确定机动车的布局信息的制作方法

为了为机动车、例如轿车或者载重汽车的驾驶员辅助系统提供自动驾驶功能，需要关于机动车当前环境的全面认知。这种环境的一个重要方面是计划进行机动车的自动驾驶行为的、机动车之前的近距离区域内的道路基础设施。为了确定最可能的道路基础设施，可以使用不同类型的信息源，例如来自行车道准确的道路地图的基本知识结合全球定位系统(GPS)以及基于传感器、例如借助摄像头对行车道的感知。问题在于，所有的数据源，例如地图、全球定位和行车道感知可能具有不同类型的拓扑和几何上的不确定性和测量误差。为了获得统一并且本身一致的环境图像，在考虑所有数据源和其误差的情况下确定相对于地图和最可能的行车道的最可能的位置和朝向。

与之相关地，DE 10 2011 120 497 A1公开了一种用于精确地确定机动车在行车道内部的位置的系统。所述方法由机动车实施，其具有车载计算机、机动车传感器、卫星定位单元和数据库，所述数据库具有处于行车道平面上的地图，以便使用地图对比来确定机动车的新位置。在所述方法中，由至少一个机动车传感器接收新数据，并且由机动车传感器产生测量值。车载计算机计算机动车位置相对于依次相续的时间点的传播。此外，车载计算机执行轨迹适配过程，其中例如得到机动车的GPS坐标并且识别机动车在行车道平面上的地图内的位置。车载计算机执行跟踪程序，其包括应用概率分布以在数据粒子(Datenpartikeln)方面更新机动车位置，并且基于数据粒子执行粒子过滤程序，以便计算新的机动车位置。基于轨迹适配过程的结果，更新观察模型。在此，从识别机动车附近的至少一个记录的行车道线的行车道平面上的地图读取数据，并且相对于载体机动车的参考系计算行车道线的位置。通过应用距离分析，对比检测到的和记录的行车道带和行车道边界，并且应用对比的数据相对于来自机动车传感器的摄像头的图像识别数据计算观察概率分布。在计算行车道线相对于载体机动车的参考系的位置时，将从行车道平面上的地图的坐标系获得的行车道带投影到机动车的参考系上，并且对比检测到的和记录的行车道带和行车道边界，其中，将欧几里得类型的距离分析用作距离分析。

DE 10 2010 033 729 B4涉及一种用于确定机动车在道路上的位置的方法。在所述方法中，根据卫星信号传感器的输出以第一精度确定机动车的位置。从数字地图获得关于以第一精度确定的位置的第一机动车环境的数据。此外，通过线条识别传感器获得关于第二机动车环境中的行车道标记的数据。通过行驶动态传感器获得关于机动车本身运动的数据，并且通过环境传感器获得关于第三机动车环境中的对象的数据。根据道路情况，通过来自数字地图的关于第一机动车环境的数据和关于第二机动车环境中的行车道标记的数据与关于机动车本身运动的数据或者关于第三机动车环境中的对象的数据的组合，来确定具有至少针对行车道特定的精度的机动车在道路上的位置。

在整合来自地图数据、定位(例如GPS)和行车道感知的信息时，通常假定数据的一部分是无误差且无不确定性的。然而这通常是不正确的，因此这种假设导致相对于实际道路不准确地确定机动车的位置和/或朝向。然而，尤其对于在道路上自动控制机动车的驾驶员辅助系统，尤其在近距离区域中这种不准确性是不期望的。

因此，本发明所要解决的技术问题在于，实现更可靠的相对于实际道路的机动车的位置和朝向的确定。

该技术问题按本发明通过按照权利要求1所述的用于确定机动车的布局信息的方法、按照权利要求12所述的布局确定设备和按照权利要求14所述的机动车来解决。从属权利要求定义了本发明的优选和有利的实施形式。

按照本发明，提供用于确定机动车的布局信息的方法。术语“布局信息”涉及机动车的位置和机动车相对于固定坐标系的朝向，例如覆盖全球的全局坐标系，如世界大地坐标系(World Geodetic System，简称WGS)。然而，固定坐标系也可以包括机动车外部的任何其它的坐标系，例如国家特定的坐标系。与本发明相关地，术语“布局信息”也称为“姿态”，并且包括固定坐标系中的至少一个二维位置以及机动车相对于固定坐标系的朝向。在所述方法中，通过机动车的传感器检测机动车的环境中的局部行车道布局。所述行车道布局例如可以借助机动车的摄像头检测。所述局部行车道布局说明机动车的环境中的行车道相对于机动车的布局。根据局部行车道布局和之前确定的机动车的布局信息确定第一行车道布局。所述第一行车道布局说明机动车的环境中的行车道相对于固定坐标系的布局。换而言之，根据从机动车的视角或者感知得到的局部行车道布局，确定相对于固定坐标系的(第一)行车道布局。根据预设的地图资料确定针对机动车当前环境的相对于固定坐标系的第二行车道布局。根据第一行车道布局与第二行车道布局的几何相似性确定相似性信息，并且根据相似性信息更新之前确定的机动车的布局信息。例如可能需要移动，以便将第一行车道布局映射到第二行车道布局上。根据这种移动，可以更新机动车的布局信息或者姿态。通过确定在机动车环境中检测到的行车道布局与基于地图的行车道布局之间的几何相似性，基于传感器和基于地图的行车道数据能够同样地有助于更新机动车的布局信息。

