CN108291813B - 借助姿态图的位置数据融合 - Google Patents
借助姿态图的位置数据融合 Download PDFInfo
- Publication number
- CN108291813B CN108291813B CN201680072037.2A CN201680072037A CN108291813B CN 108291813 B CN108291813 B CN 108291813B CN 201680072037 A CN201680072037 A CN 201680072037A CN 108291813 B CN108291813 B CN 108291813B
- Authority
- CN
- China
- Prior art keywords
- position data
- range
- pose graph
- time
- absolute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title description 18
- 238000000034 method Methods 0.000 claims description 103
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000009467 reduction Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000005457 optimization Methods 0.000 description 114
- 238000005070 sampling Methods 0.000 description 51
- 238000010586 diagram Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000008521 reorganization Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
- G01C21/188—Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/02—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers by conversion into electric waveforms and subsequent integration, e.g. using tachometer generator
- G01C22/025—Differential odometers
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Traffic Control Systems (AREA)
Abstract
对于多个时间点(t.1、t.3、t.5、t.8、t.11)其中的每个时间点分别确定机器的绝对位置数据(605);此外确定机器的测程位置数据。生成姿态图(661),其中姿态图(661)的连结线(672)与测程位置数据相应并且姿态图(661)的节点(671)与绝对位置数据(605)相应。姿态图(661)被优化用于获得所估计的位置。可选地,也可以估计测程。机器的、例如机动车的驾驶员辅助功能性可以可选地基于所估计的位置来被控制。例如,驾驶员辅助功能性可以涉及自动行驶。
Description
技术领域
本发明涉及一种方法和控制设备。尤其是不同的实施方式涉及如下技术,以便在获得所估计的机器位置时考虑到机器的测程位置数据和绝对位置数据。在此,使用姿态图(Posen-Graph)。尤其是,不同实施方式涉及具有链条几何形状的姿态图。
背景技术
已知用来创建区域的地图的技术。例如,从DE 10 2013 208 521 A1中已知用于以收集方式学会和创建数字街道模型的方法。在此,针对一个或多个车辆的多个轨迹来检测轨迹数据和感知数据。信息图被形成,其中多个轨迹的轨迹点形成信息图的节点并且基于测程测量和位置测量来形成在信息图的节点之间的或节点处的连结线。信息图被优化。这种技术具有的缺点是:模型形成是耗费的并且需要许多时间。实时应用,例如用于控制驾驶员辅助功能性的实时应用典型地是不可能的。
另一方面,也已知用于与驾驶员辅助功能性相关联来确定机动车的所估计的位置(位置确定)的技术。尤其是已知如下位置确定技术,其在确定机动车的所估计的位置时考虑到绝对位置数据和测程位置数据。为了保证驾驶员辅助功能性,这以实时的方式进行。
在此,绝对位置数据以绝对值、例如在UTM或WGS84参考坐标***中的绝对值来指示机动车在确定时间点时的所测量的位置。可选地,绝对位置数据也可以配备有定向,所述定向例如指示机动车的当前运动方向。由位置和定向组成的组合常常也被称为姿态。
相反,所述测程位置数据指示机动车的自运动或相对运动,例如在任意规定的参考坐标***中或者在所谓的车辆坐标***(英文:body frame(体坐标***))中。在此,所述固有运动例如分别相对地关于机动车的前面的位置来指明。例如,从US2014/0078258 A1中已知在周围环境中借助视觉3D点的视觉测程的方法。也已知其他测程定位***,其例如基于加速传感器等。
为了在确定机动车的所估计的位置时考虑到最不同的位置数据,已知位置确定的技术,其将一个或多个测程位置数据与一个或多个绝对位置数据相互结合(传感器融合)。可以由不同定位***输出不同位置数据。这些定位***可以将不同技术用于位置确定,使得不同定位***的位置数据可以表示对位置的彼此无关的估计。
从DE 10 2013 218 043 A1中已知用于对于融合传感器提供相对测量数据的方法。该融合传感器被设立用于,通过过滤与相对测量数据对应的绝对测量数据来生成用于物理参量的输出值。可以使用Kalman(卡尔曼)滤波器,以便考虑到噪音。
从DE 10 2014 211 178 A1中已知用于修正第一传感器***的测量数据的方法。第一传感器***和/或第二传感器***分别检测不同的测量数据,这些测量数据分别直接和/或间接地描述导航数据。当误差值能够被观察时,这些误差值被修正并且当误差值不能被观察时,则这些误差值被假设为恒定的。误差值可以借助Kalman滤波器的误差状态空间来被确定。
从 DE 10 2014 211 166 A1中已知一种方法和相应的融合滤波器,用于将传感器信号与不同的时间上的信号输出延迟融合。传感器信号分别包括时间戳,该时间戳描述测量值的检测时间点。误差值和/或测量值持久地借助于此(mittels)来被修正。误差值可以借助于误差状态空间Kalman滤波器来被确定。通过考虑到多个相互独立的位置数据,能够针对机动车的位置来提供更准确并且更故障安全的估计,其中所述位置数据作为不同定位***的输出来被获得。尤其是,对于在自动行驶的范围中的应用必要的是,能够以高故障安全性(Ausfallsicherheit)来提供对机动车的位置的尽可能准确的估计。
在此,之前已知的用于借助传感器融合的位置确定的技术(尤其是基于上述技术在使用Kalman滤波器的情况下)具有确定的限制和缺点。
例如,可能出现如下情境,在这些情境中,相应的定位***并不均匀地在机动车的所有驾驶情况中以故障安全的方式工作,其中该定位***提供位置数据作为输出。例如,已知如下定位***,所述定位***只是在相对天然的地形中无缺陷地工作(例如基于卫星的技术,诸如GPS)。其他定位***例如被限制于地点上受限的、预先测量的周围环境(例如用于停车楼的本地定位***等)。
例如基于Kalman滤波器借助传感器融合进行位置确定的常规的技术可能具有如下缺点:在中断各个定位***的输出时或在可用的位置数据之间过渡时可能并不对于机动车的位置来提供估计或不提供特别准确的估计。例如,在基于Kalman滤波器的技术情况下可能的是:只能够考虑到固定数目的固定地预先给定的定位***;已知的实现方案被确定为:存在来自固定地预先给定的来源的测程位置数据与来自另一固定地预先给定的来源的绝对位置数据的结合。
此外,借助传感器融合的位置确定的常规技术具有如下缺点:仅能以较小的灵活性考虑到不同的定位***。尤其是,不可能或者仅以受限的方式可能的是:例如以另外的、新的定位***来扩展现存的算法或者在确定机动车的所估计的位置时考虑到最不同的定位***的位置数据的可变组合。
发明内容
因此,存在对于用于位置确定的经改善的技术的需求。尤其是,存在对于如下位置确定的技术的需求,其实现:对最不同的定位***的位置数据的灵活的传感器融合。
所述任务由独立专利权利要求的特征解决。从属专利权利要求限定实施方式。
按照一方面,本发明涉及一种方法,该方法对于多个时间点其中的每个时间点分别包括:基于至少一个测程定位***的至少一个输出来确定可移动的机器的测程位置数据。该方法对于多个时间点其中的每个时间点此外包括:基于至少一个绝对定位***的至少一个输出来确定机器的绝对定位数据。该方法此外包括:生成具有连结线和节点的姿态图。在此,这些连结线与测程位置数据相应,并且这些节点在此与绝对位置数据相应。该方法此外包括:优化姿态图,用于获得机器的所估计的位置。
例如,该姿态图可以优选地针对多个时间点其中的每个具有节点。所述多个时间点因此可以覆盖从实际时间到过去的时间窗口(英文:sliding window(滑动窗口))。相应地,在产生姿态图时可以考虑到至少一个测程定位***和至少一个绝对定位***的输出,所述输出指示该机器的当前状态以及在最接近的过去中的状态。例如,可以在生成姿态图时优选考虑到固定地预先给定的数目的时间点。姿态图的应用可以是对于之前已知的用于传感器融合的Kalman滤波器的应用的替代方案。
关于姿态图的基础和相应的优化例如从Kümmerle, R.等人的,g2o: 2011年发布在Proceedings of the IEEE International Conference on Robotics and Automation(ICRA)中的A General Framework for Graph Optimization中已知。在那里也描述了相应的***矩阵的构造。姿态图包括:节点,所述节点与待优化的状态变量(在这里:机器在确定时间点的绝对位置)相应;和连结线,所述连结线与通过相应的连结线所连接的节点的状态的逐对链接相应。例如可能的是:姿态图的节点与方向(英文:heading(航向))相关联;就此而言这些节点能够表示姿态。根据在这方面所公开的不同情境的姿态图包括至少一个测程定位***的输出和至少一个绝对定位***的输出。
例如,在有利的实施方式中,例如对于机器的位置的估计、如其由至少一个绝对定位***所提供的那样,可以以与姿态图的节点相关联的方式来被考虑到。例如,姿态图的不同节点可以经由边缘条件与至少一个绝对定位***的不同绝对位置数据链接,这种链接有时也以边缘条件的形式被表示为姿态图的连结线;但是为了避免模棱两可,这种专业术语在这方面并不被采用。在此,例如绝对位置数据形式上可以作为固定节点来被考虑,其并不通过优化而被影响,并且姿态图的待优化的节点可以被标识为优化节点。优化节点可以与多个固定节点经由边缘条件来被链接,其中固定节点的位置并不通过优化而被改变。
优选地,姿态图可以具有链条几何形状。所述链条几何形状可以与姿态图的节点的串行排列相应。这可以意味着:姿态图的节点都不具有多于两个的直接相邻的节点。
通过所述链条几何形状,可以实现对姿态图的特别有效的优化。尤其是,姿态图的优化可以特别计算有效地被实现。由此可以促进例如实时应用。
在此,对于链条几何形状也可能的是,使直接相邻的节点并不经由多于一个的连结线来相互连接。当对于测程位置数据多个不同输出可用时,尤其是这种情况。例如可能的是,姿态图的节点都不经由多于2N个连结线来与相应的、直接相邻的节点连接。在此,N可以是至少一个测程定位***的输出的数目。例如可能的是,每个测程定位***仅提供单个输出。在这种情况下,N可以与测程定位***的数目相应。
这种技术使得能够:一方面实现姿态图的链条几何形状(并且由此实现对姿态图的特别计算有效的优化);另一方面,可以这样考虑到至少一个测程定位***的所有输出(并且由此特别准确估计出机器的位置)。灵活的传感器融合是可能的。
