Beschreibung

Die Erfindung betrifft ein Verfahren zum Bestimmen einer Position eines Fahrzeugs in einem Straßennetzwerk mittels einer Sensorgruppe des Fahrzeugs. Die Erfindung betrifft ferner eine Vorrichtung zum Bestimmen einer Position eines Fahrzeugs in einem Straßennetzwerk mittels einer Sensorgruppe des Fahrzeugs.

Im Bereich des autonomen Fahrens sowie bei Fahrassistenzsystemen oder bei Na vigationssystemen soll eine Position eines Fahrzeugs bestimmt werden. Insbeson dere bei Systemen zum autonomen Fahren, aber auch bei Fahrassistenzsystemen und Navigationssystemen, muss die Bestimmung der Position mit einer hohen Ge nauigkeit erfolgen, um eine hohe funktionelle Sicherheit des Systems gewährleisten zu können. Die Genauigkeit der Positionsbestimmung hängt wesentlich von der Qualität der Sensordaten ab, auf deren Grundlage die Positionsbestimmung erfolgt. Ungenaue Sensordaten können zu einer ungenauen oder gar falschen Positionsbe stimmung mit katastrophalen Folgen führen. Es ist daher wünschenswert eine mög lichst genaue Positionsbestimmung auch mit ungenauen Sensordaten durchführen zu können.

Das Dokument Aly et al. : LaneQuest. An Accurate and Energy-Efficient Lane Detec- tion System, preprint, arXiv:1502.03038v1 , offenbart ein Verfahren zur Ermittlung einer Fahrspur eines Fahrzeugs mittels einer Sensorgruppe des Fahrzeugs. Zum Stand der Technik wird ferner auf das Dokument Zhang, M.: Methods and Imple- mentations of Road-Network Matching. Dissertation, Technische Universität Mün chen, 2009, verwiesen, das ein Verfahren zum Vergleichen von insbesondere Stra ßenkarten mittels semantischer Methoden offenbart. Es ist Aufgabe der Erfindung, ein Verfahren und eine Vorrichtung zum Ermitteln ei ner Position eines Fahrzeugs anzugeben, die eine Ermittlung der Position auch mit ungenauen Sensordaten erlauben.

Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 und durch eine Vorrichtung mit den Merkmalen des unabhängigen Vorrichtungsan spruchs gelöst. Vorteilhafte Weiterbildungen sind in den abhängigen Ansprüchen angegeben.

Bei dem Verfahren nach Anspruch 1 wird eine Position eines Fahrzeugs in einem Straßennetzwerk, das eine Vielzahl Kanten umfasst, die jeweils einem Straßenab schnitt oder einer Spur auf einem Straßenabschnitt zugeordnet sind, mittels einer Sensorgruppe des Fahrzeugs bestimmt. Es werden mittels der Sensorgruppe erste Sensordaten erfasst. Es wird auf Grundlage der ersten Sensordaten jeder Kante einer Vielzahl erster Kanten des Straßennetzwerks jeweils eine erste Wahrschein lichkeit zugeordnet mit der sich das Fahrzeug in dem der ersten Kante jeweils zuge ordneten Straßenabschnitt oder in der der ersten Kante jeweils zugeordneten Fahr spur befindet. Es werden mittels der Sensorgruppe zweite Sensordaten erfasst. Es wird auf Grundlage der zweiten Sensordaten und der den ersten Kanten jeweils zu geordneten Wahrscheinlichkeiten jeder Kante einer Vielzahl zweiter Kanten des Straßennetzwerks jeweils eine zweite Wahrscheinlichkeit zugeordnet mit der sich das Fahrzeug in dem der zweiten Kante jeweils zugeordneten Straßenabschnitt oder in der der zweiten Kante jeweils zugeordneten Fahrspur befindet. Es wird die zweite Kante mit der höchsten zugeordneten Wahrscheinlichkeit als die Position des Fahr zeugs ermittelt.

Das Straßennetzwerk ist ein Graph, dessen Kanten jeweils einem Straßenabschnitt oder jeweils einer Fahrspur auf einem Straßenabschnitt entsprechen. Die Straßen abschnitte sind beispielsweise Abschnitte einer Straße zwischen zwei Kreuzungen, d.h. Orten, an denen die Straße mindestens eine weitere Straße kreuzt oder in diese mündet, oder zwischen einer Kreuzung und einem Ort, an dem die Straße endet. Vorzugsweise sind die Straßenabschnitte jedoch kürzer gewählt, beispielsweise mit als Abschnitte mit einer festen Länge. Den Straßenabschnitten können verschiedene Attribute wie zum Beispiel Nummer der Fahrspuren, Fahrtrichtung, Orientierungs punkten, Landmarken, Straßennamen und so weit zugeordnet werden.

In einer vorteilhaften Weiterbildung sind die Kanten direkt einer Fahrspur auf einem Straßenabschnitt zugeordnet. Das ist zum Beispiel möglich, falls eine detailliertere Karte vorhanden ist

Die Sensorgruppe umfasst zumindest einen Sensor des Fahrzeugs. Die Erfassung der ersten Sensordaten und der zweiten Sensordaten kann zeitlich aufeinanderfol gend erfolgen. Umfasst die Sensorgruppe mehr als einen Sensor, kann die Erfas sung der ersten Sensordaten und der zweiten Sensordaten auch zeitgleich erfolgen. Die Vielzahl zweiter Kanten ist insbesondere eine Teilmenge der Vielzahl erster Kanten.

Die Vielzahl zweiter Kanten kann auch Kanten umfassen, die nicht in der Vielzahl erster Kanten enthalten waren.

