-
Stand der Technik
-
Die
Erfindung geht aus von einer Vorrichtung oder einem Verfahren zur
erinnerungsbasierten Umfelderkennung nach Gattung der unabhängigen
Ansprüche.
-
Aus
der
DE 10 2006
058 304 A1 ist ein Verfahren zum ortsbasierten Verarbeiten
von Daten bekannt, welches auftretende Ereignisse in Zusammenhang
mit einem Fahrzeug speichert, wobei der Ort an dem dieses Ereignis
stattfindet, mitgespeichert wird. Ziel dieser Erfindung ist es,
dass beim wiederholten Annähern an derartige Orte ein Erinnerungsvermögen
hergestellt wird, wodurch beispielsweise eine rechtzeitige Warnung
vor ehemals begegneten Gefahrenquellen ausgeben werden kann. Weiterhin können
andere Fahrerassistenzsysteme angesteuert, bzw. informiert werden,
als auch Daten von diesen, insbesondere einem Navigationsgerät,
Verwendung finden. Im speziellen handelt es sich bei dieser Erfindung
um die Behandlung von Ereignissen, somit muss ein Ereignis mindestens
einmal eintreten, bevor man einem solchen präventiv entgegenwirken kann.
Des Weiteren offenbart die Schrift kein konkretes Verfahren wie
an die Informationen zu kommen ist, bzw. welche Daten verwendet
werden.
-
Weiterhin
ist aus der
DE 10
335 601 A1 ein Verfahren zur Objektklassifizierung unter
Verwendung einer 3D-Modelldatenbank bekannt, bei dem in einer Datenbank
abgespeicherte Referenzdaten als 3D-Datenmodell abgespeichert sind,
und die real gemessenen Daten auf verschiedene Variationen der 3D
Lage des Modells verglichen und damit klassifiziert werden. Die
Verwendung von Referenzdaten, die durch einen anderen Weg (Sensor)
aufgenommen werden, als die zu prüfenden Daten, führt
zu der Problematik, dass Ungenauigkeiten in beiden Aufnahmewegen
(z. B. Bauteiltoleranzen) voll in das Klassifikationsergebnis mit
einfließen. Es wird versucht, über die fehlerbehaftete
Abbildung der Sensorik ein bekanntes Objekt zu klassifizieren.
-
Offenbarung der Erfindung
-
Die
erfindungsgemäße Vorrichtung und Verfahren mit
den Merkmalen der unabhängigen Ansprüche haben
demgegenüber den Vorteil, dass eine autarke Umfelderkennung,
analog zu der eines Menschen möglich ist, in dem Objekte
in einer unbekannten Gegend wahrgenommen und bei einer Wiederkehr
wieder erkannt werden. In der Technik werden in Abhängigkeit
der Sensorausstattungsvarianten sensorspezifische Merkmale der Umfeldobjekte,
wie beispielsweise Position, relative Geschwindigkeit, Ausdehnung,
Kontur, Größe, Form oder Reflektanz erfasst und
daraus ein Umfeldmodell erstellt, welches bei einer Wiederkehr angepasst
werden kann. Aus der Veränderung von Parametern dieser
Objekte zwischen wenigstens zweimaligen Wahrnehmen können Schlüsse
gezogen, bzw. Klassifikationen vorgenommen werden, insbesondere
um die Frage zu klären, ob ein Objekt statisch, oder dynamisch
(beweglich) ist. Ersteres wird dann der Fall sein, wenn das Objekt bei
mehrmaliger Wiederkehr jedes Mal auftaucht, ein dynamisches Objekt,
wie beispielsweise ein Fußgänger wird nicht jedes
Mal auftauchen. Damit kann ein adaptives Umfeldmodell statischer
Objekte erstellt werden. Im Gegensatz zu anderen Verfahren, können
hier dynamische und statische Objekte schneller von einander unterschieden
werden, da bei dem plötzlichen Auftreten eines dynamischen
Objekts an einer bekannten Stelle an der normalerweise kein Objekt
vorhanden ist, sofort klassifiziert werden kann.