当姿态图的两个直接彼此相邻的节点经由多于一个连结线来彼此连接时,这因此可以相应于姿态图的在这两个节点之间并行伸展的连结线。在此例如可能的是,这两个连结线是与不同方差或不准确性相关联的。当这两个并行伸展的连结线与不同的测程定位***相关联时,那么这种情境例如可能产生。不同测程定位***例如可以以不同的准确性来提供原始测程位置数据。基于这些并行伸展的连结线的这种偏差的表征性的特性,可能的是,在姿态图的两个直接彼此相邻的节点之间的、多于一个的连结线的存在对优化结果能够有表征性的影响。
例如,固有运动估计、如其作为至少一个测程定位***的输出以测程位置数据的形式被提供的那样可以有利地以与姿态图的连结线相关联的形式被考虑到。有利地,优化连结线和固定连结线又可以被考虑到,其以边缘条件的形式被链接。优化连结线可优选地通过两个相邻的优化节点来被预先给定。例如,如下情境是可设想的,在这些情境中,多于一个的测程定位***提供输出;在这种情境中可能的是,在姿态图的两个相邻节点之间存在多于一个的连结线。
以与具有链条几何形状的姿态图相关联的方式,也可能的是,任何连结线都不将多于两个的节点彼此连接。例如可以避免如下情境:在这些情境中,常见的连结线与三个或更多个节点连接,也即作为边缘条件作用在多于两个的节点上。这可以实现姿态图的特别简单的结构。由此可以特别计算有效地实现优化。
以与具有链条几何形状的姿态图相关联的方式,也可能的是,姿态图并不具有分支。分支例如可以与如下情况相应,在该情况下姿态图的多于三个的支路(Ast)在节点处汇合,其中这些支路分别具有一个或多个连结线并且具有一个或多个节点。通过避免姿态图的分支,可以实现姿态图的特别简单的结构。由此,可以减小为了执行优化所需的优化持续时间。
通过实现具有链条几何形状的姿态图,基础的***矩阵的特别简单的结构可以被实现,其中该***矩阵描绘该姿态图。例如,对于2D情境可能的可以是,描述姿态图的***矩阵具有块三对角线(blockdreidiagonal)的形状。
通过***矩阵的这种形状可以实现不同效果。
首先,可以进行特别计算有效的对***矩阵的求逆。典型地,以与优化姿态图相关联的方式,***矩阵的求逆是必要的。例如可以将特别为了块三对角线矩阵所设计的技术用于求逆。一个示例是所谓的Cholesky分解(Cholesky-Zerlegung)。这种技术具有以数量级O(n)的耗费,其中n是姿态图的优化节点的数目。与不具有链条几何形状的姿态图相反,这种特别计算有效的求逆可以被执行。例如,也即可以将描述不具有链条几何形状的姿态图的***矩阵任意地占据(besetzen)。这种任意占据的***矩阵一般可以仅以约为O(n2,4)的级次的计算耗费而被分解成Cholesky分解(Cholesky-Fakturierung)。由此,优化持续时间可以被减小。
其次,以与***矩阵的块三对角线形状相关联的方式对姿态图的优化典型地需要比较小的存储空间。这例如可以是该情况,因为不产生所谓的“fill-in(填入)”。“Fill-in(填入)”意味着,优化算法在执行优化期间必须存储附加元素,所述附加元素超出初始问题的那些元素。对于***矩阵的任意布置的结构(如其针对没有链条几何形状的姿态图可能出现的那样),一般产生这种“fill-in(填入)”,使得需要附加存储空间。
第三,由于附加需要的存储空间使得优化的执行也可能变得更缓慢。这是该情况,因为存储器访问操作典型地与既定的等待时间相关联。因为如前述的那样对于没有链条几何形状的姿态图必须附加地存储所谓的“fill-in(填入)”元素,附加的存储器访问操作是必要的;这引起优化的减慢。借助在这方面所描述的技术,因此可以缩短优化持续时间。
第四,由于避免以与优化相关联的方式所执行的辅助功能性,优化的执行可以被加速。例如,对于并不以块三对角线形状存在的矩阵可以避免用于最小化“fill-in(填入)”的状态变量的重组(英语“variable reordering technique(变量重排序技术)”)。典型地,这种重组在优化开始时被执行。重组的执行自身需要既定的持续时间,所述既定的持续时间作为等待时间使优化的执行减慢。对于块三对角线矩阵不必执行这种重组,因为基本上并不出现“fill-in”。优化持续时间也可以这样以特别短的方式被实现。
第五,对姿态图的旧节点和连结线的边缘化(Marginalisierung)可以特别有效地被执行。例如,所述边缘化包括:根据优化来选择姿态图的节点;并且对于所选择的节点:确定姿态图的固定节点。所选择的节点于是可以被从姿态图中去除。这种边缘化技术防止:姿态图在更长的运行时间情况下不受限地增大。在边缘化的典型技术情况下,要去除的节点的信息引起在直接与要去除的节点相邻的所有其他节点之间的连接。在其中总是去除最旧的节点的情境中,对于具有链条几何形状的姿态图可以避免姿态图的***。因此可以避免对优化的复杂性的负面作用。这与不具有链条几何形状的姿态图相反。在这种情况下,节点的、例如最旧的节点的边缘化导致姿态图的进一步***或分支。这在时间过程中在任意布置的连结线的情况下引起:使姿态图越来越密地被占据。这意味着,***矩阵的结构不再以薄的方式被占据。这又意味着,优化变得越来越缓慢并且需要更多存储空间。借助在这方面所描述的技术,因此可以实现:优化问题并不随着增大数目的迭代(Iterationen)或应用时长而变得更复杂。由此也可以限制优化持续时间。
总而言之,具有块三对角线形状的***矩阵因此可以具有不同的有利效果。这也意味着,具有链条几何形状的姿态图具有相应的有利效果。尤其是,所述优化可以更有效地被执行:这意味着,优化可以更快速地、更不存储器密集地并且以优化时间与迭代次数或应用时长不相关或仅较小相关的方式来被执行。短的优化持续时间被实现。
因为不同测程位置数据和绝对位置数据可能彼此具有偏差,借助对姿态图的优化而可能的是,获得所估计的位置作为在不同的绝对位置数据和测程位置数据之间的最佳折衷。在姿态图的优化的范畴内,节点和连结线可以被推移,也即相对从定位***的输出所获得的值而被改变。待优化的节点常常被称作优化节点。优化节点通过边缘条件而与从定位***的输出所获得的节点和连结线链接。
可能的是,绝对位置数据和/或测程位置数据有既定的不确定性。这种不确定性也可以被称作方差(Varianz)。例如,测程位置数据和/或绝对位置数据的方差在姿态图的优化时可以被考虑到。
与姿态图相关联地,常常限定误差项(Fehlerterm),这些误差项越大(越小),通过优化所估计的位置就与定位***的输出差得越远(越少),并且定位***的相应输出的方差就越小(越大)。所述优化可以优选地提供姿态图的配置,所述配置与误差项的极值相应。优选地,力求得到误差项的全局极值。所述优化可以有利地以数字的方式来进行。所述优化可以有利地迭代地进行,也即包括多个优化迭代。例如优化可以有利地包括非线性最小平方(英文:nonlinear least-squares)的技术。例如,所述优化可以有利地借助高斯牛顿技术(Gauß-Newton-Technik)来进行和/或借助列文伯格-马夸尔特技术(Levenberg-Marquardt-Technik)来进行。
这种技术实现实时应用。例如,所述机器可以是机动车。优选地,此外包括基于机动车的所估计的位置的驾驶员辅助功能性的控制。例如,驾驶员辅助功能性可以优选地涉及机动车的自动行驶。可能的也可以是:所述驾驶员辅助功能性有利地涉及部分自动行驶或高自动行驶。可能的也可以是:驾驶员辅助功能性有利地涉及堵车助理。例如优选地可能的是:驾驶员辅助功能性影响机动车的位置。就此而言,可以基于所估计的位置来影响机动车的位置。例如,驾驶员辅助功能性可以控制机动车的电转向系(Lenkstrang)。例如,驾驶员辅助功能性可以优选控制机动车的制动装置和发动机。例如,驾驶员辅助功能性包括:车道保持助理;间距助理;停车助理等等。
通过使用姿态图可能的是,优选地考虑到不同数目的测程位置数据和/或不同数目的绝对位置数据。尤其可能的是,在生成姿态图时被考虑到的测程位置数据的数目和/或绝对位置数据的数目作为时间的函数而变化。通过一般地使用测程位置数据和绝对位置数据,不同的定位***的待融合的输出可以以模块的形式被更换。这样有利地可能的是,总是考虑到定位***的全部可用的输出。这样可以优选地实现:在过渡情况下,也获得具有特别高可靠性的机器的所估计的位置,其中在所述过渡情况下确定的定位***的输出恰好不再可用或者仅以受限的方式可用,然而其他定位***的输出则变得可用。
此外,与基于Kalman滤波的参考实现方案相比较,姿态图的使用允许:不仅对实际时间而言的而且也对过去而言的对机器的位置的更准确的估计。
在不同的有利的情境中,对姿态图的优化可以进一步提供机器的所估计的位置的可靠性。可能的是,机器的驾驶员辅助功能性进一步基于所估计的位置的可靠性而被控制。
所述可靠性可以例如优选地考虑到对于经优化的姿态图的不同节点的误差项的总和。更当前的(更旧的)节点可以对所估计的位置的可靠性具有更大的(更小的)影响。例如,在其中所估计的位置的通过优化所获得的可靠性变得比较大的情境中,由驾驶员辅助功能性要求手动的驾驶员干预。
通过考虑到所估计的位置的可靠性,可以以大的安全性来控制驾驶员辅助功能性,尤其是可以避免基于并不能负载的或者仅以受限的方式能够负载的对于机动车的位置的估计来控制驾驶员辅助功能性。
在不同有利的情境中,姿态图的优化可以进一步提供机器的所估计的测程。可能的是:机动车的驾驶员辅助功能性进一步基于所估计的测程来被控制。
测程可以例如有利地指示机器的当前定向/行驶方向。与机动车的所估计的位置一起,因此可以提供机动车的所估计的位置和定向(姿态)。
例如,可以有利地通过优化姿态图来获得在关于多个时间点而言的未来时间点时的机器的所估计的位置。
换言之,在不同有利的实施方式中可能的是,对于未来的时间点估计位置。因此可以对机器的位置作出预测。
姿态图的生成和优化需要既定的持续时间(优化持续时间)。优化持续时间可以通过对于未来时间点提供所估计的位置来得以补偿。
由此可能的是,特别目标针对地控制驾驶员辅助功能性。尤其可能的是,以特别小的等待时间来提供关于机器的当前位置的信息。实时应用是可能的。
优化持续时间可以通过限制姿态图的节点的数目来被减小。对此,可以使用边缘化的技术。例如,边缘化可以包括:根据优化来选择姿态图的节点;并且对于所选择的节点:确定姿态图的固定节点。所选择的节点于是可以被从姿态图中被去除。通过从姿态图去除所选择的节点,可以减小姿态图的节点的数目。然而,同时通过对于姿态图来确定固定节点,仍然可以使接下来的对姿态图的优化具有高准确性。
例如,所述方法在去除所选择的节点之后进一步可以包括:重新优化姿态图,用于获得机器的其他的所估计的位置。固定节点的位置可以相对重新优化并不改变。固定节点可以经连结线来与姿态图的相邻节点连接。通过使固定节点的位置相对重新优化而言是不改变的或者是固定的,重新优化的复杂性可以相对受限。由此,优化持续时间可以被减少。
这种边缘化技术基于的认识是:由于在姿态图的优化的复杂性方面的局限可能常常必要的是,减少姿态图的节点和连结线的数目。这可以通过去除或删除姿态图的各个节点和连结线来进行。例如,姿态图的最旧的节点和连结线可以被删除,也即姿态图的与最旧的时间点相应的那些节点可以被选择。对旧的节点和连结线的这种删除常规地引起:旧的位置数据不再具有对位置的当前估计的任何影响。这导致:所述估计具有受限的准确性。例如,对于位置的估计可能具有比较高的不准确性。
因此,在预先已知的技术中已知用于所谓的边缘化的方案。预先已知的用于边缘化的方案包括:将舒尔补(Schur-Komplement)形成于***矩阵上。这种技术不具有在姿态图中的模型式对应。这种技术常常引起更密地占据的***矩阵;由此又可能提高用于执行优化的计算耗费,由此又可能使优化持续时间是比较长的。
在这方面所描述的技术实现:通过设置固定节点代替所选择的节点,例如与最旧的时间点对应的节点一方面避免对***矩阵的更密占据并且因此避免延长的优化持续时间,并且同时使得并不削减或者并不明显地削减在通过优化姿态图评估位置时的准确性。在这方面所描述的技术因此实现:姿态图与预先已知的技术相比特别准确的边缘化。借助这里所描述的技术因此可能的是:也在姿态图的多个边缘化之后使得优化问题保持可操作并且并不作为时间的函数而退化。
