本发明涉及提供与车辆环境有关的数据的车辆系统，特别是车辆附近的障碍物和对象。具体来说，本发明的方面涉及一种确定轮廓或边界的改进方法，该轮廓或边界向车辆指示未经许可区域并且可应用于碰撞警告和其它此类系统。
背景技术：
已知为车辆配备雷达系统和/或摄像机系统以便于表征车辆周围的环境。这种系统能够提供车辆附近的对象的检测，特别是在向前看的方向上。因而，对图像数据和/或雷达反射数据的处理使得能够检测和表征车辆附近的对象。这种对象识别或检测例如可以被用于检测静态对象(诸如护栏、墙壁、树木、边界、树木、立柱或静止车辆)，或者移动对象(诸如其它车辆或行人)。这种数据可以被处理并用于提供例如禁止车辆移动的边界(线)或轮廓线以便防止碰撞。
在这种先进驾驶员辅助系统(adas系统)中，安装在车辆和/或天线阵列上的两个摄像机可以被用于检测/识别和表征这些对象。具有adas系统的典型车辆配备有适于检测从对象反射的雷达反射(回波)的天线单元/阵列和接收器单元。这些雷达反射还被称为检测。这样，可以表征周围环境并且可以检测对象。另选或另外地，可以使用摄像机来捕捉环境的图像和利用已知图像处理技术从这些图像中识别的静止或移动对象。通常还需要在不同类型的对象(例如，其它车辆、行人或其它对象)之间进行区分，并且还区分这些对象是移动的还是静止的。
被处理以确定车辆附近的对象的数据可以从雷达数据和相机数据两者导出。这种数据通常被称为由摄像机和雷达提供的数据的多传感器融合。
对象可以被分类为类或组，举例来说，诸如车辆、骑车人以及行人。这样的对象被认为是被称为单一对象(so:singleobject)的单一实体。
有时，问题是需要处理的对象的绝对数量。这引入了瓶颈；在计算资源有限的硬件中，有大量的这种对象需要在通常有限的时间内处理。问题还在于仅有限量的数据可以通过数据总线在单个系统中的两个或更多个计算单元之间发送。
这个问题在城市环境中变得尤为明显，其中，so(行人和其它车辆)的数量通常比例如高速公路上的so要多得多。这种对象的数量通常因硬件限制也高于由当前adas系统可以处理的数量。而且，这种对象的参数(如速度/方向)的变化在城市环境中更加不可预测和动态化。例如，行人可以突然改变他们的运动、方向和速度。算法必须从一组so中快速选择最重要的对象，通常以安全相关标准为基础，并详细关注它们。考虑到例如由被用于增强对象参数的过滤器所引入的延迟，该任务通常并不普通。常见问题之一是因两个或多个so的重叠或连接而可能丧失置信度。该问题在对象彼此接近定位的城市环境中是很常见的。另外，每个so都需要通过必须保持在存储器中的一组参数(包括位置和速度)来表征。
本发明的目的是克服这些问题。
技术实现要素：
在一个方面，提供了一种表征与主车辆有关的环境的方法，所述车辆包括适于检测所述车辆附近的单一对象的一个或更多个系统；所述方法包括以下步骤：
i)确定所述车辆附近的多个单一对象的空间位置；
ii)基于每个单一对象的一个或更多个属性，将多个所述单一对象分组成至少一个组；
iii)随后将所述组的对象处理为单一组对象。
步骤iii)可以包括形成有关所述组的单一边界的步骤。
所述边界可以是局部边界，所述边界通过处理所述组中接近所述车辆的那些单一对象的空间位置来制定。
所述对象可以是移动对象，并且可以根据它们的空间位置来分组。
所述方法可以包括以下步骤：识别一群单一对象。
所述对象可以根据下列参数中的一个或更多个来分组：对象类型、空间位置、速度以及移动方向。
所述对象类型可以是骑车人或行人之一。
所述方法可以附加地包括以下步骤：跟踪所述组中的一个或更多个对象的移动，并且随后重新制定一个或更多个组的边界。
所述方法可以包括以下步骤：确定第一组中的一对象是否移动以致其相对于所述车辆，相比于所述第一组的边界相比更接近第二组的边界，并且如果是这样的话，则将所述对象分配给所述第二组。
所述方法可以包括以下步骤：在所述单一对象移动之后，对a)在所述单一对象被视为属于所述第一组时相对于所述车辆跨所述第一组的角增大与b)在所述单一对象被视为属于所述第二组时相对于所述车辆跨所述第二组的角增大进行比较，并且依赖该比较，确定所述对象应属于所述第一组还是所述第二组。
所述方法可以包括以下步骤：合并两个组以形成单一组。
所述方法可以包括以下步骤：重新制定所述第一组、第二组或合并组中的一个或更多个组的边界。
如果第一组中的任何单一对象在第二组的任何单一对象的预定距离内移动，或者如果两个相邻组相对于所述车辆的跨角小于预定阈值，则可以合并所述组。
在步骤a)中被用于确定所述多个对象在所述车辆附近的空间位置的数据可以由下列车载系统中的一个或更多个导出：摄像机、雷达以及lidar系统。
附图说明
下面，参照附图，通过示例对本发明进行描述，其中：
图1a、图1b和图1c示出了具有边界的群体对象的形成。
图2和图3示出了如何制定关于群体对象的边界。
图4a和图4b分别例示了用于在fir滤波和移位之前和之后使群体对象的边界形状平滑的方法。
具体实施方式
技术发展水平
在典型的当前方法中，算法尝试识别和跟踪诸如行人和车辆的每个移动对象，即使这些对象彼此非常接近地定位。
在本发明的一个方面中，引入了描述相同类型(例如，行人)或相似类型(例如，行人和骑车人)的一组分离/单一对象的(新)对象类别，它们彼此靠近定位和/或单一对象的其它属性具有相似的值(例如，速度的相似绝对值、方向(例如，行走方向)的相似的值等)。新的对象类可以被称为群体对象(co)。
该对象类(群体对象)随后可以通过诸如汽车先进驾驶员辅助系统(adas)算法的已知方法进行处理，诸如提供关于群体对象的边界或轮廓。
换句话说，在本发明各个方面，多个单一对象被分组并且被视为用于后续处理步骤的单一(群体)对象。后续处理步骤可以例如制定关于群体对象的边界，划分车辆不被许可的区域或生成距离或碰撞警告。具体来说，制定关于群体对象的单一边界。
所以，例如具有相似属性的相似对象可以被分类为单一(群体)对象，以用于进一步的处理步骤。例如，一组行人可以被视为单一“群体”对象，而不是单一对象的集合。在示例中，单一对象(例如，形成群体对象的行人)可以根据诸如大体方向或行进速度的其它属性进行分组。
在一个方面，单一对象(诸如行人或骑车人等)被分组在一起，以基于接近度形成单一“群体”对象。因此，单一对象的集群(即，彼此靠近)被分组在一起。
一组行人通常沿同一个方向移动运动；因此，在高级方面，根据诸如速度的其它属性(例如，可选地，除了接近度之外)来确定群体对象。行人经常按组沿着同一个方向前进；通常是道路上的两个方向，如通过人行横道或沿着人行道。如将变得清楚的，本发明产生增强的效率。另外，骑车人经常以团体旅行，还沿同一方向和/或以相似速度行进。通过将沿同一总体方向和/或按相同速度行进的单一对象(如骑车人和行人)进行分组，可以减少处理。因此，本发明各个方面通过减少在分析场景期间必须处理的对象的数量来简化后续分析。代替具有带单独属性的一组对象，仅利用其自身一组属性来制定一个群体对象。
假定有n个单一(个体)对象，每个对象都具有m个属性，群体对象可以被制定成总共具有p个属性。在分组操作(即，群体形成)时，通常为n·m>p，甚或n·m>>p。在m<p的情况下也会发生这种情况。
本发明各个方面提供了对主车辆周围的实际情况的更好的语义描述。例如，把在人行道上彼此靠近地行走的一组人描述为群体比将相同的人视为分离和独立的对象能更好反映现实。这因创建群体的对象的特定属性(例如，速度、步行方向等)实际上彼此并不完全独立而发生。
通常来说，在现有技术系统中，存在包括大量单一对象的拥挤场景，即，识别(彼此区别)特定so，但往往具有值较低的所谓置信水平。so的置信水平的低值意味着系统“不确信”关于该so的存在和分类。这进一步导致对象(so)潜在地具有特定属性的不正确值。
在本发明的各个方面，在so被分组成单一(群体)对象co之后，该co的置信水平将高于该co中的特定so(成员)的置信水平。
在拥挤场景中，如果co被检测为最靠近车辆的一个，那么该co将实际上遮掩其后面的所有对象。
详细描述
在各个方面，确定了将给定类型(或者也可能是不同类型)的许多(单一)对象分组在一起的新“群体”对象(co)。第一阶段检测单一对象，并将这些单一对象分组以形成至少一个群体对象。这些单一对象因此被选择为具有相似属性。根据以下中一个或更多个，可以将单一对象分组为特定群体：对象类型(例如，行人)；在单一对象彼此靠近的情况下(即，在识别了一群接近地分组的单一对象的情况下)的位置；单一对象的行进速度和/或方向。
在下一步骤，形成与分组的对象(群体对象)有关的边界。从主车辆的角度来看，确定边界时最重要的要求是确定因被该群体占据而禁止车辆的区域(不透明)。
因此，根据一个方面，形成表示群体对象的外围(或其部分)的边界。
该边界可以仅由外围的、最靠近主车辆的部分形成。所以，在各个方面，基于仅被选择的so(通常位于与主车辆最接近的位置)的参数来确定边界的形状。
一旦识别了群体对象，该边界就可以由单一对象的已知位置来确定，并且可以通过已知技术来确定。而且，该边界可以因动态变化而改变；即，由于组成该群体对象的个体单一对象的移动而改变。边界可以通过已知技术确定，如粘接二次贝塞尔曲线(gluedquadraticbeziercurve)或多项式线或虚线。边界制定的考虑因素包括计算边界所需的计算复杂性；例如，由于这个原因，度数大的贝塞尔曲线并不是优选的。
独立于所选择的类型的线，边界可以通过与主车辆的环境有关的一组点来描述，特别是通过单一对象的位置来描述。边界可以由极坐标或笛卡尔坐标(坐标平面，其零点位于主车辆中)限定。
由于点(即，单一对象)的位置的动态变化，可以估计或跟踪单一对象的轨迹以便预测未来的边界(形状)。
如上所述，群体对象的边界可以是根据最靠近主车辆定位或处于主车辆的总视线的单一对象所制定的局部边界。因此，例如，可以仅使用一组单一对象(例如，行人)中的前排来形成群体对象的边界。当考虑防止车辆行驶的区域时，考虑远离车辆的那些单一对象并不重要；例如，位于其它对象后面。这样就减少了处理时间和要求。优选的是，取决于群体中so的分布，被用于制定群体对象边界的点的数量不多于5至15个。结果，所得的关于边界的参数的数量远小于将行人/车辆视为分离对象的情况的对应参数的数量。
确定co的边界可以通过已知的多传感器数据融合算法来执行。这样的算法处理从不同数据源(例如，摄像机、雷达以及lidar)接收到的数据。
一旦制定了群体对象边界，后续任务可能是在已知的后续方法(例如，诸如目标选择(tsel)算法以及自主紧急中断(aeb)算法)中使用这些边界。该任务通常包括确定主车辆的轨迹是否与周围的co有共同的区域。
在当前使用的算法中，行人、骑车人以及车辆被视为分离的对象。可以按实况处理这种对象的数量因上述瓶颈而受限。如果一大群so被仅几个co所代替，那么这个问题将被极大减小。
根据各个方面，co将许多so(交通参与者)分组，并且在后续处理中，该方法可以只关注被视为统一的co的最重要特征，而非关注分离的so。这大大减少了必须处理的数据的量。
在各个方面，so被认为是动态的，即，它们移动(行人和车辆)，因而按改善的方法，预测/确定所选择的点(位于边界上)的轨迹。以这种方式，一个或更多个群体对象的边界可以及时重新限定。这可以通过跟踪单一对象来执行，并且优选地，例如只有最靠近主车辆的那些或者被用于制定边界的那些单一对象。
co可以被制定为检测单一对象或从一个或更多个不同类型的源(摄像机、雷达和/或lidar)检测，这允许创建主车辆的环境的动态“特设(ad-hoc)”地图，与仅基于雷达扫描的算法的情况相比，这提供了大得多的置信度。因为特定的so提供比单一的粗略雷达检测高的置信度，所以主车辆的视角可以被分成更少数量的隙，这大大降低了算法的复杂度。
如上提到，在优选实施方式中，co的边界是非静态的。换句话说，边界可能会根据更加新的数据而变化和改变。边界的形状可以取决于co中的特定成员(so)的位置以及主车辆的位置。而且，在高级实施方式中，群体对象可以是动态的，并且单一对象的移动可以重新定义群体对象。例如，根据单一对象的移动，该单一对象可以从一个群体对象中移除并添加至不同的群体对象。这两个群体对象的边界然后可以重新制定。
图1a、图1b以及图1c示出了例示的示例。在图1a的情况下，具有上述类型的适当传感器(雷达、摄像机))的车辆2根据图像处理或雷达回波处理来确定水平面(平面图)的二维空间中的许多单一对象。所述单一对象被分组成许多群体对象，这些群体对象被指定为co1、co2及co3。这些群体对象基于所述单一对象的地理位置来制定；这里，群体对象通过识别接近的单一对象集群(所有相同类型，例如，行人)来制定。将单一对象指派给特定群体对象取决于诸如对象类型、(行人)对象位置、对象速度/方向的属性以及聚类。一般来说，与其它对象靠近的单一对象可以形成同一群体对象的一部分。
在图中，车辆系统确定三个群体对象co1、co2及co3。在这些示例中，制定关于每个群体对象的边界，所述边界分别被制定b1、b2及b3。这种群体对象分别跨越角度β1、β2及β3。可以看出，这些边界可只是局部边界；局部边界是群体对象的最靠近车辆2的周边部分。
在图1b中，由于三个so的随后重新定位(由箭头示出)，群体对象的特定边界的形状被修改。单一对象1a、1b及1c移动，即，如箭头所示，移位它们的位置。因为co2与co3之间的间隙/距离因单一对象1b和1c的移动而变得小于预定阈值，所以群体对象co2和co3因此被连接成单个新的群体对象co4，co4具有修改的边界b5。关于co1，由于单一对象1a的移动，重新限定了群体对象co1的边界。1a的新位置使得其足够接近先前的群体对象co2(现在是群体对象co4)并成为群体对象co4的一部分。可以决定这个标准的一种方式(是否分配位置移位的单一对象)是，在此，角β1相对于群体对象co1的增加(如果单一对象1a保留为co1的一部分，则将为α1)在单一对象1a被移动至群体对象co2/co4时，大于群体对象co2/co4的角β2(其为α2)的增加。群体对象co2/co4与co1的新边界b5和b3分别被制定。
在图1c中，示出了当图1a的情况随着图1a的单一对象1a、1b及1c的相同位置移位以及主车辆2的位置移位而改变时所发生的情况。因而，相对位置都发生了变化。要注意，实际上，单一对象(例如，行人)和主车的移动同时发生。这里，它们仅出于例示的目的而分开示出。这里，如前所述，单一对象1b和1c的移动再次意味着群体对象co2与co3之间的间隙减小，使得co2与co3被组合以形成单一群体对象co5。在新的车辆位置的情况下，决定了单一对象1a将保持为co1的一部分，但其边界(b7)被重新制定。这是因为，从车辆的角度来看，角β1相对于群体对象co1的增大(如果单一对象1a保留为co1的一部分)在单一对象1a要移动至群体对象co2的情况下小于群体对象co2的角β2(其为α3)的增大。再次分别制定群体对象co2和co1的新边界b5和b3。
要注意，如果单一对象1d如图1b所示移动，则将不会影响边界，因为它在后面。
还要注意，群体对象可交叠。例如，拥挤的场景可能包括沿一个方向或另一方向移动的一组行人。可以制定两个群体对象，一个群体对象由沿着相似方向行进的组形成，而另一个群体对象由沿着不同方向行进的so的组制定。这里可能的是，存在在一个方向上行驶的单一对象(骑车人)，但该单一对象位于沿不同方向移动的一组其它对象(骑车人)的中间。在示例中，这个对象将不形成其所在的群体对象(组)的一部分。
如早先所述，可以使用几种示例类型的线来确定群体的边界的形状。好的近似提供了由直线段组成的虚线3(连续或不连续)，因为以非常高的精度确定边界的形状有时并不重要；这在图2中示出。直线段可以通过已知的插值和其它技术改善以形成更恰当的曲线(未示出)。假定可以设置安全边缘(safetymargin)，该边缘是群体没有实际占据的区域，但是也禁止车辆进入。具有安全边缘的边界轮廓在图2中用标号4例示。
为了确定形成co的边界的点的位置，其中一种可能的方法是使用特定so的极坐标。在这种方法中，根据特定so的角坐标进行分类。然后，如果将视角划分成某一数量的隙5，则可以在每个隙中确定最接近主车辆定位的so。这个so(代表给定的隙)可以潜在地用作属于co边界的点。如果边界是连续的线，则两个相邻的代表点由线连接起来，成为整个虚线的一段。这在图3中示出。
通过平滑整个虚线的形状，可以最小化给定co的边界中的点的数量。如果根据这些点所在的角来想象由特定点到主车辆的距离所组成的波形(在极坐标中，主车辆位于极坐标系的中心点)，则可以通过使用抗混叠有限脉冲响应(fir)滤波器或中值滤波器和随后的抽取(下采样)操作来平滑该波形。
然而，即使没有抽取操作，fir滤波本身允许平滑边界的形状，如图4a和图4b中呈现的。然而，在该方法中，由于以下原因，优选地引入附加的移位操作：在过滤操作之前，可以观察到具有相对较大幅度的振荡。在低通fir滤波之后，振荡的幅度变小，这可能导致从主车辆到所选择的点的距离增加的情况。这将导致汽车被禁止的区域缩小。为避免这种情况，总体所得波形可以按这样的值移位，其中全部所得的点至少与它们的对应初始点一样接近主车辆。图4a和图4b例示了用于平滑群体对象的边界的形状；图4a示出了fir滤波之前的边界，而图4b示出了滤波和移位之后的边界。
总之，实际的新的群体对象替代许多单一对象，从而简化了诸如adas算法的处理方法中的数据处理。各个方面提供了用于动态改变群体对象边界的能力。所述方法可以专用于静止对象和可移动对象两者，诸如行人和其它车辆。群体对象可以基于来自多个源(诸如摄像机、雷达和/或lidar)的若干数据来确定。这增加了使对象边界随时间推移而稳定的特定点的置信度。