-
Erfindungsgemäß beschränkt
sich die Klassifizierung nicht auf dynamische und statische Objekte,
sondern kann auch für andere Klassifikation herangezogen
werden, sofern der erfindungsgemäße Gedanke der
Unterscheidung zwischen mehreren Wahrnehmungen zutrifft. Denkbar
ist auch eine diversifiziertere Klassifizierung, wie beispielsweise
das Erkennen von regelmäßig wiederkehrenden dynamischen
Objekten, beispielsweise parkenden Autos zur Geschäftszeit,
Schulkindern zur Zeit des Unterrichtsbeginns/-schluss oder einer
Tagesbaustelle.
-
Durch
die in den abhängigen Ansprüchen aufgeführten
Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen
möglich.
-
Vorteilhafterweise
findet die Erstellung einer Karte statt, in die die detektierten
Objekte eingetragen werden. Hierdurch kann autark eine Karte erstellt werden,
welche in der Regel aktueller und genauer sein wird als solches
von extern zugelieferten digitalen Karten, wie beispielsweise der
eines Navigationssystems. Vorraussetzung hierfür ist jedoch,
dass eine Strecke mehrfach gefahren, bzw. wahrgenommen wurde. Durch
die Eintragungen der Objekte in einer digitalen Karte ist es möglich
Objekte zu erfassen und zuzuordnen, auch wenn man nicht den gleichen Fahrweg
bei der Wiederkehr fährt. So sind Objekte, die beispielsweise
auf der Hinfahrt wahrgenommen wurden, auf der Rückfahrt
bereits bekannt, sofern nicht spezielle Umstände vorliegen,
wie z. B. die Tatsache, dass ein Objekt verdeckt sein könnte.
Ist ein Objekt beispielsweise nur auf der Rückfahrt sichtbar, weil
es blickrichtungsabhängig verdeckt ist, so ist vorteilhafterweise
für die nächste Hinfahrt das Objekt bereits bekannt,
obwohl es für diese Fahrtrichtung nicht sichtbar ist.
-
Weiterhin
kann durch die digitale Karte das Problem von Abbildungsfehlern
durch die sogenannte Triangulation behoben werden, welche bei der
Position zur Entfernungsbestimmung von Objekten mit Hilfe einer
Stereo-Videosensorik Abbildungsfehler verursacht, welche durch Plausibilisierung
mit den bereits vorhandenen Daten in der digitalen Karte plausibilisiert
werden können.
-
Vorteilhaft
ist die Möglichkeit, das erfindungsgemäße
Verfahren immer mit den selben Sensoren durchzuführen,
wodurch der Vergleich von Daten immer auf den selben Sensorquellen
basiert. Im Gegensatz zu bekannten Verfahren wird bei diesem Ansatz
nicht angestrebt, über die fehlerbehaftete Abbildung der
Sensorik ein bekanntes statisches Objekt, welches beispielsweise über
andere Sensoren aufgenommen und in einer Datenbank abgelegt wurde,
zu klassifizieren, sondern die Objekte aus den reduzierten Informationen
der selben Sensorsignale zu erkennen und abzuspeichern. Dies hat
den Vorteil, dass die „Sensorsicht” eines Fahrzeugs
für die Erstellung des adaptiven Umfeldmodells eingesetzt wird,
wodurch Auswirkungen von Bauteilschwankungen auf dem Klassifikationsprozess
entfallen, weil sich diese Fehler sozusagen herauskürzen.
Hingegen wäre bei bekannten Verfahren ab einem gewissen
Grad der fehlerbehafteten Abbildung einer Klassifikation nicht mehr
möglich. Durch die Verwendung des adaptiven Umfeldmodells
können nun auch weniger genaue Sensoren verwendet werden,
oder Sensoren verwendet werden, die gegensätzliche Aufgaben,
wie beispielsweise Entfernungs- und Konturensensierung durchführen
und normalerweise unterschiedlich optimiert sein müssten.