可以使用不同技术用于确定固定节点。例如可以基于如下元素来确定固定节点,所述元素从以下组中选择:所选择的节点的位置;至少一个连结线,所述连结线与所选择的节点连接;绝对位置数据,所述绝对位置数据与所选择的节点对应;和其他固定节点,所述其他固定节点经由连结线与所选择的节点连接。例如,可以经由固定节点来代表绝对位置数据。这种经由作为边缘条件的连结线来与所选择的节点所连接的固定节点可以在确定固定节点时被考虑到;其他绝对位置数据可以保持为不被考虑到。例如,其他固定节点可以在前面的边缘化的范畴内被确定。例如,所有其他现存的相应的固定节点可以被考虑到。这样例如可能的是:固定节点将关于所选择的和所去除的节点的信息捆绑于其中。过去的信息于是不通过去除所选择的节点而简单地被摒弃,而是传输到固定节点上。因此,所述固定节点可以也被称作先验固定节点(Prior-Fixknoten)。
因为这种固定节点可以在图中被直接示出,与基于舒尔补的常规边缘化相比,语义上的解释是简单可能的。这种语义上的解释例如可能是:“迄今已从姿态图中去除了的、所捆绑的位置信息导致如下估计:机器已经处于该固定节点的位置”。因此,有利地可能的是,固定节点表示所选择的节点的舒尔补。因此可以实现:固定节点避免通过去除所选择的节点引起的优化的准确性的减小。但是,在其他实施方式中,用于确定的固定节点的其他技术也是可能的。
具有固定节点、而不是所选择的节点的姿态图可以进一步代表完整的或原始的优化问题。然而不必要的是,为了完整地理解而考虑到姿态图的***矩阵表示。这改善开发者/使用者的问题理解的潜能、分析可能性和用于解决问题的操纵可能性。
作为其他效果,如果这是必要的,固定节点使得能够适配旧信息的不可靠性并且影响权重。例如该方法可以另外包括:在执行重新优化之前,适配姿态图的连结线的损失函数,其在固定节点和相邻节点之间伸展;和/或适配固定节点的不可靠性。在固定节点中所描绘(abbilden)的特别不可信的信息于是可以以更大不可靠性而被考虑到,这在优化情况下可以提高容忍度。也可能的是,将鲁棒性的成本或损失函数应用到边缘条件的误差项上,所述边缘条件通过固定节点来代表。
例如可能的是,对所选择的节点的去除选择性地根据姿态图的节点的数目来被执行。例如如果姿态图的节点的数目超出预先给出的阈值,则分别可以从姿态图选择和去除最旧的节点,其中与此同时确定相应的固定节点。由此一方面可以实现:并不通过特别大数目的节点而使得优化持续时间变得过度地长;而与此同时姿态图的不必要常规边缘化可以被避免。
按照不同有利的示例可能的是,基于预先给定的时钟速率来确定多个时间点,其中对于所述时间点来确定测程位置数据和绝对位置数据。于是优选可能的是,分别以所属采样率来接收原始测程位置数据作为至少一个测程定位***的输出。相应地优选可能的是,分别以所属的采样率来接收原始绝对位置数据作为至少一个绝对定位***的输出。在此,预先给定的时钟速率可以与采样率不同。所述采样率可以作为时间的函数而变化。
例如可能的是,所述方法进一步包括:基于预先给定的时钟速率并且可选地基于相应的采样率来内插原始绝对位置数据,用于对于多个时间点其中的每个时间点来确定绝对位置数据。例如进一步可能的是,该方法进一步包括:基于预先给定的时钟速率并且可选地基于采样率来内插原始测程位置数据,用于对于不同时间点来确定测程位置数据。所述内插因此可以优选地在地点-时间空间中进行。例如,内插在姿态图的参考坐标***中进行。
例如,在一些情境中可能的是,采样率小于时钟速率,其中利用所述采样率来获得确定的原始测程位置数据。在这种情况下,原始测程位置数据的内插优选地包括:相对相应的原始测程位置数据来减小这样确定的测程位置数据的时间分辨率(Zeitauflösung)。由此可以实现:与所确定的原始测程位置数据相应的连结线并不跳过姿态图的节点。由此,姿态图的分支可以被避免并且姿态图的链条几何形状(连同不同的上面提到的有利效果)可以被实现。
例如,在一些情境中可能的是,采样率大于时钟速率,其中以所述采样率来获得确定的原始测程位置数据。在这种情况下,原始测程位置数据的内插优选地包括:相对于相应的原始测程位置数据来提高这样确定的测程位置数据的时间分辨率。由此可以实现:姿态图的相邻的节点仅通过唯一的、与确定的原始测程位置数据相应的连结线来被连接。姿态图的链条几何形状被实现。
在不同的有利的变型方案中可能的是:原始绝对位置数据和/或原始测程位置数据的坐标转化被执行,以便分别获得绝对位置数据和/或测程位置数据。例如可能执行UTM坐标***和WGS84坐标***之间的坐标转化。有利地也可能的是,坐标转化包括坐标旋转。例如,在专用参考***、例如作为机器的机动车的速度和齿轮速率与姿态图的参考***之间进行旋转。例如可以优选地,考虑到机动车的型号,以便在坐标转化时考虑到车辆特定的特性。
借助这种技术可能的是,灵活地考虑到不同定位***的不同时间行为。尤其是不需要:不同定位***以固定地预先给定的或静态的采样率来提供输出。不需要作出关于在生成姿态图时所考虑到的位置数据的时间行为的事先假设。
例如有利地,可能的是:使得原始测程位置数据和/或原始绝对位置数据分别配备有时间戳。例如有利地,时间戳可能指示如下时间点,在所述时间点,相应的定位***已测量了测程位置数据和/或原始绝对位置数据。
例如有利地,可能的是:不同定位***的位置数据并不以时序的次序来被提供,而是以如下顺序来被提供,所述顺序相对相应的时间戳而言被调换。这可以是该情况,因为不同的定位***可以具有不同的采样率和/或不同的等待时间。例如,测程位置数据和绝对位置数据可以针对多个时间点来被中间存储在存储器中。
在生成姿态图时,可以将这种不是以时序的方式所接收的在过去的原始位置数据简单地添加。这提高在融合不同定位***的输出时的灵活性。姿态图的实时生成和优化可以是多余的,因为对于在未来时间点时的所估计的位置的预测可以被作出。
例如,优选可能的是,分别对于预先给定的优化时钟速率的每个时钟来执行姿态图的生成和优化的迭代。对于每个迭代可以有利地获得机器的相应的所估计的位置。
可能的是,选择不同于确定多个时间点的时钟速率的优化时钟速率。但是也可能的是,选择与用于确定多个时间点的时钟速率相同的优化时钟速率。在这两种情境中可能的是,姿态图以迭代的方式被生成,也即针对生成和优化姿态图的不同的迭代而能够回溯到之前所生成的姿态图。
例如,优化时钟速率可以位于0.1Hz至100Hz之间的范围内,优选位于1Hz和50Hz之间的范围内。在不同情境中,值得争取的可以是,优化时钟速率保持得尽可能恒定。这可以实现:在下游的逻辑、例如尤其是驾驶员辅助功能性可以特别可靠地被运行或控制。
通过使用姿态图,可以实现特别有效的优化,用于获得机器的所估计的位置。因此可以选择比较高的优化时钟速率。由此,可以特别及时地确定所估计的位置。
例如优选的可能的是,至少对于不同迭代中优化姿态图而言所需要的持续时间被监控。于是优选地可能的是,根据对持续时间的监控来确定预先给定的时钟速率和/或时间点的数目和/或优化的准确度。
例如可以有利地使优化的准确度与优化迭代的数目相应。例如更高(更小)的准确度与优化迭代的更大数目(更小数目)相应。
监控可以优选地包括重复测量优化持续时间。例如,优选地,可以监控总持续时间,其中所述总持续时间被需要用于生成和优化姿态图。例如可能的是,当所述监控指示更大(更小)优化持续时间时,则选择更小(更大)时钟速率和/或更小(更大)数目的时间点和/或优化的更小(更大)准确度。更小(更大)时钟速率和更小(更大)数目的时间点可以引起更小的(更大的)至少对于不同迭代中优化姿态图而言所需要的持续时间。
这样可以避免过长的优化持续时间。换言之,可以优选地实现:灵活适配优化持续时间。
例如,时钟速率可以处于1Hz-1000Hz的范围内或者处于10Hz-100Hz的范围内,或者处于25-50Hz的范围内。
原则上可能的是,将采样率其中至少一些具有时间相关性。例如,优选地使采样率其中的至少一些具有时间波动。换言之,可以有利地实现:在生成姿态图时考虑到定位***的输出,其并不以恒定的采样率来提供位置数据。例如,优选可能的是,扫描率其中至少之一处于0.1Hz至100Hz的范围内或者处于0.5Hz至10Hz的范围内,或者处于0.5至2Hz的范围内。
在这方面所描述的不同情境中,因此也可能的是,定位***其中至少之一的输出并不以时序的顺序来提供所属的位置数据(英语:out-of-order(无序))。在有利的情境中可能的是,例如不同于基于Kalman滤波器的参考实现方案,在生成姿态图时考虑到这种以非时序方式获得的位置数据。
尤其是,例如可能的是,使采样率其中至少之一具有中断。例如,所述中断可以包括相应采样率的多于两个的采样间隔(Abtastintervall)。例如,所述中断可以包括多于10个的采样间隔。例如,所述中断可以包括多于100个的采样间隔。
所述中断可以表示熄火(Aussetzer),在该熄火期间不存在相应的定位***的位置数据或者不存在相应的定位***的能够负载的(belastbar)位置数据。
换言之,因此可能的是,在提供不同定位***的输出时对熄火进行补偿。可以以灵活数目的不同定位***的输出来生成姿态图。
例如,在有利的情境中可能的是,基于第一绝对定位***的输出分别对于在第一时间间隔内的多个时间点来确定绝对位置数据;能够优选地基于第二绝对定位***的输出分别对于在第二时间间隔内的多个时间点来确定绝对位置数据。第一绝对定位***可以有利地不同于第二绝对定位***。这些绝对位置数据可以优选地对于在该第一时间间隔内的多个时间点并不基于第二绝对定位***的输出来被确定。
因此,可以例如关于第二绝对定位***的输出来表示中断的第一时间间隔。该方法可以在有利的情境中包括:在第一时间间隔结束时,在第一绝对定位***的输出和第二绝对定位***的输出之间进行切换。
在不同优选的情境中,因此可能的是:视时间点而定地考虑到定位***的不同输出。例如在有利的实现方案中可能的是,在生成姿态图时,在第一和第二绝对定位***的输出之间灵活地切换。所述切换可以逐渐地进行。尤其是,在过渡情形下,可以这样可能的是:以高可靠性来估计机器的位置。
例如有利地可能的是:原始绝对位置数据的至少部分和原始测程位置数据的至少部分在生成姿态图之前被摒弃。
就此而论,摒弃可以优选意味着:在生成姿态图时不考虑到所摒弃的原始测程位置数据和所摒弃的原始绝对位置数据。摒弃可以意味着:例如在稍后时间点,例如当不再期待非时序的原始位置数据时或当相应的原始位置数据处于在生成姿态图时所考虑到的时间窗口之外时,从存储器删除所摒弃的原始测程位置数据和所摒弃的原始绝对位置数据。所述摒弃可以与姿态图的整理相应,也就是说,删除旧的条目(Eintrag)。
通过摒弃可以实现:姿态图具有比较小的大小。由此,可以实现比较短的优化持续时间。由此可以实现:所估计的位置可以以高优化时钟速率来被提供。由此,可以以比较高的准确度来控制驾驶员辅助功能性。
在不同优选的情境中可能的是,从优化迭代到优化迭代地灵活适配对位置数据的不同部分的摒弃。在此,优选地可以考虑到最不同的决策标准(Entscheidungskriterien)。
例如,在有利的情境中,选择性的摒弃基于在实际时间与相应的原始绝对位置数据的和原始测程位置数据的时间戳之间的时间差。例如,有利地可以仅考虑到这种原始绝对位置数据和原始测程位置数据,其与既定的时间阈值相比是更加当前的。例如,所述时间差可以处于5秒至1小时的范围内,或者处于5秒至10分钟的范围内;或者处于5秒至20秒的范围内,或者约为10秒。
借助基于时间戳和时间差进行摒弃的这种技术可以实现:摒弃仅具有用于确定机动车的所估计的位置的有限相干度(Relevanz)的这种位置数据。相关的位置数据在生成姿态图时被考虑到。由此可以加速姿态图的优化,然而其中所估计的位置的可靠性可以是比较大的。
相应地,优选也可能的是,原始测程位置数据的部分的选择性的摒弃基于时间段中的原始测程位置数据的数据密度并且基于时钟速率。
在有利的实现方案中例如可能的是,使该方法进一步包括:对于至少一个定位***,基于相应的定位***的历史输出来进行所属的采样率的值的估计。换言之,优选可能的是,采样率通过已经在存储器中缓存的位置数据(例如利用时间戳)来被估计。由此可能的是:灵活地考虑到不同定位***的输出,而并不需要先验地(a-priori)获悉所属的采样率。例如,对于选择性摒弃原始测程位置数据的部分而言,可以考虑到采样率的所估计的值。
例如,在有利的实现方案中可能的是,摒弃这种位置数据,所述位置数据具有在时间段内比时钟速率明显更小的数据密度。这意味着,这种原始位置数据可以被摒弃,所述原始位置数据以关于时钟速率而言大的中断而存在。
