zuge eines assistierten oder zumindest teilweise automatisierten Fahrmanövers kann es erforderlich sein, die zweite Fahrzeugposition 10 mit einer hohen Genauigkeit zu bestimmen. Dazu ist eine Lokalisierung des Fahrzeugs 1 erforderlich, welche von der Steuereinrichtung 6 auf Grundlage von durch den Sensor 7 ermittelter Sensordatensätze durchgeführt werden kann.
In Fig. 2 ist ein Flussidagramm eines Ausführungsbeispiels eines Verfahrens zur Lokalisierung eines Fahrzeug in einem eine Umgebung des Fahrzeugs beschreibenden, mit Hilfe wenigstens eines Sensors des Fahrzeugs aufgenommenen Sensordatensatz dargestellt. Das Verfahren kann von der Steuereinrichtung 5 durchgeführt werden.
In der ersten Fahrzeugposition 9 wird in einem Schritt S1 über die Sensoreinrichtung 5 bzw. den Sensor 7 ein erster Sensordatensatz aufgenommen. Der erste Sensordatensatz umfasst mehrere Messpunkte, welche jeweils einem der von dem Sensor 7 ausgesendeten und als Echos empfangenen Signale entsprechen. Der erste Sensordatensatz umfasst mehrere erste Gauß-Verteilungen, welche jeweils aus einem oder mehreren Messpunkten der Sensoreinrichtung 5 gebildet werden. Die Messpunkte bzw. die Gauß-Verteilungen werden in Bezug zu einem ersten Koordinatensystem angegeben.
Nach der Aufnahme des ersten Sensordatensatzes bewegt sich das Fahrzeug in einem Schritt S2 in eine zweite Fahrzeugposition. Anschließend wird in einem Schritt S3 über die Sensoreinrichtung 5 bzw. den Sensor 7 ein zweiter Sensordatensatz aufgenommen. Analog zu dem ersten Sensordatensatz umfasst auch der in der zweiten Fahrzeugposition 10 aufgenommene Sensordatensatz mehrere zweite Gauß-Verteilungen, welche in Bezug zu einem zweiten Koordinatensystem angegeben sind. Sowohl das erste Koordinatensystem als auch das zweite Koordinatensystem können in Bezug zu den Fahrzeug 1 angegeben sein, jedoch weisen die Koordinatensysteme untereinander einen Versatz auf, welche der Bewegung des Fahrzeugs 1 , also der Bewegung zwischen der ersten Fahrzeugposition 9 und der zweiten Fahrzeugposition 10, entspricht.
Zur Lokalisierung wird von der Steuereinrichtung 6 eine Transformationsvorschrift ermittelt, welche den Versatz zwischen dem ersten Koordinatensystem des ersten Sensordatensatzes und dem zweiten Koordinatensystem des zweiten Sensordatensatzes angibt. Aus der ersten Fahrzeugposition 9 und der Transformationsvorschrift kann anschließend die zweite Fahrzeugposition 10 und somit die zu diesem Zeitpunkt aktuelle Fahrzeugorientierung relativ zu der Umgebung bzw. den Fremdfahrzeugen 2, 3 ermittelt werden.
In einem Schritt S4 werden der erste Sensordatensatz und der zweite Sensordatensatz zusammengefügt. Dies kann beispielsweise durch Übernahme der Messpunkte des zweiten Sensordatensatzes in den ersten Sensordatensatz erfolgen. Dabei unterscheiden sich die den jeweiligen Messpunkten zugeordneten Positionen auf Grund des Versatzes zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem.
In Fig. 3 ist ein Diagramm dargestellt, welches erste Gauß-Verteilungen 11 und zweite Gauß-Verteilungen 12 umfasst. Das Diagramm stellt beispielsweise das erste Koordinatensystem dar, wobei auf der Abszisse eine x-Koordinate und auf der Ordinate eine y-Koordinate aufgetragen sind. Die ersten Gauß-Verteilungen 11 werden jeweils aus den Messpunkten des ersten Sensordatensatzes gebildet und sind mit geschlossenen Punkten dargestellt. Entsprechend werden die zweiten Gauß-Verteilungen 12 jeweils aus den Messpunkten des zweiten Sensordatensatzes gebildet. Die zweiten Gauß-Verteilungen 12 sind mittels X-förmigen Punkten dargestellt.
Dabei beschreiben die ersten Gauß-Verteilungen 11 in dem ersten Sensordatensatz und die zweiten Gauß-Verteilungen 12 dem zweiten Sensordatensatz jeweils eine einen oder mehrere Messpunkte zusammenfassende Ellipse. Die ersten Gauß-Verteilungen 11 und die zweiten Gauß-Verteilungen 12 sind entsprechend jeweils als Ellipsen dargestellt, vorliegend beispielhaft als Gleich-Wahrscheinlichkeitsellipsen (englisch: equi-probability ellipses) mit einer Wahrscheinlichkeit von p = 0,7.