Auf Grundlage der ersten Sensordaten erfolgt eine grobe Positionsbestimmung des Fahrzeugs innerhalb des Straßennetzwerks, indem jeder ersten Kante eine erste Wahrscheinlichkeit zugeordnet wird mit der sich das Fahrzeug in dem der ersten Kante jeweils zugeordneten Straßenabschnitt befindet. Die ersten Wahrscheinlich keiten dienen zusammen mit den zweiten Wahrscheinlichkeiten als Grundlage für die Ermittlung der zweiten Wahrscheinlichkeiten. Hierdurch wird die Positionsbe stimmung innerhalb des Straßennetzwerks mittels der zweiten Sensordaten verfei nert und/oder aktualisiert.

Da die Ermittlung der Position des Fahrzeugs innerhalb eines Straßennetzwerks stattfindet, das einen höheren Abstraktionsgrad aufweist, als beispielsweise ein Weltkoordinatensystem, kann das Verfahren mit ungenauen Sensordaten viel bes ser umgehen als andere Verfahren, die beispielsweise eine Position des Fahrzeugs innerhalb des Weltkoordinatensystems ermitteln. Da durch das Verfahren eine Wahrscheinlichkeitsverteilung aller möglichen Positionen des Fahrzeugs in dem Straßennetzwerk ermittelt wird, kann auch immer ein Maß dafür ermittelt werden, wie zuverlässig die aktuell ermittelte Position ist. Das Verfahren erlaubt ferner eine mehrdeutige Positionsermittlung, d.h. eine Positionsermittlung in der zwei oder mehr Kanten eine gleich oder eine vergleichbar große höchste Wahrscheinlichkeit zuge ordnet ist.

Es versteht sich von selbst, dass das Erfassen der zweiten Sensordaten und die Ermittlung der zweiten Wahrscheinlichkeiten in zeitlich aufeinanderfolgenden Schrit ten wiederholt werden kann. Dabei können insbesondere die in einem ersten Schritt ermittelten zweiten Wahrscheinlichkeiten als die ersten Wahrscheinlichkeiten in ei nem zeitlich folgenden zweiten Schritt als Grundlage für die Ermittlung weiterer zwei ter Wahrscheinlichkeiten verwendet werden. In anderen Worten: In dem zweiten Schritt werden die zweiten Wahrscheinlichkeiten auf Grundlage der im ersten Schritt ermittelten zweiten Wahrscheinlichkeiten und der im zweiten Schritt erfassten zwei ten Sensordaten ermittelt. Hierdurch erfolgt eine rekursive Verfeinerung der Positi onsbestimmung innerhalb des Straßennetzwerks.

Das Verfahren nach Anspruch 1 kann insbesondere in Kombination mit einem Ver fahren zur metrischen Positionsbestimmung, d.h. einer Ermittlung der Position des Fahrzeugs in einem Koordinatensystem, beispielsweise eines Weltkoordinatensys tems, durchgeführt werden. Beide Verfahren basieren sich auf unterschiedlichen Funktionsweisen und ergänzen sich somit. Hierdurch kann die funktionale Sicherheit eines Systems zur Ermittlung der Position des Fahrzeugs wesentlich verbessert werden.

Bei einer vorteilhaften Weiterbildung wird mittels eines Empfängers für ein Signal eines Satellitennavigationssystems der Sensorgruppe eine Sensorkoordinate des Fahrzeugs in einem Weltkoordinatensystem als zumindest ein Teil der ersten Sens ordaten und/oder zumindest ein Teil der zweiten Sensordaten erfasst. Insbesondere handelt es sich bei dem Empfänger um eine GPS-Antenne. Mit Hilfe des Satelliten navigationssystems kann die Position des Fahrzeugs bis auf einige Meter genau bestimmen. Dies ist oft genau genug, um Position des Fahrzeugs auf wenige Kanten des Straßennetzwerks eingrenzen zu können. Ferner kann mittels des Satellitenna vigationssystems eine Fahrtrichtung des Fahrzeugs ermittelt werden. Alternativ oder zusätzlich kann die Fahrtrichtung des Fahrzeugs mittels odometrischen Daten ermit telt werden.

Alternativ oder zusätzlich kann die Sensorkoordinate des Fahrzeugs in einem Welt koordinatensystem mittels eines Empfängers für ein Mobilfunksignal der Sensor gruppe ermittelt werden. Grade in Bereichen mit einer hohen Dichte an Mobilfunkan tennen ist eine Positionsbestimmung mittels eines Mobilfunksignals oft genauer als eine Positionsbestimmung mittels eines Satellitennavigationssystems.

In einer weiteren vorteilhaften Weiterbildung ist jeder Kante des Straßennetzwerks eine Koordinate des jeweils zugeordneten Straßenabschnitts in dem Weltkoordina tensystem zugeordnet. Es werden die ersten Wahrscheinlichkeiten ermittelt, indem die Sensorkoordinate des Fahrzeugs mit zumindest einem Teil der Koordinaten ver glichen wird, die den ersten Kanten jeweils zugeordnet sind. Beispielsweise wird jeder ersten Kante eine erste Wahrscheinlichkeit in Abhängigkeit der der ersten Kan ten jeweils zugeordneten Koordinate von der Sensorkoordinate zugeordnet. Je wei ter die der ersten Kante zugeordnete Koordinate von der Sensorkoordinate entfernt ist, desto geringer ist die der ersten Kante zugeordnete erste Wahrscheinlichkeit. Insbesondere kann dabei angenommen werden, dass die Wahrscheinlichkeitsvertei lung der tatsächlichen Koordinate des Fahrzeugs in dem Weltkoordinatensystem eine Normalverteilung um die Sensorkoordinate ist. Dies macht es möglich, die Posi tion des Fahrzeugs innerhalb des Straßennetzwerks schnell auf wenige Kanten ein zuschränken und somit den Aufwand für die Bestimmung der zweiten Wahrschein lichkeiten zu reduzieren.