在优选的实现方案中可能的是:在关于原始位置数据的所关联的时间戳的既定时间差之后才从存储器中删除原始位置数据。例如优选可能的是:具有中断的原始位置数据并不直接从存储器中删除。相应的原始位置数据不能够在当前迭代中用于生成姿态图,但是尽管如此对于既定的持续时间而言在存储器中被缓冲。这样可以实现:例如推迟接收的、非时序的原始位置数据被等待,所述原始位置数据可以弥补或填补所述中断。于是可以在生成姿态图时在之后的迭代中考虑到相应的原始位置数据。
由此可以避免由不准确的原始位置数据对生成和优化姿态图的影响以及对估计机动车位置的影响;与此同时可以加速对姿态图的优化。
例如,选择性的摒弃可以优选地基于所预先给定的优化时钟速率。例如,在有利的情境中,优化时钟速率越大(越小),就可以摒弃更大数目的(更小数目的)位置数据。
在这方面所描述的不同的优选情境中可能的是:摒弃比较旧的位置数据,直至如下数目的位置数据在生成姿态图时被考虑到,所述数目小于或等于预先给定的最大阈值数目。这样可以限制姿态图所包括的节点和连结线的数目。由此可以实现,姿态图分别仅描绘机动车的位置发展的较近的过去。
在优选的实现方案中可能的是,当前姿态图基于新接收的、时间当前的原始位置数据才相对在过去的迭代中所生成的姿态图来被扩展。于是可能的是:仅将姿态图的如那些前面的、也即时间更当前的片段保留,所述片段与节点和连结线的预先给定的数目相应。其他节点和连结线或所关联的原始位置数据可以被摒弃。
按照另一方面,本发明涉及一种控制设备。该控制设备包括至少一个接口和至少一个处理器。所述至少一个接口被设立用于,分别从至少一个测程定位***来接收至少一个输出。所述至少一个接口进一步被设立用于,分别从至少一个绝对定位***来接收至少一个输出。所述至少一个处理器被设立用于,分别对于多个时间点其中的每个时间点基于至少一个测程定位***的输出来确定可移动机器的测程位置数据。所述至少一个处理器进一步被设立用于,分别对于多个时间点其中的每个时间点来确定可移动机器的绝对位置数据。所述至少一个处理器进一步被设立用于,生成姿态图。姿态图的连结线相应于测程位置数据。姿态图的节点相应于绝对位置数据。至少一个处理器进一步被设立用于,优化姿态图,用于获得可移动机器的所估计的位置。
按照目前所讨论的方面的控制设备被设立用于,按照本发明的另一方面来实施该方法。
对于按照目前所讨论的方面的这种控制设备,可以实现如下效果,所述效果能够与对于按照本发明的另一方面的方法而言能够被实现的效果相比较。
上面所列出的特征和接下来所描述的特征不仅可以以相应详尽列出的组合的方式被使用,而是也可以以其他组合的方式或单独地被使用,而并不偏离本发明的保护范围。
附图说明
接下来,参照附图、根据优选的实施方式来进一步阐述本发明。在图中,相同附图标记表示相同的或相似的元素。
图1是在按照不同实施方式的姿态图的基础上对多个定位***的位置数据的融合的范畴内的逻辑信息流的示意性图解。
图2 示意性地阐明对于按照不同实施方式的过渡情形中不同的时间间隔内的时间点的不同位置数据的可用性。
图3示意性地阐明按照不同实施方式的在不同时间点时所确定的位置数据的可用性,其中在图3中阐明如下中断,在该中断情况下位置数据暂时不可用。
图4示意性地阐明按照不同实施方式的控制设备。
图5 是按照不同实施方式的方法的流程图。
图6示意性地阐明按照不同实施方式的在原始绝对位置数据的基础上的姿态图的节点的生成,其中原始绝对位置数据以不同采样率从两个绝对定位***中被接收。
图7示意性地阐明在按照不同实施方式的原始测程位置数据的基础上的图6的姿态图的连结线的生成,其中原始测程位置数据以确定的采样率从测程定位***中被接收。
图8示意性地阐明在优化姿态图之前的图6和7的姿态图。
图9示意性地阐明图6-8的经优化的姿态图并且进一步阐明从经优化的姿态图中所获得的机动车的所估计的位置。
图10示意性地阐明按照不同实施方式的具有链条几何形状的姿态图。
图11示意性地阐明按照不同实施方式的图10的姿态图的***矩阵。
图12、13和14示意性地阐明没有链条几何形状的姿态图。
具体实施方式
接下来,参照附图、根据优选的实施方式来进一步阐述本发明。在图中,相同附图标记表示相同的或相似的元素。这些图是对本发明的不同实施方式的示意性的表示。在图中所示的元素并不必要是合乎比例的。而是这样重现(wiedergeben)在图中所示的不同元素,使得其功能和一般用途对于专业人员而言是可理解的。在功能性单元和元件之间的图中所示的连接和耦合也可以被实现为间接的连接或耦合。连接或耦合可以以接线或无线的方式被实现。功能性单元可以被实现为硬件、软件或由硬件和软件组成的组合。
接下来描述用于机器的、诸如机动车的位置确定的技术,所述技术允许:将至少一个测程定位***的测程位置数据和至少一个绝对定位***的绝对位置数据融合。为了简化,接下来参照机动车,尽管相应的技术也可以被应用于其他机器。在此,接下来所描述的技术尤其可以被应用于2d或3d位置确定。例如,可以将所述技术用于飞行物的、例如自动的飞行物(无人机)的3d位置确定。
接下来,尤其是描述如下技术,所述技术允许:确定机动车的所估计的位置,所述所估计的位置可以被用于驾驶员辅助功能性。例如,驾驶员辅助功能性可以涉及自动行驶。也可以设想其他驾驶员辅助功能性。
不同的在这方面所公开的示例允许:基于姿态图来执行不同位置数据的融合。该姿态图可以被优化,用来估计机动车的位置。
在此,对于多个时间点其中的每个时间点,基于至少一个测程定位***的至少一个输出来确定机动车的测程位置数据并且进一步基于至少一个绝对定位***的至少一个输出来确定机动车的绝对位置数据。该姿态图被生成,其中姿态图的节点与绝对位置数据相应并且姿态图的连结线与测程位置数据相应。姿态图于是被优化。
在这方面,也描述如下技术,所述技术使得能够:有效地并且在没有准确度损失的情况下边缘化该姿态图。在此,由固定节点来替代待优化的节点。
该姿态图例如具有链条几何形状。所述链条几何形状可以实现对姿态图的特别有效的优化。所述链条几何形状例如特征可以在于,姿态图不具有分支。这可以意味着:姿态图的节点不具有多于两个的直接邻居;也即例如具有:第一邻居节点,其相应于在过去的时间点的机动车的位置;和第二邻居节点,其相应于在接下来的时间点时机动车的位置。这些时间点在此可以相应于时钟速率,姿态图例如以该时钟速率来被构建。在此原则上可能的是,直接相邻的节点经由一个或多个连结线被相互连接。例如,当测程位置数据的多于一个的来源可供使用时,相邻的节点经由多于一个的连结线来连接。
通过使用用于姿态图的链条几何形状,因此例如避免:在多个测程位置数据的可用性的情况下也在并不直接相邻的节点之间添加连结线。可以避免:姿态图的节点被跳过。
链条几何形状可以通过适合地内插原始测程位置数据来被实现。如果例如确定的原始测程位置数据与在两个离得特别远的时间点之间的位置改变相应,则可以由于通过内插来提高分辨率来确保:仅将直接相邻的节点通过相应的连结线连接。
在这方面所描述的技术所基于的认识是:当姿态图具有链条几何形状时,姿态图的优化能够以特别及时的方式来被执行。已经认识到:具有链条几何形状的姿态图例如以2D定义的方式与块三对角线***矩阵相应。其可以特别计算有效地在优化中***纵。
在图1中,用于位置确定的关于工作流程的不同方面借助传感器融合来被阐明。原始绝对位置数据105、106作为两个绝对定位***101、102的输出来被接收。此外,原始测程位置数据115、116作为两个测程定位***111、112的输出来被接收。例如,软件模块151可能接收在专用的执行绪(英文thread(线程))上的相应位置数据105、106、115、116。存储器(在图1中未示出)可以将所接收的位置数据105、106、115、116中间存储,直至其被摒弃。
于是可能的是,以规律的、能调整的时间间隔(这就是说以优化时钟速率)来发起构建过程,用于通过图管理152来生成姿态图。在此,例如可以将优化时钟速率的之前迭代中所生成的姿态图分别以新的节点和连结线来扩展。
姿态图可以在不同情境中具有如下节点,所述节点以固定时间间距来布置。相应可能的是,基于预先给定的时钟速率来确定多个时间点,针对这些时间点来将节点添加到姿态图。对于多个时间点其中的每个时间点,于是可以基于原始测程位置数据和原始绝对位置数据来确定相应的测程位置数据和绝对位置数据,并且分别与姿态图的待优化的连结线或节点相关联,例如以边缘条件的形式。姿态图可以具有链条几何形状。
例如优化时钟速率可以与姿态图的节点的时钟速率相同或不同。
在已生成了姿态图之后,可以执行优化。为此,将所生成的姿态图传递给后端153。后端153于是执行优化。作为优化的结果,获得机动车的实际位置。
在此,在这方面所公开的不同情境中,实际位置可以是对于未来的时间点的预测,以便对由于由图管理152生成姿态图引起的等待时间和对由后端153对优化的执行进行补偿。例如,可能的是,实际位置是对于预先所给定的优化时钟速率的下一个时钟的、对机动车的位置的预测。
借助这种基于姿态图的用于位置确定的技术可能的是:灵活地考虑到位置数据105、106、115、116,所述位置数据来自于最不同的定位***101、102、111、112、113,参照图2。在此,所使用的定位***101、102、111-113的具体类型对于在这方面所描述的用于位置确定的技术的工作方式而言并不重要;可以将最不同类型和种类的定位***101、102、111-113使用到在这方面所公开的不同情境中。灵活的传感器融合因此变得可能。
例如,使用基于卫星的定位***,用于提供绝对位置数据105、106;示例是全球定位***(GPS)。例如,作为定位***对机器可读的标志101的识别可以被用于提供绝对位置数据105、106。例如,基于激光的间距测量111(英文:Light detection and ranging(光探测和测距),LIDAR)可以被用于确定绝对位置数据105、106和/或测程位置数据115、116。视觉姿态识别112也可以基于以顺序的方式所记录的图像中的区别来提供测程位置数据115、116,其中所述图像描绘地面标志(Landmarke)。来自行走机构测程113的信息可以被用于提供测程位置数据115、116;例如可以就此而论考虑到轮子的转向角和/或旋转速度。也可以使用加速传感器用于提供测程位置数据115、116;例如可以将电子稳定性***(ESP)用作加速传感器。
对于位置数据的另一来源可能是car2car(车对车)***;这些car2car***可以要么直接确定车辆的位置要么实现经由第三车辆的位置来进行的间接位置确定,其中于是可以考虑到对于第三车辆的相对定位。
立体照相机和/或单一照相机不仅可以被用于提供测程位置数据,而是可替代地或附加地被用于提供绝对位置数据。为此存在不同方案:例如可能的是,创建一个路段的视觉地图并且在重新经过时进行在地图中的定位。
同步定位和创建地图(英语:Simultaneous Localization and Mapping(即时定位与地图创建),SLAM)的技术也可以用作位置数据的来源。例如SLAM技术可以提供在全球坐标***中的绝对位置数据或者可替代地或附加地提供测程位置数据。
对于定位***的其他示例包括:基于RFID标记的技术、当前接收的基于WLAN网的技术和/或基于在已知的WLAN网络地图中的三角定位的技术。也可以读出如下移动无线电塔(Mobilfunkmasten)。
在最不同的在这方面所描述的情境中,分别也可能的是,通过形成两个以时序方式的绝对位置数据的差,生成测程位置数据。
从图2中可见,一方面,不同定位***101、102、111-113提供所属的位置数据的时间间隔201是彼此不同的。图2示出所谓的过渡情形:由LIDAR 111、机器可读的标志101的识别和视觉姿态识别112所提供的位置数据105、106、115、116中断;为此GPS***106的位置数据变得可用。相应的情形例如可以在离开停车楼时得出。这意味着:首先,绝对位置数据105从机器可读的标志101的识别中获得并且并不由GPS 106获得;随后,绝对位置数据106从GPS***102获得。在不同的在这方面所描述的情境中,因此在用于位置数据105、106、115、116的不同来源之间切换;这意味着,在不同的在这方面所描述的情境中,可以在不同的定位***101、102、111-113之间切换。所述切换可以逐渐进行。所述切换可以以适配于情形的方式来进行。所述切换可以在考虑到不同定位***之间的过渡阶段的情况下进行。