Neben der Minderung der technischen Fehlereinflüsse, wie
Sensorrauschen, Fertigungsprozessschwankungen, Abbildungsfehler
durch Triangulation ist die Verwendung der selben Sensoren auch
geeignet um Umfeldeinflüsse, wie Abbildungsfehler durch
Witterungseinflüsse, Nässe, Kälte oder
Verschmutzungen auszugleichen.
-
Vorteilhafterweise
kann man aus den Informationen, die sich durch das erfindungsgemäße
System ergeben und Informationen von anderen Quellen eine Sensordatenfusion
durchführen, die einige Vorteile bietet: Einerseits können
mit der Erfindung mehrdeutige Umfeldsensordaten abgesichert werden
und durch das Vorhandensein der ergänzenden Informationen
eines wenigstens zweiten Systems die Szeneninterpretation verbessert
werden um sicherere, d. h. genauere und schnellere Ergebnisse bzw. Funktionsentscheidungen
zu bekommen. Weiterhin kann mittels des Vergleichs der Sensordaten,
bzw. Auswerteergebnisse, oder Zwischenschritte wenigstens zweier
Systeme, eine Plausibilisierung durchgeführt werden, die
die Genauigkeit erhöht, sowie ergänzende Information
bereitstellt, was ein größeres Vorwissen für
die Szeneninterpretation bewirkt. Das adaptive Umfeldmodell ermöglicht
die Speicherung geografischer Straßeninformationen, die
selbst erkundet wurden, und den Vergleich dieser Information mit
aktuellen digitalen Karten, beispielsweise von Navigationsgeräten
oder ergänzender bzw. alternativer Informationsquellen
wie GPS oder Informationen über ein Mensch-Maschine Interface.
So können beispielsweise bei kurzfristigen Änderungen
des Straßenverlaufs (Baustellen, Verkehrsberuhigung, Straßenrückbildung)
diese Informationen aus Sicht des Fahrzeugs wahrgenommen werden
und somit ein realistischeres und aktuelleres Abbild des Umfeld
erzeugen. Durch dieses zusätzliche Wissen über
den Fahrzustand und der Fahrbahnverlauf können stabilere
Fahrerassistenzfunktionen ermöglicht werden. So kann beispielsweise
ein Lane-Keeping-Support System die Daten aus dem adaptiven Umfeldmodell heranziehen,
um die Fahrtrajektorie, bzw. Fahrschlauch, um bekannte, oder mit
einer gewissen Wahrscheinlichkeit vorhandene, Hindernisse herumzuführen.
Als weiteres Beispiel kann das Erkennen von Fußgängern
als dynamische Objekte mittels des a priori Wissens des adaptiven
Umfeldmodells schnell erfolgen, wodurch Warnungen oder ein Eingriff
in die Fahrdynamik stattfinden können.
-
Vorteilhaft
ist die Möglichkeit das adaptive Umfeldmodell für
Strecken zu erstellen, die vom Fahrzeug häufig durchfahren
werden, was z. B. der tägliche Weg zur Arbeit sein kann.
Je häufiger eine bestimmte Strecke abgefahren wird, desto
verlässlicher wird die Aussagekraft des adaptiven Umfeldmodells über
die Klassifikation statischer Objekte. Beispielsweise können
diese folglich als Landmarken für die Szeneninterpretation
eingesetzt werden. Welche Strecke als häufig gefahrene
Strecke gilt, kann entweder vom Fahrer definiert werden oder auch
durch das System selbständig ermittelt werden. Der Vorteil der
selektiven Erstellung des adaptiven Umfeldmodells nur für
bestimmte Strecken manifestiert sich dadurch, dass die ohnehin zu
erwartende große Datenmenge eingeschränkt und
somit Speicherplatz gespart werden kann.
-
Eine
weitere Optimierungsaufgabe würde dann darin bestehen,
die Informationen im adaptiven Umfeldmodell auf die Merkmale zu
reduzieren, die mit der im Fahrzeug verbauten Sensorik, eine hohe Relevanz
für die betrachtete Fahrerassistenzfunktion besitzen.
-
Vorteilhaft
ist, eine Wahrscheinlichkeit zusammen mit dem Klassifikationsergebnis
abzulegen, welche Aussagt, mit welcher Sicherheit die Klassifikation
korrekt ist. Dadurch wird die Aussagekraft der Klassifikation erhöht
und eine genauere Auswertung bzw. Reaktion ermöglicht.