Die zur Bildung der Gauß-Verteilungen 11 , 12 herangezogenen Messpunkte sind in Fig. 4 dargestellt, wobei für die Messpunkte jeweils zu der Darstellung der Gauß-Verteilungen entsprechende Symbole verwendet werden. Die Messpunkte beschrieben das Umfeld des Fahrzeugs 1 . Beispielsweise können die in einem Bereich 14 liegenden Messpunkte die Parklücke 4, bzw. eine die Parklücke in Längsrichtung begrenzende Struktur wie einen Bordstein oder ähnliches, beschreiben, wohingegen die Messpunkte im Bereich 15 beispielsweise das Fremdfahrzeug 2 beschreiben. Die in Fig. 4 dargestellten Messpunkte dienen lediglich der Veranschaulichung. Bevorzugt sind die Messpunkte nicht Teil der Sensordatensätze, welche insbesondere statt der Messpukte nur die Gauß-Verteilungen enthalten, um eine einfachere Datenverarbeitung und Datenspeicherung zu ermöglichen.
Die Gauß-Verteilungen 11 , 12 erstrecken sich jeweils in x-Richtung und in y-Richtung und sind somit jeweils zweidimensional. Ersichtlich besteht zwischen den zweiten Gauß-Verteilungen 12 und den ersten Gauß-Verteilungen 11 ein räumlicher Versatz.
Ausgehend von den zusammengefügten Sensordatensätzen wird in einem Schritt S5 jeder der ersten Gauß-Verteilungen 11 aus dem in der ersten Fahrzeugposition 9 aufgenommenen ersten Sensordatensatz jeweils die nächstliegende zweite Gauß-Verteilung 12 aus dem zweiten Sensordatensatz zugeordnet. Die Zuordnung erfolgt durch Auswertung wenigstens eines einen Abstand zwischen zwei Gauß-Verteilungen beschreibenden Distanzkriteriums. Dabei wird zum Beispiel diejenige zweite Gauß-Verteilung 12 als nächstliegende Gauß-Verteilung gewählt, welche die geringste Distanz bzw. den geringsten Abstand zu der ersten Gauß-Verteilung 11 aufweist.
Zum Beispiel werden in Schritt S5 die zweiten Gauß-Verteilungen 12_1 , ...,12_K den ersten Gauß-Verteilungen 11_1 , ... , 11_N zugeordnet. Dabei wird insbesondere jeder ersten Gauß-Verteilung 11_1 , ... , 11_N eine zweite Gauß-Verteilung 12 zugeordnet. Die Anzahl K der zweiten Gauß-Verteilungen 12 kann sich von der Anzahl N der ersten Gauß-Verteilungen unterscheiden. Zur Ermittlung der jeweils nächstliegenden zweiten Gauß-Verteilung 12_1 , ...12_K zu jeder der Gauß-Verteilungen 11_1 , ... , 11_N werden jeweils die Distanzen d1 , ... , dN berechnet, wobei dj = distance(12_i, 11_j) mit i=1 , ... , K und j=1 , ... ,N ist und distance(a, b) das Distanzkriterium zwischen den Gauß-Verteilungen a und b beschreibt. Den ersten Gauß-Verteilungen 11 wird dabei zum Beispiel jeweils die zweite Gauß-Verteilung 12 mit dem geringsten Abstand zugeordnet. Als ein Distanzkriterium kann zum Beispiel eine Mahalanobis-Distanz, eine Bhattacharyya-Distanz, eine Kullback-Leibler-Distanz und/oder eine wahrscheinlichkeitsbasierte Distanz zwischen zwei Gauß-Verteilungen verwendet werden, wobei die wahrscheinlichkeitsbasierte Distanz die Wahrscheinlichkeit angibt, die dem Mittelwert einer der Gauß-Verteilungen in der anderen Gauß-Verteilung zugeordnet ist. Die vorgenannten Distanzen ermöglichen jeweils die Berechnung eines räumlichen Abstands zwischen einer ersten Gauß-Verteilung 11 und einer zweiten Gauß-Verteilung 12 in Bezug zu der x-Koordinate und der y-Koordinate.
Um den Rechenaufwand bei der Ermittlung der nächstliegenden Gauß-Verteilung zu reduzieren, können dabei zum Beispiel nur diejenigen zweiten Gauß-Verteilungen 12 berücksichtigt werden, deren Mittelwert innerhalb eines Vielfachen der Varianz der ersten Gauß-Verteilung 11 liegen, zu der die nächstliegende Gauß-Verteilung ermittelt werden soll. Von den zweiten Gauß-Verteilungen 12, welche innerhalb des Vielfachen der Varianz liegen, kann anschließend die in der geringsten Distanz liegende zweite Gauß-Verteilung 12 als nächstliegende Gauß-Verteilung gewählt werden.