在图2中另外阐明:采样率202彼此偏差,其中不同定位***101、102、111-113利用所述采样率来提供所属的原始位置数据。
在不同情境中也可能的是,采样率202具有中断203,参照图3。在图3中,采样率202作为时间的函数被绘出。在这种情境中可能的是,在中断203期间,相应的定位***101、102、111-113不提供输出或者不提供显著输出。尤其是当与通过时钟速率所要求的相比明显更少的原始位置数据准备好时,那么中断203就可以存在,其中利用所述时钟速率来将节点添加到姿态图中。短的中断203可以被补偿,例如通过内插。但是原则上可能的是,使得中断203比较长。例如,中断203可以包括采样率202的多个采样间隔。在图3的情境中,采样率202在中断203之前和之后为约1Hz。这意味着:采样间隔具有约1秒的长度。所述中断203具有约12秒的持续时间,因此包括大于10个采样间隔。
原则上也可能的是,采样率202在中断203之外作为时间的函数而变化。例如,视可用的信号质量而定,基于卫星的位置***106可能实现更高或更低的采样率202。
接下来,描述如下技术,以便连续地和可靠地以高准确性来确定机动车的实际位置190。这种技术也可以在过渡情形中或者在彼此偏差的或配备有中断203的采样率201的情况下可靠地并且准确地确定实际位置190。
图4阐明控制设备120,其被设立用于执行相应的技术。该控制设备120包括接口121,该接口与不同定位***101、102、111、112通信。该控制设备120此外包括处理器123,该处理器与接口121和存储器124耦合。例如,存储器124可以中间存储或缓存不同的位置数据105、106、115、116。处理器123可以被设立用于,执行最不同的技术,所述技术在这方面以与如下内容相关联的方式来被描述:分别基于原始测程位置数据和原始绝对位置数据来确定测程位置数据和绝对位置数据;生成尤其是具有链条几何形状的姿态图;优化姿态图;以及控制驾驶员辅助功能性。为了控制驾驶员辅助功能性129,该控制设备120包括其他接口122。不同接口121、122可以被设立用于,例如经由机动车的总线***来与不同单元通信。直接的数据连接也是可能的。
例如,在存储器124中可以存放控制数据,其由处理器123来执行。通过处理器123进行的控制数据的执行可以引起:处理器123执行如下方法,就如其以与图5的流程图相关联的方式所阐明的。
首先,在步骤1中检验:是否应该为了生成和优化姿态图而执行下一个迭代;为此,可以考虑到预先给定的优化时钟速率。针对每个迭代,获得实际位置190。
可选地,在这方面所描述的所有示例中,针对每个迭代也获得实际测程。例如,可能的是,基于这两个最后的优化节点来计算实际测程,也即在考虑到所走距离(zurückgelegte strecke)和已进行的旋转的情况下。例如由此可以推论出速度和旋转速率。
当下一个迭代应被执行时,在步骤2中首先针对多个时间点基于原始绝对位置数据105、106来确定绝对位置数据。这在图6中被阐明。在图6中,姿态图661只是关于节点671来被阐明。姿态图661在图6中在二维的xy地点空间中被示出。在另外的示例中,也可能的是,姿态图661在3D空间中被定义。姿态图661包括在时间点t.1、t.3、t.5、t.8和t.11时的节点671。时间点t.1、t.3、t.5、t.8和t.11具有彼此固定的时间间距并且以与时钟速率相应的方式被确定。
在不同的在这方面所公开的情境中,最不同的时钟速率可以被考虑到。例如,时钟速率可以处于1Hz至1000Hz的范围内,优选处于10Hz至100Hz的范围内,特别优选处于25Hz至50Hz的范围内。这样,实际位置可以及时地并且以足够高可靠性被确定。
在不同的在这方面所公开的情境中可能的是,时钟速率是可变的并且被灵活地确定。例如,更高的时钟速率可以与节点671的更大数目相应,使得优化持续时间又增大;因此值得争取的可以是,根据对优化持续时间的监控来确定时钟速率。这样,也可以为了计算密集的姿态图661来保证确定的优化时钟速率。
节点671与绝对位置数据605、606(在图6中以虚线填充的圆圈和方块来示出)相应。绝对位置数据605、606尤其是构成用于节点671的边缘条件。绝对位置数据605、606基于原始绝对位置数据105、106来被确定。在此,原始绝对位置数据105、106以采样率来被获得,所述采样率与时钟速率不同;例如,在时间点t.2、t.4、t.4a、t.6、t.7、t.9、t.10和t.12获得原始绝对位置数据105、106。原始绝对位置数据105、106具有相应的时间戳。
因此,原始绝对位置数据105、106被内插(在图6中通过连续的线662来示出),用于获得绝对位置数据605、606。例如,在时间点t.2和t.4的原始绝对位置数据105被内插,用于获得在时间点t.3的绝对位置数据605。所述内插因此是如下估计:相应的定位***猜测在时间点t.3时机动车在哪里。
所有时间点t.1-t.13处于时间窗口[t0-T;t0]之内,其中t0表示实际时间。T表示时间差。不处于该时间窗之内的原始绝对位置数据105、106被摒弃,也即并不被接受到姿态图661中并且例如从存储器被删除。由此,姿态图661的节点671的数量可以被限制;由此为了优化所需要的持续时间被减少。与此同时,机动车的姿态的较近的过去被考虑到,使得可靠性是比较高的,实际位置190能够以所述可靠性被估计。
在一些情境中,可能发生:例如测程定位***执行如下测量,所述测量相对时间范围(Zeithorizont)t0而言处于未来,其中所述测程定位***以比较而言非常高的采样率来提供输出。这可以基于测程定位***的内部预测发生。可能的是,在生成姿态图661时考虑到相应的原始测程位置数据。
此外,原始绝对位置数据105、106基于在该时间段内的原始绝对位置数据105、106的数据密度并且基于时钟速率选择性地被摒弃。例如,在时间范围t.1-t.6中,仅存在非常少的原始绝对位置数据106,尤其是与时钟速率相比。因此,于是摒弃在时间点t.4a时的原始绝对位置数据106并且在生成姿态图661时并不作为边缘条件,例如针对于时间点t.3或t.5的节点671来被考虑到。
在另外的示例中,也可以首先在存储器中保持缓存时间点t.4a时的位置数据106,但是并不为了生成姿态图661而在目前的迭代中被考虑到。从存储器中的删除可以在之后的迭代中进行,只要是不再获得任何非时序的位置数据106。
在不同的其他情境中,例如可能的是,不同原始绝对位置数据105、106的选择性的摒弃基于预先给定的优化时钟速率;例如,可能对于更高的(更低的)优化时钟速率和更大(更小)数目的原始绝对位置数据105、106来被摒弃。
又参考图5,在步骤3中确定测程位置数据。相应的方面参照图7被阐明。在图7中,从原始绝对位置数据105、106中所确定的节点671被示出,这些节点与绝对位置数据605、606相应(其中在图7中出于一目了然的原因,相应的边缘条件没有被阐明)。
此外,在图7中示出原始测程位置数据115(图7中的钻石符号),所述原始测程位置数据以比较高的采样率而被获得;所述采样率大于时钟速率。因为,原始测程位置数据115以特别高的采样率来被接收,其被内插到时钟速率上。原始测程位置数据115因此通过内插到与姿态图661的连结线672相应的测程位置数据615中而被转化。从图7的示例中可见,原始测程位置数据115的内插与相对原始测程位置数据115而言这样所确定的测程位置数据615的时间分辨率的减小相应(相应的连结线672比时间上相邻的原始测程位置数据115之间的间距更长)。由此实现:姿态图661的相邻的节点671分别仅经由相应的连结线672来连接,所述连结线与测程位置数据615相应。由此实现姿态图661的链条几何形状。
在图7的示例中,另外示出其他原始测程位置数据116(图7中的星形符号),所述原始测程位置数据以比较低的采样率来被获得;这种采样率比时钟速率更小。因为原始测程位置数据116以特别低的采样率来被接收,其被内插到时钟速率上。原始测程位置数据116因此又通过内插到与姿态图161的连结线672相应的测程位置数据616来被转化。从图7中的示例可见,原始测程位置数据116的内插与相对原始测程位置数据116而言这样所确定的测程位置数据616的时间分辨率的减小相应(相应的连结线672比时间上相邻的原始测程位置数据116之间的间距更短)。然而由此实现,姿态图661的相应的连结线672不跳过姿态图661的节点671。由此,姿态图671的链条几何形状变得可能,因为分支被避免。
以上关于摒弃原始绝对位置数据105、106所公开的相应技术也可以被应用到原始测程位置数据115、116上。
又参照图5,随后在步骤4中,姿态图661,也即节点671和连结线672基于在步骤2和3中所生成的位置数据105、106、115、116而被生成。为此,待优化的节点671以按照预先给定的时钟速率所确定的、时间上固定的间距被添加。
在图8中,待优化的姿态图661被示出;尤其是关于节点661,通过在示意性所阐明的绝对位置数据605和优化节点671之间的连接来以图形的方式阐明边缘条件的方面。
在图8的示例中,姿态图661具有链条几何形状。这意味着:节点671并不具有多于两个的直接相邻的节点。直接相邻的节点例如参照节点671之间经由一个或多个连结线672的连接被定义。尤其是,节点671并不经由多于四个的连结线与相应的直接相邻的节点671连接。这是该情况,因为在直接相邻的节点671之间分别实现两个连结线672,这些连结线与这两个测程位置数据615、616相应(参照图7)。一般可能的是,节点641并不经由多于2N个来与分别直接相邻的节点641连接,其中N表示测程定位***111、112的输出的数目。此外,没有连结线672连接多于两个的节点671。
图8中的具有链条几何形状的姿态图661不具有分支。由于姿态图661的链条几何形状,相应的***矩阵具有块三对角线形状。这可以实现特别计算有效的优化,因此优化持续时间可以是特别小的。
该优化的目标是:在考虑到边缘条件的情况下全局地最小化相应的误差函数。连结线672也构成用于优化节点671的边缘条件。图661被传递给后端153,用于优化。
又参照图5:随后在步骤5中,姿态图661被优化。于是可以假设,经优化的姿态图661表示由待融合的定位***101、102、111-113的不同的位置数据105、106、115、116的尽可能最好的折衷。
在图9中,经优化的姿态图661的方面被示出。在图9中,示出从现在起经优化的节点671,以及估计机动车的实际位置190。从图9中可见,对于未来的时间点t.13来预测实际位置190(在图9中通过点状线来阐明)。由此,可以补偿用于优化姿态图661的等待时间。通过预测实际位置190可以实现:按照图5的步骤1,在下一个迭代的开始时,对190的当前估计就已经存在。
为了预测实际位置190,可以在不同示例中进行最后两个经优化的节点671的内插。由此可以确定并且可选地输出机动车的自运动。在如下假定的情况下这种自运动经向量加法被附加到最近优化的节点671上: 该机动车在近期的未来中与在最后已知的过去中完全一样地表现。
实际位置190以经确定的准确性来被确定,该准确性与可靠性191成反比(在图9中借助误差条(Fehlerbalken)来阐明)。可靠性191也可以被考虑到,用于控制驾驶员辅助功能性129。
从上述内容中可见,优化时钟速率能够主动地被控制。例如可能的是,监控每个迭代所需要的相应时间,用来生成和优化姿态图661、确定实际位置和通过摒弃旧的原始位置数据105、106、115、116来整理姿态图661。所监控的持续时间可以被适配,其方式为,最不同的参数被改变:例如优化迭代的数目和/或节点671的数目。
图10阐明姿态图661,该姿态图可以借助以上所描述的技术来被确定。姿态图661具有多个节点671-1 ─671-4,这些节点以彼此间固定的时间上的间距来被布置在时间点t.1、t.2和t.3处。姿态图661具有链条几何形状。
给不同的节点671-1 ─671-4分别分配绝对位置数据605、606;这种分配可以以边缘条件的形式来进行(在图10中通过竖线来表示)。绝对位置数据605、606在此相应于固定节点,因为其位置在优化姿态图661的范畴内并不改变。在此,应用内插的技术;原始绝对位置数据105、106可以被映射到绝对位置数据605、606上,所述绝对位置数据被布置在时间点t.1、t.2和t.3处,这些时间点与待优化的节点671-1 ─671-4相应。随后,姿态图661的连结线672可以被生成,例如基于测程位置数据615、616。