Beispielsweise kann so das unnötige Warnen des Fahrers
vermieden werden oder ein Bremseingriff nur dann durchgeführt
werden, wenn ein Hindernis mit einer hohen Wahrscheinlichkeit erkannt
wurde. Idealerweise wird pro erkanntes Objekt eine Wahrscheinlichkeit
ermittelt, entweder für das Klassifikationsergebnis, oder
für die Bewertung der einzelnen Parameter, aus der eine Verlässlichkeit
der Hypothese zu statischen Objekten getroffen werden kann. Diese
Hypothesenbildung, bzw. Wahrscheinlichkeitsermittlung wird abhängig sein
vom Vorwissen des adaptiven Umfeldmodells, d. h. z. B. wie oft das
Fahrzeug an der Stelle schon vorbeigefahren ist und ein Objekt bzw.
Merkmal eines Objekts erkannt hat, und der Güte der Sensorik,
die die Merkmale bereitstellt. So können auch statische Objekte,
die durch die einmalige Sensierung auf Grund diverser Verdeckungsgrade
(egal ob durch statische oder dynamische Objekte verdeckt) über die
Sensorik nicht eindeutig statisch klassifiziert werden konnten,
gefestigt werden.
-
In
einer Weiterbildung des Systems könnten auch dynamische
Objekte dahingehend klassifiziert werden, ob sie beispielsweise
regelmäßig auftauchen, wie Kinder in der Nähe
einer Schule zur Pausenzeit, oder parkende Autos in zeitlich begrenzten Parkzonen,
oder geschlossene Bahnübergänge die mit den Durchfahrtszeiten
von Zügen korellieren. Zur Verwirklichung eines solchen
Systems kann Information über das temporäre Auftreten
von Objekten entweder intrinsisch über die Historie und
gewisse Korrelationen erlangt werden, oder extrinsisch mittels anderer
Datenbestände, wie z. B. Fahrplänen oder Daten
in Navigationssystemen.
-
Vorteilhaft
ist, dass die Erfindung zusätzlich die Art und Anzahl der
Informationen erweitert, die für eine Szeneninterpretation
herangezogen werden. Auf Basis dieser ergänzenden Informationen
ist die Entwicklung neuer Fahrerassistenzfunktionen möglich,
die mit Sensoren aktueller Fahrerassistenzsystemen nicht umgesetzt
werden können. Beispielsweise ist denkbar auf diese Weise
ein Fußgängerwarnsystem, oder bei spezieller Auswertung
sogar ein Kinderwarnsystem zu realisieren. Weiterhin könnte als
Reaktion automatisch die Hupe oder Lichthupe aktiviert werden.
-
Vorteilhaft
ist, dass die Erfindung zusätzlich ein Bewegungsprofil
dynamischer Objekte, wie Fussgänger, Schulkinder oder Radfahrer,
in der Karte des adaptiven Umfeldmodells berücksichtigt
und diese für zukünfitge Fahrerassistenzfunktionen
bereithält.
-
Dadurch
dass die Wahrnehmung des erfindungsgemäßen Systems ähnlich
wie beim Menschen ist, insbesondere in Bezug auf die visuellen bzw.
kognitiven Fähigkeiten, eröffnet sich ein weiteres
Ziel der Erfindung, nämlich das autonome Fahren. Voraussetzung
hierfür ist das Information über einen Streckenverlauf
eröffnet werden, die das Fahrzeug selber lernt. Weitere
Voraussetzung ist, dass die Verlässlichkeit der Hypothesen
für die Informationen in dem adaptiven Umfeldmodell in
dem Maße steigen, dass sie der Hypothese durch den Fahrer, bzw.
eines Menschen gleich kommen.
