创建视距集合的方法和视距采集装置与流程

本发明涉及一种用于创建视距集合的方法。确定至少一辆机动车的当前位置。此外，本发明涉及一种具有相应地创建的视距集合的视距采集装置。

背景技术：

由地图数据计算视距是已知的。视距通常表明可以看到多远的道路。视距可能会受到例如障碍物的限制。通常，由地图数据计算出的视距为机动车的超车辅助装置提供支持。

然而不利的是，由地图数据计算出的视距并不总是与现实相符，因此只能不精确地支持超车辅助。

技术实现要素：

因此本发明的目的是，提供一种方法和一种视距采集装置，在该方法中或利用该视距采集装置可以更精确地提供视距集合。

该目的通过根据独立权利要求的方法和视距采集装置来实现。

在根据本发明的方法中创建视距集合。执行以下步骤：

-确定至少一辆机动车的当前位置；

-确定在当前位置处的当前视距，该视距描述机动车驾驶员能看到前方道路上多远的距离；

-将视距从机动车传输到视距采集装置；

-基于所传输的视距创建视距集合；

-预先确定在该位置处的预期的视野障碍变化；和

-基于预先确定的视野障碍变化调整视距集合中的视距。

本发明基于这样的认识，即，由机动车的传感器数据产生的视距集合比基于地图数据产生的已知的视距集合更准确。本发明还基于这样的认识，即，视距集合例如由于自然植被或由于人为干预而随时间变化，并且因此应当定期调整视距集合，以便能够继续提供关于视距的准确信息。视距的改变可以通过预期的视野障碍变化来预先确定。例如，可以根据原有知识确定，植被在哪个季节或一天中哪个时间改变。例如，还可以根据原有知识确定，施工场地何时将在特定位置开始。然后由此可以推论，将在可预先确定的时间内在此处建造新的建筑物，这将导致视野障碍变化。但是，也可能是这样的情况，例如，建筑物被拆除，由此视野障碍变化不再存在或施工场地被清除。

当前的视距例如由机动车的环境传感器确定，然后特别是无线地从机动车传输到视距采集装置、例如车辆外部的服务器。然后，例如，在视距采集装置中基于所传输的视距来创建视距集合。视距集合特别是可以作为数据库使用。基于原有知识、例如取决于已知的植被周期的视野障碍变化，预先确定该位置处预期的视野障碍变化。随着该预先确定的视野障碍变化，然后通过视距集合来调整视距。

在另一种实施形式中，借助于算法和来自该数据库及其他数据库的数据来创建视距信息。例如，特定植物的生长按照规律进行，这导致视野障碍。根据枝叶状态可以预测冬季的透明度。这些规律可以反映到特定模型中，这些特定模型也使用气象数据库中的数据。由此可以减少传感器数据的上传数据量。还可以使用来自其他数据库中的数据，例如官方(数字地籍)或其他传感器平台、例如无人机的数据。由此形成更稳定和更可靠的信息，这对于诸如超车等与安全相关的过程至关重要。有效减少了要传输的数据量。建筑物可以存储为3d模型，从而可以根据行进方向更准确地确定视距。该确定也可以通过在后端计算出的算法来实现。

有利的是，可以验证由地图数据计算出的视距的可靠性。先前未记录的路段也可以使用根据本发明的方法来记录。

具有提高的准确性的视距集合特别有利于应用在至少半自动驾驶或辅助驾驶中。

优选提出，作为视野障碍变化预先确定在所述位置上的植被变化，并根据植被变化来调整视距集合中的视距。植被变化可以例如通过评估已知的植被周期来确定。例如，已知落叶树木在春天生长叶子而在秋天落叶。例如还已知，例如作为视野障碍存在的玉米田在整个植被周期中观察具有什么高度。例如，播种后不久和收获后，玉米通常不是视野障碍，而玉米在收获前不久可能会造成相当大的视野障碍。例如，当前位于当前位置的特定植被也可以例如通过机动车的环境传感器来检测，或者可以通过遥感数据或简单地从数据库中读取。例如，农民为了申请补贴通常会说明，在本季节在特定田地种植哪种农作物。该数据可以例如从例如欧盟当局的数据库中读取。

通过考虑植被变化，更准确地创建视距集合。

此外，优选地提出，预先确定在所述位置处的建筑物变化作为视野障碍变化，并且基于所述建筑物变化来调整视距集合中的视距。通过建筑物变化例如可以描述新建的建筑物或拆除的建筑物。例如，建筑物变化还可能涉及道路网络上的建设项目，例如新的桥梁或新地下通道。例如，还可以从负责的建筑管理局提供的数据库中调用建筑物变化。例如，可以在数据库中定期说明施工进度或至少说明施工开始以及计划的施工结束日期。根据建筑物变化，可以以更准确的视距创建视距集合。

此外，优选提出，确定用于视距的品质值，该品质值描述在确定视距时机动车的当前环境状态，并且将品质值随着视距存储在视距集合中。品质值表示所确定的视距的所谓品质。品质值包括例如一天中的时间、亮度和/或天气。因此可通过品质值，使用与天气有关的因素，例如雾、雨、特别是大雨、太阳和/或黄昏，稍后例如在机动车或视距采集装置中校正视距。稍后的校正特别是与已经描述的视距调整意义相同。品质值可以例如作为标量存在，该品质值由描述环境状态的各种加权值构成。

此外，优选提出，视品质值而定，用另外的视距代替视距集合的视距。该另外的视距优选地是比视距集合中的视距新的视距。然后，优选地，如果该另外的视距具有高于品质限值的品质值，则仅由该另外的视距代替所述视距。也可能是，例如对在确定视距和确定另外的视距之间的时间间隔加权并且对品质值加权。然后可以通过时间间隔和品质值的组合来确定，是否由另外的视距代替所述视距。例如也可以提出，如果较新的视距具有明显较低或较差的品质值，则宁愿保留较旧的视距。

优选提出，将经调整的视距从视距集合传输到另一机动车上。例如，调整后的视距集合可以无线地、特别是通过移动无线电网络从视距采集装置传输到另外的机动车。然后，另外的机动车可以使用由于该调整而更精确的视距。例如，另外的机动车可以将经调整的视距用于驾驶员辅助系统或至少半自动或自动驾驶。

特别是提出，具有相应视距的视距集合由具有多个机动车的车辆群创建。通过使用车辆群创建视距集合，可以更快且更准确地创建视距集合。车辆群的车辆例如可以彼此联网，但是至少车辆群的车辆优选地与视距采集装置联接，或者车辆群的车辆至少被设计为将所确定的视距传输至视距采集装置。

此外，优选提出，在视距集合中的视距通过机器学习来调整。优选地，各个视距通过车辆群传输到视距采集装置，并在那里借助于基于数据分析方法例如变换、建模的自学习系统，或借助于机器学习或人工智能方法，例如神经网络、svm方法(svm-支持向量机)、深度学习、knn(人工神经网络)或回归法，以及图像处理方法，基于视野障碍变化而进行调整。通过使用机器学习来调整视距，可以更精确地调整视距，并且可以处理更大得数据量。

本发明还涉及一种视距采集装置。该视距采集装置具有根据本发明的视距集合。

视距采集装置优选地被设计为服务器或所谓的后端。

根据本发明的方法的有利的实施方式也被认为是视距采集装置的有利的实施方式。

附图说明

本发明的其他特征由权利要求书、附图和附图说明得出。

下面借助示意图更详细地说明本发明的实施例。附图示出了根据本发明的用于创建视距集合的方法的实施例。

具体实施方式

附图示出了处于当前位置2的机动车1。机动车1位于道路3上。

根据该实施例，机动车1具有至少一个环境传感器，优选地是摄像机、雷达传感器、超声波传感器、lidar或激光扫描器。机动车1特别是借助环境传感器确定当前的视距4。该视距4描述了机动车1的驾驶员能够看到位于其前方的道路3上多远的距离。视距4可以例如通过雷达传感器确定，方式是基于雷达信号的传输时间确定视距4的距离值。雷达信号例如被视野障碍5反射回去，并且可以确定视距4。视距4例如为80m或250m。视野障碍5是例如植被6或建筑物7的形式。

当前位置2优选地由全球导航卫星系统(gnss)确定。

因此，机动车1确定在位置2处的视距4，并将视距4特别是与位置2一起、特别是与机动车1的定向一起、并且特别是与机动车1的行进方向一起，传输给视距采集装置8。视距采集装置8至少在该实施例中被设计为服务器或所谓的后端。视距采集装置8可以集中存在或作为分布式系统存在。

根据该实施例，在视距采集装置8中创建视距集合9。根据该实施例，视距集合9可作为数据库。数据库优选地被设计为关系数据库，其将视距4与位置2以及另外的仪表数据、例如检测时间、品质值10和检测日期一起存储。

视品质值10而定，视距4被另一视距11替代。根据该实施例，另外的视距11比视距4更新。如果现在另外的视距11的品质值10大于品质阈值或大于视距4的品质值10，则视距4被另外的视距11代替。例如，如果不是这种情况，则视距4不被另外的视距11替代，而是该另外的视距11例如被丢弃或以其他方式存储。

根据该实施例，预先确定了预期的视野障碍变化12。视野障碍变化12描述了视野障碍5、例如植被6或建筑物7预计如何变化。因此，例如可以基于植被6或建筑物7的未来发展的可能性来预测视野障碍变化12。例如，作为植被6可以假设夏末收获前不久的玉米田比播种后不久或收获后的玉米田高。在建筑物7的情况下同样，可以假设施工现场的开始时的建筑物比例如在施工阶段结束时的建筑物矮。在拆除阶段的情况是相反的，例如，通常在拆除阶段期间建筑物逐渐变矮，并且因此视距4再次增加，这是因为建筑物7于是不再作为视野障碍5而存在。

基于预期的视野障碍变化12，调整或校正来自视距集合9的视距。例如，可以在视距采集装置8中调整视距，或者在视距采集装置8之外调整视距4。

视距4特别是在通过视野障碍变化12调整之后被传输到另一机动车13。然后，与无视距4的情况相比，该另外的机动车13例如可以利用视距4更精确地执行超车过程14。

也可能是，视距4被传输到另外的机动车13，并且在另外的机动车13本身中调整视距4。还可能的情况是，仅一个校正值、即视野障碍变化12本身的变化被传输到另外的机动车13，并且另外的机动车13也存在有视距4，因此该视距4本身并不总是传输到另外的机动车13，而是仅传输视野障碍变化12。

根据该实施例，不仅确定了视距，而且还通过车辆群15确定在不同位置处的多个视距。然后，所述多个视距4被传输到视距采集装置8，并且在那里被添加到视距集合9。

根据该实施例，利用机器学习基于视野障碍变化12来调整视距4。视野障碍变化12可以通过机器学习或使用大型数据(大数据)来预先确定。

在视界采集装置8中，例如进行地图匹配、品质阈值的学习或校正因子的计算或视野障碍变化12的计算。

附图标记列表：

1机动车

2当前位置

3道路

4视距

5视野障碍

6植被

7建筑物

8视距采集装置

9视距集合

10品质值

11另外的视距

12视野障碍变化

13另外的机动车

14超车过程

15车辆群