用于机动车的环境感测系统的制作方法

本发明涉及一种用于机动车的环境感测系统，该环境感测系统具有多个传感器和对应的分析处理模块，所述多个传感器对于电磁频谱的不同区域中的电磁辐射敏感，该分析处理模块用于根据由传感器提供的数据对存在于环境中的对象进行定位和/或分类。

背景技术：

在用于机动车的驾驶员辅助系统中重要的是，借助合适的传感装置尽可能精确地感测车辆的环境。在车辆引导越来越自动化的过程中，对环境感测系统的精度和可靠性提出越来越严格的要求。

已知使用在电磁频谱的不同区域中工作的不同类型的传感器，例如具有不同雷达频率的远程达传感器和近程雷达传感器、激光雷达传感器和光学摄像机。如果将从各种传感器获得的数据彼此融合时，那么可以使所感测的环境的图像完整。

然而问题在于：由对象发射或反射的辐射可能在其他对象的表面处被反射，然后以多种方式到达传感器，由此，在传感器中虚构出实际上不存在的伪对象(scheinobjekt)。这方面的示例例如是雷达辐射在行车道表面上或护栏上的反射、可见光在商店橱窗上的反射等。以这种方式虚构出的伪对象通常难以与真实对象区分开，使得人们获得了不合实际的环境图像。

技术实现要素：

本发明的任务是，提供一种环境感测系统，其能够更好地区分真实对象与由反射决定的伪像(artefakt)。

根据本发明，该任务通过存储有环境模型的模型模块来解决，该环境模型除了包括对象的3d位置数据之外还包括关于对象表面的光谱反射特性的数据，其中，该模型模块能够将这些数据提供给分析处理模块。

于是，根据存储在模型模块中的模型可以模拟出在波长范围内(相关传感器在这些波长范围内是敏感的)的射束传播并且因此预测出由多重反射产生的伪对象的出现。根据这种信息，在分析处理传感器数据时可以更容易地将伪对象过滤掉，从而明显降低错误解读的可能性。

在优选实施方式中说明本发明的有利构型和扩展方案。

在环境模型中可以存储数据，所述数据表征存在于环境中的对象的位置以及以或多或少高的空间分辨率表征几何形状。然后，根据这些数据也可以确定可能发生潜在反射的对象表面的位置、几何形状和取向。附加地，针对这些表面中的每一个存储有至少一个参数，该参数表征所述表面在传感器中使用的波长中的一个或多个波长的情况下的反射特性。例如，可以针对每个表面并且针对每个感兴趣的频率存储一个反射系数和/或光泽度参数，其中，该光泽度参数说明定向反射(gerichtetereflexion)与发散漫射之间的比例关系。

在一个实施方式中，可以在车辆中实现该模型模块。然后，由用于感测环境的传感器提供用于建模的数据，并且必要时通过关于对象典型特性的“事先了解”来补充所述数据。例如如果借助摄像机系统识别到噪声防护墙、护栏或建筑物前部，那么可以根据摄像机数据识别反射表面的位置和取向并将其输入模型中。同时，可以估计可见光的反射特性以及在感兴趣频率情况下的雷达辐射的反射特性，并且也可以将所述反射特性输入到该模型中，使得可以预测由反射决定的伪像。

相反，可以利用由雷达传感器或激光雷达传感器提供的数据来准确地确定对象的距离，以便获得借助摄像机系统或借助立体摄像机有时也难以带有所需精度地获得的距离信息。通过访问环境模型，可以将距离数据提供给摄像机系统的分析处理模块，该距离数据使得便于解读摄像机图像。

环境模型可以动态地匹配于配备有该环境感测系统的车辆的对应位置以及运动对象(例如其他车辆)的位置。

然而，在另一实施方式中，模型模块也可以位置固定地在车辆外部在服务器中被实现，该服务器与车辆中的环境感测系统无线通信。这种位置固定的模型模块尤其适合于存储用于在交通网络中给定的路段的环境模型，并且可以将其数据提供给多个车辆的环境感测系统。其优点在于，在这种情况下，可以测量或从其他来源获得对象的表面反射特性以及位置和几何形状，并将其手动输入到模型中，由此实现该模型的更高精度。但是，因为至多只能时不时地对这些数据进行更新，所以在这种情况下，所述模型是相对静态的模型。