-
Unbenommen
von Vorigem ist es möglich, die Inhalte des adaptiven Umfeldmodells
nicht nur mit anderen Fahrerassistenzsystemen, sondern auch mit
anderen Systemen im eigenen, sowie im fremden Fahrzeug (beispielsweise über
Ad-hoc Kommunikation) auszutauschen. So kann die spezielle Information, über
die ein einzelnes Fahrzeugs verfügt, beispielsweise die
Existenz einer neuen Baustelle, anderen Verkehrsteilnehmern zur
Verfügung gestellt werden. Dies mag über peer-to-peer
(ad-hoc) Kommunikation oder auch über ein zentral verwaltetes Datenerfassungssystem
erfolgen. Funktionen, die auf digitalen Karten aufbauen (z. B. Lane
Keeping Support Systeme), können sich so mit Hilfe des
adaptiven Umfeldmodells selbständig an eine geänderte
Infrastruktur adaptieren.
-
Vorteilhaft
ist, dass über das Vorwissen des adaptiven Umfeldmodells
aus abgefahrenen Strecken Entscheidungen für die Fahrplanung
getroffen werden können, auch wenn zur Zeit der aktuellen Fahrt
eine Erkennung von Objekten nicht möglich ist, wenn technische
oder Umfeldeinflüsse eine aktuelle Sensierung verhindern.
So können entsprechende Witterungs- oder Beleuchtungseinflüsse
bei der jeweils verwendeten Sensorik Abbildungfehler verursachen;
beispielsweise können Schnee, Gischt und Regen zu fehlerhaften
Lidar-/Radar-Signalen führen, oder Videoaufnahmen durch
zu starkes Gegenlicht verrauscht werden. Bei derartigen Gegebenheiten steht
daher für eine bestimmte Szenerie kein verlässliches,
aktuelles Umgebungsbild zur Verfügung. Hierbei können
die aus früheren Fahrten wahrgenommenen Landmarken/Objekte/Merkmale
in die aktuelle Szenerie eingefügt werden. Gleichzeitig
ist eine Prädiktion der Fahrtrajektorie, bzw. des Fahrschlauchs, für
den uneinsichtigen Straßenverlauf möglich. Gleichzeitig
kann bei der Trajektorien-Planung die Vorausschauungsweite entscheidend
erhöht werden.
-
Begriffserläuterungen
-
Eine
Hypothese ist die Annahme eines Klassifikationsergebnisses. Wenn
beispielsweise als Klassifikation unterschieden wird, ob ein Objekt
statisch (Landmarke) oder dynamisch ist, so bedeutet eine starke
Hypothese des einen bzw. des anderen, dass die Klassifikation wahrscheinlich
richtig ist. Gleiches gilt für andere Klassifikationsvarianten,
wie beispielsweise der Klassifikation der Art des Objekts, bzw.
des Verhalten des Objekts, bzw. seines temporären Wiederkehrverhaltens.
-
Das
adaptive Umfeldmodell wird erstellt, in dem eine Umfelderkennung
stattfindet, die mittels bekannter Sensorsignale und einer Szeneninterpretation
durchgeführt wird (diese Begriffe können auch synonym
verwendet werden). Adaptiv ist das System durch die Aktualisierung
von Daten bzw. die Klassifikation bei erneutem Vorbeifahren an einer
Szenerie.
-
Als
bildgebende Verfahren bezeichnet man aparative Verfahren mit denen
physikalische Phänomene visualisiert werden. Im einfachsten
Fall wird über eine Videokamera direkt ein Bild aufgenommen, welches
ausgewertet werden kann. Unter Zuhilfenahme physikalischer Gegebenheiten
können auch andere Sensoren, wie Infrarotkameras, Radar-,
Ultraschall-, Lidargeräte oder Laserscanner eine Information
liefern, die mittels eines Bildes visualisiert werden kann. Allen
bildgebenden Verfahren ist gemeinsam, dass Messungen eines von einem
Objekt ausgehenden physikalischen Effekts in ein Bild umgewandelt
wird.
-
Im
Allgemeinen erlaubt die Umfeldsensorik, wie Radar, Ultraschall,
Laserscannern oder Video nur eine eingeschränkte Abbildung
der Eigenschaften von Umfeldobjekten in das technische System. Damit Fahrerassistenzfunktionen,
die für sie wichtige Objekte mittels Umfeldsensorik dennoch
erkennen, werden auf den abgebildeten Eigenschaften Hypothesen erstellt,
die den Rückschluss auf ein Objekt ermöglichen.