In einer weiteren vorteilhaften Weiterbildung werden mittels einer Kamera der Sen sorgruppe Bilddaten als zumindest ein Teil der ersten Sensordaten und/oder zumin dest ein Teil der zweiten Sensordaten erfasst. Die Bilddaten entsprechen einem Bild eines Erfassungsbereichs vor oder hinter dem Fahrzeug. Aus den Bilddaten können eine Vielzahl qualitative Daten gewonnen werden, die eine genaue Ermittlung der Position des Fahrzeugs erlauben. Da das erfindungsgemäße Verfahren mit unge nauen Sensordaten funktioniert, muss die Kamera insbesondere nicht kalibriert sein.

In einer weiteren vorteilhaften Weiterbildung ist zumindest einer Teilmenge der Kan ten des Straßennetzwerks jeweils ein Orientierungspunkt zugeordnet. Es wird auf Grundlage der Bilddaten und unter Verwendung eines Objekterkennungsverfahrens ermittelt, ob in dem Erfassungsbereich der Kamera ein Orientierungspunkt vorhan den ist. Wenn in dem Erfassungsbereich der Kamera ein Orientierungspunkt vor handen ist, werden die ersten Wahrscheinlichkeiten auch auf Grundlage des Orien tierungspunkts ermittelt. Das Vorhandensein (oder die Abwesenheit) eines Orientie rungspunkts, ist ein Beispiel für qualitative Daten, die eine genaue Ermittlung der Position des Fahrzeugs erlauben. Ist beispielsweise in Erfassungsbereich der Kame ra eine Brücke zu sehen, wird allen ersten Kanten, denen eine Brücke als Orientie rungspunkt zugeordnet ist, eine höhere erste Wahrscheinlichkeit zugeordnet, als ersten Kanten, denen keine Brücke als Orientierungspunkt zugeordnet ist. Dabei ist vor allem unerheblich, wo genau die Brücke im Erfassungsbereich der Kamera posi tioniert ist. Alternativ oder zusätzlich können auch andere bekannten Landmarken, insbesondere Ampeln, Verkehrszeichen oder Verkehrszeichen, die auf eine An schlussstelle hinweisen, als Orientierungspunkte dienen.

In einer weiteren vorteilhaften Weiterbildung ist zumindest einer Teilmenge der Kan ten des Straßennetzwerks jeweils ein Straßenname zugeordnet. Es wird auf Grund lage der Bilddaten und unter Verwendung eines Texterkennungsverfahrens ermittelt, ob in dem Bild des Erfassungsbereichs ein Straßenname oder ein Teil eines Stra ßennamens vorhanden ist. Wenn in dem Bild des Erfassungsbereichs ein Straßen name bzw. ein Teil eines Straßennamens vorhanden ist, werden die ersten Wahr scheinlichkeiten auch auf Grundlage des Straßennamens bzw. des Teils des Stra ßennamens ermittelt. Straßennamen sind ein weiteres Beispiel für qualitative Daten, die eine genaue Ermittlung der Position des Fahrzeugs erlauben. Wird ein Straßen name oder ein Teil eines Straßennamens erkannt, kann die Position des Fahrzeugs oft auf eine einzige Straße eingeschränkt werden. In einer weiteren vorteilhaften Weiterbildung werden mittels der Bilddaten Egomo tiondaten des Fahrzeugs zumindest ein Teil der zweiten Sensordaten erfasst. Unter Egomotion wird in der vorliegenden Anmeldung die Bewegung eines Fahrzeugs in einem dreidimensionalen Raum verstanden. Unter Egomotiondaten werden entspre chend Bewegungsdaten des Fahrzeugs bzw. der Kamera, die mit dem Fahrzeug fest verbunden ist, verstanden, die auf Grundlage der durch die Kamera erfassten Bilddaten ermittelt werden. Derartige Bewegungsdaten können beispielsweise mit Bildverarbeitungsverfahren ermittelt werden, die auf optischem Fluss basieren.

In einer weiteren vorteilhaften Weiterbildung werden mittels der Sensorgruppe odo- metrische Daten des Fahrzeugs als zumindest ein Teil der ersten Sensordaten und/oder zumindest ein Teil der zweiten Sensordaten erfasst. Mittels odometrischer Daten, auch Wegmessdaten, kann ausgehend von einer bekannten Position des Fahrzeugs in der Vergangenheit eine gegenwärtige Position des Fahrzeugs ermittelt werden. Somit erlauben es odometrische Daten insbesondere bei wiederholter Er mittlung der zweiten Wahrscheinlichkeiten, die Position des Fahrzeugs sehr genau zu bestimmen.

In einer weiteren vorteilhaften Weiterbildung umfasst das Straßennetzwerk eine Vielzahl Knoten, die jeweils einer Verbindung zwischen mindestens zwei Straßenab schnitten oder zumindest zwei Fahrspuren zugeordnet sind. Knoten, die eine Ver bindung zwischen drei oder mehr Straßenabschnitten oder zwischen drei oder mehr Fahrspuren zugeordnet sind, werden als Kreuzungen bezeichnet. Es wird auf Grundlage der ersten Sensordaten oder der zweiten Sensordaten ermittelt, ob das Fahrzeug sich in einem Straßenabschnitt oder in einer Fahrspur befindet, der an eine Kreuzung grenzt, oder ob das Fahrzeug sich in einem Straßenabschnitt befin det, der an keine Kreuzung grenzt. Es werden die ersten Wahrscheinlichkeiten bzw. die zweiten Wahrscheinlichkeiten auch auf Grundlage dieser Information ermittelt. Diese Ausführungsform verwendet die Information, ob das sich Fahrzeug in einem Straßenabschnitt oder in einer Fahrspur befindet, der an eine Kreuzung grenzt oder nicht, um die Position des Fahrzeugs einzugrenzen. Wird beispielsweise mittels der ersten Sensordaten ermittelt, dass sich das Fahrzeugs in einem Straßenabschnitt oder in einer Fahrspur befindet, der an eine Kreuzung grenzt, wird allen ersten Kan ten, die an eine Kreuzung grenzen, eine höhere erste Wahrscheinlichkeit zugeordnet als allen anderen ersten Kanten.

In einer weiteren vorteilhaften Weiterbildung ist zumindest einer Teilmenge der Kan ten des Straßennetzwerks jeweils mindestens eine Fahrspur zugeordnet, die einer Fahrspur des der Kante jeweils zugeordneten Straßenabschnitts entspricht. Es wer den die ersten Wahrscheinlichkeiten auch auf Grundlage der den ersten Kanten je weils zugeordneten Fahrspuren ermittelt. In dieser Weiterbildung wird die Anzahl von Fahrspuren eines Straßenabschnittes genutzt, um die Position des Fahrzeugs einzugrenzen. Wird beispielsweise mittels der ersten Sensordaten ermittelt, dass sich das Fahrzeugs auf einem Straßenabschnitt mit drei Fahrspuren befindet, wird allen ersten Kanten, denen drei Fahrspuren zugeordnet sind, eine höhere zweite Wahrscheinlichkeit zugeordnet als allen anderen ersten Kanten.

In einer weiteren vorteilhaften Weiterbildung wird auf Grundlage der zweiten Sens ordaten jeder Fahrspur jeder der zweiten Kanten jeweils eine Wahrscheinlichkeit zugeordnet, mit der sich das Fahrzeug in der jeweiligen Fahrspur befindet. Es wird die Fahrspur mit der höchsten zugeordneten Wahrscheinlichkeit als ein Teil der Po sition des Fahrzeugs ermittelt. Wird beispielsweise mittels der zweiten Sensordaten ermittelt, dass ein Verkehrsschild rechts neben dem Fahrzeug sich befindet, wird allen zweiten Kanten, die ein Verkehrsschild von gleichem Typ wie das detektierte Verkehrsschild aufweisen, eine höhere zweite Wahrscheinlichkeit zugeordnet als allen anderen zweiten Kante.

Wird beispielsweise mittels der zweiten Sensordaten ermittelt, dass neben dem Fahrzeug jeweils eine rechte und linke Nebenspur sich befinden, wird allen zweiten Kanten, die eine rechte und linke Nebenspur aufweisen, eine höhere zweite Wahr scheinlichkeit zugeordnet als allen anderen zweiten Kante.

Die Wahrscheinlichkeit mit der sich das Fahrzeug in der jeweiligen Fahrspur befindet wird insbesondere unter Verwendung des probabilistischen Verfahrens ermittelt. Insbesondere kann die Fahrspur mittels der Bilddaten der Kamera der Sensorgruppe des Fahrzeugs bestimmt werden. Die Bestimmung der Fahrspur des Straßenab- schnitts in dem sich das Fahrzeug befindet erlaubt eine sehr genaue Positionsbe stimmung des Fahrzeugs. Eine solche ist beispielsweise für Systeme für autonomes Fahren oder Navigationssysteme wichtig.

In einer weiteren vorteilhaften Weiterbildung wird auf Grundlage der zweiten Sens ordaten für jede mögliche Fahrtrichtung des Fahrzeugs eine Wahrscheinlichkeit zu geordnet mit der sich das Fahrzeug in die jeweilige Fahrtrichtung bewegt. Es wird die Fahrtrichtung mit der höchsten zugeordneten Wahrscheinlichkeit als ein Teil der Position des Fahrzeugs ermittelt. Die Wahrscheinlichkeit mit der sich das Fahrzeug in die jeweilige Fahrtrichtung bewegt wird insbesondere unter Verwendung des pro babilistischen Verfahrens ermittelt. Insbesondere kann die Fahrtrichtung mittels der odometrischen Daten, der Egomotiondaten und/oder aus dem zeitlichen Verlauf der Sensorkoordinate des Fahrzeugs bestimmt werden. Die Ermittlung der Fahrtrichtung erlaubt es insbesondere, die Position des Fahrzeugs auf bestimmte Kanten einzu grenzen. Beispielsweise können nur diejenigen Kanten ausgewählt werden, die aus gehend von einer bekannten Position des Fahrzeugs in Fahrtrichtung des Fahrzeugs liegen.

In einer weiteren vorteilhaften Weiterbildung ist zumindest einer Teilmenge der Kan ten des Straßennetzwerks jeweils mindestens eine mögliche Fahrtrichtung zugeord net. Es werden die zweiten Wahrscheinlichkeiten auch auf Grundlage der den zwei ten Kanten jeweils zugeordneten möglichen Fahrtrichtungen ermittelt. Müsste sich beispielsweise das Fahrzeug entgegen einer möglichen Fahrtrichtung bewegen, um eine Kante zu erreichen wird dieser Kante eine geringe Wahrscheinlichkeit zugeord net. Flierdurch werden insbesondere Kanten verworfen, die sich in Fahrtrichtung hin ter dem Fahrzeug befinden.

In einer weiteren vorteilhaften Weiterbildung werden die der den ersten Kanten je weils zugeordneten Wahrscheinlichkeiten mit einer Mindestwahrscheinlichkeit vergli chen. Es werden diejenigen ersten Kanten, deren jeweils zugeordnete Wahrschein lichkeiten größer oder gleich der Mindestwahrscheinlichkeit sind, als die zweiten Kanten ermittelt. In dieser Ausführungsform wird eine Vielzahl möglicher Positionen des Fahrzeugs innerhalb des Straßennetzwerks ermittelt. Die Mindestwahrschein lichkeit kann entweder vorbestimmt sein oder beispielsweise auf Grundlage der ers ten Wahrscheinlichkeiten ermittelt werden. Durch die Auswahl der zweiten Kanten, d.h. eine Beschränkung auf die wahrscheinlichsten Positionen des Fahrzeugs, lässt sich Aufwand für die Bestimmung der zweiten Wahrscheinlichkeiten stark reduzie ren. Alternativ oder zusätzlich kann die Auswahl der zweiten Kanten auf Grundlage der ersten Sensordaten oder der zweiten Sensordaten erfolgen. Beispielsweise kön nen die Kanten des Straßennetzwerks als die zweiten Kanten ermittelt werden, die in Fahrtrichtung des Fahrzeugs liegen.

In einer weiteren vorteilhaften Weiterbildung wird die Position des Fahrzeugs als Eingabe eines Systems zum autonomen Fahren des Fahrzeugs und/oder eines Fahrassistenzsystems verwendet. Alternativ oder zusätzlich wird die Position einem Fahrer des Fahrzeugs ausgegeben. Beispielsweise wird die Position auf einer Karte angezeigt.

Vorzugsweise werden die zweiten Wahrscheinlichkeiten unter Verwendung eines probabilistischen Verfahrens, insbesondere eines Bayes Filters, ermittelt. In dieser bevorzugten Ausführungsform entsprechen die ersten Wahrscheinlichkeiten den Wahrscheinlichkeiten p(^rl^) mit denen die zum Zeitpunkt t erfassten ersten Sens ordaten unter der Annahme erfasst werden, dass sich das Fahrzeug in der Positi on befindet. Die zweiten Wahrscheinlichkeiten entsprechen den Wahrscheinlich keiten p(y) mit denen sich das Fahrzeug zum Zeitpunkt * i 1 in der Position y befin det.

Die zweiten Wahrscheinlichkeiten werden mittels einer Übergangsmatrix ^F t+h ,t, und der ersten Wahrscheinlichkeiten ermittelt. Die Übergangsmatrix wird insbeson dere auf Grundlage der Egomotiondaten und/oder der Bilddaten ermittelt. So sind beispielsweise Übergänge in eine Position, die entgegen der Fahrtrichtung des Fahrzeugs liegt, sehr unwahrscheinlich. Solche Übergänge werden auch als verbo tene Übergänge bezeichnet. Weitere Beispiele für verbotene Übergange sind ein Springen von einer Straße zu einer anderen Straße, eine Einfahrt in einen Straßen- abschnitt entgegen eine erlaubte Fahrtrichtung, und eine Einfahrt in eine mehrspuri ge Autobahn über eine Fahrspur, die nicht mit einer Anschlussstelle verbunden ist.

Ein weiterer Aspekt der Erfindung betrifft eine Vorrichtung zum Bestimmen einer Po sition eines Fahrzeugs in einem Straßennetzwerk. Das Straßennetzwerk umfasst eine Vielzahl Kanten, die jeweils einem Straßenabschnitt oder einer Fahrspur zuge ordnet sind. Die Vorrichtung umfasst eine Sensorgruppe, die ausgebildet ist, erste Sensordaten und zweite Sensordaten zu erfassen. Die Vorrichtung umfasst ferner einen Prozessor, der ausgebildet ist, auf Grundlage der ersten Sensordaten jeder Kante einer Vielzahl erster Kanten des Straßennetzwerks jeweils eine erste Wahr scheinlichkeit zuzuordnen mit der sich das Fahrzeug in dem der ersten Kante jeweils zugeordneten Straßenabschnitt oder in der der ersten Kante jeweils zugeordneten Fahrspur befindet, auf Grundlage der zweiten Sensordaten und der den ersten Kan ten jeweils zugeordneten Wahrscheinlichkeiten jeder Kante einer Vielzahl zweiter Kanten des Straßennetzwerks jeweils eine zweite Wahrscheinlichkeit zuzuordnen mit der sich das Fahrzeug in dem der zweiten Kante jeweils zugeordneten Straßen abschnitt oder in der der zweiten Kante jeweils zugeordneten Fahrspur befindet. Die Vielzahl zweiter Kanten ist zumindest eine Teilmenge der Vielzahl erster Kanten.

Der Prozessor ist ferner ausgebildet, die zweite Kante mit der höchsten zugeordne ten Wahrscheinlichkeit als die Position des Fahrzeugs zu ermitteln.

Die Vorrichtung hat dieselben Vorteile wie das beanspruchte Verfahren und kann auf die gleiche Weise, insbesondere mit den Merkmalen der anhängigen Ansprüche, weitergebildet werden.

Weitere Merkmale und Vorteile ergeben sich aus der folgenden Beschreibung, die eine Ausführungsform in Verbindung mit den beigefügten Figuren näher erläutert.

Es zeigen:

Figur 1 schematische Darstellung einer Vorrichtung zum Bestimmen einer Po sition eines Fahrzeugs in einem Straßennetzwerk; Figur 2 einen Ausschnitt des Straßennetzwerks und die Lage einer Sensorkoor dinate relativ zu dem Straßennetzwerk;

Figur 3 den Ausschnitt des Straßennetzwerks zur Verdeutlichung eines ersten Schritts zu Positionsbestimmung;

Figur 4 den Ausschnitt des Straßennetzwerks zur Verdeutlichung eines zweiten Schritts zu Positionsbestimmung;

Figur 5 den Ausschnitt des Straßennetzwerks zur Verdeutlichung einer Wieder holung des zweiten Schritts zu Positionsbestimmung; und

Figur 6 den Ausschnitt des Straßennetzwerks zur Verdeutlichung der Wiederho lung des zweiten Schritts zu Positionsbestimmung;

Fig. 7 eine bevorzugte Ausführungsform, in der die Kante verschiedenen Fahr spuren auf einem Straßenabschnitt zugeordnet sind.

Figur 1 zeigt schematische Darstellung einer Vorrichtung 100 zum Bestimmen einer Position eines Fahrzeugs 102 in einem Straßennetzwerk mittels einer Sensorgruppe 104 eines Fahrzeugs 102.

Das Fahrzeug 102 befindet sich in einem Straßenabschnitt 106, dem eine Kante einer Vielzahl von Kanten des Straßennetzwerks zugeordnet ist und der beispielhaft eine einzige Fahrspur hat. Jeder Kante der Vielzahl von Kanten des Straßennetz werks ist jeweils eine Koordinate des entsprechenden Straßenabschnitts 106 in ei nem Weltkoordinatensystem zugeordnet.

Die Vorrichtung 100 umfasst die Sensorgruppe 104, die in der gezeigten Ausfüh rungsform eine Kamera, einen Empfänger für ein Signal eines Satellitennavigations systems und eine Schnittstelle zum Empfangen von odometrischen Daten des Fahr- zeugs 102 umfasst. Die Kamera ist in Fahrtrichtung des Fahrzeugs 102 ausgerichtet und ausgebildet Bilddaten zu erfassen, die einem Bild eines Erfassungsbereichs 108 vor dem Fahrzeug 102 entsprechen. Der Empfänger für das Signal des Satellitenna vigationssystems ist ausgebildet, eine Sensorkoordinate 206 (siehe Figuren 2 bis 6) des Fahrzeugs 102 in dem Weltkoordinatensystem zu ermitteln. Die Schnittstelle zum Empfangen von odometrischen Daten des Fahrzeugs 102 ist ausgebildet, odo- metrische Daten, d.h. Wegmessdaten, des Fahrzeugs 102 zu empfangen. Die Wegmessdaten umfassen insbesondere eine in einem bestimmten Zeitraum zurück gelegte Entfernung.

Die Vorrichtung 100 umfasst ferner einen Prozessor 110, der mit der Sensorgruppe 104 beispielhaft mittels eines Kabels 112 verbunden ist. Der Prozessor 110 ist aus gebildet, auf Grundlage der Bilddaten und/oder unter Verwendung eines Texterken nungsverfahrens und eines Objekterkennungsverfahrens zu ermitteln, ob in dem Bild des Erfassungsbereichs 108 der Kamera ein Straßenname oder ein Teil eines Stra ßennamens oder ein anderer Orientierungspunkt zu sehen ist und diese Information als Orientierungspunktinformation weiterzuverarbeiten. Weiterhin ist der Prozessor 110 ausgebildet, auf Grundlage der Bilddaten und unter Verwendung eines auf opti schem Fluss basierenden Bildverarbeitungsverfahrens Egomotiondaten zu ermitteln und diese weiterzuverarbeiten. Der Prozessor 110 ist ferner ausgebildet, auf Grund lage der Orientierungspunktinformation, der Egomotiondaten und der Sensorkoordi nate 206 die Position des Fahrzeugs 102 in dem Straßennetzwerk zu ermitteln.

Zum Ermitteln der Position des Fahrzeugs 102 vergleicht der Prozessor 110 in ei nem ersten Schritt zur Positionsbestimmung die Sensorkoordinate 206 mit den Ko ordinaten, die jeweils den Kanten einer Vielzahl erster Kanten des Straßennetzwerks zugeordnet sind. Die ersten Kanten können dabei eine Teilmenge aller Kanten oder alle Kanten des Straßennetzwerks sein. Unter der Annahme, dass die Wahrschein lichkeitsverteilung der tatsächlichen Position des Fahrzeugs 102 eine Normalvertei lung ist, ordnet der Prozessor 110 jeder Kante eine erste Wahrscheinlichkeit zu mit der sich das Fahrzeug 102 in dem der jeweiligen Kante zugeordneten Straßenab schnitt 106 befindet. Der Prozessor 110 modifiziert dann die ersten Wahrscheinlich- keiten auf Grundlage der Orientierungspunktinformation. Ist beispielsweise in dem Bild des Erfassungsbereichs 108 eine Brücke erkannt worden, passt der Prozessor 110 die ersten Wahrscheinlichkeiten derart an, dass die erste Wahrscheinlichkeit aller ersten Kanten, denen keine Brücke als Orientierungspunkt zugeordnet ist, ver ringert wird.

In einem zweiten Schritt zur Positionsbestimmung, der zeitlich unmittelbar auf den ersten Schritt folgt, ordnet der Prozessor 110 auf Grundlage der Egomotiondaten, der Bilddaten, der odometrischen Daten und der den ersten Kanten jeweils zugeord neten Wahrscheinlichkeiten und unter Verwendung eines Bayes Filters für jeder Kante einer Vielzahl zweiter Kanten des Straßennetzwerks jeweils eine zweite Wahrscheinlichkeit zu, mit der sich das Fahrzeug 102 in dem der zweiten Kante je weils zugeordneten Straßenabschnitt 106 befindet. Der Prozessor 110 ermittelt dann die zweite Kante mit der höchsten zugeordneten Wahrscheinlichkeit als die Position des Fahrzeugs 102.

Der Ablauf des Verfahrens zum Bestimmen der Position des Fahrzeugs 102 in dem Straßennetzwerk wird im Folgenden anhand der Figuren 2 bis 6 noch näher erläu tert, die jeweils einen Ausschnitt 200 des Straßennetzwerks zeigen. Der Ausschnitt 200 umfasst sechs Kanten 202a bis 202f, die jeweils einem Straßenabschnitt 106 entsprechen und drei Knoten 204a bis 204c, welche die Kanten 202a bis 202f ver binden. Von den drei Knoten 204a bis 204c verbinden zwei Knoten 204a, 204c mehr als zwei der Kanten 202a bis 202f. Diese Knoten 204a, 204c werden im Folgenden auch als Kreuzungen bezeichnet. Der Ausschnitt 200 entspricht einer in den Figuren 2 bis 6 von links nach rechts gehenden Einbahnstraße, die an zwei Kreuzungen 204a, 204c von jeweils einer weiteren Straße 202f, 202f geschnitten wird.

Figur 2 zeigt die Lage der Sensorkoordinate 206 relativ zu dem Straßennetzwerk als einen Punkt. Die Sensorkoordinate 206 entspricht in der gezeigten Ausführungsform den ersten Sensordaten und ist mit einem Messfehler behaftet, der als normalverteilt angenommen wird. Beispielhaft ist in Figur 2 eine Isolinie 208 der zweidimensiona len Normalverteilung des Messfehlers als gestrichelter Kreis dargestellt. Der gestri- chelte Kreis bedeckt die drei in Figur 2 am linksten gezeigten Kanten 202a, 202b, 202f zumindest teilweise. Dies bedeutet, dass diese drei Kanten 202a, 202b, 202f innerhalb des Messfehlers der Sensorkoordinate 206 mögliche Positionen des Fahr zeugs 102 sind.

Figur 3 zeigt den Ausschnitt 200 des Straßennetzwerks nach Figur 2. Figur 3 veran schaulicht den ersten Schritt zur Positionsbestimmung nach Figur 1. Alle Kanten 202a bis 202f des in Figur 3 gezeigten Ausschnitts 200 des Straßennetzwerks wer den als die ersten Kanten ausgewählt. Die drei Kanten 202a, 202b, 202f, die inner halb des Messfehlers der Sensorkoordinate 206 liegen, sind in Figur 3 gestrichelt dargestellt. Diesen drei Kanten 202a, 202b, 202f wird im ersten Schritt zur Positi onsbestimmung eine hohe erste Wahrscheinlichkeit zugeordnet. In anderen Worten: Im ersten Schritt wird davon ausgegangen, dass sich das Fahrzeug 102 höchst wahrscheinlich in einer dieser drei ersten Kanten 202a, 202b, 202f befindet.

Figur 4 zeigt den Ausschnitt 200 des Straßennetzwerks nach Figur 2 und veran schaulicht den zweiten Schritt zur Positionsbestimmung nach Figur 1 . Im zweiten Schritt werden unter Verwendung der Egomotiondaten, der odometrischen Daten und der den ersten Kanten jeweils zugeordneten ersten Wahrscheinlichkeit unter Verwendung des Bayes Filters die zweiten Wahrscheinlichkeiten ermittelt. Die Ego motiondaten besagen, dass sich das Fahrzeug 102 vorwärts in eine bestimmte Rich tung bewegt hat, aber keine große Änderung der Fahrtrichtung erfolgt ist. Letzteres schließt aus, dass sich das Fahrzeug 102 in der in die Einbahnstraße mündenden Kante 202e befindet oder befunden hat, denn in diesem Fall hätte das Fahrzeug 102 abbiegen müssen. Unter Berücksichtigung der odometrischen Daten und der Tatsa che, dass sich das Fahrzeug 102 auf einer Einbahnstraße befindet, können den zwei Kanten 202b, 202c, die sich zwischen den beiden Kreuzungen 204a, 204c befinden, die höchste zweite Wahrscheinlichkeit zugeordnet werden. Diese beiden zweiten Kanten 202b, 202c sind in Figur 4 gestrichelt dargestellt.

Figur 5 zeigt den Ausschnitt 200 des Straßennetzwerks nach Figur 2 und veran schaulicht eine erste Wiederholung des zweiten Schritts zur Positionsbestimmung nach Figur 1. In der ersten Wiederholung des zweiten Schritts werden unter Ver wendung neuer Egomotiondaten, neuer odometrischer Daten und der den zweiten Kanten 202b, 202c im vorangegangenen zweiten Schritt jeweils zugeordneten zwei ten Wahrscheinlichkeit unter Verwendung des Bayes Filters neue zweiten Wahr scheinlichkeiten ermittelt. Auch die neuen Egomotiondaten besagen, dass sich das Fahrzeug 102 vorwärts bewegt hat, aber nicht abgebogen ist. Somit kann sich das Fahrzeug 102 nicht auf der in die Einbahnstraße mündenden Kante 202f befinden, der in Figur 5 rechts dargestellt ist. Unter Berücksichtigung der odometrischen Da ten, können den zwei Kanten 202c, 202d, die an die in Figur 4 rechts dargestellte Kreuzung grenzen, die höchste zweite Wahrscheinlichkeit zugeordnet werden. Diese beiden zweiten Kanten sind in Figur 5 gestrichelt dargestellt.

Figur 6 zeigt den Ausschnitt 200 des Straßennetzwerks nach Figur 2 und veran schaulicht wie die Positionsbestimmung nach Figur 5 auf Grundlage der Bilddaten verbessert werden kann. In dem Bild des Erfassungsbereichs 108 der Kamera, der sich vor dem Fahrzeug 102 befindet, ist ein Verkehrsschild zu sehen, welches der in die Einbahnstraße mündenden Kante 202f zugeordnet ist, die in Figur 5 rechts dar gestellt ist. Das Verkehrsschild ist Teil der Orientierungspunktinformation. Da das Verkehrsschild vor dem Fahrzeug 102 zu sehen ist, kann unter Berücksichtigung der Fahrtrichtung des Fahrzeugs 102 und der Tatsache, dass sich das Fahrzeug 102 auf einer Einbahnstraße befindet, ausgeschlossen werden, dass sich das Fahrzeug 102 in der Kante 202d befindet, die in Figur 6 ganz rechts dargestellt ist. Somit kann ei ner einzigen Kante die höchste zweite Wahrscheinlichkeit zugeordnet werden. Diese zweite Kante ist in Figur 6 gestrichelt dargestellt.

Figur 7 zeigt eine bevorzugte Ausführungsform, in der die Kante 702a bis 702d ver schiedenen Fahrspuren auf einem Straßenabschnitt zugeordnet sind. Die Fahrspure befinden sich innerhalb den Straßenabschnitten 701a bis 701 e. Die Fahrspur 702a ist nicht mit den Fahrspuren 702b, 702c und 702d verbunden. Die Knote 703 verbin det die Fahrspur 702b mit der Fahrspur 702c und der Fahrspur 702d.

Alle Kanten 702a bis 202d des in Figur 7 gezeigten Ausschnitts 700 des Straßen netzwerks werden als die ersten Kanten ausgewählt. Den drei Kanten 702b, 702c, 1026 die innerhalb des Messfehlers der Sensorkoordinate 206 liegen, wird im ers ten Schritt zur Positionsbestimmung eine hohe erste Wahrscheinlichkeit zugeordnet. In anderen Worten: Im ersten Schritt wird davon ausgegangen, dass sich das Fahr zeug 102 höchstwahrscheinlich in einer dieser drei ersten Kanten 702b, 202c, 702d befindet.

Im zweiten Schritt werden unter Verwendung der Egomotiondaten, der odometri- schen Daten und der den ersten Kanten jeweils zugeordneten ersten Wahrschein lichkeit unter Verwendung des Bayes Filters die zweiten Wahrscheinlichkeiten ermit telt. Die Egomotiondaten besagen, dass sich das Fahrzeug 102 vorwärts in eine be stimmte Richtung bewegt hat, aber keine große Änderung der Fahrtrichtung erfolgt ist. Letzteres schließt aus, dass sich das Fahrzeug 102 in der mündenden Kante 702c befindet oder befunden hat, denn in diesem Fall hätte das Fahrzeug 102 ab- biegen müssen. Unter Berücksichtigung der odometrischen Daten und der Tatsache, dass sich das Fahrzeug 102 auf einer Einbahnstraße befindet, können den zwei Kanten 702b, 702d, die höchste zweite Wahrscheinlichkeit zugeordnet werden.

In der ersten Wiederholung des zweiten Schritts werden unter Verwendung neuer Egomotiondaten, neuer odometrischer Daten, neuer Bilddaten und der den zweiten Kanten 702b, 702d im vorangegangenen zweiten Schritt jeweils zugeordneten zwei ten Wahrscheinlichkeit unter Verwendung des Bayes Filters neue zweiten Wahr scheinlichkeiten ermittelt.

In dem Bild des Erfassungsbereichs 108 der Kamera, der sich vor dem Fahrzeug 102 befindet, ist eine Ampel zu sehen, welche der Kante 702d zugeordnet ist. Da die Ampel vor dem Fahrzeug 102 zu sehen ist, kann unter Berücksichtigung der Fahrt richtung des Fahrzeugs 102 und der Tatsache, dass sich das Fahrzeug 102 auf ei ner Einbahnstraße befindet, ausgeschlossen werden, dass sich das Fahrzeug 102 in der Kante 702b befindet. Somit kann einer einzigen Kante (702d) die höchste zweite Wahrscheinlichkeit zugeordnet werden.

Anhand der Figuren 1 bis 7 sind das erfindungsgemäße Verfahren und die erfin dungsgemäße Vorrichtung 100 anhand einer Ausführungsform beispielhaft be schrieben. Insbesondere kann die Sensorgruppe 104 weitere oder andere Sensoren umfassen, die in der gezeigten Ausführungsform nicht vorhanden sind. Beispiele für weitere Sensoren sind ein Empfänger für ein Mobilfunksignal, eine weitere Kamera, die Bilddaten erfasst, die einem Bild eines Erfassungsbereichs 108 hinter dem Fahr zeug 102 und/oder seitlich des Fahrzeugs 102 entsprechen, ein Radar- oder Lidar- sensor sowie Akzelerometer oder Gyroskope zum Erfassen odometrischer Daten.

Bezugszeichenliste

100 Vorrichtung

102 Fahrzeug

104 Sensorgruppe

106 Straßenabschnitt

108 Erfassungsbereich

110 Prozessor

112 Kabel

200 Ausschnitt

202a bis 202f Kante

204a bis 204c Knoten

206 Sensorkoordinate

208 Isolinie

700 Ausschnitt Fahrspure

701a bis 701 e Kante 702a bis 702d Fahrspure 703 Knote