特别有利的是，将所述两个实施方式彼此组合，使得分析处理模块一方面能够访问本地模型模块中的动态模型而另一方面可以访问位置固定的模块中的静态但更准确的模型。

附图说明

在面，根据附图更详细地阐述实施例。附图示出：

图1本发明的环境感测系统的方框图；

图2环境模型的数据结构的示例；

图3用于在根据图1的环境感测系统中运行的例行程序(routine)的流程图，该例行程序用于预测反射伪像；

图4和图5用于说明本发明应用的交通状况的图示。

具体实施方式

在图1中示意性地示出机动车10的轮廓，在该机动车中安装有用于感测环境的各种不同传感器。在所示示例中，所述传感器是远程雷达传感器12，14、近程雷达传感器16、立体摄像机系统以及激光雷达传感器20，所述远程雷达传感器例如以76ghz的频率工作并且尤其用于感测在前行驶和在后跟随的交通，所述近程雷达传感器例如以24ghz的频率工作并且安装在车辆的四个拐角上，以便监视较近的车辆环境，所述立体摄像机系统具有安装在车辆前侧上的两个光学摄像机18，所述激光雷达传感器用于借助激光雷达射束对环境进行环视监视，该激光雷达射束具有处于光谱的可见光区域中或红外区域中的确定频率。这些传感器中的每一个配属有用于对由传感器提供的数据进行预分析处理的分析处理模块22。然后，将该预分析处理的结果传输给中央分析处理单元24，并在那里进一步处理所述结果并且将它们彼此融合，以便获得尽可能完整的车辆环境图像，然后这构成各种不同驾驶员辅助功能或自主车辆控制功能的基础。

在中央分析处理单元24中实现本地的模型模块26，在该本地的模型模块中存储有环境模型，该环境模型说明在车辆10的当前环境中由车辆自己的传感器所定位的对象的位置和几何形状。根据分析处理模块22提供的数据持续更新该模型。

在所示示例中，中央分析处理单元24与位置固定的模型模块28无线通信，该位置固定的模型模块例如在车辆外部的服务器中被实现，并且在该位置固定的模型模块中存储有处于由车辆10驶过的路段中的交通基础设施和静态对象的静态模型。

图2示出存储在模型模块26或28中的环境模型30的数据结构的示例。该模型包括存在于环境中的对象32的列表。

在本地的模型模块26的情况下，这种对象的示例例如是：“直接在前行驶的车辆”、“旁边车道上的车辆”、“行车道边缘处的行人”、“护栏”、“行车道表面”等。这些对象中的每一个由传感器12至20中的至少一个传感器定位并且必要时通过对多个传感器的数据进行比较而被分类。

在位置固定的模型模块28的情况下，对象32例如可以是行车道右侧旁和左侧旁的建筑物，或者也可以是护栏、行车道表面等。

针对对象32中的每一个，在环境模型中存储有3d位置数据34，该3d位置数据标识相关对象的位置并且必要时标识其几何形状。在本地的模型模块26中，在在前行驶的车辆的情况下，位置数据例如可以是由雷达传感器测量的距离和方向角(方位角以及可能是仰角)。在护栏的情况下，位置数据24例如可以由护栏的主表面的位置和取向构成，而在行车道表面的情况下，位置数据可以包含作为距离的函数的行车道坡度。在本地的模型模块26中，例如可以根据摄像机数据来计算所述位置数据，而在位置固定的模型模块28中可以直接输入这些数据。在存储在位置固定的模型模块28中的、具有近似立方体形状的建筑物的情况下，位置数据34可以是该建筑物的拐角在位置固定的全球坐标系中的坐标。

借助3d位置数据34可以针对每个对象32辨识其视波长而定能够或多或少良好地反射电磁辐射的表面。在此，特别感兴趣的是能够将辐射反射到车辆10的所述传感器中的一个传感器中的那些表面。针对这些表面中的每一个，在环境模型30中存储有一组数据36，该组数据(例如基于已知的材料特性或必要时基于之前的测量或对象分类)说明相关表面的光谱反射特性。在所示示例中，针对三个不同的频率f1(76ghz)、f2(24ghz)和f3(由激光雷达传感器20使用的可见光的频率)存储有反射系数ρ和光泽度参数γ。然后，根据这些数据可以针对所考察的每个表面计算：相关波长的电磁辐射如何在表面上反射和/或散射。然后，可以根据计算结果来判定：被反射或散射的辐射是否到达车辆自己的传感器中的一个传感器中并且在那里虚构出伪对象。也可以在一定边界内对说明伪对象的信号的强度进行预测。这使得在分析处理模块22或中央分析处理单元24中更容易区分真实对象与基于反射的伪对象。