Die für eine Objekthypothese relevanten und abgebildeten
Eigenschaften können auch als ”Merkmale” bezeichnet
werden. Da Merkmale z. B. aus der Form, Größe,
Farbe, Oberflächenbeschaffenheit, Reflexions- und Materialeigenschaften
oder lediglich dem Wissen über vorhandene Kanten und Ecken
eines Objektes bestehen, muss für eine Fahrerassistenzfunktion
nicht zwingendermaßen das komplette Wissen über
ein ”Objekt” in das adaptive Umfeldmodell eingetragen
werden. Es reicht für viele Funktionen auch aus, vereinzelte,
aber relevante Merkmale zu speichern. Damit ergeben sich auch bsp.
positive Auswirkungen auf den benötigten Speicherbedarf.
-
Figurenbeschreibung
-
Ausführungsbeispiele
der Erfindung sind in den Zeichnungen dargestellt und in der nachfolgenden
Beschreibung näher erläutert.
-
Es
zeigen,
-
1 ein
Blockschaltbild des erfindungsgemäßen Systems,
-
2 den
Signalfluss eines erfindungsgemäßen Systems,
-
3 die
Erstellung eines adaptiven Umfeldmodells während einer
Erstfahrt,
-
4 die
Adaption des Umfeldmodells auf einer Rückfahrt,
-
5 die
schnelle Erkennung von dynamischen Objekten in einem bekannten Umfeld,
-
6 die
Prädiktion eines Streckenabschnitts bei gestörter
Sensorik,
-
7 die
Lösung einer Triangulationsproblematik.
-
In 1 ist
ein Blockschaltbild mit den beteiligten Komponenten des Systems
dargestellt wobei wenigstens ein Sensor 11, beispielsweise
ein Lidarsensor mit optional weiteren Sensoren 12, beispielsweise
Radar oder Videosensoren deren Signale einer Basissignalverarbeitung 13 zugeführt
werden, deren Ergebnisse von beliebigen Systemen im Fahrzeug verarbeitet
werden, insbesondere aber auch vom erfindungsgemäß beschriebenen
adaptiven Umfeldmodell 14. Dieses verbindet die Daten mit
den Daten eines Positionsgebers 15, beispielsweise einem
GPS Signal. Weiterhin wird optional eine Sensordatenfusion durchgeführt,
wobei die Daten aus dem erfindungsgemäßen System 14 mit
den Daten von fremden Systemen zusammengeführt werden, um
dadurch insbesondere Objekte zu erkennen und zu klassifizieren.
Die Ergebnisse, d. h. die Daten bzw. auch Klassifikationsergebnisse
des adaptiven Umfeldmodells 14 und der gegebenenfalls über
einer optionalen Datenfusion bereitgestellten Ergebnisse externe
Systeme gelangen in eine Szeneninterpretation 17, die das
aktuelle Umfeld beschreibt und es ermöglicht, gegebenenfalls
eine Funktionsauslösung 18 durchzuführen.
Dies kann verschiedenste Dinge beinhalten, angefangen von der einfachen
Warnung eines Fahrers in beliebiger Weise über die Meldung
an andere Fahrerassistentsysteme von einer bevorstehenden Gefahrensituation,
bis zur direkt in Auftraggabe einer Funktionsauslösung,
beispielsweise eines Bremsvorgangs. Beispielsweise können
auch Airbagsysteme ihre Auslöseschwellen abhängig
von der interpretierten Szene anpassen. Die Sensoren am Fahrzeug 11, 12 liefern
eine eingeschränkte Abbildung der Umfeld, da die Abbildung
Fehleranfälle gegenüber Umfeldeinflüssen
ist.
-
Alternativ
kann zusätzlich eine Rückkopplung der Szeneninterpretation 17 zum
adaptiven Umfeldmodell 14 realisiert werden (gestrichelte
Linie), hierbei werden Ergebnisse der Szeneninterpretation zur Verbesserung
der Vorhersagegenauigkeit des adaptiven Umfeldmodells berücksichtigt.
