WO2019141311A1 - Verfahren zur detektion eines objektes - Google Patents

Verfahren zur detektion eines objektes Download PDF

Info

Publication number
WO2019141311A1
WO2019141311A1 PCT/DE2019/100022 DE2019100022W WO2019141311A1 WO 2019141311 A1 WO2019141311 A1 WO 2019141311A1 DE 2019100022 W DE2019100022 W DE 2019100022W WO 2019141311 A1 WO2019141311 A1 WO 2019141311A1
Authority
WO
WIPO (PCT)
Prior art keywords
evidence
mass
evidence mass
predicted
actual
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.)
Ceased
Application number
PCT/DE2019/100022
Other languages
English (en)
French (fr)
Inventor
Sascha Steyer
Georg Tanzmeister
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to US16/961,311 priority Critical patent/US11409841B2/en
Priority to CN201980008218.2A priority patent/CN111587430B/zh
Publication of WO2019141311A1 publication Critical patent/WO2019141311A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Definitions

  • the invention relates to a method and a corresponding
  • Processing unit e.g. enable a vehicle to detect and / or track an object in the vicinity of the vehicle based on sensor data.
  • a vehicle typically includes a plurality of different environmental sensors configured to acquire different sensor data relating to an environment of the vehicle.
  • Exemplary environmental sensors are
  • one or more objects may be detected in an environment of the vehicle.
  • Vehicle can be detected and tracked. Particular focus is on avoiding or reducing information loss caused by temporary obscurity.
  • independent claim dependent patent claim without the features of the independent claim or only in combination with a subset of the features of the independent claim own and of the combination of all features of the independent claim independent invention, which may be the subject of an independent claim, a divisional application or a subsequent application. This applies equally to technical teachings described in the specification, which may form an independent invention of the features of the independent claims.
  • a method for detecting an object in a spatial area includes, for each of a plurality of cells of the spatial area, determining based on sensor data regarding the spatial area, a first measured evidence mass for a first hypothesis that a cell is occupied at a current time, and a second measured evidence mass for a second hypothesis that the cell is at the current
  • the method comprises predicating based on a first actual evidence mass for the first hypothesis and based on a second actual evidence mass for the second hypothesis at a previous time and based on a plurality of particles for a corresponding one Variety of movement hypotheses for the cell, a first predicted evidence mass for the first hypothesis and a second predicted evidence mass for the second hypothesis at the current time.
  • the method includes determining the first actual evidence mass and the second actual evidence mass at the current time by combining the first measured evidence mass and the second measured evidence mass with the first predicted evidence mass and the second predicted evidence mass on the current time.
  • the method comprises determining a position of an object in the spatial area at the current time, based on the first actual evidence mass and the second actual evidence mass at the current time for the plurality of cells.
  • a grid with a plurality of cells is thus determined, each cell having actual evidence for different hypotheses.
  • the actual evidence at a current point in time is determined by prediction on the basis of the actual evidence of the previous point in time and on the basis of a
  • Particle filter determined. Furthermore, a merger and / or a
  • Adaptation of predicted evidence with measured evidence This enables a reliable and robust classification of the spatial area.
  • information losses due to a temporary occlusion of a partial area of the spatial area can be reduced or avoided by the accumulation of the evidence mass measured at different times in a grid.
  • a processing unit configured to execute the method described in this document is described.
  • a vehicle such as a road vehicle (especially a passenger car or a truck or a bus), and / or a mobile robot that includes the processing unit described in this document are described.
  • SW software program
  • the SW program may be set up to be executed on a processor (e.g., on a controller of a vehicle) and thereby perform the method described in this document.
  • a storage medium may include a SW program that is set up to run on a processor and thereby perform the method described in this document. It should be understood that the methods, devices and systems described herein may be used alone as well as in combination with other methods, devices and systems described in this document. Furthermore, any aspects of the methods, devices, and systems described herein may be combined in a variety of ways. In particular, the features of the claims can be combined in a variety of ways.
  • FIG. 1 shows an exemplary vehicle with a plurality of different environmental sensors
  • Figure 2 is an exemplary grid of an environment of a vehicle
  • FIG. 3 shows exemplary particles of a cell of a grid
  • FIG. 4 shows a flow diagram of an exemplary method for detecting an object
  • FIG. 5 is a flow chart of an example method for determining a occupancy grid for a spatial area.
  • FIG. 1 shows a vehicle 100 having one or more environment sensors 111 for acquiring sensor data.
  • the vehicle 100 further comprises a processing unit 101, which is set up, based on the sensor data, an object 150 in the environment of
  • a detected object 150 may then be used in a vehicle function 102 (e.g., for semi-automated or highly automated driving of the vehicle 100).
  • the present document is particularly concerned with the consistent multisensorial modeling of the environment of a vehicle 100 which static obstacles, passable areas and / or dynamic objects 150 on different levels of abstraction and estimates them holistically.
  • the local environment can be estimated or represented as Dynamic Occupancy Grid Map or Raster 200 (see FIG. 2).
  • the dynamics estimation with respect to the movement of objects 150 may be done using a particulate filter.
  • the measurement data or sensor data are accumulated within the map or the grid 200 and the particle filter is used (only or only) based on the accumulated data of the grid 200. This prevents the loss of information of a static environment in the event of occlusion.
  • the computational effort can be substantially reduced since the static environment is mapped directly within a grid 200 without particles. Based on the raster 200, a reliable and precise object tracking can then take place.
  • FIG. 2 shows an exemplary grid 200 of an environment of the vehicle 100 having a plurality of grid cells or cells 201 for short.
  • the grid 200 may divide the environment of the vehicle 100 into the plurality of two- or three-dimensional cells 201.
  • a two-dimensional cell 201 can have a rectangular shape (for example with an edge length of 10 cm, 5 cm, 2 cm, or less).
  • the processing unit 101 may be configured to determine measurement data based on the sensor data for one or more of the cells 201 (in particular for each cell 201), which indicate whether or not a cell 201 is occupied at a particular time t.
  • the measurement data z c can be displayed for a cell c 201
  • m (SD) m ( ⁇ S, D ⁇ ' ) is an evidence that the cell c 201 is occupied by an object 150 that can not be clearly identified as static or dynamic
  • the evidence that the cell 201 is occupied by an object 150 can be regarded as an object probability or as a lower bound of the object probability that the cell 201 is occupied by an object 150 (in particular in the sense of the Dampster). Shafer theory).
  • an occupancy grid M t 200 can be provided which indicates different evidences for different hypotheses for the different cells 201,
  • m (S t ) indicates the evidence or evidence mass for the fact that the cell c 201 is occupied by a static object 150 at the time t.
  • m (Z) t ) indicates the evidence for the fact that cell c 201 is inserted at time t
  • the occupancy grid M t describes the status or the state of the cells 201 of the grid 200 at a specific time t.
  • the evidences or evidence masses of the occupancy grid M t are also referred to as actual evidence in this document.
  • the movement of a possible object 150 can be described by so-called particles.
  • the evidence mass of a cell 201 that a moving object 150 is present and / or present could be divided among a plurality of particles.
  • the evidence mass m (D t ) and / or the evidence mass m (SD t ) are divided into a plurality of particles 300.
  • the particles 300 may have different movements 301, in particular different speeds and / or directions of movement.
  • R different directions of movement and V different speeds with a certain resolution can be taken into account, so that in a cell 201 R x V different particles 300 are initialized. It can thus at the
  • Initialization of particles 300 for a cell 201 assume that the object 150 to which cell 201 belongs may arbitrarily move.
  • the occupancy grid M t and the particles 300 may be used to predict an occupancy grid M ' t for a subsequent time.
  • the (predicated) occupancy grid M ' t for the time t can be predicted from the (actual) occupancy grid M t-1 and / or the particles 300 for a previous time t-1. It can be for the
  • tick (') indicates that it is a (static) predicated
  • the dynamic aspects can be considered on the basis of the particles 300.
  • the sum of the evidence masses of the particles 300 can be determined, which at the time t into the respective cell 201 fall. Based on this, the evidence mass can then be determined for a cell 201 to be a dynamic object 150, eg
  • X o c is the sum of the masses of evidence of the particles 300 falling into a particular cell 201.
  • the min () function can be used to ensure that the (dynamically) predicted evidence mass m a cell c 201 does not become greater than one. This results in a dynamically predicted
  • Occupancy grid M t The dynamically predicted occupancy grid M t and the statically predicted occupancy grid M ' t can be superimposed to a predicted occupancy grid
  • Occupancy grid M t to determine, for example by means of
  • Measurements available that can be summarized in a measured occupancy grid M zt .
  • the measured occupancy grid M Z t can display the evidence m (SD zt and m ⁇ F zt for each cell 201.
  • the predicted occupancy grid M t can then be combined with the measured occupancy grid M z, t to determine the actual occupancy grid M t am Time t to determine, ie
  • the combination of evidence can be made by multiplying evidence for compatible hypotheses.
  • conflicts can arise with incompatible hypotheses. Such a conflict may in particular occur if the current measurement data indicates an evidence mass for an unoccupied cell 201, ie m ⁇ F zt ), while the predicated one
  • Occupancy grid M t Displays evidence masses for a static, a dynamic or an ambiguously static or dynamic object 150. The resulting conflict evidence
  • hypothesis SD increased, but not the evidence for the hypotheses S and D.
  • m (SD ⁇ M t ® c M zt ) can describe the multiplication of the evidence of the hypotheses whose intersection corresponds to the described hypothesis, in this case the hypothesis SD with the associated combined amount ⁇ 5, D ⁇ from the
  • f D is a positive number less than one, which may depend on the number of particles 300 in the cell 201 under consideration.
  • f D can depend on the measured value of the radial velocity of the cell 201 under consideration, wherein the measured value can be detected, for example, by means of a radar sensor 111.
  • f D can increase with increasing speed.
  • f D can be selected as a function of information from classification algorithms, for example based on image sensors.
  • f D may depend on parent object tracking of extended objects that may extend over several adjacent cells 201, where f D may increase in the vicinity of expected extended predicted objects.
  • evidence mass that would be assigned in combining the hypothesis for a dynamic object 150 may also be at least partially redistributed to the hypothesis SD for measurement errors or erroneous ones
  • Evidence mass m (FD t ) of the FD hypothesis ie the hypothesis that the cell 201 is free or dynamically occupied
  • the measured evidence mass m (SD zt ) represents the SD hypothesis for a non-classified occupancy
  • the evidence mass for a dynamic object D can also be taken into account, with a higher evidence mass m (5 t ) reducing the density of particles 300, since the particles 300 correspond to the hypotheses of dynamic objects.
  • the density may be multiplied by a maximum value of particles 300 for a cell 201 to determine the adaptive number of particles 300 for a cell 201.
  • the number of Particles are selected in a cell regardless of the evidence and be defined, for example, to a constant fixed value.
  • the available particles 300 at least a portion may be derived from the predicted particles 300 of the previous time (t-1) predicted in the respective cell 201.
  • a filtering along the direction of movement of an object 150 can take place.
  • a (relatively low) number of randomly distributed new particles 300 may be generated.
  • the total dynamic evidence mass m (D t ) of a cell 201 can be uniformly distributed over the total number of particles 300 of the cell 201, so that the sum of the
  • Evidence mass m (D t ) corresponds to this cell 201.
  • the updated particles 300 can in turn be used to determine a dynamically predicted occupancy grid M t + 1 for a subsequent time t + 1.
  • FIG. 5 illustrates an iterative method 500 for updating an (actual) occupancy grid M t 505 (which for each cell 201 of the grid 200 has actual masses m (S t ), m (D t ), m (SD t ), m (F t ), m (FD t )) based on sensor data 501 from one or more environmental sensors 111.
  • the method 500 may be for a sequence of times t-1, t, t + 1, t +
  • a measured occupancy grid M zt 502 can be determined on the basis of the sensor data 501 (comprising evidence mass m (SD zt ), m (F zt ) measured for each cell 201 of the grid 200).
  • the measured occupancy grid M zt 502 can be combined 504 with a predicted occupancy grid M t 503.
  • the predicted occupancy grid M t 503 can be determined by combining 510 a statically predicted occupancy grid M ' t and a dynamically predicted occupancy grid M t .
  • the statically predicted occupancy grid M ' t can be replaced by a Mapping process 506 from the (actual) occupancy grid M t-1 505 of the previous time point (t-1) predicted or determined.
  • the dynamically predicted occupancy grid M t can be determined by a particle tracking process from the actual D-evidence mass m (D t-1 ) of the individual cells 201 at the preceding time (t-1).
  • the particle tracking process may comprise a resampling step 507, in which the actual D-content mass m (D t-1 ) of a cell 201 is distributed to old and / or new particles 300. Based on the movement 301 of these particles 300, a movement and / or distribution of the particle evidence mass within the grid 200 can then be predicted 508 to the current time t. From the
  • the dynamically predicted D-level mass m (D t ) of the individual cells 201 can be determined 509 (eg based on the sum of the particle evidence mass in the respective cell 201).
  • FIG. 4 shows a flow chart of an exemplary method 400 for
  • the spatial area may e.g. the environment or the environment of a vehicle 100 be.
  • the spatial area may be divided into a grid 200 having a plurality of cells 201.
  • the method 400 may be performed by an evaluation unit 101, in particular a vehicle 100.
  • the method 400 comprises, for a cell 201 (in particular for each cell 201) of the plurality of cells 201 of the spatial area, the determining 401, based on sensor data relating to the spatial area, of a first measured evidence mass, eg m (SD zt ), for a first hypothesis, eg for the SD hypothesis, that the cell 201 is occupied at a current time t. Furthermore, on the basis of the sensor data, a second measured evidence mass, eg m (F zt ), for a second hypothesis, eg for the F hypothesis, that the cell 201 at the current time t is not occupied or could not be occupied, are determined.
  • a first measured evidence mass eg m (SD zt )
  • F zt second measured evidence mass
  • the sensor data can be detected by means of one or more environment sensors 111.
  • a certain temporal sampling rate e.g.
  • sensor data can be provided at a sequence of times.
  • the method 400 may be repeated iteratively for the sequence of times.
  • the first measured evidence mass and the second measured evidence mass can each be determined in isolation on the basis of the sensor data of a respective time point.
  • the evidence mass m SD zt ) and (F zt ) can thus be determined.
  • the first evidence mass for the first hypothesis may include an S evidence mass m (S) for a "statically occupied", in short, S, hypothesis that the cell 201 is occupied by a static object 150.
  • the first evidence mass for the first hypothesis may include a D-evidence mass m D) for a "dynamically occupied", in short D, hypothesis that the cell 201 is occupied by a moving, dynamic object 150.
  • the first evidence mass for the first hypothesis may include an SD evidence mass m SD) for an "unknown occupied", in short SD, hypothesis that the cell 201 is occupied by an object 150 of which is not known whether it is static or dynamic.
  • the second evidence mass for the second hypothesis may include an F evidence mass m (F) for a "free", short F, hypothesis that there is no object 150 in the cell 201.
  • the second evidence mass for the second hypothesis may include an FD evidence mass m (FD) for a "transient-free", short FD, hypothesis that the cell 201 is not occupied or only temporarily occupied by a dynamic object 150 is.
  • the FD hypothesis may apply if a cell 201 that was previously vacant is obscured by an object 150 and thus can not be uniquely determined as to whether the cell 201 is vacant or occupied by a dynamic object 150.