图3示出方法的基本步骤，借助该方法例如在中央分析处理单元24中预测伪对象或幻像(geisterbild)的出现。在步骤s1中，根据由分析处理模块中的一个或多个所提供的信号来辨识单个对象。然后在该步骤中在环境模型30中寻找该对象，并且在步骤s2中读取3d位置数据34以及关于该对象的反射特性的数据36，其中，必要时将所述位置数据换算到车辆固定的坐标系中。然后在步骤s3中，计算从所定位的对象发出并且在如下表面上反射的射束的反射路径：所述表面的特性已在步骤s2中被读取。然后在步骤s4中，选择那些通向车辆自己的传感器12至20中的一个传感器的反射路径，并且根据适用于对应频率的反射特性来预测在相关传感器中产生幻像的信号。

在图4中，作为示例示出如下状况：在该状况中，车辆10在行车道38上行驶，在该行车道上在一侧安装有噪声防护墙40。车辆10的雷达传感器12发送雷达射束42，该雷达射束在在前行驶的车辆44(对象)的后部处被反射并且作为反射射束46直接返回到雷达传感器12。然而，因为车辆44的后部不是完全平坦的，所以雷达辐射的一部分也朝着噪声防护墙40的方向被反射，然后在噪声防护墙处再次被反射，使得反射射束48绕道到达雷达传感器12并且在那里虚构出伪对象50，该伪对象具有与车辆44相同的相对速度但是具有稍微更大的距离，并且在不同的方向角被看到。

根据在图3中所示的进程可以模拟所述过程，使得可以预测伪对象50并且将其正确地解读为非真实的对象。

在所示示例中，噪声防护墙40在一个区段中(在图4中的左侧)具有粗糙的吸声结构52，而噪声防护墙的后续区段具有光滑的表面54。在粗糙的结构52上，雷达辐射大多数情况下被发散地漫射，使得大多数情况下产生弱反射信号，这种弱反射信号几乎不会从噪声背景中显露出。相反，如果车辆到达噪声防护墙40的具有光滑表面54的区段，那么会突然出现明显的反射信号，然后必须由车辆10的环境感测系统快速且正确地解读所述反射信号。借助车辆10上的摄像机18可以识别出噪声防护墙40上的结构变化，使得可以预测反射信号的突然出现。同样，也可以基于存储在位置固定的模型模块28中的模型来进行预测。

以类似的方式，也可以预测可见光的反射，例如在商店橱窗正面上的反射。

另一示例是预测雷达射束在行车道表面上的反射。这些反射可以根据所存储的行车道坡度和/根据借助摄像机18所估计的行车道坡度来计算。此外，例如可以根据摄像机图像来区分湿的行车道表面和干的行车道表面，然后在环境模型30中相应地匹配雷达辐射的反射特性。

图5示出一个示例，在该示例中，借助车辆10的摄像机18和激光雷达传感器20来定位在前行驶的载重车58的后部56。该后部56例如由翻起的装卸平台构成，该装卸平台具有平坦的、几乎无结构的表面(strukturlos)。这使得难以借助立体摄像系统来测量距离，因为对于距离确定而言，必须在摄像机的视野中确定所辨识的结构的视差位移。

因为车辆当前正在转弯，所以后部56与车辆10的前进方向不成直角。因为后部56在可见光中具有高的光泽度值，所以激光雷达传感器20仅在其射束成直角地到达后部56上时才提供信号。因此，借助激光雷达传感器20无法识别出：所述后壁事实上是延伸得显著更远的对象。根据摄像机18的数据，现在可以在环境模型30中补充如下信息：后壁26在很大程度上是平坦且无结构的并且具有高的光泽度值。相反，可以根据激光雷达传感器的数据说明后部56与车辆10之间的距离的准确值。通过现在将这些信息整合可以明确地确定：由摄像机18看到的对象是也由激光雷达传感器20所定位的同一后部56。一方面，由于所述后部的高光泽度值，可以预期，激光雷达传感器仅将该后部作为点状对象定位，尽管该后部事实上更远地延伸。相反，由激光雷达传感器提供的距离信息使得能够在摄像机图像中有针对性地寻找难以识别的结构，该结构的视差恰好具有与所测量的距离相匹配的值，由此也可以借助摄像机系统来验证该距离测量。

在载重车58静止并且装卸平台正被翻下的状况中，后部56的增大的倾斜度导致激光雷达传感器20的信号突然消失。这促使在摄像机图像中寻找装卸平台的轮廓形状方面的改变并且因此确定：该装卸平台正在被翻下并从而碰撞危险可能会增大。