-
In 2 wird
der Signalfluss des erfindungsgemäßen Verfahrens
beschrieben, bei dem wenigstens ein Sensor 21 Daten bereitstellt,
aus dem Merkmale extrahiert werden 22 und zusammen mit
den Positionsdaten 23 in einem Speicher 24 abgelegt werden.
Bei den Merkmalen handelt es sich beispielsweise um erkannte Objekte,
seien es dynamische oder statische, können aber auch Teilinformationen
dieser Objekte, wie Flächeninformationen, Texturen, Konturen,
Kanten oder Ecken berücksichtigen. Dieses aktuelle Informationspaar
wird gleichzeitig genutzt, um eine Hypothese 25 unter Zuhilfenahmen von
früheren Informationen aus dem Speicher 24 zu bilden.
Diese Hypothesen ergeben dann das adaptive Umfeldmodell 26 aus
welchem eine Szeneninterpretation 27 abgeleitet werden
kann, optional unter Zuhilfenahme externer Daten 29 und
einer eventuellen Funktionsauslösung 28, wie bereits
in 1 beschrieben.
-
In
einem erweiterten Signalfluss werden ergänzend Informationen
des adaptiven Umfeldmodells 26 in den Speicher 24 ablegt
(gestrichelte Linie).
-
In
den nun folgenden 3 bis 7 beschreibt
der Figurteil A ein reales Bild der Umfeldsituation in der sich
das Fahrzeug befindet, in Figurteil B das adaptive Umfeldmodell,
das mittels des erfindungsgemäßen Verfahrens entsteht.
-
Das
Szenario in 3 besteht aus einem Fahrzeug,
welches ein erfindungsgemäßes System besitzt,
zwei Bäumen B1 und B2, zwei Verkehrszeichnen S1 und S2,
zwei Gebäuden H1 und H2, sowie einem Fußgänger
F1. Durchfährt das Fahrzeug FZG das Szenario so können
mit einer gewissen Verlässlichkeit Hypothesen zu statischen
Objekten getroffen werden, die in der Karte des adaptiven Umfeldmodells
hinterlegt werden. Im Figurteil B ist diese Karte dargestellt, wobei
die Verlässlichkeit einer Hypothese über die Stärke
des Grauwertes angegeben ist. Bei häufigerem Auftreten
eines Objekts insbesondere über mehrmaliges Vorbeifahren
wird die Wahrscheinlichkeit für die Klassifikation eines
statischen Objekts immer höher und der Grauwert somit immer dunkler.
Bei einmaligem Vorbeifahren wie hier in 3 kann durch
das Auswerten mehrerer Bilder bereits eine Klassifikation durchgeführt
werden und beispielsweise sehr dynamische Objekte wie entgegenkommende
Fahrzeuge sogar schon klassifiziert werden. Weiterhin können
auch sehr lange sichtbare statische Objekte, wie beispielsweise
das Gebäude H1 bereits relativ sicher als statisch klassifiziert
werden. Kritisch ist insbesondere ein Objekt wie der Fußgänger
F1, der, wenn er sich nicht bewegt, als statisches Objekt fehlklassifiziert
werden könnte. Weiterhin werden verdeckte Ziele, wie beispielsweise
das Verkehrszeichen S2, welches im Gegensatz zum Verkehrszeichen
S1 während der Vorbeifahrt meist durch das Gebäude
H1 verdeckt ist, mit nur einer geringen Genauigkeit erkannt, was
durch den Grauwert entsprechend dargestellt ist.
-
Insbesondere
in 4 zeigt sich nun der erfindungsgemäße
Vorteil, bei dem durch mehrfache Sensierung einer häufig
gefahrenen Strecke, auch von verschiedenen Richtungen (z. B. auf
dem Rückweg von der Arbeit) eine genauere Klassifikation möglich
wird. In dieser Figur findet das Fahrzeug FZG das selbe statische
Szenario vor, wodurch eine weitere Stabilisierung der Hypothesen
des adaptiven Umfeldmodells erfolgen kann. Wie der Figur zu entnehmen
ist, kann der zuvor in 3 als unsicheres statisches
Objekt erkannte Fußgänger F1 nun richtig als dynamisches
Objekt klassifiziert werden, da dieser nicht mehr detektiert werden
kann, da er verschwunden ist. Somit kann die Wahrscheinlichkeit
für dessen Hypothese als statisches Objekt in der digitalen
Karte des adaptiven Umfeldmodells reduziert und prinzipiell gelöscht
werden. Alternativ kann das Wissen über klassifizierte
dynamische Objekte für die Erstellung von Bewegungsprofilen
eingesetzt werden. Gleichzeitig können statische Objekte,
die durch die einmalige Sensierung auf Grund der vorher beschriebenen
Verdeckung nicht eindeutig als statisch klassifiziert werden konnten,
nun genauer zugeordnet werden, was sich in der 4B als
dunklerer Grauwert des Verkehrszeichens S2 dargestellt ist. Hierbei kommt
förderlicherweise dazu, dass die Betrachtung aus einer
anderen Perspektive (Rückweg) stattfinden kann.
-
In 5 ist
das Fahrzeug FZG mit Fußgängern F1 bis F3 konfrontiert,
welches sich plötzlich in einem – bereits bekannten – Umfeld
befinden, bzw. auftauchen. Dadurch, dass das Umfeldmodell durch mehrmalige
Vorbeifahrt bereits gefestigt ist (siehe Tiefe der Grauwerte), genügt
eine siginifikante Abweichung der aktuellen Sensorinformation vom
adaptierten Umfeldmodell (hier der Fußgänger),
um mit einer hohen Sicherheit sagen zu können, dass es sich
um ein dynamisches Objekt handelt. Somit kann eine sehr schnelle
Reaktion erfolgen. So kann beispielsweise ein Bremsmanöver
eingeleitet werden, wenn sich Fußgänger auf der
Fahrbahn befinden, eine Baustelle neu eingerichtet wurde, das Ende
eines Staus erreicht wird oder parkende Autos die Weiterfahrt behindern.
Gleiches gilt für Warnungen bzw. Ausweichmanöver
oder sonstige Reaktionen.
-
In 6 ist
ein gestrichelt umrandeter Bereich dargestellt, in dem das Fahrzeug
FZG auf Grund von beispielsweise Witterungseinflüssen kein Signal,
bzw. keine geeignete Abbildung erhält, um Objekte wahrnehmen
zu können. Bei derartigen Gegebenheiten steht daher für
einen bestimmten Straßenzug kein verlässliches und
aktuelles Bild zur Verfügung. Die in früheren
Vorbeifahrten wahrgenommenen statischen Landmarken, Objekte und
Merkmale, die im adaptiven Umfeldmodell hinterlegt sind, ermöglichen
eine Prädiktion des befahrbaren Bereichs bzw. eines Fahrschlauches
auch in dem Teil des uneinsichtigen Straßenverlaufs. Dadurch
kann die Vorausschauungsweite im Vergleich zu den heutigen Systemen
durch das Vorwissen aus bereits abgefahrenen Strecken entscheidend
erhöht werden.
-
In 7 ist
im Figurteil A eine Situation gezeigt, die bei heutigen Umfeldsensoren
zur Abbildungsfehlern führen können und nur schwer
beherrschbar sind. Es ist eine fehlerhafte Abbildung E auf Grund
der Triangulation mit einer Stereo-Videosensorik dargestellt, die
Aufgrund der Konstellation der Objekte H1 und H2 ein Scheinobjekt
erzeugt. Durch Plausibilisierung der erhaltenen Sensorinformation
mittels des adaptiven Umfeldmodells lässt sich darauf schließen,
dass das ermittelte Objekt E ein Abbildungsfehler darstellt und
somit keine Fehleintragung eines neuen Objekts in das adaptive Umfeldmodell
erfolgt bzw. eine Fehlklassifikation stattfindet.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- - DE 102006058304
A1 [0002]
- - DE 10335601 A1 [0003]