DE102022209544A1 - Method for evaluating confidence in track estimation - Google Patents

Abstract

Translated fromGerman

Verfahren zum Evaluieren von Konfidenz bei der Spurschätzung, umfassend die folgenden Schritte: Detektieren, in aufeinander folgenden Zyklen, von Daten für zumindest ein entsprechendes Segment, wobei jedes Segment einen vordefinierten Bereich einer zu schätzenden Spur repräsentiert, Umwandeln jedes Segments in ein Polynom, Vergleichen von Polynomen eines aktuellen Zyklus mit entsprechenden Polynomen eines vorhergehenden Zyklus zum Berechnen eines Abstands für jedes Segment, Umwandeln jedes berechneten Abstands in einen Konfidenzwert für jedes Segment zum Evaluieren von Konfidenz bei der Spurschätzung.A method for evaluating confidence in track estimation, comprising the following steps: detecting, in successive cycles, data for at least one corresponding segment, each segment representing a predefined region of a track to be estimated, converting each segment into a polynomial, comparing polynomials of a current cycle with corresponding polynomials of a previous cycle to calculate a distance for each segment, converting each calculated distance into a confidence value for each segment to evaluate confidence in track estimation.

Description

Translated fromGerman

Die Erfindung stellt ein Verfahren zum Evaluieren von Konfidenz bei der Spurschätzung eines Fahrzeugs und eine Anordnung zum Durchführen des Verfahrens bereit.The invention provides a method for evaluating confidence in lane estimation of a vehicle and an arrangement for carrying out the method.

Stand der TechnikState of the art

Konfidenz bei der Spurschätzung bildet die Grundlage für Verfahren und Systeme zum Modifizieren des Fahrzeugverhaltens. Die Spurschätzung baut die Spurgeometrie für die drei Spuren auf. Von den drei Spuren ist die mittlere Spur immer diejenige, in der das Host-Fahrzeug fährt. Es kann Nachbarspuren geben, eine auf der linken Seite und eine auf der rechten Seite. Diese Nachbarspuren können natürlich ungültig sein, wenn es in der Realität keine solchen Spuren gibt.Confidence in lane estimation forms the basis for methods and systems for modifying vehicle behavior. The track estimation builds the track geometry for the three tracks. Of the three lanes, the middle lane is always the one in which the host vehicle travels. There may be neighboring tracks, one on the left and one on the right. These neighboring traces can of course be invalid if there are no such traces in reality.

Es ist auch zu berücksichtigen, dass ihre Qualitätsschätzung genau so wichtig ist wie die Geometrie. Diese Qualitätsschätzung wird von funktionalen Schichten verwendet, um zu entscheiden, ob es sicher ist, das Spurmodell immer noch zu verwenden, oder nicht. Vorher war die Qualität, Informationen zu verwenden, die zu einem gegebenen Moment verfügbar waren, und nicht, zeitliche Korrelationen zwischen der Straßengeometrie zu verwenden.It should also be taken into account that their quality estimation is just as important as the geometry. This quality estimate is used by functional layers to decide whether it is safe to still use the trace model or not. Previously, the quality was to use information that was available at a given moment, not to use temporal correlations between road geometry.

Offenbarung der ErfindungDisclosure of the invention

Gemäß der Erfindung wird ein Verfahren nach Anspruch 1 zum Evaluieren von Konfidenz bei der Spurschätzung eingeführt.According to the invention, a method according to claim 1 for evaluating confidence in track estimation is introduced.

Ferner wird eine Anordnung nach Anspruch 10 zum Durchführen des hier beschriebenen Verfahrens eingeführt.Furthermore, an arrangement according to claim 10 for carrying out the method described here is introduced.

Das vorgeschlagene Verfahren ist geeignet zum Evaluieren von Konfidenz bei der Spurschätzung. Dieses Verfahren umfasst die folgenden Schritte: Detektieren, in fortlaufenden/aufeinander folgenden Zyklen, von Daten für zumindest ein entsprechendes Segment, wobei jedes Segment einen vordefinierten Bereich einer zu schätzenden Spur repräsentiert, Umwandeln jedes Segments in ein Polynom, Vergleichen von Polynomen eines aktuellen Zyklus mit entsprechenden Polynomen eines vorhergehenden Zyklus zum Berechnen eines Abstands für jedes Segment und Umwandeln jedes berechneten Abstands in einen Konfidenzwert für jedes Segment. Dieser Konfidenzwert ermöglicht dem Benutzer und/oder einem Fahrerunterstützungssystem, Konfidenz bei der Spurschätzung zu evaluieren und zu entscheiden, ob einer geschätzten Spur vertraut werden soll oder nicht.The proposed method is suitable for evaluating confidence in track estimation. This method includes the following steps: detecting, in continuous/successive cycles, data for at least one corresponding segment, each segment representing a predefined region of a trace to be estimated, converting each segment into a polynomial, comparing polynomials of a current cycle with corresponding polynomials of a previous cycle to calculate a distance for each segment and converting each calculated distance into a confidence value for each segment. This confidence value allows the user and/or a driver assistance system to evaluate confidence in lane estimation and decide whether or not to trust an estimated lane.

In einer Ausführungsform werden für jeden Zyklus fünf Segmente untersucht, wobei für jedes ein Polynom berechnet wird. Daher werden in jedem Zyklus fünf Polynome berechnet.In one embodiment, five segments are examined for each cycle, with a polynomial being calculated for each. Therefore, five polynomials are calculated in each cycle.

Die Umwandlung von Abstand in Konfidenzwert kann mithilfe einer Logistikfunktion, z. B. einer Fermi-Dirac-Verteilung, durchgeführt werden.The conversion of distance to confidence value can be done using a logistic function, e.g. B. a Fermi-Dirac distribution.

Die Periode zwischen aufeinander folgenden Zyklen kann etwa 100 ms sein.The period between successive cycles can be about 100 ms.

Ferner wird/werden, beim Vergleichen des aktuellen Zyklus mit dem früheren Zyklus, Bewegung und/oder Ausrichtung, insbesondere eine Änderung der Position und Ausrichtung zwischen zwei aufeinander folgenden Zyklen, berücksichtigt.Furthermore, when comparing the current cycle with the previous cycle, movement and/or orientation, in particular a change in position and orientation between two successive cycles, is/are taken into account.

Das vorgeschlagene Verfahren kann in Verbindung mit einem erweiterten Fahrerunterstützungssystem (ADAS) verwendet werden.The proposed method can be used in conjunction with an Advanced Driver Assistance System (ADAS).

In einer Ausführungsform sind die verwendeten Polynome Polynome 2. Grades.In one embodiment, the polynomials used are 2nd degree polynomials.

Darüber hinaus kann Fahrzeugverhalten basierend auf einer berechneten Spurschätzungskonfidenz modifiziert werden.In addition, vehicle behavior can be modified based on a calculated lane estimation confidence.

Mit der Erweiterung der Konfidenzberechnung ist eine genauere Konfidenzberechnung der Spurrepräsentation möglich. Dadurch kann die Funktionsschicht Entscheidungen treffen, zu welcher Zeit die Funktion aktiviert oder deaktiviert werden soll. Die Funktionsschichten enthalten den nächsten logischen Schritt in der ADAS-Software. Ihr Eingang ist der Ausgang der Spurschätzung, und die Aufgabe dieser Schicht besteht darin, zu entscheiden, ob ein ADAS-Merkmal, z. B. eine Notbremsung, ein Spurhalten usw., ausgeführt werden kann oder sollte. Die relevanten Funktionen sind insbesondere Spurhaltemerkmale, wie ein Verkehrsstauassistent (TJA), ein Autobahnassistent (HWA) usw. Allerdings kann der Konfidenzwert durch andere Merkmale verwendet werden, die sich auf die Spurmodellschätzung verlassen, z. B. Fälle mit AEB (automatische Notbremse), Notspurhalten usw.With the extension of the confidence calculation, a more precise confidence calculation of the track representation is possible. This allows the functional layer to make decisions about when the function should be activated or deactivated. The functional layers contain the next logical step in the ADAS software. Its input is the output of lane estimation, and the task of this layer is to decide whether an ADAS feature, e.g. B. emergency braking, lane keeping, etc., can or should be carried out. The relevant functions are in particular lane keeping features, such as a traffic jam assistant (TJA), a highway assistant (HWA), etc. However, the confidence value can be used by other features that rely on the lane model estimation, e.g. B. Cases with AEB (automatic emergency braking), emergency lane keeping, etc.

Während der Entwicklung lag der Fokus auf dem TJA-Merkmal. Diese Kurskonfidenz wird, nicht direkt, aber nach einer Verarbeitungsschicht, verwendet, um zu entscheiden, ob das TJA-Merkmal aktiviert werden kann. Kurskonfidenz ist die Selbstbewertung der Spurschätzungskomponente. Sie beschreibt die Verlässlichkeit des ausgegebenen Spurmodells basierend auf der Verlässlichkeit seiner Eingänge und der Widersprüche zwischen den Eingängen.During development the focus was on the TJA feature. This price confidence is used, not directly, but after a layer of processing, to decide whether the TJA feature can be activated. Heading confidence is the self-assessment of the track estimation component. It describes the reliability of the output trace model based on the reliability of its inputs and the contradictions between the inputs.

Wenn das Merkmal, in einer Ausführungsform der lateralen Steuerung, basierend auf dieser Konfidenz bereits aktiv ist, kann auch die Degradierung gestartet werden. Die Leistungsfähigkeit des TJA-Merkmals hat sich verbessert, sie wird aber durch Fahren in Echtzeit und Testen des Merkmals im Fahrzeug gemessen. Es ist anzumerken, dass Verfügbarkeit genauer ist.If the feature, in an embodiment of lateral control, is already active based on this confidence, degradation can also be started. The performance of the TJA feature has improved, but it is measured by driving in real time and testing the feature in the vehicle. It should be noted that availability is more accurate.

Die hier beschriebene Anordnung ist zum Ausführen des vorgeschlagenen Verfahrens geeignet. Diese Anordnung kann in Hardware und/oder Software implementiert sein. Ferner kann die Anordnung in eine elektronische Steuereinheit (ECU) eines Kraftfahrzeugs integriert sein oder kann als eine solche ECU gebaut sein.The arrangement described here is suitable for carrying out the proposed method. This arrangement can be implemented in hardware and/or software. Furthermore, the arrangement can be integrated into an electronic control unit (ECU) of a motor vehicle or can be built as such an ECU.

Kurzbeschreibung der ZeichnungenBrief description of the drawings

• 1 zeigt die Verteilung eines Abstandsmaßes über einem Messungssatz für unterschiedliche Bereiche.1 shows the distribution of a distance measure over a set of measurements for different areas.
• 2 zeigt in fünf Plots die Funktion C, angepasst für die gleichen Grenzwerte, für die das Histogramm genommen ist.2 shows the function C in five plots, adjusted for the same limits for which the histogram is taken.
• 3 zeigt Konfidenzzeitreihen zu einer Messung, die mit unterschiedlichen □Parametern gefiltert wurde.3 shows confidence time series for a measurement that was filtered with different □parameters.
• 4 zeigt ein Fahrzeug, das mit einer Ausführungsform der hier beschriebenen Anordnung versehen ist, in einer schematischen Ansicht.4 shows a vehicle that is provided with an embodiment of the arrangement described here in a schematic view.
• 5 zeigt ein Flussdiagramm, eine Ausführungsform des vorgeschlagenen Verfahrens darstellend.5 shows a flowchart representing an embodiment of the proposed method.

Es versteht sich, dass die oben erwähnten und die nachfolgend beschriebenen Merkmale nicht nur in der angegebenen Kombination verwendet werden können, sondern auch in anderen Kombinationen oder für sich allein, ohne vom Schutzumfang der Erfindung abzuweichen.It is understood that the features mentioned above and those described below can be used not only in the specified combination, but also in other combinations or alone, without departing from the scope of the invention.

Die Erfindung ist in den Zeichnungen diagrammatisch mittels Ausführungsformen als Beispiel dargestellt und wird im Folgenden Bezug nehmend auf die Zeichnungen ausführlich erläutert. Es versteht sich, dass die Beschreibung in keiner Weise den Schutzumfang der vorliegenden Erfindung beschränken soll und ungefähr eine Darstellung der Ausführungsformen der Erfindung ist.The invention is shown diagrammatically in the drawings using embodiments as an example and is explained in detail below with reference to the drawings. It is to be understood that the description is in no way intended to limit the scope of the present invention and is approximately an illustration of embodiments of the invention.

Beschreibung der AusführungsformenDescription of the embodiments

Das wichtige Maß der Spurschätzung ist die dynamische Stabilität über Zyklen hinweg, was definiert, wie groß die Sprünge sind, die der Kurs zwischen zwei aufeinander folgenden Zyklen durchführt. Daher ist es möglich, das Problem auf das Messen einer Art von Abstand zwischen zwei Polylinien/Funktionen zu reduzieren, und zwar f und f'. Die Summe von fünf Polynomen, eines für jedes vordere Kurssegment, sollte sie auch für hintere Segmente verwendet werden? Hintere Segmente werden in diesem Fall nicht berücksichtigt. Die Verfahren können auf die gleiche Weise angewendet werden wie für die vorderen Segmente, der Konfidenzwert für hintere Segmente wird nicht benötigt.The important measure of track estimation is dynamic stability across cycles, which defines how large the jumps the track makes between two consecutive cycles. Therefore, it is possible to reduce the problem to measuring one type of distance between two polylines/functions, namely f and f'. The sum of five polynomials, one for each front segment, should it also be used for back segments? Posterior segments are not taken into account in this case. The procedures can be applied in the same way as for anterior segments, the confidence value for posterior segments is not needed.

Zum Abrufen einer einzelnen reellen Zahl für die Ähnlichkeit von f und f' müssen diese Funktionen auf den$L^p$

-Raum abgebildet werden, und der Abstand zwischen ihnen muss gemessen werden. Der$L^2$

-Raum ist für das beschriebene Verfahren geeignet, die$L^2$

-Norm und der$L^2$

-Abstand werden definiert durch:$${\left|f\right|}_{L^2}={\displaystyle \int {}_{R^n}{f}^{2}d{R}^n}$$

$${\left|f-f\text{'}\right|}_{L^2}={{\displaystyle \int {}_{R^n}\left(f-f\text{'}\right)}}^{2}d{R}^n.$$

To get a single real number for the similarity of f and f', these functions need to be on the$L^p$

-Space must be mapped, and the distance between them must be measured. The$L^2$

-Space is suitable for the procedure described$L^2$

-norm and the$L^2$

-Distance are defined by:$${\left|f\right|}_{L^2}={\displaystyle \int {}_{R^n}{f}^{2}d{R}^n}$$

$${\left|f-f\text{'}\right|}_{L^2}={{\displaystyle \int {}_{R^n}\left(f-f\text{'}\right)}}^{2}d{R}^n.$$

In der Mathematik sind$L^p$

-Räume Funktionsräume, die unter Verwendung einer natürlichen Verallgemeinerung der p-Norm für endlich dimensionale Vektorräume definiert werden.In mathematics are$L^p$

-Spaces Function spaces defined using a natural generalization of the p-norm for finite-dimensional vector spaces.

Um ein klares Verständnis von dem Wert zu erhalten, der basierend auf den zwei Funktionen für den Fehler berechnet wurde, wird der „Abstand“ definiert durch Dividieren durch den Integrationsbereich und Ziehen der Quadratwurzel, sodass sich eine Meterdimension ergibt, wenn f und f' in Metern dimensioniert sind, was den durchschnittlichen Fehler/Abstand pro Einheit wie folgt repräsentiert:$$d\left(f,f\text{'}\right)=\sqrt{\frac{1}{x_{max}-x_{min}}{\left|f-f\text{'}\right|}_{L^2}}=\sqrt{\frac{1}{x_{max}-x_{min}}{\displaystyle \int {}_{x_{max}}^{x_{min}}{\left(f-f\text{'}\right)}^{2}dx}}$$

To get a clear understanding of the value calculated for the error based on the two functions, the "distance" is defined by dividing by the integration area and taking the square root to give a meter dimension when f and f' in meters, representing the average error/distance per unit as follows:$$d\left(f,f\text{'}\right)=\sqrt{\frac{1}{x_{max}-x_{min}}{\left|f-f\text{'}\right|}_{L^2}}=\sqrt{\frac{1}{x_{max}-x_{min}}{\displaystyle \int {}_{x_{max}}^{x_{min}}{\left(f-f\text{'}\right)}^{2}dx}}$$

Insofern der Abstand zwischen zwei Funktionen definiert ist, muss ein abschließender Konfidenzwert daraus geschlussfolgert werden. Über einen Messungssatz mit einer relevanten Größe werden die Abstandswerte für jeden und alle Zyklen extrahiert. Die Verteilung der Daten ist in1 zu sehen.Insofar as the distance between two functions is defined, a final confidence value must be concluded from it. The distance values for each and all cycles are extracted via a measurement set with a relevant size. The distribution of the data is in 1 to see.

1 zeigt in fünf Graphen 10, 12, 14, 16, 18 die Verteilung des Abstandsmaßes über einen Messungssatz für unterschiedliche Bereiche: von Null zum oberen Grenzwert des ersten (Referenznummer 10), des zweiten (Referenznummer 12), des dritten (Referenznummer 14), des vierten (Referenznummer 16) und des fünften vorderen Kurssegments (Referenznummer 18). Der Abstand wird entsprechend an den einzelnen Abszissenachsen geplottet, wobei die Anzahl von Zyklen entsprechend an den einzelnen Ordinatenachsen geplottet wird.1 shows in five graphs 10, 12, 14, 16, 18 the distribution of the distance measure over a measurement set for different areas: from zero to the upper limit of the first (reference number 10), the second (reference number 12), the third (reference number 14), the fourth (reference number 16) and the fifth front course segment (reference number 18). The distance is plotted accordingly on the individual abscissa axes, with the number of cycles being plotted accordingly on the individual ordinate axes.

Die Verteilung ist um Null konzentriert und verringert sich bei größeren Abständen radikal. Schwellen, z. B. ε, sind für den durchschnittlichen Fehler definiert, wobei die mit C bezeichnete Konfidenz, basierend auf der Verteilung, auf Null fallen sollte. Zwischen Null und ε sollte C nicht linear fallen, da größere Abweichungen stärker bestraft werden sollten. Ein geeigneter Kandidat dafür ist eine Logistikfunktion, z. B. die Fermi-Dirac-Verteilungsform, wie folgt:$$C\left(d\left(f,f\text{'}\right),\epsilon ,\tau \right)=\frac{1}{exp\left(\frac{d\left(f,f\text{'}\right)-\epsilon }{\tau }\right)+1}$$

wobei τ ein Steuerparameter ist, der anzupassen ist, um die obigen Anforderungen zu erfüllen. Auf den ersten Blick wird ε als der durchschnittliche Fehler genommen, wobei der Histogrammwert der$\frac{1}{n}\left(n=1000\right)$

Teil des maximalen Histogrammklassenwerts ist und τ so ist, dass C bei ε nahe bei Null und bei Null nahe bei 1 ist. Nachdem dies für jedes Kurssegment durchgeführt wurde, sind die Ergebnisse in2 zu sehen.The distribution is concentrated around zero and decreases radically at larger distances. thresholds, e.g. B. ε, are defined for the average error, where the confidence denoted by C should fall to zero based on the distribution. C should not fall linearly between zero and ε, since larger deviations should be penalized more heavily. A suitable candidate for this is a logistics function, e.g. B. the Fermi-Dirac distribution form, as follows:$$C\left(d\left(f,f\text{'}\right),\epsilon ,\tau \right)=\frac{1}{exp\left(\frac{d\left(f,f\text{'}\right)-\epsilon }{\tau }\right)+1}$$

where τ is a control parameter to be adjusted to meet the above requirements. At first glance, ε is taken as the average error, where the histogram value is the$\frac{1}{n}\left(n=1000\right)$

is part of the maximum histogram class value and τ is such that C is close to zero at ε and close to 1 at zero. After doing this for each course segment, the results are in 2 to see.

2 zeigt die Funktion C, angepasst für die gleichen Grenzwerte, für die das Histogramm genommen ist, wobei die Parameter jeweils die folgenden sind:$$\begin{array}{l}\left(\epsilon ,\tau \right)=\left(\epsilon ,\epsilon /5\right)=\left(\mathrm{0,077,}\mathrm{0,016}\right)\left(\text{Referenzummer }50\right),\hfill \\ \left(\mathrm{0,161,}\mathrm{0,032}\right)\left(\text{Referenznummer }52\right),\left(\mathrm{0,314,}\mathrm{0,063}\right)\left(\text{Referenznummer 54}\right),\hfill \\ \left(\mathrm{0,561,}\mathrm{0,112}\right)\left(\text{Referenznummer }56\right),\left(\mathrm{0,879,}\mathrm{0,176}\right)\left(\text{Referenznummer }58\right).\hfill \end{array}$$

2 shows the function C adjusted for the same limits for which the histogram is taken, the parameters respectively being the following:$$\begin{array}{l}\left(\epsilon ,\tau \right)=\left(\epsilon ,\epsilon /5\right)=\left(\mathrm{0.077,}0.016\right)\left(\text{Reference number}50\right),\hfill \\ \left(\mathrm{0.161,}0.032\right)\left(\text{Reference number}52\right),\left(\mathrm{0.314,}0.063\right)\left(\text{Reference number 54}\right),\hfill \\ \left(\mathrm{0.561,}0.112\right)\left(\text{Reference number}56\right),\left(\mathrm{0.879,}0.176\right)\left(\text{Reference number}58\right).\hfill \end{array}$$

Die Anpassung ergibt ein wirklich gutes Ergebnis, wenn wir τ als ε/5 auswählen, sodass die endgültige Form wie folgt ist:$$C\left(d\left(ƒ,ƒ\text{'}\right),\epsilon \right)=\frac{1}{exp\left(5\frac{d\left(ƒ,ƒ\text{'}\right)-\epsilon }{\epsilon }\right)+1}$$

The fitting gives a really good result if we choose τ as ε/5, so the final form is as follows:$$C\left(d\left(ƒ,ƒ\text{'}\right),\epsilon \right)=\frac{1}{exp\left(5\frac{d\left(ƒ,ƒ\text{'}\right)-\epsilon }{\epsilon }\right)+1}$$

Da der Konfidenzwert aus Echtwelt-Messdaten mit ihren Ungewissheiten berechnet wird, wird er nach mehreren Schritten nicht wirklich stabil sein, da der geschätzte Kurs auch ein systematisches Rauschen aufweist. Darum kann ein gewisser Filter durch Speichern eines gewissen Zyklenverlaufs für die Kurskonfidenzen angewendet werden.Since the confidence value is calculated from real-world measurement data with its uncertainties, it will not be truly stable after several steps because the estimated price also has systematic noise. Therefore, a certain filter can be applied by saving a certain cycle history for the price confidences.

Ein möglicher Kandidat für die Rauscheliminierung (Datenglättung) ist der Savitzky-Golay-Filter, aber für eingebettete Systeme mit begrenzter Kapazität muss auch seine Berechnungskomplexität berücksichtigt werden.A possible candidate for noise elimination (data smoothing) is the Savitzky-Golay filter, but for embedded systems with limited capacity, its computational complexity must also be taken into account.

Ein weiteres verwendetes Filterverfahren für Zeitreihenanalyse ist EWMA (exponentiell gewichtete gleitende Mittelwerte), was eine kostengünstige Filterung ist und nur einen Steuerparameter hat, α:$$x_t:=\{\begin{array}{cc}{x}_t& t=1\\ \beta \cdot x_t+\left(1-\alpha \right)\cdot x_{t-1}& t>1\end{array}$$

Another filtering method used for time series analysis is EWMA (Exponentially Weighted Moving Averages), which is a low-cost filtering and has only one control parameter, α:$$x_t:=\{\begin{array}{cc}{x}_t& t=1\\ \beta \cdot x_t+\left(1-\alpha \right)\cdot x_{t-1}& t>1\end{array}$$

Es ist in Betracht zu ziehen, dass es nur notwendig ist, den Wert vom letzten Zyklus zu speichern, der die Informationen aller vorherigen Zyklen mit immer niedrigeren Gewichtungen enthält.It should be taken into account that it is only necessary to store the value from the last cycle, which contains the information of all previous cycles with increasingly lower weights.

Der Effekt unterschiedlicher α-Parameter ist in3 zu sehen, die Konfidenzzeitreihen auf einer Messung zeigt, die mit EWMA mit unterschiedlichen α-Parametern gefiltert wurden: 0,0 (Referenznummer 100), 0,2 (Referenznummer 102), 0,3 (Referenznummer 104), 0,4 (Referenznummer 106), 0,5 (Referenznummer 108), 0,6 (Referenznummer 110).The effect of different α parameters is in 3 to see which shows confidence time series on a measurement filtered with EWMA with different α parameters: 0.0 (reference number 100), 0.2 (reference number 102), 0.3 (reference number 104), 0.4 (reference number 106), 0.5 (reference number 108), 0.6 (reference number 110).

Mit der Hilfe von3 kann geschlussfolgert werden, dass α = 0,4 ein geeigneter Parameter zu sein scheint.With the help of 3 it can be concluded that α = 0.4 seems to be a suitable parameter.

4 zeigt ein Fahrzeug, allgemein bezeichnet mit der Referenznummer 150, das mit einer Ausführungsform der hier beschriebenen Anordnung 152 versehen ist, in einer schematischen Ansicht. Die Anordnung 152 empfängt Daten von unterschiedlichen Sensoren, z. B. Kameras, wobei die Daten Informationen zu einer zu schätzenden Spur 154 repräsentieren. Diese Spur 154 ist in fünf Segmente 156, 158, 160, 162 und 164 unterteilt. Es könnte andere Möglichkeiten geben, die Segmente 156, 158, 160, 162, 164 anzuordnen. Das durch die Anordnung 152 durchgeführte Verfahren dient zum Evaluieren von Konfidenz bei dieser Spurschätzung.4 shows a vehicle, generally designated by thereference number 150, which is provided with an embodiment of thearrangement 152 described here, in a schematic view. Thearrangement 152 receives data from different sensors, e.g. B. cameras, where the data represents information about atrack 154 to be estimated. Thistrack 154 is divided into fivesegments 156, 158, 160, 162 and 164. There could be other ways to arrange thesegments 156, 158, 160, 162, 164. The method performed byarrangement 152 is to evaluate confidence in this track estimate.

Zu diesem Zweck umfasst die Anordnung 152 eine erste Einheit 170 zum Berechnen eines Polynoms 172 für jedes Segment 156, 158, 160, 162, 164 für jeden Zyklus. Polynome 172 von entsprechenden Segmenten 156, 158, 160, 162 und 164 von aufeinander folgenden Zyklen werden mit Hilfe einer zweiten Einheit 174 innerhalb der Anordnung 152 miteinander verglichen.For this purpose, thearrangement 152 includes afirst unit 170 for calculating a polynomial 172 for eachsegment 156, 158, 160, 162, 164 for each cycle.Polynomials 172 ofcorresponding segments 156, 158, 160, 162 and 164 of successive cycles are compared with one another using asecond unit 174 within thearrangement 152.

Ein Beispiel für das Anwenden des vorgeschlagenen Verfahrens ist mit der Hilfe eines Flussdiagramms im Folgenden gegeben:

• TIPL-Konfidenz (Traffic In Parallel Lanes, Verkehr in parallelen Spuren). TIPL bedeutet, dass während der Spurschätzung eine Annahme getroffen wird. Die Annahme ist, dass die beschriebenen drei Spuren parallel zueinander sind. Daher können die drei Spuren mit den gleichen Polynomen beschrieben werden.

An example of applying the proposed method is given below with the help of a flowchart:

• TIPL (Traffic In Parallel Lanes) confidence. TIPL means that an assumption is made during track estimation. The assumption is that the three tracks described are parallel to each other. Therefore the three tracks can be described with the same polynomials.

Es ist anzumerken, dass das zyklenübergreifende Verhalten nicht umfänglich untersucht ist. Ferner muss die Kurskonfidenz polynomiale Ähnlichkeit zwischen mindestens zwei Zyklen ausdrücken.It should be noted that the cross-cycle behavior has not been extensively investigated. Furthermore, price confidence must express polynomial similarity between at least two cycles.

In einem ersten Schritt 200 wird ein polynomialer Raum auf einen gewissen Punktraum abgebildet. In einem zweiten Schritt 202 wird der Abstand zwischen den repräsentierten Polynomen gemessen.In afirst step 200, a polynomial space is mapped onto a certain point space. In asecond step 202, the distance between the represented polynomials is measured.

Die Kernfunktion, die den Abstand zwischen zwei Funktionen misst, ist$$d\left(ƒ,ƒ\text{'}\right)=\sqrt{\frac{1}{x_{max}-x_{min}}{\left|ƒ-ƒ\text{'}\right|}_{L^2}}=\sqrt{\frac{1}{x_{max}-x_{min}}{\displaystyle {\int }_{x_{max}}^{x_{min}}{\left(ƒ-ƒ\text{'}\right)}^{2}dx}}$$

wobei x_max, x_min die Grenzwerte sind, über die zu integrieren ist, sodass der Abstand eine Meterdimension hat, und dies repräsentiert den Fehler pro Einheit (pro Meter) und hat eine klare Bedeutung.The kernel function that measures the distance between two functions is$$d\left(ƒ,ƒ\text{'}\right)=\sqrt{\frac{1}{x_{max}-x_{min}}{\left|ƒ-ƒ\text{'}\right|}_{L^2}}=\sqrt{\frac{1}{x_{max}-x_{min}}{\displaystyle {\int }_{x_{max}}^{x_{min}}{\left(ƒ-ƒ\text{'}\right)}^{2}dx}}$$

where x_max , x_min are the limits over which to integrate so that the distance has a meter dimension and this represents the error per unit (per meter) and has a clear meaning.

Die Abstandsverteilung über einem Messungssatz für vordere Segmente wird in1 gezeigt.The distance distribution over an anterior segment measurement set is shown in 1 shown.

In einem nächsten Schritt 204 wird für jedes Kurssegment ein kritischer Abstand genommen, wobei die Ähnlichkeit auf Null fallen sollte. Sei dieser Abstand die Position, wo das auf dem Messungssatz genommene Histogramm auf ein Zehntel des maximalen Werts fällt$$x_{crit}=hist\left(d\left(ƒ,ƒ\text{'}\right)\right)|{}_{hist\left(d\left(ƒ,ƒ\text{'}\right)\right)=\frac{1}{10}max\left(hist\left(d\left(ƒ,ƒ\text{'}\right)\right)\right)}$$

In anext step 204, a critical distance is taken for each price segment, whereby the similarity should fall to zero. Let this distance be the position where the histogram taken on the measurement set falls to one tenth of the maximum value$$x_{crit}=Hist\left(d\left(ƒ,ƒ\text{'}\right)\right)|{}_{Hist\left(d\left(ƒ,ƒ\text{'}\right)\right)=\frac{1}{10}max\left(Hist\left(d\left(ƒ,ƒ\text{'}\right)\right)\right)}$$

Diese Funktion sollte langsam fallen, da der Abstand klein ist. Wenn allerdings der Abstand zuzunehmen beginnt, fällt sie dramatisch ab. Ihr Maximum ist 1, das Minimum ist 0.This function should fall slowly because the distance is small. However, as the distance begins to increase, it drops dramatically. Their maximum is 1, the minimum is 0.

Kandidat$$k\left(ƒ,ƒ\text{'}\right)=\frac{1}{exp\left(\frac{x-u}{\epsilon }\right)+1}$$

(siehe2)candidate$$k\left(ƒ,ƒ\text{'}\right)=\frac{1}{exp\left(\frac{x-u}{\epsilon }\right)+1}$$

(please refer 2 )

Claims (10)

Translated fromGerman

Verfahren zum Evaluieren von Konfidenz bei der Spurschätzung, umfassend die folgenden Schritte:- Detektieren, in aufeinander folgenden Zyklen, von Daten für zumindest ein entsprechendes Segment (156, 158, 160, 162, 164), wobei jedes Segment (156, 158, 160, 162, 164) einen vordefinierten Bereich einer zu schätzenden Spur (154) repräsentiert,- Umwandeln jedes Segments (156, 158, 160, 162, 164) in ein Polynom (172),- Vergleichen von Polynomen (172) eines aktuellen Zyklus mit entsprechenden Polynomen (172) eines vorherigen Zyklus zum Berechnen eines Abstands für jedes Segment (156, 158, 160, 162, 164),- Umwandeln jedes berechneten Abstands in einen Konfidenzwert für jedes Segment (156, 158, 160, 162, 164) zum Evaluieren von Konfidenz bei der Spurschätzung.A method for evaluating confidence in track estimation, comprising the following steps:- Detecting, in successive cycles, data for at least one corresponding segment (156, 158, 160, 162, 164), each segment (156, 158, 160, 162, 164) having a predefined area of a track to be estimated (154 ) represents,- converting each segment (156, 158, 160, 162, 164) into a polynomial (172),- comparing polynomials (172) of a current cycle with corresponding polynomials (172) of a previous cycle to calculate a distance for each segment (156, 158, 160, 162, 164),- Convert each calculated distance into a confidence value for each segment (156, 158, 160, 162, 164) to evaluate confidence in track estimation.Verfahren nachAnspruch 1, wobei für jeden Zyklus fünf Segmente (156, 158, 160, 162, 164) untersucht werden, wobei für jedes ein Polynom berechnet wird.Procedure according to Claim 1 , where for each cycle five segments (156, 158, 160, 162, 164) are examined, with a polynomial calculated for each.Verfahren nachAnspruch 1 oder2, wobei die Umwandlung mit Hilfe einer Logistikfunktion durchgeführt wird.Procedure according to Claim 1 or 2 , where the conversion is carried out using a logistics function.Verfahren nach einem derAnsprüche 1 bis3, wobei die Periode zwischen aufeinander folgenden Zyklen etwa 100 ms ist.Procedure according to one of the Claims 1 until 3 , where the period between consecutive cycles is about 100 ms.Verfahren nach einem derAnsprüche 1 bis4, wobei beim Vergleichen des aktuellen Zyklus mit einem früheren Zyklus die Bewegung des Fahrzeugs (150) berücksichtigt wird.Procedure according to one of the Claims 1 until 4 , whereby the movement of the vehicle (150) is taken into account when comparing the current cycle with a previous cycle.Verfahren nach einem derAnsprüche 1 bis5, wobei beim Vergleichen des aktuellen Zyklus mit einem früheren Zyklus die Ausrichtung des Fahrzeugs (150) berücksichtigt wird.Procedure according to one of the Claims 1 until 5 , whereby the orientation of the vehicle (150) is taken into account when comparing the current cycle with a previous cycle.Verfahren nach einem derAnsprüche 1 bis6, wobei das Verfahren in Verbindung mit einem erweiterten Fahrerunterstützungssystem (ADAS) verwendet wird.Procedure according to one of the Claims 1 until 6 , with the method being used in conjunction with an Advanced Driver Assistance System (ADAS).Verfahren nach einem derAnsprüche 1 bis7, wobei die verwendeten Polynome (172) Polynome (172) 2. Grades sind.Procedure according to one of the Claims 1 until 7 , where the polynomials used (172) are polynomials (172) of the 2nd degree.Verfahren nach einem derAnsprüche 1 bis8, wobei das Verhalten des Fahrzeugs (150) basierend auf einer berechneten Konfidenz bei der Spurschätzung modifiziert wird.Procedure according to one of the Claims 1 until 8th , wherein the behavior of the vehicle (150) is modified based on a calculated confidence in the lane estimation.Anordnung zum Evaluieren einer geschätzten Spur (154) für ein Fahrzeug (150), wobei die Anordnung (152) zum Durchführen eines Verfahrens nach einem derAnsprüche 1 bis9 geeignet ist.Arrangement for evaluating an estimated lane (154) for a vehicle (150), the arrangement (152) for carrying out a method according to one of Claims 1 until 9 suitable is.

Images