用于提供关于交通参与者的信息的方法与流程

1.本发明涉及一种用于提供借助车辆自身的传感器所采集的关于车辆周围环境中的交通参与者的信息的方法。
2.本发明还涉及一种用于运行可自动驾驶、高度自动驾驶或自主驾驶的车辆的方法。


背景技术：

3.从de 10 2013 210 263 a1中知道一种用于提供车辆用占位地图的方法，在此，车辆行驶状况借助于查明装置从借助多个传感器装置所采集的车辆环境数据被查明，并且占位地图的设计依据行驶状况被调整。占位地图具有多个呈网格状布置的单元格，这些单元格依据车辆行驶状况适配于行驶状况。
4.此外，从de 10 2010 011 629 a1中知道一种车辆环境呈现方法，在此，环境数据被采集并按照分级数据结构存储，并且目标在环境中被识别。关于应用的目标相关性被查明并且分级数据结构的细化程度在测知具有高的应用专属相关性的目标的区域中被提高。在此情况下，环境数据作为传感器测量数据被录入占位网格中，以获得基于概率的环境显示。占位网格的每个单元格包含一个基于在此处的传感器测量数据所计算的占位概率。


技术实现要素：

5.本发明的任务是指明一种用于提供借助车辆自身传感器采集的关于车辆环境中的交通参与者的信息的新型方法。
6.根据本发明，该任务通过一种具有如权利要求1所述的特征的用于提供借助车辆自身传感器采集的关于车辆环境中的交通参与者的信息的方法和一种具有如权利要求7所述的特征的用于运行自动驾驶车辆的方法来完成。
7.本发明的有利设计是从属权利要求的主题。
8.在提供借助车辆自身传感器所采集的关于车辆环境中的交通参与者的信息的方法中，根据本发明，所采集的信息作为分别表示一个向量的数据结构被提供，所述向量描绘相应交通参与者。每个向量在此对应于预定的固定于车辆的占位网格的一个单元格，相应信息所涉及的交通参与者位于该单元格内。每个向量在此至少包括呈数据形式的相应交通参与者所处的对应所属的单元格的坐标、表示相应交通参与者的速度的速度向量、表示相应交通参与者采集时刻的时间戳和表示相应交通参与者类型的对象类别。作为向量所提供的关于交通参与者的信息优选汇总在一个数据域内并传输至后端服务器。
9.该方法允许在整个所谓的“运行设计域”(缩写：odd)范围内追踪交通参与者。在此，当将存在于后端服务器上的信息提供给车辆队列时，能够针对整个车辆队列产生具有与时间和空间分辨率相关的高细化程度的关于交通状况的统一图像。该方法在此允许可靠的路线规划、尽早避免碰撞和进而达成更稳定的自动驾驶车辆行驶。
10.在该方法的一个可能设计中，作为附加信息将车辆位置和/或车辆取向和/或涉及
占位网格定义的占位网格信息传输给后端服务器。这允许后端服务器将由车辆获得的信息可靠精确地转换到全局坐标系且因此提供给其它车辆所用。
11.在该方法的另一个可能设计中，后端服务器为此基于附加信息执行坐标变换，通过坐标变换将作为数据域从车辆接收的向量从该车辆的固定于车辆的占位网格变换到预定的位置固定的全局占位网格中。
12.在该方法的另一个可能设计中，被变换到全局占位网格中的向量被提供给其它车辆以便调用，从而它们能将该信息用于其自身行驶。
13.在该方法的另一个可能设计中，在调用时所进行的传输中，经过变换的向量作为数据域从后端服务器被传输给至少另一台车辆，其中，每个向量对应配属于全局占位网格的由相应信息所描述的交通参与者所处的一个单元格。在此情况下，每个向量至少包括相应交通参与者所处的对应所属的单元格的坐标、表示相应交通参与者速度的速度向量、表示相应交通参与者采集时刻的时间戳和表示相应交通参与者类别的目标等级。这有助于在整个“运行设计域”中也针对一个车辆队列的其它车辆追踪交通参与者，用以产生具有与时间和空间分辨率相关的高细化程度的关于交通状况的统一图像。因此对于其它车辆可以实现可靠的路线规划、提早避免碰撞和进而达成更一致的自动驾驶车辆行驶。