  • the state of a cell 201 at a particular time t may be represented by the actual 5-evidence mass m (S t), the actual D-confidence mass m (D t ), the actual SD-confidence mass m (SD t), the actual F-weight Evidence mass m (F t ) and / or the actual FD viable mass m (FD t ) are described.
  • the individual evidence masses are typically normalized to values between 0 and 1.
  • the evidence masses are typically defined such that the sum of the evidence masses for the different hypotheses is less than or equal to one.
  • the individual evidence masses may indicate the likelihood that the corresponding hypothesis for cell 201 will apply.
  • the evidence can be based on the evidence theory of Dempster-Shafer.
  • the method 400 includes predicating 402 a first one
  • the first and second predicted evidence masses at the current time t can be based on the actual evidence mass, eg m (5D t-1 ), m (5 t-1 ) and / or m (D t-1 ), for the first hypothesis , eg for the SD hypothesis, the S hypothesis and / or D hypothesis, and based on the second actual evidence mass, eg m (F t-1 ) and / or m (FD t-1 ), for the second hypothesis , eg for the F-hypothesis and / or for the FD-hypothesis, are predicted at a previous time (tl).
  • a plurality of particles 300 for a corresponding plurality of motion hypotheses for the cell 201 may be considered in the prediction 402 of the first and second predicted weights of evidence.
  • a movement hypothesis can be a hypothesis in relation to the
  • At least a portion of the particles 201 of the plurality of cells 201 may then be in a particular cell 201 at the current time t.
  • the plurality of particles 300 used to predict 402 the first and second predicted weights of the particular cell 201 may be be the particles 300 that were defined at the previous time (tl) and that fall into the particular cell 201 due to their movement 301 at the current time t.
  • the actual evidence masses from the preceding time point (t-1) and particle 300 can be taken into account, whereby the particles 300 describe the dynamic aspects of the spatial area.
  • method 400 includes determining 403 the first actual evidence mass (eg, m (SD t ), m (S t ), and / or m (D t )) and the second
  • actual evidence mass (eg m (F t ) and / or m (FD t )) at the current time (t) by combining 504 the first measured evidence mass (eg m (SD zt )) and the second measured evidence mass (eg m (F zt )) at the current time t on the one hand with the first predicted evidence mass (eg m (SD t ), m (S t ) and / or m (D t )) and the second predicted evidence mass (eg m (F t ) and / or m (FD t )) at the current time t, on the other hand.
  • first predicted evidence mass eg m (SD t ), m (S t ) and / or m (D t )
  • second predicted evidence mass eg m (F t ) and / or m (FD t )
  • Combining evidence may involve multiplying the evidence.
  • the first measured evidence mass may be multiplied by the first predicted evidence mass, the first measured evidence mass by the second predicted evidence mass, the second measured evidence mass by the first predicted evidence mass, and the second measured evidence mass by the second predicted evidence mass by the evidence mass from the prediction to combine with the evidence from the measurement.
  • the evidence masses combined in this way can then be assigned to the first or the second actual evidence mass in order to determine the current state of a cell 201.
  • the combination of evidence may conflict with the allocation of combined evidence.
  • the method 400 may include determining conflict evidence for a combination of mutually contradictory hypotheses.
  • the conflict evidence can then be assigned according to certain rules of the first and / or the second hypothesis.
  • Steps 401, 402, 403 of the method 400 can reliably and robustly determine the state of the individual cells 201 of a spatial area grid 200 at a sequence of times t.
  • method 400 may be iterative for successive ones
  • the method 400 may further include determining 404 a position of an object 150 in the spatial region at the current time t, based on the first actual evidence mass (eg, m (SD t ), m (S t ), and / or m (D t )) and based on the second actual evidence mass (eg m (F t ) and / or m (FD t )) at the current time t for the plurality of cells 201.
  • the first actual evidence mass eg, m (SD t ), m (S t ), and / or m (D t )
  • the second actual evidence mass eg m (F t ) and / or m (FD t )
  • a first statically predicted evidence mass eg m (SD ' t ), m (S' t ) and / or m (D ' t ) are predicted at the current time t (eg by means of a mapping process 506) .
  • the first statically predicted evidence mass can be predicted from the previous actual evidence mass (without consideration of the dynamic evidence mass or the particles 300) and / or based on a static prediction.
  • Evidence mass (eg m ) at the current time t (eg, by means of a particle tracking process 507, 508, 509).
  • a particle 300 may be associated with a particle evidence mass, and determining the first dynamically-predicted evidence mass (eg, m (D t )) may include summing the particle evidence masses of the plurality of particles 300 in the cell 201.
  • predicate 402 can be done separately for static and for dynamic aspects.
  • a loss of information of static aspects in the context of prediction from a previous time to a current time can be suppressed or reduced.
  • the first predicted evidence mass (eg m (SD t ), m (S t ) and / or m (D t )) for the first hypothesis may be then by combining 510 the first statically predicted evidence mass (eg m (SD), m (S) and / or m (D ' t )) and the first dynamically predicted evidence mass (eg m (D t )).
  • the first statically predicted evidence mass eg m (SD), m (S) and / or m (D ' t )
  • the first dynamically predicted evidence mass eg m (D t )
  • the first actual evidence mass (eg m (SD t ) and / or m (D t )) of the cell 201 can be distributed to a plurality of updated particles 300 at the current time t.
  • the plurality of updated particles 300 of the cell 201 may at least partially include particles 300 of the previous time (t-1) that fall into the cell 201 at the current time t. Dominant movements can be filtered out or identified.
  • the plurality of updated particles 300 may at least partially include new particles 300 having different motions 301 (e.g., different directions of movement and / or
  • the method 400 may include determining a statically predicted S-evidence mass m (S ' t ) at the current time t based on the actual S-evidence mass m (S t-1 ) at the previous time (t-1) (eg a mapping process 506).
  • the method 400 may include determining a dynamically predicted D -reveived mass m (D t ) based on the sum of particulate masses of the plurality of particulates 300 that fall into the cell 201 at the current time t, respectively, to the cell 201 (eg based on a particle tracking process 507, 508, 509).
  • a conflict evidence mass can be determined, eg by multiplication of the statically predicted S-evidence mass m (S) and the dynamic predicted D-evidence mass m (D t ).
  • the conflict evidence mass can then at least partially or completely match the predicted S-evidence mass m (5 t ) at the current time t.
  • the method 400 may include determining a statically predicted FD evidence mass m (FD ' t ) at the current time t based on the actual FD confidence mass m (FZ) t-1 ) based on the actual F evidence mass m (F t 1) and based on the actual D-proof mass m (D t-1 ) at the previous time (t-1).
  • the statically predicted FD evidence mass m FD ' t
  • the predicted FD-evidence mass m (FD t ) at the current time t can then be determined on the basis of the statically predicted FD-evidence mass m (FD ' t ) at the current time t.
  • a statically predicted FD-evidence mass m (FD) at the current time t can be based on the actual FD-evidence mass m (FZ) t-1 ), based on the actual F-evidence mass m (F t -1 ) and based on the actual D-proof mass m (D t-1 ) at the previous time (t-1).
  • the method 400 may include determining a dynamically predicted D -revergence mass m (D t ) based on the sum of particulate masses of the plurality of particles 300.
  • statically predicted 5-evidence mass m 5 ' t
  • statically predicted SD evidence mass m SD' t
  • statically predicted FD evidence mass m FD
  • D t D -vision mass
  • the method 400 may include determining conflict evidence between the predicted 5-evidence mass m (5 t ), the predicted D-confidence mass m (D t ), and / or the predicted SD-confidence mass m (SD t ) at the current time t on the one hand and the measured F-evidence mass m (F zt ) on the current one On the other hand.
  • the conflict evidence can in particular be determined as
  • the method 400 may include assigning the conflict evidence sets to the actual 5 evidence mass m (S t ) and / or to the actual F evidence mass m (F t ) at the current time t.
  • the assignment can be made in particular according to
  • the method 400 may include determining an unclassified evidence mass for occupancy or an actual SD evidence mass based on the predicted SD confidence mass m (SD t ) and the measured SD score.
  • the unclassified evidence mass for occupancy may then be at least partially assigned to the actual 5 evidence mass m (S t ) and / or the actual D evidence mass m (D t ) at the current time t.
  • an assignment m (S t ) ⁇ - l 2 can be made in order to achieve a convergence to a static object 150 at several measured SD-levels m ⁇ SD zt at several times by the consequent accumulation of occupancy within the same cell 201.
  • This can be done in that the measured SD-content mass m (SD zt ) is divided into S and / or D -vegetable mass to enable the detection and classification of static and / or dynamic objects 150.
  • the method 400 may include determining a measured residual evidence mass m ( ⁇ z, t ) at the current time t based on the sum of the first
  • the measured evidence mass m (SD zt ) and the second measured evidence mass m (F z, t ) include.
  • the measured residual evidence mass m (0 zt ) can be determined such that the sum of all measured evidence masses (including the measured residual evidence mass) yields one.
  • the method 400 may determine a predicted residual evidence mass m (0 t ) at the current time t based on the sum of the first predicted ones
  • predicted evidence mass (eg m (F t ) and / or m (FD t )) include.
  • the predicted residual evidence mass m (ß zt) can be determined such that the sum of all evidence predicted masses (incl. The predicted residual evidence mass) yields one.
  • unclassified evidence mass for occupancy is determined.
  • the unclassified evidence mass for occupancy may then be at least partially the actual S-evidence mass m (S t ), the actual D-evidence mass m (D t ) and / or the actual SD-confidence mass m (SD t ) at the current time t be assigned to. This can be done in particular on the basis of: where f D is a distribution factor.
  • S t S-evidence mass
  • D t D-evidence mass
  • SD t SD-confidence mass
  • the distribution factor f D may depend on the number and / or density of particles 300 in the cell 201. Typically, f D increases with increasing number and / or density. Alternatively or additionally, the distribution factor f D of sensor data may depend on a speed of movement of the cell 201 (eg, in a direction of travel radially with respect to the measuring environment sensor 111). The sensor data can be provided, for example, by a radar sensor. The distribution factor f D can increase with increasing
  • Movement speed increase and / or dimensioned as described in this document.
  • the distribution factor of information may depend on an object tracking and / or classification algorithm.
  • the accuracy of the division into the actual S-proof mass m (S t ) and the actual D-proof mass m (D t ) can be further improved, resulting in increased accuracy of detection of static and dynamic objects 150.
  • the method 400 may include determining a possible dynamic
  • the possible dynamic evidence mass may be at least partially assigned to the actual SD evidence mass m (SD t ) and / or the actual D evidence mass m (D t ) at the current time t.
  • the assignment can on the basis of m (D t ) ⁇ - (1-y) 2 4 + / D y / l 4 and / or m (SD t ) ⁇ - (1- / D ) yA 4 , where y is a variable Parameter is between 0 and 1.
  • y is a variable Parameter is between 0 and 1.
  • the state of a plurality of cells 201 of a grid 200 of the environment may be determined.
  • the environment or spatial area can be subdivided into a two-dimensional (2D) raster 200 with raster cells 201, a raster cell 201 e.g. a size of lOcm x lOcm or 20cm x 20cm may have.
  • the condition can be the o.g. actual evidence on the current
  • These evidence masses for a cell 201 may indicate an object probability that the cell 201, 205, 206 is occupied by a (static and / or dynamic) object 251, 253.
  • the object probability can depend on the evidences or evidence masses m (5 t ), m (D t ) and / or m (SD t ).
  • a cell velocity v c of the cell 201 can be determined.
  • the cell speed can be eg an amount and a
  • the one or more environment sensors 111 may include, for example, one or more radar sensors, one or more ultrasonic sensors, one or more LIDAR sensors, one or more image sensors, etc.
  • the sensor data of A plurality of environment sensors 111 can be superimposed or combined in order to determine the state of the cells 201 of the grid 200 on the basis of the method 400.
  • the method 400 may include determining an occupancy probability for a particular cell 201 being occupied by an object 150, the object 150 already being detected at the previous time (t-1).
  • the occupancy probability (possibly alone) is determined on the basis of a state of the object 150 at the preceding time (t-1).
  • the actual evidence masses of the cells 201 of the grid 200 for the current time t can be disregarded.
  • the state of the cells 201 of the object 150 may have been determined at the previous time (t-1). From the state of the cells 201 of the object 150, in turn, the state of the object 150 may have been determined.
  • the state of an object 150 may be described by one or more of the following state parameters: the position (x T , y T ) of a reference point of the object 150; the amount of
  • Object velocity v T ; the orientation f t of the object 150; the width w T and the length I t of the (extended) object 150 (eg, the width w T and the length I t of a box model of the object 150); the acceleration a t of the object 150; and / or the rotation rate w t of the object 150.
  • the state of the object 150 at the previous time (t-1) may be used to predict which cells 201 of the raster 200 will be occupied by the object 150 at the current time t. In other words, it can be determined with which occupancy probability the object 150 occupies a particular cell 201.
  • the occupancy probability of Cells 201 of grid 200 by a particular object 150 may be determined for multiple cells 201 (possibly for all cells 201) of grid 200.
  • the method 400 may then include assigning a cell 201 to a particular object 150 depending on the object likelihood (or the first actual evidence mass, respectively) and the occupancy probability.
  • a cell 201 may be assigned to an object 150 if the object probability or the first actual evidence mass indicates a relatively high probability that the cell 201 is occupied by an object 150 (in general), and if the occupancy probability indicates a relatively high probability that the cell 201 is occupied by a specific object 150.
  • the recognition of free spaces and / or the recognition of (dynamic or static) objects 150 in a spatial area, in particular in the environment of a vehicle 100, can be improved.
  • the method 400 may further include operating a function of a vehicle 100 based on the first actual evidence mass (eg, m (SD t ), m (S t ), and / or m (D t )) and / or based on the second actual one
  • first actual evidence mass eg, m (SD t ), m (S t ), and / or m (D t )
  • Evidence mass eg m (F t ) and / or m (FD t )
  • a function of a vehicle 100 in FIG. 1 e.g m (F t ) and / or m (FD t )
  • the function of the vehicle 100 may include, for example, a function for the at least partially automated execution of a catching guide and / or a transverse guide of the vehicle 100.
  • the function may include the partially, highly or fully automated driving of a vehicle 100.
  • the method 400 described in this document makes it possible to improve the availability and reliability of an automated vehicle by improving the detection of the environment of a vehicle 100 Driving function of a vehicle 100 to increase. Furthermore, at the same time the computational effort (by a significantly reduced number of required particles 300) can be reduced.
  • the present invention is not limited to the embodiments shown. In particular, it should be noted that the description and figures are intended to illustrate only the principle of the proposed methods, apparatus and systems.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Gyroscopes (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

Es wird ein Verfahren (400) zur Erkennung eines Objektes (150) in einem räumlichen Bereich beschrieben. Das Verfahren (400) umfasst, für jede einer Vielzahl von Zellen (201) des räumlichen Bereichs: Ermitteln (401), auf Basis von Sensordaten bezüglich des räumlichen Bereichs Evidenzmassen für Hypothesen, dass eine Zelle (201) an einem aktuellen Zeitpunkt belegt ist, oder nicht belegt ist oder nicht belegt sein könnte; Prädizieren (402), auf Basis von tatsächlichen Evidenzmasse für Hypothese an einem vorhergehenden Zeitpunkt sowie auf Basis einer Vielzahl von Partikeln (300) für eine entsprechende Vielzahl von Bewegungshypothesen für die Zelle (201), von prädizierten Evidenzmassen für die Hypothesen an dem aktuellen Zeitpunkt; und Ermitteln (403) der tatsächlichen Evidenzmassen an dem aktuellen Zeitpunkt durch Kombinieren der gemessenen Evidenzmassen mit den prädizierten Evidenzmassen an dem aktuellen Zeitpunkt. Außerdem umfasst das Verfahren (400) das Ermitteln (404) einer Position eines Objektes (150) in dem räumlichen Bereich an dem aktuellen Zeitpunkt, auf Basis der tatsächlichen Evidenzmassen an dem aktuellen Zeitpunkt für die Vielzahl von Zellen (201).

Description

Verfahren zur Detektion eines Objektes
Die Erfindung betrifft ein Verfahren und eine entsprechende
Verarbeitungseinheit, die es z.B. einem Fahrzeug ermöglichen, ein Objekt in der Umgebung des Fahrzeugs auf Basis von Sensordaten zu erfassen und/oder zu verfolgen.
Ein Fahrzeug umfasst typischerweise eine Mehrzahl von unterschiedlichen Umfeldsensoren, die eingerichtet sind, unterschiedliche Sensordaten bezüglich eines Umfelds des Fahrzeugs zu erfassen. Beispielhafte Umfeldsensoren sind
Radarsensoren, Ultraschallsensoren, Fidar-Sensoren, Bildsensoren, etc. Auf Basis der Sensordaten der ein oder mehreren Umfeldsensoren eines Fahrzeugs können ein oder mehrere Objekte (z.B. ein oder mehrere andere Fahrzeuge) in einem Umfeld des Fahrzeugs detektiert werden.
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, ein
Verfahren und eine entsprechende Verarbeitungseinheit bereitzustellen, durch die in präziser und robuster Weise ein Objekt, insbesondere im Umfeld eines
Fahrzeugs, detektiert und nachverfolgt werden kann. Besonderer Fokus liegt dabei darauf, einen durch vorübergehende Verdeckung bewirkten Informationsverlust zu vermeiden bzw. zu reduzieren.
Die Aufgabe wird durch den unabhängigen Anspruch gelöst. Vorteilhafte
Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem
unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
Gemäß einem Aspekt wird ein Verfahren zur Erkennung eines Objektes in einem räumlichen Bereich beschrieben, insbesondere in einem Umfeld eines Fahrzeugs. Das Verfahren umfasst, für jede einer Vielzahl von Zellen des räumlichen Bereichs, das Ermitteln, auf Basis von Sensordaten bezüglich des räumlichen Bereichs, einer ersten gemessenen Evidenzmasse für eine erste Hypothese, dass eine Zelle an einem aktuellen Zeitpunkt belegt ist, und einer zweiten gemessenen Evidenzmasse für eine zweite Hypothese, dass die Zelle an dem aktuellen
Zeitpunkt nicht belegt ist oder (zumindest vorübergehend) nicht belegt sein könnte. Ferner umfasst das Verfahren, für jede der Vielzahl von Zellen, das Prädizieren, auf Basis einer ersten tatsächlichen Evidenzmasse für die erste Hypothese und auf Basis einer zweiten tatsächlichen Evidenzmasse für die zweite Hypothese an einem vorhergehenden Zeitpunkt sowie auf Basis einer Vielzahl von Partikeln für eine entsprechende Vielzahl von Bewegungshypothesen für die Zelle, einer ersten prädizierten Evidenzmasse für die erste Hypothese und einer zweiten prädizierten Evidenzmasse für die zweite Hypothese an dem aktuellen Zeitpunkt. Außerdem umfasst das Verfahren, für jede der Vielzahl von Zellen, das Ermitteln der ersten tatsächlichen Evidenzmasse und der zweiten tatsächlichen Evidenzmasse an dem aktuellen Zeitpunkt durch Kombinieren der ersten gemessenen Evidenzmasse und der zweiten gemessenen Evidenzmasse mit der ersten prädizierten Evidenzmasse und der zweiten prädizierten Evidenzmasse an dem aktuellen Zeitpunkt. Des Weiteren umfasst das Verfahren das Ermitteln einer Position eines Objektes in dem räumlichen Bereich an dem aktuellen Zeitpunkt, auf Basis der ersten tatsächlichen Evidenzmasse und der zweiten tatsächlichen Evidenzmasse an dem aktuellen Zeitpunkt für die Vielzahl von Zellen. Im Rahmen des beschriebenen Verfahrens wird somit ein Raster mit einer Vielzahl von Zellen ermittelt, wobei jede Zelle tatsächliche Evidenzmassen für unterschiedliche Hypothesen aufweist. Die tatsächlichen Evidenzmassen an einem aktuellen Zeitpunkt werden dabei durch Prädiktion auf Basis der tatsächlichen Evidenzmassen des vorhergehenden Zeitpunktes und auf Basis eines
Partikelfilters ermittelt. Des Weiteren erfolgt eine Fusion und/oder eine
Anpassung der prädizierten Evidenzmassen mit gemessenen Evidenzmassen. So wird eine zuverlässige und robuste Klassifikation des räumlichen Bereichs ermöglicht. Insbesondere können durch die Akkumulation der an verschiedenen Zeitpunkten gemessenen Evidenzmassen in einem Raster Informationsverluste aufgrund einer vorübergehenden Verdeckung eines Teilbereichs des räumlichen Bereichs reduziert bzw. vermieden werden.
Gemäß einem weiteren Aspekt wird eine Verarbeitungseinheit beschrieben, die eingerichtet ist, das in diesem Dokument beschriebene Verfahren auszuführen.
Gemäß einem weiteren Aspekt wird ein Fahrzeug, etwa ein Straßenkraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus), und/oder ein mobiler Roboter beschrieben, das bzw. der die in diesem Dokument beschriebene Verarbeitungseinheit umfasst.
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs) 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. Des Weiteren 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
Figur 1 ein beispielhaftes Fahrzeug mit einer Mehrzahl von unterschiedlichen Umfeldsensoren;
Figur 2 ein beispielhaftes Raster einer Umgebung eines Fahrzeugs;
Figur 3 beispielhafte Partikel einer Zelle eines Rasters;
Figur 4 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Detektion eines Objektes; und
Figur 5 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung eines Belegungsrasters für einen räumlichen Bereich.
Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der Detektion und der Nachverfolgung zumindest eines Objektes auf Basis von Sensordaten von ein oder mehreren Umfeldsensoren. In diesem Zusammenhang zeigt Fig. 1 ein Fahrzeug 100 mit ein oder mehreren Umfeldsensoren 111 zur Erfassung von Sensordaten. Das Fahrzeug 100 umfasst weiter eine Verarbeitungseinheit 101, die eingerichtet ist, auf Basis der Sensordaten ein Objekt 150 im Umfeld des
Fahrzeugs 100 zu detektieren. Ein detektiertes Objekt 150 kann dann in einer Fahrzeugfunktion 102 (z.B. für das teilautomatisierte oder hochautomatisierte Fahren des Fahrzeugs 100) verwendet werden.
Das vorliegende Dokument befasst sich insbesondere mit der konsistenten multisensoriellen Modellierung der Umgebung eines Fahrzeuges 100, die statische Hindernisse, befahrbare Bereiche und/oder dynamische Objekte 150 auf verschiedenen Abstraktionsebenen abbildet und diese ganzheitlich schätzt. Dabei kann die lokale Umgebung als Dynamic Occupancy Grid Map bzw. Raster 200 geschätzt bzw. dargestellt werden (siehe Fig. 2). Die Dynamikschätzung bezüglich der Bewegung von Objekten 150 kann mithilfe eines Partikelfilters erfolgen. Dabei werden innerhalb der Map bzw. des Rasters 200 die Messdaten bzw. Sensordaten akkumuliert und der Partikelfilter wird (lediglich bzw. nur) aufbauend auf den akkumulierten Daten des Rasters 200 verwendet. So kann der Informationsverlust einer statischen Umgebung bei Verdeckungen verhindert werden. Des Weiteren kann so der Rechenaufwand substantiell reduziert werden, da die statische Umgebung direkt innerhalb eines Rasters 200 ohne Partikel abgebildet wird. Basierend auf dem Raster 200 kann dann ein zuverlässiges und präzises Objekt-Tracking erfolgen.
Fig. 2 zeigt ein beispielhaftes Raster 200 einer Umgebung des Fahrzeugs 100 mit einer Vielzahl von Rasterzellen oder kurz Zellen 201. Das Raster 200 kann die Umgebung bzw. das Umfeld des Fahrzeugs 100 in die Vielzahl von zwei- oder drei-dimensionalen Zellen 201 aufteilen. Eine zwei-dimensionale Zelle 201 kann dabei eine Rechteckform aufweisen (beispielsweise mit einer Kantenlänge von lOcm, 5cm, 2cm, lern oder weniger).
Die Verarbeitungseinheit 101 kann eingerichtet sein, auf Basis der Sensordaten für ein oder mehrere der Zellen 201 (insbesondere für jede Zelle 201) Messdaten zu ermitteln, die anzeigen, ob eine Zelle 201 an einem bestimmten Zeitpunkt t belegt ist oder nicht. Insbesondere können die Messdaten zc für eine Zelle c 201 anzeigen
Figure imgf000007_0001
wobei m(SD) = m({S, D}') eine Evidenz bzw. Evidenzmasse dafür ist, dass die Zelle c 201 durch ein Objekt 150 belegt ist, das nicht eindeutig als statisch oder dynamisch erkannt werden kann, und wobei m(F) eine Evidenz dafür ist, dass die Zelle c 201 frei ist, und somit nicht durch ein Objekt 150 belegt ist (und somit eine freie Zelle 201 ist). Die Evidenz dafür, dass die Zelle 201 durch ein Objekt 150 belegt ist, kann als Objekt- Wahrscheinlichkeit bzw. als untere Schranke der Objekt-Wahrscheinlichkeit dafür betrachtet werden, dass die Zelle 201 durch ein Objekt 150 belegt ist (insbesondere im Sinne der Dempster-Shafer Theorie).
Typischerweise können auf Basis einer zeitlich isolierten Messung an einem bestimmten Zeitpunkt t nur die Evidenzen bzw. Evidenzmassen m(SD),m(F ) ermittelt werden, da nicht festgestellt werden kann, ob das Objekt durch ein statisches oder ein dynamisches Objekt 150 belegt ist. Es kann jedoch
angenommen werden, dass nach einer Sequenz von Messungen an einer entsprechenden Sequenz von Zeitpunkten an dem aktuellen Zeitpunkt t ein Belegungsraster Mt 200 bereitgestellt werden kann, das für die unterschiedlichen Zellen 201 unterschiedliche Evidenzen für unterschiedliche Hypothesen anzeigt,
Mt = {m(St), m(Dt), m(SDt), m(Ft),m(FDt)}, wobei m(FDt) = m({F, D}t) die Evidenz für die Hypothese anzeigt, dass eine in der Vergangenheit nicht-belegte Zelle 201 zum Zeitpunkt t durch ein
dynamisches Objekt 150 belegt sein könnte. Des Weiteren zeigt m(St ) die Evidenz bzw. Evidenzmasse dafür an, dass die Zelle c 201 am Zeitpunkt t durch ein statisches Objekt 150 belegt ist. Außerdem zeigt m(Z)t) die Evidenz bzw. Evidenzmasse dafür an, dass die Zelle c 201 am Zeitpunkt t durch ein
dynamisches Objekt 150 belegt ist. Das Belegungsraster Mt beschreibt den Status bzw. den Zustand der Zellen 201 des Rasters 200 an einem bestimmten Zeitpunkt t. Die Evidenzen bzw. Evidenzmassen des Belegungsrasters Mt werden in diesem Dokument auch als tatsächliche Evidenzmassen bezeichnet.
Die Bewegung eines möglichen Objektes 150 kann durch sogenannte Partikel beschrieben werden. Zu diesem Zweck kann die Evidenzmasse einer Zelle 201 dafür, dass ein bewegliches Objekt 150 vorliegt und/oder vorliegen könnte, auf eine Vielzahl von Partikeln aufgeteilt werden. Insbesondere kann an einem bestimmten Zeitpunkt t die Evidenzmasse m(Dt ) und/oder die Evidenzmasse m(SDt ) auf eine Vielzahl von Partikeln 300 aufgeteilt werden. Dabei können die Partikel 300 unterschiedliche Bewegungen 301 aufweisen, insbesondere unterschiedliche Geschwindigkeiten und/oder Bewegungsrichtungen.
Beispielsweise können mit einer Auflösung von 3607R, R unterschiedliche Bewegungsrichtungen und V unterschiedliche Geschwindigkeiten mit einer bestimmten Auflösung berücksichtigt werden, so dass in einer Zelle 201 R x V unterschiedliche Partikel 300 initialisiert werden. Es kann somit bei der
Initialisierung von Partikeln 300 für eine Zelle 201 angenommen werden, dass sich das Objekt 150, zu dem die Zelle 201 gehört, beliebig bewegen kann.
Das Belegungsraster Mt und die Partikel 300 können dazu verwendet werden, ein Belegungsraster M't für einen nachfolgenden Zeitpunkt zu prädizieren. Anders ausgedrückt, das (prädizierte) Belegungsraster M't für den Zeitpunkt t kann aus dem (tatsächlichen) Belegungsraster Mt-1 und/oder den Partikeln 300 für einen vorhergehenden Zeitpunkt t— 1 prädiziert werden. Dabei kann für die
Evidenzmassen angenommen werden,
Figure imgf000009_0001
Der Haken (') zeigt dabei an, dass es sich um eine (statisch) prädizierte
Evidenzmasse handelt. Somit können statische Aspekte aus dem Mt-1 auf den Zeitpunkt t übertragen werden, um ein statisch prädiziertes Belegungsraster M't zu ermitteln.
Die dynamischen Aspekte können anhand der Partikel 300 berücksichtigt werden. Insbesondere kann für jede Zelle 201 jeweils die Summe der Evidenzmassen der Partikel 300 ermittelt werden, die zum Zeitpunkt t in die jeweilige Zelle 201 fallen. Basierend darauf kann dann die Evidenzmasse dafür ermittelt werden, dass es sich bei einer Zelle 201 um ein dynamisches Objekt 150 handelt, z.B.
Figure imgf000010_0001
wobei X oc die Summe der Evidenzmassen der Partikel 300 ist, die in eine bestimmte Zelle 201 fallen. Durch die min() Funktion kann gewährleistet werden, dass die (dynamisch) prädizierte Evidenzmasse m
Figure imgf000010_0002
einer Zelle c 201 nicht größer als eins wird. Es ergibt sich somit ein dynamisch prädiziertes
Belegungsraster Mt. Das dynamisch prädizierte Belegungsraster Mt und das statisch prädizierte Belegungsraster M't können überlagert werden, um ein prädiziertes
Belegungsraster Mt zu ermitteln, z.B. mittels
Figure imgf000010_0003
Dabei kann bei der Kombination ein zeitlicher Unsicherheitsfaktor e
berücksichtigt werden.
Das Kombinieren des dynamisch prädizierten Belegungsrasters Mt und des statisch prädizierten Belegungsrasters M't kann für kompatible Hypothesen durch Multiplikation der Evidenzmassen erfolgen. Andererseits liegt bei
widersprüchlichen Hypothesen ein Konflikt vor. Dies kann insbesondere dann der Fall sein, wenn für eine Zelle 201 über die dynamische Prädiktion Mt eine Evidenzmasse m
Figure imgf000010_0004
und über die statische Prädiktion M’t eine Evidenzmasse m(S' t ) prädiziert wird. Ein robuster Ansatz für die Konfliktauflösung kann sein, dass in diesem Fall die tatsächliche Evidenzmasse m(5t-1) als prädizierte
Evidenzmasse m(St ) verwendet wird. Somit kann auf Basis des tatsächlichen Belegungsrasters Mt- 1 und der Partikel 300 für einen vorhergehenden Zeitpunkt (t— 1) ein prädiziertes Belegungsraster Mt ermittelt werden. Des Weiteren stehen zum Zeitpunkt t für die einzelnen Zellen 201 neue
Messungen zur Verfügung, die in einem gemessenen Belegungsraster Mz t zusammengefasst werden können. Dabei kann das gemessenen Belegungsraster M Z t für jede Zelle 201 die Evidenzmassen m(SDz t und m{Fz t anzeigen. Das prädizierte Belegungsraster Mt kann dann mit dem gemessenen Belegungsraster M z,t kombiniert werden, um das tatsächliche Belegungsraster Mt am Zeitpunkt t zu ermitteln, d.h.
Figure imgf000011_0001
Die Kombination der Evidenzmassen kann wiederum durch Multiplikation von Evidenzmassen für kompatible Hypothesen erfolgen. Andererseits können sich bei inkompatiblen Hypothesen Konflikte ergeben. Ein derartiger Konflikt kann insbesondere auftreten, wenn die aktuellen Messdaten eine Evidenzmasse für eine nicht-belegte Zelle 201, d.h. m{Fz t), anzeigen, während das prädizierte
Belegungsraster Mt Evidenzmassen für ein statisches, ein dynamisches oder ein nicht eindeutig statisches bzw. dynamisches Objekt 150 anzeigt. Die sich daraus ergebenden Konflikt-Evidenzmassen
Figure imgf000011_0002
können z.B. wie folgt den verschiedenen Hypothesen zugeordnet werden,
Figure imgf000011_0003
Im Rahmen der Ermittlung eines gemessenen Belegungsrasters Mz t wird typischerweise keine Evidenzmasse für die Hypothesen„statisches Objekt“ bzw. „dynamisches Objekt“ ermittelt, sondern nur die Evidenzmasse m{SDz t , dafür dass eine Zelle 201 durch ein nicht näher spezifiziertes Objekt 150 belegt ist. Als Folge daraus würde bei beim Kombinieren des prädizierten Belegungsrasters Mt mit dem gemessenen Belegungsraster Mz t nur die Evidenzmasse für die
Hypothese SD erhöht, nicht aber die Evidenzmasse für die Hypothesen S bzw. D.
Um die Genauigkeit eines Belegungsrasters Mt am Zeitpunkt t zu erhöhen, kann die Evidenzmasse für die Hypothese SD, d.h.
Figure imgf000012_0001
auf die Hypothesen SD, S und D aufgeteilt werden. Hierbei kann
m(SD \Mt ®c Mz t) die Dempster-Shafer Evidenz-Kombination, in diesem Fall für die Hypothese SD, beschreiben, gegeben dem prädizierten Belegungsraster Mt und dem gemessenen Belegungsraster Mz t ohne Normierung bzw.
Berücksichtigung von Konflikten. Mit anderen Worten, m(SD \Mt ®c Mz t) kann die Multiplikation der Evidenzmassen der Hypothesen beschreiben, deren Schnittmenge der beschriebenen Hypothese entspricht, in diesem Fall der Hypothese SD mit der zugehörigen kombinierten Menge {5, D} aus den
Hypothesen eines statischen Objekts S oder eines dynamischen Objekts D. Die Aufteilung kann wie folgt erfolgen,
Figure imgf000012_0002
wobei fD eine positive Zahl kleiner eins ist, die von der Anzahl von Partikeln 300 in der betrachteten Zelle 201 abhängen kann. Alternativ oder ergänzend kann fD von dem Messwert der radialen Geschwindigkeit der betrachteten Zelle 201 abhängen, wobei der Messwert z.B. mittels eines Radarsensors 111 erfasst werden kann. Dabei kann fD mit steigender Geschwindigkeit ansteigen. Alternativ oder ergänzend kann fD in Abhängigkeit von Informationen aus Klassifikations- Algorithmen, z.B. aufbauend auf Bildsensoren, gewählt werden. Alternativ oder ergänzend kann fD von einem übergeordneten Objekt-Tracking ausgedehnter Objekte, die über mehrere benachbarte Zellen 201 ausgedehnt sein können, abhängen, wobei fD in der Nähe von zu erwartenden bzw. prädizierten ausgedehnten Objekten ansteigen kann.
Andererseits kann auch Evidenzmasse, die beim Kombinieren der Hypothese für ein dynamisches Objekt 150 zugewiesen würde, zumindest teilweise auf die Hypothese SD umverteilt werden, um Messfehler oder fehlerhafte
Vereinfachungen der Messmodelle der jeweiligen Sensoren zu berücksichtigen. Für die Evidenzmasse für die Hypothese D ergibt sich,
Figure imgf000013_0001
Der entsprechende Term Ä4, der die Kombination aus der prädizierten
Evidenzmasse m(FDt ) der FD -Hypothese, d.h. die Hypothese, dass die Zelle 201 frei oder dynamisch belegt ist, und der gemessenen Evidenzmasse m(SDz t ) der SD -Hypothese für eine nicht weiter klassifizierte Belegung darstellt, kann wie folgt umverteilt werden
Figure imgf000013_0002
wobei g ein Designparameter zwischen 0 und 1 ist. Die resultierenden Evidenzmassen des tatsächlichen Belegungsrasters Mt am Zeitpunkt t ergeben sich somit als
Figure imgf000014_0001
Zusätzlich zur Ermittlung eines tatsächlichen Belegungsrasters Mt für den Zeitpunkt t kann die Verteilung der Partikel 300 aktualisiert werden, um ein aktuelles Bild der dynamischen Aspekte, insbesondere der Bewegungsrichtung von ein oder mehreren Objekten 150, einer Umgebung zu erstellen. Zu diesem Zweck kann die Evidenzmasse für die Hypothese eines dynamischen Objekts 150, d.h. m(Dt ), auf eine Vielzahl von Partikeln 300 verteilt werden. Dabei kann die Anzahl von Partikeln 300 für eine Zelle 201 proportional zu der Evidenzmasse m(Z)t) der Zelle 201 sein.
Die Dichte an Partikeln 300 für eine Zelle 201 kann z.B. gewählt werden als
Figure imgf000014_0002
und kann somit in Abhängigkeit von der Evidenzmasse für ein dynamisches Objekt D sowie in Abhängigkeit von einer durch die aktuelle Messung Mz t erhöhten Evidenzmasse m(SD), die möglicherweise einem dynamischen Objekt entsprechen kann, gewählt werden. Ergänzend kann auch die Evidenzmasse für ein statisches Objekt S berücksichtigt werden, wobei eine höhere Evidenzmasse m(5t) die Dichte an Partikeln 300 verringert, da die Partikel 300 den Hypothesen dynamischer Objekte entsprechen. Die Dichte kann mit einem Maximalwert von Partikeln 300 für eine Zelle 201 multipliziert werden, um die adaptive Anzahl von Partikeln 300 für eine Zelle 201 zu bestimmen. Alternativ kann die Anzahl an Partikeln in einer Zelle unabhängig von den Evidenzmassen gewählt werden und z.B. auf einen konstanten festen Wert definiert werden. Von den zur Verfügung stehenden Partikeln 300 können zumindest ein Teil aus den prädizierten Partikeln 300 des vorhergehenden Zeitpunkts (t— 1) hergeleitet werden, die in die jeweilige Zelle 201 prädiziert wurden. So kann eine Filterung entlang der Bewegungsrichtung eines Objekts 150 erfolgen. Des Weiteren kann eine (relativ niedrige) Anzahl von zufällig verteilten neuen Partikeln 300 generiert werden. So kann die Robustheit des iterativen Verfahrens zur Aktualisierung eines tatsächlichen Belegungsrasters Mt erhöht werden. Die gesamte dynamische Evidenzmasse m(Dt ) einer Zelle 201 kann gleichmäßig auf die Gesamtzahl von Partikeln 300 der Zelle 201 verteilt werden, so dass die Summe der
Evidenzmassen S °c aller Partikel 300 der Zelle 201 der dynamischen
Evidenzmasse m(Dt ) dieser Zelle 201 entspricht. Die aktualisierten Partikel 300 können dann wiederum dazu verwendet werden, ein dynamisch prädiziertes Belegungsraster Mt+1 für einen nachfolgenden Zeitpunkt t + 1 zu ermitteln.
Fig. 5 veranschaulicht ein iteratives Verfahren 500 zur Aktualisierung eines (tatsächlichen) Belegungsrasters Mt 505 (das für jede Zelle 201 des Rasters 200 tatsächliche Evidenzmassen m(St), m(Dt), m(SDt), m(Ft), m(FDt) umfasst) auf Basis von Sensordaten 501 von ein oder mehreren Umfeldsensoren 111. Das Verfahren 500 kann für eine Sequenz von Zeitpunkten t— 1, t, t + 1, t +
2, .... wiederholt werden, z.B. mit einer Wiederholrate bzw. Abtastfrequenz von IHz, IOHz, lOOHz oder mehr. An einem aktuellen Zeitpunkt t kann auf Basis der Sensordaten 501 ein gemessenes Belegungsraster Mz t 502 ermittelt werden (das für jede Zelle 201 des Rasters 200 gemessene Evidenzmassen m(SDz t ), m(Fz t ) umfasst). Das gemessene Belegungsraster Mz t 502 kann mit einem prädizierten Belegungsraster Mt 503 kombiniert 504 werden. Dabei kann das prädizierte Belegungsraster Mt 503 durch das Kombinieren 510 eines statisch prädizierten Belegungsrasters M't und eines dynamisch prädizierten Belegungsrasters Mt ermittelt werden. Das statisch prädizierte Belegungsraster M't kann durch einen Mapping-Prozess 506 aus dem (tatsächlichen) Belegungsraster Mt-1 505 des vorhergehenden Zeitpunktes (t— 1) prädiziert bzw. ermittelt werden. Das dynamisch prädizierte Belegungsraster Mt kann durch einen Partikel-Tracking- Prozess aus der tatsächlichen D -Evidenzmasse m(Dt-1) der einzelnen Zellen 201 an dem vorhergehenden Zeitpunkt (t— 1) ermittelt werden. Dabei kann der Partikel-Tracking-Prozess einen Resampling-Schritt 507 umfassen, bei dem die tatsächliche D -Evidenzmasse m(Dt- 1) einer Zelle 201 auf alte und/oder neue Partikel 300 verteilt wird. Auf Basis der Bewegung 301 dieser Partikel 300 kann dann eine Bewegung und/oder Verteilung der Partikel-Evidenzmasse innerhalb des Rasters 200 auf den aktuellen Zeitpunkt t prädiziert 508 werden. Aus der
Verteilung der Partikel-Evidenzmasse an dem aktuellen Zeitpunkt t kann dann die dynamisch prädizierte D -Evidenzmasse m(Dt ) der einzelnen Zellen 201 ermittelt 509 werden (z.B. auf Basis der Summe der Partikel-Evidenzmasse in der jeweiligen Zelle 201).
Fig. 4 zeigt ein Ablaufdiagramm eines beispielhaften Verfahrens 400 zur
Erkennung eines Objektes 150 in einem räumlichen Bereich. Der räumliche Bereich kann z.B. das Umfeld bzw. die Umgebung eines Fahrzeugs 100 sein. Der räumliche Bereich kann in ein Raster 200 mit einer Vielzahl von Zellen 201 aufgeteilt sein. Das Verfahren 400 kann durch eine Auswerteeinheit 101, insbesondere eines Fahrzeugs 100, ausgeführt werden.
Das Verfahren 400 umfasst, für eine Zelle 201 (insbesondere für jede Zelle 201) der Vielzahl von Zellen 201 des räumlichen Bereichs, das Ermitteln 401, auf Basis von Sensordaten bezüglich des räumlichen Bereichs, einer ersten gemessenen Evidenzmasse, z.B. m(SDz t ), für eine erste Hypothese, z.B. für die SD -Hypothese, dass die Zelle 201 an einem aktuellen Zeitpunkt t belegt ist. Des Weiteren kann auf Basis der Sensordaten eine zweite gemessene Evidenzmasse, z.B. m(Fz t ), für eine zweite Hypothese, z.B. für die F-Hypothese, dass die Zelle 201 an dem aktuellen Zeitpunkt t nicht belegt ist oder nicht belegt sein könnte, ermittelt werden.
Die Sensordaten können anhand von ein oder mehreren Umfeldsensoren 111 erfasst werden. Dabei können mit einer bestimmten zeitlichen Abtastrate (z.B.
IHz, IOHz, lOOHz oder mehr) Messwerte erfasst werden. Es können somit an einer Sequenz von Zeitpunkten jeweils Sensordaten bereitgestellt werden. Das Verfahren 400 kann iterativ für die Sequenz von Zeitpunkten wiederholt werden. Die erste gemessene Evidenzmasse und die zweite gemessene Evidenzmasse können jeweils isoliert auf Basis der Sensordaten eines jeweiligen Zeitpunkts ermittelt werden. Typischerweise kann auf Basis einer derart zeitlich isolierten Messung nur bestimmt werden, ob eine Zelle 201 frei ist (F-Hypothese) oder belegt ist (SD -Hypothese). Meist kann nicht ermittelt werden, ob die Zelle 201 durch ein statisches Objekt 150 oder durch ein dynamisches Objekt 150 belegt ist. Durch Messungen an dem aktuellen Zeitpunkt t können somit die Evidenzmassen m SDz t ) und (Fz t) bestimmt werden. Zur Ermittlung der Evidenzmassen kann eine Fusion von Sensordaten von unterschiedlichen Typen von Umfeldsensoren 111 erfolgen. Allgemein kann die erste Evidenzmasse für die erste Hypothese eine S- Evidenzmasse m(S) für eine„statisch belegt“-, kurz S-, Hypothese dafür umfassen, dass die Zelle 201 durch ein statisches Objekt 150 belegt ist. Alternativ oder ergänzend kann die erste Evidenzmasse für die erste Hypothese eine D- Evidenzmasse m D ) für eine„dynamisch belegt“-, kurz D-, Hypothese dafür umfassen, dass die Zelle 201 durch ein sich bewegendes, dynamisches Objekt 150 belegt ist. Alternativ oder ergänzend kann die erste Evidenzmasse für die erste Hypothese eine SD -Evidenzmasse m SD) für eine„unbekannt belegt“-, kurz SD-, Hypothese dafür umfassen, dass die Zelle 201 durch ein Objekt 150 belegt ist, von dem nicht bekannt ist, ob es statisch oder dynamisch ist. Allgemein kann die zweite Evidenzmasse für die zweite Hypothese eine F- Evidenzmasse m(F) für eine„frei“-, kurz F-, Hypothese dafür umfassen, dass sich in der Zelle 201 kein Objekt 150 befindet. Alternativ oder ergänzend kann die zweite Evidenzmasse für die zweite Hypothese eine FD -Evidenzmasse m(FD ) für eine„transitorisch frei“-, kurz FD-, Hypothese dafür umfassen, dass die Zelle 201 nicht belegt oder nur vorübergehend durch ein dynamisches Objekt 150 belegt ist. Die FD -Hypothese kann z.B. zutreffen, wenn eine Zelle 201, die zuvor frei war, durch ein Objekt 150 verdeckt wird, und somit nicht eindeutig ermittelt werden kann, ob die Zelle 201 frei oder durch ein dynamisches Objekt 150 belegt ist.
Insbesondere kann der Zustand einer Zelle 201 an einem bestimmten Zeitpunkt t durch die tatsächliche 5-Evidenzmasse m(St), die tatsächliche D -Evidenzmasse m(Dt), die tatsächliche SD -Evidenzmasse m(SDt), die tatsächliche F- Evidenzmasse m(Ft) und/oder die tatsächliche FD -Evidenzmasse m(FDt ) beschrieben werden. Dabei sind die einzelnen Evidenzmassen typischerweise auf Werte zwischen 0 und 1 normiert. Des Weiteren sind die Evidenzmassen typischerweise derart definiert, dass die Summe der Evidenzmassen für die unterschiedlichen Hypothesen kleiner als oder gleich eins ist. Die verbleibende Evidenzmasse kann als Rest-Evidenzmasse m(0t) bezeichnet werden, und kann die Evidenzmasse anzeigen, die keinem der Hypothesen zugeordnet ist oder zugeordnet werden kann, z.B. der übergeordneten Menge Q = {5,D, F). Die einzelnen Evidenzmassen können die Wahrscheinlichkeit dafür anzeigen, dass die entsprechende Hypothese für die Zelle 201 zutrifft. Die Evidenzmassen können auf der Evidenztheorie von Dempster-Shafer beruhen.
Außerdem umfasst das Verfahren 400 das Prädizieren 402 einer ersten
prädizierten Evidenzmasse, z.B. m(SDt), m(St ) und/oder m(Dt ), für die erste Hypothese, z.B. die SD -Hypothese, die 5-Hypothese und/oder die D -Hypothese, und einer zweiten prädizierten Evidenzmasse, z.B. m(Ft) und/oder m(FDt ), für die zweite Hypothese, z.B. die F-Hypothese und/oder die FD -Hypothese, an dem bzw. auf den aktuellen Zeitpunkt t.
Die ersten und zweiten prädizierten Evidenzmassen an dem aktuellen Zeitpunkt t können dabei auf Basis der tatsächlichen Evidenzmasse, z.B. m(5Dt-1), m(5t-1) und/oder m(Dt-1), für die erste Hypothese, z.B. für die SD -Hypothese, die S- Hypothese und/oder D -Hypothese, und auf Basis der zweiten tatsächlichen Evidenzmasse, z.B. m(Ft-1) und/oder m(FDt- 1), für die zweite Hypothese, z.B. für die F-Hypothese und/oder für die FD -Hypothese, an einem vorhergehenden Zeitpunkt (t-l) prädiziert werden.
Des Weiteren kann eine Vielzahl von Partikeln 300 für eine entsprechende Vielzahl von Bewegungshypothesen für die Zelle 201 bei dem Prädizieren 402 der ersten und zweiten prädizierten Evidenzmassen berücksichtigt werden. Eine Bewegungshypothese kann dabei eine Hypothese in Bezug auf die
Bewegungsrichtung und/oder in Bezug auf die Bewegungsgeschwindigkeit der Zelle 201 sein.
Durch die Partikel 300 kann das dynamische Verhalten der Zellen 201 beschrieben werden. Beispielsweise kann an dem vorhergehenden Zeitpunkt (t-l) die erste tatsächliche Evidenzmasse, insbesondere m(Dt-1), der einzelnen Zellen 201 jeweils auf mehrere Partikel 300 aufgeteilt worden sein, wobei die einzelnen Partikel 300 zumindest teilweise unterschiedliche Bewegungen 301, insbesondere Bewegungsrichtungen und/oder Bewegungsgeschwindigkeiten, aufweisen können (für unterschiedliche Bewegungshypothesen). Die Partikel 300 können sich in dem Zeitraum zwischen dem vorhergehenden Zeitpunkt (t-l) und dem aktuellen Zeitpunkt t gemäß der jeweils definierten Bewegung 301 bewegt haben.
Zumindest ein Teil der Partikel 201 der Vielzahl von Zellen 201 kann sich dann an dem aktuellen Zeitpunkt t in einer bestimmten Zelle 201 befinden. Die Vielzahl von Partikeln 300, die zum Prädizieren 402 der ersten und zweiten prädizierten Evidenzmassen der bestimmten Zelle 201 verwendet werden, können die Partikel 300 sein, die zum vorhergehenden Zeitpunkt (t-l) definiert wurden und die aufgrund ihrer Bewegung 301 an dem aktuellen Zeitpunkt t in die bestimmte Zelle 201 fallen.
Zum Prädizieren 402 der ersten und zweiten prädizierten Evidenzmassen können somit die tatsächlichen Evidenzmassen von dem vorhergehenden Zeitpunkt (t-l) und Partikel 300 berücksichtigt werden, wobei durch die Partikel 300 die dynamischen Aspekte des räumlichen Bereichs beschrieben werden.
Außerdem umfasst das Verfahren 400 das Ermitteln 403 der ersten tatsächlichen Evidenzmasse (z.B. m(SDt), m(St ) und/oder m(Dt )) und der zweiten
tatsächlichen Evidenzmasse (z.B. m(Ft) und/oder m(FDt )) an dem aktuellen Zeitpunkt (t) durch Kombinieren 504 der ersten gemessenen Evidenzmasse (z.B. m(SDz t )) und der zweiten gemessenen Evidenzmasse (z.B. m(Fz t )) an dem aktuellen Zeitpunkt t einerseits mit der ersten prädizierten Evidenzmasse (z.B. m(SDt), m(St ) und/oder m(Dt )) und der zweiten prädizierten Evidenzmasse (z.B. m(Ft) und/oder m(FDt )) an dem aktuellen Zeitpunkt t andererseits.
Das Kombinieren von Evidenzmassen kann das Multiplizieren der Evidenzmassen umfassen. Insbesondere kann die erste gemessene Evidenzmasse mit der ersten prädizierten Evidenzmasse, die erste gemessene Evidenzmasse mit der zweiten prädizierten Evidenzmasse, die zweite gemessene Evidenzmasse mit der ersten prädizierten Evidenzmasse und die zweite gemessene Evidenzmasse mit der zweiten prädizierten Evidenzmasse multipliziert werden, um die Evidenzmassen aus der Prädiktion mit den Evidenzmassen aus der Messung zu kombinieren. Die derart kombinierten Evidenzmassen können dann der ersten bzw. der zweiten tatsächlichen Evidenzmasse zugewiesen werden, um den aktuellen Zustand einer Zelle 201 zu ermitteln.
Im Rahmen des Kombinierens von Evidenzmassen kann es zu Konflikten in Bezug auf die Zuweisung von kombinierten Evidenzmassen kommen. Insbesondere kann das Verfahren 400 umfassen, das Ermitteln von Konflikt- Evidenzmassen für eine Kombination von Hypothesen, die sich gegenseitig widersprechen. Die Konflikt-Evidenzmassen können dann nach bestimmen Regeln der ersten und/oder der zweiten Hypothese zugewiesen werden. So kann eine robuste Ermittlung von tatsächlichen Evidenzmassen ermöglicht werden.
Durch die Schritte 401, 402, 403 des Verfahrens 400 kann in zuverlässiger und robuster Weise der Zustand der einzelnen Zellen 201 eines Rasters 200 für einen räumlichen Bereich an einer Sequenz von Zeitpunkten t ermittelt werden. Zu diesem Zweck kann das Verfahren 400 iterativ für aufeinanderfolgende
Zeitpunkte wiederholt werden. Dabei können im Rahmen des Verfahrens 400 durch die Berücksichtigung von Partikeln 300 für den Übergang zwischen unterschiedlichen Zeitpunkten dynamische Aktivitäten in dem räumlichen Bereich berücksichtigt werden. Des Weiteren kann durch die Berücksichtigung von spezifischen S-Evidenzmassen für statische Objekte 150, die Information in Bezug auf derartige statische Objekte 150 auch bei Verdeckung beibehalten werden. Außerdem ermöglicht es die Berücksichtigung einer FD -Evidenzmasse, einen Informationsverlust aufgrund von Verdeckung zu verhindern.
Das Verfahren 400 kann ferner umfassen, das Ermitteln 404 einer Position eines Objektes 150 in dem räumlichen Bereich an dem aktuellen Zeitpunkt t, auf Basis der ersten tatsächlichen Evidenzmasse (z.B. m(SDt), m(St ) und/oder m(Dt)) und auf Basis der zweiten tatsächlichen Evidenzmasse (z.B. m(Ft) und/oder m(FDt )) an dem aktuellen Zeitpunkt t für die Vielzahl von Zellen 201. Insbesondere kann durch die Berücksichtigung der tatsächlichen Evidenzmassen an einer Sequenz von aufeinanderfolgenden Zeitpunkten eine zuverlässige, präzise und robuste Verfolgung eines Objektes 150 durchgeführt werden.
Im Rahmen des Prädizierens 402 einer tatsächlichen Evidenzmasse an dem aktuellen Zeitpunkt t kann auf Basis der ersten tatsächlichen Evidenzmasse (z.B. m(5Dt-1), m(5t- 1) und/oder m(Dt- 1)j an bzw. aus dem vorhergehenden Zeitpunkt (t-l) eine erste statisch prädizierte Evidenzmasse (z.B. m(SD't ), m(S' t) und/oder m(D't )) an dem aktuellen Zeitpunkt t prädiziert werden (z.B. mittels eines Mapping-Prozesses 506). Dabei kann die erste statisch prädizierte Evidenzmasse aus der vorhergehenden tatsächlichen Evidenzmasse prädiziert werden (ohne Berücksichtigung der dynamischen Evidenzmasse bzw. der Partikel 300) und/oder auf einer statischen Prädiktion beruhen. Des Weiteren kann auf Basis der Vielzahl von Partikeln 300 eine erste dynamisch prädizierte
Evidenzmasse (z.B. m
Figure imgf000022_0001
) an dem aktuellen Zeitpunkt t ermittelt werden (z.B. mittels eines Partikel-Tracking-Prozesses 507, 508, 509). Ein Partikel 300 kann mit einer Partikel-Evidenzmasse assoziiert sein, und das Ermitteln der ersten dynamisch prädizierten Evidenzmasse (z.B. m(Dt)) kann das Aufsummieren der Partikel-Evidenzmassen der Vielzahl von Partikeln 300 in der Zelle 201 umfassen. Somit kann das Prädizieren 402 separat für statische und für dynamische Aspekte erfolgen. So kann ein Informationsverlust von statischen Aspekten im Rahmen der Prädiktion von einem vorhergehenden Zeitpunkt zu einem aktuellen Zeitpunkt unterbunden bzw. reduziert werden. Die erste prädizierte Evidenzmasse (z.B. m(SDt), m(St ) und/oder m(Dt )) für die erste Hypothese (z.B. die SD -Hypothese, die S-Hypothese und/oder die D -Hypothese) kann dann durch Kombinieren 510 der ersten statisch prädizierten Evidenzmasse (z.B. m(SD ), m(S ) und/oder m(D't)) und der ersten dynamisch prädizierten Evidenzmasse (z.B. m(Dt)) ermittelt werden. Nach Ermittlung des aktuellen Zustands einer Zelle 201 kann eine Aktualisierung der Partikel 300 für die Berücksichtigung von dynamischen Aspekten erfolgen. Dabei kann die erste tatsächliche Evidenzmasse (z.B. m(SDt ) und/oder m(Dt)) der Zelle 201 an dem aktuellen Zeitpunkt t auf eine Vielzahl von aktualisierten Partikeln 300 verteilt werden. Insbesondere kann eine gleichmäßige Verteilung der ersten tatsächlichen Evidenzmasse, z.B. von m(Z)t), auf die unterschiedlichen Partikel 300 einer Zelle 201 erfolgen.
Die Vielzahl von aktualisierten Partikeln 300 der Zelle 201 kann zumindest teilweise Partikel 300 des vorhergehenden Zeitpunkts (t-l) umfasst, die zum aktuellen Zeitpunkt t in die Zelle 201 fallen. So können dominante Bewegungen herausgefiltert bzw. identifiziert werden.
Alternativ oder ergänzend kann die Vielzahl von aktualisierten Partikeln 300 zumindest teilweise neue Partikel 300 mit unterschiedlichen Bewegungen 301 (z.B. unterschiedlichen Bewegungsrichtungen und/oder
Bewegungsgeschwindigkeiten) umfassen. Dabei kann eine gleichmäßige
Abdeckung von möglichen Bewegungen 301 erfolgen. So können neue
Bewegungen von neuen Objekten 150 und/oder Änderungen der
Bewegungsrichtung berücksichtigt werden.
Das Verfahren 400 kann das Ermitteln einer statisch prädizierten S-Evidenzmasse m(S't ) an dem aktuellen Zeitpunkt t auf Basis der tatsächlichen S-Evidenzmasse m(St-1) an dem vorhergehenden Zeitpunkt (t— 1) umfassen (z.B. mittels eines Mapping-Prozesses 506). Insbesondere kann m(S't) = m(St-1) gesetzt werden. Des Weiteren kann das Verfahren 400 das Ermitteln einer dynamisch prädizierten D -Evidenzmasse m(Dt ) auf Basis der Summe von Partikel-Evidenzmassen der Vielzahl von Partikeln 300 umfassen, die an dem aktuellen Zeitpunkt t in die Zelle 201 fallen bzw. zu der Zelle 201 führen (z.B. auf Basis eines Partikel- Tracking-Prozesses 507, 508, 509). Es kann dann auf Basis der statisch prädizierten S-Evidenzmasse m(S ) und der dynamisch prädizierten D- Evidenzmasse m(Dt ) eine Konflikt-Evidenzmasse ermittelt werden, z.B. durch Multiplikation der statisch prädizierten S-Evidenzmasse m(S ) und der dynamisch prädizierten D -Evidenzmasse m(Dt). Die Konflikt- Evidenzmasse kann dann zumindest teilweise oder vollständig der prädizierten S-Evidenzmasse m(5t) an dem aktuellen Zeitpunkt t zugewiesen werden. So kann eine robuste Ermittlung des Zustands einer Zelle 201 bewirkt werden.
Das Verfahren 400 kann das Ermitteln einer statisch prädizierten FD- Evidenzmasse m(FD't ) an dem aktuellen Zeitpunkt t auf Basis der tatsächlichen FD -Evidenzmasse m(FZ)t-1), auf Basis der tatsächlichen F-Evidenzmasse m(Ft_ 1) und auf Basis der tatsächlichen D -Evidenzmasse m(Dt- 1) an dem vorhergehenden Zeitpunkt (t— 1) umfassen. Die statisch prädizierte FD-
Evidenzmasse m(FD't ) kann insbesondere als m{FD't ) =
Figure imgf000024_0001
Figure imgf000024_0002
ermittelt werden. So kann bewirkt werden, dass auch nachdem ein dynamisches Objekt 150 eine Zelle 201 verlassen hat, weiterhin ein Hinweis darauf verbleibt, dass die Zelle 201 durch ein dynamisches Objekt 150 belegt sein könnte
(insbesondere dann, wenn die F-Hypothese noch nicht durch eine konkrete Messung von Sensordaten bestätigt wurde). Durch den Nenner der o.g. Formel kann sichergestellt werden, dass eine Zelle, die als frei gemessen wurde und zu einem späteren Zeitpunkt kurzzeitig durch ein dynamisches Objekt 150 belegt ist (was ggf. rein auf Basis einer Prädiktion der Partikel 300 ohne zugehörige Belegungs-Messung erfolgen kann), zu einem späteren Zeitpunkt wieder annähernd den vorhergehenden Wert der FD -Evidenzmasse aus der
ursprünglichen F Messung erhält. Als Folge daraus verbleibt ein Hinweis darauf, dass diese Zelle befahrbar ist. Dies wird typischerweise nicht direkt aus der D- Evidenzmasse abgeleitet, sondern nur aus der gemessenen F-Evidenzmasse.
Die prädizierte FD -Evidenzmasse m(FDt ) an dem aktuellen Zeitpunkt t kann dann auf Basis der statisch prädizierten FD -Evidenzmasse m(FD't ) an dem aktuellen Zeitpunkt t ermittelt werden. So wird eine robuste und zuverlässige Schätzung eines Freiraums in dem räumlichen Bereich ermöglicht (auch bei einer vorübergehenden Verdeckung oder Belegung durch ein dynamisches Objekt 150). Wie bereits oben dargelegt, kann das Verfahren 400 das Ermitteln einer statisch prädizierten 5-Evidenzmasse m(S ) an dem aktuellen Zeitpunkt t auf Basis der tatsächlichen 5-Evidenzmasse m(5t-1) an dem vorhergehenden Zeitpunkt (t— 1) umfassen. Des Weiteren kann das Verfahren 400 das Ermitteln einer statisch prädizierten SD -Evidenzmasse m(SD't ) an dem aktuellen Zeitpunkt t auf Basis der tatsächlichen SD -Evidenzmasse m(5Dt-1) an dem vorhergehenden Zeitpunkt (t— 1), insbesondere als m(SD ) = m(5Dt- 1), umfassen. Ferner kann, wie bereits oben dargelegt, eine statisch prädizierte FD -Evidenzmasse m(FD ) an dem aktuellen Zeitpunkt t auf Basis der tatsächlichen FD -Evidenzmasse m(FZ)t-1), auf Basis der tatsächlichen F-Evidenzmasse m(Ft-1) und auf Basis der tatsächlichen D -Evidenzmasse m(Dt-1) an dem vorhergehenden Zeitpunkt (t— 1) ermittelt werden. Außerdem kann das Verfahren 400, wie oben dargelegt, das Ermitteln einer dynamisch prädizierten D -Evidenzmasse m(Dt ) auf Basis der Summe von Partikel-Evidenzmassen der Vielzahl von Partikeln 300 umfassen.
Zum Prädizieren der ersten und/oder zweiten prädizierten Evidenzmasse kann die statisch prädizierte 5-Evidenzmasse m(5't), die statisch prädizierte SD- Evidenzmasse m(SD't ) und/oder die statisch prädizierte FD -Evidenzmasse m(FD ) einerseits mit der dynamisch prädizierte D -Evidenzmasse m(Dt ) andererseits kombiniert werden (z.B. durch paarweise Multiplikation). So können in robuster und zuverlässiger Weise sowohl statische als auch dynamische Aspekte aus dem vorhergehenden Zeitpunkt (t— 1) zu dem aktuellen Zustand t übertragen werden. Die dabei auftretenden Konflikte können wie unten dargelegt aufgelöst werden.
Das Verfahren 400 kann das Ermitteln von Konflikt-Evidenzmassen zwischen der prädizierten 5-Evidenzmasse m(5t), der prädizierten D -Evidenzmasse m(Dt ) und/oder der prädizierten SD -Evidenzmasse m(SDt ) an dem aktuellen Zeitpunkt t einerseits und der gemessenen F-Evidenzmasse m(Fz t ) an dem aktuellen Zeitpunkt t andererseits umfassen. Die Konflikt-Evidenzmassen können insbesondere ermittelt werden als
Figure imgf000026_0001
Außerdem kann das Verfahren 400 das Zuweisen der Konflikt- Evidenzmassen zu der tatsächlichen 5-Evidenzmasse m(St ) und/oder zu der tatsächlichen F- Evidenzmasse m(Ft) an dem aktuellen Zeitpunkt t umfassen. Die Zuweisung kann insbesondere erfolgen, gemäß
Figure imgf000026_0002
So kann eine zuverlässige und schnelle Aktualisierung der verfügbaren Freifläche im räumlichen Bereich auf Basis der aktuellen Sensordaten bewirkt werden.
Das Verfahren 400 kann umfassen, das Ermitteln einer nicht-klassifizierten Evidenzmasse für Belegung oder einer tatsächlichen SD -Evidenzmasse, auf Basis der prädizierten SD -Evidenzmasse m(SDt ) und der gemessenen SD-
Evidenzmasse m(SDz t ) an dem aktuellen Zeitpunkt t. Die nicht-klassifizierte Evidenzmasse für Belegung kann insbesondere auf Basis bzw. als l2 = m{SDt)m{SDz t) ermittelt werden. Die nicht-klassifizierte Evidenzmasse für Belegung kann dann zumindest teilweise der tatsächlichen 5-Evidenzmasse m(St ) und/oder der tatsächlichen D- Evidenzmasse m(Dt ) an dem aktuellen Zeitpunkt t zugewiesen werden.
Insbesondere kann eine Zuweisung m(St ) <- l2 erfolgen, um bei mehreren gemessenen SD -Evidenzmassen m{SDz t zu mehreren Zeitpunkten durch die daraus folgende Akkumulation von Belegung innerhalb derselben Zelle 201 eine Konvergenz zu einem statischen Objekt 150 zu erzielen. So kann bewirkt werden, dass die gemessene SD -Evidenzmasse m(SDz t ) in S- und/oder D -Evidenzmasse aufgeteilt wird, um die Detektion und Klassifikation von statischen und/oder dynamischen Objekten 150 zu ermöglichen.
Das Verfahren 400 kann das Ermitteln einer gemessenen Rest-Evidenzmasse m(ßz,t ) an dem aktuellen Zeitpunkt t auf Basis der Summe der ersten
gemessenen Evidenzmasse m(SDz t ) und der zweiten gemessenen Evidenzmasse m(Fz,t ) umfassen. Insbesondere kann die gemessene Rest-Evidenzmasse m(0z t) derart ermittelt werden, dass die Summe aller gemessenen Evidenzmassen (inkl. der gemessenen Rest-Evidenzmasse) eins ergibt. In entsprechender Weise kann das Verfahren 400 das Ermitteln einer prädizierten Rest-Evidenzmasse m(0t) an dem aktuellen Zeitpunkt t auf Basis der Summe der ersten prädizierten
Evidenzmasse (z.B. m(SDt), m(St ) und/oder m(Dt )) und der zweiten
prädizierten Evidenzmasse (z.B. m(Ft) und/oder m(FDt )) umfassen.
Insbesondere kann die prädizierte Rest-Evidenzmasse m(ßz t) derart ermittelt werden, dass die Summe aller prädizierten Evidenzmassen (inkl. der prädizierten Rest-Evidenzmasse) eins ergibt.
Es kann dann auf Basis der gemessenen Rest-Evidenzmasse m(0z t), der prädizierten Rest-Evidenzmasse m(0t), der prädizierten SD -Evidenzmasse m(SDt ) und der gemessenen SD -Evidenzmasse m(SDz t ) an dem aktuellen Zeitpunkt t eine nicht-klassifizierte Evidenzmasse für Belegung ermittelt werden. Insbesondere können als nicht-klassifizierte Evidenzmassen für Belegung lc = m(SDt)m(0z t) und/oder l3 = m(0t)m(SDz t) ermittelt werden.
Die nicht-klassifizierte Evidenzmasse für Belegung kann dann zumindest teilweise der tatsächlichen S-Evidenzmasse m(St), der tatsächlichen D- Evidenzmasse m(Dt) und/oder der tatsächlichen SD -Evidenzmasse m(SDt) an dem aktuellen Zeitpunkt t zugewiesen werden. Dies kann insbesondere erfolgen auf Basis von:
Figure imgf000027_0001
wobei fD ein Verteilungsfaktor ist. So kann, in Kombination mit der Zuweisung von l2, bewirkt werden, dass eine belegte Zelle 201 zuverlässig zu einer statisch belegten Zelle 201 konvergiert, wenn Messungen wiederholt eine Belegung anzeigen. Des Weiteren kann so bewirkt werden, dass neu belegte Zellen 201 (zunächst) als dynamisch belegte Zellen 201 betrachtet werden können. Es kann somit eine zuverlässige und robuste Erkennung von statischen und dynamischen Objekten 150 ermöglicht werden.
Der Verteilungsfaktor fD kann von der Anzahl und/oder der Dichte von Partikeln 300 in der Zelle 201 abhängen. Typischerweise steigt fD mit steigender Anzahl und/oder Dichte. Alternativ oder ergänzend kann der Verteilungsfaktor fD von Sensordaten in Bezug auf eine Bewegungsgeschwindigkeit der Zelle 201 (z.B. in eine Bewegungsrichtung radial in Bezug auf den messenden Umfeldsensor 111) abhängen. Die Sensordaten können z.B. von einem Radarsensor bereitgestellt werden. Der Verteilungsfaktor fD kann mit steigender
Bewegungsgeschwindigkeit ansteigen und/oder wie in diesem Dokument beschrieben dimensioniert werden. Beispielsweise kann der Verteilungsfaktor von Information aus einem Objekt-Tracking und/oder Klassifikations-Algorithmus abhängen. So kann die Genauigkeit der Aufteilung auf die tatsächliche S- Evidenzmasse m(St ) und die tatsächliche D -Evidenzmasse m(Dt ) weiter verbessert werden, was zu einer erhöhten Genauigkeit der Erkennung von statischen und dynamischen Objekten 150 führt.
Das Verfahren 400 kann das Ermitteln einer möglichen dynamischen
Evidenzmasse umfassen. Die mögliche dynamische Evidenzmasse kann auf Basis der prädizierten FD -Evidenzmasse m(FDt ) und auf Basis der gemessenen SD- Evidenzmasse m(SDz t ) an dem aktuellen Zeitpunkt t ermittelt werden, insbesondere auf Basis bzw. als l4 = m(FDt)m(SDz t). Die mögliche dynamische Evidenzmasse kann zumindest teilweise der tatsächlichen SD- Evidenzmasse m(SDt ) und/oder der tatsächlichen D -Evidenzmasse m(Dt ) an dem aktuellen Zeitpunkt t zugewiesen werden. Die Zuweisung kann insbesondere auf Basis bzw. gemäß m(Dt ) <- (1— y)24 + /Dy/ l4 und/oder m(SDt ) <- (1— /D)yA4 erfolgen, wobei y ein veränderbarer Parameter zwischen 0 und 1 ist. So kann berücksichtigt werden, dass eine vorübergehend belegte Zelle 201 typischerweise durch ein dynamisches Objekt 150 belegt wird. Somit können die Robustheit und die Güte der Erkennung eines Objektes 150 weiter erhöht werden.
Es können somit zu einem aktuellen Zeitpunkt t auf Basis von Sensordaten von ein oder mehreren Umfeldsensoren 111 (z.B. eines Fahrzeugs 100) der Zustand einer Vielzahl von Zellen 201 eines Rasters 200 des Umfelds (z.B. des Fahrzeugs 100) ermittelt werden. Das Umfeld bzw. der räumliche Bereich kann in ein zweidimensionales (2D) Raster 200 mit Rasterzellen 201 unterteilt werden, wobei eine Rasterzelle 201 z.B. eine Größe von lOcm x lOcm oder 20cm x 20cm aufweisen kann.
Der Zustand kann die o.g. tatsächlichen Evidenzmassen an dem aktuellen
Zeitpunkt t umfassen. Diese Evidenzmassen für eine Zelle 201 können eine Objekt-Wahrscheinlichkeit dafür anzeigen, dass die Zelle 201, 205, 206 durch ein (statisches und/oder dynamisches) Objekt 251, 253 belegt ist. Die Objekt- Wahrscheinlichkeit kann dabei von den Evidenzen bzw. Evidenzmassen m(5t), m(Dt) und/oder m(SDt) abhängen. Außerdem kann auf Basis der Partikel 300 einer Zelle 201 eine Zellgeschwindigkeit vc der Zelle 201 ermittelt werden. Die Zellgeschwindigkeit kann dabei z.B. einen Betrag und eine
Bewegungsrichtung und/oder Geschwindigkeitskomponenten in einem
kartesischen Koordinatensystem aufweisen. In entsprechender Weise kann der Zustand für mehrere (insbesondere alle) Zellen 201 des Rasters 200 durch die entsprechenden Evidenzmassen und/oder Zellgeschwindigkeiten beschrieben werden.
Die ein oder mehreren Umfeldsensoren 111 können z.B. ein oder mehrere Radarsensoren, ein oder mehrere Ultraschallsensoren, ein oder mehrere LIDAR- Sensoren, ein oder mehrere Bildsensoren, etc. umfassen. Die Sensordaten von mehreren Umfeldsensoren 111 können überlagert bzw. kombiniert werden, um auf Basis des Verfahrens 400 den Zustand der Zellen 201 des Rasters 200 zu ermitteln.
Das Verfahren 400 kann das Ermitteln einer Belegungs-Wahrscheinlichkeit dafür umfassen, dass eine bestimmte Zelle 201 durch ein Objekt 150 belegt wird, wobei das Objekt 150 bereits an dem vorhergehenden Zeitpunkt (t— 1) detektiert war. Dabei wird die Belegungs-Wahrscheinlichkeit (ggf. allein) auf Basis eines Zustands des Objekts 150 an dem vorhergehenden Zeitpunkt (t— 1) ermittelt. Insbesondere können bei der Ermittlung der Belegungs-Wahrscheinlichkeit die tatsächlichen Evidenzmassen der Zellen 201 des Rasters 200 für den aktuellen Zeitpunkt t unberücksichtigt bleiben.
Auf Basis der Sensordaten für die Zellen 201 des Rasters 200 an dem
vorhergehenden Zeitpunkt (t— 1) kann der Zustand der Zellen 201 des Objektes 150 an dem vorhergehenden Zeitpunkt (t— 1) ermittelt worden sein. Aus dem Zustand der Zellen 201 des Objektes 150 kann wiederum der Zustand des Objektes 150 ermittelt worden sein. Der Zustand eines Objektes 150 kann z.B. durch ein oder mehrere der folgenden Zustandsparameter beschrieben werden: die Position (xT,yT) eines Referenzpunktes des Objekts 150; der Betrag der
Objektgeschwindigkeit vT; die Orientierung ft des Objekts 150; die Breite wT und die Länge It des (ausgedehnten) Objekts 150 (z.B. die Breite wT und die Länge It eines Box-Modells des Objektes 150); die Beschleunigung at des Objekts 150; und/oder die Drehrate wt des Objekts 150.
Der Zustand des Objekts 150 an dem vorhergehenden Zeitpunkt (t— 1) kann dazu genutzt werden, zu prädizieren, welche Zellen 201 des Rasters 200 an dem aktuellen Zeitpunkt t durch das Objekt 150 belegt werden. Mit anderen Worten, es kann ermittelt werden, mit welcher Belegungs-Wahrscheinlichkeit das Objekt 150 eine bestimmte Zelle 201 belegt. Die Belegungs-Wahrscheinlichkeit der Zellen 201 des Rasters 200 durch ein bestimmtes Objekt 150 kann für mehrere Zellen 201 (ggf. für alle Zellen 201) des Rasters 200 ermittelt werden.
Das Verfahren 400 kann dann das Zuweisen einer Zelle 201 zu einem bestimmten Objekt 150 umfassen, in Abhängigkeit von der Objekt-Wahrscheinlichkeit (bzw. in Abhängigkeit von der ersten tatsächlichen Evidenzmasse) und in Abhängigkeit von der Belegungs-Wahrscheinlichkeit. Insbesondere kann eine Zelle 201 einem Objekt 150 zugewiesen werden, wenn die Objekt- Wahrscheinlichkeit bzw. die erste tatsächliche Evidenzmasse eine relativ hohe Wahrscheinlichkeit dafür anzeigt, dass die Zelle 201 durch ein Objekt 150 (im Allgemeinen) belegt ist, und wenn die Belegungs-Wahrscheinlichkeit eine relativ hohe Wahrscheinlichkeit dafür anzeigt, dass die Zelle 201 durch ein spezifisches Objekt 150 belegt ist.
Durch die Berücksichtigung des Zustands von ein oder mehreren bereits zuvor detektierten Objekten 150 kann die Erkennung von Freiräumen und/oder die Erkennung von (dynamischen bzw. statischen) Objekten 150 in einem räumlichen Bereich, insbesondere im Umfeld eines Fahrzeugs 100, verbessert werden.
Das Verfahren 400 kann ferner umfassen, das Betreiben einer Funktion eines Fahrzeugs 100 auf Basis der ersten tatsächlichen Evidenzmasse (z.B. m(SDt), m(St ) und/oder m(Dt )) und/oder auf Basis der zweiten tatsächlichen
Evidenzmasse (z.B. m(Ft) und/oder m(FDt )) an dem aktuellen Zeitpunkt t. Alternativ oder ergänzend kann eine Funktion eines Fahrzeugs 100 in
Abhängigkeit von dem detektierten Objekt 150, insbesondere in Abhängigkeit von der ermittelten Position des Objektes 150, betrieben werden. Die Funktion des Fahrzeugs 100 kann z.B. eine Funktion zur zumindest teilweise automatisierten Durchführung einer Fängsführung und/oder einer Querführung des Fahrzeugs 100 umfassen. Insbesondere kann die Funktion das teil-, hoch- oder vollautomatisierte Führen eines Fahrzeugs 100 umfassen. Das in diesem Dokument beschriebene Verfahren 400 ermöglicht es, durch eine verbesserte Erfassung des Umfelds eines Fahrzeugs 100 die Verfügbarkeit und die Zuverlässigkeit einer automatisierten Fahrfunktion eines Fahrzeugs 100 zu erhöhen. Des Weiteren kann gleichzeitig der Rechenaufwand (durch eine signifikant verringerte Anzahl benötigter Partikel 300) reduziert werden. 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

Ansprüche
1) Verfahren (400) zur Erkennung eines Objektes (150) in einem räumlichen Bereich, wobei das Verfahren (400) umfasst, für jede einer Vielzahl von Zellen (201) des räumlichen Bereichs,
- Ermitteln (401), auf Basis von Sensordaten bezüglich des räumlichen Bereichs, einer ersten gemessenen Evidenzmasse (m(SDz t )) für eine erste Hypothese (SD), dass eine Zelle (201) an einem aktuellen Zeitpunkt (t) belegt ist, und einer zweiten gemessenen Evidenzmasse (mFz,t)) für eine zweite Hypothese (F), dass die Zelle (201) an dem aktuellen Zeitpunkt (t) nicht belegt ist oder nicht belegt sein könnte;
- Prädizieren (402), auf Basis einer ersten tatsächlichen Evidenzmasse (m(SDt-1 ), m(St-1), mDt-1 )) für die erste Hypothese (SD, S, D) und auf Basis einer zweiten tatsächlichen Evidenzmasse (m(Ft-1), m(FDt-1)) für die zweite Hypothese (F, FD) an einem
vorhergehenden Zeitpunkt (t-l) sowie auf Basis einer Vielzahl von Partikeln (300) für eine entsprechende Vielzahl von
Bewegungshypothesen für die Zelle (201), einer ersten prädizierten Evidenzmasse (m(SDt), m(St ), m(Dt )) für die erste Hypothese (SD, S, D) und einer zweiten prädizierten Evidenzmasse (m(Ft), m(FDt )) für die zweite Hypothese (F, FD) an dem aktuellen Zeitpunkt (t); und
- Ermitteln (403) der ersten tatsächlichen Evidenzmasse (m(SDt), m(St ), m(Dt )) und der zweiten tatsächlichen Evidenzmasse (m(Ft), m(FDt )) an dem aktuellen Zeitpunkt (t) durch Kombinieren der ersten gemessenen Evidenzmasse (m(SDz t )) und der zweiten gemessenen
Evidenzmasse (m(Fz t)) mit der ersten prädizierten Evidenzmasse (m(SDt), m(St ), m(Dt )) und der zweiten prädizierten Evidenzmasse (m(Ft), m(FDt )) an dem aktuellen Zeitpunkt (t); und
wobei das Verfahren (400) ferner umfasst, - Ermitteln (404) einer Position eines Objektes (150) in dem räumlichen Bereich an dem aktuellen Zeitpunkt (t), auf Basis der ersten tatsächlichen Evidenzmasse ( m(SDt ), m(St), m(Dt )) und der zweiten tatsächlichen Evidenzmasse (m(Ft), m(FDt )) an dem aktuellen Zeitpunkt (t) für die Vielzahl von Zehen (201).
2) Verfahren (400) gemäß Anspruch 1, wobei das Prädizieren (402) umfasst,
- Prädizieren einer ersten statisch prädizierten Evidenzmasse ( m(SD ), m(S' t), m(P )) an dem aktuellen Zeitpunkt (t) auf Basis der ersten tatsächlichen Evidenzmasse (m(5Z)t-1), m(5t-1), m(Dt- i)) an dem vorhergehenden Zeitpunkt (t-l);
- Ermitteln einer ersten dynamisch prädizierten Evidenzmasse (
Figure imgf000034_0001
Figure imgf000034_0002
an dem aktuellen Zeitpunkt (t) auf Basis der Vielzahl von Partikeln (300); und
- Ermitteln der ersten prädizierten Evidenzmasse ( m(SDt ), m(St),
m(Z)t)) für die erste Hypothese (SD, S, D ) durch Kombinieren der ersten statisch prädizierten Evidenzmasse ( m SD ), m S ), m D't )) und der ersten dynamisch prädizierten Evidenzmasse (m
Figure imgf000034_0003
, m(ßt))·
3) Verfahren (400) gemäß Anspruch 2, wobei
- ein Partikel (300) mit einer Partikel-Evidenzmasse assoziiert ist; und
- das Ermitteln der ersten dynamisch prädizierten Evidenzmasse
Figure imgf000034_0004
das Aufsummieren der Partikel- Evidenzmassen der Vielzahl von Partikeln (300) in der Zehe (201) umfasst.
4) Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei
- ein Partikel (300) eine Bewegung (301), insbesondere eine
Bewegungsrichtung und eine Bewegungsgeschwindigkeit, eines Teils der ersten tatsächlichen Evidenzmasse ( m(SDt ), m(Dt )) einer Zelle (201) beschreibt; und/oder
- die Vielzahl von Partikeln (300) der Zelle (201) Partikel (300) sind, die zum vorhergehenden Zeitpunkt (t— 1) für zumindest eine der Vielzahl von Zellen (201) definiert wurden und die aufgrund ihrer Bewegung
(301) in die Zelle (201) fallen.
5) Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei
- das Verfahren (400) umfasst, Verteilen der ersten tatsächlichen
Evidenzmasse ( m(SDt ), m(Dt)) der Zelle (201) an dem aktuellen
Zeitpunkt (t) auf eine Vielzahl von aktualisierten Partikeln (300);
- die Vielzahl von aktualisierten Partikeln (300) zumindest teilweise Partikel (300) des vorhergehenden Zeitpunkts (t-l) umfasst, die in die Zelle (201) fallen; und/oder
- die Vielzahl von aktualisierten Partikeln (300) zumindest teilweise neue Partikel (300) mit unterschiedlichen Bewegungen (301) umfasst.
6) Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei
- die Evidenzmassen auf Werte zwischen 0 und 1 normiert sind;
- die Summe einer ersten Evidenzmasse für die erste Hypothese und einer zweiten Evidenzmasse für die zweite Hypothese kleiner als oder gleich eins ist; und/oder
- das Kombinieren von Evidenzmassen das Multiplizieren der
Evidenzmassen umfasst.
7) Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Kombinieren von Evidenzmassen umfasst,
- Ermitteln von Konflikt-Evidenzmassen für eine Kombination von Hypothesen, die sich gegenseitig widersprechen; und - Zuweisen der einzelnen Konflikt-Evidenzmassen zu der ersten und/oder der zweiten Hypothese.
8) Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei eine erste Evidenzmasse für die erste Hypothese umfasst,
- eine S-Evidenzmasse (m(S)) für eine„statisch belegt“-, kurz S-,
Hypothese (S) dafür, dass die Zelle (201) durch ein statisches Objekt (150) belegt ist;
- eine D -Evidenzmasse (m(D)) für eine„dynamisch belegt“-, kurz D-, Hypothese ( D ) dafür, dass die Zelle (201) durch ein sich bewegendes, dynamisches Objekt (150) belegt ist; und/oder
- eine SD -Evidenzmasse ( m(SD )) für eine„unbekannt belegt“-, kurz SD-, Hypothese (SD) dafür, dass die Zelle (201) durch ein Objekt (150) belegt ist, von dem nicht bekannt ist, ob es statisch oder dynamisch ist; und
wobei eine zweite Evidenzmasse für die zweite Hypothese umfasst,
- eine F-Evidenzmasse (m(F)) für eine„frei“-, kurz F-, Hypothese dafür, dass sich in der Zelle (201) kein Objekt (150) befindet; und/oder
- eine FD -Evidenzmasse ( m(FD )) für eine„transitorisch frei“-, kurz FD-, Hypothese (FD) dafür, dass die Zelle (201) nicht belegt oder nur vorübergehend durch ein dynamisches Objekt (150) belegt ist.
9) Verfahren (400) gemäß Anspruch 8, wobei das Prädizieren (402) umfasst,
- Ermitteln einer statisch prädizierten S-Evidenzmasse ( m(S )) an dem aktuellen Zeitpunkt (t) auf Basis der tatsächlichen 5-Evidenzmasse (m(5t-1)) an dem vorhergehenden Zeitpunkt (t— 1), insbesondere als m(5't) = 171( ^!);
- Ermitteln einer dynamisch prädizierten D -Evidenzmasse ( m Dt )) auf Basis der Summe von Partikel-Evidenzmassen der Vielzahl von Partikeln (300), die an dem aktuellen Zeitpunkt (t) in die Zelle (201) fallen;
Ermitteln einer Konflikt- Evidenzmasse auf Basis der statisch prädizierten 5-Evidenzmasse (m(5't)) und der dynamisch prädizierten D -Evidenzmasse (m(Dt )); und
Zuweisen der Konflikt-Evidenzmasse zumindest teilweise zu der prädizierten 5-Evidenzmasse (m(5t)) an dem aktuellen Zeitpunkt (t).
10) Verfahren (400) gemäß einem der Ansprüche 8 bis 9, wobei das Prädizieren (402) umfasst,
- Ermitteln einer statisch prädizierten FD -Evidenzmasse (m(FD )) an dem aktuellen Zeitpunkt (t) auf Basis der tatsächlichen FD- Evidenzmasse (m(FZ)t-1)), auf Basis der tatsächlichen F- Evidenzmasse (m(Ft-1)) und auf Basis der tatsächlichen D- Evidenzmasse (m(Z)t-1)) an dem vorhergehenden Zeitpunkt (t— 1), insbesondere als und
Figure imgf000037_0001
- Ermitteln der prädizierten FD -Evidenzmasse (m(FDt )) an dem
aktuellen Zeitpunkt (t) auf Basis der statisch prädizierten FD- Evidenzmasse (m(FD )) an dem aktuellen Zeitpunkt (t).
11) Verfahren (400) gemäß einem der Ansprüche 8 bis 10, wobei das Prädizieren (402) umfasst,
- Ermitteln einer statisch prädizierten 5-Evidenzmasse (m(S )) an dem aktuellen Zeitpunkt (t) auf Basis der tatsächlichen 5-Evidenzmasse (m(St-1)) an dem vorhergehenden Zeitpunkt (t— 1);
- Ermitteln einer statisch prädizierten SD -Evidenzmasse (m(SD )) an dem aktuellen Zeitpunkt (t) auf Basis der tatsächlichen SD- Evidenzmasse (m(5Z)t-1)) an dem vorhergehenden Zeitpunkt (t— 1), insbesondere als m(SZ)'t) = m(5Z)t-1); - Ermitteln einer statisch prädizierten FD -Evidenzmasse ( m(FD't )) an dem aktuellen Zeitpunkt (t) auf Basis der tatsächlichen FD- Evidenzmasse (m(FZ)t-1)) auf Basis der tatsächlichen F- Evidenzmasse (m(Ft-1)) und auf Basis der tatsächlichen D- Evidenzmasse (m(Z)t-1)) an dem vorhergehenden Zeitpunkt (t— 1);
- Ermitteln einer dynamisch prädizierten D -Evidenzmasse ( m(Dt )) auf Basis der Summe von Partikel-Evidenzmassen der Vielzahl von Partikeln (300), die an dem aktuellen Zeitpunkt (t) in die Zelle (201) fallen;
- Kombinieren der statisch prädizierten 5-Evidcnzmassc (m(5't)), der statisch prädizierten SD -Evidenzmasse ( m(SD )) und der statisch prädizierten FD -Evidenzmasse ( m(FD )) einerseits mit der dynamisch prädizierten D -Evidenzmasse ( m(Dt )) andererseits. 12) Verfahren (400) gemäß einem der Ansprüche 8 bis 11, wobei das Verfahren
(400) umfasst,
- Ermitteln von Konflikt-Evidenzmassen zwischen einer prädizierten S- Evidenzmasse (m(5t)), einer prädizierten D -Evidenzmasse ( m(Dt )) und/oder einer prädizierten SD -Evidenzmasse ( m(SDt )) an dem aktuellen Zeitpunkt (t) einerseits und einer gemessenen F-
Evidenzmasse ( m(Fz t )) an dem aktuellen Zeitpunkt (t) andererseits, insbesondere als
Figure imgf000038_0001
Zuweisen der Konflikt-Evidenzmassen zu der tatsächlichen S- Evidenzmasse (m(5t)) und/oder der tatsächlichen F-Evidenzmasse (m(Ft)) an dem aktuellen Zeitpunkt (t), insbesondere gemäß
Figure imgf000039_0001
13) Verfahren (400) gemäß einem der Ansprüche 8 bis 12, wobei das Verfahren (400) umfasst,
- Ermitteln, auf Basis der prädizierten SD -Evidenzmasse ( m(SDt )) und der gemessenen SD -Evidenzmasse ( m(SDz t )) an dem aktuellen Zeitpunkt (t), einer nicht-klassifizierten Evidenzmasse für Belegung, insbesondere auf Basis l2 = m(SDt)m(SDz t)
- Zuweisen der nicht-klassifizierten Evidenzmasse für Belegung
zumindest teilweise zu der tatsächlichen S-Evidenzmasse (m(St)) und/oder der tatsächlichen D -Evidenzmasse ( m(Dt )) an dem aktuellen Zeitpunkt (t), insbesondere auf Basis m(St ) <- l2.
14) Verfahren (400) gemäß einem der Ansprüche 8 bis 13, wobei das Verfahren (400) umfasst
- Ermitteln einer gemessenen Rest-Evidenzmasse ( m(Qz t )) an dem aktuellen Zeitpunkt (t) auf Basis der Summe der ersten gemessenen Evidenzmasse ( m(SDz t )) und der zweiten gemessenen Evidenzmasse (m(Fz t))
- Ermitteln einer prädizierten Rest-Evidenzmasse (m(0t)) an dem
aktuellen Zeitpunkt (t) auf Basis der Summe der ersten prädizierten Evidenzmasse ( m(SDt ), m(St), m(Dt )) und der zweiten prädizierten Evidenzmasse (m(Ft), m(FDt ));
- Ermitteln, auf Basis der gemessenen Rest-Evidenzmasse (m(0z t)), der prädizierten Rest-Evidenzmasse (m(0t)), der prädizierten SD- Evidenzmasse ( m(SDt )) und der gemessenen SD -Evidenzmasse
(: m(SDz t )) an dem aktuellen Zeitpunkt (t), einer nicht-klassifizierten Evidenzmasse für Belegung, insbesondere auf Basis lc = m(SDt)m(0z t) und/oder l3 = m(0t)m(SDz t); und - Zuweisen der nicht-klassifizierten Evidenzmasse für Belegung zumindest teilweise zu der tatsächlichen 5-Evidenzmasse (m(5t)), der tatsächlichen D -Evidenzmasse ( m(Dt )) und/oder der tatsächlichen SD- Evidenzmasse ( m(SDt )) an dem aktuellen Zeitpunkt (t), insbesondere auf Basis m(SDt ) <- l4, m(Dt) <- fD) l3 und/oder m(SDt ) <- (1— fD)Ä 3; wobei /D ein Verteilungsfaktor ist.
15) Verfahren (400) gemäß Anspruch 14, wobei der Verteilungsfaktor fD abhängt von
einer Anzahl und/oder Dichte von Partikeln (300) in der Zelle (201); und/oder
Sensordaten in Bezug auf eine Bewegungsgeschwindigkeit der Zelle (201); und/oder
Information aus einem Objekt-Tracking und/oder Klassifikations- Algorithmus.
16) Verfahren (400) gemäß einem der Ansprüche 8 bis 15, wobei das Verfahren (400) umfasst
- Ermitteln, auf Basis der prädizierten FD -Evidenzmasse ( m(FDt )) und der gemessenen SD -Evidenzmasse ( m(SDz t )) an dem aktuellen Zeitpunkt (t), einer möglichen dynamischen Evidenzmasse, insbesondere auf Basis l4 = m(FDt)m(SDz t) und
- Zuweisen der möglichen dynamischen Evidenzmasse zumindest
teilweise zu der tatsächlichen SD -Evidenzmasse ( m(SDt )) und der tatsächlichen D -Evidenzmasse ( m(Dt )) an dem aktuellen Zeitpunkt (t), insbesondere auf Basis m(Dt ) <- (1— y)24 + /Dy/l4 und/oder m(SDt ) <- (1— /D)yA4, wobei y ein veränderbarer Parameter zwischen 0 und 1 ist. 17) Verfahren (400) gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren (400) umfasst,
- Ermitteln einer Belegungs-Wahrscheinlichkeit dafür, dass die Zelle (201) an dem aktuellen Zeitpunkt (t) durch ein Objekt (150) belegt wird, das bereits an dem vorhergehenden Zeitpunkt (t— 1) detektiert war; wobei die Belegungs-Wahrscheinlichkeit auf Basis eines Zustands des Objekts (250) an dem vorhergehenden Zeitpunkt (t— 1) ermittelt wird; und
- Zuweisen der Zelle (205) zu dem Objekt (250) in Abhängigkeit von der ersten Evidenzmasse und in Abhängigkeit von der Belegungs- W ahrscheinlichkeit.
PCT/DE2019/100022 2018-01-17 2019-01-11 Verfahren zur detektion eines objektes Ceased WO2019141311A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/961,311 US11409841B2 (en) 2018-01-17 2019-01-11 Method for detecting an object
CN201980008218.2A CN111587430B (zh) 2018-01-17 2019-01-11 用于探测物体的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018200683.0 2018-01-17
DE102018200683.0A DE102018200683A1 (de) 2018-01-17 2018-01-17 Verfahren zur Detektion eines Objektes

Publications (1)

Publication Number Publication Date
WO2019141311A1 true WO2019141311A1 (de) 2019-07-25

Family

ID=65363019

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2019/100022 Ceased WO2019141311A1 (de) 2018-01-17 2019-01-11 Verfahren zur detektion eines objektes

Country Status (4)

Country Link
US (1) US11409841B2 (de)
CN (1) CN111587430B (de)
DE (1) DE102018200683A1 (de)
WO (1) WO2019141311A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020146447A1 (en) * 2019-01-08 2020-07-16 Aptiv Technologies Limited Field theory based perception for autonomous vehicles
GB2587739A (en) * 2019-01-08 2021-04-07 Motional Ad Llc Field theory based perception for autonomous vehicles
US11814039B2 (en) 2020-05-12 2023-11-14 Motional Ad Llc Vehicle operation using a dynamic occupancy grid

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018215288A1 (de) * 2018-09-07 2020-03-12 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Verarbeitungseinheit zur Verfolgung eines Objektes
CN108983213B (zh) * 2018-09-07 2021-01-01 百度在线网络技术（北京）有限公司 障碍物静止状态的确定方法、装置、设备及存储介质
DE102019109332B4 (de) 2019-04-09 2026-03-19 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Verarbeitungseinheit zur Ermittlung eines Objekt-Zustands eines Objektes
DE102019213929A1 (de) * 2019-09-12 2021-03-18 Zf Friedrichshafen Ag Plausibilitätsprüfung angehaltener vormals dynamischer Objekte mit Hilfe von Belegungsrastern
US11994866B2 (en) * 2019-10-02 2024-05-28 Zoox, Inc. Collision avoidance perception system
US11120280B2 (en) 2019-11-15 2021-09-14 Argo AI, LLC Geometry-aware instance segmentation in stereo image capture processes
US12228939B2 (en) * 2020-06-26 2025-02-18 Intel Corporation Occupancy verification device and method
GB2606139A (en) * 2021-04-21 2022-11-02 Mercedes Benz Group Ag A method for generating a current dynamic occupancy grid map for analyzing the surroundings of a motor vehicle as well as a corresponding assistance system
US12399032B2 (en) * 2023-01-03 2025-08-26 GM Global Technology Operations LLC Method and system of inconsistent map data reconciliation in connected vehicles

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009007395A1 (de) * 2008-03-25 2009-10-01 Volkswagen Ag Verfahren zur kartenbasierten Umfelddarstellung eines Fahrzeugs
US20150310146A1 (en) * 2014-04-29 2015-10-29 Bayerische Motoren Werke Aktiengesellschaft Detecting Static and Dynamic Objects

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2890774B1 (fr) * 2005-09-09 2007-11-16 Inst Nat Rech Inf Automat Procede d'assitance a la conduite d'un vehicule et dispositif associe ameliore
US8019712B2 (en) * 2008-01-30 2011-09-13 The Boeing Company Intelligent threat assessment module, method and system for space situational awareness system
US8311695B2 (en) * 2008-03-19 2012-11-13 Honeywell International Inc. Construction of evidence grid from multiple sensor measurements
KR101734654B1 (ko) * 2015-06-25 2017-05-11 현대자동차주식회사 레이저 스캐너를 이용한 센서 중심 좌표계의 점유 격자 지도를 작성하는 시스템 및 방법
IL250382B (en) * 2017-01-31 2021-01-31 Arbe Robotics Ltd A radar-based system and method for real-time simultaneous positioning and mapping

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009007395A1 (de) * 2008-03-25 2009-10-01 Volkswagen Ag Verfahren zur kartenbasierten Umfelddarstellung eines Fahrzeugs
US20150310146A1 (en) * 2014-04-29 2015-10-29 Bayerische Motoren Werke Aktiengesellschaft Detecting Static and Dynamic Objects

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
STEYER SASCHA ET AL: "Object tracking based on evidential dynamic occupancy grids in urban environments", 2017 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV), IEEE, 11 June 2017 (2017-06-11), pages 1064 - 1070, XP033133884, DOI: 10.1109/IVS.2017.7995855 *
TANZMEISTER GEORG ET AL: "Evidential Grid-Based Tracking and Mapping", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, IEEE, PISCATAWAY, NJ, USA, vol. 18, no. 6, 6 June 2017 (2017-06-06), pages 1454 - 1467, XP011651026, ISSN: 1524-9050, [retrieved on 20170526], DOI: 10.1109/TITS.2016.2608919 *
TANZMEISTER GEORG ET AL: "Grid-based mapping and tracking in dynamic environments using a uniform evidential environment representation", 2014 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA), IEEE, 31 May 2014 (2014-05-31), pages 6090 - 6095, XP032650735, DOI: 10.1109/ICRA.2014.6907756 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020146447A1 (en) * 2019-01-08 2020-07-16 Aptiv Technologies Limited Field theory based perception for autonomous vehicles
GB2587739A (en) * 2019-01-08 2021-04-07 Motional Ad Llc Field theory based perception for autonomous vehicles
GB2587739B (en) * 2019-01-08 2021-12-29 Motional Ad Llc Field theory based perception for autonomous vehicles
GB2599255A (en) * 2019-01-08 2022-03-30 Motional Ad Llc Field theory based perception for autonomous vehicles
US11449705B2 (en) 2019-01-08 2022-09-20 Motional Ad Llc Field theory based perception for autonomous vehicles
GB2599255B (en) * 2019-01-08 2023-09-06 Motional Ad Llc Field theory based perception for autonomous vehicles
US11814039B2 (en) 2020-05-12 2023-11-14 Motional Ad Llc Vehicle operation using a dynamic occupancy grid
US12479422B2 (en) 2020-05-12 2025-11-25 Motional Ad Llc Vehicle operation using a dynamic occupancy grid

Also Published As

Publication number Publication date
CN111587430B (zh) 2024-04-09
US11409841B2 (en) 2022-08-09
DE102018200683A1 (de) 2019-07-18
US20210073321A1 (en) 2021-03-11
CN111587430A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
WO2019141311A1 (de) Verfahren zur detektion eines objektes
EP2951804B1 (de) Erstellen eines umfeldmodells für ein fahrzeug
DE102019123483B4 (de) Verfahren sowie Kraftfahrzeug-Steuereinheit zum Erfassen einer Umgebung eines Kraftfahrzeugs durch Fusionieren von Sensordaten auf Punktwolkenebene
DE102019110927A1 (de) Verallgemeinertes inverses 3D-Sensormodell
DE102011113016A1 (de) Verfahren zur Umgebungsrepräsentation eines Fahrzeugs
WO2022247994A1 (de) System zur sensordatenfusion für die umgebungswahrnehmung
DE102018205879A1 (de) Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Verarbeitung von Sensordaten
EP2991874A2 (de) Bereitstellen einer effizienten umfeldkarte für ein fahrzeug
WO2015173005A1 (de) Umfeldkarte für fahrflächen mit beliebigem höhenverlauf
DE102020200876B4 (de) Verfahren zum Verarbeiten von Sensordaten einer Sensorik eines Fahrzeugs
DE102022128437A1 (de) Aggregationsbasierte LIDAR-Datenausrichtung
DE102019008093A1 (de) Verfahren zum Fusionieren von Sensordaten einer Vielzahl von Erfassungseinrichtungen mittels eines spärlichen Belegungsgitters, sowie Fahrerassistenzsystem
WO2022129266A1 (de) Verfahren zur detektion zumindest eines objektes einer umgebung mittels reflexionssignalen eines radar-sensorsystems
DE102019109332B4 (de) Verfahren und Verarbeitungseinheit zur Ermittlung eines Objekt-Zustands eines Objektes
DE102019129463A1 (de) Verfahren und Vorrichtung zur Erkennung und Nachverfolgung eines dynamischen Objektes
DE102022100545A1 (de) Verbesserte objekterkennung
DE112020003817T5 (de) Belegungsgitterkarten-managementvorrichtung
WO2020048560A1 (de) Verfahren und verarbeitungseinheit zur verfolgung eines objektes
DE102022200139A1 (de) Verfahren zur Optimierung der Umfeldwahrnehmung für ein Fahrunterstützungssystem mittels zusätzlicher Referenzsensorik
DE102021202334A1 (de) Filterung von betriebsszenarien im betrieb eines fahrzeugs
DE102020211881A1 (de) Vorrichtung und Verfahren zur Absicherung einer Fahrtrajektorie eines Ego-Fahrzeugs
DE102022125695B4 (de) Verfahren und Einrichtung zur effizienten Objektnachverfolgung und entsprechend eingerichtetes Kraftfahrzeug
DE102020119498A1 (de) Verfahren zum Schätzen einer Eigenbewegung eines Fahrzeugs anhand von Messungen eines Lidar-Sensors sowie Recheneinrichtung
DE102019126431A1 (de) Verfahren und Vorrichtung zur Lokalisierung eines Fahrzeugs
DE102022121868A1 (de) Verfahren und Assistenzeinrichtung zum Klassifizieren von Sensordetektionen basierend auf Punktwolken und entsprechend eingerichtetes Kraftfahrzeug

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19704183

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19704183

Country of ref document: EP

Kind code of ref document: A1