图11阐明关于具有链条几何形状的图10的姿态图661的***矩阵901的方面。***矩阵901,H是如下矩阵,该矩阵在优化期间被求逆,例如借助高斯牛顿方法或列文伯格-马夸尔特方法。这可以与对以下等式的解算相应:
其中Δx表示更新向量并且b表示系数向量。典型地,当***矩阵901以薄的方式被占据时,等式1的解算通过求逆而变得更快速。
***矩阵901包括对角线元素(Diagonaleinträge)902,其由分别作为边缘条件的绝对位置数据605、606和测程位置数据615、616影响。非对角线元素903仅由作为边缘条件的测程位置数据615、616来影响。
图11示出:***矩阵901并不具有离主对角线特别远的元素。***矩阵901的这些元素全部围绕主对角线来分组。常常,如下这种情境表示为带状矩阵,在该情境中,***矩阵901的不同元素离主对角线并不远。带状矩阵的特定形式是块三对角线形状。在此,该带可以由例如3×3大小的块组成。块三对角线几何形状由姿态图661(参照图10)的链条几何形状引起。所述块三对角线***矩阵901因此可以被分解成不同块,如在图11中示意性示出的那样。在此,块三对角线***矩阵901例如仅在直接邻接于主对角线的这两个对角线中具有块。块三对角线矩阵因此可以相应于如下三对角线矩阵,其不具有在主对角线以上和以下的第一旁对角线上(Nebendiagonale)的各个元素而是具有块元素。有时,块三对角线矩阵也被表示为块三对角线(Blocktridiagonal)。
当新的绝对位置数据605、606和/或新的测程位置数据615是可用的情况下,那么只要新的节点671分别被添加,则产生姿态图661的经分支的结构并且因此也产生***矩阵901的经分支的结构。因此,在不同实施方式中值得争取的是,从时间到时间地,执行姿态图661的边缘化。在此,可以将固定节点用作对于所选择的至今的节点的替代。固定节点可以例如包含与舒尔补相同的信息。与此同时,这种固定节点可以具有如下优点:这种固定节点能够被详尽地在姿态图661的设计中再现并且由此能够以针对性的方式***纵。固定节点可以具有如下位置,该位置与所删除的节点的位置偏差。
常规地,舒尔补被应用到等式1,以便从优化问题中去除状态变量。在姿态图661中,这种运算与相应的节点671的去除相应。通过舒尔补确保:在所述应用之前和之后,剩余节点671保留相同的估计值。如果要简单地删除状态变量,则可以得到其他估计值;这意味着,节点671的简单去除可能会将对于车辆的位置的估计篡改。状态向量在时间窗口方法中由m个状态变量组成。
从上文中可见,姿态图661通过确定固定节点可以被边缘化。在示例中,在此,可以为了边缘化来选择如下节点,所述节点与最旧的时间点t.1相应。然而,在其他情况下,其他节点671也可以被选择。
姿态图的边缘化在此可以通过链条几何形状而被要求。这接下来以与图10和11的示例相关联的方式被进一步阐述。如果例如在图10的姿态图661中想要边缘化节点671-2,那么其可能导致节点671-1和671-3的链接。如果最旧的节点、也即在图10的示例中节点671-1被边缘化,则在具有链条几何形状的姿态图661的情况下,在存在的节点671-2 ─671-4之间没有附加连接。由此,保留获得链条几何形状。对于没有链条结构的姿态图的情况,例如也将节点671-1与节点671-4通过连结线来连接(在图10中未示出)。在这种情况下,节点671-1的边缘化可能导致节点671-2与节点671-4的连接。由此可见,在重复边缘化的情况下,在姿态图661的任意布置的连结线672情况下,图661被越来越密地占据。由此得出***矩阵901的如下结构,其不再以薄的方式被占据。由此,典型地,优化持续时间被延长。
图12阐明关于姿态图661A的方面,其不具有链条结构。尤其是,姿态图661A具有分支699。所述分支699在此将姿态图661A的三个支路彼此连接。具有链条几何形状的姿态图661A典型地不具有分支699。
图13图解关于姿态图661A的方面,其不具有链条结构。在图13的示例中,节点671-1具有三个直接的邻居,即节点671-2、671-3和671-4。当原始测程位置数据以比较缓慢的采样率被获得并且用于确定相应的测程位置数据的合适的内插不被执行时,则这种情形例如可能出现,其中所述测程位置数据与节点671-1、671-3之间的连结线672相应。具有链条几何形状的姿态图典型地不具有如下节点,所述节点具有多于两个的直接邻居。
图14阐明关于姿态图661A的方面,其不具有链条结构。在图14的示例中,连结线672与多于两个的节点671-1、671-2、671-3连接。具有链条几何形状的姿态图典型地不具有如下连结线,所述连结线与多于两个的节点连接。
综合地,以上的用于连结线的不同构造条件已经在姿态图中被描述,其与测程位置数据相应。这种构造条件引起姿态图的链条几何形状。由于姿态图的链条几何形状,优化持续时间可以被缩短,使得用于相应的用于可移动的机器的位置确定的相应技术的更短的运行时间可以被获得。在此,这种技术进一步实现:应用所建立的优化算法、诸如Cholesky分解。
综合地,在上文中至少已经描述了以下示例:
示例1:一种方法,该方法包括:
- 对于多个时间点(t.1-t.12)其中的每个时间点,基于至少一个测程定位***(111、112)的输出来分别确定机动车的测程位置数据(615);
- 对于多个时间点(t.1-t.12)其中的每个时间点,基于至少一个绝对定位***(101、102)的输出来分别确定所述机动车的绝对位置数据(605、606);
- 生成(152)姿态图(661),其中所述姿态图(661)的连结线(672)相应于所述测程位置数据(615),其中所述姿态图(661)的节点(671)相应于所述绝对位置数据(605、606);
- 优化(153)所述姿态图(661),用于获得所述机动车的所估计的位置(190);
- 基于所述机动车的所述所估计的位置(190)来控制驾驶员辅助功能性(129)。
示例2:按照示例1所述的方法,其中通过对所述姿态图(661)的所述优化(153)来获得在关于多个时间点(t.1-t.12)而言的未来的时间点(t.13)时所述机动车的所述所估计的位置(190)。
示例3:按照示例1或2所述的方法,其中所述方法进一步包括:
- 基于预先给定的采样率来确定多个时间点(t.1-t.12);
- 分别以所属的采样率(202):接收原始测程位置数据(115、116)作为所述至少一个测程定位***(111、112)的输出,
- 分别以所属的采样率(202):接收原始绝对位置数据(105、106)作为至少一个绝对定位***(101、102)的输出,其中预先给定的时钟速率不同于所述采样率(202)。
示例4:按照以上示例之一所述的方法,其中对于预先给定的优化时钟速率的每个时钟来分别执行所述姿态图(661)的生成(152)和优化(153)的迭代并且其中对于每个迭代来获得所述机动车的相应的所估计的位置(190)。
示例5:按照示例3和4所述的方法,所述方法进一步包括:
- 监控持续时间,所述持续时间至少对于在不同迭代中所述姿态图(661)的所述优化(153)被需要;
- 确定预先给定的时钟速率和/或多个时间点(t.1-t.12)的数目和/或根据所述持续时间的所述监控的所述优化(153)的准确度。
示例6:按照示例3或5所述的方法,其中所述预先给定的时钟速率处于1Hz-1000Hz的范围内,优选处于10Hz-100Hz的范围内,特别优选处于25Hz-50Hz的范围内;和/或其中所述采样率(202)其中至少之一处于0.1Hz-100Hz的范围内,优选处于0.5Hz-10Hz的范围内,特别优选处于0.5Hz-2Hz的范围内。
示例7:按照示例3、5或6之一所述的方法,其中所述采样率(202)其中至少之一包括多于两个的采样间隔的、优选多于十个的采样间隔的、特别优选多于百个的采样间隔的中断(203)。
示例8:按照以上示例之一所述的方法,
其中所述绝对位置数据(605、606)基于第一绝对定位***(101、102)的输出分别针对在第一时间间隔(201)中的多个时间点(t.1-t.12)来被确定,
其中所述绝对位置数据(605、606)基于第二绝对定位***(101、102)的输出分别对于在第二时间间隔(201)的多个时间点(t.1-t.12)来被确定,
其中所述绝对位置数据(605、606)对于在第一时间间隔(201)中的多个时间点(t.1-t.12)并不基于第二绝对定位***(101、102)的输出来被确定。
示例9:按照以上示例之一所述的方法,
- 接收原始测程位置数据(115、116)作为所述至少一个测程定位***(111、112)的输出;
- 接收原始绝对位置数据(105、106)作为所述至少一个绝对定位***(101、102)的输出;
- 在生成所述姿态图(661)之前,选择性地摒弃原始绝对位置数据(105、106)的部分和原始测程位置数据(115、116)的部分。
示例10:按照示例9所述的方法,其中所述选择性摒弃基于在实际时间和相应的原始绝对位置数据(105、106)的和原始测程位置数据的时间戳之间的时间差。
示例11:按照示例9或10并且按照示例3、5、6或7之一所述的方法,其中对原始绝对位置数据(105、106)的部分的选择性摒弃基于在时间段内原始绝对位置数据(105、106)的数据密度和时钟速率。
示例12:按照示例9-11之一并且按照示例4或5所述的方法,其中所述选择性摒弃基于预先给定的优化时钟速率。
示例13:按照以上示例之一所述的方法,其中通过优化(153)所述姿态图(661),进一步获得所述机动车的所述所估计的位置(190)的可靠性(191),
其中所述机动车的所述驾驶员辅助功能性(129)进一步基于所述所估计的位置(190)的所述可靠性(191)来被控制。
示例14:控制设备(120),所述控制设备包括:
- 至少一个接口(121、122),所述接口被设立用于,分别接收至少一个测程定位***(111、112)的输出并且分别接收至少一个绝对定位***(101、102)的输出,
- 至少一个处理器(123),所述处理器被设立用于,,分别对于多个时间点(t.1-t.12)其中的每个,基于所述至少一个测程定位***(111、112)的所述输出来确定机动车的测程位置数据(615),
其中所述至少一个处理器(123)进一步被设立用于,分别对于多个时间点(t.1-t.12)其中的每个,基于所述至少一个绝对定位***(101、102)的所述输出来确定所述机动车的绝对位置数据(605、606),
其中,所述至少一个处理器(12nt3)进一步被设立用于,生成姿态图(661),
其中所述姿态图(661)的连结线(672)相应于所述测程位置数据(615),
其中所述姿态图(661)的节点(671)相应于所述绝对位置数据(605、606),
其中所述至少一个处理器(123)进一步被设立用于,优化(153)所述姿态图(661),用于获得所述机动车的所估计的位置(190),
其中所述至少一个处理器(123)进一步被设立用于,基于所述机动车的所述所估计的位置(190)来控制驾驶员辅助功能性(129)。
示例15:按照示例14所述的控制设备(120),
其中所述控制设备(120)被设立用于,执行按照示例1-13之一所述的方法。
当然,本发明的以上所描述的实施方式和方面的特征可以被相互组合。尤其是,这些特征并不仅以所描述的组合的方式而是也以其他组合的方式或者对于自身被采用的方式来被使用,而并不偏离本发明的范围。
例如,在上文中已经描述了关于以与Cholesky分解相关联的方式的优化的不同方面。但是,一般也可以使用其他优化算法,用于执行优化,诸如高斯牛顿方法。
例如,在上文中已经描述了关于从对姿态图的优化来获得所估计的位置的最不同的示例。可替代地或附加地,可能的是,从所述姿态图的优化中获得机动车的所估计的定向或测程并且例如在控制驾驶员辅助功能性的范围内将其考虑到。
例如在上文中已经描述关于控制用于自动行驶的驾驶员辅助功能性的最不同的示例。可替代地或附加地,也可以控制其他驾驶员辅助功能性,例如部分自动化或高自动化的行驶解决方案等。
在上文中,已经描述了关于从姿态图的优化来确定所估计的位置的不同示例。但是涉及到具有链条结构的姿态图的这种技术也可以被应用于其他基于图的问题提出。示例例如包括:校准问题和SLAM问题。