14.在该方法的另一个可能设计中，其它车辆以设计用于自动化、尤其是高度自动化或自主运行的车辆队列的形式自动运行。
15.在根据本发明的用于运行自动化驾驶、尤其是高度自动化驾驶或自主驾驶的车辆的方法中，在车辆自动化运行中考虑从后端服务器调用的信息。关于车辆的自动化驾驶、尤其是高度自动化驾驶或自主驾驶必然需要知晓车辆环境。为此需要用于采集车辆环境的车辆自身传感器的足够的作用距离和由此导致的用于可靠采集环境的足够大的车辆视野。尤其在市区环境中，传感器作用距离以及车辆视野因此受限。借助该方法，这种传感器作用距离受限问题尤其对于一个车辆队列的自动驾驶车辆来说被如此解决，即，从至少一台车辆传输给后端服务器的车辆环境信息被提供给这些车辆，从而其被供以在其自身的传感器作用距离外的信息。由此，车辆不受限于其传感器的作用距离。在此，对于车辆来说在其基于从后端服务器调用的信息的运动轨迹规划范围内可以创建一个环境模型，其超出了其传感器的作用距离并且将对传感器来说被遮挡或位于其作用距离外的区域一并纳入到运动轨迹规划中。故可以执行长期的且优化的路线规划。另外，可以使用作为外部来源的后端服务器实现车辆自身传感器的例如关于传感器错误感测的检查。利用从后端服务器所获得的信息，车辆获得附加信息，这些信息可被考虑用于检查车辆自身传感器的功能能力并鉴别出功能受限的传感器。
附图说明
16.以下结合图来详细解释本发明的实施例，在此：
17.图1示意性示出在第一时刻的占位网格连同车辆和另一交通参与者的透视图以及在另一时刻的占位网格连同车辆和另一交通参与者的透视图，
18.图2示意性示出市区的占位网格，
19.图3示意性示出固定于车辆的占位网格及其内容到位置固定的全局占位网格的坐标变换，
20.图4示意性示出位置固定的全局占位网格连同两台车辆的两个变换到其中的固定于车辆的占位网格，
21.图5示意性示出将借助车辆自身的传感器所采集的关于在车辆环境中的交通参与者的信息提供给后端服务器以及从后端服务器调用该信息。
具体实施方式
22.彼此对应的部分在所有图中带有相同的附图标记。
23.图1以透视图示出在第一时刻t1的车辆f1、车辆f1的以车辆为中心的占位网格b(也称为占位栅格)和另一交通参与者t1，并且以透视图示出在跟在第一时刻t1之后的第二时刻t2的占位网格b以及车辆f1和其它交通参与者t1。
24.在此，交通参与者t1以速度v运动。
25.车辆f1例如属于一个车辆队列并且设计成自动化运行、尤其是高度自动化运行或自主运行。
26.在这种自动化驾驶中，对交通参与者t1行为的预测是一项重大挑战。在复杂的交通场景中通常难以追踪和预测全部所感测的交通参与者t1的行为。为此也需要高的计算成本。
27.在此采用占位网格b来预测行为，其中，车辆f1具有带有坐标x、y、z的以车辆为中心的坐标系。x坐标x在此总是指向前。用坐标y、z描绘的其它轴与之垂直。围绕车辆f1创建一个格栅或网格，其在静态上围绕车辆f1构成并且随车辆f1运动并位于其未被详细示出的车辆自身传感器的采集区域中。
28.车辆f1以其传感器定位在其车辆环境中的所有交通参与者t1、例如行人、骑车人、轿车、卡车、公共汽车等，并且确定其相对于车辆f1的相对距离。除了交通参与者外，也检测并定位静止目标例如工地或公路上的其它障碍。采集在此可以借助许多传感器和/或多种不同传感器的组合例如雷达传感器、激光雷达传感器、摄像头传感器和/或超声波传感器以及相应的数据处理装置例如深度学习算法来执行。