在一种实施形式中，还根据相似性信息更新之前确定的行车道布局假设。所述行车道布局假设说明针对机动车的环境中的行车道相对于固定坐标系的布局的假设。因此，可以基于第一和第二行车道布局的几何相似性共同地更新和优化布局信息、即机动车的姿态估计以及行车道布局假设。

在另一实施形式中，机动车的布局信息包括机动车的位置和朝向的多维正态分布的参数。例如，位置可以包括机动车在笛卡尔坐标系中的位置的二维正态分布，并且朝向可以包括机动车相对于坐标系的预设朝向的旋转角的另一正态分布。行车道布局假设的坐标、例如沿着行车道中线的点，同样可以显示为多维正态分布。这些正态分布中的每一个的参数例如可以包括预期值和方差。由于布局信息和/或行车道布局假设分别以基于正态分布的显示方式为基础，所以可以在对应的输入数据检测中对误差和不准确性进行建模并且考虑。尤其也可以考虑基于地图的行车道布局的误差或者不准确性。此外，所有基于传感器的输入数据可以通过成本低廉的传感器检测，因为相应的不确定性可以通过正态分布直接包含在计算中。

优选地，行车道布局的行车道通过显示行车道中线的点列表来显示。点列表的每个点具有相对于固定坐标系的位置的多维正态分布的参数。通常可以获得包括标记行车道中线的点列表的地图资料，因此可以以有利的方式应用在所述方法中。通过点列表的每个点显示为正态分布，可以考虑地图资料的不确定性。例如，通过地图资料给出的每个维度中的坐标可以用作相应维度中的正态分布的预期值。相应维度中的正态分布的标准偏差例如可以根据地图精度进行选择。根据点列表的两个或者多个依次相续的点的连线，可以确定机动车在行车道上的期望朝向。由此，根据预设的地图资料确定的第二行车道布局既可以有助于更新位置，也可以有助于更新机动车的朝向。

在另一实施形式中，根据机动车的里程数据更新之前确定的机动车的布局信息。机动车的里程数据例如可以包括来自机动车的车轮传感器、转向角传感器或者加速度传感器的信息。通过里程数据可以确定机动车相对于之前位置的相对布局变化。基于之前确定的布局信息，例如可以通过将里程数据包含在内来确定当前的布局信息，其中，之前确定的布局信息的不准确性和里程数据的测量不准确性能够以正态分布的形式被考虑。由此可以在更新机动车的布局信息时考虑机动车的里程数据以及其可能的误差。

在另一实施形式中，检测机动车的固定位置。所述固定位置说明机动车相对于固定坐标系的位置。固定坐标系可以例如是全局坐标系，其中，固定位置例如借助卫星定位系统来检测。根据检测到的机动车的固定位置更新之前确定的机动车的布局信息。因为检测到的机动车的固定位置可能具有测量不准确性，所以可以在更新之前确定的布局信息时以多维正态分布的形式考虑机动车的固定位置。

利用前述针对机动车的布局信息的基于正态分布的显示方式以及用于更新机动车的布局信息的附加信息、如里程数据、地图资料的信息、基于摄像头的环境信息和基于卫星的定位信息，能够以简单的方式方法算清这些具有测量误差的信息及其可能的误差，用于更新机动车的布局信息。基于正态分布的显示方式尤其允许在常见的计算系统、例如机动车中的微处理器控制装置上在几毫秒以内更新布局信息，由此适用于在机动车中进行实时的计算。重复执行所述方法的重复率可以例如在每秒重复25至400次的范围内。

在另一实施形式中，可以将机动车环境中的附加特征与地图资料的相应特征进行比较，以确定相似性信息。为此，借助机动车的传感器确定第一行车道布局的行车道信息。所述行车道信息例如包括道路标记类型、停车线位置或者交通标志牌位置。道路标记类型例如可以包括实线道路标记、虚线道路标记、双实线等。将第一行车道布局的行车道信息与第二行车道布局的基于地图资料的行车道信息进行比较。由此可以改善借助机动车的传感器检测的行车道与地图资料中的行车道的对应关系。

在另一实施形式中，所述第一行车道布局包括至少两个行车道的布局，并且备选或附加地，第二行车道布局包括至少两个行车道的布局。为了确定相似性信息，确定多个成对相似性信息。所述多个成对相似性信息中的每一个根据相应的一对两个行车道的几何相似性来确定。相应的一对两个行车道分别包括第一行车道布局中的一个行车道和第二行车道布局中的一个行车道。换而言之，分别针对每个由第一行车道布局中的一个行车道和第二行车道布局中的一个行车道构成的组合确定成对相似性信息。如果例如第一行车道布局包括两个行车道，并且第二行车道布局同样包括两个行车道，则确定四个成对相似性信息，即针对第一行车道布局的第一行车道和第二行车道布局的第一行车道之间的相似性的第一成对相似性信息，针对第一行车道布局的第一行车道和第二行车道布局的第二行车道的几何相似性的第二成对相似性信息，针对第一行车道布局的第二行车道和第二行车道布局的第一行车道之间的几何相似性的第三成对相似性信息，以及针对第一行车道布局的第二行车道和第二行车道布局的第二行车道之间的几何相似性的第四成对相似性信息。通过处理任意数量的行车道，也可以在例如十字路口或者出口处的复杂的情景下，更新机动车的布局信息和行车道布局假设。例如，可以根据相似性信息更新之前确定的机动车的布局信息，方式为对于多个成对相似性信息中的相应成对相似性信息，根据相应成对相似性信息确定相应的加权的更新信息。所述加权的更新信息包括以下假设下的机动车的布局信息，即，相应行车道对中的行车道涉及相同的实际行车道。加权的更新信息的权重说明相应行车道对中的行车道涉及相同的实际行车道的概率。根据加权的更新信息更新之前确定的布局信息，方式为例如将基于成对相似性信息的更新与权重相乘。机动车的布局信息和加权的更新信息尤其可以分别包括机动车的位置和朝向的多维正态分布的参数。为了更新之前确定的机动车的布局信息，将布局信息的正态分布与更新信息的正态分布相乘。由此在例如多车道道路、十字路口和出口处的复杂的情况和情景下，也可以以简单的方式方法更新机动车的布局信息。

按照本发明，还提供一种用于确定机动车的布局信息的布局确定设备。布局信息包括机动车的位置和机动车在固定或者全局坐标系上的位置中的朝向。布局确定设备包括用于检测机动车的环境中的局部行车道布局的传感器。所述传感器例如可以包括机动车的摄像头。所述局部行车道布局说明机动车的环境中的行车道相对于机动车的布局，并且例如可以根据摄像头的图像数据、摄像头的光学特性和摄像头的布局通过适当的图像处理来确定。布局确定设备还包括处理设备，所述处理设备能够根据局部行车道布局和之前确定的机动车的布局信息确定第一行车道布局。所述第一行车道布局说明机动车的环境中的行车道相对于固定坐标系的布局。换而言之，处理设备在考虑最后确定的机动车的布局信息或者姿态的情况下将局部行车道布局换算为相应的全局行车道布局。处理设备还能够根据预设的地图资料确定第二行车道布局。所述第二行车道布局说明机动车的环境中的行车道相对于固定坐标系的布局。第二行车道布局例如可以通过应用之前确定的机动车的布局信息根据预设的地图资料来确定。最后，测量设备根据第一行车道布局与第二行车道布局的几何相似性确定相似性信息。使用所述相似性信息来更新之前确定的机动车的布局信息。因此，布局确定设备适用于执行前述方法或者其实施形式中的一种，因此也包括与所述方法相关地描述的优点。

本发明还涉及一种机动车，其包括前述布局确定设备和驾驶员辅助系统。所述驾驶员辅助系统为机动车提供自动驾驶功能，例如机动车的自动纵向和横向调节。驾驶员辅助系统与布局确定设备耦连，并且基于来自布局确定设备的更新后的布局信息实施自动驾驶功能。因此，机动车同样包括之前与所述方法和其实施形式相关地描述的优点。

如之前描述的那样，可以根据相似性信息更新之前确定的行车道布局假设。所述行车道布局假设说明针对机动车的环境中的行车道相对于固定坐标系的布局的假设。在实施自动驾驶功能时，驾驶员辅助系统可以考虑更新后的行车道布局假设，方式为例如使机动车的姿态或者布局信息与更新后的行车道布局假设相关联，并且尤其以此为基础控制机动车的横向调节。

尽管之前描述的本发明的实施形式是彼此独立地描述的，但清楚的是，这些实施形式可以任意地相互组合。

以下参照附图详细描述本发明。

图1示意性地示出了按照本发明的一种实施形式的机动车。

图2示出了按照本发明的一种实施形式的用于确定机动车的布局信息的方法的步骤。

图3示出了按照一种实施形式的可以用于确定机动车的布局信息的因子图的图形显示的例子。

图4示出了按照本发明的一种实施形式的行车道假设和姿态假设的更新循环的示意图。

图5示出了按照本发明的一种实施形式的用于行车道对应的因子图。

图6示出了干扰的不同来源和大小的平均定位误差。

图7示意性地示出了基于地图的行车道布局、局部检测到的行车道布局和由此计算的机动车的姿态。

图1示出了机动车10，其具有布局确定设备11和驾驶员辅助系统12。所述驾驶员辅助系统12能够实施机动车10的自动驾驶功能。为此，驾驶员辅助系统12需要以下信息，即机动车10当前处于哪个行车道上和机动车10相对于行车道的当前位置如何。布局确定设备11通过连接13提供这些信息。布局确定设备11包括传感器14，例如一个摄像头或者多个摄像头，用于检测机动车10的环境中的局部行车道布局。所述局部行车道布局例如可以借助适当的图像处理在考虑摄像头14在机动车10上的布置的情况下由布局确定设备11的处理设备15计算得出。处理设备15还配备有全球定位系统，其例如通过天线16接收卫星信号并且由此计算机动车10的全局位置。处理设备15还可以通过机动车总线17与机动车10的提供机动车的里程数据的其它部件相连。例如，处理设备15可以接收来自车轮传感器18的信息，以确定机动车10的运动。作为备选或补充，其它的车轮传感器、加速度传感器或者转向角传感器可以与处理设备15耦连，以计算机动车10的里程数据。

为了由驾驶员辅助系统12提供自动驾驶功能，驾驶员辅助系统12需要关于机动车10的当前环境以及机动车10在当前环境中的本身位置和朝向的全面认知。这种环境的一个重要方面是机动车10之前的近距离区域中的道路基础设施，因为在所述区域中计划进行机动车的自动行为，例如机动车的纵向和横向调节。为了确定最可能的道路基础设施，布局确定设备11使用不同类型的信息源：来自行车道准确的道路地图的基本知识，结合例如通过GPS的全球定位以及基于传感器、例如通过摄像头14对行车道的感知。为了获得统一并且本身一致的环境图像，在考虑所有数据源和其误差的情况下确定机动车10相对于地图中的信息的最可能的姿态、即位置和朝向以及最可能的行车道。为此，在布局设备11中执行在图2中详细描述的方法。

作为输入数据，布局确定设备11使用全局位置测量、行车道准确的数字道路地图以及所谓的感知法，所述感知法根据尤其是摄像头14的传感器数据产生行车道假设。

全局位置测量例如可以通过全球定位系统、如GPS或者Galileo进行。这种测量方法例如在大地测量的全局参考系、例如世界大地坐标系(简称WGS)中确定二维位置。备选地，可以在任何其它固定的、也就是与机动车无关的参考系中确定二维位置。全局位置测量的测量方法与测量方差相关联。还借助全局位置测量，例如借助指南针，确定机动车的全局朝向、包括相应的测量方差。机动车的结合朝向的二维位置在以下称为机动车的布局信息或者机动车的姿态。

行车道准确的数字道路地图提供各个行车道的信息。将行车道定义为点的列表，所述点分别具有位置、包括建模方差。在此，点列表代表行车道中线，并且连接线上的所有点分别理解为相邻的建模点的线性插值。此外，可以通过附加的特征进行扩展，例如右侧和左侧的行车道边缘上的道路标记类型或者停车线和交通标志牌的位置。

感知法根据来自机动车传感器的传感器数据产生行车道假设。确定行车道假设所使用的传感器和方法在此不重要。然而，例如尤其可以使用机动车上的摄像头，并且基于数字图像处理确定行车道假设。作为所述方法的结果，行车道假设作为点列表存在，所述点列表分别代表行车道中线。因为感知法借助机动车传感器执行，所以点列表的点作为所谓的“自我局部坐标”处于相对机动车定向的坐标系中，即所谓的局部参考系中。点的坐标同样具有测量方差。作为扩展，也可以从传感器数据中提取与在地图中相同的附加特征，例如道路标记类型、停车线和交通标志牌位置。

此外，使用机动车的里程数据作为用于确定布局信息的输入数据，所述里程数据描述机动车本身的连续的或者在特定时间点、即所谓的时间步长之间的运动。

图2所示的方法20包括方法步骤21至28。在步骤21中进行初始化。在此，例如确定当前的GPS位置上的姿态假设，加载地图资料，并且根据地图资料针对当前的GPS位置确定当前的行车道假设。循环地执行之后的步骤22至28，其中，一个循环例如持续几毫秒，例如3至40ms。循环时长例如可以相当于例如摄像头14、车轮传感器18和全球定位检测传感器数据所需的时长。

因为在所述方法20中要考虑地图信息以及所感知的环境的测量误差和不准确性，所以作为多维正态分布(高斯混合分布)显示姿态假设和行车道假设。同样地，作为相应的多维正态分布显示用于更新姿态和行车道假设的信息、例如全局位置测量、感知法和里程数据的结果以及数字道路地图的信息。然后，更新例如可以作为这些分布的所有分量的乘积实现。以这种方式方法，在步骤22中，借助里程数据更新上一个时间步长中或者初始化中的姿态假设，由此转换至当前的处理时间点。在步骤23中，借助全局位置测量更新姿态假设。在步骤24中，借助上述感知法检测局部行车道布局，并且在步骤25中，借助当前的姿态假设将该局部检测到的行车道转换到全局或者固定坐标系中。由此提供基于局部检测到的行车道形成的第一行车道布局。针对机动车10的当前姿态假设，根据地图资料确定第二行车道布局。现在，将基于传感器的第一行车道布局中的行车道与基于地图的第二行车道布局的行车道分别成对地进行比较(步骤26)。为此，也针对行车道相对于彼此的系统移动，确定相应的行车道对的几何相似性。相似性值可以通过比较附加信息、例如行车道标记类型或者停车线和交通标志牌位置积累和改善。在假设相应的行车道对代表同一个实际行车道的情况下，生成相应的加权的姿态更新。姿态由彼此不同的移动产生，并且权重通过行车道彼此的相似性产生。在步骤27中，借助由此获得的所有姿态更新对当前的姿态假设进行更新。结果是新的姿态假设，其可以在所述方法的下一个循环中使用。附加地，可以将姿态假设输出至驾驶员辅助系统12。在步骤28中，借助转换至全局坐标系中的基于传感器的行车道更新所述方法的初始化或者最后的循环的行车道假设，并且将步骤26中的行车道数据的比较结果附加地用于行车道假设的更新。更新后的行车道假设同样可以输出至驾驶员辅助系统12，因此驾驶员辅助系统12可以基于姿态假设和行车道假设尤其在近距离区域内对机动车10进行控制。行车道假设可以根据地图数据扩展至期望的感知水平并且提供给驾驶员辅助系统12。

在方法20中，基于传感器的行车道数据的更新和姿态确定利用地图数据并行地进行，因此共同地优化。所述方法处理任意数量的行车道，因此也能够覆盖复杂的情景，如十字路口和出口。所有基于传感器的输入数据可以基于成本低廉的传感器，因为相应的不确定性可以通过正态分布包含在计算中。同样可以使用相对简单的地图数据，因此例如不需要直接在地图中提供地理参考的传感器特征。基于正态分布的显示允许在机动车中的普通微处理器上或者普通计算单元上在几毫秒内实现整个循环的计算，因此可以实时地用于机动车内的计算。

以下详细描述使用基于因子图的方法的前述方法的一种实施形式。

在所述方法中，使用成本低廉的传感器、例如GPS传感器和基于摄像头的行车道识别以及精确到行车道平面的地图对机动车进行粗略的定位，其中，同时更新所感知的道路网和位置确定。在此，使用与因子图适配的和积算法(Summenproduktalgorithmus)，其对观察到的和隐藏的变量之间的关联进行建模。和积算法也称为“置信传播(Belief Propagation)”或者“和积消息传递(Sum-Product Message Passing)”。“置信传播”可以与非循环图或者一般的图相结合地使用。如果图包含循环或者环路(“loops”)，则该算法也称为“循环置信传播(Loopy Belief Propagation)”。“置信传播”属于可以应用于因子图的所谓的“消息传递”算法。图内的“消息传递”(德语例如为“Informationsweiterleitung”)基于变量显示和平方噪声模型的多模正态分布，这实现了快速并且准确地确定的计算结构。模拟显示，位置确定精度相对于多数类型的测量噪声不敏感，除了全局姿态测量的恒定偏移，然而该恒定偏移仍可以以因数8降低。在城市情景中的平均定位误差为1.71m的真实环境中的测试证明了用于自动驾驶任务的方法的可使用性以及其实时性，其在一般的计算设备上的平均执行时间为3ms。

驾驶员辅助系统(英语：“Driver Assistance Systems”，DAS)的趋势朝向辅助或者甚至引导自动驾驶的方向发展。这些任务需要可靠地了解当前环境，尤其是识别可驶过的区域以及其中的道路和行车道网络的几何和拓扑结构。

人们在这些驾驶任务中使用他们的视觉感知和关于通常情况的基本知识、结合附加的信息源，例如道路地图，以改善对于情景的了解。自动系统应用相同的原理，方式为它们应用例如来自摄像头或者距离传感器的传感器输入以及静态源、例如地图，结合全球定位系统。然而，这些系统的输入数据是有噪声和误差的。基于传感器输入的行车道识别可能受到几何噪声的干扰，在整体上忽略行车道或者没有识别出存在的行车道，即相信错误的结果，这导致拓扑上的不清楚，所述不清楚至少线性地随着距离增大。道路地图数据可以提供具有精确到行车道平面的精度和无限的有效距离的拓扑结构。然而，其产生可能具有几何不准确性，甚至具有其它拓扑误差，例如由于实际的道路网的改变产生的误差。附加地，所需的全球定位系统通常取决于外部输入，例如卫星的输入。因此，其只在一定程度上是准确的。

因此，在以下描述的实施形式中，使用传感器输入的有噪声的行车道假设、具有精确到行车道平面的精度的有噪声的道路地图和有噪声的全局定位信息，来同时改善所有三者的精度。这通过以下方式实现，即，所有测量值和传感器数据与道路地图数据之间的对应关系作为边界条件汇集在特殊设计的因子图中，所述因子图的最佳参数通过使用循环置信传播来得到。

以下首先给出因子图和循环置信传播的理论背景，所述理论背景对于全面理解之后描述的实施形式是必需的。

因子图是用于概率变量和其条件相关性的组的图形显示。因子图仅根据子分组的随机变量将相关的概率分布P(x₁，x₂，…，x_n)分解为因子Ψ_i，如在方程(1)中显示的那样，其中，Z是标准化常数。

因子图通常显示为单向图，其具有圆形节点作为变量和矩形节点作为因子，它们通过棱边对于每个在因子中使用的变量相连，如图3所示。

常见的任务是，考虑观察到的已知变量X_o的给定值，确定隐藏的、即所谓的“hidden”变量X_h的边缘分布。因子图可以减小，使得其显示条件概率P(X_h|X_o)，方式为所有观察到的变量远离该图，并且将因子中的变量的所有活动(Vorkommnisse)设置为观察到的值。可以通过信息传递算法、即所谓的“Message Passing”算法、例如和积算法，使用因子的相关性来分配这些观察，方式为按照方程(2)递归地发送信息，即所谓的消息或者“Message”，m_i→j。

从节点i发向节点j的消息是除了j次的来自所有邻居N_i的所有进入消息与配属的因子的乘积，所述配属的因子被边缘化到节点j使用的变量S_j的子集。对于变量节点，Ψ_i可以假设为1。变量的最终边缘分布是所有进入消息的乘积。

因为进入消息之前必须是已知的，所以必须在时间上协调消息处理，以满足这些先决条件。类似于树的因子图确保了找到在全局上正确的解决方案的时间流程。然而，循环图没有有效的时间计划，因为一个循环中的所有消息需要所述循环中的另一消息的输入。

尽管如此，实证研究表明，如果重复所有更新直至收敛，则和积算法可以找到局部最佳的解决方案。在这种情况下，可以将具有统一分布的消息初始化。所产生的算法则称为“循环置信传播”。

在以下描述的实施形式中，使用用于同时定位和映射技术(“Simultaneous Localisation and Mapping”，SLAM)的因子图，以便一般地针对任意的曲线和机动车在曲线中的布局确定道路网的行车道。为了实现这一点，需要考虑以下两个任务。第一，通过用于将新的测量补充到关于现有特征(也就是姿态和行车道)的当前概率中的方法显示该概率分布的问题。并且第二，现实世界中的相同对象的测量之间的对应问题，也就是在不同时间观察到的道路地图中的行车道和行车道之间的对应问题。对应问题和变量的测量值更新通常分开解决。然而，它们可以同时解决，方式为一次考虑多个可能的对应关系。在图4中示出了一般原理，其中，将当前的姿态和当前的行车道假设与新的行车道观察组合，方式为确定适当的对应关系，并且基于这些对应的行车道更新行车道几何形状和姿态。附加地考虑由全球定位系统提供的全局姿态测量和由机动车本身的测量单元提供的里程测量。

图4示意性地示出了更新循环。将现有的多模姿态假设和行车道假设与新的行车道观察组合，方式为搜寻类似的行车道，并且使用这些对应关系，来更新行车道和姿态。

两个问题作为一个唯一的因子图建模，所述因子图通过应用在表格1中定义的变量考虑所有附加的输入源。

所有姿态相关的变量在具有取向或朝向的2D位置的集合P＝R²∩R_[-π,π]中定义。所有曲线相关的变量定义为C中的行车道中线，其中，所有函数的范围通过应用自然参数化将区域参数z∈[z₁,z₂]映射到P中的姿态上，也就是γ(z_i)与γ(z_j)之间的曲线γ的弧长是|z_i-z_j|。表格中的变量标记为监视(o)或者隐藏(h)。需要注意的是，因子图中的变量的数量必须事先是已知的。因此，针对对应于相应的行车道观察的相应的实际行车道使用自己的变量，因为其总数量可以预先确定或者选择得足够大。实际行车道的真实数量是未知的，并且仅可以暗含地由每对行车道的指示变量推导出。

图5示出了相应的因子图。在该因子图中，这些变量与因子相连，所述因子描述必要的前提条件和假设的条件相关性。该图的左侧部分解决了姿态追踪，并且在因子图显示中是马尔可夫过程(Markov-Prozess)。中间部分确保了行车道、例如曲线的更新，而右侧部分包括对应问题。该图对应地延伸到全部数量的时间步长和行车道观察。总地来说，具有五种不同类型的因子，其对一种类型的观察误差进行建模：

1)因子Ψ₁(参见方程(3))在假设正态分布的测量噪声具有协方差的情况下，将当前的姿态p^t与观察到的姿态q^t相连，其中，N_[μ,∑](x)是在点x处的多维正态分布函数的值，其具有中间值μ和协方差阵列∑。

2)因子Ψ₂(参见方程(4))将两个依次相续的时间步长的当前姿态与里程测量o^t相连，其中，又假设正态分布的测量噪声具有协方差

3)因子Ψ₃(参见方程(5))将地图资料m_i的行车道与相应于该地图行车道的实际行车道l_i相连，其中，对于地图资料的所有点，假设正态分布的建模不准确性具有协方差∑_m。假设曲线使用相同的参数z，由此在曲线点之间产生统一的映射。该因子通过相连区域的长度‖Z‖被标准化，以得到类似的值。没有连接区域的曲线的因子被设置为零。

4)因子Ψ₄(参见方程(6))将传感器数据y_i的行车道观察与实际行车道l_i相连，所述实际行车道相应于该观察和观察时间点的当前姿态。又对具有正态分布的观察噪声∑_yi(z)的实际行车道和测量之间的差进行建模，所述观察噪声针对观察到的(以z参数化的)曲线的每个点单独给出。相应地，以相连区域的长度‖Z‖将因子标准化。

5)因子Ψ₅(参见方程(7))将实际行车道(l_i,l_j)的对与其二进制显示变量s_ij相连。小的恒定值α调节相似性阈值，通过所述相似性阈值将两个行车道标记为相同或者不相同的(0＜α＜1)。当条件是真时，显示函数l(cond.)取值1，否则取值0。相连区域的长度也是‖Z‖。

因为所提出的因子图包含循环，所以需要针对消息传递的时间计划，以便能够运行“循环置信传播”算法。因为该图包含与时间相关的变量，所述变量在运行时包含在实时计算中，所以信息仅可以传递至未来，而不会往回传递至过去，以便确保消息传递循环的恒定运行时间。然而，可以在每个时间步长以新的信息对与时间无关的变量进行更新。因此，它们的消息在每个时间重新计算一次。虽然每个时间步长的多个消息传递循环可能导致更快的收敛，但优选这只进行一次，因为慢的收敛改善全局最佳解决方案的寻找。考虑所提到的方针，使用在图5中通过箭头和其标号示出的时间流程，来执行“循环置信传播”算法，所述算法最终收敛到所有隐藏变量的联合概率的局部最佳。

将所述方法应用到现实世界中的问题需要适当地显示所有变量和方法，以便使用这些变量来计算因子图的消息。必须显示三种不同类型的变量分布：集合P中的姿态、集合C中的曲线或者行车道和二进制显示变量。

a)姿态变量和消息：作为具有平均姿态μ_i的正态分布和用于位置与角度的协方差阵列∑_i的加权混合，来近似姿态分布p，这产生形式因为可以假设所有角度方差相对较小，所以通过近似具有简单的正态分布的包络角度分布来简化计算。

一般的消息计算(参见方程(2))需要将这些分布相乘并且边缘化。通过应用所有正态分布的特性，即适用∫cN_[μ，∑](x)dx＝c，可以简单地实现边缘化，并且可以通过应用方程(8)来计算两个姿态分布的乘积。

为了避免混合分量的数量增加，可以使用方程(9)，通过单个分布来近似相似的分量。

b)曲线变量和消息：对于每个点z∈Z，作为具有单姿态分布γ(z)∈P的多边形链显示曲线分布，其中，Z是显示的点的组。将其之间的姿态分布假设为相邻点的线性插值。因此，可以根据需要使用附加的曲线点，并且可以通过去除已经与其相邻点的线性插值类似的点，来减少每个曲线的点的总数量。

认为曲线参数z对于涉及多个曲线的所有消息计算是相同的。为了找到两个曲线的该共同的参数z，确定这些曲线的原始参数z₁和z₂之间的偏移，方式为将两个曲线的所有点投影到彼此上，并且使用原始点与其到另一曲线上的投影之间的平均参数差作为参数偏移。通过使用这种假设，可以应用两个另外的简化：

1)可以分开针对每个在所涉及的曲线中定义的z，计算所有涉及曲线的消息。

2)因子Ψ₃、Ψ₄和Ψ₅中的积分则减少为其被积函数，因为整个定义区域仅仅是目前计算消息的单个z。

需要注意的是，这些简化不能应用于在图5中以10表示的消息，因为所涉及的曲线处于不同的坐标系中。因此，需要分析针对每个可能的曲线参数对的积分，这形成加权的姿态分布的整个组。

c)二进制显示：它们通过范围[0,1]内的概率值来显示，这实现了通过连续的概率s_ij或者1-s_ij代替Ψ₅中的显示函数。

总地来说，所示出的过程足够用于使用方程(2)的一般公式计算所有消息，其中，保持所选择的变量的显示。此外，计算在计算技术上是有效的。有效的两个主要原因在于，第一，所有因子只应用平方噪声，因此能够进行在很大程度上基于正态分布的关联显示，并且第二，可以使用所提到的近似，来将混合分量或者每条行车道的点的总数量限制在恒定的最小值，以确保每个更新循环的有限的最大运行时间。

以两种方式分析所述方法的前述实施形式：在模拟的测试数据上和在实际情景中。

准确的输入的模拟和人造噪声的加入实现了系统的测试，其产生了对不同类型的传感器噪声的敏感性，这在实际测试中是不可能的。所应用的测试环境产生连贯道路，其具有：随机的曲率、随机的曲率改变和随机的行车道数量，其中，随机地划分或者整合行车道；以及相对于主行驶方向具有随机的角度的十字路口。通过沿着这些行车道伴随着其之间随机的行车道改变的行驶来模拟当前的姿态。所模拟的情景覆盖了在农村或者城市环境中出现的大多数情况。不同类型的噪声被加入在所述方法中使用的输入数据中。全局位置测量具有正态分布的偏移并且全局角度测量具有偏移行车道测量被限制在其视线区域l_y中，并且通过标准偏差σ_l、σ_α或σ_c加入随机的几何不准确性、例如侧向的、成一定角度的或者弯曲的偏移。行车道随机地以概率y_-逐渐隐去或者以概率y₊加入。

通过模拟100km的行驶分隔开地分析每个噪声源。图6示出了噪声的每个源和大小的平均定位误差。图6清楚地显示，行车道(l_y、σ_l、σ_α、σ_c、y_-、y₊)的几何不准确性以及白色噪声在测量全局位置和角度(σ_q、σ_α)时，仅对定位精度有微小的影响，其相比完美数据具有0.21m的最大上升。全局位置和角度的测量的系统偏移对误差具有较大的影响，其中，该算法仍能将系统定位误差μ_q减少8倍。

除了总距离误差之外，还观察其它的分析标准：距离误差的侧向分量、平均角度误差以及正确地识别出行车道之间的对应的时间比例。与噪声的源和大小无关(在测试范围内，如图6所示)，平均侧向误差总是保持在0.40m以下，平均角度误差在0.011rad以下，并且正确对应率在0.987以上。这些值显示，正确的行车道的识别、侧向偏移和角度对于噪声非常不敏感。因此，通过有噪声的测量引入的距离误差主要再现于纵向偏移中。

实际的测试通过具有精确到行车道平面的精度的道路地图、标准GPS和行车道识别系统来执行。图7示出了行驶的典型场景以及道路地图和所计算的姿态。使用具有小于5cm的偏差的高度精确的定位系统作为参考。在德国沃尔夫斯堡的总长度为13.2km的行驶中，所计算的全局位置相对于参考系具有1.71m的平均总偏移、0.39m的平均侧向偏移和0.009rad的平均角度偏移。图7在左侧作为可视化辅助结合卫星图像示出了地图的行车道和全局姿态测量71。中间示出了摄像头图像和由此产生的行车道测量。右侧是计算的行车道中线72、73和74的隐藏变量以及机动车姿态75至78，其中，具有最大概率的姿态是姿态76。

附图标记列表

10 机动车

11 布局确定设备

12 驾驶员辅助系统

13 连接

14 传感器、摄像头

15 处理设备

16 天线

17 机动车总线

18 车轮传感器

20 方法

21-28 步骤

71 全局姿态测量

72-74 行车道中线

75-78 机动车姿态