附图标记列表
t.1-t.13 时间点
1-5 步骤
101 绝对定位***
102 绝对定位***
111测程定位***
112 测程定位***
113 测程定位***
121 接口
122接口
123处理器
124存储器
129 驾驶员辅助
151 定位融合
152 图管理
153 后端、优化
190 实际位置
191 可靠性
201 时间间隔
202 采样率
203 中断
105、106 原始绝对位置数据
115、116 原始测程位置数据
615 测程位置数据
661、661A 姿态图
662 内插
671、671-1 — 671-4 节点
672 连结线
605、606 绝对位置数据
901 ***矩阵
902、903 ***矩阵的元素
Claims (9)
1.一种用于控制运输工具的驾驶员辅助功能性的方法,所述方法包括:
- 对于多个时间点(t.1-t.12)其中的每个时间点:基于至少一个测程定位***(111、112)的输出来分别确定运输工具的测程位置数据(615);
- 对于多个时间点(t.1-t.12)其中的每个时间点:基于至少一个绝对定位***(101、102)的输出来分别确定所述运输工具的绝对位置数据(605、606);
- 生成(152)姿态图(661),其中所述姿态图(661)所具有的节点都不具有多于两个的直接邻居,
其中所述姿态图(661)的连结线(672)相应于所述测程位置数据(615),其中所述姿态图(661)的节点(671)相应于所述绝对位置数据(605、606);
- 优化(153)所述姿态图(661),用于获得所述运输工具的所估计的位置(190),并且
- 基于所述运输工具的所估计的位置(190)控制所述驾驶员辅助功能性。
2.根据权利要求1所述的方法,其中,所述运输工具是机动车,其中所述方法进一步包括:
- 基于所述机动车的所述所估计的位置(190)来控制驾驶员辅助功能性(129)。
3.根据权利要求1或2所述的方法,其中所述方法进一步包括:
- 接收原始测程位置数据(115、116)作为所述至少一个测程定位***(111、112)的至少一个所述输出;
- 接收原始绝对位置数据(105、106)作为所述至少一个绝对定位***(101、102)的至少一个所述输出,
- 基于预先给定的时钟速率来内插所述原始绝对位置数据(105、106),用于确定所述绝对位置数据(605、606);
- 基于所述预先给定的时钟速率来内插所述原始测程位置数据(115、116),用于确定所述测程位置数据(615、616)。
4.按照权利要求3所述的方法,
其中所述原始测程位置数据(115、116)的所述内插与相对相应的所述原始测程位置数据(115、116)而言这样所确定的所述测程位置数据(615、616)其中的至少一些测程位置数据的时间分辨率的减小相应。
5.按照权利要求1或2所述的方法,
其中所述绝对位置数据(605、606)基于第一绝对定位***(101、102)的所述输出分别针对在第一时间间隔中的多个时间点(t.1-t.12)来被确定,
其中,所述绝对位置数据(605、606)基于第二绝对定位***(101、102)的所述输出分别针对在第二时间间隔中的多个时间点(t.1-t.12)来被确定,
其中所述绝对位置数据(605、606)针对在所述第一时间间隔中的所述多个时间点(t.1-t.12)并不基于所述第二绝对定位***(101、102)的所述输出来被确定。
6.按照权利要求1或2所述的方法,
- 接收原始测程位置数据(115、116)作为所述至少一个测程定位***(111、112)的所述输出;
- 接收原始绝对位置数据(105、106)作为所述至少一个绝对定位***(101、102)的所述输出;
- 在生成所述姿态图(661)之前,选择性摒弃所述原始绝对位置数据(105、106)的部分和所述原始测程位置数据(115、116)的部分,
其中所述选择性摒弃基于在实际时间与相应的所述原始绝对位置数据(105、106)的时间戳和所述原始测程位置数据(115、116)的时间戳之间的时间差。
7.按照权利要求1或2所述的方法,其中对所述姿态图(661)进行描述的***矩阵(901)具有块三对角线形状。
8.一种运输工具的控制设备(120),所述控制设备包括:
- 至少一个接口(121、122),所述接口被设立用于,分别接收至少一个测程定位***(111、112)的输出并且分别接收至少一个绝对定位***(101、102)的输出,
- 至少一个处理器(123),所述处理器被设立用于,分别对于多个时间点(t.1-t.12)其中的每个时间点,基于所述至少一个测程定位***(111、112)的所述输出来确定运输工具的测程位置数据(615),
其中所述至少一个处理器(123)进一步被设立用于,分别对于所述多个时间点(t.1-t.12)其中的每个时间点,基于所述至少一个绝对定位***(101、102)的所述输出来确定所述运输工具的绝对位置数据(605、606),
其中,所述至少一个处理器(123)进一步被设立用于,生成姿态图(661),其中所述姿态图(661)所具有的节点都不具有多于两个的直接邻居,
其中所述姿态图(661)的连结线(672)相应于所述测程位置数据(615),
其中所述姿态图(661)的节点(671)相应于所述绝对位置数据(605、606),
其中所述至少一个处理器(123)进一步被设立用于,优化(153)所述姿态图(661),用于获得所述运输工具的所估计的位置(190),并且
基于所述运输工具的所估计的位置(190)控制所述运输工具的驾驶员辅助功能性。
9.按照权利要求8所述的控制设备(120),
其中所述控制设备(120)被设立用于,执行按照权利要求1-7之一所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102015219577.5 | 2015-10-09 | ||
DE102015219577 | 2015-10-09 | ||
DE102016211805.6 | 2016-06-30 | ||
DE102016211805.6A DE102016211805A1 (de) | 2015-10-09 | 2016-06-30 | Fusion von Positionsdaten mittels Posen-Graph |
PCT/EP2016/071632 WO2017060050A1 (de) | 2015-10-09 | 2016-09-14 | Fusion von positionsdaten mittels posen-graph |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108291813A CN108291813A (zh) | 2018-07-17 |
CN108291813B true CN108291813B (zh) | 2022-03-08 |
Family
ID=58405351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680072037.2A Active CN108291813B (zh) | 2015-10-09 | 2016-09-14 | 借助姿态图的位置数据融合 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10962369B2 (zh) |
EP (1) | EP3359914B1 (zh) |
CN (1) | CN108291813B (zh) |
DE (1) | DE102016211805A1 (zh) |
WO (1) | WO2017060050A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016211805A1 (de) | 2015-10-09 | 2017-04-13 | Volkswagen Aktiengesellschaft | Fusion von Positionsdaten mittels Posen-Graph |
CN107272673A (zh) * | 2017-05-18 | 2017-10-20 | 中山大学 | 基于位姿链模型的slam后端轨迹优化方法 |
CN109584295B (zh) | 2017-09-29 | 2022-08-26 | 阿里巴巴集团控股有限公司 | 对图像内目标物体进行自动标注的方法、装置及*** |
DE102018002029A1 (de) | 2018-03-14 | 2018-09-20 | Daimler Ag | Verfahren zur Ermittlung einer Voraussage für eine Pose eines Fahrzeuges für Fahrerassistenzsysteme |
DE102018205142A1 (de) * | 2018-04-05 | 2019-10-10 | Audi Ag | Verfahren zur Erfassung einer aktuellen Position eines Kraftfahrzeugs, Vorrichtung zur Durchführung des Verfahrens und Kraftfahrzeug |
US11016175B2 (en) | 2018-10-10 | 2021-05-25 | Ford Global Technologies, Llc | Transportation infrastructure communication and control |
US10955257B2 (en) | 2018-12-28 | 2021-03-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Interactive 3D point cloud matching |
US10976421B2 (en) * | 2018-12-28 | 2021-04-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Interface for improved high definition map generation |
JP7371111B2 (ja) * | 2019-03-05 | 2023-10-30 | エヌビディア コーポレーション | 自律走行車のナビゲーション用高精度地図を生成するためのポーズグラフの分散処理 |
DE102019204267A1 (de) * | 2019-03-27 | 2020-10-01 | Robert Bosch Gmbh | Verfahren zur Steuerung zumindest eines autonomen Arbeitsgeräts |
US11960297B2 (en) * | 2019-05-03 | 2024-04-16 | Lg Electronics Inc. | Robot generating map based on multi sensors and artificial intelligence and moving based on map |
WO2020223974A1 (zh) * | 2019-05-09 | 2020-11-12 | 珊口(深圳)智能科技有限公司 | 更新地图的方法及移动机器人 |
CN110296701B (zh) * | 2019-07-09 | 2022-12-13 | 哈尔滨工程大学 | 惯性与卫星组合导航***渐变型故障回溯容错方法 |
DE102019123659A1 (de) | 2019-09-04 | 2021-03-04 | Sick Ag | Verfahren zum Erstellen einer Karte, Verfahren zum Ermitteln einer Pose eines Fahrzeugs, Kartierungsvorrichtungen und Lokalisierungsvorrichtungen |
CN112596691B (zh) * | 2020-09-02 | 2021-10-15 | 禾多科技(北京)有限公司 | 信息推送方法、装置、电子设备和计算机可读介质 |