29.所测得的交通参与者t1通过表示向量的数据结构d来描绘。表示相应交通参与者t1的向量在此由借助车辆自身传感器采集的信息构成。每个向量在此作为信息而包括以下数据，其以占位网格b的被交通参与者t1占用的单元格b1-bn的x、y和z坐标x、y、z的形式描绘相应交通参与者t1相对于车辆f1的位置，其中，z坐标z描述相应交通参与者t1的高度。另外，向量包括表示相应交通参与者t1的速度v的速度向量、表示相应交通参与者t1被采集的时刻t1、t2的时间戳和表示相应交通参与者t1的类型的目标类型。另外，向量还可以包含例如基于从已识别出交通参与者t1的传感器而得到的采集可靠性，以及其它信息，例如交通参与者t1的企图。
30.占位网格b是2.5维网格，即是两维格栅，但在这里，对于所有的交通参与者t1，其高度在相应向量中作为z坐标z被存储。在此，两维格栅可以被写为矩阵，其中，每个单元格b1-bn对应有自己的x坐标x和自己的y坐标y。为了形成占位网格b，两维格栅与所有通过车辆自身的传感器采集的所需信息叠加和/或组合。即，描绘这些交通参与者的数据结构d被组合成一个数据域，并且如图5所示地传递至后端服务器1。
31.占位网格b的单元格b1-bn在此可被占用或未被占用。在时刻t1，在占位网格b的单
元格b1内例如示出设计为行人的交通参与者t1连同描绘他的数据结构d。所有其它的单元格b2-bn未被交通参与者t1占用，其中，用于空单元格b2-bn的数据结构d被设定到零值。
32.通过将占位网格b与相应交通参与者的数据结构d结合，产生在时刻t1的环境显示。
33.根据该图示，交通参与者t1在两个时刻t1、t2之间从单元格b1运动到相邻单元格b2。因此至少下述向量相应改变，该向量以x、y和z坐标a、y、z的形式描绘交通参与者t1相对于车辆f1的位置并且被包含在数据结构d中。
34.车辆f1的整个占位网格b例如可以被如此计算，即，该矩阵被乘以全局向量，全局向量包含所有具有呈x、y和z坐标x、y、z形式的交通参与者t1相对于车辆f1的相应位置的向量。所有未被占用的单元格b1-bn被设定到零值。
35.关于交通参与者t1的行为的信息在自主车辆f1的试车和/或训练行驶期间被采集。该信息在此以矩阵的恒定数据流被存储。在此，尤其采用所谓的深度学习模型来处理信息以预测交通参与者t1的未来行为。例如创建一个带有深度学习模型的人工神经元网络，它处理来自试车和/或训练行驶的信息。随着信息越来越多，该模型更精确地预测针对多个时刻t1、t2的交通参与者t1的未来行为。
36.前述概念还关于具有统一的全局坐标系的城域全局占位网格gb进行度量。图2示出这种市区全局占位网格gb。
37.图3示出固定于车辆的占位网格b及其内容被坐标变换到位置固定的全局占位网格gb(也称为运行计算域，缩写为odd)。在坐标变换中，用相干格栅覆盖车辆f1的固定于车辆的整个占位网格b，该格栅对于所有其中的尤其属于一个车辆队列的自动驾驶车辆f1、f2是共同的。车辆f2在图4中未被详细示出。
38.将包含坐标x、y、z和对应的占位网格b的自动驾驶车辆f1的以车辆为中心的坐标系变换到具有坐标x
′
、y
′
、z
′
