DE10041277A1 - Verfahren und System zum Autonomen Entwickeln oder Erweitern von geografischen Datenbanken durch Verwendung unkoordinierter Messdaten - Google Patents
Verfahren und System zum Autonomen Entwickeln oder Erweitern von geografischen Datenbanken durch Verwendung unkoordinierter MessdatenInfo
- Publication number
- DE10041277A1 DE10041277A1 DE10041277A DE10041277A DE10041277A1 DE 10041277 A1 DE10041277 A1 DE 10041277A1 DE 10041277 A DE10041277 A DE 10041277A DE 10041277 A DE10041277 A DE 10041277A DE 10041277 A1 DE10041277 A1 DE 10041277A1
- Authority
- DE
- Germany
- Prior art keywords
- information
- road
- center line
- measuring
- vehicle
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/10—Modelling
-
- 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
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3822—Road feature data, e.g. slope data
-
- 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
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
Ein Verfahren und ein System zum Entwickeln geospatialer Informationen über ein bestimmtes Gebiet mit einer Vielzahl von unkoordinierten, sich in diesem Gebiet bewegenden Messfahrzeugen werden geschaffen. Die Messfahrzeuge sind mit einem Positionsbestimmungssystem ausgerüstet und sammeln beim Bewegen in dem Gebiet spezifische geospatiale Informationen. Diese spezifischen Informationen von den Messfahrzeugen werden über der Zeit zu einem Datensatz kombiniert. Ein Zentralprozessor analysiert den Datensatz zur Bestimmung von geospatialen Informationen höherer Qualität als die von den einzelnen Messfahrzeugen in diesem Gebiet gesammelten Informationen.
Description
Die vorliegende Erfindung bezieht sich auf ein Verfahren
und ein System zum autonomen Entwickeln von speziellen
geospatialen Kenntnissen und insbesondere zum Entwickeln
oder Erweitern einer Systemdatenbank mit geografischen
Informationen durch Verwendung von wahllos gesammelten
tatsächlichen Messdaten.
Mit dem Fortschritt der Informationstechnik, insbesondere
der Computerverarbeitung, Kommunikation und globaler
Positionierung, sind Systeme und Verfahren entwickelt
worden, um diese Techniken zu nützlichen Informationen
einzusetzen. Beispielsweise liefern Positioniersysteme auf
Satellitenbasis, wie z. B. das amerikanische Global
Positioning System (GPS) und das russische Globale
Navigations-Satellitensystem (GLONASS) Positionsinforma
tionen zum Gebrauch bei der Fahrzeug- und der persönlichen
Navigation, wie z. B. in Flugzeugen, Wasser-, Landfahr
zeugen und auch bei der Selbstnutzung durch den Einzelnen.
Die GPS- und GLONASS-Systeme liefern überall auf der
Erde eine absolute Position, wo wenigstens vier Satelliten
deutlich beobachtet werden können. Unter Verwendung be
kannter Differenziertechniken kann eine Positioniergenauig
keit von einem Meter oder weniger erreicht werden.
Es ist auch bekannt, Flotten von Messfahrzeugen
einzusetzen, z. B. Personen- und Lastkraftwagen, die mit
differenziellen GPS (DGPS)-Empfängern ausgerüstet sind,
um zwecks Überwachung des Verkehrsflusses Rohdaten auf
speziellen Routen zu liefern. Ein derartiges System ist in
der US-Patentschrift 5,539,645 beschrieben, wobei ein
Zentralrechner gesammelte und weitergeleitete Grunddaten
über zeitabhängige Größen auf bestimmten Routen empfängt.
Die "Roh"-Kalibrationsdaten werden bearbeitet, um die
normalen Verkehrsgeschwindigkeiten und -muster zu
bestimmen, welche mit überwachten Daten verglichen
werden. Abweichungen außerhalb zulässiger Variationen
werden an den Zentralrechner gegeben, der dann die
diversen auftretenden Verkehrsereignisse berechnen kann.
Die obige Druckschrift beschreibt eine erwünschte
Positioniergenauigkeit von beispielsweise 0,5 m, um
zwischen Fahrspurwechseln und speziellen Fahrspuren einer
befahrenen Fernstraße zu unterscheiden. Während ein
derartiger bekannter DGPS-Empfänger die benötigte
Genauigkeit zum Lokalisieren eines Fahrzeugs auf einer
bestimmten Fahrspur aufweisen mag, so war es doch bisher
nicht möglich, die Position der Fahrspuren selbst zuverläs
sig zu bestimmen.
Die deutschen Patentschriften DE 195 25 291 und DE 196 50 844
beschreiben Verfahren zum Analysieren der von eine
bestimmte Route fahrenden Messfahrzeugen empfangenen
Informationen, um die Informationen als Attribute
entsprechender Straßenabschnitte in einer digitalen Straßen
karte zuzuordnen. Die Attribute liefern Navigationsin
formationen für das Fahrzeug, um eine bestimmte Route
abzufahren. Die Druckschrift DE 196 50 844 speichert
statische und dynamische Parameter für die erfasste Route
in der digitalen Karte. Diese statischen Parameter enthalten
strukturelle Eigenschaften des befahrenen Wegs. Die
dynamischen Parameter werden ständig an den reellen
Zustand der erfassten Straßenabschnitte der Route ange
passt, um eine Fahrroute für das Fahrzeug zu bestimmen.
Beide Systeme versuchen, zuverlässige Informationen über
Verkehrslenkung und Navigation zu liefern.
Alle oben beschriebenen bekannten Systeme verwenden
DPGS-Positionsinformationen in Verbindung mit konven
tionell erhaltenen digitalen Straßenkarten, um durch Be
stimmung bevorzugter Routen und/oder Liefern von
Verkehrsüberwachungsinformationen bei der Navigation behilflich
zu sein. In der Zukunft werden verbesserte
Sicherheits- und Navigationsanwendungen äußerst genaue
und detaillierte digitale Karten erfordern, die in Verbindung
mit den globalen Positioniersystemen nutzbar sind. Der
Aufbau derartiger detaillierter digitaler Karten war bisher
wegen der teuren und zeitaufwendigen manuellen Straßen
vermessungen über endlose Entfernungen im Straßennetz nur
schwer möglich.
Es sind auch mit automatischen Kartensystemen Versuche
gemacht worden. Beispielsweise beschreibt die Druckschrift
"Positioning Accuracy of the GPSvan", Proceedings of the
52nd Annual National Technical Meeting of the Institute of
Navigation, pp. 657-665, Palm Springs, Kalifornien, 1995
die speziellen arbeitsintensiven Bemühungen zum
umfangreichen Vermessen eines Zielgebiets. Hierbei
kombiniert ein speziell ausgerüstetes Fahrzeug in Form
eines "GPSvan" zahlreiche Sensoren, einschließlich
mehrerer GPS-Empfänger, Laserkameras und Stereovisions
systemen, um detaillierte Informationen über die befahrenen
Straßen zu erhalten. Derartige Fahrzeuge sind jedoch
übermäßig teuer und fordern Fachpersonal zum Verschlüs
seln der Merkmale während der Fahrt des Fahrzeugs.
Somit wird ein automatisches Verfahren zum Verfeinern und
Erweitern der konventionellen digitalen Karten benötigt, um
die geforderte geospatiale Genauigkeit für zukünftige An
wendungsgebiete bezüglich Sicherheit, Navigation, Marke
ting etc. zu liefern.
Die vorliegende Erfindung erfüllt diese Bedürfnisse durch
Entwicklung geospatialer Informationen über ein bestimmtes
Gebiet mit Hilfe unkoordinierter, sich in dem Gebiet
bewegender Messsysteme. Das Verfahren beinhaltet die
Schritte des Gewinnens spezifischer geospatialer Informa
tionen des Messsystems mit geringerer Qualität aus einer
Vielzahl von sich im Gebiet bewegenden Messsystemen.
Dann werden die spezifischen Informationen des Mess
systems über der Zeit zu einem Datensatz kombiniert. Der
Datensatz wird daraufhin analysiert, um geospatiale
Informationen für das spezielle Gebiet mit höherer Qualität
zu bestimmen. Dieses Datenentwicklungssystem und -
verfahren kann zum Entwickeln und/oder Verfeinern von
digitalen Karten auf der Grundlage von Positionsmessungen
(den geospatialen Informationen) benutzt werden, die von
den mit globalen Positioniersystem-Empfängern mit
Differenzkorrekturen ausgerüsteten Messsystemen erzeugt
wurden.
Obwohl das Verfahren und das System gemäß der Erfindung
unter Bezug auf Positionsmessungsinformationen liefernde
Messfahrzeuge näher beschrieben wird, um käuflich er
hältliche digitale Straßenkarten zu verfeinern und
erweitern, ist es selbstverständlich, dass die Erfindung in
allgemeinerer Weise auf die Benutzung unkoordinierter
Messsysteme mit GPS-Empfängern von nur geringer oder
bescheidener Qualität anwendbar ist, um geografische
Datenbanken zu entwickeln, die von mittlerer bis hoher
Qualität sind. Weiterhin können die Messsysteme alle
bekannten Datenbanken mit einer geografischen Komponente
verfeinern und erweitern, die eine geeignete Anzahl von
Positionsmessungen der Messsysteme benutzen, seien es nun
Fahrzeuge oder andere Einrichtungen.
Gemäß der Erfindung wird eine große Anzahl von
Messfahrzeugen mit einem Positions/Zeit-Sensor ausge
rüstet, um ihre Positionen und Zeitpunkte immer dann
aufzuzeichnen, wenn das Fahrzeug in Bewegung ist. Andere
Sensoren und Datentypen können auch mit diesen Daten
kombiniert werden. Tatsächlich sind die Zeitdaten nicht
einmal notwendig. Die Messfahrzeuge werden in ihrer nor
malen Art gefahren, so dass über einer Zeitdauer alle
möglichen Straßenrouten von wenigstens einem der
Messfahrzeuge befahren werden. Die Daten der
Messfahrzeuge werden zu einem Datensatz kombiniert, ent
weder in Echtzeit oder in Nachbearbeitung. Dieser Daten
satz wird dann statistischen und/oder anderen Analyse
formen unterworfen, um bestimmte Merkmale festzustellen.
Auf Grund dieser Daten von vielen Messfahrzeugen liefert
deren Kombination sehr genaue Messungen der physika
lischen Umgebung. Ein Karte wird dann aus den genauen
Messungen erzeugt. Dies liefert somit ein probabilistisches
Verfahren zum Erzeugen einer Karte, die für autonome
Fahrzeuganwendungen deshalb vorteilhaft ist, da sie be
schreibt, wie sich die Fahrzeuge tatsächlich in einem Stra
ßennetz verhalten. Weiter ist es vorteilhaft, dass die
statistische Auswertung der Datensätze Informationen zu
sätzlich zur Straßengeometrie liefert, wie beispielsweise
Informationen zur Verkehrsüberwachung. Wenn die
Positionsdaten mit Daten anderer Fahrzeugsensoren, wie
z. B. Traktionskontrolle, Aufhängung, Anzeige von Wenden,
Visionssysteme, Fahrzeugradar etc., kombiniert werden,
wird es möglich, andere Umgebungsbedingungen zu
lokalisieren, wie z. B. Schlaglöcher, verschmutzte Straßen,
Eis auf den Straßen, Leitplanken etc.
In einer besonderen Ausführungsform erzeugt oder ver
bessert die vorliegende Erfindung als Grundkarten dienende
digitale Straßenkarten mit geospatial spezifischen Infor
mationen durch Entwicklung großer Mengen von Positions
messdaten eines differenziellen globalen Positioniersystems
(GPS) von unkoordinierten Messfahrzeugen.
Beim Erzeugen der digitalen Straßenkarten dienen die
anfänglichen Positionsmessdaten von den unkoordinierten
Messfahrzeugen als Grundkarte, die durch die zusätzlichen
Positionsmessdaten verfeinert werden. Beim Erweitern oder
Verbessern einer käuflich erhältlichen digitalen Straßen
karte dienen die Daten der käuflich erhältlichen digitalen
Straßenkarte als Grundkarte, wobei die zusätzlichen
Positionsmessdaten der unkoordinierten Messfahrzeuge die
Grundkarte verfeinern.
In einer besonders vorteilhaften, hier beschriebenen
Ausführungsform werden die DGPS-Messpunkte der un
koordinierten Messfahrzeuge bearbeitet, um digitale
Straßenkarten mit Beschreibungen der Fahrspurenstruktur
einschließlich der Zahl der Fahrspuren und deren Positionen
zu verbessern. Die Benutzung von unkoordinierten
Messfahrzeugen erlaubt die unauffällige und wahllose
Sammlung von Daten von einer Vielzahl von Fahrern, die
ihren normalen Tätigkeiten nachgehen. Das System benötigt
zum Sammeln der Daten keine speziellen Fahrzeuge oder
teure Hardware, indem man auf mit bekannten DGPS-
Systemen ausgerüstete Messfahrzeuge zurückgreift. Die
resultierenden Positionsmessungen der Messfahrzeuge
werden zu Kenntnissen über das Straßennetz und
insbesondere über Fahrspuren für die Fahrzeuge aufbereitet.
Das System und das Verfahren gemäß der Erfindung
bestimmt eine "virtuelle" Mittellinie einer Straße und
bestimmt dann mit dieser virtuellen Mittellinie die
tatsächlichen Straßenfahrspuren. Während die Erfindung
unter Bezug auf eine "virtuelle" Straßenmittellinie
beschrieben wird, ist diese virtuelle Mittellinie natürlich
ein beliebiger Bezug, und jede andere Linie parallel zur
Straße kann als virtuelle Mittellinie angesehen werden.
Indem man mit der käuflich erhältlichen digitalen Karte als
Grundlage beginnt, wird die Mittellinie aus der digitalen
Karte in Übereinstimmung mit den DGPS-Messpositionen
der über einen bestimmten Straßenabschnitt fahrenden
Messfahrzeuge gebracht. Im allgemeinen geschieht dies
durch Berechnen des "Mittelwerts" zwischen der gegen
wärtigen Mittellinie und einer neuen Spur, gewichtet mit
einem Vertrauensfaktor in der Mittellinie und der Spur.
Wenn das System inkremental mehr Positionsmessungen in
den Mittelwert einführt, werden Fehler in den Messpunkten
ausgemittelt, so dass die neue Mittellinie genauer als alle
der sie erzeugenden Messungen ist.
Während die ursprüngliche Mittellinie in der digitalen Karte
nicht genau genug ist, um zur Berechnung von konstanten
Fahrspur-"Versatzwerten" zwecks Erkennung von Fahrzeug
fahrspuren benutzt zu werden, erkennt die vorliegende
Erfindung, dass per Definition jede Linie parallel zu den
wahren Fahrzeugfahrspuren einen bestimmten senkrechten
Abstand (daher "Versatz") von den Fahrzeugfahrspuren hat.
Somit ist die Bestimmung einer "virtuellen" Mittellinie -
auf Grundlage der ursprünglichen Mittellinie in der
digitalen Karte und der Mehrfach-Messpunkte der
Messfahrzeuge - besser zur Bestimmung der Versatzwerte
geeignet, um die tatsächlichen Fahrzeugfahrspuren zu
identifizieren. Diese Versatzwerte sind definiert durch den
senkrechten Abstand der Fahrzeugfahrspur von der
virtuellen Mittellinie, da alle Fahrzeugfahrspuren parallel
zueinander sind.
Durch die Annahme, dass sich die Fahrzeugführer allgemein
innerhalb einer Fahrzeugfahrspur aufhalten, liefert der
senkrechte Abstand der meisten Stellen des Fahrzeugs von
der virtuellen Mittellinie eine Abschätzung des Versatzes
für die bestimmte befahrene Fahrspur. Das Verfahren und
das System berechnen somit einen Versatzwert für jede
Position in der Positionsmessung. Diese Versatzwerte
werden dann in Fahrspuren gruppiert und werden gemittelt,
um die Mittellinie der Fahrzeugfahrspur zu finden. Ein
hierarchischer agglomerativer Cluster-Algorithmus wird
vorteilhafterweise dazu benutzt, um ein Modell für die
tatsächlichen Fahrzeugfahrspuren darzustellen und die
digitale Straßenkarte auf Grundlage der genau dargestellten
virtuellen Mittellinie des Straßenabschnitts zu verfeinern.
Gemäß der vorliegenden Erfindung wird die Modellbildung
der Fahrspuren für einen Ziel-Straßenabschnitt S durchge
führt, abgedeckt durch einen Satz von Positionsmessungen P
von Messfahrzeugen, indem zunächst die genaue virtuelle
Mittellinie für den Ziel-Straßenabschnitt S mit Hilfe des
Satzes von Positionsmessungen P gefunden wird und dann
die P-Versatzwerte von der virtuellen Mittellinie in die
Fahrspurinformationen geclustert werden.
Die vorliegende Erfindung kann somit digitale Karten mit
Fahrspurinformationen erzeugen oder erweitern, und ein bei
allen fahrspurbezogenen Automobilanwendungen nutzbares
Hilfsmittel wird gebildet. Die berechneten Fahrspurmodelle
erlauben sowohl Sicherheitsanwendungen, wie z. B. Spurhalten,
als auch Hilfestellungen, wie z. B. Informationen
zum Fahrspurwechsel. Die große Menge von durch die
Messfahrzeuge erhaltenen Positionsmessungen liefert ein
preiswertes und automatisches Verfahren zum Berechnen der
Fahrspurmodelle und anderer geografischer Informationen,
wie z. B. Ampelanlagen, Stopp-Schilder, Höhenänderungen
etc. Beispielsweise erlaubt eine kombinierte digitale
Straßenkarte, aufgebaut oder verbessert mit genauen
Fahrspur-Modellinformationen, in Verbindung mit einem
Positioniersystem im Fahrzeug in vorteilhafter Weise:
Warnung vor Abweichen von der Fahrspur, Sicherheits
hinweis für Spurhalten, Navigation auf Fahrspurebene und
dynamische Hinweise auf gesperrte Fahrspuren.
Bei der Warnung vor Abweichen von der Fahrspur und dem
Sicherheitshinweis für Spurhalten wird ein gegenwärtiger
Versatz des Fahrzeugs von der Mittellinie der Straße oder
Fahrspur erfasst. Falls der Versatz größer als ein
bestimmter Schwellenwert ist, wird ein Warnsignal
aktiviert. Alternativ kann das Fahrzeug selbst die Kontrolle
übernehmen, um mögliche Unfälle zu vermeiden. Der
definierte Schwellenwert kann vorteilhafterweise auf eine
Standardabweichung der Versatzwerte während typischer
Fahrbedingungen bezogen sein. Bei dieser Sicherheits
anwendung ist eine hohe Positioniergenauigkeit gefordert.
Die Navigation auf Fahrspurebene verbessert die konventio
nelle Standard-Navigation auf Straßenebene. Die Navigation
auf Fahrspurebene teilt dem Fahrer mit, welche bestimmte
Fahrspur er wählen sollte, um ein bestimmtes Ziel ohne
übermäßiges Wechseln in letzter Minute zu erreichen.
Zusätzlich zu den Fahrspur-Modellinformationen erfordert
die Navigation auf Fahrspurebene ein Modell über das
Fahrzeugverhalten an Kreuzungen auf Pro-Fahrspur-Grund
lage. Beispielsweise können die Positionsmessungen der
Messfahrzeuge anzeigen, dass 100% der Fahrer in der
linken Spur an einer bestimmten Kreuzung links abbiegen,
während 50% der Fahrer in der rechten Fahrspur geradeaus
fahren und 50% rechts abbiegen.
Bei den dynamischen Hinweisen auf gesperrte Fahrspuren
werden Vergleiche zwischen der gegenwärtigen Fahr
zeugzahl in einem Straßenabschnitt und der im vorherigen
Straßenabschnitt durchgeführt, falls die zusammengefassten
Fahrzeugzahlen in den Fahrspuren dynamisch über drahtlose
Übermittlung verfügbar sind. Falls eine bestimmte Fahrspur
unterbesetzt ist, schließt die Option der dynamischen
Hinweise auf gesperrte Fahrspuren daraus, dass die Fahrspur
gesperrt ist, beispielsweise wegen eines Unfalls oder einer
Baustelle. Das Fahrzeug-Navigationssystem kann dies dann
bei der Berechnung der Fahrzeugrouten berücksichtigen.
Natürlich können die Fahrspur-Modellinformationen auch
bei anderen, hier nicht beschriebenen Sicherheits- oder
Hilfsanwendungen eingesetzt werden, um dem Fahrer zu
sätzlichen Nutzen zu bieten. Beispiele für Anwendungen,
die durch die Kombination einer digitalen Straßenkarte mit
einem Positioniersystem im Fahrzeug ermöglicht werden,
sind in dem Artikel mit dem Titel "The Potential of
Precision Maps in Intelligent Vehicles", Proceedings of the
IEEE International Conference on Intelligent Vehicles,
Seiten 419-422, Stuttgart, Deutschland, Oktober 1998
beschrieben, auf dessen Inhalt sich hier ausdrücklich
bezogen wird.
Bisher bekannte Verfahren zum Bestimmen von
Fahrspurgrenzen versuchen dies direkt durchzuführen, wie
beispielsweise durch Verwenden von Visionssystemen im
Fahrzeug zum Auffinden von Fahrspurmarkierungen im
Vergleich zur Fahrzeugposition. Die vorliegende Erfindung
fördert jedoch in effektiver Weise die Fähigkeit des Fahrers
zum Spurhalten zum Identifizieren der Mitte der Fahrspur.
Die bisherigen Verfahren hatten zahlreiche Ein
schränkungen. Zunächst hatte das Visionssystem exakt
kalibriert zu den erfassten Fahrspurmarkierungen zu sein.
Bei einem Visionssystem werden maschinenerkennbare
Merkmale eines bestimmten Typs benötigt. Zweitens ist es
schwierig, falls nicht unmöglich, eine genaue Datenbank
von Fahrspurmodellen nur aus Visionssystemen oder anderen
relativen Erfassungsverfahren aufzubauen. Dies deshalb, da
das direkte Verfahren zum Aufbau einer derartigen
Datenbank die Fahrspurstrukturen in einem räumlich
absoluten Bezugssystem speichert. Fahrzeuge ohne ein
absolutes Erfassungsverfahren, wie z. B. mit GPS aus
gerüstete Fahrzeuge, kennen keinen Weg zur räumlichen
Registrierung der Daten, z. B. keinen Weg, um um Ecken
herum oder über Hügel zu schauen.
Wie oben erwähnt, beruht die vorliegende Erfindung auf
DGPS-Messpositionen, um die Fähigkeit des Fahrers zum
Spurhalten die Mitte der Fahrspur erkennen zu lassen. Die
absolute Natur dieser Daten liefert Informationen über
vorkommendes Terrain, das vom Fahrzeug nicht direkt
erfasst werden kann. Dadurch kann eine genaue Datenbank
der Fahrspurmodelle aufgebaut werden.
In einer vorteilhaften Ausführungsform in Bezug auf die
Spurhalte-Anwendungen gemäß der vorliegenden Erfindung
werden Visionssysteme zusätzlich für den Fall eingebaut,
dass die GPS-Genauigkeit leidet, wenn z. B. einer oder
mehrere Satelliten teilweise oder vollständig abgedeckt
sind. Die Benutzung lokaler Sensoren, wie z. B. Visions
systeme, kann die Sichtbarkeitsprobleme der Satelliten
kompensieren. Dies verbessert die Positioniergenauigkeit
für das Fahrzeug, um die Spurhalte-Funktionen ausführen zu
können.
Weitere Aufgaben, Vorteile und neuartige Merkmale der
vorliegenden Erfindung werden aus der folgenden
eingehenden Beschreibung der Erfindung im Zusammenhang
mit den beigefügten Zeichnungen deutlich.
Fig. 1 ist eine allgemeine Darstellung des Systems gemäß
der vorliegenden Erfindung;
Fig. 2 ist eine Aufzeichnung zweier Muster von
Positionsmessungen einer GPS-Positions-Rohinformation
mit einer überlagerten digitalen Karte;
Fig. 3 ist eine Darstellung eines repräsentativen Straßenab
schnitts mit parallelen Fahrspuren und einer virtuellen
Mittellinie;
Fig. 4 ist ein Flussdiagramm des allgemeinen Prozesses
gemäß einer Ausführungsform der vorliegenden Erfindung;
Fig. 5 ist ein Flussdiagramm des Prozesses zur Bestimmung
einer virtuellen Mittellinie gemäß der vorliegenden
Erfindung;
Fig. 6 ist eine Darstellung des Prozesses zur Bestimmung
der virtuellen Mittellinie gemäß Fig. 5;
Fig. 7 ist ein Flussdiagramm des Prozesses zur
Modellbildung für die Fahrzeugfahrspuren gemäß der
vorliegenden Erfindung;
Fig. 8 ist eine Aufzeichnung der Konvergenz der
Mittellinien-Bestimmung durch Darstellen der Differenz
zwischen der Mittellinie vor jeder Positionsmessung und der
endgültigen virtuellen Mittellinie;
Fig. 9 ist eine Aufzeichnung der durchschnittlichen
Genauigkeit des Cluster-Algorithmus über einer Anzahl von
Positionsmessungen;
Fig. 10 ist eine Aufzeichnung der durchschnittlichen
Genauigkeit des Gesamtprozesses gemäß der vorliegenden
Erfindung auf Grundlage der verfügbaren
Positionsmessungen; und
Fig. 11 ist eine Darstellung der Verteilung der Fahrzeug
positionen auf Basis des GPS auf einer Straße.
Das Verfahren und das System zum autonomen Entwickeln
und/oder Erweitern von geografischen Datenbänken durch
Verwendung von unkoordinierten Messdaten werden hier
unter Bezug auf eine spezielle Ausführungsform be
schrieben, bei der digitale Straßenkarten zur Definition der
Informationen über Fahrzeugfahrspuren, wie z. B. die Anzahl
der Fahrspuren und deren Positionen, verfeinert und
erweitert werden.
Indem man mit einer käuflich erhältlichen digitalen
Grundkarte beginnt, werden Fahrspurmodelle zur Voraussage
einer Fahrzeugfahrspur mit hoher Genauigkeit aus einer nur
kleinen Anzahl von Durchfahrten von Messfahrzeugen durch
einen speziellen Straßenabschnitt benutzt. Diese
Messfahrzeuge werden mit Positionsbestimmungssystemen
ausgerüstet, die Positionsmessungen liefern, wenn die
Fahrzeuge wahllos Positionsdaten in einer unkoordinierten
Weise sammeln, basierend auf den Maßnahmen des Fahrers
beim Betrieb des Fahrzeugs. Diese Wegverfolgung der
Messfahrzeuge beim Abtasten des Straßennetzwerks erlaubt
die Bestimmung der Fahrspurstruktur ohne fehler
korrigierende Rückkopplung.
Unter Bezug auf Fig. 1 wird eine Flotte von Messfahrzeugen
10, z. B. Personenkraftfahrzeuge (nur eines davon ist näher
dargestellt) zwecks Abtastung des Straßennetzes mit
absoluten Positionssensoren ausgerüstet, um Positions
messungen bei ihren Fahrten aufzuzeichnen. Jede Aufzeich
nung einer Positionsmessung umfasst die geografische
Länge und Breite des Messfahrzeugs 10, und möglicherweise
geschätzte Abweichungen der Länge und Breite. Die
Messfahrzeuge 10 zeichnen diese Positionen in regel
mäßigen Zeitabständen auf.
Jedes Messfahrzeug 10 weist zwei Hauptbauteile auf: einen
genauen Positionssensor, vorzugsweise auf Basis eines GPS-
Empfängers 12 (und insbesondere eines DGPS-Empfängers),
gekoppelt mit einem Prozessor 14, sowie eine
Kommunikationseinheit 16 zur Kommunikation mit einem
Zentralrechner 20. Wie bekannt empfängt der GPS-
Empfänger 12 über eine Antenne 19 die GPS-Signale von
den erdumlaufenden GPS-Satelliten 18. Durch Benutzung
von DGPS-Empfängern kann eine Positioniergenauigkeit von
besser als ein Meter erzielt werden.
Da die Kosten von GPS-Systemen rapide abnehmen bis zu
dem Punkt, an dem in den nächsten Jahren die meisten neuen
Fahrzeuge mit mindestens einem GPS-Empfänger ausgerüstet
sind, und wegen der schnell fortschreitenden Funktechniken
für Kommunikationszwecke wird automatisch eine enorme
Anzahl von Messfahrzeugen 10 verfügbar, so dass eine
Datenbank von Roh-Positionsmessungen unter minimalen
Kosten aufgebaut werden kann.
Die Messfahrzeuge 10 erzeugen Positionsmessungen, wenn
sie sich im Straßennetz bewegen. Fig. 2 stellt zwei Muster
von Positionsmessungen in einem tatsächlichen Straßennetz
in der Gegend von San Francisco dar. Diese Positions
messungen 22, 24 werden einer käuflich erhältlichen (z. B.
von Navigation Technologies, Inc. in Rosemont, Illinois)
digitalen Rohkarte 26 überlagert. Solche digitalen Karten
teilen das Straßennetz in Straßenteile zwischen zwei
Kreuzungen auf, Abschnitte genannt. Beispielsweise
schließen an einem Kreuz von Fernstraßen die Abschnitte
den Teil der Fernstraßen vor der Ausfahrt, den Teil
zwischen der Ausfahrt und der Einfahrt und den Teil nach
der Einfahrt ein.
Jeder Abschnitt hat eine eindeutige Identifikation und zuge
ordnete Attribute einschließlich den Abschnitten, mit denen
jedes Ende verbunden ist, zusammen mit einer groben
Annäherung der Abschnittsform. Diese grobe digitale Karte
kann als Grundkarte für den Prozess gemäß der vorliegenden
Erfindung eingesetzt werden. Wie man in Fig. 2 ersehen
kann, überlappen sich die beiden Muster von Positions
messungen 22, 24 an Teilen ihres Wegs und sind an anderen
Teilen getrennt.
Um die Informationen von Interesse zu bestimmen, d. h. die
Fahrzeugfahrspuren des Straßennetzes, wird eine "virtuelle"
Mittellinie eines bestimmten Straßenabschnitts bestimmt,
und dann werden "Versatzwerte" der Positionsmessungen
von dieser Mittellinie geclustert, um die Fahrzeug
fahrspuren zu bestimmen. Die Benutzung einer virtuellen
Mittellinie nutzt die Tatsache, dass Fahrzeugfahrspuren per
Definition auf parallel zueinander und zur Abschnitts
mittellinie anzusehen sind. Fig. 3 stellt einen repräsenta
tiven Straßenabschnitt und dessen parallele Fahrspuren dar.
Anstatt zu versuchen, jede Fahrspur unabhängig zu
modellieren, wird die virtuelle Mittellinie des Stra
ßenabschnitts über das Straßenmodell bestimmt, und jede
Fahrspur davon wird als konstanter Versatz von der
Mittellinie beschrieben. Bei einer genauen Darstellung der
Mittellinie des Straßenabschnitts sollte der Versatz (d. h.
die senkrechte Entfernung zwischen Fahrzeugfahrspur und
Mittellinie) konstant sein. Somit wird eine Fahrzeug
fahrspur mit einem einzigen Wert dargestellt, wodurch die
räumliche Dimensionalität der Fahrspurmodelle erheblich
reduziert wird.
Bisher war es nicht möglich, eine hinreichend genaue
Mittellinie eines Straßenabschnitts zu finden. Die
Informationen über die Form von Straßenabschnitten in
käuflich erhältlichen digitalen Karten werden als eine groß
beabstandete Folge von Längen- und Breitenpunkten dar
gestellt, mit einer angegeben Genauigkeit von 15 m. Die
Punkte werden mit Liniensegmenten verbunden und bilden
so die Mittelliniengeometrie der Straßenabschnitte. Ver
suche, die Fahrzeugfahrspuren mit einer so mit diesen
stückweisen geraden Verbindungen von Punkten erzeugten
Straßenmittellinie zu bestimmen und dann die Versatzwerte
der Positionsmessungen zu berechnen, welche zusammen
geclustert werden, um die Fahrzeugfahrspuren zu be
stimmen, haben wegen der Ungenauigkeit der digitalen
Karte keine zufriedenstellenden Ergebnisse gezeigt. Experi
mentelle Untersuchungen haben gezeigt, dass Fahrzeugfahrspuren
tatsächlich weit davon entfernt sind, parallel zur
durch Verbindung der Punkte der Forminformationen
erhaltenen linearen Kurve zu sein. Beispielsweise zeigt eine
Analyse eines Musters von Positionsmessungen, bei denen
kein Spurwechsel vorkommt, Versatzwerte von -20 bis 10 m
von der Mittellinie der digitalen Karte, wobei diese
Versatzwerte weit außerhalb aller bekannten Fahrspur
konfigurationen liegen.
Obwohl die Mittellinien von käuflich erhältlichen digitalen
Karten nicht genau genug sind, um konstante Fahr
spurversatzwerte zwecks Bestimmung der tatsächlichen
Fahrzeugfahrspuren zu berechnen, erkennt die vorliegende
Erfindung, dass jede zu den wahren Fahrzeugfahrspuren
parallele Linie per Definition einen konstanten Abstand von
den tatsächlichen Fahrzeugfahrspuren hat (im Hinblick
darauf, dass die Fahrzeugfahrspuren als parallel zueinander
anzusehen sind). Das Verfahren und das System bringen
somit die aus der digitalen Karte erzeugte Mittellinie in
Ausrichtung mit den Positionsmessungen der Messfahrzeuge.
Ein Mittelwert zwischen einer aktuellen Mittellinie und
einer neuen Positionsmessung, gewichtet mit einem Ver
trauensfaktor in die Genauigkeit dieser Mittellinie und der
Positionsmessung, wird dann berechnet. Wenn das System
inkremental mehr Positionsmessungen einbringt, werden
Fehler in den Positionsmessungen ausgemittelt, um eine
virtuelle Mittellinie genauer als alle Positionsmessungen zu
finden, die in deren Entwicklung eingingen. Für diese
Mittellinienverfeinerung, wobei ein Fahrspurenmodell für
einen Zielabschnitt S gefunden wird, abgedeckt von einem
Satz von Positionsmessungen, ist in Fig. 10 gezeigt, dass
zunächst unter Benutzung von P die genaue virtuelle
Mittellinie S gefunden wird und dann die P-Versatzwerte
von der virtuellen Mittellinie in Fahrzeugfahrspuren
geclustert werden (Schritt 44). Jeder dieser Vorgänge wird
unten genauer beschrieben.
Die existierenden digitalen Karten stellen die
Mittelliniengeometrie eines Straßenabschnitts als groß
beabstandete Folge von mit Liniensegmenten verbundenen
Längen/Breiten-Punkten (mit einer Genauigkeit von ca. 15 m)
dar. Dies dient als anfängliche Grundinformation. Diese
bekannte Grundinformation wird linear interpoliert, um die
Mittelliniengeometrie mit höherer Dichte (in der Größen
ordnung von 10 m) zwecks feinerer Steuerung darzustellen.
Die Benutzung der linearen Interpolation ist für Fernstraßen
mit wenig Kurven ausreichend. Sind jedoch mehr Kurven
vorhanden, können Interpolationen höherer Ordnung
eingesetzt werden, um die Genauigkeit zu verbessern oder
die Speicheranforderungen des Systems zu reduzieren.
Der Vorgang der Verfeinerung der Mittelliniengeometrie
verbessert die Straßengeometrie eines Abschnitts iterativ,
indem mit jeder Positionsmessung ein gewichteter
Durchschnitt an der digitalen Karte gebildet wird. Fig. 5 ist
ein Flussdiagramm dieses Vorgangs 42 (siehe Fig. 4). Bei
Schritt 44 erhält der Prozess von der digitalen Karte die
aktuelle Mittellinie eines Straßenabschnitts. Danach wird
eine Positionsmessung eines Messfahrzeugs erhalten, die
diesem Straßenabschnitt entspricht (Schritt 46). Aus der
aktuellen Beschreibung der Straßenabschnittsmittellinie und
der Positionsmessung an diesem Straßenabschnitt wird eine
neue Straßenabschnittsmittellinie erzeugt (Schritte 48-62).
Die Prozessschritte zum Erhalten der neuen Mittellinie
werden unter Bezug auf die Darstellung in Fig. 6
beschrieben. Dort ist eine Fernstraße 64 physikalisch mit
einer Anzahl von Fahrspuren (FAHRSPUREN 1-3)
dargestellt. Die ursprüngliche Mittellinie der digitalen
Karte wird durch Punkte m im Abstand von zehn (10) Metern
dargestellt. Diese Punkte m werden durch Interpolation der
Grundinformationen erhalten. Eine Positionsmessung 66
eines Messfahrzeugs 10 wird durch seine GPS-Positionen
"x" definiert. Für jeden Kartenpunkt m mit der Stan
dardabweichung mσ findet der Prozess durch lineare
Interpolation zwischen den GPS-Messpositionen x zunächst
den nächsten Punkt n in den Positionsmessungen 66 (Schritt
48 von Fig. 5). Die Standardabweichung nσ ist der
gewichtete Mittelwert der Standardabweichungen der umge
benden GPS-Positionen x. Ein neuer Kartenpunkt p wird
durch den Mittelwert von m und n, gewichtet mit mσ und nσ,
bestimmt (Schritt 50), wobei die neue Standardabweichung
durch folgende Gleichung angegeben wird:
Wie in Fig. 6 gezeigt, wird somit durch Interpolation
zwischen den neuen Kartenpunkten p (Schritt 52 von Fig. 5)
eine neue Mittellinie 68 gebildet. Da diese neue Mittellinie
in der Praxis nicht die reelle Mittellinie der Fernstraße 64
darstellt, wird sie "virtuelle" Mittellinie genannt.
Die Nettowirkung dieser Berechnungen ist für jeden Punkt
in der digitalen Karte ein gewichteter "Mittelwert" der
Grunddaten aus der Karte und der Positionsmessungen. Falls
das Mittel der Fehlerverteilung für das Messfahrzeug wie
angenommen Null ist, wird der gewichtete Mittelwert
genauer, wenn die Zahl der Positionsmessungen zunimmt.
Wie oben angemerkt, berechnet diese Prozedur nicht die
tatsächliche Mittellinie der Straße, sondern wichtet
stattdessen die Mittellinie zur meist befahrenen Fahrspur
hin und erzeugt so die virtuelle Mittellinie. Falls
beispielsweise die meisten Fahrzeuge in einem Straßen
abschnitt auf FAHRSPUR 1 und nur wenige in FAHRSPUR 2
fahren, wird die virtuelle Mittellinie näher an FAHRSPUR 1
liegen. Da die virtuelle Mittellinie immer noch parallel den
tatsächlichen Fahrzeugfahrspuren ist, kommt es nicht darauf
an, dass es nicht die tatsächliche Mittellinie der Straße ist.
Sobald die neue Mittellinie vorliegt, wird eine Abfrage
gestartet (Schritt 54), ob die neue, mit den Positions
messungen erzeugte Mittellinie um einen bestimmten
Schwellenwert von der vorherigen Mittellinie abweicht.
Falls ja (Pfeil 56), wiederholt sich der Prozess für
zusätzliche Positionsmessungen, unter Benutzung der neuen
Kartenpunkte p als Grund-Kartenpunkte m. Falls nicht (Pfeil
58), wird die zuletzt berechnete Mittellinie als virtuelle
Mittellinie festgelegt, die eine ausreichende Genauigkeit
(Schritt 60) zur Verwendung bei der nächsten Bestimmung
der Fahrzeugfahrspuren aufweist.
Um das Fahrspurmodell eines bestimmten Straßenabschnitts
zu bestimmen, benutzt das System die genaue geometrische
Darstellung der virtuellen Mittellinie der Straße, wie oben
ermittelt. Als Annahme wird getroffen, dass alle
Fahrspurmittellinien parallel zur virtuellen Mittellinie sind.
Falls die Parallelannahme nicht korrekt ist, wird das aus der
folgenden Analyse klar, in welchem Fall der Straßenab
schnitt unterteilt werden kann, bis die Annahme gültig ist.
Alternativ kann das Modell geändert werden. Wenn die
Fahrzeugfahrspuren parallel sind, ist der einzige Parameter
für jede Fahrspur der senkrechte Abstand des Fahrers von
der virtuellen Mittellinie, als "Versatz" bezeichnet.
Dieser senkrechte Abstand liefert eine Abschätzung des
Versatzes für die Fahrspur. Es wird angenommen, dass
Fahrer sich allgemein in der Fahrspur aufhalten. In der
Praxis sind die Fahrer aber nicht immer in der Mitte der
Fahrspur. Weiterhin unterliegt das GPS Rauscheffekten.
Somit ergibt der Mittelwert vieler Messungen eine genauere
Abschätzung für den wahren Versatz. Das Flussdiagramm in
Fig. 7 stellt den Prozess der Bestimmung der tatsächlichen
Straßenfahrspuren auf Grundlage der bestimmten virtuellen
Mittellinie dar. Beginnt man mit Schritt 44, wird eine
Positionsmessung des Messfahrzeugs 10 erhalten (Schritt
70). Das System berechnet dann einen Versatz für jede
Position in den Positionsmessungen (Schritt 72). Diese
Versatzwerte werden dann in Fahrzeugfahrspuren gruppiert
und ausgemittelt, um die Fahrspurmittellinie zu finden
(Schritt 74). Fig. 11 stellt die Verteilung der Fahrzeug
positionen auf GPS-Basis auf einer Straße dar, ermittelt aus
den Fahrzeugversatzwerten von der Straßenmittellinie bei
einer vierspurigen Straße. Da die Versatzwerte auf Grund
lage einer genauen virtuellen Mittellinie berechnet werden,
kann die Clusterbildung zum Auffinden der Fahrzeugfahr
spuren mit dem hierarchischen agglomerativen Cluster-
Algorithmus durchgeführt werden. Diese Arten von
Algorithmen sind gut bekannt und werden beispielsweise
beschrieben in "Clustering Algorithms, Wiley Series in
Probability and Mathematical Studies", Wiley, New York,
1975 von John A. Hardigan.
In einer Ausführungsform findet ein Kartenanpassmodul, der
die Positionsmessungen und die digitale Karte aufnimmt, die
wahrscheinlichste Folge der vom Fahrzeug eingenommenen
Abschnitte, zusammen mit den Punkten der Positions
messungen, wo das Fahrzeug von einem Abschnitt in einen
anderen überging. Der Modul nutzt einen modifizierten
Algorithmus des kürzesten Wegs, um einen Weg mit ge
ringstem Fehler von der nächsten Anfangskreuzung bis zur
nächsten Endkreuzung zu finden. Der Fehler im Weg an
jeder Kreuzung ist der kleinste Abstand zwischen der
Kreuzung und den Positionsmessungen.
Der Kartenanpassmodul erlaubt dem System, sich zu einem
bestimmten Zeitpunkt auf einen einzelnen Abschnitt zu
fokussieren. Um die Fahrspurstruktur für diesen bestimmten
Abschnitt zu modellieren, wird die Cluster-Technik zum
Trennen der Fahrzeugpositionen in Fahrspuren benutzt,
unter der Annahmen, dass Fahrzeuge in der Mitte unter
schiedlicher Fahrspuren immer um einen definierten Abstand
voneinander getrennt sind. Die räumliche Clusterung der
Positionen geschieht mit dem hierarchischen agglomerativen
Cluster-Algorithmus. Diese Art von Algorithmus kann
bestimmte Wahrscheinlichkeiten nutzen, beispielsweise
wenn (1) zwei Punkte weniger als eine halbe Fahrspur
auseinander sind, sind sie wahrscheinlich in der gleichen
Fahrspur, und wenn (2) ein Punkt sich innerhalb einer
halben Fahrspur von jedem Punkt in einem Fahrspurcluster
befindet, befindet er sich wahrscheinlich in dieser Fahrspur.
Auf Grund dieser Voraussage ist es möglich, Fahrspuren
aufzubauen, indem jeder Punkt anfänglich als seine eigene
Fahrspur genommen wird, und dann Fahrspuren zusammen
zuführen, wenn ein Punkt einer Fahrspur sich innerhalb
einer halben Fahrspur eines Punktes der anderen befindet.
Vorteilhafterweise nutzt der Algorithmus weiterhin die
Erkenntnis, dass die Fahrzeugfahrspuren parallel zueinander
sein sollen.
Zwei wichtige Eigenschaften des agglomerativen Cluster-
Verfahrens sind, dass (1) niemals zwei Fahrspuren zu einer
verschmolzen werden, da der Vorgang abbricht, wenn die
nächsten Cluster weiter auseinander sind als die minimale
Fahrspurbreite, und (2) keine vorherigen Annahmen über die
Anzahl der Fahrspuren der Straße getroffen werden.
Das System baut vorzugsweise die Fahrspurmodelle
inkremental aus derselben virtuellen Mittellinie auf. Da
durch wird die Geschwindigkeit des Algorithmus für jede
Iteration (welche sonst relativ langsam ist) drastisch
erhöht, indem die Ergebnisse der vorherigen Positions
messungen benutzt werden. Falls die vorherige Iteration m
Versatzwerte bearbeitete und N Fahrspuren fand, mit N <<
m, und die gegenwärtige Iteration n Versatzwerte bearbei
tet, bildet der inkrementale Algorithmus eine Fahrspur für
die N bekannten Fahrspuren und die n neuen Punkte.
Dadurch werden im wesentlichen zwei Versatzwerte in die
Fahrspurstruktur integriert. Um die Entwicklung unechter
Fahrspuren zu vermeiden (z. B. wegen sehr verrauschter
Positionsdaten), muss jeder Cluster einen bestimmten
Prozentsatz der Gesamtdaten darstellen, wie z. B. einen Wert
von 1 Prozent.
Um die Algorithmen zu testen und ihr Verhalten empirisch
zu untersuchen, wurden vierundvierzig (44) Positions
messungen entlang einem 15 km langen Abschnitt des
Interstate Highway 280 zwischen Redwood City und Palo
Alto, Kalifornien, gesammelt. Die Positionen wurden
zweimal pro Sekunde von einem differenziellen GPS-System
mit einem Novatel-Empfänger und einer differenziellen CSI-
Korrektureinheit berechnet, die Korrekturen vom Netzwerk
der US-Küstenwache erhielt. Die Daten wurden dann an die
käuflich erhältliche digitale Karte zur Feststellung
angepasst, welche Abschnitte jede Positionsmessung
durchlief. Da die Positionsmessungen nicht dem gleichen
Weg folgten, erhielten unterschiedliche Abschnitte unter
schiedliche Anzahlen von Durchfahrten. Jeder der insgesamt
42 Abschnitte des Interstate 280 im Zielgebiet erhielt
zwischen 9 und 35 Durchfahrten. Der unterschiedliche.
Abdeckungsgrad wird nicht als entscheidend angesehen, so
dass die Ergebnisse über alle Abschnitte gemittelt wurden.
Alle Abschnitte hatten vier Fahrspuren, aber nicht alle vier
Fahrspuren waren in einigen Abschnitten von einer
Positionsmessung abgedeckt. Die Positionsmessungen
blieben während der gesamten Dauer im allgemeinen in
einer Fahrspur, und jeder Punkt wurde mit der jeweiligen
Fahrspur markiert, einer ganzen Zahl zwischen 1 und 4.
Die Testergebnisse wurden durch einzelnes Betrachten jedes
Prozesses wie auch durch die Gesamtwirkung ausgewertet.
Da die Fahrspurvoraussage zwei konkurrierende Prozesse
beinhaltet, wurde jeder Prozess zunächst getrennt getestet.
Die Verfeinerung der virtuellen Mittellinie ist der
schwierigste auszuwertende Algorithmus. Die einzige
objektive Auswertung ist ein Vergleich mit der wahren
(reellen) Mittellinie, aber es gibt keine Mittel, diese
Mittellinie zu messen. Die traditionelle Beobachtung ist bei
belebten öffentlichen Straßen nicht praktikabel. Luft- oder
Satellitenaufnahmen sind alternative Quellen von Rohdaten,
aber diese Daten können sehr verrauscht sein, und die
visionsverarbeitenden Algorithmen sind nicht sehr zu
verlässig. Bauzeichnungen sind verfügbar, aber es gibt
keine Garantie, dass die Straße tatsächlich völlig nach Plan
gebaut worden ist. Darüber hinaus messen alle diese
Alternativen den Mittelpunkt des Straßenbelags, während
der erfinderische Prozess eine virtuelle Mittellinie erzeugt,
die zur meistbenutzten Fahrspur hin "gewichtet" ist. Selbst
wenn die unabhängige Mittellinienmessung sehr
unterschiedlich von der virtuellen Mittellinie ist, braucht
dies für die Durchführung der Gesamtaufgabe keine Rolle zu
spielen.
Neben der endgültigen Genauigkeit der virtuellen Mittel
linie liefert die Konvergenzrate nützliche Informationen. Da
das System inkremental ist, kann es zu jedem Zeitpunkt den
Unterschied zwischen der gegenwärtigen Mittellinie und
einer Bezugsmittellinie messen. Eine Darstellung des
durchschnittlichen Unterschieds zwischen der gegenwärtigen
und der Bezugsmittellinie für jeden Schritt liefert eine
Lernkurve, die beschreibt, wie schnell die Mittellinie sich
dem Bezug annähert. Diese Information wird zum Ab
schätzen der Anzahl von notwendigen Durchfahrten in einem
bestimmten Abschnitt benutzt, bis sich die virtuelle Mittel
linie nicht mehr stark ändert. Idealerweise wäre die Bezugs
mittellinie die wahre Mittellinie der Straße, aber da die
wahre Mittellinie nicht zur Verfügung steht, ist eine
Annäherung notwendig. Die beste verfügbare Annäherung ist
die endgültige virtuelle Mittellinie, die sich nach Verar
beitung aller Positionsmessungen ergibt. Die Konvergenz
rate beschreibt in diesem Fall, wie schnell die Mittellinie
sich dem endgültigen Ergebnis annähert.
Fig. 8 stellt den Unterschied zwischen der Mittellinie vor
jeder Positionsmessung und der endgültigen virtuellen
Mittellinie für einen repräsentatives Fernstraßenabschnitt
dar. Die ursprüngliche Kartendatenbank wurde von Navi
gation Technologies, Inc. zur Verfügung gestellt und hatte
einen mittleren Fehler von etwa 7 Metern. Die Darstellung
zeigt, dass die hauptsächliche Anpassung bei der ersten
Durchfahrt stattfindet, wo die Grundabschätzung durch eine
GPS-Abschätzung mit einer Genauigkeit von 1 bis 2 Metern
korrigiert wird. Die Verarbeitung der folgenden Positions
messungen verbessert die Genauigkeit langsam, indem das
Rauschen in den GPS-Werten ausgemittelt wird. Obwohl es
keine begründete Wahrheit gibt, wie die endgültige
Genauigkeit zu messen ist, beruht die spätere Verarbeitung
in kritischer Weise auf einer genauen Mittellinie, daher
implizieren gute Ergebnisse bei den Auswertungen der
späteren Verarbeitung eine ausreichend genaue virtuelle
Mittellinie.
Während es schwierig ist, die wahre Position eines Fahr
zeugs in einer Fahrspur zu messen, ist eine grobe Auswer
tung der Fahrspurmodelle möglich. Obwohl regelmäßig ge
wonnene Daten aus dem Feld unmarkiert sind, wurden die
hier erhaltenen Daten lediglich zu Testzwecken markiert.
Die Markierung zeigt die Fahrspur an, die das Fahrzeug an
der gegebenen Position besetzt. Das System findet heraus,
welcher Cluster der Position am nächsten ist, und prüft, ob
der Cluster zur Markierung passt. Falls beispielsweise der
senkrechte Abstand einer Position zur virtuellen Mittellinie
2,1 m ist und das Zentrum des nächsten Clusters bei 2,0 m
liegt, sagt das System voraus, dass das Fahrzeug sich in der
Fahrspur entsprechend diesem Cluster befindet. Obwohl die
Gesamtgenauigkeit wichtig ist, ist auch die Lernkurve hier
wichtig, da es wichtig ist, die minimale Anzahl von
Durchfahrten eines Abschnitts zu kennen, die annehmbare
Ergebnisse erzielt. Bei diesem Experiment wurde statt der
Auswertung eines festen Testsatzes gegen zunehmende
Mengen von gewonnenen Daten jede Positionsmessung
inkremental zunächst als Testdaten für die gegenwärtigen
Fahrspurmodelle und dann als gewonnene Daten zum
Verfeinern der Fahrspurmodelle behandelt.
Um Cluster mit Markierungen in Übereinstimmung zu
bringen, wurden ganzzahlige Markierungen (beginnend mit 1
für die am weitesten rechts angeordnete Fahrspur) bei den
Tests benutzt. In dem definierten Koordinatensystem
vergrößern sich die Versatzwerte, wenn sie sich nach links
bewegen, also entsprechen kleinere Versatzwerte Fahrspuren
mit niedriger Nummer. Daher ordnete die Auswertung den
Cluster mit dem kleinsten Versatz der Fahrspur mit der
niedrigsten bisher bei den Durchfahrten gesehenen Nummer
zu. Sie ordnete den Cluster mit dem zweitkleinsten Versatz
der zweitkleinsten bisher ermittelten Fahrspurnummer zu,
und so weiter. Falls beispielsweise alle gewonnenen Daten
von den Fahrspuren 2 und 4 kommen, ordnet das System den
kleinsten Cluster der Fahrspur 2 und den zweitkleinsten der
Fahrspur 4 zu. Falls ein Versatz am nächsten zu einem
anderen Cluster ist, ist dies automatisch falsch. Das be
deutet, dass, falls ein unechter Cluster mit einem sehr
kleinen Versatz vorliegt, alle anderen Cluster auf die
nächste Fahrspurnummer gedrückt werden, wodurch wahr
scheinlich alle falsch werden. Dies wird aber nicht sehr
wahrscheinlich auftreten, da der Cluster-Algorithmus alle
Cluster löscht, die weniger als einen Schwellenwert von
einem Prozent der Daten darstellen.
Die Auswertung des Fahrspurcluster-Prozesses basierte auf
dem besten erhaltenen Modell für die virtuelle Mittellinie,
d. h. dem Ergebnis der Mittellinienverfeinerung von allen 44
Test-Positionsmessungen. Mit dieser virtuellen Mittellinie
für alle Fernstraßenabschnitte wurde die Genauigkeit für die
kumulierte Fahrspur getestet. Für alle Positionsmessungen
berechnete das System die Versatzwerte von der virtuellen
Mittellinie, integrierte dann mit dem inkrementalen Cluster-
Algorithmus die Versatzwerte in die gegenwärtigen
Fahrspurcluster. Wenn beispielsweise alle der Versatzwerte
in der gegenwärtigen Positionsmessung zwischen 5,0 und
5,5 m lagen, sagte das System voraus, dass das Fahrzeug
sich für alle Positionen in der Positionsmessung in dieser
Fahrspur befand. Dann brachte das System die Fahrspur
durch Agglomeration der Versatzwerte in den Fahrspur
cluster auf neuesten Stand.
Die Genauigkeit der Positionsmessung ist der Prozentsatz
der Positionen der Positionsmessung, deren nächster Cluster
mit seiner Fahrspurnummer übereinstimmt. Wenn mehr
Daten in die Fahrspur eingehen, werden die Fahrspurmitten
genauer, und die Voraussagegenauigkeit für die Fahrspur
wird verbessert. Fig. 9 stellt die durchschnittliche
Genauigkeit des Cluster-Algorithmus über 50 zufällige
Anordnungen von Positionsmessungen dar. Überraschender
weise sind die Ergebnisse anfänglich recht gut und werden
dann bei einigen Positionsmessungen etwas schwächer. Bei
der 44. Positionsmessung ist das Ergebnis dann auf dem
anfänglichen Niveau oder etwas besser. Die anfänglichen
guten Ergebnisse beruhen auf dem Vorgang des Anpassens
von Clustern an Fahrspuren. Da bereits früh im Experiment
Messungen von nur einer Fahrspur vorgenommen werden, er
zeugt der Cluster-Algorithmus wahrscheinlich nur einen
Cluster, und die Auswertung garantiert, dass dieser einzige
Cluster der einzigen Markierung zugeordnet wird, wodurch
100% Genauigkeit folgt. Wenn mehr Daten verfügbar
werden, gibt es mehr Cluster und eine höhere Fehlerwahr
scheinlichkeit. Die Gesamtgenauigkeit erreicht wegen
verrauschter GPS-Daten und falsch markierter Punkte
wahrscheinlich niemals 100%. Diese Ergebnisse zeigen,
dass bei einer gegebenen genauen virtuellen Mittelinie für
einen von mehreren Positionsmessungen durchfahrener
Abschnitt das System verlässlich die Fahrspur eines
Fahrzeugs voraussagt.
Eine kombinierte Auswertung der Mittellinienverfeinerung
und des Fahrspurcluster-Prozesses simuliert den tat
sächlichen Einsatz des Systems, da das System anfangs
Fahrspurmodelle mit keiner zusätzlichen Information über
die digitale Grundkarte hinaus erzeugt. Der Vorgang ist
ähnlich zum Fahrspurclustern, außer dass das System die
Versatzwerte der ersten Positionsmessung von der digitalen
Grundkarte von Navigation Technologies berechnete. Nach
Berechnen der Versatzwerte und Auswerten der Voraussagen
verfeinerte das System die Mittellinie der digitalen Karte
mit der Positionsmessung. Fig. 10 zeigt die durchschnitt
liche Genauigkeit der verwobenen Prozesse über 50
Anordnungen von Positionsmessungen. Wie erwartet, waren
die ersten Ergebnisse schlecht, aber trotz der ungenauen
Mittellinien etwas oberhalb Zufall. Ab der fünften
Positionsmessung arbeitete der kombinierte Algorithmus
vergleichbar mit dem Clustern auf der genauesten
Mittellinie.
Die Testergebnisse zeigen auch, dass bei Beginn mit einer
käuflich erhältlichen Grundgeometrie eine genaue
Straßenmittellinie und Fahrspurenmodelle nach nur wenigen
hochgenauen GPS-Durchfahrten von Messfahrzeugen erzeugt
werden können. Da das Positionsaufzeichnungsgerät kom
pakt und robust genug ist, um in jedem Messfahrzeug selbst
tätig arbeiten zu können, und da der Algorithmus keine
Annahmen bezüglich bestimmter Routen- und Fahrspur
wechseleigenschaften trifft, kann ein gesamtes Straßennetz
werk durch Verteilen einer Anzahl von Aufzeichnungsein
heiten auf die Fahrzeuge modelliert werden.
Die Fahrzeuge, die während ihrer normalen Fahrmuster als
Messfahrzeuge wirken, sammeln Informationen über das
Straßennetz. Wenn ein Messfahrzeug seine Fahrmuster in
ausreichendem Maß aufgenommen hat, kann es seine Daten
an einen Zentralrechner für Vermessungszwecke weiter
geben. Die Geschwindigkeit, mit der sich die Abdeckung
und Genauigkeit der digitalen Karte verbessert, ist zur
Anzahl der in Betrieb befindlichen Messfahrzeuge
proportional. Die vorliegende Erfindung liefert somit ein
preiswertes Verfahren und System nicht nur für die
automatische Erweiterung und Verfeinerung von geo
grafischen Datenbanken, wie beispielsweise digitale Karten,
sondern auch für die automatische Vermessung von
Straßennetzen mit hoher geometrischer Genauigkeit.
Durch die Verwendung unkoordinierter Messsysteme, wie
beispielsweise Messfahrzeuge, welche relativ ungenaue
räumliche Informationen sammeln, ermöglicht die Erfindung
die Bestimmung sehr viel genauerer räumlicher Informa
tionen, wie beispielsweise Positionsinformationen, indem
die gesammelten ungenauen räumlichen Informationen
ausgemittelt werden. Die Erfindung kann auch direkt oder
indirekt auf präzise Ortsangaben anderer Ereignisse
schließen, wie beispielsweise Falschalarme von anderen
Sensoren, Verkehrsüberwachungen (Stopp-Schilder) etc.
Diese präzisen räumlichen Informationen können zum
Aufbauen oder Erweitern von Karten verwendet werden.
Die vorstehende Offenbarung ist lediglich zur Erläuterung
der Erfindung vorgegeben worden; sie ist in keiner Weise
als einschränkend anzusehen. Da dem Fachmann Modifika
tionen der offenbarten Ausführungsformen unter Beibehal
tung der Ideen und des Gehalts der Erfindung geläufig sind,
ist die Erfindung so anzusehen, dass sie alles im
Geltungsbereich der beigefügten Ansprüche und Äquiva
lenten davon einschließen soll.
12
GPS
14
Prozessor
16
Kommunikationseinheit
20
Zentralrechner
Breitengrade
Längengrade
Längengrade
Fahrspuren
Virtuelle Mittellinie
Virtuelle Mittellinie
Start
42
Virtuelle Mittellinie von Zielseg
ment mit Positionsmessung be
stimmen
44
Cluster-Versatzwerte von Virtu
eller Mittellinie zur Bestimmung
der Fahrzeugfahrspuren
Ende.
Ende.
42
Start
44
Mittellinie des Strassensegments
aus digitaler Karte erhalten
46
Messung des Strassensegments von
Messfahrzeug erhalten
48
für jeden Kartenpunkt m mit Abwei
chung mσ
nächste Messpunkte n
durch Interpolation zwischen den
GPS-Punkten x finden
50
m und n Ausmitteln, gewichtet mit
mσ
und nσ
, zum erhalten des neuen
Kartenpunkts p, mit neuer
Standardabweichung:
52 Kartenpunkte p interpolieren, um neue Mittellinie zu erhalten
54 neue Mittellinie und vorherige Mit tellinie zur Bestimmung ver gleichen, ob Unterschied definier ten Wert übersteigt
56 ja
58 nein
60 neue Mittellinie als virtuelle Mittellinie benutzen
62 Ende
Mittellinie digitale karte
Messung
x - neue Kartenmittellinie
n - nächster Messpunkt (durch Interpolation der GPS-Messpunkte)
x - GPS-Messpunkte
Fahrspur 3
Fahrspur 2
Fahrspur 1
x - neue Kartenmittellinie
n - nächster Messpunkt (durch Interpolation der GPS-Messpunkte)
x - GPS-Messpunkte
Fahrspur 3
Fahrspur 2
Fahrspur 1
44
Start
70
Positionsmessungen von Messfahr
zeugen erhalten
72
Versatzwerte für jede Position in
Positionsmessungen berechnen
74
Versatzwerte zu Fahrzeugfahr
spuren Clustern und Fahrspuren
zum finden der Fahrspurmittellinie
Ausmitteln
Ende
Ende
Durchschnittlicher Abstand der kumulierten Daten
von der endgültigen Karte (m)
Anzahl von Messungen
Anzahl von Messungen
Genauigkeit der Fahrspurvoraussage (%)
Anzahl von Messungen
Anzahl von Messungen
Genauigkeit der Fahrspurvoraussage (%)
Anzahl von Messungen
Anzahl von Messungen
Fahrzeug-Versatzwerte von der Straßenmittellinie
(m)
Claims (30)
1. Verfahren zum Entwickeln geospatialer Informationen
über ein bestimmtes Gebiet mit einer Vielzahl von
unkoordinierten, sich in besagtem Gebiet bewegenden
Messsystemen, wobei das Verfahren die folgenden Vorgänge
beinhaltet:
- - Erhalten von spezifischen geospatialen Informationen geringerer Qualität von den sich in besagtem Gebiet bewegenden Messsystemen;
- - Kombinieren dieser spezifischen, über die Zeit erhaltenen Informationen der Messsysteme zu einem Datensatz; und
- - Analysieren des besagten Datensatzes zur Bestimmung geospatialer Informationen höherer Qualität für das bestimmte Gebiet.
2. Verfahren nach Anspruch 1, wobei die spezifischen
geospatialen Informationen der Messsysteme Positions
informationen sind.
3. Verfahren nach Anspruch 2, wobei die Messsysteme
Messfahrzeuge sind, und weiterhin umfassend den Vorgang
des Entwickelns von Karteninformationen über das
bestimmte Gebiet auf Grundlage der geospatialen Informa
tionen höherer Qualität.
4. Verfahren nach Anspruch 3, wobei die Karten
informationen eine Straßenkarte sind, und weiterhin um
fassend den Vorgang des Ableitens von Verkehrsüber
wachungsinformationen für die Straßenkarte auf Grundlage
der geospatialen Informationen höherer Qualität.
5. Verfahren nach Anspruch 3, weiterhin umfassend den
Vorgang des Auswertens des besagten Datensatzes zum
Schließen auf Fahrinformationen für die Umgebung in dem
bestimmten Gebiet.
6. Verfahren nach Anspruch 3, wobei der Vorgang des
Entwickelns von Karteninformationen den Vorgang des
Ableitens von wenigstens entweder Straßen- oder Fahr
zeugfahrspur-Geometrieinformationen umfasst.
7. Verfahren nach Anspruch 6, wobei der Vorgang des
Ableitens von wenigstens entweder Straßen- oder
Fahrzeugfahrspur-Geometrieinformationen folgende Vor
gänge umfasst:
- - Erhalten einer Grundmessung von Positionsinformationen eines ersten Messfahrzeugs zur Bestimmung einer anfänglichen virtuellen Straßenmittellinie; und
- - Verfeinern der anfänglichen virtuellen Straßenmittellinie auf Grundlage weiterer Messungen von Positions informationen von folgenden, die Straße befahrenden Messfahrzeugen zur Ableitung der Position der Straße.
8. Verfahren nach Anspruch 7, wobei der Vorgang des
Verfeinerns die Vorgänge der iterativen Bildung eines ge
wichteten Durchschnitts einer vorher bestimmten virtuellen
Straßenmittellinie mit jeder zusätzlichen Positionsmessung
zur Bestimmung einer verfeinerten virtuellen Straßenmittel
linie umfasst.
9. Verfahren nach Anspruch 8, weiterhin umfassend die
folgenden Vorgänge:
- - Berechnen von Versatzwerten von der virtuellen Straßenmittellinie für jede Position in einer Positions messung für eine Vielzahl der besagten Positions messungen; und
- - Clustern der Versatzwerte zum Bestimmen der Fahrzeug fahrspur-Geometrieinformationen für die Straße.
10. Verfahren nach Anspruch 9, wobei der Vorgang des
Clusterns mit einem hierarchischen agglomerativen Cluster-
Algorithmus durchgeführt wird.
11. Verfahren nach Anspruch 6, wobei der Vorgang des
Ableitens von wenigstens entweder Straßen- oder Fahrzeug
fahrspur-Geometrieinformationen folgende Vorgänge um
fasst:
- - Erhalten der Straßenmittellinie von einer konventionellen digitalen Karte, welche als Grundmittellinie der Straße dient; und
- - Verfeinern der Grundmittellinie auf Grundlage von Positionsinformationen von Positionsmessungen einer Vielzahl von die Straße befahrenden Messfahrzeugen zum Ableiten der Position der Straße.
12. Verfahren nach Anspruch 11, wobei der Vorgang des
Verfeinerns die Vorgänge der iterativen Bildung eines
gewichteten Durchschnitts einer vorher bestimmten Straßen
mittellinie mit jeder zusätzlichen Positionsmessung eines
Messfahrzeugs zur Bestimmung einer verfeinerten virtuellen
Straßenmittellinie umfasst.
13. Verfahren nach Anspruch 12, weiterhin umfassend die
folgenden Vorgänge:
- - Berechnen von Versatzwerten von der verfeinerten virtuellen Straßenmittellinie für jede Position in einer Positionsmessung für eine Vielzahl der besagten Positionsmessungen; und
- - Clustern der Versatzwerte zur Bestimmung der Geo metrieinformationen der Fahrzeugfahrspur für die Straße.
14. Verfahren nach Anspruch 13, wobei der Vorgang des
Clusterns mit einem hierarchischen agglomerativen Cluster-
Algorithmus durchgeführt wird.
15. Verfahren nach Anspruch 1, wobei die Messsysteme
Messfahrzeuge sind, und weiterhin umfassend den Vorgang
des Ableitens von Verkehrsüberwachungsinformationen auf
Grundlage der geospatialen Informationen höherer Qualität.
16. Verfahren nach Anspruch 1, wobei die spezifischen ge
ospatialen Informationen sowohl Informationen über die
Position des Messsystems als auch Zeitinformationen über
die Position umfassen.
17. Verfahren nach Anspruch 1, wobei der Vorgang des
Erhaltens von spezifischen geospatialen Informationen den
Vorgang des Ausrüstens jedes Messfahrzeugs mit einem
Empfänger für das globale Positioniersystem umfasst.
18. Verfahren nach Anspruch 17, wobei die besagten
spezifischen geospatialen Informationen auch Informationen
über die Signalunterbrechung des Empfängers für das
globale Positioniersystem umfassen, und weiterhin
umfassend den Vorgang des Entwickelns von Karten
informationen über Verkehrshindernisse für die Mess
systeme in dem bestimmten Gebiet auf Grundlage der
geospatialen Informationen höherer Qualität über die Sig
nalunterbrechung.
19. Verfahren nach Anspruch 1, wobei der besagte Vorgang
des Analysierens den Datensatz zur Bestimmung der
geospatialen Informationen höherer Qualität ausmittelt.
20. Verfahren zum Ableiten von Karteninformationen,
umfassend die folgenden Vorgänge:
- - Kombinieren von Daten, die in Mehrfach-Beobachtungen durch unkoordinierte, sich in einem bestimmten Gebiet bewegende Messfahrzeuge gesammelt wurden; und
- - Ableiten von Informationen über die Position, welche als Karteninformationen auf Grundlage der kombinierten Daten dienen.
21. Verfahren nach Anspruch 20, wobei die gesammelten
Daten die Positionen des Messfahrzeugs sind.
22. Verfahren nach Anspruch 20, wobei die abgeleiteten
Informationen über die Position die Geometrie einer Straße
oder einer Fahrspur für ein Fahrzeug ist.
23. System zum Entwickeln von geospatialen Informationen
über ein bestimmtes Gebiet, umfassend:
- - eine Vielzahl von Messfahrzeugen, die sich in unkoor dinierter Weise in dem Gebiet bewegen, wobei jedes Messfahrzeug wenigstens einen Positionssensor zur Er fassung seiner Position mit einer definierten Genauigkeit beim Bewegen in dem Gebiet und eine Kommunikations einheit zum Übermitteln der erfassten Positionen auf weist; und
- - einen Zentralprozessor, der die erfassten Positionen von der Vielzahl von Messfahrzeugen empfängt, wobei der Zentralprozessor Mittel zum Kombinieren der erfassten Positionen zu einem Datensatz und Mittel zum Analysieren des Datensatzes zur Ableitung geospatialer Informationen mit einer höheren Genauigkeit als die von den einzelnen Messfahrzeugen erfassten Informationen aufweist.
24. System nach Anspruch 23, wobei die Mittel zum
Analysieren die erfassten Positionen ausmitteln.
25. System nach Anspruch 23, wobei die geospatialen
Informationen wenigstens Informationen über entweder die
Straßengeometrie oder die Verkehrsüberwachung enthalten.
26. System nach Anspruch 23, wobei die geospatialen
Informationen mit höherer Genauigkeit Informationen über
Straßenfahrspuren sind, wobei die besagten Mittel zum
Analysieren des Datensatzes zur Bestimmung der Informa
tionen über die Straßenfahrspuren umfassen:
- - Mittel zum Bestimmen einer virtuellen Mittellinie der Straße auf Grundlage von aus den erfassten Positionen jedes Messfahrzeugs gebildeten Positionsmessungen;
- - Mittel zum Berechnen von Versatzwerten von der virtuellen Mittellinie für jede Position in einer Positionsmessung für jede der Positionsmessungen; und
- - Mittel zum Clustern der Versatzwerte zur Bestimmung der Fahrzeugfahrspurinformationen für die Straße.
27. System nach Anspruch 26, wobei die Mittel zum
Erhalten einer virtuellen Mittellinie umfassen:
- - Mittel zum Erhalten einer anfänglichen Straßenmittellinie aus entweder einer konventionellen digitalen Karte oder einer anfänglichen Positionsmessung eines Messfahr zeugs; und
- - Mittel zum Verfeinern der anfänglichen Straßen mittellinie auf Grundlage von zusätzlichen Positions messungen einer Vielzahl von Messfahrzeugen.
28. System nach Anspruch 27, wobei die Mittel zum
Verfeinern der anfänglichen Straßenmittellinie Mittel zur
iterativen Bildung eines gewichteten Durchschnitts einer
vorher bestimmten Straßenmittellinie mit jeder zusätzlichen
Positionsmessung zur Bestimmung der virtuellen Straßen
mittellinie umfassen.
29. Verfahren zum autonomen Entwickeln von Fahrzeugfahr
spurinformationen für eine Straßenkarte mit einer Vielzahl
von während der Fahrt Positionsmessungen liefernden
Messfahrzeugen, wobei das Verfahren die folgenden Vor
gänge umfasst:
- - Erhalten einer Grund-Straßenmittellinie;
- - Verfeinern der Grund-Straßenmittellinie zum Erhalten einer virtuellen Mittellinie durch iterative Bildung eines gewichteten Durchschnitts der Grund-Straßenmittellinie mit einer Anzahl von Positionsmessungen einer Vielzahl von Messfahrzeugen;
- - Berechnen eines Versatzwertes von der virtuellen Mittellinie für jede Position in den von der Vielzahl von Messfahrzeugen gelieferten Positionsmessungen; und
- - Clustern der Versatzwerte in Fahrzeugfahrspuren und Ausmitteln der geclusterten Versatzwerte zur Bestimmung jeder Straßenmittellinie.
30. Verfahren nach Anspruch 29, wobei der Vorgang des Er
haltens einer anfänglichen Straßenmittellinie einen der
folgenden Vorgänge umfasst:
- - Erhalten der anfänglichen Straßenmittellinie aus einer konventionellen digitalen Karte; oder
- - Erhalten der anfänglichen Straßenmittellinie auf Grund lage einer anfänglichen Positionsmessung eines der Messfahrzeuge.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/373,559 US6385539B1 (en) | 1999-08-13 | 1999-08-13 | Method and system for autonomously developing or augmenting geographical databases by mining uncoordinated probe data |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10041277A1 true DE10041277A1 (de) | 2001-05-23 |
Family
ID=23472908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10041277A Withdrawn DE10041277A1 (de) | 1999-08-13 | 2000-08-14 | Verfahren und System zum Autonomen Entwickeln oder Erweitern von geografischen Datenbanken durch Verwendung unkoordinierter Messdaten |
Country Status (2)
Country | Link |
---|---|
US (1) | US6385539B1 (de) |
DE (1) | DE10041277A1 (de) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1283406A2 (de) | 2001-08-01 | 2003-02-12 | Siemens Aktiengesellschaft | Bildverarbeitungsvorrichtung für ein Fahrzeug und Betriebsverfahren |
DE10310656A1 (de) * | 2003-03-12 | 2004-09-23 | Robert Bosch Gmbh | Verfahren zur Spurerkennung von Fahrzeugen |
EP1962058A2 (de) * | 2007-02-26 | 2008-08-27 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Ermittlung einer Position von Fahrspuren eines mehrspurigen Fahrweges |
DE102007062991B3 (de) * | 2007-12-21 | 2009-05-07 | Navigon Ag | Verfahren zur Erzeugung einer elektronisch speicherbaren, digitalen Landkarte und Navigationsgerät mit digitaler Landkarte |
WO2009059766A1 (en) | 2007-11-06 | 2009-05-14 | Tele Atlas North America Inc. | Method and system for the use of probe data from multiple vehicles to detect real world changes for use in updating a map |
DE102008053150A1 (de) * | 2008-10-24 | 2010-05-06 | Rohde & Schwarz Gmbh & Co. Kg | Verfahren zur Ermittlung von Information zu einer Wegkarte |
DE102009058056A1 (de) * | 2009-12-14 | 2011-06-16 | Comlet Verteilte Systeme Gmbh | Informationssystem, insbesondere Notrufsystem, für Fahrzeuge |
EP2840459A2 (de) | 2013-08-22 | 2015-02-25 | Robert Bosch Gmbh | Verfahren zum Einstellen einer Dynamik eines datenaggregationsbasierten Services |
DE102015000394A1 (de) | 2015-01-13 | 2016-07-14 | Audi Ag | Fahrzeugflotten-basierte Messung von Umgebungsdaten |
DE102015000399A1 (de) * | 2015-01-13 | 2016-07-28 | Audi Ag | Kartographieren von Fahrspuren mittels Fahrzeugflottendaten |
WO2016120001A1 (de) * | 2015-01-31 | 2016-08-04 | Audi Ag | Verfahren zur bereitstellung von information über zumindest ein objekt in einem umgebungsbereich eines kraftfahrzeugs und system |
US10182365B2 (en) | 2016-06-01 | 2019-01-15 | Volkswagen Ag | Methods, apparatus and computer programs for capturing measurement results of mobile devices |
CN109427202A (zh) * | 2017-09-05 | 2019-03-05 | 罗伯特·博世有限公司 | 用于预测由施工工地决定的行驶路段改变的设备和方法 |
DE102017216238A1 (de) * | 2017-09-14 | 2019-03-14 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Ermitteln einer Position eines Kraftfahrzeugs in einer Umgebung sowie Steuervorrichtung für ein Kraftfahrzeug und Recheneinrichtung zum Betreiben an einem Datennetzwerk |
DE102017216237A1 (de) * | 2017-09-14 | 2019-03-14 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Ermitteln eines Verlaufs von Fahrspuren eines Straßennetzes sowie Servervorrichtung zum Durchführen des Verfahrens |
DE102020126685A1 (de) | 2020-10-12 | 2022-04-14 | Bayerische Motoren Werke Aktiengesellschaft | Fahrzeugführungssystem und Verfahren zum Betreiben einer Fahrfunktion in Abhängigkeit von der Entfernung zu einer Signalisierungseinheit |
DE102022202246A1 (de) | 2022-03-04 | 2023-09-07 | Volkswagen Aktiengesellschaft | Verfahren zum Bereitstellen einer Warnung in einem Kraftfahrzeug |
Families Citing this family (179)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8209120B2 (en) | 1997-10-22 | 2012-06-26 | American Vehicular Sciences Llc | Vehicular map database management techniques |
JP4599649B2 (ja) * | 2000-03-09 | 2010-12-15 | 株式会社エクォス・リサーチ | データ通信ネットワークにおける課金処理装置 |
US6977630B1 (en) * | 2000-07-18 | 2005-12-20 | University Of Minnesota | Mobility assist device |
US7375728B2 (en) * | 2001-10-01 | 2008-05-20 | University Of Minnesota | Virtual mirror |
US20050149251A1 (en) * | 2000-07-18 | 2005-07-07 | University Of Minnesota | Real time high accuracy geospatial database for onboard intelligent vehicle applications |
DE10065593A1 (de) * | 2000-12-28 | 2002-07-04 | Bosch Gmbh Robert | Verfahren und Vorrichtung zum Erzeugen von Straßenabschnittdaten für eine digitale Landkarte |
US7363308B2 (en) * | 2000-12-28 | 2008-04-22 | Fair Isaac Corporation | System and method for obtaining keyword descriptions of records from a large database |
US6560531B1 (en) * | 2001-05-22 | 2003-05-06 | Navigation Technologies Corporation | Multi-resolution trend metric for shape comparison and applications thereof |
EP2275961A1 (de) * | 2001-06-22 | 2011-01-19 | Caliper Corporation | Verkehrsdatenverwaltung und Simulationssystem |
US7552008B2 (en) * | 2001-07-18 | 2009-06-23 | Regents Of The University Of Minnesota | Populating geospatial database for onboard intelligent vehicle applications |
MXPA04002383A (es) * | 2001-09-13 | 2004-11-22 | Airsage Inc | Sistema y metodo para proporcionar informacion de trafico utilizando datos operacionales de una red inalambrica. |
US7324104B1 (en) * | 2001-09-14 | 2008-01-29 | The Research Foundation Of State University Of New York | Method of centerline generation in virtual objects |
US7209051B2 (en) * | 2002-03-05 | 2007-04-24 | University Of Minnesota | Intersection assistance system and method |
US8718919B2 (en) * | 2002-04-23 | 2014-05-06 | Robert Bosch Gmbh | Method and apparatus for lane recognition for a vehicle |
DE10218010A1 (de) * | 2002-04-23 | 2003-11-06 | Bosch Gmbh Robert | Verfahren und Vorrichtung zur Querführungsunterstützung bei Kraftfahrzeugen |
JP4300767B2 (ja) * | 2002-08-05 | 2009-07-22 | ソニー株式会社 | ガイドシステム、コンテンツサーバ、携帯装置、情報処理方法、情報処理プログラム、及び記憶媒体 |
US7499949B2 (en) * | 2002-08-07 | 2009-03-03 | Navteq North America, Llc | Method and system for obtaining recurring delay data using navigation systems |
US7433889B1 (en) | 2002-08-07 | 2008-10-07 | Navteq North America, Llc | Method and system for obtaining traffic sign data using navigation systems |
US9286795B2 (en) * | 2003-05-09 | 2016-03-15 | Dimitri Vorona | System for transmitting, processing, receiving, and displaying traffic information |
US8825356B2 (en) | 2003-05-09 | 2014-09-02 | Dimitri Vorona | System for transmitting, processing, receiving, and displaying traffic information |
US6850841B1 (en) | 2003-05-15 | 2005-02-01 | Navtech North American, Llc | Method and system for obtaining lane data |
WO2005017855A1 (en) * | 2003-07-17 | 2005-02-24 | Harman Becker Automotive Systems Gmbh | Route calculation around traffic obstacles using marked diversions |
AT500123B1 (de) * | 2003-08-28 | 2007-01-15 | Oesterreichisches Forschungs U | Verfahren und anordnung zur ermittlung von wegen von verkehrsteilnehmern |
US20050228553A1 (en) * | 2004-03-30 | 2005-10-13 | Williams International Co., L.L.C. | Hybrid Electric Vehicle Energy Management System |
US7366606B2 (en) * | 2004-04-06 | 2008-04-29 | Honda Motor Co., Ltd. | Method for refining traffic flow data |
US7113866B2 (en) * | 2004-06-15 | 2006-09-26 | Daimlerchrysler Ag | Method and device for determining vehicle lane changes using a vehicle heading and a road heading |
US20060047414A1 (en) * | 2004-09-02 | 2006-03-02 | Matsushita Electric Industrial Co., Ltd. | Probe-car system using beacon and apparatus therefore |
AU2005281393B2 (en) * | 2004-09-09 | 2012-01-12 | Virbac (Australia) Pty Ltd | Trace elements |
US8370054B2 (en) * | 2005-03-24 | 2013-02-05 | Google Inc. | User location driven identification of service vehicles |
US20090138188A1 (en) * | 2005-07-22 | 2009-05-28 | Andrej Kores | Method, device and system for modeling a road network graph |
WO2007047780A2 (en) | 2005-10-14 | 2007-04-26 | Dash Navigation Inc. | System and method for identifying road features |
US20070288156A1 (en) * | 2006-05-17 | 2007-12-13 | The Boeing Company | Route search planner |
JP4793094B2 (ja) * | 2006-05-17 | 2011-10-12 | 株式会社デンソー | 走行環境認識装置 |
US8483903B2 (en) | 2006-09-07 | 2013-07-09 | Nissan North America, Inc. | Vehicle on-board unit |
US20080115050A1 (en) * | 2006-11-14 | 2008-05-15 | Microsoft Corporation | Space-time trail annotation and recommendation |
JP4506790B2 (ja) * | 2007-07-05 | 2010-07-21 | アイシン・エィ・ダブリュ株式会社 | 道路情報生成装置、道路情報生成方法および道路情報生成プログラム |
US8972177B2 (en) * | 2008-02-26 | 2015-03-03 | Microsoft Technology Licensing, Llc | System for logging life experiences using geographic cues |
US8015144B2 (en) | 2008-02-26 | 2011-09-06 | Microsoft Corporation | Learning transportation modes from raw GPS data |
US8966121B2 (en) * | 2008-03-03 | 2015-02-24 | Microsoft Corporation | Client-side management of domain name information |
US8762035B2 (en) | 2008-05-19 | 2014-06-24 | Waze Mobile Ltd. | System and method for realtime community information exchange |
US8612136B2 (en) * | 2008-08-27 | 2013-12-17 | Waze Mobile Ltd. | System and method for road map creation |
WO2010040401A1 (en) * | 2008-10-08 | 2010-04-15 | Tomtom International B.V. | A system and method for determining road attributes |
US8417451B2 (en) * | 2008-12-08 | 2013-04-09 | John A. Hersey | Autonomous cooperative surveying |
US8094001B2 (en) * | 2008-12-15 | 2012-01-10 | Delphi Technologies, Inc. | Vehicle lane departure warning system and method |
US9063226B2 (en) * | 2009-01-14 | 2015-06-23 | Microsoft Technology Licensing, Llc | Detecting spatial outliers in a location entity dataset |
US8068016B2 (en) * | 2009-02-04 | 2011-11-29 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for disseminating witness information in multi-hop broadcast network |
US8271057B2 (en) * | 2009-03-16 | 2012-09-18 | Waze Mobile Ltd. | Condition-based activation, shut-down and management of applications of mobile devices |
US20100262366A1 (en) * | 2009-04-10 | 2010-10-14 | General Electric Company | System and method for distance estimation |
US8384776B2 (en) * | 2009-04-22 | 2013-02-26 | Toyota Motor Engineering And Manufacturing North America, Inc. | Detection of topological structure from sensor data with application to autonomous driving in semi-structured environments |
US9222786B2 (en) | 2009-05-04 | 2015-12-29 | Tomtom North America, Inc. | Methods and systems for creating digital transportation networks |
US9566982B2 (en) | 2009-06-16 | 2017-02-14 | Tomtom North America, Inc. | Methods and systems for generating a horizon for use in an advanced driver assistance system (ADAS) |
WO2010147730A1 (en) * | 2009-06-16 | 2010-12-23 | Tele Atlas North America Inc. | Methods and systems for creating digital street network database |
WO2011023246A1 (en) * | 2009-08-25 | 2011-03-03 | Tele Atlas B.V. | A vehicle navigation system and method |
US8275649B2 (en) | 2009-09-18 | 2012-09-25 | Microsoft Corporation | Mining life pattern based on location history |
US9009177B2 (en) | 2009-09-25 | 2015-04-14 | Microsoft Corporation | Recommending points of interests in a region |
US8340894B2 (en) | 2009-10-08 | 2012-12-25 | Honda Motor Co., Ltd. | Method of dynamic intersection mapping |
JP5661782B2 (ja) * | 2009-10-22 | 2015-01-28 | トムトム ジャーマニー ゲーエムベーハー ウント コー. カーゲーTomtom Germany Gmbh & Co. Kg | Gps軌跡を用いた付加的マップ生成、改良および拡張 |
US20110098915A1 (en) * | 2009-10-28 | 2011-04-28 | Israel Disatnik | Device, system, and method of dynamic route guidance |
US10036640B2 (en) * | 2009-10-29 | 2018-07-31 | Tomtom Global Content B.V. | Method of embedding map feature data into a raster graphics file |
US8818641B2 (en) | 2009-12-18 | 2014-08-26 | Honda Motor Co., Ltd. | Method of intersection estimation for a vehicle safety system |
US20110153266A1 (en) * | 2009-12-23 | 2011-06-23 | Regents Of The University Of Minnesota | Augmented vehicle location system |
CN102753939B (zh) * | 2009-12-23 | 2016-08-03 | 通腾北美有限公司 | 用于数字地图中的网络产生的时间及/或精确度相依的权重 |
US8612134B2 (en) * | 2010-02-23 | 2013-12-17 | Microsoft Corporation | Mining correlation between locations using location history |
US9261376B2 (en) * | 2010-02-24 | 2016-02-16 | Microsoft Technology Licensing, Llc | Route computation based on route-oriented vehicle trajectories |
US10288433B2 (en) | 2010-02-25 | 2019-05-14 | Microsoft Technology Licensing, Llc | Map-matching for low-sampling-rate GPS trajectories |
US8719198B2 (en) | 2010-05-04 | 2014-05-06 | Microsoft Corporation | Collaborative location and activity recommendations |
US9593957B2 (en) | 2010-06-04 | 2017-03-14 | Microsoft Technology Licensing, Llc | Searching similar trajectories by locations |
US8503794B2 (en) | 2010-07-28 | 2013-08-06 | Microsoft Corporation | Data difference guided image capturing |
US8823556B2 (en) | 2010-09-02 | 2014-09-02 | Honda Motor Co., Ltd. | Method of estimating intersection control |
US8618951B2 (en) | 2010-09-17 | 2013-12-31 | Honda Motor Co., Ltd. | Traffic control database and distribution system |
US8509982B2 (en) | 2010-10-05 | 2013-08-13 | Google Inc. | Zone driving |
US8694240B1 (en) * | 2010-10-05 | 2014-04-08 | Google Inc. | Visualization of paths using GPS data |
US8694241B1 (en) | 2010-10-05 | 2014-04-08 | Google Inc. | Visualization of traffic patterns using GPS data |
US8825403B1 (en) | 2010-10-06 | 2014-09-02 | Google Inc. | User queries to model road network usage |
US9696166B2 (en) * | 2010-10-06 | 2017-07-04 | Google Inc. | Automated identification of anomalous map data |
KR101814601B1 (ko) * | 2010-12-09 | 2018-01-04 | 삼성전자주식회사 | 택시 안전 귀가 서비스 시스템 및 방법 |
US9599476B2 (en) | 2010-12-30 | 2017-03-21 | Tomtom Global Content B.V. | Seamless network generation |
US20140044317A1 (en) * | 2010-12-30 | 2014-02-13 | Heiko Mund | Incremental network generation providing seamless network of large geographical areas |
US8452771B2 (en) | 2011-01-03 | 2013-05-28 | Honda Motor Co., Ltd. | Method for differentiating traffic data obtained from probe vehicles |
US8618952B2 (en) | 2011-01-21 | 2013-12-31 | Honda Motor Co., Ltd. | Method of intersection identification for collision warning system |
US8886457B2 (en) | 2011-03-31 | 2014-11-11 | Google Inc. | Mobile state determination of location aware devices |
KR20120127830A (ko) | 2011-05-16 | 2012-11-26 | 삼성전자주식회사 | 차량용 단말을 위한 사용자 인터페이스 방법 및 장치 |
US9140792B2 (en) | 2011-06-01 | 2015-09-22 | GM Global Technology Operations LLC | System and method for sensor based environmental model construction |
US9163948B2 (en) | 2011-11-17 | 2015-10-20 | Speedgauge, Inc. | Position accuracy testing system |
US8510200B2 (en) | 2011-12-02 | 2013-08-13 | Spireon, Inc. | Geospatial data based assessment of driver behavior |
US10169822B2 (en) | 2011-12-02 | 2019-01-01 | Spireon, Inc. | Insurance rate optimization through driver behavior monitoring |
US9754226B2 (en) | 2011-12-13 | 2017-09-05 | Microsoft Technology Licensing, Llc | Urban computing of route-oriented vehicles |
US20130166188A1 (en) | 2011-12-21 | 2013-06-27 | Microsoft Corporation | Determine Spatiotemporal Causal Interactions In Data |
US8718861B1 (en) | 2012-04-11 | 2014-05-06 | Google Inc. | Determining when to drive autonomously |
US8700251B1 (en) * | 2012-04-13 | 2014-04-15 | Google Inc. | System and method for automatically detecting key behaviors by vehicles |
US8504233B1 (en) * | 2012-04-27 | 2013-08-06 | Google Inc. | Safely navigating on roads through maintaining safe distance from other vehicles |
GB201211636D0 (en) * | 2012-06-29 | 2012-08-15 | Tomtom Belgium Nv | Method and apparatus for detecting deviations from map data |
US9633564B2 (en) | 2012-09-27 | 2017-04-25 | Google Inc. | Determining changes in a driving environment based on vehicle behavior |
US8949016B1 (en) | 2012-09-28 | 2015-02-03 | Google Inc. | Systems and methods for determining whether a driving environment has changed |
GB201219742D0 (en) | 2012-11-02 | 2012-12-12 | Tom Tom Int Bv | Methods and systems for generating a horizon for use in an advanced driver assistance system (adas) |
US9779379B2 (en) | 2012-11-05 | 2017-10-03 | Spireon, Inc. | Container verification through an electrical receptacle and plug associated with a container and a transport vehicle of an intermodal freight transport system |
US8933802B2 (en) | 2012-11-05 | 2015-01-13 | Spireon, Inc. | Switch and actuator coupling in a chassis of a container associated with an intermodal freight transport system |
US8898016B2 (en) * | 2013-03-15 | 2014-11-25 | Applied Minds, Llc | Method and apparatus for two-stage planning |
US11022446B2 (en) | 2013-03-15 | 2021-06-01 | Applied Invention, Llc | Method and apparatus for two-stage planning |
JP2016513805A (ja) | 2013-03-15 | 2016-05-16 | キャリパー コーポレイション | 車両ルート指定および交通管理のための車線レベル車両ナビゲーション |
US9170115B2 (en) * | 2013-06-03 | 2015-10-27 | Hyundai Motor Company | Method and system for generating road map using data of position sensor of vehicle |
JP6119459B2 (ja) * | 2013-06-26 | 2017-04-26 | 株式会社デンソー | 交差点情報特定装置 |
WO2015016906A1 (en) * | 2013-07-31 | 2015-02-05 | Intel Corporation | Techniques for improving location accuracy for virtual maps |
US9779449B2 (en) | 2013-08-30 | 2017-10-03 | Spireon, Inc. | Veracity determination through comparison of a geospatial location of a vehicle with a provided data |
US9528834B2 (en) | 2013-11-01 | 2016-12-27 | Intelligent Technologies International, Inc. | Mapping techniques using probe vehicles |
US9165477B2 (en) * | 2013-12-06 | 2015-10-20 | Vehicle Data Science Corporation | Systems and methods for building road models, driver models, and vehicle models and making predictions therefrom |
US20150186991A1 (en) | 2013-12-31 | 2015-07-02 | David M. Meyer | Creditor alert when a vehicle enters an impound lot |
WO2015100483A1 (en) | 2014-01-06 | 2015-07-09 | Geodigital International Inc. | Determining portions of a roadway model requiring updating |
US9836672B2 (en) * | 2014-03-14 | 2017-12-05 | Under Armour, Inc. | System and method for generating a map from activity data |
US10048383B2 (en) | 2014-03-14 | 2018-08-14 | Under Armour, Inc. | System and method for graph encoding of physical activity data |
RU2569070C1 (ru) * | 2014-05-21 | 2015-11-20 | Общество с ограниченной ответственностью "Видео Интернет Технологии" (ООО "Видео Интернет Технологии") | Способ регистрации нарушений правил дорожного движения |
US10387457B2 (en) | 2014-06-17 | 2019-08-20 | Sap Se | Grid-based analysis of geospatial trajectories |
CN105335597B (zh) * | 2014-07-30 | 2019-04-16 | 国际商业机器公司 | 用于获取路线的轨迹模式的方法和*** |
US9321461B1 (en) | 2014-08-29 | 2016-04-26 | Google Inc. | Change detection using curve alignment |
WO2016037346A1 (en) * | 2014-09-12 | 2016-03-17 | Microsoft Technology Licensing, Llc | Measuring and diagnosing noise in urban environment |
US9248834B1 (en) | 2014-10-02 | 2016-02-02 | Google Inc. | Predicting trajectories of objects based on contextual information |
US10533863B2 (en) * | 2014-10-10 | 2020-01-14 | Here Global B.V. | Apparatus and associated methods for use in lane-level mapping of road intersections |
CN104331422B (zh) * | 2014-10-14 | 2018-07-10 | 广州市香港科大***研究院 | 一种路段类型推测方法 |
US10262213B2 (en) | 2014-12-16 | 2019-04-16 | Here Global B.V. | Learning lanes from vehicle probes |
US9721471B2 (en) | 2014-12-16 | 2017-08-01 | Here Global B.V. | Learning lanes from radar data |
KR102623680B1 (ko) | 2015-02-10 | 2024-01-12 | 모빌아이 비젼 테크놀로지스 엘티디. | 자율 주행을 위한 약도 |
US9551788B2 (en) | 2015-03-24 | 2017-01-24 | Jim Epler | Fleet pan to provide measurement and location of a stored transport item while maximizing space in an interior cavity of a trailer |
US9616773B2 (en) | 2015-05-11 | 2017-04-11 | Uber Technologies, Inc. | Detecting objects within a vehicle in connection with a service |
US10444020B2 (en) * | 2015-06-03 | 2019-10-15 | Here Global B.V. | Method and apparatus for defining road geometry from probe data |
US10546400B2 (en) * | 2015-06-03 | 2020-01-28 | Here Global B.V. | Method and apparatus for defining bi-directional road geometry from probe data |
US9939514B2 (en) | 2015-06-30 | 2018-04-10 | Here Global B.V. | Determination of a statistical attribute of a set of measurement errors |
DE102015111925B4 (de) * | 2015-07-22 | 2021-09-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Spurhalteassistenzsystem für ein Fahrzeug |
US10691958B1 (en) * | 2015-07-30 | 2020-06-23 | Ambarella International Lp | Per-lane traffic data collection and/or navigation |
US9940625B2 (en) * | 2015-09-02 | 2018-04-10 | Ford Global Technologies, Llc | Autonomous driving certification generalizer |
GB2543269A (en) * | 2015-10-12 | 2017-04-19 | Information Edge Ltd | A navigation system |
US10982961B2 (en) * | 2015-10-16 | 2021-04-20 | Hitachi Automotive Systems, Ltd. | Vehicle control system and vehicle control device |
US10928211B2 (en) * | 2015-11-23 | 2021-02-23 | Here Global B.V. | Method and apparatus for selectively qualifying trajectories in regards to a determination of travel time for a maneuver |
US10712160B2 (en) | 2015-12-10 | 2020-07-14 | Uatc, Llc | Vehicle traction map for autonomous vehicles |
US9840256B1 (en) | 2015-12-16 | 2017-12-12 | Uber Technologies, Inc. | Predictive sensor array configuration system for an autonomous vehicle |
US9841763B1 (en) | 2015-12-16 | 2017-12-12 | Uber Technologies, Inc. | Predictive sensor array configuration system for an autonomous vehicle |
US9990548B2 (en) | 2016-03-09 | 2018-06-05 | Uber Technologies, Inc. | Traffic signal analysis system |
US10121367B2 (en) * | 2016-04-29 | 2018-11-06 | Ford Global Technologies, Llc | Vehicle lane map estimation |
US11255678B2 (en) | 2016-05-19 | 2022-02-22 | Microsoft Technology Licensing, Llc | Classifying entities in digital maps using discrete non-trace positioning data |
US10131361B2 (en) | 2016-05-25 | 2018-11-20 | Here Global B.V. | Determining speed information |
US9958283B2 (en) | 2016-05-25 | 2018-05-01 | Here Global B.V. | Determining speed information |
US10393534B2 (en) | 2016-05-25 | 2019-08-27 | Here Global B.V. | Determining speed information |
US10739786B2 (en) | 2016-07-01 | 2020-08-11 | Uatc, Llc | System and method for managing submaps for controlling autonomous vehicles |
US10437863B2 (en) | 2016-10-21 | 2019-10-08 | Here Global B.V. | Method and apparatus for hierarchical clustering of geographical data |
US11386068B2 (en) | 2016-10-27 | 2022-07-12 | Here Global B.V. | Method, apparatus, and computer program product for verifying and/or updating road map geometry based on received probe data |
WO2018089522A1 (en) * | 2016-11-08 | 2018-05-17 | Digital Aerolus, Inc. | Method for describing and executing behaviors in autonomous vehicles |
US10354526B2 (en) | 2016-12-01 | 2019-07-16 | Here Global B.V. | Determining lane specific speed information |
US10140856B2 (en) * | 2016-12-06 | 2018-11-27 | Here Global B.V. | Automatic detection of lane closures using probe data |
US10762776B2 (en) | 2016-12-21 | 2020-09-01 | Here Global B.V. | Method, apparatus, and computer program product for determining vehicle lane speed patterns based on received probe data |
US10314001B2 (en) * | 2016-12-22 | 2019-06-04 | Here Global B.V. | Method and apparatus for providing adaptive location sampling in mobile devices |
US10417906B2 (en) * | 2016-12-23 | 2019-09-17 | Here Global B.V. | Lane level traffic information and navigation |
EP3358303B1 (de) | 2017-02-07 | 2021-09-01 | HERE Global B.V. | Vorrichtung und zugehörige verfahren zur verwendung bei der aktualisierung von kartendaten |
US10119824B2 (en) * | 2017-03-03 | 2018-11-06 | Here Global B.V. | Method and apparatus for updating road map geometry based on probe data |
US10579062B2 (en) * | 2017-05-31 | 2020-03-03 | Baidu Usa Llc | Scalable smooth reference path generator for autonomous driving vehicles |
US10446022B2 (en) | 2017-06-09 | 2019-10-15 | Here Global B.V. | Reversible lane active direction detection based on GNSS probe data |
EP3418999A1 (de) * | 2017-06-22 | 2018-12-26 | Parkbob GmbH | Verfahren und system zur berechnung von parkplatzbelegung |
US10445610B2 (en) | 2017-07-19 | 2019-10-15 | Here Global B.V. | Method, apparatus, and computer program product for determining vehicle lanes of a road segment based on received probe data |
US10514696B2 (en) * | 2017-07-21 | 2019-12-24 | Here Global B.V. | Navigation driving metric |
US10546490B2 (en) | 2017-09-29 | 2020-01-28 | Here Global B.V. | Method and apparatus for identifying a transport mode of probe data |
US11360475B2 (en) * | 2017-12-05 | 2022-06-14 | Waymo Llc | Real-time lane change selection for autonomous vehicles |
KR102612960B1 (ko) * | 2018-01-23 | 2023-12-13 | 삼성전자주식회사 | 지도 수신 방법 및 이를 위한 장치 |
US10719719B2 (en) * | 2018-03-02 | 2020-07-21 | Here Global B.V. | Method, apparatus, and computer program product for determining if probe data points have been map-matched |
CN108445503B (zh) * | 2018-03-12 | 2021-09-14 | 吉林大学 | 基于激光雷达与高精度地图融合的无人驾驶路径规划算法 |
US11334753B2 (en) | 2018-04-30 | 2022-05-17 | Uatc, Llc | Traffic signal state classification for autonomous vehicles |
US10753750B2 (en) | 2018-07-12 | 2020-08-25 | Toyota Research Institute, Inc. | System and method for mapping through inferences of observed objects |
US10982969B2 (en) | 2018-10-23 | 2021-04-20 | Here Global B.V. | Method, apparatus, and computer program product for lane-level route guidance |
US11022457B2 (en) * | 2018-10-23 | 2021-06-01 | Here Global B.V. | Method, apparatus, and computer program product for lane-level route guidance |
US11097748B2 (en) * | 2018-10-23 | 2021-08-24 | Baidu Usa Llc | Two-step reference line smoothing method to mimic human driving behaviors for autonomous driving cars |
US11023746B2 (en) | 2019-01-02 | 2021-06-01 | Here Global B.V. | Lane count estimation |
US11216000B2 (en) | 2019-01-17 | 2022-01-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for estimating lane prediction errors for lane segments |
US10933880B2 (en) | 2019-01-17 | 2021-03-02 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for providing lane curvature estimates |
US11118916B2 (en) * | 2019-02-14 | 2021-09-14 | Here Global B.V. | Method, apparatus, and system for providing a campaign management platform to discover map data |
US11066069B2 (en) * | 2019-03-04 | 2021-07-20 | Baidu Usa Llc | Extra-freedom stitch method for reference line smoothing |
CN113544467A (zh) | 2019-03-07 | 2021-10-22 | 御眼视觉技术有限公司 | 对齐用于导航的道路信息 |
US11180140B2 (en) * | 2019-03-28 | 2021-11-23 | Baidu Usa Llc | Camera-based low-cost lateral position calibration method for level-3 autonomous vehicles |
US11409292B2 (en) * | 2020-03-24 | 2022-08-09 | Here Global B.V. | Method, apparatus, and computer program product for generating a map of road links of a parking lot |
US11624629B2 (en) | 2020-03-24 | 2023-04-11 | Here Global B.V. | Method, apparatus, and computer program product for generating parking lot geometry |
CN111609858B (zh) * | 2020-05-28 | 2021-10-22 | 新石器慧通(北京)科技有限公司 | 定位误差确定方法、轨迹生成方法、装置及交通工具 |
US11845429B2 (en) * | 2021-09-30 | 2023-12-19 | GM Global Technology Operations LLC | Localizing and updating a map using interpolated lane edge data |
US11987251B2 (en) | 2021-11-15 | 2024-05-21 | GM Global Technology Operations LLC | Adaptive rationalizer for vehicle perception systems toward robust automated driving control |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5703778A (en) * | 1991-07-19 | 1997-12-30 | Hitachi, Ltd. | Traffic control method for relieving vehicle congestion on parallel roads |
US5801943A (en) * | 1993-07-23 | 1998-09-01 | Condition Monitoring Systems | Traffic surveillance and simulation apparatus |
US5539645A (en) | 1993-11-19 | 1996-07-23 | Philips Electronics North America Corporation | Traffic monitoring system with reduced communications requirements |
DE19604364A1 (de) | 1996-02-07 | 1997-08-14 | Fraunhofer Ges Forschung | Verfahren zur Ermittlung einer Straßenkrümmung aus digital abgelegten Karteninformationen |
US5889447A (en) * | 1996-03-22 | 1999-03-30 | Motorola Inc. | Ceramic filter with beveled surface |
US6011515A (en) * | 1996-10-08 | 2000-01-04 | The Johns Hopkins University | System for measuring average speed and traffic volume on a roadway |
US5979581A (en) * | 1996-11-07 | 1999-11-09 | The Regents Of The University Of California | Lateral vehicle control apparatus and method for automated highway systems and intelligent cruise control |
DE19650844C2 (de) | 1996-11-27 | 2003-09-25 | Mannesmann Ag | Verfahren zur Ermittlung von Fahrtroutendaten |
US5999878A (en) * | 1997-04-11 | 1999-12-07 | Navigation Technologies Corp. | System and method for acquiring geographic data for forming a digital database of road geometry in a geographic region |
US6047234A (en) * | 1997-10-16 | 2000-04-04 | Navigation Technologies Corporation | System and method for updating, enhancing or refining a geographic database using feedback |
US6150961A (en) * | 1998-11-24 | 2000-11-21 | International Business Machines Corporation | Automated traffic mapping |
-
1999
- 1999-08-13 US US09/373,559 patent/US6385539B1/en not_active Expired - Lifetime
-
2000
- 2000-08-14 DE DE10041277A patent/DE10041277A1/de not_active Withdrawn
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1283406A3 (de) * | 2001-08-01 | 2011-05-18 | Continental Automotive GmbH | Bildverarbeitungsvorrichtung für ein Fahrzeug und Betriebsverfahren |
EP1283406A2 (de) | 2001-08-01 | 2003-02-12 | Siemens Aktiengesellschaft | Bildverarbeitungsvorrichtung für ein Fahrzeug und Betriebsverfahren |
DE10310656A1 (de) * | 2003-03-12 | 2004-09-23 | Robert Bosch Gmbh | Verfahren zur Spurerkennung von Fahrzeugen |
EP1962058A2 (de) * | 2007-02-26 | 2008-08-27 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Ermittlung einer Position von Fahrspuren eines mehrspurigen Fahrweges |
EP1962058A3 (de) * | 2007-02-26 | 2009-05-13 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Ermittlung einer Position von Fahrspuren eines mehrspurigen Fahrweges |
WO2009059766A1 (en) | 2007-11-06 | 2009-05-14 | Tele Atlas North America Inc. | Method and system for the use of probe data from multiple vehicles to detect real world changes for use in updating a map |
US8073817B2 (en) | 2007-12-21 | 2011-12-06 | Navigon Ag | Method for generating an electronically storable digital map |
DE102007062991B3 (de) * | 2007-12-21 | 2009-05-07 | Navigon Ag | Verfahren zur Erzeugung einer elektronisch speicherbaren, digitalen Landkarte und Navigationsgerät mit digitaler Landkarte |
DE102008053150A1 (de) * | 2008-10-24 | 2010-05-06 | Rohde & Schwarz Gmbh & Co. Kg | Verfahren zur Ermittlung von Information zu einer Wegkarte |
DE102008053150B4 (de) | 2008-10-24 | 2022-06-09 | Rohde & Schwarz GmbH & Co. Kommanditgesellschaft | Verfahren zur Ermittlung von Information zu einer Wegkarte |
DE102009058056A1 (de) * | 2009-12-14 | 2011-06-16 | Comlet Verteilte Systeme Gmbh | Informationssystem, insbesondere Notrufsystem, für Fahrzeuge |
EP2840459A2 (de) | 2013-08-22 | 2015-02-25 | Robert Bosch Gmbh | Verfahren zum Einstellen einer Dynamik eines datenaggregationsbasierten Services |
DE102013216734A1 (de) | 2013-08-22 | 2015-02-26 | Robert Bosch Gmbh | Verfahren zum Einstellen einer Dynamik eines datenaggregationsbasierten Services |
DE102015000399B4 (de) * | 2015-01-13 | 2019-08-29 | Audi Ag | Kartographieren von Fahrspuren mittels Fahrzeugflottendaten |
DE102015000399A1 (de) * | 2015-01-13 | 2016-07-28 | Audi Ag | Kartographieren von Fahrspuren mittels Fahrzeugflottendaten |
DE102015000394A1 (de) | 2015-01-13 | 2016-07-14 | Audi Ag | Fahrzeugflotten-basierte Messung von Umgebungsdaten |
DE102015000394B4 (de) | 2015-01-13 | 2019-09-05 | Audi Ag | Fahrzeugflotten-basierte Messung von Umgebungsdaten |
CN107077784A (zh) * | 2015-01-31 | 2017-08-18 | 奥迪股份公司 | 用于提供关于在机动车的环境区域中的至少一个对象的信息的方法和*** |
US9983307B2 (en) | 2015-01-31 | 2018-05-29 | Audi Ag | Method for providing information about at least one object in a surrounding region of a motor vehicle and system |
WO2016120001A1 (de) * | 2015-01-31 | 2016-08-04 | Audi Ag | Verfahren zur bereitstellung von information über zumindest ein objekt in einem umgebungsbereich eines kraftfahrzeugs und system |
CN107077784B (zh) * | 2015-01-31 | 2020-08-14 | 奥迪股份公司 | 提供机动车的环境区域中至少一个对象信息的方法和*** |
US10182365B2 (en) | 2016-06-01 | 2019-01-15 | Volkswagen Ag | Methods, apparatus and computer programs for capturing measurement results of mobile devices |
CN109427202A (zh) * | 2017-09-05 | 2019-03-05 | 罗伯特·博世有限公司 | 用于预测由施工工地决定的行驶路段改变的设备和方法 |
CN109427202B (zh) * | 2017-09-05 | 2022-10-14 | 罗伯特·博世有限公司 | 用于预测由施工工地决定的行驶路段改变的设备和方法 |
DE102017216237A1 (de) * | 2017-09-14 | 2019-03-14 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Ermitteln eines Verlaufs von Fahrspuren eines Straßennetzes sowie Servervorrichtung zum Durchführen des Verfahrens |
DE102017216238A1 (de) * | 2017-09-14 | 2019-03-14 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Ermitteln einer Position eines Kraftfahrzeugs in einer Umgebung sowie Steuervorrichtung für ein Kraftfahrzeug und Recheneinrichtung zum Betreiben an einem Datennetzwerk |
DE102020126685A1 (de) | 2020-10-12 | 2022-04-14 | Bayerische Motoren Werke Aktiengesellschaft | Fahrzeugführungssystem und Verfahren zum Betreiben einer Fahrfunktion in Abhängigkeit von der Entfernung zu einer Signalisierungseinheit |
DE102022202246A1 (de) | 2022-03-04 | 2023-09-07 | Volkswagen Aktiengesellschaft | Verfahren zum Bereitstellen einer Warnung in einem Kraftfahrzeug |
Also Published As
Publication number | Publication date |
---|---|
US6385539B1 (en) | 2002-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10041277A1 (de) | Verfahren und System zum Autonomen Entwickeln oder Erweitern von geografischen Datenbanken durch Verwendung unkoordinierter Messdaten | |
EP3443301B1 (de) | Verfahren und system zum bestimmen einer globalen position einer ersten landmarke | |
DE102010005293B4 (de) | System und Verfahren zur Spurpfadschätzung unter Verwendung einer Sensorvereinigung | |
DE102015116882B4 (de) | Verbindungswahrscheinlichkeitsmodellbildung und Folgerung der Kreuzungsstruktur | |
EP3482160B1 (de) | Verfahren und system zur erzeugung von karteninformationen für notfallflächen | |
DE112016007047B4 (de) | Fahrspur-schätzsystem | |
EP2313741B1 (de) | Verfahren zum aktualisieren einer geografischen datenbank für ein fahrzeugnavigationssystem | |
DE102013208521B4 (de) | Kollektives Erlernen eines hochgenauen Straßenmodells | |
DE69514980T2 (de) | Verfahren und vorrichtung für differentielle fahrzeugortung unter kontrolle einer internen statusveränderung | |
DE69728501T2 (de) | Fahrzeugnavigationssystem | |
EP3731187B1 (de) | Verfahren und vorrichtung zur bestimmung der geografischen position und orientierung eines fahrzeugs | |
DE102015203016B4 (de) | Verfahren und Vorrichtung zur optischen Selbstlokalisation eines Kraftfahrzeugs in einem Umfeld | |
DE112020003897T5 (de) | Systeme und verfahren zur überwachung von fahrspurüberlastung | |
DE102012208974A1 (de) | System und Verfahren zum sensorbasierten Aufbauen eines Umgebungsmodells | |
WO2016188523A1 (de) | Verfahren zur schätzung von fahrstreifen | |
DE10030932A1 (de) | Verfahren zur Erzeugung, Prüfung, Ergänzung und/oder Aktualisierung von Straßenkartendaten | |
DE102016214027A1 (de) | Verfahren und System zum Erfassen von Landmarken in einem Verkehrsumfeld einer mobilen Einheit | |
DE102018005869A1 (de) | System zur Erstellung eines Umgebungsmodells eines Fahrzeugs | |
DE102016213817B4 (de) | Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Bestimmung der lateralen Position eines Fahrzeuges relativ zu den Fahrstreifen einer Fahrbahn | |
DE102018218436A1 (de) | Fahrzeugparkassistenz | |
DE102021103149A1 (de) | Verfahren und vorrichtung zur bestimmung der optimalen kreuzungsspur in einem unterstützten fahrsystem | |
DE102015206457A1 (de) | Nutzung von Parkraumkarten zur Unterstützung von Einparksystemen | |
WO2017102192A1 (de) | Verbessertes verfahren zum ermitteln der randbebauung einer fahrbahn für die lokalisierung von kraftfahrzeugen | |
DE102022128968A1 (de) | Systeme und verfahren zum sammeln von bildern zur fahrzeugnavigation | |
DE102021124810A1 (de) | Neuronales fahrzeugnetzwerk |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8120 | Willingness to grant licences paragraph 23 | ||
8110 | Request for examination paragraph 44 | ||
8127 | New person/name/address of the applicant |
Owner name: DAIMLERCHRYSLER AG, 70327 STUTTGART, DE |
|
8127 | New person/name/address of the applicant |
Owner name: DAIMLER AG, 70327 STUTTGART, DE |
|
R016 | Response to examination communication | ||
R081 | Change of applicant/patentee |
Owner name: RAMSLE TECHNOLOGY GROUP GMBH, LLC, WILMINGTON, US Free format text: FORMER OWNER: DAIMLER AG, 70327 STUTTGART, DE Effective date: 20131105 Owner name: RAMSLE TECHNOLOGY GROUP GMBH, LLC, US Free format text: FORMER OWNER: DAIMLER AG, 70327 STUTTGART, DE Effective date: 20131105 |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |