CN113227712A - 用于确定车辆的环境模型的方法和*** - Google Patents
用于确定车辆的环境模型的方法和*** Download PDFInfo
- Publication number
- CN113227712A CN113227712A CN201980084668.XA CN201980084668A CN113227712A CN 113227712 A CN113227712 A CN 113227712A CN 201980084668 A CN201980084668 A CN 201980084668A CN 113227712 A CN113227712 A CN 113227712A
- Authority
- CN
- China
- Prior art keywords
- detected
- vehicle
- objects
- area
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007613 environmental effect Effects 0.000 title claims description 16
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 230000003068 static effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims 13
- 230000006870 function Effects 0.000 description 11
- 230000002596 correlated effect Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- YREOLPGEVLLKMB-UHFFFAOYSA-N 3-methylpyridin-1-ium-2-amine bromide hydrate Chemical compound O.[Br-].Cc1ccc[nH+]c1N YREOLPGEVLLKMB-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction 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
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3863—Structures of map data
- G01C21/3867—Geometry of map features, e.g. shape points, polygons or for simplified maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种用于确定车辆(1)的环境模型的方法,其中检测针对车辆(1)的初始位置估计并且检测地图数据,其中这些地图数据包括关于地理区域(37、38、39)的空间布置的信息并且将这些地理区域(37、38、39)分配给不同的区域类别。在检测空间(36)内检测周围环境数据并且依据这些周围环境数据来探测对象(32、33、34、35),其中给每个所探测到的对象(32、33、34、35)都分配对象位置和对象类别。依据所探测到的对象(32、33、34、35)来确定该环境模型。在此,提供分配规则,这些分配规则限定了对象类别到区域类别的分配,其中根据这些分配规则来探测对象(32、33、34、35)。本发明还涉及一种用于实施该方法的***。
Description
技术领域
本发明涉及一种用于确定车辆的环境模型的方法,其中检测针对车辆的初始位置估计并且检测地图数据,其中这些地图数据包括关于地理区域的空间布置的信息并且将这些地理区域分配给不同的区域类别。在检测空间内检测周围环境数据并且依据周围环境数据来探测对象,其中给每个所探测到的对象都分配对象位置和对象类别。依据所探测到的对象来确定该环境模型。本发明还涉及一种用于确定车辆的环境模型的***,该***包括:位置检测单元,用于检测针对车辆的初始位置估计;和地图数据检测单元,用于依据该初始位置估计来检测地图数据,其中这些地图数据包括关于地理区域的空间布置的信息并且将这些地理区域分配给不同的区域类别。该***还包括:周围环境数据检测单元,用于在检测空间内检测周围环境数据;以及探测单元,用于依据这些周围环境数据来探测对象并且用于将对象位置和对象类别分配给每个所探测到的对象。该***还包括环境模型确定单元,用于依据所探测到的对象来确定该环境模型。本发明还涉及一种计算机程序产品。
背景技术
在通过车辆的传感器和***来探测对象时,总是会反复发生误探测。例如,如果比如载货车(LKW)的侧壁被认为是房屋墙壁,则数据可能被错误解读,或者如果例如自行车道标记被认为是在道路上的车道的标记,则可能发生错误分配。如果依据所探测到的对象来执行导航或确定车辆位置,则由此可能导致错误结果。
公知的是:使用多个传感器并且执行对传感器数据的融合,以便实现更可靠的对象探测。
在US 2017/0337435 A1中提出了一种用于探测对象的方法,其中利用摄像机来拍摄图像。首先执行粗略探测,其中在不连续的图像中探测对象。然后,在精细探测中分析这些对象。
在US 2017/0008521 A1中描述的用于校准自主车辆的速度显示的方法中,在多个图像中识别地标而且依据这些地标相对于车辆的移动来计算车辆的速度。
US 2017/0350712 A1描述了一种用于确定车辆的位置的方法,其中在车辆的周围环境中提取特征并且确定涉及静态对象的概率。依据这些静态对象来校正自身位置。
在JP 2014 145666 A中描述了一种导航***,其中输出相对于特定对象、比如商店招牌的行驶指令。在此,考虑从车辆出发可以多好地检测到对象。
在JP 2008 051612 A中描述了一种用于识别地标的***,其中通过车辆的摄像机来检测数据并且识别地标。检查条件是否足以进行可靠识别。如果所识别出的地标与集中提供的地图的信息有偏差,则只有当这些条件足够好时才向总机报告这一点。
发明内容
本发明所基于的任务在于:提供一种方法、一种***和一种计算机程序产品,该方法、该***和该计算机程序产品允许对在车辆环境中的对象的特别可靠的探测。
按照本发明,该任务通过一种具有权利要求1的特征的方法、一种具有权利要求13的特征的***以及一种具有权利要求15的特征的计算机程序产品来被解决。有利的设计方案和扩展方案从从属权利要求中得到。
按照本发明的方法的特点在于:提供分配规则,这些分配规则限定了对象类别到区域类别的分配,其中根据这些分配规则来探测对象。
由此,如果所识别出的对象不允许出现在特定区域,则可以有利地将对对象的探测识别为有错误并且滤除。
在本发明意义上的“环境模型”包括关于车辆的空间周围环境的信息。该环境模型尤其包括关于对象相对于车辆并且相对于彼此的布置的信息。该环境模型还可包括关于对象的参数的信息,比如取向、长度或高度、宽度、角度或半径。
该环境模型尤其描绘了车辆在特定位置或姿态的情况下的周围环境。在此,术语“位置”随后被使用为使得该术语也包括“姿态”、也就是说空间中的位置和取向的组合。
在按照本发明的方法的一个构造方案中,区域类别至少包括可通行区域、不可通行区域、车道区域、建筑区域和/或植被区域。由此,可以有利地区分对于车辆的环境模型来说特别重要的区域。替选地或附加地,可以设置其它区域类别。
这样,地图数据例如可以包括关于特定区域是道路的信息,其中区域类别“道路”同时可以被分配给类别“可通行区域”。在被归类为道路的区域之内,还可布置其它区域,例如多个不同的行车道、紧急车道或边缘区域。此外,例如可以将其中比如存在建筑物的特定区域归类为“建筑区域”。另一区域例如可以被归类为“人行道”和“不可通行”。
依据初始位置估计,可以确定这些区域相对于车辆的布置。例如,车辆可以在道路上位于特定位置并且依据地图数据可以确定其它区域相对于车辆以怎样的距离和以怎样的方向来布置。
在该方法的另一构造方案中,确定初始位置估计的精度并且根据该精度来确定地理区域相对于车辆的布置。经此,有利地实现:即使在位置估计不一样精确的情况下也确保了对现有的数据的最佳使用。
在该方法中,尤其是确定:通过地图数据所限定的地理区域相对于车辆如何布置。初始位置估计被用于确定车辆在地图数据的参照系之内的位置或姿态。初始位置估计的精度可以根据本身公知的方式来被确定。该精度还可以被预先给定,例如用于特定的定位方法,或者通过定位装置可以输出该精度,比如作为误差范围或者置信区间。
经此得出不同区域相对于车辆如何布置。在该方法中,可以考虑:例如在自身的位置估计的精度较低的情况下可以以相对应地较低的精度来确定这些区域的布置。尤其是确定如下区域及其相对于车辆的布置,在所述区域的情况下,对特定的、在地图数据中限定的区域的所属性不能精确地被确定。可以规定:在这种区域中修改分配规则,以便处理不明确的分配。
以本身公知的方式、尤其是借助于传感器来实现对周围环境数据的检测。例如可以使用激光雷达传感器、雷达传感器或超声传感器,还可以使用摄像机。还可以使用其它传感器,尤其也可以使用不同传感器的组合。其中检测周围环境数据的检测空间尤其被限定为其中所使用的传感器可以检测到数据的空间区域,例如传感器的作用范围或视域。可以规定:检测空间能被适配,例如其方式是将对周围环境数据的检测限于特定空间区域。
在周围环境数据中对对象的探测也可以以本身公知的方式进行,例如借助于图案识别来进行。在该方法中,尤其是探测以语义方式限定的对象,也就是说又能被识别为独立单元并且被分配给特定对象类别的对象。
到对象类别的分配也以本身公知的方式进行,其中给每个所探测到的对象分配至少一个对象类别。尤其是在静态对象与动态对象之间进行区分,其中静态对象以在地图数据的坐标系之内的固定布置长期存在,例如交通工程设施、建筑物、车道标记或者植被元素。尤其可涉及所谓的“地标”。动态对象例如可能是其它交通成员或者临时位于特定位置的对象。在探测对象的情况下,还确定对象相对于车辆的位置,比如距离和对象的角度。
分配规则可以以不同的、本身公知的方式来被提供。这些分配规则例如可以借助于存储单元来被预先给定或者从外部单元接收。尤其是,地图数据可包括分配规则或者这些分配规则可以与地图数据一起被检测。替选地或附加地,可以通过用户的输入来检测这些分配规则。还可以使用机器学习方法,以便确定分配规则。
在本发明的一个扩展方案中,依据这些分配规则来确定针对特定区域类别和特定对象类别的负分配。被分配给特定对象类别的对象依据如下那些周围环境数据来被探测,所述周围环境数据并不涉及被分配给负分配的特定区域类别的地理区域。由此,可以有利地保证:在该环境模型中不考虑基于误探测的对象,而且可以更高效地执行探测。
依据这些分配规则所确定的对特定对象类别和区域类别的负分配将某些对象类别排除在某些区域类别之外。因而,为了探测特定对象类别的对象,可以使用具有更小范围的周围环境数据,这使得探测步骤更快并且更高效。这些周围环境数据例如可以被过滤,以便排除负分配的区域类别。还可以规定:在被分配给负分配的区域类别的区域中不检测周围环境数据。
例如,类别“车道标记”的对象可以与类别“房屋墙壁”的区域负相关。然后,为了探测车道标记,这些周围环境数据可以被过滤为使得不考虑在房屋墙壁的区域内检测到的周围环境数据。也可以规定:将传感器操控为使得该传感器不检测在房屋墙壁的区域内的周围环境数据。
替选地或附加地,如果所探测到的对象被分配给特定对象类别并且在对其来说该对象类别被排除的区域内被探测到,则可以将所探测到的对象丢弃。
相反,还可以规定:特定对象类别与特定区域类别正相关。因此,只有当这些对象类别的对象位于正相关的区域类别的区域内时,这些对象类别的对象才被探测并且被接受以进行进一步处理。可以使用正分配,以便为了探测某个对象类别的对象而有针对性地使用来自某些区域类别的区域中的周围环境数据并且将其它区域排除。这也引起所要处理的数据减少。
类似于上述示例,类别“车道标记”的对象可以与类别“车道表面”的区域正相关。接着,为了探测车道标记,这些周围环境数据可以被过滤为使得只考虑在车道表面的区域内检测到的周围环境数据。也可以规定:将传感器操控为使得该传感器优选地或者仅仅检测在车道表面的区域内的周围环境数据。
在另一构造方案中,在探测对象的情况下,首先确定初步探测并且依据这些分配规则来对这些初步探测进行过滤。由此,有利地依据这些分配规则来检查这些探测。
在过滤时,尤其是针对这些对象中的每个对象都检查:该对象属于哪个对象类别以及将所探测到的对象的位置分配给哪个区域类别。如果对象类别和区域类别互相排斥,则将所探测到的对象丢弃并且在确定该环境模型时不考虑该所探测到的对象。而如果对象类别和区域类别彼此正分配,则考虑所探测到的对象。
在一个扩展方案中,在探测对象的情况下,依据这些分配规则来确定所检测到的周围环境数据的子集,并且依据这些周围环境数据的子集来探测对象。由此,可以有利地特别高效地设计对周围环境数据的处理,因为不必要的周围环境数据不会被用于探测,而且可以确保实时地或速度足够的处理以用于在车辆行驶期间使用。
例如可以规定:应该有针对性地探测特定对象类别的对象。依据这些分配规则,可以确定:这些对象与哪些区域类别正相关,也就是说可以在哪些区域探测所希望的对象。依据地图数据来确定相对应的区域类别的区域相对于车辆如何布置。所检测到的周围环境数据被处理为使得形成基本上限于这些区域的子集。这例如可以依据过滤来被实施。在此,周围环境数据被减少。例如可以规定:车道标记只在车道表面的区域内被探测并且其它区域、比如建筑区域被排除在该探测之外。
在另一构造方案中,依据这些分配规则来形成其中检测周围环境数据的检测空间。由此,有利地使所检测到的数据限于必要的范围。不同于上文阐述的其中所检测到的周围环境数据被缩减到适合的子集的情况,这里在检测时就已经可以实现该缩减。例如,可以划定在其之内检测数据的立体角。
这里也可以考虑:该初始位置估计以一定的不准确度实现并且因而重要区域尤其必须被选择得更大,以便可以检测所有重要对象。
在一个扩展方案中,所探测到的对象是静态对象。有利地,这些静态对象特别好地适合于在定位中使用。这些静态对象被分配给特定对象类别,这些特定对象类别被称作静态。这些静态对象具有基本上恒定的特性,比如固定的位置和取向、大小、高度、宽度或相对于彼此的布置。
例如,对象类别可包括柱子、桩、交通建筑物、周边建筑的元素、车道标记、指示牌和交通信号灯设备。这样的元素有利地广泛分布于道路环境中并且因而能通用。
初始位置估计以本身公知的方式、例如借助于全球导航卫星***、比如GPS来实现。在此,车辆的位置或姿态可以在不同坐标系中被确定,比如在全局坐标系中或者在相对于特定参照点的坐标系中被确定。此外,可以使用本身公知的方法来优化定位、比如借助于地标来优化定位。初始位置估计还可以由外部单元产生并且被车辆接收,例如由其它交通成员或者交通观察装置来提供。
在另一构造方案中,依据初始位置估计和环境模型来确定针对车辆所优化的位置估计。经优化的位置估计可以在对该方法的迭代执行中被用作新的初始位置估计,比如用于更新并重新确定进一步优化的位置估计或者该环境模型。由此,该环境模型可以有利地被用于特别精确地确定车辆的位置或姿态。
经优化的位置估计尤其是在全局坐标系中或者在地图数据的坐标系中被说明。尤其是,执行地图对照,其中将地图数据所包括的关于地标、尤其是可探测的对象的信息与实际探测到的对象进行对照。在此,尤其是解决了其中使所探测到的对象的位置与地图数据所包括的地标尽可能好地接近的优化问题。由此,通过车辆的位置和取向相对于所探测到的对象的布置而言的关系,可以确定车辆在地图的坐标系中的位置和取向。
在一个扩展方案中,所探测到的对象是动态对象。由此,对动态对象的探测可以有利地予以合理性检查。
例如,动态对象被分配给的对象类别可包括其它交通成员。在这种情况下,可以使用按照本发明的方法,以便保证这种对象只在容许区域内被探测并且避免了误探测以及对误探测的不恰当的反应。例如,在已知方法中出现的困难之处在于:在车道边缘处的植被的不规则形状导致对在这些区域内的其它交通成员的有错误的识别。例如,位于植被区域内的车辆可能错误地被识别。
动态对象可以被该环境模型所包括或者附加于该环境模型地被处理,例如以便将这些动态对象传输给驾驶员辅助***。
地图数据可以以本身公知的方式被检测,例如通过调用车辆的存储单元来被检测,比如作为导航***的一部分。在按照本发明的方法的一个构造方案中,从外部单元至少部分地接收地图数据。该外部单元例如可以是外部服务器或后台装置,该后台装置与车辆至少有时以数据技术方式连接。为此,在车辆与外部单元之间建立数据技术方式连接,比如经由像互联网那样的数据网络来建立数据技术方式连接,而且可以由车辆来请求并获得地图数据。因此,可以有利地始终提供当前的地图数据。
地图数据尤其是依据车辆的初始位置估计来被检测,例如使得地图数据涉及在车辆环境中的地理区域,比如在车辆的初始估计的位置周围的特定的最小半径之内的地理区域。地图数据还可涉及车辆将来有可能位于其中的地理区域,其中例如可以考虑所计划的路线。由此,在地图数据在将来的时间点有重要性之前,可以及时提前检测这些地图数据。
在本发明中,地图数据被构造为使得这些地图数据包括关于至少两个地理区域及其空间布置的信息。例如,可以包括这些地理区域彼此间和/或在特定的全局或相对坐标系中的布置。地图数据尤其包括关于特定区域的边界的信息,通过这些边界来限定这些地理区域的形状和方位。这些地理区域可以被限定为平面结构或者被限定为点或线,其中尤其可以给点和线分配宽度、半径和/或关于这些点和线的平面伸展的其它信息。
地图数据还包括关于给哪些区域类别分配地理区域的信息。区域类别可以形成为使得针对地图数据的区域中的每个区域都规定区域类别。一个地理区域也可以被分配给多个区域类别。
此外,通过在需要时由外部单元来提供更新数据,可以对地图数据进行更新。此外,如果车辆将驶入特定地理区域,则可以请求地图数据,其中这种区域例如可以依据导航***的所计划的路线来被确定。
从外部单元接收到的数据也可包括补充信息,例如关于地理区域的布置、这些地理区域到区域类别的分配或者分配规则的信息。
在另一构造方案中,依据特定环境模型来形成传输数据并且将这些传输数据传输给外部单元、比如服务器或后台装置。由此,针对车辆所产生的环境模型可以有利地被用于其它目的。
例如,该环境模型或者该环境模型所包括的信息的一部分可以被提供给其它交通成员。还可以检查:现有的地图数据是否与该环境模型匹配或者是否需要进行更新。如果例如多个车辆比如当建筑或道路导向已经发生变化时都查明了实际探测到的对象与地图数据的偏差,则可以识别出这些偏差。然后,地图数据可以被校正或更新,比如其方式是委托新的检测或者其方式是分析车辆的环境模型的信息。
按照本发明的***的特点在于:探测单元被构造为根据分配规则来探测对象,其中这些分配规则限定了对象类别到区域类别的分配。
按照本发明的***尤其被构造为实现之前描述的按照本发明的方法。因此,该***具有与按照本发明的方法相同的优点。
在按照本发明的***的一个构造方案中,周围环境数据检测单元包括激光雷达传感器、雷达传感器或超声传感器或者用于可见光或红外光的摄像机。还可以包括其它传感器类型,或者可以设置多个传感器和传感器类型的组合。以这种方式,可以使用多个可能已经存在的车辆传感器,以便检测周围环境数据。
按照本发明的计算机程序产品包括指令,这些指令在借助于计算机来实施时促使该计算机实施上述方法。
附图说明
现在,本发明参考附图依据实施例来被阐述。
图1示出了具有按照本发明的***的实施例的车辆;
图2示出了按照本发明的方法的实施例;以及
图3A至3D示出了其中可实施按照本发明的方法的交通情况的实施例。
具体实施方式
参考图1阐述了具有按照本发明的***的实施例的车辆。
车辆1包括位置检测单元2、地图数据检测单元3和周围环境数据检测单元4。在该实施例中,位置检测单元2包括GPS模块。地图数据检测单元3包括与未示出的存储单元的接口,该存储单元提供地图数据用于调用。在其它实施例中,地图数据检测单元3可以构造为与外部单元的接口,从该外部单元能调用地图数据或补充的地图数据。在该实施例中,周围环境数据检测单元4包括摄像机,该摄像机布置在车辆1的前部并且检测关于在车辆1前方的区域的图像数据。在其它实施例中,替选地或补充地,可以设置其它传感器,比如红外摄像机、3D摄像机或者超声传感器、雷达传感器或激光雷达传感器。
车辆1还包括计算单元7,该计算单元又包括探测单元5和环境模型确定单元6。计算单元7与位置检测单元2、地图数据检测单元3和周围环境检测单元4耦合。计算单元7还与驾驶员辅助***8耦合。
在该实施例中,驾驶员辅助***8包括用于对车辆1进行至少部分地自主控制的模块。可以设置不同的、本身公知的驾驶员辅助***8。
参考图2阐述了按照本发明的方法的实施例。在此,以按照本发明的***的在上文阐述的实施例为出发点,该***通过对该方法的描述来进一步予以规定。
在步骤21中,检测初始位置估计。在该实施例中,这依据位置检测单元2利用其GPS模块来实现。可以使用不同的、本身公知的方法用于定位,其中尤其是规定:与位置估计一起,也提供对该估计的精度的说明。在该实施例中,该定位也包括确定车辆的取向,也就是说确定车辆的姿态。
在接下来的步骤22中,检测地图数据。在该实施例中,依据初始位置估计来检测关于在车辆1周围的特定半径内的地理区域的地图数据。在其它实施例中,替选地或附加地,比如由于计划到关于车辆1将来有可能行驶的地理区域的路线,所以可以检测关于该区域的地图数据。
地图数据包括关于地理区域的方位和布置的信息以及关于各个区域被分配给哪些区域类别的信息。例如,包括关于道路和车道走向的信息以及这些道路和车道的宽度或者其它空间伸展。在该实施例中,还包括关于道路旁边的建筑物位于哪里的信息。区域类别的示例比如是可通行和不可通行区域、车道区域、建筑区域或者植被区域。在下文参考图3A至3D更详细地阐述这些区域的布置。
在步骤23中,检测周围环境数据,其中为此在该实施例中使用周围环境数据检测单元4的摄像机。
在接下来的步骤24中,依据周围环境数据来执行对对象的探测,尤其是依据用于图案识别、比如用于探测地标的已知方法来执行对对象的探测。在此,尤其也可以使用机器学习方法或者人工智能方法。如果在周围环境数据中探测到对象,则给该对象分配位置和对象类别。还可以规定:确定其它特征,比如对象的取向、大小、长度、宽度或颜色设计。尤其是依据对于对象来说所探测到的特征来实现到对象类别的分配。对象类别的示例例如是柱子、桩、交通建筑物、周边建筑的元素、车道标记、指示牌或者交通信号灯设备。
在该实施例中,尤其是探测静态对象,这些静态对象被分配给相对应的静态对象类别。在其它实施例中,替选地或附加地,可以探测动态对象。动态对象类别的示例是其它交通成员、载客车(PKW)、载货车(LKW)、行人或者骑自行车的人。
在步骤25中,执行对所探测到的对象的过滤。为此,检测分配规则,这些分配规则在该实施例中由地图数据检测单元3来提供。这些分配规则包括对象类别和区域类别的正和/或负分配。尤其是限定:在特定区域类别的区域内不应该探测特定对象类别的对象。例如可以假定:在车道上没有建筑物边缘。因而,在当前实施例中,在步骤25中将这些对象丢弃。
在步骤26中,依据所探测到的对象来确定车辆1的环境模型。该环境模型包括所探测到的对象相对于车辆1的位置并且尤其是也包括所探测到的对象相对于该车辆的取向。该环境模型还包括关于对象的信息、尤其是被分配给这些对象的对象类别。该环境模型可包括其它信息。
尤其是借助于地图对照,执行对初始位置估计的优化。在此,解决了如下优化问题,其中将其相对于车辆1并且相对于彼此的位置已被确定的所探测到的对象与这些对象的地图数据所包括的位置叠加。这以本身公知的方式来实现,尤其是依据借助于地标的定位方法来实现。以这种方式,确定车辆1在地图数据的坐标系中的经优化的位置并且尤其是也确定该车辆在地图数据的坐标系中的取向。
在接下来的步骤27中,将经优化的位置输出给驾驶员辅助***8,例如以便执行对车辆1的部分或完全自主的控制。
在其它实施例中规定:在对所探测到的对象进行过滤的情况下,考虑初始位置估计的精度。例如,对于相对于车辆1的位置来说不能精确确定该位置是属于第一区域类别的区域还是属于第二区域类别。这里,这些分配规则可以被应用为使得:例如在一位置处的特定对象类别的对象,尽管这些对象有一定概率位于其中不应该探测这些对象的区域内。相反,可以规定:在这种有疑问的情况下将所探测到的对象丢弃。还可以规定一种方法,其中在探测特定对象、尤其是在未明确地被分配给区域类别的位置处的特定对象的情况下,执行合理性检查,比如在该方法中在地图数据中搜索相对应的对象。以这种方式,可以确定:对对象的特定探测是否合理以及该对象因而是应该在该环境模型中被考虑而是应该被丢弃。
在确定该环境模型时,困难之处可能在于:应该依据该环境模型来确定位置并且同时以初始位置估计为前提。可以规定:在迭代方法中使用经优化的位置,以便在下一步骤中改善初始位置估计。此外,初始位置估计的不准确度可以以不同方式来被考虑,比如其方式是与将各个所探测到的对象分配到特定区域类别并行地检查这些对象。
在另一实施例中规定:这些分配规则包括在对象类别与区域类别之间的正分配。在这种情况下,这些分配规则限定:特定对象类别的对象只能在属于特定区域类别的区域内被找到。还可以规定:在探测对象的情况下,已经考虑在哪些区域应该搜索特定对象类别的对象或者不应该探测特定对象类别的对象。在这种情况下,所检测到的周围环境数据被过滤为使得仅考虑在适合的区域内检测到的这种数据。也就是说,将周围环境数据限于子集,使得仅分析与特定对象类别正相关或者至少不负相关的这种区域的周围环境数据。以这种方式,应该在其之内进行对对象的探测的数据集合被减小,这尤其是在用于图案识别的复杂方法中显著缩短了计算时间。以这种方式,该方法可以更好地实时地或在运行期间、也就是说在车辆1运行期间被执行。
在其它实施例中,周围环境数据检测单元4被设定为使得只在特定空间区域内检测周围环境数据。为了检测特定对象类别的对象,接着规定:仅在与对象类别正相关或者至少不负相关的区域内检测周围环境数据。以这种方式,可以减小所要处理的数据的集合。
参考图3A至3D,更详细地阐述在示例性的交通情况下按照本发明的方法的实施例。在此,以按照本发明的***和按照本发明的方法的上述实施例为出发点。
图3A示出了在车道31上的本车30的图示。箭头符号象征性地表现车辆30的前进方向。还勾画出了周围环境数据检测单元4的检测空间36,该检测空间从车辆30出发以一定角度对称地向前延伸。尤其是视周围环境数据检测单元4的所使用的传感器而定,检测空间36可以不一样地来构造,尤其是关于张角、方向、作用范围以及周围环境条件、比如视域的相关性方面不一样地来构造。
在车道31的表面上安装有在该实施例中在中间走向的车道标记35,并且通过路边石34来在侧面来划定车道31。在该实施例中,车道31描述了右转弯。除了车道31之外,布置有柱子33,这些柱子尤其可以依据这些柱子的厚度和高度被标识为导向柱。此外,在车道31侧面布置有建筑物32。
在该实施例中,为了实施按照本发明的方法而借助于地图数据检测单元3来检测的地图数据包括:关于车道31的走向和空间延伸、车道标记35、路边石34的存在和特定特征、柱子33以及建筑物32的信息。地图数据尤其包括关于特定区域的布置以及这些特定区域到特定区域类别的分配的信息。随后,参考图3B至3D更详细地阐述这一点。
在图3B中,突出可通行区域37,或突出这种可通行区域37与检测空间36的交集。可通行区域37在车道31的区域内延伸。在该区域之内的位置被分配给区域类别“可通行区域”。在该实施例中规定:这里不应该探测某些对象类别,例如类别“柱子”或“建筑物边缘”的对象,也就是说将这种探测作为误探测丢弃。另一方面,这些区域类别与其它对象类别、例如类别“车道标记”正相关。因而,在该实施例中规定:为了探测车道标记35,只分析所检测到的环境数据的包括可通行区域37的子集。另一示例性的对象类别比如可以是“在前方行驶的车辆”,仅在可通行区域37并且例如不在建筑物32的区域内预期探测到所述“在前方行驶的车辆”。
在图3C中,突出建筑物前部区域38,该建筑物前部区域以距车道31有一定距离并且沿着建筑物32地布置。建筑物前部区域38的布置例如可以被地图数据所包括,或者车辆1的单元可以依据被地图数据所包括的建筑物32的方位来确定建筑物前部38所在的位置。这里,例如可以探测建筑物32的边缘、门面结构或者其它特征,作为静态对象。建筑物前部区域38可与其中探测到建筑物32的特征的对象类别正相关;该建筑物前部区域可与例如涉及其它交通成员的对象类别负相关。类似于上述做法,可以规定:为了探测建筑物边缘和角落,仅仅分析所检测到的周围环境数据的包括建筑物前部区域38的子集。
在图3D中,突出车道边缘区域39,该车道边缘区域与车道31相邻地、有微小距离地或者有微小重叠地布置。在该车道边缘区域39中,例如布置有柱子33。在该区域内还可找到路边石34。与此相对应地,可以规定:只在周围环境数据的具有车道边缘区域39的相对应的子集中探测这些对象。其它示例性的对象比如可以是位于车道边缘区域39内的人行道上的行人;类似于次,可以在自行车道上探测骑自行车的人。在此,通过对这些区域的适当的限定,例如可以保证:在位于车道边缘区域39内的车道的标记未被解读成对于车辆1的行驶来说重要,而同时在可通行区域37中的车道标记35被识别为重要。
在另一实施例中规定:车辆1包括与外部单元的接口。该外部单元检测地图数据或者补充数据以及分配规则。为此,该外部单元可以被设计成外部服务器或者被设计成后台装置。还规定将数据从车辆1传输到该外部单元,比如以便能够当例如依据所检测到的周围环境数据或通过车辆1所产生的环境模型来检查地图数据的合理性时实现对这些地图数据的评估。
附图标记列表
1 车辆
2 位置检测单元
3 地图数据检测单元
4 周围环境数据检测单元
5 探测单元
6 环境模型确定单元
7 计算单元
8 驾驶员辅助***
21 检测初始位置估计
22 检测地图数据
23 检测周围环境数据
24 探测对象
25 对所探测到的对象进行过滤
26 确定环境模型,位置优化
27 输出经优化的位置
30 本车(符号)
31 车道
32 静态对象,建筑物
33 静态对象,柱子
34 静态对象,路边石
35 静态对象,车道标记
36 检测空间
37 可通行区域,车道区域
38 建筑区域,建筑物前部
39 车道边缘区域。
Claims (15)
1.用于确定车辆(1)的环境模型的方法,其中
检测针对所述车辆(1)的初始位置估计;
检测地图数据,其中所述地图数据包括关于地理区域(37、38、39)的空间布置的信息并且所述地理区域(37、38、39)被分配给不同的区域类别;
在检测空间(36)中检测周围环境数据;
依据所述周围环境数据来探测对象(32、33、34、35),其中给每个所探测到的对象(32、33、34、35)分配对象位置和对象类别;并且
依据所探测到的对象(32、33、34、35)来确定所述环境模型,
其特征在于,
提供分配规则,所述分配规则限定了所述对象类别到所述区域类别的分配;其中
根据所述分配规则来探测所述对象(32、33、34、35)。
2.根据权利要求1所述的方法,
其特征在于,
所述区域类别至少包括可通行区域(37)、不可通行区域、车道区域(37)、建筑区域(38)和/或植被区域。
3.根据权利要求1或2所述的方法,
其特征在于,
确定所述初始位置估计的精度并且根据所述精度来确定所述地理区域相对于所述车辆(1)的布置。
4.根据上述权利要求中任一项所述的方法,
其特征在于,
依据所述分配规则来确定针对特定区域类别和特定对象类别的负分配;而且
被分配给所述特定对象类别的对象(32、33、34、35)依据如下那些周围环境数据来被探测,所述周围环境数据并不涉及被分配给负分配的特定区域类别的地理区域(37、38、39)。
5.根据上述权利要求中任一项所述的方法,
其特征在于,
在探测所述对象(32、33、34、35)的情况下,首先确定初步探测并且依据所述分配规则来对所述初步探测进行过滤。
6.根据上述权利要求中任一项所述的方法,
其特征在于,
在探测所述对象(32、33、34、35)的情况下,依据所述分配规则来确定所检测到的周围环境数据的子集,并且依据所述周围环境数据的子集来探测所述对象(32、33、34、35)。
7.根据上述权利要求中任一项所述的方法,
其特征在于,
依据所述分配规则来形成其中检测周围环境数据的检测空间(36)。
8.根据上述权利要求中任一项所述的方法,
其特征在于,
所探测到的对象(32、33、34、35)是静态对象(32、33、34、35)。
9.根据权利要求8所述的方法,
其特征在于,
所述对象类别包括柱子(33)、桩、交通建筑物、周边建筑(32)的元素、车道标记(35)、指示牌或者交通信号灯设备。
10.根据上述权利要求中任一项所述的方法,
其特征在于,
依据所述初始位置估计和所述环境模型来确定针对所述车辆(1)所优化的位置估计。
11.根据上述权利要求中任一项所述的方法,
其特征在于,
所探测到的对象(32、33、34、35)包括动态对象。
12.根据上述权利要求中任一项所述的方法,
其特征在于,
至少部分地从外部单元接收所述地图数据。
13.用于确定车辆(1)的环境模型的***,所述***包括:
位置检测单元(2),用于检测针对所述车辆(1)的初始位置估计;
地图数据检测单元(3),用于检测地图数据,其中所述地图数据包括关于地理区域(37、38、39)的空间布置的信息并且所述地理区域(37、38、39)被分配给不同的区域类别;
周围环境数据检测单元(4),用于在检测空间(36)内检测周围环境数据;
探测单元(5),用于依据所述周围环境数据来探测对象(32、33、34、35)并且用于将对象位置和对象类别分配给每个所探测到的对象(32、33、34、35);以及
环境模型确定单元(6),用于依据所探测到的对象(32、33、34、35)来确定所述环境模型,
其特征在于,
所述探测单元(5)被设立为根据分配规则来探测所述对象(32、33、34、35);其中
所述分配规则限定了所述对象类别到所述区域类别的分配。
14.根据权利要求13所述的***,
其特征在于
所述周围环境数据检测单元(4)包括激光雷达传感器、雷达传感器或超声传感器或者用于可见光或红外光的摄像机。
15.计算机程序产品,所述计算机程序产品具有如下指令,所述指令在借助于计算机来实施时促使所述计算机实施根据权利要求1至12中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018217840.2A DE102018217840A1 (de) | 2018-10-18 | 2018-10-18 | Verfahren und System zum Bestimmen eines Umfeldmodells für ein Fahrzeug |
DE102018217840.2 | 2018-10-18 | ||
PCT/EP2019/076784 WO2020078727A1 (de) | 2018-10-18 | 2019-10-02 | Verfahren und system zum bestimmen eines umfeldmodells für ein fahrzeug |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113227712A true CN113227712A (zh) | 2021-08-06 |
Family
ID=68165543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980084668.XA Pending CN113227712A (zh) | 2018-10-18 | 2019-10-02 | 用于确定车辆的环境模型的方法和*** |
Country Status (5)
Country | Link |
---|---|
US (1) | US11892300B2 (zh) |
EP (1) | EP3867601A1 (zh) |
CN (1) | CN113227712A (zh) |
DE (1) | DE102018217840A1 (zh) |
WO (1) | WO2020078727A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018217840A1 (de) | 2018-10-18 | 2020-04-23 | Volkswagen Aktiengesellschaft | Verfahren und System zum Bestimmen eines Umfeldmodells für ein Fahrzeug |
CN112085960A (zh) | 2020-09-21 | 2020-12-15 | 北京百度网讯科技有限公司 | 车路协同信息处理方法、装置、设备及自动驾驶车辆 |
DE102021103134A1 (de) * | 2021-02-10 | 2022-08-11 | Cariad Se | Verfahren zum Betreiben einer Sensorschaltung in einem Kraftfahrzeug, entsprechend betreibbare Sensorschaltung und Kraftfahrzeug mit der Sensorschaltung |
WO2023022894A1 (en) * | 2021-08-18 | 2023-02-23 | Zoox, Inc. | Determining occupancy using unobstructed sensor emissions |
US20230058731A1 (en) * | 2021-08-18 | 2023-02-23 | Zoox, Inc. | Determining occupancy using unobstructed sensor emissions |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1770203A (zh) * | 2001-03-13 | 2006-05-10 | 伊强德斯股份有限公司 | 视觉装置、联动式计数器及图象检测器 |
CN101275852A (zh) * | 2007-03-30 | 2008-10-01 | 爱信艾达株式会社 | 图像识别装置与图像识别方法 |
US20130229525A1 (en) * | 2010-11-16 | 2013-09-05 | Honda Motor Co., Ltd. | A device for monitoring surroundings of a vehicle |
CN103907147A (zh) * | 2011-10-21 | 2014-07-02 | 罗伯特·博世有限公司 | 在辅助***中采用来自基于图像数据的地图服务的数据 |
US20140379247A1 (en) * | 2013-06-24 | 2014-12-25 | Google Inc. | Use of Environmental Information to aid Image Processing for Autonomous Vehicles |
US20150210216A1 (en) * | 2012-11-10 | 2015-07-30 | Audi Ag | Motor vehicle and method for operating a motor vehicle |
CN105096340A (zh) * | 2014-04-29 | 2015-11-25 | 宝马股份公司 | 检测静态和动态对象 |
EP3078937A1 (en) * | 2013-12-06 | 2016-10-12 | Hitachi Automotive Systems, Ltd. | Vehicle position estimation system, device, method, and camera device |
CN106780612A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大华技术股份有限公司 | 一种图像中的物体检测方法及装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5374933A (en) | 1993-01-05 | 1994-12-20 | Zexel Corporation | Position correction method for vehicle navigation system |
JP4718396B2 (ja) | 2006-08-24 | 2011-07-06 | 日立オートモティブシステムズ株式会社 | ランドマーク認識システム |
JP2014145666A (ja) | 2013-01-29 | 2014-08-14 | Aisin Aw Co Ltd | 走行案内システム、走行案内方法及びコンピュータプログラム |
DE102013211109A1 (de) * | 2013-06-14 | 2014-12-31 | Robert Bosch Gmbh | Assistenzvorrichtung und Verfahren zum Unterstützen eines Fahrers des Fahrzeugs |
US9435653B2 (en) | 2013-09-17 | 2016-09-06 | GM Global Technology Operations LLC | Sensor-aided vehicle positioning system |
JP6303564B2 (ja) | 2014-02-11 | 2018-04-04 | 株式会社デンソー | 位置情報校正装置、位置情報校正アプリケーションプログラム |
DE102014204383B4 (de) * | 2014-03-11 | 2022-12-29 | Continental Autonomous Mobility Germany GmbH | Fahrerassistenzsystem zur Objekterkennung und Verfahren |
KR102623680B1 (ko) | 2015-02-10 | 2024-01-12 | 모빌아이 비젼 테크놀로지스 엘티디. | 자율 주행을 위한 약도 |
WO2017042710A1 (en) | 2015-09-09 | 2017-03-16 | Lightmetrics Technologies Pvt. Ltd. | System and method for detecting objects in an automotive environment |
DE102016203086B4 (de) | 2016-02-26 | 2018-06-28 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Fahrerassistenz |
JP6626410B2 (ja) | 2016-06-03 | 2019-12-25 | 株式会社Soken | 自車位置特定装置、自車位置特定方法 |
JP6654977B2 (ja) | 2016-07-04 | 2020-02-26 | 株式会社Soken | 自車位置特定装置、及び自車位置特定方法 |
DE102017201669A1 (de) | 2017-02-02 | 2018-08-02 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Aktualisierung einer digitalen Karte |
JP7194755B2 (ja) * | 2018-05-31 | 2022-12-22 | ニッサン ノース アメリカ,インク | 軌道計画 |
DE102018217840A1 (de) | 2018-10-18 | 2020-04-23 | Volkswagen Aktiengesellschaft | Verfahren und System zum Bestimmen eines Umfeldmodells für ein Fahrzeug |
-
2018
- 2018-10-18 DE DE102018217840.2A patent/DE102018217840A1/de active Pending
-
2019
- 2019-10-02 CN CN201980084668.XA patent/CN113227712A/zh active Pending
- 2019-10-02 WO PCT/EP2019/076784 patent/WO2020078727A1/de unknown
- 2019-10-02 EP EP19783490.6A patent/EP3867601A1/de active Pending
- 2019-10-02 US US17/286,690 patent/US11892300B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1770203A (zh) * | 2001-03-13 | 2006-05-10 | 伊强德斯股份有限公司 | 视觉装置、联动式计数器及图象检测器 |
CN101275852A (zh) * | 2007-03-30 | 2008-10-01 | 爱信艾达株式会社 | 图像识别装置与图像识别方法 |
US20130229525A1 (en) * | 2010-11-16 | 2013-09-05 | Honda Motor Co., Ltd. | A device for monitoring surroundings of a vehicle |
CN103907147A (zh) * | 2011-10-21 | 2014-07-02 | 罗伯特·博世有限公司 | 在辅助***中采用来自基于图像数据的地图服务的数据 |
US20150210216A1 (en) * | 2012-11-10 | 2015-07-30 | Audi Ag | Motor vehicle and method for operating a motor vehicle |
US20140379247A1 (en) * | 2013-06-24 | 2014-12-25 | Google Inc. | Use of Environmental Information to aid Image Processing for Autonomous Vehicles |
EP3078937A1 (en) * | 2013-12-06 | 2016-10-12 | Hitachi Automotive Systems, Ltd. | Vehicle position estimation system, device, method, and camera device |
CN105096340A (zh) * | 2014-04-29 | 2015-11-25 | 宝马股份公司 | 检测静态和动态对象 |
CN106780612A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大华技术股份有限公司 | 一种图像中的物体检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
OELJEKLAUS, M等: "A Combined Recognition and Segmentation Model for Urban Traffic Scene Understanding", 《 2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》, 1 January 2017 (2017-01-01) * |
余磊;: "地理信息公共服务平台电子地图制作及服务发布技术探讨", 工程建设与设计, no. 02, 31 January 2018 (2018-01-31) * |
Also Published As
Publication number | Publication date |
---|---|
WO2020078727A1 (de) | 2020-04-23 |
EP3867601A1 (de) | 2021-08-25 |
DE102018217840A1 (de) | 2020-04-23 |
US11892300B2 (en) | 2024-02-06 |
US20210341293A1 (en) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12032067B2 (en) | System and method for identifying travel way features for autonomous vehicle motion control | |
CN107031650B (zh) | 基于驾驶员肢体语言来预测车辆运动 | |
CN111670468B (zh) | 移动体行为预测装置以及移动体行为预测方法 | |
EP3467802B1 (en) | Object detection method and object detection device | |
CN109641589B (zh) | 用于自主车辆的路线规划 | |
CN113227712A (zh) | 用于确定车辆的环境模型的方法和*** | |
US8160811B2 (en) | Method and system to estimate driving risk based on a hierarchical index of driving | |
US20210406559A1 (en) | Systems and methods for effecting map layer updates based on collected sensor data | |
KR20190058520A (ko) | 자율 주행 차량 제어 시스템을 위한 위치에 따른 지원 | |
EP4036892A1 (en) | Detection system for predicting information on pedestrian | |
CN112363494A (zh) | 机器人前进路径的规划方法、设备及存储介质 | |
EP3822945B1 (en) | Driving environment information generation method, driving control method, driving environment information generation device | |
JP2020060369A (ja) | 地図情報システム | |
US20170307754A1 (en) | Method for Providing Information About at Least One Object in a Surrounding Region of a Motor Vehicle and System | |
GB2510698A (en) | Driver assistance system | |
US20220080982A1 (en) | Method and system for creating a road model | |
RU2763330C1 (ru) | Способ управления автономным движением и система управления автономным движением | |
RU2763331C1 (ru) | Способ отображения плана движения и устройство отображения плана движения | |
CN114987529A (zh) | 地图生成装置 | |
EP3835724B1 (en) | Self-location estimation method and self-location estimation device | |
US20240200975A1 (en) | System and method for detecting active road work zones | |
Philipp | Perception and prediction of urban traffic scenarios for autonomous driving | |
US20240230366A1 (en) | Handling Unmapped Speed Limit Signs | |
Faghi | Map Based Sensor Fusion for Lane Boundary Estimation on ADAS | |
CN115552199A (zh) | 用于确定机动车自身位置的方法和***以及配备有这种***的机动车 |
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 |