的全局坐标系中。目的是创建包含所有在全局占位网格gb中运行的自动驾驶车辆f1、f2的由传感器采集的所有信息的统一的全局占位网格gb。每台自动驾驶车辆f1、f2与如图5所示的后端服务器1共享其传感器采集的信息。所共享的信息包含具有描绘车辆f1、f2的数据结构d的数据域。在此，在全局占位网格gb中，仅占用的单元格gb1-gbm包含信息。每个未被占用的单元格gb1-gbm获得零值。因此，数据流能够被最小化并且适用于包含自动驾驶车辆f1、f2的大车辆队列的运行设计域的扩展。在此可以实现小延迟，其是保证运行能力的主要元素。
39.坐标变换在此确保保留所有信息。仅将相应数据结构d中的坐标相关信息进行转换，例如单元格的坐标和速度向量。所测知的交通参与者t1在以车辆为中心的占位网格b以及全局占位网格gb两者中都被示出。
40.如从示出全局占位网格gb以及两台车辆f1、f2的两个变换到其中的固定于车辆的占位网格b、bb的图4中得知地，分别给车辆f1、f2分配一个单独的以车辆为中心的占位网格b、bb。在此，这些车辆f1、f2可以检测在相应不同的以车辆为中心的单元格b1-bn、bb1-bbo内的相同的交通参与者t1、t2或不同的交通参与者。
41.通过上传其相应占位网格b、bb至后端服务器1和创建全局占位网格gb，双重测知的交通参与者t1、t2基于坐标变换而在全局占位网格gb内占据相同的单元格gb1-gbm。在此，双重测知的交通参与者t1、t2获得较高的可信度或较高的采集可靠性，因为其独立于两
台自动运行车辆f1、f2地被测知。
42.图5示出给后端服务器1提供借助车辆自身的传感器所采集的关于在车辆环境中的交通参与者t1、t2的信息以及从后端服务器1调用所述信息。
43.在针对时刻t1将所有以车辆为中心的占位网格b、bb上传至后端服务器1后，全局占位网格gb依据包含所有交通参与者t1、t2在内的坐标变换被计算。
44.全局占位网格gb随后关于人工时间戳t1*被下载到所有车辆f1、f2上。每台车辆f1、f2在此获得在全局占位网格gb中的所有运动目标的信息。能以相同的方式考虑静止目标如公路上的障碍或工地。
45.利用附加信息，每台单独车辆f1、f2可以检查其自身所采集的信息，并且例如预先规划交通参与者t1、t2的运动轨迹交叉，以及将其环境模型扩展到其传感器作用范围之外。
46.全局占位网格gb在此仅基于足够多的车辆f1、f2在运行设计域中进行缩放。全局占位网格gb仅包含已由车辆f1、f2采集的信息。在无以车辆为中心的更新下的单元格gb1-gbm被如此标记，即，它们针对规定时刻t1、t2被描绘为未被探测到的单元格gb1-gbm。
47.相应车辆f1、f2的传感器信息在此包含所有运动目标、尤其是交通参与者t1、t2，它们被合并在全局向量中，该全局向量包含所有包括交通参与者t1、t2相对于相应车辆f1、f2的相应位置的向量，以x、y和z坐标x、y、z的形式表示。
48.除了关于运动目标的信息外，关于车辆队列的可靠运行的附加数据也是有意义的，它们被归类于第一类别。另外，关于基础设施和交通的非关键信息也是有意义的，它们被归入第二类别。
49.在第一类别的安全关键信息中包含的数据例如是由车辆队列感测的交通标志状态、不常见的静态目标如第二排的停放车辆、出事故车辆、丢失货物和类似物。尤其在现代城市中，非关键信息也是有延伸意义的。例如属于第二类别的信息例如有：被占用的停车位、坑洼息和关于前瞻性基础设施和城市优化的所有信息。
50.为了也提供最后提到的安全关键和非关键的信息，车辆队列的车辆f1、f2汇集关于全局信息网的实时信息。存储在占位网格b、bb、gb中的信息也可以通过所请求的例如关于空停车位的数据而被扩充、汇集在后端服务器1中并分配给合适的信道例如停车app。

技术特征：
1.一种用于提供借助车辆自身的传感器采集的关于在车辆环境内的交通参与者(t1,t2)的信息的方法，其特征是，所采集的信息作为表示相应向量的数据结构(d)被提供，每个向量对应于预定的固定于车辆的占位网格(b,bb)的、由相应信息描述的交通参与者(t1,t2)所处的单元格(b1-bn,bb1-bbm)，并且每个向量包含至少以下数据：-相应交通参与者(t1,t2)所处的对应所属的单元格(b1-bn,bb1-bbm)的坐标，-表示相应交通参与者(t1,t2)的速度(v)的速度向量，-表示相应交通参与者(t1,t2)被采集的时刻(t1,t2)的时间戳，以及-表示相应交通参与者(t1,t2)类型的对象类别。2.根据权利要求1所述的方法，其特征是，所述数据结构(d)被汇总成数据域且被传输至后端服务器(1)。3.根据权利要求2所述的方法，其特征是，作为附加信息，以下项被传输给该后端服务器(1)：-该车辆(f1,f2)的位置，和/或-该车辆(f1,f2)的取向，和/或-涉及该占位网格(b,bb)的定义的占位网格信息。4.根据权利要求3所述的方法，其特征是，该后端服务器(1)基于所述附加信息执行坐标变换，在该坐标变换中，将作为数据域从车辆(f1,f2)接收的向量从该车辆(f1,f2)上的固定于车辆的占位网格(b,bb)变换到位置固定的预定全局占位网格(gb)中。5.根据权利要求3所述的方法，其特征是，将变换到全局占位网格(gb)中的向量提供给其它车辆(f1,f2)以供调用。6.根据权利要求5所述的方法，其特征是，在调用时进行的传输中，将所变换的向量作为数据域从该后端服务器(1)传输给至少另一台车辆(f1,f2)，其中，每个向量对应于该全局占位网格(gb)的、由相应信息所描述的交通参与者(t1,t2)所处的单元格(gb1-gbo)，并且包含至少以下数据：-相应交通参与者(t1,t2)所处的对应的单元格(gb1-gbo)的坐标，-表示相应交通参与者(t1,t2)的速度(v)的速度向量，-时间戳，其表示相应交通参与者(t1,t2)被采集的时刻(t1,t2)，以及-对象类别，其表示相应交通参与者(t1,t2)的类型。7.根据权利要求5或6所述的方法，其特征是，所述其它车辆(f1,f2)按照设计用于自动、尤其是高度自动或自主运行的车辆队列来自动运行。8.一种用于运行能够自动运行、尤其是高度自动运行或自主运行的车辆(f1,f2)的方法，其中，根据权利要求5由该后端服务器(1)调用的信息在自动化运行中被予以考虑。

技术总结
本发明涉及一种用于提供借助车辆自身的传感器采集的关于在车辆环境内的交通参与者(T1,T2)的信息的方法。根据本发明，所采集的信息作为表示向量的数据结构(D)被提供。在此，每个向量对应于预定的固定于车辆的占位网格(B,BB)的、由相应信息所描述的交通参与者(T1,T2)所处的单元格(B1-Bn,BB1-BBm)。每个向量至少包含：相应交通参与者(T1,T2)所处的对应所属的单元格(B1-Bn,BB1-BBm)的坐标、表示相应交通参与者(T1,T2)的速度(v)的速度向量、表示相应交通参与者(T1,T2)被采集的时刻(t1,t2)的时间戳以及表示相应交通参与者(T1,T2)的类型的对象类别。本发明还涉及一种用于运行可自动驾驶车辆(F1,F2)的方法。驾驶车辆(F1,F2)的方法。驾驶车辆(F1,F2)的方法。


技术研发人员：A
受保护的技术使用者：梅赛德斯-奔驰集团股份公司
技术研发日：2021.07.27
技术公布日：2023/6/28