In Schritt S6 wird anschließend eine Transformationsvorschrift ermittelt, welche eine Verschiebung und/oder eine Rotation der zweiten Gauß-Verteilungen 12 in Bezug zu den ersten Gauß-Verteilungen 11 beschreibt. Die entsprechend der Transformationsvorschrift transformierten zweiten Gauß-Verteilungen 13 sind in Fig. 3 mittels O-förmiger Punkte dargestellt. Zu den transformierten Gauß-Verteilungen 13 korrespondierende Punkte sind auch in Fig. 4 dargestellt. Auch diese Messpunkte dienen lediglich der Veranschaulichung. Bevorzugt sind auch die mit den transformierten Messpunkten korrespondierenden Messpunkte nicht Teil der Sensordatensätze, welche insbesondere statt der Messpukte die Gauß-Verteilungen enthalten.
Ersichtlich weisen die transformierten zweiten Gauß-Verteilungen 13 einen kleineren räumlichen Versatz zu den ersten Gauß-Verteilungen 11 auf. Die Ermittlung der Transformationsvorschrift erfolgt dabei insbesondere unter Minimierung der jeweils durch das Distanzkriterium beschriebenen Abstände zwischen den ersten Gauß-Verteilungen 11 und ihren jeweils zugeordneten, nächstliegenden zweiten Gauß-Verteilungen 12. Insbesondere kann dabei eine Summe der Abstände minimiert werden.
Neben einer Verschiebung und/oder einer Rotation kann die Transformationsvorschrift auch eine Skalierung beschreiben, um einen unterschiedlichen Maßstab zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem auszugleichen. Die Transformationsvorschrift kann beispielsweise mittels Singulärwertzerlegung ermittelt werden. Es ist möglich, dass eine eine Fehler-Kovarianzmatrix umfassende Transformationsvorschrift ermittelt wird, wobei die Transformationsvorschrift zum Beispiel mittels eines Gauß-Helmert-Modells ermittelt werden kann.
Die Transformationsvorschrift kann zum Beispiel in Bezug zu den Mittelwerten der jeweiligen ersten und zweiten Gauß-Verteilungen 11 , 12 und/oder in Bezug zu Kovarianzmatrizen der jeweiligen ersten und zweiten Gauß-Verteilungen 11 , 12 ermittelt werden. Das Berücksichtigen der Kovarianzmatrizen kann als eine gewichtete Ermittlung der Transformationsvorschriften umgesetzt werden, wobei als Gewichtungsfaktoren beispielsweise die Inversen der Kovarianzmatrizen verwendet werden.
Es ist möglich, dass anschließend die Schritte S5 und S6 wenigstens einmal erneut durchgeführt werden, um eine weitere Reduzierung des räumlichen Versatzes zwischen den ersten Gauß-Verteilungen 11 und den transformierten zweiten Gauß-Verteilungen 13 zu reduzieren. Dabei ist es insbesondere möglich, dass den ersten Gauß-Verteilungen 11 zumindest teilweise andere zweite Gauß-Verteilungen als in der ersten Iteration dieses Schrittes zugeordnet werden. Es ist insbesondere bei jeder Durchführung dieses Schritts auch möglich, dass eine zweite Gauß-Verteilung 12, 13 mehr als einer ersten Gauß-Verteilung 11 als nächstliegende Gauß-Verteilung zugeordnet ist.
Wenn ein beispielsweise ein Minimum eines durch das Distanzkriterium beschriebenen Abstands zwischen allen oder zumindest für einen Teil der Gauß-Verteilungen erreicht wurde, wird in einem Schritt S7 die zweite Fahrzeugposition 10 ausgehend von der ersten Fahrzeugposition 9 und der einen oder mehreren in Schritt S6 ermittelten Transformationsvorschriften ermittelt. Vor dem Ermitteln der jeweils nächstliegenden Gauß-Verteilungen in Schritt S5 kann zur Verbesserung des Konvergierens des Verfahrens in einem optionalen Schritt Si eine Initial-Transformation auf wenigstens eines der Koordinatensysteme angewendet werden. Die Initial-Transformation kann in Abhängigkeit einer die Bewegung des Fahrzeugs 1 von der ersten Fahrzeugposition 9 in die zweite Fahrzeugposition 10 beschreibenden Bewegungsinformation ermittelt werden. Die Initial-Transformation kann dabei insbesondere vor der ersten Durchführung des Schritts S5 angewendet werden und erlaubt eine zumindest teilweise Kompensation des Versatzes zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem.
Die Bewegungsinformation kann zum Beispiel mittels Odometrie und/oder mittels eines Navigationsverfahrens, insbesondere mittels Satellitennavigation, ermittelt werden. Die Bewegungsinformation kann zum Beispiel von der Steuereinrichtung 6 ermittelt werden. Die Steuereinrichtung 6 kann zur Ermittlung der Bewegungsinformation zum Beispiel mittels einer Odometriedaten bereitstellenden Odometrieeinrichtung (nicht dargestellt) des Fahrzeugs 1 und/oder einer Navigationsdaten bereitstellenden Navigationseinrichtung (nicht dargestellt) des Fahrzeugs 1 verbunden sein. Alternativ ist es möglich, dass die Steuereinrichtung 6 eine Odometrieeinrichtung und/oder eine Navigationseinrichtung umfasst.
Um die Geschwindigkeit des Verfahrens zu erhöhen bzw. die Anzahl der benötigten Iterationsschritte zu reduzieren, kann zusätzlich oder alternativ die Zuordnung der jeweils nächstliegenden Gauß-Verteilungen in Abhängigkeit wenigstens eines Zuordnungskriteriums erfolgen. Als Zuordnungskriterium können dabei beispielsweise ein Verhältnis zwischen den Amplituden der durch die Gauß-Verteilungen beschriebenen Messwerte, ein Verhältnis zwischen Richtungen, welche den durch die Gauß-Verteilungen beschriebenen Messwerten zugeordnet sind, und/oder ein Verhältnis zwischen den Krümmungen der durch die Gauß-Verteilung beschriebenen Objekte verwendet werden.
Die Zuordnungskriterien können dabei jeweils zusätzlich zu dem Distanzkriterium verwendet werden, oder es können ein oder mehrere höherdimensionale Distanzkriterien verwendet werden, welche neben einer räumlichen Distanz in Bezug zu der x-Koordinate und zu der y-Koordinate auch wenigstens eine weitere, einem Zuordnungskriterium entsprechende Dimension umfassen. Es ist möglich, dass mehrere Zuordnungskriterien verwendet werden, welche untereinander über Gewichtungsfaktoren gewichtet sind.
Durch das Verwenden von einem oder mehreren Zuordnungskriterien wird es wahrscheinlicher, dass einer ersten Gauß-Verteilung 11 eine zweite Gauß-Verteilung 12 zugeordnet wird, welche von demselben Objekt, beispielsweise einem der Fremdfahrzeuge 2, 3, oder von demselben Teil oder Abschnitt eines Objekts reflektierte Messwerte umfasst. Da die Eigenschaften des Objekts Einfluss auf die von dem Objekt reflektierten Echos haben, können Eigenschaften der Echos betrachtet werden, um passende Gauß-Verteilungen zu ermitteln bzw. um offensichtliche oder zumindest sehr wahrscheinliche Fehlzuordnungen zu vermeiden.
In Abhängigkeit der Zuordnungskriterien kann also entschieden werden, ob für eine erste Gauß-Verteilung 11 statt einer den geringsten, durch das Distanzkriterium beschriebenen Abstand aufweisenden zweiten Gauß-Verteilung 12 eine andere, beispielsweise die den zweitgeringsten Abstand aufweisende, zweite Gauß-Verteilung 12 als nächstliegende Gauß-Verteilung gewählt wird, wenn die in dem geringsten Abstand liegende zweite Gauß-Verteilung 12 einen als ungenügend bewerteten Übereinstimmungsgrad bei einem oder mehreren der Zuordnungskriterien aufweist. Es ist zum Beispiel möglich, dass innerhalb eines vorgegebenen Abstandsbereichs um eine erste Gauß-Verteilung 11 mehrere zuordenbare zweite Gauß-Verteilungen 12 liegen, wobei aus dieser Gruppe von zweiten Gauß-Verteilungen 12 die nächstliegende Gauß-Verteilung in Abhängigkeit des wenigstens einen Zuordnungskriteriums, insbesondere in Abhängigkeit des Grads einer Übereinstimmung der als Zuordnungskriterium betrachteten Eigenschaften der Gauß-Verteilungen und/oder ihrer Messwerte, ausgewählt wird. Alternativ können auch andere Zuordnungsvorschiften in Bezug zu den Zuordnungskriterien und den jeweils durch das Distanzkriterium beschriebenen Abständen zwischen den Gauß-Verteilungen verwendet werden.
Als Zuordnungskriterium kann das Verhältnis zwischen den Amplituden der durch die Gauß-Verteilungen beschriebenen Messwerte verwendet werden. Dabei kann eine Zuordnung einer zweiten Gauß-Verteilung 12 als nächstliegende Gauß-Verteilung zu einer ersten Gauß-Verteilung 11 erfolgen, wenn die Amplituden möglichst ähnlich sind bzw. wenn das Amplitudenverhältnis der Messwerte innerhalb eines vorgegebenen Intervalls liegt. Dabei können die Amplituden einzelner Messwerte oder gemittelte Amplituden aller, die jeweilige Gauß-Verteilung 11 , 12 bildender Messwerte betrachtet werden.
Zusätzlich oder alternativ dazu kann als ein Zuordnungskriterium auch das Verhältnis zwischen Richtungen, welche den durch die Gauß-Verteilungen 11 , 12 beschriebenen Messwerten zugeordnet sind, betrachtet werden, wobei eine Zuordnung insbesondere dann erfolgt, wenn den Messwerten die gleiche oder zumindest eine ähnliche Richtung zugeordnet ist. Die Richtung kann dabei gegebenenfalls anhand der oder einer weiteren, die Bewegung des Fahrzeugs 1 beschreibenden Bewegungsinformation korrigiert werden, um eine relative Richtungsänderung aufgrund der Fahrzeugbewegung zu berücksichtigen.
Als Richtung kann dabei insbesondere der in der xy-Ebene liegende Azimut-Winkel des Sensorerfassungsbereichs 8, unter dem die die Messwerte bildenden Echos von dem Sensor 7 empfangen werden, verwendet werden. Dabei können die Richtungen einzelner Messwerte oder gemittelte Richtungen aller, die jeweilige Gauß-Verteilung bildender Messwerte betrachtet werden. Eine ähnliche Richtung kann beispielsweise dann angenommen werden, wenn das Verhältnis der Richtungen bzw. der jeweiligen Azimut-Winkel in einem vorgegebenen Intervall liegen.
Es ist zusätzlich oder alternativ auch möglich, als Zuordnungskriterium das Verhältnis zwischen den Krümmungen der durch die Gauß-Verteilung beschriebenen Objekte zu verwenden. Die Krümmung bezieht sich dabei auf die Form des Objekts bzw. auf die Form einer zu dem Sensor 7 gewandten Seitenfläche des Objekts. Es können dabei insbesondere zweite Gauß-Verteilungen 12 als mögliche nächstliegende Gauß-Verteilungen in Betracht gezogen werden, welche Objekte oder Objektabschnitte mit der gleichen oder einer ähnlichen, das heißt innerhalb eines vorgegebenen Krümmungsintervall liegenden, Krümmung beschreiben. Es ist möglich, dass zumindest einem Teil der ersten Gauß-Verteilungen 11 und zumindest einem Teil der zweiten Gauß-Verteilungen 12 jeweils ein Label zugewiesen wird, wobei für die Ermittlung der nächstliegenden zweiten Gauß-Verteilung 12 zu einer ersten Gauß-Verteilung 11 nur diejenigen zweiten Gauß-Verteilungen 12 herangezogen werden, welche ein übereinstimmendes Label aufweisen. Das Label kann zum Beispiel einen Objekttyp und/oder eine Objektklasse eines von der Gauß-Verteilung beschriebenen Objekts beschreiben. Beispielsweise kann das Label angeben, dass es sich bei dem Objekt um ein Fremdfahrzeug 2, 3 oder eine Begrenzung der Parklücke 4 handelt.
Alternativ kann in dem vorangegangenen Ausführungsbeispiel auch eine Zuordnung der jeweils nächstliegenden ersten Gauß-Verteilung 11 zu den zweiten Gauß-Verteilungen 12, insbesondere zu jeder der zweiten Gauß-Verteilungen 12, erfolgen. Die obigen Ausführungen gelten bei einer derartigen Zuordnung entsprechend analog. Neben dem zweidimensionalen Gauß-Verteilungen in Bezug zu derx-Koordinate und dery-Koordinate können auch mehr als zwei Dimensionen, beispielsweise dreidimensionale oder mehr als drei Dimensionen umfassende, Sensordatensätze sowie entsprechende Koordinatensysteme verwendet werden. In diesem Fall können auch die Gauß-Verteilungen 11 , 12 dreidimensional oder entsprechend mehrdimensional sein. Vorteilhaft kann in solchen Fällen eine Ermittlung der Transformationsvorschrift als eine Kovarianzmatrix, oder umfassend eine Kovarianzmatrix, erfolgen.
Das Verfahren zur Lokalisierung des Fahrzeugs 1 kann insbesondere im Rahmen eines assistierten, teilautonomen oder autonomen Fahrmanövers erfolgen. Die Steuereinrichtung 6 oder eine weitere Steuereinrichtung des Fahrzeugs bzw. eine mit der Steuereinrichtung 6 kommunizierende, externe Recheneinrichtung können auf Grundlage der ermittelten zweiten Positionsinformation zur Ermittlung einer Fahrtrajektorie für eine teilautonome oder autonome Fahrzeugbewegung verwendet werden. In Abhängigkeit der ermittelten zweiten Fahrzeugposition 10 und/oder einer daraus abgeleiteten Trajektorie kann wenigstens ein Aktor des Fahrzeugs 1 angesteuert werden, um eine Längs- und/oder Querbewegung des Fahrzeugs 1 durchzuführen. Zusätzlich oder alternativ dazu kann auch eine zur Informationsdarstellung an einen Fahrer des Fahrzeugs 1 ausgebildete Anzeigeeinrichtung in Abhängigkeit der zweiten Fahrzeugposition 10 angesteuert werden, insbesondere zur Darstellung von in Abhängigkeit der zweiten Fahrzeugposition 10 ermittelten Informationen.

Claims

Patentansprüche
1 . Verfahren zur Lokalisierung eines Fahrzeugs (1 ) aus eine Umgebung des Fahrzeugs (1 ) beschreibenden, mit Hilfe wenigstens eines Sensors (7) einer Sensoreinrichtung (5) des Fahrzeugs (1 ) aufgenommenen Sensordatensätzen, wobei die Sensordatensätze jeweils mehrere Gauß-Verteilungen (11 , 12) umfassen, wobei die Gauß-Verteilungen (11 , 12) jeweils aus wenigstens einem Messpunkt der Sensoreinrichtung (5) gebildet werden und in Bezug zu einem Koordinatensystem jeweils zumindest einen Teil eines Objekts im Umfeld des Fahrzeugs (1 ) beschreiben, mit den Schritten:
- Aufnehmen eines ersten Sensordatensatzes an einer ersten
Fahrzeugposition (9), wobei der erste Sensordatensatz mehrere erste Gauß-Verteilungen (11 ) in einem ersten Koordinatensystem umfasst,
- Aufnehmen eines zweiten Sensordatensatzes nach einer Bewegung des Fahrzeugs (1 ), wobei der zweite Sensordatensatz mehrere zweite Gauß-Verteilungen (12) in einem zweiten Koordinatensystem umfasst,
- Zuordnen der jeweils nächstliegenden ersten Gauß-Verteilung (11 ) zu den zweiten Gauß-Verteilungen (12) oder der jeweils nächstliegenden zweiten Gauß-Verteilung (12) zu den ersten Gauß-Verteilungen (11 ), wobei die Zuordnung jeweils durch Auswertung wenigstens eines einen Abstand zwischen zwei Gauß-Verteilungen beschreibenden Distanzkriteriums erfolgt,
- Ermitteln wenigstens einer eine Verschiebung und/oder eine Rotation umfassenden Transformationsvorschrift zwischen dem ersten Koordinatensystem und dem zweiten Koordinatensystem unter Minimierung der von dem Distanzkriterium beschriebenen Abstände zwischen den jeweils nächstliegenden Gauß-Verteilungen (11 , 12),
- Ermitteln einer zweiten Fahrzeugposition (10) aus der ersten Fahrzeugposition (9) und der wenigstens einen
T ransformationsvorschrift. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die Gauß-Verteilungen in dem ersten Sensordatensatz und dem zweiten Sensordatensatz jeweils eine einen oder mehrere Messpunkte zusammenfassende Ellipsen beschreiben. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Gauß-Verteilungen (11 , 12) jeweils wenigstens zweidimensional sind, wobei ein Distanzkriterium verwendet wird, welches wenigstens eine Distanz in Bezug zu den wenigstens zwei Dimensionen angibt. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass als Distanzkriterium eine Mahalanobis-Distanz, eine Bhattacharyya-Distanz, eine Kullback-Leibler-Distanz und/oder eine wahrscheinlichkeitsbasierte Distanz zwischen zwei Gauß-Verteilungen (11 , 12) verwendet wird, wobei die wahrscheinlichkeitsbasierte Distanz die Wahrscheinlichkeit angibt, die dem Mittelwert einer der Gauß-Verteilungen (11 , 12) in der anderen Gauß-Verteilung (11 , 12) zugeordnet ist. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Zuordnung der jeweils nächstliegenden Gauß-Verteilungen (11 , 12) in Abhängigkeit wenigstens eines Zuordnungskriteriums erfolgt, wobei als Zuordnungskriterium ein Verhältnis zwischen den Amplituden der durch die Gauß-Verteilungen (11 , 12) beschriebenen Messwerte, ein Verhältnis zwischen Richtungen, welche den durch die Gauß-Verteilungen (11 , 12) beschriebenen Messwerten zugeordnet sind, und/oder ein Verhältnis zwischen den Krümmungen der durch die Gauß-Verteilung (11 , 12) beschriebenen Objekte verwendet werden. 6. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass mehrere Zuordnungskriterien verwendet werden, wobei die Zuordnungskriterien untereinander gewichtet sind.
7. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass zumindest einem Teil der ersten Gauß-Verteilungen (11 ) und zumindest einem Teil der zweiten Gauß-Verteilungen (12) jeweils ein Label zugewiesen wird, wobei für die Ermittlung der nächstliegenden Gauß-Verteilung (11 , 12) nur diejenigen Gauß-Verteilungen (11 , 12) herangezogen werden, welche ein übereinstimmendes Label aufweisen.
8. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass für die Ermittlung der nächstliegenden Gauß-Verteilung (11 , 12) nur Gauß-Verteilungen (11 , 12) berücksichtigt werden, deren Mittelwert innerhalb eines Vielfachen der Varianz der Gauß-Verteilung (11 , 12) liegen, zu der die nächstliegende Gauß-Verteilung (11 , 12) ermittelt wird.
9. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Transformationsvorschrift in Bezug zu Mittelwerten der jeweiligen Gauß-Verteilungen (11 , 12) und/oder in Bezug zu Kovarianzmatrizen der jeweiligen Gauß-Verteilungen (11 , 12) ermittelt wird.
10. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass, insbesondere mittels Singulärwertzerlegung, eine eine Skalierung umfassende Transformationsvorschrift ermittelt wird.
11 .Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass, insbesondere mittels eines Gauß-Helmert-Modells, eine eine Fehler-Kovarianzmatrix umfassende Transformationsvorschrift ermittelt wird.
12. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass vor dem Ermitteln der jeweils nächstliegenden Gauß-Verteilungen (11 , 12) eine Initial-Transformation auf wenigstens eines der Koordinatensysteme angewendet wird, wobei die Initial-Transformation in Abhängigkeit einer die Bewegung beschreibenden Bewegungsinformation ermittelt wird, wobei insbesondere die Bewegungsinformation mittels Odometrie und/oder mittels eines Navigationsverfahrens, insbesondere mittels Satellitennavigation, ermittelt wird.
13. Sensoreinrichtung umfassend wenigstens einen Sensor (7) sowie wenigstens eine Steuereinrichtung (6), wobei die Steuereinrichtung (6) zur Durchführung eines Verfahrens nach einem der vorangehenden Ansprüche ausgebildet ist.
14. Fahrzeug umfassend eine Sensoreinrichtung (5) nach Anspruch 13. 15. Computerprogrammprodukt, welches Instruktionen umfasst, die eine
Steuereinrichtung (6) dazu veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 12 auszuführen.
PCT/DE2023/200108 2022-06-20 2023-05-31 Verfahren zur lokalisierung eines fahrzeugs, sensoreinrichtung, fahrzeug und computerprogrammprodukt WO2023246989A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022206144.6 2022-06-20
DE102022206144.6A DE102022206144A1 (de) 2022-06-20 2022-06-20 Verfahren zur Lokalisierung eines Fahrzeugs, Sensoreinrichtung, Fahrzeug und Computerprogrammprodukt

Publications (1)

Publication Number Publication Date
WO2023246989A1 true WO2023246989A1 (de) 2023-12-28

Family

ID=86903908

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2023/200108 WO2023246989A1 (de) 2022-06-20 2023-05-31 Verfahren zur lokalisierung eines fahrzeugs, sensoreinrichtung, fahrzeug und computerprogrammprodukt

Country Status (2)

Country Link
DE (1) DE102022206144A1 (de)
WO (1) WO2023246989A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018215753A1 (de) * 2018-09-17 2020-03-19 Zf Friedrichshafen Ag Vorrichtung und Verfahren zum Ermitteln einer Trajektorie eines Fahrzeugs
DE102019216607A1 (de) * 2019-10-29 2021-04-29 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bereitstellen von Radardaten
US20210396862A9 (en) * 2018-01-25 2021-12-23 Aptiv Technologies Limited Method for determining the position of a vehicle

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014132711A (ja) 2013-01-04 2014-07-17 Kddi Corp 複数の測位方式に基づく移動端末の位置情報から対象エリアを特定するエリア管理サーバ、プログラム及び方法
DE102015214338A1 (de) 2015-07-29 2017-02-02 Volkswagen Aktiengesellschaft Bestimmung einer Anordnungsinformation für ein Fahrzeug
CN108332758B (zh) 2018-01-26 2021-07-09 上海思岚科技有限公司 一种移动机器人的走廊识别方法及装置
DE102022000849A1 (de) 2022-03-11 2022-07-14 Mercedes-Benz Group AG Verfahren zur Erzeugung einer Umgebungsrepräsentation für ein Fahrzeug

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210396862A9 (en) * 2018-01-25 2021-12-23 Aptiv Technologies Limited Method for determining the position of a vehicle
DE102018215753A1 (de) * 2018-09-17 2020-03-19 Zf Friedrichshafen Ag Vorrichtung und Verfahren zum Ermitteln einer Trajektorie eines Fahrzeugs
DE102019216607A1 (de) * 2019-10-29 2021-04-29 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bereitstellen von Radardaten

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BESL, PAUL J.N.D. MCKAY: "A Method for Registration of 3-D Shapes", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 14, no. 2, 1992, pages 239 - 256
BESL, PAUL J.N.D. MCKAY: "A Method for Registration of 3-D Shapes", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 14, no. 2, 1992, pages 239 - 256, XP000248481 *

Also Published As

Publication number Publication date
DE102022206144A1 (de) 2023-12-21

Similar Documents

Publication Publication Date Title
EP2561419B1 (de) Verfahren zur bestimmung des fahrbahnverlaufes für ein kraftfahrzeug
EP3329216A1 (de) Bestimmung einer anordnungsinformation für ein fahrzeug
DE102017111351A1 (de) Verfahren zur Erfassung und autonomer Verfolgung eines Zielobjekts mittels eines LIDAR-Sensors
DE102018124108A1 (de) VERFAHREN UND VORRICHTUNG ZUM ERFASSEN EINER STRAßENBEGRENZUNG
DE102017116088A1 (de) Vorrichtung und Verfahren zum Abschätzen einer Position eines Fahrzeugs
DE102016223422A1 (de) Verfahren zur automatischen Ermittlung extrinsischer Parameter einer Kamera eines Fahrzeugs
DE102005035746A1 (de) Verfahren zur Bestimmung einer Relativposition einer mobilen Einheit durch Vergleich von Scans einer Umgebung und mobile Einheit
DE102013019804A1 (de) Verfahren zur Ermittlung einer Bewegung eines Objekts
DE102016003261A1 (de) Verfahren zur Selbstlokalisierung eines Fahrzeugs in einer Fahrzeugumgebung
DE102019114603A1 (de) Geschwindigkeitsvektorschätzung von objekten durch mehrere radare mit unterschiedlichen beobachtungswinkeln
DE102015003666A1 (de) Verfahren zur Verarbeitung von erfassten Messdaten eines Sensors
DE102019132150A1 (de) Verfahren zum automatischen Kalibrieren eines Umfeldsensors, insbesondere eines Lidar-Sensors, eines Fahrzeugs auf Grundlage von Belegungskarten sowie Recheneinrichtung
WO2023246989A1 (de) Verfahren zur lokalisierung eines fahrzeugs, sensoreinrichtung, fahrzeug und computerprogrammprodukt
DE102021125773A1 (de) Verfahren zum gleichzeitigen schätzen von bewegung und form eines zielfahrzeugs mittels eines vorverteilungsmodells eines tracklets
DE102022117277A1 (de) Verfahren zum trainieren eines neuronalen netzes
DE102020116027A1 (de) Verfahren und Vorrichtung zur Ermittlung von Belegungsinformation für einen Umfeldpunkt auf Basis von Radardetektionen
WO2019141607A1 (de) Zuordnung von objekten in vektor-basierter darstellung in eine gitter-basierte repräsentation
DE102019126276A1 (de) Verfahren zum Erfassen zumindest eines Objekts in einem Umgebungsbereich eines Fahrzeugs durch Zuordnung von Objektpunkten, Recheneinrichtung sowie Ultraschallsensorvorrichtung
WO2022194576A1 (de) Verfahren zur bestimmung eines bewegungszustands eines starren körpers
DE102022208937A1 (de) Verfahren zur Nickwinkelfehler- und zur Gierwinkelfehlerkompensation bei einer Geländehöhenmessung mit einem LiDAR-Sensorsystem
DE102021209698A1 (de) Verfahren zur Kalibrierung einer Straßenüberwachungseinrichtung und Straßenüberwachungssystem
DE102020119498A1 (de) Verfahren zum Schätzen einer Eigenbewegung eines Fahrzeugs anhand von Messungen eines Lidar-Sensors sowie Recheneinrichtung
DE102022208049A1 (de) Verfahren zum Ermitteln einer Parklücke mithilfe eines faltenden neuronalen Netzes
WO2022058331A1 (de) Verfahren, computerprogramm, speichermedium, vorrichtung zum tracking eines objekts
DE102023109228A1 (de) Selbstabschätzende ortungseinrichtung für mobiles objekt

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: 23733206

Country of ref document: EP

Kind code of ref document: A1