CN111994169A (zh) * | 2020-09-08 | 2020-11-27 | 北京北特圣迪科技发展有限公司 | 基于位置补偿的独立驱动转向的表演小车运动控制方法 |
CN112450820B (zh) * | 2020-11-23 | 2022-01-21 | 深圳市银星智能科技股份有限公司 | 位姿优化方法、移动机器人及存储介质 |
DE102022103856A1 (de) | 2022-02-18 | 2023-08-24 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Erkennung eines Problems bei der Ermittlung eines Fahrpfades |
CN114593710B (zh) * | 2022-03-04 | 2024-02-06 | 四川傲势科技有限公司 | 一种无人机测量方法、***、电子设备及介质 |
CN117765084B (zh) * | 2024-02-21 | 2024-05-03 | 电子科技大学 | 基于动态分支预测的迭代求解的面向视觉定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2500384A (en) * | 2012-03-19 | 2013-09-25 | Univ Oxford | Generating navigation data in long term autonomous robotic systems |
WO2015105597A2 (en) * | 2013-11-27 | 2015-07-16 | The Trustees Of The University Of Pennsylvania | Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (mav) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140139635A1 (en) | 2012-09-17 | 2014-05-22 | Nec Laboratories America, Inc. | Real-time monocular structure from motion |
DE102013208521B4 (de) | 2013-05-08 | 2022-10-13 | Bayerische Motoren Werke Aktiengesellschaft | Kollektives Erlernen eines hochgenauen Straßenmodells |
US9412173B2 (en) * | 2013-06-21 | 2016-08-09 | National University Of Ireland, Maynooth | Method for mapping an environment |
DE102013218043B4 (de) | 2013-09-10 | 2024-06-20 | Continental Automotive Technologies GmbH | Verfahren zum Bereitstellen relativer Messdaten für einen Fusionssensor |
DE102014211166A1 (de) | 2013-11-20 | 2015-05-21 | Continental Teves Ag & Co. Ohg | Verfahren, Fusionsfilter und System zur Fusion von Sensorsignalen mit unterschiedlichen zeitlichen Signalausgabeverzügen zu einem Fusionsdatensatz |
DE102014211178A1 (de) | 2013-11-20 | 2015-06-25 | Continental Teves Ag & Co. Ohg | Verfahren und System zur Korrektur von Messdaten eines ersten Sensorsystems |
CN104374395A (zh) * | 2014-03-31 | 2015-02-25 | 南京邮电大学 | 基于图的视觉slam方法 |
US9558424B2 (en) * | 2015-06-30 | 2017-01-31 | Mitsubishi Electric Research Laboratories, Inc. | On-road stereo visual odometry without explicit pose determinations |
DE102016211805A1 (de) | 2015-10-09 | 2017-04-13 | Volkswagen Aktiengesellschaft | Fusion von Positionsdaten mittels Posen-Graph |
DE102016205193A1 (de) * | 2016-03-30 | 2017-10-05 | Volkswagen Aktiengesellschaft | Marginalisieren eines Posen-Graphen |
-
2016
- 2016-06-30 DE DE102016211805.6A patent/DE102016211805A1/de active Pending
- 2016-09-14 WO PCT/EP2016/071632 patent/WO2017060050A1/de active Application Filing
- 2016-09-14 US US15/767,022 patent/US10962369B2/en active Active
- 2016-09-14 CN CN201680072037.2A patent/CN108291813B/zh active Active
- 2016-09-14 EP EP16777542.8A patent/EP3359914B1/de active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2500384A (en) * | 2012-03-19 | 2013-09-25 | Univ Oxford | Generating navigation data in long term autonomous robotic systems |
WO2015105597A2 (en) * | 2013-11-27 | 2015-07-16 | The Trustees Of The University Of Pennsylvania | Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (mav) |
Non-Patent Citations (2)
Title |
---|
Global Pose Estimation with Limited GPS and Long Range Visual Odometry;Joern Rehder,et al.;《2012 IEEE International Conference on Robotics and Automation》;20120518;627,630-631 * |
Rainer K¨ummerle,et al..g2o: A General Framework for Graph Optimization.《2011 IEEE International Conference on Robotics and Automation》.2011, * |
Also Published As
Publication number | Publication date |
---|---|
EP3359914A1 (de) | 2018-08-15 |
WO2017060050A1 (de) | 2017-04-13 |
US10962369B2 (en) | 2021-03-30 |
US20180306584A1 (en) | 2018-10-25 |
EP3359914B1 (de) | 2023-07-05 |
CN108291813A (zh) | 2018-07-17 |
DE102016211805A1 (de) | 2017-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108291813B (zh) | 借助姿态图的位置数据融合 | |
US11698263B2 (en) | Safety and comfort constraints for navigation | |
EP3702230B1 (en) | Method and apparatus for planning travelling path, and vehicle | |
US10882522B2 (en) | Systems and methods for agent tracking | |
US9283967B2 (en) | Accurate curvature estimation algorithm for path planning of autonomous driving vehicle | |
EP3246893B1 (en) | Vehicle on-board control device, host vehicle position and orientation identification device, and vehicle on-board display device | |
CN112505680A (zh) | 使用雷达的扩展对象跟踪 | |
JP2020514158A (ja) | 自車両の制御方法及び自車両の制御システム | |
CN111201448B (zh) | 用于产生反演传感器模型的方法和设备以及用于识别障碍物的方法 | |
CN111429716A (zh) | 用于确定自车的位置的方法 | |
CN111788571A (zh) | 车辆跟踪 | |
CN113330279A (zh) | 用于确定车辆的位置的方法和*** | |
WO2020178639A1 (en) | Aligning road information for navigation | |
CN112050817A (zh) | 车道级地图匹配 | |
US20210389133A1 (en) | Systems and methods for deriving path-prior data using collected trajectories | |
KR102168288B1 (ko) | 다중 라이다를 이용한 다중 물체 추적 시스템 및 방법 | |
CN112394725B (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
CN112567439B (zh) | 一种交通流信息的确定方法、装置、电子设备和存储介质 | |
CN113108791A (zh) | 一种导航定位方法及导航定位设备 | |
EP4020111A1 (en) | Vehicle localisation | |
CN118235180A (zh) | 预测可行驶车道的方法和装置 | |
CN112327865A (zh) | 一种自动驾驶***及方法 | |
CN114194219A (zh) | 一种自动驾驶车辆行驶道路模型预测方法 | |
WO2022089627A1 (en) | Method and system for motion planning for an autonmous vehicle | |
CN113034538B (zh) | 一种视觉惯导设备的位姿跟踪方法、装置及视觉惯导设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |