DE102016216154A1

DE102016216154A1 - Verfahren und Auswerteeinheit zur Ermittlung der Position von Verkehrszeichen

Info

Publication number: DE102016216154A1
Application number: DE102016216154.7A
Authority: DE
Inventors: Martin Liebner; Simon Knebel; Martin Schäfer
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2016-08-29
Filing date: 2016-08-29
Publication date: 2018-03-01

Abstract

Es wird ein Verfahren (300) zur Ermittlung von Positionen von Verkehrszeichen (104) in einem Straßennetz (200) beschrieben. Das Verfahren (300) umfasst das Ermitteln (303) eines Pfades (222) durch einen Teilbereich (210) des Straßennetzes (200). Außerdem umfasst das Verfahren (300) das Ermitteln (303) von Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen (101) entlang des Pfades (222), wobei die Messdaten einer Fahrt ein oder mehrere Verkehrszeichen-Datensätze für entsprechende ein oder mehrere detektierte Verkehrszeichen (104) umfassen, die bei der Fahrt entlang des Pfades (222) detektiert wurden. Des Weiteren umfasst das Verfahren (300) das Ermitteln (304), auf Basis der Messdaten, einer Anzahl M (412) von Clustern (315, 316) zur Gruppierung der Verkehrszeichen-Datensätze und Positionen (415, 317) der M Cluster (315, 316) entlang des Pfades (222), so dass ein Optimierungskriterium verbessert wird.

Description

Die Erfindung betrifft ein Verfahren und eine entsprechende Auswerteeinheit zur Ermittlung der Position von Verkehrszeichen in einem Straßennetz auf Basis von Messdaten einer Vielzahl von Fahrten in dem Straßennetz.
Für die automatische Ermittlung einer Fahrroute für ein Fahrzeug und/oder für das zumindest teilweise automatisierte Führen eines Fahrzeugs sind präzise Informationen über die Position und/oder über den Typ von Verkehrszeichen erforderlich. Das vorliegende Dokument befasst sich mit der technischen Aufgabe, insbesondere die Position von Verkehrszeichen in einem Straßennetz in präziser und zuverlässiger Weise aus den Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen in dem Straßennetz zu ermitteln.
Die Aufgabe wird durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u. a. in den abhängigen Ansprüchen beschrieben.
Gemäß einem Aspekt wird ein Verfahren zur Ermittlung von Positionen von Verkehrszeichen (insbesondere Schildern) in einem Straßennetz beschrieben. Das Verfahren kann auf einem Computer bzw. Server ausgeführt werden. Insbesondere handelt es sich bei dem Verfahren typischerweise um ein Maschinen-implementiertes Verfahren. Das Straßennetz kann Straßenabschnitte umfassen, entlang der Fahrzeuge durch das Straßennetz fahren können. An den Rändern eines Straßenabschnitts und/oder an einer Brücke über einem Straßenabschnitt können Verkehrszeichen angeordnet sein. Das Straßennetz kann in Teilbereiche unterteilt werden, wobei ein Teilbereich ein oder mehrere (typischerweise rechteckige) Zellen umfassen kann.
Das Verfahren umfasst das Ermitteln eines Pfades durch einen Teilbereich des Straßennetzes. Dabei kann ein Pfad eine Sequenz von ein oder mehreren Straßenabschnitten umfassen, die in einer bestimmten Fahrtrichtung durchfahren werden. Das Verfahren kann darauf ausgelegt sein, die Positionen von ein oder mehreren Verkehrszeichen entlang dieses Pfades zu ermitteln. Typischerweise weist ein Pfad eine Sequenz von Verkehrszeichen (mit mehreren Verkehrszeichen) auf, die bei einer Fahrt entlang des Pfades in einer bestimmten Reihenfolge aufeinander folgen.
Das Verfahren umfasst weiter das Ermitteln von Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen entlang des Pfades. Dabei wurden die Messdaten mittels Umfeldsensorik (z. B. mittels Bildkameras) der ein oder mehreren Fahrzeuge erfasst. Insbesondere können die ein oder mehreren Fahrzeuge Umfeldsensorik umfassen, mit denen Sensordaten (insbesondere Bilddaten) in Bezug auf das Umfeld der ein oder mehreren Fahrzeuge erfasst werden können. Die ein oder mehreren Fahrzeuge können die Sensordaten auf Fahrten entlang des Pfades ermitteln. Auf Basis der Sensordaten können dann die Messdaten in Bezug auf Verkehrszeichen entlang des Pfades ermittelt werden (z. B. durch Analyse der Sensordaten, insbesondere durch Anwendung von Bildanalyseverfahren auf erfasste Bilddaten).
Die Messdaten einer Fahrt umfassen ein oder mehrere Verkehrszeichen-Datensätze für entsprechende ein oder mehrere detektierte Verkehrszeichen, die bei der Fahrt entlang des Pfades detektiert wurden. Mit anderen Worten, die Messdaten einer Fahrt entlang des Pfades umfassen typischerweise eine Sequenz von Verkehrszeichen-Datensätzen für eine entsprechende Sequenz von detektierten Verkehrszeichen. Dabei zeigt ein Verkehrszeichen-Datensatz (ggf. genau) für ein detektiertes Verkehrszeichen Positionsdaten bezüglich einer Position des detektierten Verkehrszeichens an. Insbesondere kann ein Verkehrszeichen-Datensatz die Position des Fahrzeugs anzeigen, an dem ein Verkehrszeichen durch die Umfeldsensorik des Fahrzeugs detektiert wurde. Des Weiteren kann ein Verkehrszeichen-Datensatz auch den Typ eines detektierten Verkehrszeichens anzeigen. Außerdem kann ein Verkehrszeichen-Datensatz die relative Position eines detektierten Verkehrszeichens relativ zur der Position des Fahrzeugs anzeigen. Mit anderen Worten, die Positionsdaten können anzeigen, wie ein detektiertes Verkehrszeichen relativ zu dem Fahrzeug positioniert ist.
Typerweise unterscheiden sich die Sequenzen von Verkehrszeichen-Datensätzen von unterschiedlichen Fahrten voneinander. Dies ist insbesondere auf Messtoleranzen und/oder Messfehler der Umfeldsensorik der ein oder mehreren Fahrzeug zurückzuführen. Des Weiteren weisen die Fahrzeuge bei unterschiedlichen Fahrten entlang des Pfades typischerweise unterschiedliche Zustände (z. B. unterschiedliche Fahrgeschwindigkeiten) auf, was zu unterschiedlichen Messergebnissen führen kann. Außerdem können sich die Witterungsbedingungen bei unterschiedlichen Fahrten unterscheiden und so die Messergebnisse beeinflussen. Messfehler können dazu führen, dass ein tatsächliches Verkehrszeichen nicht detektiert wird oder dass es zu Fehldetektionen eines nicht vorhandenen Verkehrszeichens kommt. mit Summe kann somit festgehalten werden, dass die Messdaten zur Ermittlung der Positionen von Verkehrszeichen entlang des Pfades typischerweise fehlerbehaftet sind.
Das Verfahren umfasst weiter das Ermitteln, auf Basis der Messdaten, einer Anzahl M von Clustern zur Gruppierung der Verkehrszeichen-Datensätze. M ist dabei eine ganze Zahl. Die Anzahl M von Clustern kann dabei größer als Null, insbesondere größer als eins, sein. Des Weiteren werden, auf Basis der Messdaten, Positionen der M Cluster entlang des Pfades ermittelt. Dabei werden die Anzahl M und die Positionen derart ermittelt, dass ein Optimierungskriterium verbessert (insbesondere maximiert) wird. Dabei zeigt ein Cluster (insbesondere ein sogenanntes Pfadcluster oder Supercluster) zumindest (ggf. genau) ein Verkehrszeichen an, und die Position eines Clusters zeigt die Position des zumindest einen Verkehrszeichens an.
Durch die Berücksichtigung von Sequenzen von Verkehrszeichen-Datensätzen für eine Sequenz von detektierten Verkehrszeichen entlang eines Pfades können die Zuverlässigkeit und die Genauigkeit der ermittelten Positionen von Verkehrszeichen (d. h. Clustern) erhöht werden (insbesondere im Vergleich zu einer individuellen Betrachtung der Verkehrszeichen-Datensätzen von einzelnen detektierten Verkehrszeichen). Insbesondere kann erreicht werden, dass die Erhöhung der Anzahl von Fahrten, d. h. die Erhöhung der Anzahl von gemessenen Verkehrszeichen-Datensätzen, nicht zu einer (typischerweise inkorrekten) Erhöhung der Anzahl von ermittelten Clustern und Cluster-Positionen führt.
Das Optimierungskriterium kann von einer Wahrscheinlichkeit (in diesem Dokument als p₂ bezeichnet) dafür abhängen, dass ein Verkehrszeichen bei einer Fahrt entlang des Pfades von der Umfeldsensorik eines Fahrzeugs detektiert wird. Mit anderen Worten, das Optimierungskriterium kann von einer Wahrscheinlichkeit dafür abhängen, dass ein Verkehrsschild von der Umfeldsensorik eines beliebigen Fahrzeugs detektiert wird. So kann erreicht werden, dass die Anzahl M der ermittelten Cluster mit erhöhter Genauigkeit der tatsächlichen Anzahl von tatsächlichen Verkehrszeichen entlang des Pfades entspricht.
Der Pfad umfasst (typischerweise mehrere) tatsächliche Verkehrszeichen an tatsächlichen Positionen, die durch die Messdaten repräsentiert werden. Mit anderen Worten, die tatsächlichen Verkehrszeichen entlang des Pfades führen zu den Messdaten. Das Optimierungskriterium kann derart ausgelegt sein, dass das Optimierungskriterium die Wahrscheinlichkeit dafür anzeigt, das die ermittelten Positionen der M Cluster den tatsächlichen Positionen der tatsächlichen Verkehrszeichen entlang des Pfades entsprechen. Beispielsweise kann das Optimierungskriterium zu diesem Zweck ein Log-Likelihood Kriterium umfassen. So können die Positionen der Verkehrszeichen entlang des Pfades mit hoher Genauigkeit bzw. Güte ermittelt werden.
Das Optimierungskriterium kann von einer Wahrscheinlichkeit (in diesem Dokument als p₁ bezeichnet) dafür abhängen, dass es sich bei einem detektierten Verkehrszeichen bei einer Fahrt entlang des Pfades um eine Fehldetektion handelt. So kann die Güte der ermittelten Positionen der Verkehrszeichen weiter erhöht werden.
Das Optimierungskriterium kann von einem Wahrscheinlichkeits-Modell abhängen, das die Wahrscheinlichkeit der Detektion eines Verkehrszeichens in Abhängigkeit von einem Zustand eines Fahrzeugs bei der Fahrt entlang des Pfades anzeigt. Ein Verkehrszeichen-Datensatz kann dann den Zustand des Fahrzeugs bei der Erfassung des Verkehrszeichen-Datensatzes anzeigen. So kann der Zustand eines die Messdaten erfassenden Fahrzeugs bei der Ermittlung der Position eines Verkehrszeichens berücksichtigt werden, um die Güte der ermittelten Position weiter zu erhöhen. Der Zustand des Fahrzeugs kann insbesondere von einer Geschwindigkeit und/oder einer Drehrate des Fahrzeugs (z. B. bei einem Abbiegevorgang) abhängen.
Das Ermitteln der Positionen der M Cluster kann umfassen, das Zuordnen der Verkehrszeichen-Datensätze der Vielzahl von Fahrten zu den M Clustern. Das Zuordnen kann dabei derart erfolgen, dass einem Cluster maximal nur ein Verkehrszeichen-Datensatz einer Fahrt der Vielzahl von Fahrten zugeordnet wird. Diese Bedingung kann für jede der Vielzahl von Fahrten gelten. Des Weiteren kann das Zuordnen derart erfolgen, dass ein Verkehrszeichen-Datensatz nur einem Cluster zugeordnet wird. So kann der Umstand berücksichtigt werden, dass ein Fahrzeug bei einer Fahrt entlang des Pfades ein tatsächliches Verkehrszeichen nur genau einmal detektiert. Durch die Berücksichtigung derartiger Randbedingungen kann die Güte der ermittelten Positionen weiter erhöht werden.
Das Ermitteln der Positionen der M Cluster kann umfassen, das Ermitteln der Position eines Clusters auf Basis der Positionsdaten der ein oder mehreren Verkehrszeichen-Datensätze, die dem Cluster zugeordnet wurden. So kann die Position eines Clusters (und eines dadurch angezeigten Verkehrszeichens) in präziser Weise ermittelt werden.
Die Ermittlung der Positionen der M Cluster kann in iterativer Weise erfolgen. Insbesondere kann auf Basis der ermittelten Cluster-Positionen eine erneute Zuordnung der Verkehrszeichen-Datensätze erfolgen, und auf Basis der erneuten Zuordnung können neue Cluster-Positionen ermittelt werden. Dieser iterative Prozess kann bis zu Erreichen einer Abbruchbedingung wiederholt werden, um die (optimierten) Positionen der M Cluster zu ermitteln. Die Abbruchbedingung kann z. B. von einer Konvergenz eines Wertes des Optimierungskriteriums abhängen. So können die Positionen der Cluster in zuverlässiger und präziser Weise ermittelt werden.
Das Ermitteln der Anzahl M von Clustern kann umfassen, das Ermitteln eines (optimierten) Wertes des Optimierungskriteriums für unterschiedliche Anzahlen von Clustern. Die (optimale) Anzahl M kann dann auf Basis der Werte des Optimierungskriteriums für die unterschiedlichen Anzahlen von Clustern ermittelt werden. Insbesondere kann die Anzahl M ausgewählt werden, für die der relativ beste Wert des Optimierungskriteriums ermittelt wurde. So kann die Anzahl von Verkehrszeichen entlang des Pfades in präziser Weise ermittelt werden.
Das Optimierungskriterium kann von einem probabilistischen Modell für Messfehler in den Positionsdaten bezüglich der Position des detektierten Verkehrszeichens abhängen. Insbesondere kann bei der Zuordnung von Verkehrszeichen-Datensätzen zu Clustern ein solches Modell für Messfehler bei den Positionsdaten berücksichtigt werden. So können die Cluster und die Positionen der Cluster mit einer erhöhten Genauigkeit bestimmt werden.
Alternativ oder ergänzend kann das Optimierungskriterium von einem Abstand zwischen der ermittelten Position eines Clusters und der Positionen von ein oder mehreren detektierten Verkehrszeichen abhängen, deren ein oder mehreren Verkehrszeichen-Datensätze dem Cluster zugeordnet wurden. Mit anderen Worten, das Optimierungskriterium kann den Abstand zwischen der ermittelten Position eines Clusters und der Positionen der dem Cluster zugeordneten detektierten Verkehrszeichen berücksichtigen. Dabei können insbesondere relativ große Abstände bestraft werden. So können die Cluster und die Positionen der Cluster mit hoher Genauigkeit bestimmt werden.
In einem bevorzugten Fall umfasst das Optimierungskriterium für einen Pfad p (bzw. entspricht das Optimierungskriterium):
mit
Das Optimierungskriterium LLH p / Pfad kann ggf. eine Teilmenge der o. g. Terme LLH i / Schildmeldungen , LLH i / Pfadcluster und LLH p / Prior umfassen (z. B. LLH i / Schildmeldungen und LLH i / Pfadcluster ).
Dabei entspricht n_Überfahrten der Anzahl von Fahrten entlang des Pfads p. n i / Schildmeldungen entspricht der Anzahl von Verkehrszeichen-Datensätzen aus den Messdaten für die i^te Fahrt. LLH ij / Zuordnung zeigt die Wahrscheinlichkeit, insbesondere die Log Likelihood, dafür an, dass der Verkehrszeichen-Datensatz j der i^ten Fahrt einem Cluster zugeordnet ist bzw. zugeordnet wird. Dabei kann LLH ij / Zuordnung von einem Abstand zwischen einer Position des detektierten Verkehrszeichens des Verkehrszeichen-Datensatzes j der i^ten Fahrt und der ermittelten Position eines Clusters abhängen, dem der Verkehrszeichen-Datensatz j der i^ten Fahrt zugeordnet ist. Alternativ oder ergänzend kann LLH ij / Zuordnung einem empirisch ermittelten Wert entsprechen, wenn der Verkehrszeichen-Datensatz j der i^ten Fahrt keinem Cluster zugeordnet ist bzw. wird. δ_ij nimmt den Wert 1 oder 0 an, je nachdem, ob der Verkehrszeichen-Datensatz j der i^ten Fahrt einem Cluster zugeordnet ist oder nicht. p₁ kann eine Wahrscheinlichkeit dafür anzeigen, dass es sich bei einem Verkehrszeichen-Datensatz um eine Falschmeldung handelt. n p / Pfadcluster entspricht der Anzahl von Clustern auf dem Pfad p. Nach Durchführung des Verfahrens entspricht n p / Pfadcluster typischerweise der optimalen Anzahl M von Clustern. ε_ik nimmt den Wert 1 oder 0 an, je nachdem, ob dem Cluster k ein Verkehrszeichen-Datensatz der i^ten Fahrt zugeordnet wurde oder nicht. p₂ kann eine Wahrscheinlichkeit dafür anzeigen, dass ein auf dem Pfad p befindliches tatsächliches Verkehrszeichen bei einer Fahrt entlang des Pfades p detektiert wird. n_Prior kann einer (festgelegten) Anzahl von virtuellen Fahrten entsprechen, bei denen keine Verkehrszeichen detektiert werden.
Bei Verwendung des o. g. Optimierungskriteriums können die Anzahl M von Clustern und die Positionen der Cluster in besonders präziser Weise bestimmt werden.
Das Verfahren kann umfassen, das Ermitteln der Positionen von Clustern, im Folgenden als Pfadcluster bezeichnet, für einen ersten Pfad und für einen zumindest teilweise unterschiedlichen zweiten Pfad durch den Teilbereich des Straßennetzes. Dabei kann der erste Pfad einen ersten Straßenabschnitt und der zweite Pfad einen zweiten Straßenabschnitt des Straßennetzes umfassen, wobei der erste Straßenabschnitt und der zweite Straßenabschnitt derart ausgelegt sein können, dass bei einer Fahrt entlang des zweiten Straßenabschnittes ein Verkehrszeichen auf dem ersten Straßenabschnitt detektiert werden kann. Dies kann z. B. dann vorkommen, wenn der erste Straßenabschnitt und der zweite Straßenabschnitt parallel zueinander verlaufen.
Es kann dann auf Basis der Pfadcluster für den ersten und zweiten Pfad eine Position eines Superclusters für den ersten Straßenabschnitt ermittelt werden, so dass ein Supercluster-Optimierungskriterium verbessert wird. Dabei zeigt das Supercluster zumindest ein Verkehrszeichen an und die Position des Superclusters zeigt die Position des zumindest einen Verkehrszeichens an. Das Supercluster-Optimierungskriterium kann von einer Wahrscheinlichkeit dafür abhängen, dass ein Verkehrszeichen eines Straßenabschnitts bei der Fahrt entlang eines anderen Straßenabschnitts erfasst werden kann.
Durch die Ermittlung von Superclustern für einzelne Straßenabschnitte auf Basis der zuvor ermittelten Pfadcluster für unterschiedliche Pfade können Überlappungen zwischen den unterschiedlichen Pfaden in zuverlässiger und präziser Weise erkannt und ausgewertet werden. So kann die Güte der ermittelten Positionen von Verkehrszeichen weiter erhöht werden.
Das Supercluster-Optimierungskriterium kann von einer Plausibilität der ermittelten Position des Superclusters für den ersten Straßenabschnitt in Bezug auf typische Positionen von Verkehrszeichen in einem Straßenabschnitt abhängen. Typische Positionen von Verkehrszeichen in einem Straßenabschnitt können dabei empirisch ermittelt werden. So kann die Genauigkeit der Positionen von Superclustern (bzw. damit verbundenen Verkehrszeichen) erhöht werden.
Alternativ oder ergänzend kann das Supercluster-Optimierungskriterium von einem Abstand zwischen der ermittelten Position des Superclusters und der Positionen der ein oder mehreren Pfadcluster abhängen, die dem Supercluster zugeordnet sind. So können die Positionen von Superclustern (und damit von Verkehrszeichen) in präziser Weise ermittelt werden.
In einem bevorzugten Beispiel umfasst das Supercluster-Optimierungskriterium (bzw. entspricht das Supercluster-Optimierungskriterium:
mit
Das Optimierungskriterium LLH_Global kann ggf. eine Teilmenge der o. g. Terme LLH i / Pfadcluster, LLH i / Supercluster und LLH_{Konstellation} umfassen (z. B. LLH i / Pfadcluster und LLH i / Supercluster ).
Dabei entspricht n_Pfade der Anzahl von Pfaden, die für die Ermittlung von Superclustern betrachtet werden. n i / Pfadcluster entspricht der Anzahl von Pfadclustern des i^ten Pfades. LLH ij / Zuordnung,Supercluster zeigt die Wahrscheinlichkeit, insbesondere die Log Likelihood, dafür an, dass der Pfadcluster j des i^ten Pfades einem Supercluster zugeordnet ist. Dabei kann LLH ij / Zuordnung,Supercluster von einem Abstand zwischen einer Position des Pfadclusters j des i^ten Pfades und der ermittelten Position eines Superclusters abhängen, dem der Pfadclusters j des i^ten Pfades zugeordnet ist. Alternativ oder ergänzend kann LLH ij / Zuordnung,Supercluster einem empirisch ermittelten Wert entsprechen, wenn der Pfadclusters j des i^ten Pfades keinem Supercluster zugeordnet ist. δ^S _ij nimmt den Wert 1 oder 0 an, je nachdem, ob der Pfadclusters j des i^ten Pfades einem Supercluster zugeordnet ist oder nicht. p ij / 1 kann eine Wahrscheinlichkeit dafür anzeigen, dass es sich bei den ein oder mehreren dem Pfadcluster j des i^ten Pfades zugeordneten Verkehrszeichen-Datensätzen um Falschmeldungen handelt. n_Supercluster entspricht der Anzahl von zu ermittelnden Superclustern (und kann im Rahmen des Verfahrens variiert und optimiert werden). ε^S _ik nimmt den Wert 1 oder 0 an, je nachdem, ob dem Supercluster k ein Pfadcluster des i^ten Pfades zugeordnet wurde oder nicht. p ik / 2 kann eine Wahrscheinlichkeit dafür anzeigen, dass ein Verkehrszeichen des Superclusters k vom i^ten Pfad aus sichtbar ist und detektiert wird. LLH k / Clusterposition kann eine Wahrscheinlichkeit, insbesondere eine Log-Likelihood, der ermittelten Position eines Superclusters für den Straßenabschnitt anzeigen, dem der Supercluster zugeordnet wurde. LLH_{Konfiguration} kann eine Wahrscheinlichkeit, insbesondere eine Log-Likelihood, der Zuordnung zwischen Supercluster und Straßenabschnitt anzeigen.
Mit dem o. g. Optimierungskriterium können Überlappungen zwischen den Pfadclustern unterschiedlicher Pfade in zuverlässiger und präziser Weise detektiert und ausgewertet werden, um mit hoher Genauigkeit die Positionen von Verkehrszeichen zu bestimmen.
Das Verfahren kann das Ermitteln der Positionen von M_l Pfadclustern für L unterschiedliche Pfade, wobei L eine ganze Zahl ist, mit L > 0, insbesondere L > 1, 2, 5, 10, 100 (typischerweise n_Pfade = L). M_l entspricht dabei der Anzahl von Pfadclustern auf dem l^ten Pfad, mit l = 1, ..., L (typischerweise n i / Pfadcluster = M_l für i = l). Das Verfahren kann umfassen, das Ermitteln, auf Basis der Pfadcluster der L unterschiedlichen Pfade, einer (optimalen) Anzahl N von Superclustern, so dass das Supercluster-Optimierungskriterium verbessert wird. Es können dann die (optimalen) Positionen für die N Supercluster ermittelt werden. So kann die Genauigkeit der ermittelten Positionen von Verkehrszeichen weiter erhöht werden.
Der Teilbereich zur Ermittlung eines Pfades umfasst eine erste Zelle, die durch ein oder mehrere zweiten Zelle zumindest teilweise umschlossen wird. Beispielsweise kann die erste Zelle durch 8 zweite Zellen vollständig umschlossen werden. Das Verfahren kann das Verwerfen eines Clusters der M Cluster umfassen, dessen Position in einer zweiten Zelle und/oder nicht in der ersten Zelle liegt. Das Verfahren kann dann für einen weiteren Teilbereich ausgeführt werden, in dem eine der zweiten Zellen durch ein oder mehrere weitere Zellen zumindest teilweise umschlossen wird. Zur Ermittlung der Positionen von Clustern (d. h. Verkehrszeichen) können somit sich überlappende Teilbereiche betrachtet werden. So kann die Güte der ermittelten Positionen weiter erhöht werden. Des Weiteren ermöglicht eine Zerlegung eines Straßennetzes in Teilbereiche eine lineare Skalierung des Verfahrens auf beliebig große Straßennetze.
Bei dem Verwerfen kann die Möglichkeit vorgehalten werden, dass ein Cluster auch dann nicht verworfen wird, wenn die ermittelte Position außerhalb der ersten Zelle liegt. Insbesondere kann ein solches Cluster berücksichtigt werden, wenn das Verfahren für einen weiteren Teilbereich ausgeführt wird. Insbesondere kann ein solches Cluster bei der Ermittlung von Superclustern berücksichtigt werden. So kann die Zuverlässigkeit der Detektion von Verkehrszeichen weiter erhöht werden.
Die im Rahmen des Verfahrens ermittelten Cluster (d. h. Verkehrszeichen) und die ermittelten Positionen können dazu verwendet werden, eine digitale Karte des Straßennetzes zu verbessern. Insbesondere kann die ermittelte Information im Rahmen der Ermittlung von Routen durch das Straßennetz verwendet werden. Des Weiteren kann die Information für das (ggf. voll autonome) Führen eines Fahrzeugs durch das Straßennetz verwendet werden.
Gemäß einem weiteren Aspekt wird eine Auswerteeinheit zur Ermittlung von Positionen von Verkehrszeichen in einem Straßennetz beschrieben. Die Auswerteeinheit (z. B. ein Server oder Computer) ist eingerichtet, einen Pfad durch einen Teilbereich des Straßennetzes zu ermitteln. Außerdem ist die Auswerteeinheit eingerichtet, Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen entlang des Pfades zu ermitteln, wobei die Messdaten mittels Umfeldsensorik der ein oder mehreren Fahrzeuge erfasst wurden. Die Messdaten einer Fahrt umfassen ein oder mehrere Verkehrszeichen-Datensätze für entsprechende ein oder mehrere detektierte Verkehrszeichen, die bei der Fahrt entlang des Pfades detektiert wurden, wobei ein Verkehrszeichen-Datensatz für ein detektiertes Verkehrszeichen Positionsdaten bezüglich einer Position des detektierten Verkehrszeichens umfasst. Die Auswerteeinheit ist weiter eingerichtet, auf Basis der Messdaten eine Anzahl M von Clustern zur Gruppierung der Verkehrszeichen-Datensätze und Positionen der M Cluster entlang des Pfades zu ermitteln, so dass ein Optimierungskriterium verbessert wird. Dabei zeigt ein Cluster zumindest ein (ggf. genau ein) Verkehrszeichen an und die Position eines Clusters zeigt die Position zumindest (ggf. genau) eines Verkehrszeichens an. Das Optimierungskriterium kann von einer Wahrscheinlichkeit dafür abhängen, dass ein Verkehrszeichen bei einer Fahrt entlang des Pfades von der Umfeldsensorik der ein oder mehreren Fahrzeuge detektiert wird.
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Desweiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen
1 ein beispielhaftes Messfahrzeug zur Erfassung von Messdaten;
2 ein beispielhaftes Straßennetz;
3 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung der Position von Verkehrszeichen;
4 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung von Pfadclustern entlang eines Pfades in einem Straßennetz; und
5 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Aggregation von Pfadclustern.
Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der präzisen und zuverlässigen Ermittlung der Positionen von Verkehrszeichen (in diesem Dokument auch beispielhaft als Schilder bezeichnet) in einem Straßennetz, auf Basis von Messdaten einer Vielzahl von Fahrten von Messfahrzeugen in dem Straßennetz. 1 zeigt ein beispielhaftes Messfahrzeug 101 mit einer Kamerasensorik 102, die einen Bereich 103 vor dem Fahrzeug 101 erfasst. Ein Verkehrszeichen 104 wird von der Kamerasensorik 102 erfasst und es kann der Typ des Verkehrszeichens 104 (Geschwindigkeitsbegrenzung 60 km/h in dem dargestellten Beispiel) ermittelt werden. Es können Messdaten in Bezug auf ein detektiertes Verkehrszeichen 104 bereitgestellt werden. Die Messdaten können den Typ des Verkehrszeichens 104 anzeigen. Des Weiteren können die Messdaten die Position anzeigen, an dem sich das Fahrzeug 101 bei der Detektion des Verkehrszeichens 104 befunden hat. Aus der Position des Fahrzeugs 101 und dem Erfassungsbereich 103 kann dann auf die Position des Verkehrszeichens 104 geschlossen werden. Außerdem können die Messdaten anzeigen, an welcher Position 105 innerhalb des Erfassungsbereichs 103 sich das Verkehrszeichen 104 befindet (z. B. am rechten Rand 105 des Erfassungsbereichs 103).
Bei einer Vielzahl von Fahrten von Messfahrzeugen 101 in einem Straßennetz können somit Messdaten mit Verkehrszeichen-Datensätzen für unterschiedliche detektierte Verkehrszeichen 104 erfasst werden. Dabei kann der Verkehrszeichen-Datensatz für ein Verkehrszeichen 104 anzeigen:

• Information in Bezug auf einen Typ des Verkehrszeichens 104; und/oder
• Information in Bezug auf den Zustand (z. B. Position, Geschwindigkeit, Orientierung, Drehrate) des Messfahrzeugs 101 bei der Detektion des Verkehrszeichens 104; und/oder
• Positionsdaten in Bezug auf einen Position des Verkehrszeichens 104.

Die Vielzahl von Verkehrszeichen-Datensätze einer Vielzahl von Fahrten in einem Straßennetz können z. B. individuell durch einen Clusteralgorithmus ausgewertet werden. Dabei ergeben sich jedoch diverse Nachteile:

• Die Anzahl der ermittelten Schildpositionen hängt typischerweise von der Anzahl der Schildmeldungen (d. h. von der Anzahl von detektierten Verkehrszeichen 104 bzw. von der Anzahl von Verkehrszeichen-Datensätzen) ab. Mit einer steigenden Anzahl von Detektionen von Verkehrszeichen 104 (d. h. mit einer steigenden Anzahl von Verkehrszeichen-Datensätzen) an der gleichen Stelle in einem Straßennetz steigt tendenziell die Anzahl der von einem Clusteralgorithmus angelernten Schilder 104, um die durch die Abweichung zwischen Schildmeldungen (d. h. Verkehrszeichen-Datensätzen) und Schildkandidaten (d. h. ermittelte Cluster-Positionen) entstehenden Optimierungskosten zu minimieren.
• Eng beieinander stehende Schilder 104 können typischerweise nicht unterschieden werden, da die zugehörigen Meldungen (d. h. Detektionen bzw. Verkehrszeichen-Datensätze) durch einen Clusteralgorithmus typischerweise dem gleichen Schildkandidaten zugewiesen werden und somit bei nah beieinander liegenden Schildern 104 lediglich eine einzige Schildposition (d. h. Cluster-Position) ermittelt wird.
• Im Rahmen eines Clusteralgorithmus auf Basis der individuellen Schildmeldungen bzw. Verkehrszeichen-Datensätze können typischerweise die Geschwindigkeit und die Drehrate eines Fahrzeugs 101 nicht berücksichtigt werden. Eine hohe Geschwindigkeit bzw. Drehrate (z. B. bei einem Abbiegevorgang) kann jedoch zu Ungenauigkeiten bei der Detektion eines Verkehrszeichens 104 führen. Als Folge daraus können sich Ungenauigkeiten bei den erlernten Cluster-Positionen ergeben. Zudem kann es bei hohen Geschwindigkeiten vorkommen, dass die Schildmeldungen (d. h. Verkehrszeichen-Datensätze) zu einem Schild 104 bei unterschiedlichen Fahrten aufgrund von Messungenauigkeiten relativ stark streuen, so dass anstelle eines tatsächlichen Schildes 104 mehrere Cluster-Positionen ermittelt werden.
• Bei dem Erlernen von Schildpositionen können Heuristiken zu typischen Schildpositionen berücksichtigt werden, um die Genauigkeit eines Clusteralgorithmus zu erhöhen. Dabei ist der Einfluss von Heuristiken zu typischen Schildpositionen auf die erlernten Schildposition typischerweise abhängig von der Anzahl der Schildmeldungen in den Messdaten. Bei Auftreten von systematischen Fehlern in den Schildmeldungen kann dies zum Erlernen von nicht plausiblen Schildpositionen führen.
• Das Clustern bzw. Gruppieren von individuellen Verkehrszeichen-Datensätzen weist typischerweise einen Rechenaufwand auf, der mit der Größe des berücksichtigten Bereichs eines Straßennetzes überlinear ansteigt, und ist somit typischerweise nicht auf beliebig große Bereiche anwendbar.

Im Folgenden wird ein Verfahren beschrieben, mit dem auf Basis von Verkehrszeichen-Datensätzen aus einer Vielzahl von Fahrten in einem Straßennetz in präziser und zuverlässiger Weise Schildpositionen von Verkehrszeichen 104 in einem beliebig großen Bereich des Straßennetzes erlernt werden können. Durch das beschriebene Verfahren können die o. g. Nachteile beseitigt werden.
3 zeigt ein Ablaufdiagramm eines beispielhaften Verfahrens 300 zur Ermittlung der Positionen von Schildern 104 in einem Bereich eines Straßennetzes 200 (siehe 2). Der ausgewählte Bereich des Straßennetzes 200 wird in diesem Dokument auch als Job-Bounding-Box 311 bezeichnet.
Im Schritt S1 (Referenzzeichen 301) werden für die gegebene Job-Bounding-Box 311 (die z. B. eine Größe von 2 × 2 km aufweist) die relevanten Fahrdaten (bspw. Position, Geschwindigkeit, Orientierung, Drehrate und Schildmeldungen) einer Vielzahl von Fahrzeugen 101 und Durchfahrungen der Job-Bounding-Box 311 von einem Datenspeicher abgerufen, gefiltert und aufbereitet. Anhand eines Zeitstempels kann für jede Schildmeldung eines Kamerasystems 102 eines Fahrzeugs 101 die zugehörige Position, Orientierung, Geschwindigkeit und Drehrate des Fahrzeugs 101 durch Interpolation der entsprechenden Fahrdaten ermittelt werden. Zusätzlich kann durch Trace-Matching die Folge der von einem Fahrzeug 101 befahrenen Straßenabschnitte 221 nachvollzogen und gespeichert werden. Durch Aufbereitung der in einer digitalen Karte enthaltenen Informationen kann dabei sichergestellt werden, dass die betrachteten Straßenabschnitte 221 eine bestimmte maximale Länge (z. B. von 50 Metern) nicht überschreiten. Abschließend können die derart aufbereiteten Schildmeldungen und Straßenabschnitte 221 derart abgelegt werden, dass sie entsprechend ihrer Zugehörigkeit zu einzelnen Zellen 211, 212 (mit einer Größe von bspw. 100 × 100 m) innerhalb und außerhalb der Job-Bounding-Box 311 sortiert sind. Im Folgenden können die Schildpositionen der Schilder 104 für jede der Zellen 211, 212 innerhalb der Job-Bounding-Box 311 separat berechnet, in der jeweiligen Zelle 211, 212 gespeichert und nach Berechnung der letzten Zelle 211, 212 als Ergebnis der Berechnung der Job-Bounding-Box 311 ausgegeben werden.
Es kann somit in einem Schritt S1, 301 für einen Straßenabschnitt 221 eines Straßennetzes 200 und für eine Durchfahrt des Straßenabschnittes 221 eine Sequenz von Verkehrszeichen-Datensätzen für eine Sequenz von detektierten Verkehrszeichen 104 ermittelt werden, die bei der Durchfahrt des Straßenabschnittes 221 detektiert wurden. Dies kann für unterschiedliche Straßenabschnitte 221 und für unterschiedliche Durchfahrten erfolgen. Die Straßenabschnitte 221 können dabei unterschiedlichen Zellen 211, 212 des Straßennetzes 200 zugeordnet werden. Es ergibt sich somit ein Datengitter 312 mit Sequenzen von Verkehrszeichen-Datensätzen für die Straßenabschnitte 221 einzelner Zellen 211, 212.
Für die Ermittlung der Schildpositionen einer Zelle 211 werden die darin enthaltenen Schildmeldungen und Straßenabschnitte 221 verwendet. Um Probleme (insbesondere Diskontinuitäten) an den Rändern einer Zelle 211 zu vermeiden, können darüber hinaus auch die Schildmeldungen, Straßenabschnitte 221 und bereits ermittelten Schildpositionen der angrenzenden Zellen 212 als Eingangsdaten berücksichtigt werden. Das gesamte geografische Gebiet der verwendeten Zellen 211, 212 zur Ermittlung der Schildpositionen einer ersten Zelle 211 wird in diesem Dokument als äußere Bounding-Box 210, das Gebiet der ersten Zelle 211 selbst als innere Bounding-Box bezeichnet. Die Eingangsdaten können zur Vereinfachung in lokale Koordinaten (Bezugspunkt z. B. die untere linke Ecke der äußeren Bounding-Box 210) umgerechnet werden. Es können somit in einem Schritt S2, 302 lokale Eingangsdaten 313 für eine Zelle 211 und die direkt benachbarten Zellen 212 ermittelt werden. Die lokalen Eingangsdaten 313 umfassen dabei Messdaten mit Verkehrszeichen-Datensätzen für Verkehrszeichen 104, die bei Durchfahrten in der äußeren Bounding-Box 210 detektiert wurden.
Anhand der Eingangsdaten 313 können in einem Schritt S3, 303 mögliche Pfade 222 durch die äußere Bounding-Box 210 sowie die zugehörigen Durchfahrungen (und Sequenzen von Verkehrszeichen-Datensätzen) ermittelt werden. Grundlage hierfür ist das Ergebnis des Trace-Mapmatchings aus Schritt S1, 301. Ein Pfad 222 ist dabei eine Folge von in einer festgelegten Richtung durchfahrbaren Straßenabschnitten 221, wobei der erste Straßenabschnitt 221 eines Pfades 222 keinen zur äußeren Bounding-Box 210 gehörenden, tatsächlich durchfahrenen Vorgänger und der letzte Straßenabschnitt 221 eines Pfades 222 keinen entsprechenden Nachfolger in der äußeren Bounding-Box 210 aufweist. Die Möglichkeit von Wendemanövern wird hierbei typischerweise ausgeschlossen.
In einem Schritt S3 303 werden somit ein oder mehrere Pfade 222 durch eine Zelle 211 bzw. durch eine Gruppe von Zellen 211, 212 bzw. durch einen entsprechenden Teilbereich 210 des Straßennetzes 200 ermitteln. Dabei können unterschiedliche Pfade 222 zumindest teilweise gemeinsame Straßenabschnitte 221 umfassen. Für einen Pfad 222 werden die Sequenzen von Verkehrszeichen-Datensätzen für eine Vielzahl von Durchfahrten der Pfade 222 ermittelt und als Pfad-Daten bzw. Messdaten 314 für den Pfad 222 bereitgestellt.
In einem Schritt S4 304 werden pro Pfad 222 die Schildmeldungen (d. h. die Verkehrszeichen-Datensätze) sämtlicher Überfahrten zu einer Liste bzw. zu einer Sequenz von Pfadclustern 315 aggregiert. Jedes Pfadcluster 315 repräsentiert hierbei einen Schildkandidaten, typischerweise mit Position, Orientierung, Typ, diversen Zusatzinformationen (bspw. zeitliche Einschränkungen der Gültigkeit) sowie die Menge der ihm zugeordneten Schildmeldungen. Mit Hilfe eines Clusteralgorithmus, vorzugsweise einer angepassten Variante des K-Means Algorithmus, kann für einen Pfad 222 die Konstellation bzw. Sequenz von Pfadclustern 315 ermittelt werden, die die für den Pfad 222 vorhandenen Schildmeldungen (d. h. Verkehrszeichen-Datensätze) bestmöglich erklärt. Als Maß für die Güte der gefundenen Lösung kann die Log-Likelihood der Konstellation des Pfades p in Bezug auf die gegebenen Schildmeldungen (als Optimierungskriterium) verwendet werden:
mit
wobei n_Überfahrten der Zahl von relevanten Überfahrten (des Pfades p) und n i / Schildmeldungen der Zahl der zu Überfahrt i vorhandenen Schildmeldungen entspricht, und wobei δ_ij = 1 falls die Schildmeldung j der Überfahrt i einem Pfadcluster 315 zugeordnet wurde (sonst δ_ij = 0). LLH ij / Zuordnung entspricht der Log-Likelihood der Schildmeldung j von Überfahrt i gegeben der Position des ihr zugeordneten Pfadclusters bzw. einem von der Fahrsituation abhängigen, empirisch ermittelten Wert, falls kein Pfadcluster zugewiesen wurde. Mit der „Position” eines Schildes 104, eines Pfadclusters 315 oder eines Superclusters 316 kann dessen eigentliche Position und ggf. dessen Orientierung gemeint sein. Das in diesem Dokument beschriebene Verfahren 300 ist entsprechend anwendbar, wenn das jeweilige Pfadcluster 315, Supercluster 316 oder Schild 104 ohne Orientierung modelliert wird.
p₁ entspricht der Wahrscheinlichkeit dafür, dass es sich bei einer beliebigen aber festen Schildmeldung (d. h. bei einem Verkehrszeichen-Datensatz) um eine Falschmeldung handelt, n p / Pfadcluster entspricht der Zahl M für den Pfad p betrachteten Pfadcluster 315, ε_ik = 1 falls dem Pfadcluster k eine Schildmeldung der Überfahrt i zugeordnet wurde (sonst ε_ik = 0), p₂ entspricht der Wahrscheinlichkeit dafür, dass ein auf dem Pfad 222 befindliches tatsächliches Schild 104 bei Durchfahren des Pfades 222 von dem Kamerasystem 102 eines Messfahrzeugs 101 erkannt und gemeldet wird und n_Prior entspricht einer festen Anzahl von virtuellen Überfahrten, bei denen keine Schilder 104 gemeldet wurden.
Durch Berücksichtigung der Wahrscheinlichkeit p₂ für das Detektieren eines auf dem durchfahrenen Pfad 222 befindlichen Schildes 104 kann gleichzeitig auch die Wahrscheinlichkeit für das Gegenereignis, d. h. die Nicht-Detektion eines tatsächlich vorhandenen Schildes 104, festgelegt werden. So kann die tatsächliche Zahl der vorhandenen Schilder 104 auf einem Pfad 222 mit erhöhter Genauigkeit ermittelt werden. Insbesondere führt bei wachsender Zahl von Durchfahrungen die ebenfalls wachsende Zahl von Schildmeldungen (d. h. Verkehrszeichen-Datensätzen) nicht dazu, dass die wachsende Zahl von Schildmeldungen durch eine größere Zahl von Pfadclustern 315 erklärt wird, da überflüssige Pfadcluster 315 in gleichem Maße, d. h. proportional zur Zahl der Überfahrten, durch die vergleichsweise kleine Log-Likelihood der Nicht-Detektion eines existierenden Schildes 104 bei Durchfahrung des zugehörigen Pfades 222 „bestraft” werden.
Die Berechnung von LLH ij / Zuordnung erfolgt anhand eines probabilistischen Modells, das die Wahrscheinlichkeit der Ausgabe einer bestimmten Schildmeldung (d. h. der Detektion eines Verkehrszeichens 104) in Abhängigkeit von der tatsächlichen Position und Orientierung des Schilds 104, dessen Typ und Zusatzinformationen und/oder der Position, Orientierung, Geschwindigkeit und/oder Drehrate des Fahrzeugs 101 beschreibt. Vorteilhafterweise können für die Modellierung der zu LLH ij / Zuordnung gehörenden Likelihood Modelle Normalverteilungen verwendet werden, die anhand zumindest einer der oben genannten Größen parametrisiert werden. So kann insbesondere der Einfluss von Geschwindigkeit und/oder Drehrate des Fahrzeugs 101 auf die Genauigkeit der gemeldeten Schildpositionen berücksichtigt werden, um auch bei einer starken Streuung der gemeldeten Schildpositionen die Ermittlung zusätzlicher falscher Schildpositionen zu vermeiden und um so eine höhere Zuverlässigkeit des Ergebnisses zu erzielen.
Ein mögliches Vorgehen zur Ermittlung der Pfadcluster 315 unter Verwendung einer angepassten Variante des K-Means-Algorithmus ist in 4 dargestellt. Im Schritt S4a 401 wird die Zahl der zu ermittelnden Cluster 315 eines Pfades 222 zunächst auf 0 festgelegt und der daraus resultierende Wert von LLH p / Pfad ermittelt. Im Anschluss wird die Zahl 412 der Cluster 315 auf 1 erhöht und es wird mit dem Schritt S4b 402 fortgefahren. In diesem Schritt 402 werden die Cluster 315 (deren Anzahl 412 in Schritt 401 festgelegte wurde) unter Berücksichtigung der vorhandenen Schildmeldungen (d. h. Verkehrszeichen-Datensätze) geeignet initialisiert, so dass initiale bzw. Ausgangs-Cluster-Positionen 413 bereitgestellt werden. Im Schritt S4c 403 erfolgt die Zuordnung von Schildmeldungen zu Clustern, so dass der Wert der Log-Likelihood LLH p / Pfad maximiert wird. Hierbei wird berücksichtigt, dass die Kamera 102 eines Fahrzeugs 101 (abgesehen von Falschmeldungen) pro real existierendem Schild 104 nur maximal eine Meldung ausgibt, so dass unterschiedliche Meldungen der gleichen Überfahrt von unterschiedlichen Schildern 104 herrühren müssen. Diese Bedingung kann derart berücksichtigt werden, dass jedem Cluster nur maximal eine Schildmeldung der gleichen Überfahrt zugeordnet werden kann. Gleichzeitig wird eine Schildmeldung einer Überfahrt nur maximal einem Cluster zugeordnet. Vorteilhafterweise kann das resultierende Zuordnungsproblem mit Hilfe der Ungarischen Methode bzw. des Kuhn-Munkres-Algorithmus gelöst werden. Es ergibt sich somit eine optimale Zuordnung 414 von Verkehrszeichen-Datensätzen der unterschiedlichen Überfahrten zu den unterschiedlichen Clustern. Das beschriebene Vorgehen ermöglicht es, den Umstand zu berücksichtigen, dass die Kamera 102 eines Fahrzeugs 101 (abgesehen von Falschmeldungen) pro real existierendem Schild 104 nur maximal eine Meldung ausgibt, so dass unterschiedliche Meldungen der gleichen Überfahrt von unterschiedlichen Schildern 104 herrühren müssen und somit die minimale Zahl vorhandener Schilder 104 besser bestimmt werden kann.
Ausgehend von der so ermittelten optimalen Zuordnung 414 der Schildmeldungen zu den Clustern wird im Anschluss die optimale Position 415 der Cluster (Schritt S4d 404) ermittelt. Bei der Verwendung von Normalverteilungen zur Modellierung von LLH ij / Zuordnung kann die optimale Position 415 eines Clusters effizient analytisch ermittelt werden. Die Schritte S4c, 403 und S4d, 404 werden so lange wiederholt, bis entweder die maximale Zahl von Iterationen (bspw. 10) erreicht ist (Abbruchbedingung 405) oder bis sich die Position 415 der Cluster im Vergleich zu dem letzten Durchlauf nicht wesentlich geändert hat (Abbruchbedingung 406). Für jede Anzahl 412 von Clustern (außer 0) können die Schritte S4b 402, S4c 403 und S4d 404 mit unterschiedlichen initalen Clusterpositionen 413 wiederholt werden (z. B. 10 Mal), um lokale Minima zu vermeiden.
Nach Abschluss eines vollständigen Durchlaufs der Schritte S4a, S4b, S4c und S4d wird geprüft, ob der beste Wert von LLH p / Pfad aller darin untersuchten Clusterkonstellationen den besten Wert von LLH p / Pfad der vorangegangenen (kleineren) Zahl 412 der Cluster (0 im ersten Durchlauf, 1 im zweiten Durchlauf, etc.) übertrifft. Ist dies der Fall, wird der entsprechende Wert und die zugehörige Clusterkonstellation als vorläufiges Ergebnis gespeichert und die Zahl 412 der Cluster in S4a 401 für einen erneuten Durchlauf der Schritte S4b 402, S4c 403 und S4d 404 um eins erhöht (Abbruchbedingung 407). Ist der beste Wert von LLH p / Pfad (d. h. des Optimierungskriteriums) der aktuellen Zahl 412 von Clustern schlechter als die der vorangegangenen Zahl 412 von Clustern, wird die zur vorangegangenen Zahl von Clustern gehörende Clusterkonstellation als endgültiges Ergebnis des Schrittes S4 ausgegeben (Abbruchbedingung 407). So können in iterativer Weise die optimale Anzahl M 412 von Pfadclustern 315 und die optimalen Cluster-Positionen 415 der M Pfadcluster 315 ermittelt werden.
Eine Variante des Schrittes S4 304 besteht darin, die vorhandenen Schildmeldungen (d. h. Verkehrszeichen-Datensätze) vorab nach Typ und/oder Zusatzinformationen zu sortieren und die Pfadcluster 315 entsprechend dem oben beschriebenen Vorgehen für jede der resultierenden Gruppen (z. B. für jeden Verkehrszeichen-Typ) separat zu ermitteln. Die Berechnung der Pfadcluster 315 wird dadurch effizienter. Des Weiteren kann so die Genauigkeit der ermittelten Pfadcluster 315 und Cluster-Positionen 415 erhöht werden.
Eine weitere Variante des Schrittes S4 304 besteht darin, anstelle von LLH ij / Zuordnung das mit minus 0.5 multiplizierte Quadrat der Mahalanobis-Distanz zwischen beobachteter und tatsächlicher Schildposition zu verwenden. Bei Nicht-Zuordnung der zu Überfahrt i gehörenden Schildmeldung j kann LLH ij / Zuordnung in diesem Fall durch eine heuristisch ermittelte Konstante, bspw. –4.5, ersetzt werden. Dieses Vorgehen entspricht dem ursprünglichen Verfahren unter Verwendung von Normalverteilungen zur Modellierung von LLH ij / Zuordnung jedoch bei verringertem Rechenaufwand.
Als Ergebnis des Schritts S4 304 erhält man für unterschiedliche Pfade 222 unterschiedliche Mengen von Pfadclustern 315, wobei eine Menge von Pfadclustern 315 die Positionen 415 von Verkehrszeichen 104 auf einem Pfad 222 anzeigt. Die zu einem ersten Pfad 222 gehörende Menge von Pfadclustern 315 repräsentiert dabei die Schilder 104, die von diesem ersten Pfad 222 aus durch die Sensorik 102 eines Messfahrzeugs 101 erfasst werden können. Allerdings kann jedes dieser Schilder 104 potenziell auch von einem anderen zweiten Pfad 222 aus gesehen werden – entweder, weil ein Teil dieses zweiten Pfads 222 mit einem Teil des ersten Pfads 222 identisch ist, oder weil das betreffende Schild 104 bspw. von einem Straßenabschnitt 221 des zweiten Pfads 222 aus sichtbar ist, der parallel zu einem Straßenabschnitt 221 des ersten Pfads 222 verläuft. Im Schritt S5 305 können daher die Pfadcluster 315 der verschiedenen Pfade 222 zu sogenannten Superclustern 316 fusioniert werden, um Überschneidungen zwischen den Mengen von Pfadclustern 315 unterschiedlicher Pfade 222 zu detektieren und um somit die Genauigkeit der ermittelten Cluster-Positionen 415 weiter zu erhöhen.
Jedes Supercluster 316 repräsentiert hierbei wiederum einen Schildkandidaten, z. B. mit Position, Orientierung, Typ und/oder diversen Zusatzinformationen (bspw. zeitliche Einschränkungen der Gültigkeit). Supercluster 316 können ähnlich wie Pfadcluster 315 ermittelt werden. Dabei werden anstelle einzelner Schildmeldungen (d. h. einzelnen Verkehrszeichen-Datensätzen) den Superclustern 316 einzelne Pfadcluster 315 zugeordnet. Da es sich bei den ermittelten Pfadclustern 315 eines Pfades 222 um unterschiedliche Schilder 104 handelt, darf jedem Supercluster 316 typischerweise nur maximal ein Pfadcluster 315 aus einem Pfad 222 zugeordnet werden.
Neben den einem Supercluster 316 zugeordneten Pfadclustern 315 weist jedes Supercluster 316 typischerweise die Information auf, zu welchem diskreten Straßenabschnitt 221 und zu welcher Fahrtrichtung das Supercluster 316 (d. h. das durch das Supercluster 316 angezeigte Schild 104) gehört, auf welcher Straßenseite das Schild 104 steht bzw. ob das Schild 104 z. B. an einer Schilderbrücke über der Straße angebracht ist. Ein solcher diskreter Straßenabschnitt 221 kann grundsätzlich eine beliebige aber feste Länge aufweisen, die allerdings eine vorgegebene Maximallänge von bspw. 50 Metern nicht überschreiten darf. Die Definition der Straßenabschnitte 221 kann einmalig vor Durchführung von Schritt S5 305 erfolgen (wie oben dargelegt).
Für eine gegebene Anzahl von Superclustern 316 mit zugeordneten Straßenabschnitten 221, Fahrtrichtungen und/oder Straßenseiten (einschließlich der Möglichkeit der Zugehörigkeit zu einer Schilderbrücke) soll im Folgenden die plausibelste Zuordnung der Pfadcluster 315, die plausibelste Position der Supercluster 316 sowie die von der Position abhängige Maßzahl LLH_Global für diese Plausibilität (als Supercluster-Optimierungskriterium) ermittelt werden. Die Maßzahl LLH_Global für die Plausibilität einer derartigen Zuordnung ergibt sich beispielsweise aus folgenden Gleichungen:
mit
wobei n_Pfade der Zahl der betrachteten Pfade 222 und n i / Pfadcluster der Zahl der zu Pfad i vorhandenen Pfadcluster 315 entspricht. δ_ij = 1 falls das Pfadcluster j des Pfades i einem Supercluster 316 zugeordnet wurde (sonst δ_ij = 0). LLH ij / Zuordnung entspricht der Log-Likelihood des Pfadclusters j von Pfad i gegeben der Position des ihm zugeordneten Superclusters 316 bzw. einem empirisch ermittelten Wert, falls kein Supercluster 316 zugewiesen wurde. p ij / 1 entspricht der Wahrscheinlichkeit, dass es sich bei den zu Pfadcluster j des Pfades i gehörenden Schildmeldungen um Falschmeldungen handelt, wobei vorteilhafterweise auch für alle Pfade i und Pfadcluster j der gleiche Wert für p ij / 1 gewählt werden kann. n_Supercluster entspricht der Zahl der betrachteten Supercluster 316. ε_ik = 1 falls dem Supercluster k ein Pfadcluster 315 des Pfades i zugeordnet wurde (sonst ε_ik = 0). p ik / 2 entspricht der empirisch ermittelten Wahrscheinlichkeit, dass das Supercluster k von Pfad i aus sichtbar ist und gemeldet wird, wobei unterschieden wird, ob der dem Supercluster 316 zugeordnete Straßenabschnitt 221 Teil von Pfad i ist oder nicht. LLH k / Clusterposition entspricht der Log-Likelihood der Position der Supercluster 316, gegeben der gewählten Zuordnung zu Straßenabschnitten 221, Fahrtrichtungen und/oder Straßenseiten. LLH_{Konfiguration} entspricht der Log-Likelihood eben dieser Zuordnung, wobei LLH_{Konfiguration} insbesondere auch Erfahrungswerte berücksichtigen kann, bspw. dass Schilder auf Autobahnen häufig auf beiden Seiten der Fahrbahn platziert sind oder dass Geschwindigkeitsbegrenzungsschilder in der Regel nicht direkt vor sondern eher nach Kreuzungen anzutreffen sind.
Durch geeignete Wahl von LLH ij / Zuordnung , p ij / 1 und p ik / 2 können neben den von den einzelnen Schildmeldungen herrührenden Messfehlern (Nicht- und Falscherkennung sowie Abweichungen in der gemeldeten Position) auch systematisch auftretende Erfassungsfehler berücksichtigt werden. Dies erlaubt die Berücksichtigung von Situationen, in denen bspw. ein vorhandenes Schild 104 von einem bestimmten Pfad 222 aus nicht sichtbar ist oder in denen die Erkennung stets einem bestimmten Fehler unterliegt. Die explizite Berücksichtigung derartiger Situationen erlaubt eine zuverlässigere Fusion der vorhandenen Information und eine genauere Bestimmung der tatsächlichen Schildposition. Es wird somit eine Verbesserung der Genauigkeit der ermittelten Schildpositionen ermöglicht, indem systematische Fehler in den gemeldeten Schildpositionen (d. h. in den Positionsdaten der Verkehrszeichen-Datensätze) in einem probabilistischen Modell berücksichtigt werden und dadurch weniger stark das Ergebnis beeinflussen.
Ein mögliches Vorgehen zur Ermittlung der Supercluster 316 unter Verwendung einer angepassten Variante des K-Means-Algorithmus ist in 5 dargestellt. Im Schritt S5a 501 wird zunächst eine Anzahl von Supercluster-Kandidaten 512 ermittelt, indem für jeden Straßenabschnitt 221, jede Fahrtrichtung und/oder jede Straßenseite zunächst ein Supercluster 315 (bspw. auf der Mitte des Straßenabschnitts 221 mit Orientierung entsprechend der Fahrtrichtung) instanziiert wird. Es kann dann der K-Means-Algorithmus, wie er auch später in den Schritten S5c 514 und S5d 515 zum Einsatz kommt, mit diesem Supercluster 316 als einzigen ausgewählten Clusterkandidaten durchgeführt wird. Die resultierende Log-Likelihood wird jeweils mit der LLH für den Fall, dass gar kein Clusterkandidat ausgewählt wird, verglichen. Ergibt sich bei Verwendung des Superclusters die höhere LLH, kommt dieser als Supercluster-Kandidat 316 für den eigentlichen Algorithmus in Frage.
Eine Besonderheit besteht bei der Straßenseite, die Schilderbrücken repräsentiert. Schilderbrücken weisen in der Regel mehrere Schilder auf, während ein Supercluster 316 typischerweise genau ein Schild repräsentiert. In einer besonderen Ausprägung des Algorithmus sind daher für die Straßenseite „Schilderbrücke” für jeden Straßenabschnitt 221 und für jede Fahrtrichtung unterschiedliche Anzahlen von Superclustern 316 für die Ermittlung des Schildkandidaten zu untersuchen. Die Anzahl von Superclustern 316 mit der höchsten LLH wird anschließend als Supercluster-Kandidat 512 aufgenommen, d. h. der Supercluster-Kandidat 512 besteht im Fall von „Schilderbrücken” aus mehreren Schildern 104.
Jeder der so ermittelten Supercluster-Kandidaten 512 hat die Eigenschaft, dass dessen Verwendung die bestehenden Pfadcluster 315 von unterschiedlichen Pfaden 222 für sich genommen besser erklärt als die Verwendung von gar keinem Supercluster-Kandidaten 512. Allerdings kann es sein, dass die LLH (Log-Likelihood) für die gleichzeitige Existenz der Supercluster zweier Kandidaten kleiner ist als die der Existenz nur eines der beiden Supercluster. Das Ziel ist es also, die Menge von Schildkandidaten zu finden, bei der die gleichzeitige Existenz der zugehörigen Supercluster die vorhandenen Pfadcluster bestmöglich erklärt bzw. bei der LLH_Global maximiert wird.
Auf Basis der ermittelten Supercluster-Kandidaten 512 wird daher in Schritt S5b 502 jeweils eine Teilmenge 513 der Kandidaten 512 ausgewählt, um anhand der Teilmenge der Kandidaten 512 den aus der gleichzeitigen Existenz der zugehörigen Supercluster resultierenden Wert von LLH_Global zu ermitteln. Die Auswahl der Kandidaten hängt hierbei vom eingesetzten Verfahren für die Lösung des vorliegenden Problems der diskreten Optimierung ab. Denkbar wäre eine vollständige Suche durch den Raum der möglichen Teilmengen, eine Variante davon mit vorzeitigem Abbruch bei bestimmten Bedingungen („Branch-And-Bound”) oder auch lokale Methoden wie Local-Hill-Climbing.
Beim Einsatz von Local-Hill-Climbing-Methoden wird der Wert von LLH_Global stückweise erhöht, indem gegenüber der zuletzt akzeptierten Menge 513 von Kandidaten 512 immer nur eine kleine Änderung, bspw. das Hinzufügen oder Entfernen eines oder mehrerer Kandidaten, zugelassen wird. Die derart modifizierte Menge 513 wird genau dann als neue Menge 513 von Kandidaten 512 akzeptiert, wenn der resultierende Wert von LLH_Global größer als der der vorherigen Menge 513 ist. Der Algorithmus endet, wenn es keine zulässige Änderung mehr gibt, die den Wert von LLH_Global noch erhöhen würde.
Vorteilhafterweise wird für den Schritt S5b 502 ein solches Local-Hill-Climbing-Verfahren verwendet. Um lokale Optima zu vermeiden, werden als lokale Änderungen das gleichzeitige Hinzufügen und Entfernen von maximal n Kandidaten 512, vorzugsweise n = 2, zugelassen.
Um die Konsistenz der Ergebnisse mit den bereits bei der Abarbeitung der benachbarten Zellen 212 ermittelten Schildpositionen sicherzustellen, wird für jede dieser bestehenden Schildpositionen einschließlich ihrer Zuordnung zu Straßenabschnitten 221, Fahrtrichtungen und/oder Straßenseiten ebenfalls ein Supercluster 316 erstellt. Diese bereits bestehenden, „alten” Supercluster 316 werden sowohl bei der Ermittlung der Kandidaten 512 für die „neuen” Supercluster 316 als auch bei der Suche nach deren optimaler Kombination berücksichtigt, dürfen dabei aber nicht in ihrer Position oder Zuordnung zu Straßenabschnitten 221, Fahrtrichtungen und/oder Straßenseiten verändert werden.
Die Ermittlung des zu einer Menge 513 von Kandidaten 512 gehörenden Werts von LLH_Global erfolgt größtenteils analog zu den Schritten S4c 413 und S4d 414. Ausgehend von den initialen Positionen der alten und neuen Supercluster wird im Schritt S5c 503 zunächst die optimale Zuordnung 514 der Pfadcluster 315 zu den alten und neuen Superclustern ermittelt, während im Schritt S5d 514 die Position 515 ausschließlich der neuen Supercluster unter Berücksichtigung der zugeordneten Pfadcluster 315 optimiert wird. In beiden Fällen dient LLH_Global als Maß für die Güte der gefundenen Lösung. Wie bereits erwähnt, darf jedem Supercluster 316 hierbei pro Pfad 222 nur ein Pfadcluster 315 zugeordnet werden. Die Schritte S5c 514 und S5d 515 werden solange wiederholt, bis entweder eine maximale Zahl von Iterationen erreicht ist (Abbruchbedingung 505) oder sich keine Veränderung in den Clusterpositionen 515 mehr ergibt (Abbruchbedingung 506).
Die Anpassung der Menge 513 der zu verwendenden Supercluster-Kandidaten 512 in Schritt S5b 502 und die darauffolgende Berechnung von LLH_Global in den Schritten S5c 503 und S5d 503 werden so lange iteriert, bis es keine zulässige Änderung der Menge 513 der zu verwendenden Kandidaten 512 mehr gibt, die LLH_Global noch erhöhen würde. Die zu der letzten akzeptierten Menge 513 von Kandidaten 512 gehörenden „neuen” Supercluster 316 stellen somit das Ergebnis des Schrittes S5 305 dar. Die optimalen Positionen der Supercluster 316 ergeben sich als die Cluster-Positionen 515 der zu der letzten akzeptierten Menge 513 von Kandidaten 512 gehörenden „neuen” Supercluster 316.
Unter Umständen können die ermittelten „neuen” Supercluster-Positionen 515 systematische Abweichungen zu den tatsächlichen Schildpositionen aufweisen. Die Wahrscheinlichkeitsverteilung für derartige Abweichungen wurde in der in S5 305 verwendeten LLH k / Clusterposition für jedes der Supercluster k bereits berücksichtigt. Im Ergebnis repräsentieren die Supercluster 316 jeweils die Position eines Schildes 104 inklusive der systematischen Abweichung.
Ausgehend von der Position 515 eines Superclusters 316 kann in einem Schritt S6 306 die wahrscheinlichste Position 317 des Schildes 104 ermittelt, indem
mit LLH k / Syst.Abweichung der Log-Likelihood der systematischen Abweichung des Superclusters k von der Position des zugehörigen Schildes, und LLH k / Schildposition der Log-Likelihood der Position des zugehörigen Schildes und LLH_{Konfiguration} der bekannten Log-Likelihood der Zuordnung der Supercluster zu Straßenabschnitten 221, Fahrtrichtungen und/oder Straßenseiten, die durch ein geeignetes Verfahren zur Variation der Schildpositionen maximiert wird.
Wie oben beschrieben, erfolgt die Berechnung der Schildpositionen 317 eines größeren Gebiets, indem dieses Gebiet in viele kleine Teilgebiete, sog. Zellen 211, zerlegt wird. Für jede dieser Zellen 211 existieren eine innere und eine äußere Bounding-Box. Grundsätzlich werden jeweils nur diejenigen im Schritt 56 306 ermittelten Schildpositionen (d. h. Cluster-Positionen) 317 gespeichert, die sich in der inneren Bounding-Box 211 befinden, da die anderen Schildpositionen später bei der Abarbeitung der benachbarten Zellen 212 noch einmal ermittelt werden, wenn sie sich in der inneren Bounding-Box der jeweiligen Zelle befinden. Es können somit die ermittelten Schildpositionen 317 außerhalb der inneren Bounding-Box 211 verworfen werden (Schritt S7 307).
In einer besonderen Ausprägung des Verfahrens 300 werden zusätzlich diejenigen neu ermittelten Schildpositionen 317, die sich in einem bestimmten Bereich der inneren Bounding-Box benachbarter und bereits abgearbeiteter Zellen befinden, den Schildpositionen der jeweiligen Zellen hinzugefügt. Dadurch wird vermieden, dass bestimmte Schilder gar nicht gespeichert werden, da sie sich bei der Abarbeitung der benachbarten Zellen außerhalb der inneren Bounding-Box befanden, bei der Abarbeitung der aktuellen Zelle aufgrund der veränderten Menge von Eingangsdaten jedoch in der inneren Bounding-Box der benachbarten Zelle verortet wurden. Dadurch, wie auch durch das in den Schritten S1 301 und S2 302 beschriebene Vorgehen der Unterteilung eines Gebiets in einzelne Zellen 211, sowie durch die Berücksichtigung bereits ermittelter Schildpositionen im Schritt S5 305, wird es möglich, das Verfahren 300 in recheneffizienter Weise auf beliebig großen Gebieten auszuführen.
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.

Claims

Verfahren (300) zur Ermittlung von Positionen von Verkehrszeichen (104) in einem Straßennetz (200), wobei das Verfahren (300) umfasst, – Ermitteln (303) eines Pfades (222) durch einen Teilbereich (210) des Straßennetzes (200); – Ermitteln (303) von Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen (101) entlang des Pfades (222); wobei die Messdaten mittels Umfeldsensorik (102) der ein oder mehreren Fahrzeuge (101) erfasst wurden; wobei die Messdaten einer Fahrt ein oder mehrere Verkehrszeichen-Datensätze für entsprechende ein oder mehrere detektierte Verkehrszeichen (104) umfassen, die bei der Fahrt entlang des Pfades (222) detektiert wurden; wobei ein Verkehrszeichen-Datensatz für ein detektiertes Verkehrszeichen (104) Positionsdaten bezüglich einer Position des detektierten Verkehrszeichens (104) umfasst; und – Ermitteln (304), auf Basis der Messdaten, einer Anzahl M (412) von Clustern (315, 316) zur Gruppierung der Verkehrszeichen-Datensätze und Positionen (415, 317) der M Cluster (315, 316) entlang des Pfades (222), so dass ein Optimierungskriterium verbessert wird; wobei ein Cluster (315, 316) zumindest ein Verkehrszeichen (104) anzeigt; wobei die Position (415, 317) eines Clusters (315, 316) die Position zumindest eines Verkehrszeichens (104) anzeigt; und wobei das Optimierungskriterium von einer Wahrscheinlichkeit dafür abhängt, dass ein Verkehrszeichen (104) bei einer Fahrt entlang des Pfades (222) von der Umfeldsensorik (102) der ein oder mehreren Fahrzeuge (101) detektiert wird.
Verfahren (300) gemäß Anspruch 1, wobei – der Pfad (222) tatsächliche Verkehrszeichen (104) an tatsächlichen Positionen aufweist, die durch die Messdaten repräsentiert werden; und das Optimierungskriterium die Wahrscheinlichkeit dafür anzeigt, das die ermittelten Positionen (415, 317) der M Cluster (315, 316) den tatsächlichen Positionen der tatsächlichen Verkehrszeichen (104) entlang des Pfades (222) entsprechen.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei das Optimierungskriterium von einem probabilistischen Modell für Messfehler in den Positionsdaten bezüglich der Position des detektierten Verkehrszeichens (104) abhängt.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei das Optimierungskriterium von einer Wahrscheinlichkeit dafür abhängt, dass es sich bei einem detektierten Verkehrszeichen (104) bei einer Fahrt entlang des Pfades (222) um eine Fehldetektion handelt.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei – das Optimierungskriterium von einem Wahrscheinlichkeits-Modell abhängt, das die Wahrscheinlichkeit der Detektion eines Verkehrszeichens (104) in Abhängigkeit von einem Zustand eines Fahrzeugs (101) bei der Fahrt entlang des Pfades (222) anzeigt; und – der Zustand des Fahrzeugs (101) insbesondere von einer Geschwindigkeit und/oder einer Drehrate des Fahrzeugs (101) abhängt.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei das Ermitteln (304) der Positionen (415, 317) der M Cluster (315, 316) umfasst, Zuordnen (403) der Verkehrszeichen-Datensätze der Vielzahl von Fahrten zu den M Clustern (315, 316) derart, dass – einem Cluster (315, 316) maximal nur ein Verkehrszeichen-Datensatz einer Fahrt der Vielzahl von Fahrten zugeordnet wird; und – ein Verkehrszeichen-Datensatz nur einem Cluster (315, 316) zugeordnet wird.
Verfahren (300) gemäß Anspruch 6, wobei das Ermitteln (304) der Positionen (415, 317) der M Cluster (315, 316) umfasst, Ermitteln (404) der Position (317) eines Clusters (315, 316) auf Basis der Positionsdaten der ein oder mehreren Verkehrszeichen-Datensätze, die dem Cluster (315, 316) zugeordnet wurden.
Verfahren (300) gemäß einem der Ansprüche 6 bis 7, wobei das Optimierungskriterium von einem Abstand zwischen der ermittelten Position (317) eines Clusters (315, 316) und Positionen von ein oder mehreren detektierten Verkehrszeichen (104) abhängt, deren ein oder mehreren Verkehrszeichen-Datensätze dem Cluster (315, 316) zugeordnet sind.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei das Ermitteln (304) der Anzahl M (412) von Clustern (315, 316) umfasst, – Ermitteln (404) eines Wertes des Optimierungskriteriums für unterschiedliche Anzahlen (412) von Clustern (315, 316); und – Ermitteln (304) der Anzahl M (412) auf Basis der Werte des Optimierungskriteriums für die unterschiedlichen Anzahlen (412) von Clustern (315, 316).
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei das Optimierungskriterium für einen Pfad p umfasst
mit
wobei – n_Überfahrten der Anzahl von Fahrten entlang des Pfads p entspricht; – n i / Schildmeldungen der Anzahl von Verkehrszeichen-Datensätzen für die i^te Fahrt entspricht; – LLH ij / Zuordnung die Wahrscheinlichkeit, insbesondere die Log Likelihood, dafür anzeigt, dass der Verkehrszeichen-Datensatz j der i^ten Fahrt einem Cluster (315, 316) zugeordnet ist; – LLH ij / Zuordnung von einem Abstand zwischen einer Position des detektierten Verkehrszeichens (104) des Verkehrszeichen-Datensatzes j der i^ten Fahrt und der ermittelten Position (317) eines Clusters (315, 316) abhängt, dem der Verkehrszeichen-Datensatz j der i^ten Fahrt zugeordnet ist, oder einem empirisch ermittelten Wert entspricht, wenn der Verkehrszeichen-Datensatz j der i^ten Fahrt keinem Cluster (315, 316) zugeordnet ist; – δ_ij den Wert 1 oder 0 annimmt, je nachdem, ob der Verkehrszeichen-Datensatz j der i^ten Fahrt einem Cluster (315, 316) zugeordnet ist oder nicht; – p₁ eine Wahrscheinlichkeit dafür anzeigt, dass es sich bei einem Verkehrszeichen-Datensatz um eine Falschmeldung handelt; – n p / Pfadcluster der Anzahl von Clustern (315, 316) auf dem Pfad p entspricht; – ε_ik den Wert 1 oder 0 annimmt, je nachdem, ob dem Cluster k ein Verkehrszeichen-Datensatz der i^ten Fahrt zugeordnet wurde oder nicht; – p₂ eine Wahrscheinlichkeit dafür anzeigt, dass ein auf dem Pfad p befindliches tatsächliches Verkehrszeichen (104) bei einer Fahrt entlang des Pfades p detektiert wird; und – n_Prior einer Anzahl von virtuellen Fahrten entspricht, bei denen keine Verkehrszeichen (104) detektiert werden.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren (300) umfasst, – Ermitteln (304) der Positionen (415) von Clustern (315), im Folgenden als Pfadcluster (315) bezeichnet, für einen ersten Pfad (222) und für einen zumindest teilweise unterschiedlichen zweiten Pfad (222); – der erste Pfad (222) einen ersten Straßenabschnitt (221) und der zweite Pfad (222) einen zweiten Straßenabschnitt (221) des Straßennetzes (200) umfasst; – der erste Straßenabschnitt (221) und der zweite Straßenabschnitt (221) derart ausgelegt sind, dass bei einer Fahrt entlang des zweiten Straßenabschnittes (221) ein Verkehrszeichen (104) auf dem ersten Straßenabschnitt (221) detektiert werden kann; – Ermitteln (305), auf Basis der Pfadcluster (315) für den ersten und zweiten Pfad (222), einer Position (317) eines Superclusters (316) für den ersten Straßenabschnitt (221), so dass ein Supercluster-Optimierungskriterium verbessert wird; wobei das Supercluster (316) zumindest ein Verkehrszeichen (104) anzeigt; und wobei die Position (317) des Superclusters (316) die Position des zumindest einen Verkehrszeichens (104) anzeigt.
Verfahren (300) gemäß Anspruch 11, wobei das Supercluster-Optimierungskriterium von einer Wahrscheinlichkeit dafür abhängt, dass ein Verkehrszeichen (104) eines Straßenabschnitts (221) bei der Fahrt entlang eines anderen Straßenabschnitts (221) erfasst werden kann.
Verfahren (300) gemäß einem der Ansprüche 11 bis 12, wobei das Supercluster-Optimierungskriterium von einer Plausibilität der ermittelten Position (317) des Superclusters (316) für den ersten Straßenabschnitt (221) in Bezug auf typische Positionen von Verkehrszeichen (104) in einem Straßenabschnitt (221) abhängt.
Verfahren (300) gemäß einem der Ansprüche 11 bis 13, wobei das Supercluster-Optimierungskriterium von einem Abstand zwischen der ermittelten Position (317) des Superclusters (316) und der Positionen der ein oder mehreren Pfadcluster (315) abhängt, die dem Supercluster (316) zugeordnet sind.
Verfahren (300) gemäß einem der Ansprüche 11 bis 14, wobei das Supercluster-Optimierungskriterium umfasst
mit
wobei – n_Pfade der Anzahl von Pfaden (222) entspricht, die für die Ermittlung von Superclustern (316) betrachtet werden; – n i / Pfadcluster der Anzahl von Pfadclustern (315) des i^ten Pfades entspricht; – LLH ij / Zuordnung,Supercluster die Wahrscheinlichkeit, insbesondere die Log Likelihood, dafür anzeigt, dass der Pfadcluster j des i^ten Pfades einem Supercluster (316) zugeordnet ist; – LLH ij / Zuordnung,Supercluster von einem Abstand zwischen einer Position des Pfadclusters j des i^ten Pfades und der ermittelten Position (317) eines Superclusters (316) abhängt, dem der Pfadclusters j des i^ten Pfades zugeordnet ist, oder einem empirisch ermittelten Wert entspricht, wenn der Pfadclusters j des i^ten Pfades keinem Supercluster (316) zugeordnet ist; – δ^S _ij den Wert 1 oder 0 annimmt, je nachdem, ob der Pfadclusters j des i^ten Pfades einem Supercluster (316) zugeordnet ist oder nicht; – p ij / 1 eine Wahrscheinlichkeit dafür anzeigt, dass es sich bei den ein oder mehreren dem Pfadcluster j des i^ten Pfades zugeordneten Verkehrszeichen-Datensätzen um Falschmeldungen handelt; – n_Supercluster der Anzahl von zu ermittelnden Superclustern (316) entspricht; – ε^S _ik den Wert 1 oder 0 annimmt, je nachdem, ob dem Supercluster k ein Pfadcluster des i^ten Pfades zugeordnet wurde oder nicht; – p ik / 2 eine Wahrscheinlichkeit dafür anzeigt, dass ein Verkehrszeichen (104) des Superclusters k vom i^ten Pfad aus sichtbar ist und detektiert wird; – LLH k / Clusterposition eine Wahrscheinlichkeit, insbesondere eine Log-Likelihood, der ermittelten Position (317) eines Superclusters (316) für den Straßenabschnitt (221) anzeigt, dem der Supercluster (316) zugeordnet wurde; und – LLH_{Konfiguration} eine Wahrscheinlichkeit, insbesondere eine Log-Likelihood, der Zuordnung zwischen Supercluster (316) und Straßenabschnitt (221) anzeigt.
Verfahren (300) gemäß einem der Ansprüche 11 bis 15, wobei – das Verfahren (300) umfasst, Ermitteln der Positionen (415) von M_l Pfadclustern (315) für L unterschiedliche Pfade (222); – L eine ganze Zahl ist, mit L > 0; – M_l die Anzahl von Pfadclustern (315) auf dem l^ren Pfad (222) anzeigt, mit l = 1, ..., L; und – das Verfahren (300) umfasst, Ermitteln, auf Basis der Pfadcluster (315) der L unterschiedlichen Pfade (222), einer Anzahl N von Superclustern (316), so dass das Supercluster-Optimierungskriterium verbessert wird.
Verfahren (300) gemäß einem der vorhergehenden Ansprüche, wobei – der Teilbereich (210) eine erste Zelle (211) umfasst, die durch eine zweite Zelle (212) zumindest teilweise umschlossen wird; – das Verfahren (300) umfasst, Verwerfen (307) eines Cluster (315, 316) der M Cluster (315, 316), deren Position in der zweiten Zelle (212) und/oder nicht in der ersten Zelle (211) liegt; und – das Verfahren (300) für einen weiteren Teilbereich (210) ausgeführt wird, in dem die zweite Zelle (212) durch ein oder mehrere weitere Zellen (212) zumindest teilweise umschlossen wird.
Auswerteeinheit zur Ermittlung von Positionen von Verkehrszeichen (104) in einem Straßennetz (200), wobei die Auswerteeinheit eingerichtet ist, – einen Pfad (222) durch einen Teilbereich (210) des Straßennetzes (200) zu ermitteln; – Messdaten einer Vielzahl von Fahrten von ein oder mehreren Fahrzeugen (101) entlang des Pfades (222) zu ermitteln; wobei die Messdaten mittels Umfeldsensorik (102) der ein oder mehreren Fahrzeuge (101) erfasst wurden; wobei die Messdaten einer Fahrt ein oder mehrere Verkehrszeichen-Datensätze für entsprechende ein oder mehrere detektierte Verkehrszeichen (104) umfassen, die bei der Fahrt entlang des Pfades (222) detektiert wurden; wobei ein Verkehrszeichen-Datensatz für ein detektiertes Verkehrszeichen (104) Positionsdaten bezüglich einer Position des detektierten Verkehrszeichens (104) umfasst; und – auf Basis der Messdaten, eine Anzahl M (412) von Clustern (315, 316) zur Gruppierung der Verkehrszeichen-Datensätze und Positionen (415, 317) der M Cluster (315, 316) entlang des Pfades (222) zu ermitteln, so dass ein Optimierungskriterium verbessert wird; wobei ein Cluster (315, 316) zumindest ein Verkehrszeichen (104) anzeigt; wobei die Position (415, 317) eines Clusters (315, 316) die Position zumindest eines Verkehrszeichens (104) anzeigt; und wobei das Optimierungskriterium von einer Wahrscheinlichkeit dafür abhängt, dass ein Verkehrszeichen (104) bei einer Fahrt entlang des Pfades (222) von der Umfeldsensorik (102) der ein oder mehreren Fahrzeuge (101) detektiert wird.