用于对自动化程度较高的车辆(HAF)、尤其高度自动化车辆的数字地图进行验证的方法与流程

本发明涉及一种用于对自动化程度较高的车辆(haf)、尤其高度自动化车辆的数字地图进行验证的方法以及一种用于控制自动化程度较高的车辆(haf)、尤其高度自动化车辆的驾驶员辅助系统。

背景技术：

鉴于车辆的自动化程度越来越高，因此使用越来越复杂的驾驶员辅助系统。对于这种驾驶员辅助系统和功能，例如在高度自动化行驶或全自动化行驶中，在车辆中需要大量传感器，这些传感器能够实现对车辆环境的精确检测。

在下文中，“自动化程度较高”理解为所有如下自动化程度：所述自动化程度在德国联邦公路研究所(bast)的意义上相应于具有更大系统责任的自动化纵向引导和横向引导——例如高度自动化行驶和全自动化行驶。

在现有技术中，公开执行用于运行高度自动化车辆(haf)的方法的多种可能性。在此，为了提高高度自动化车辆(haf)在数字地图中的定位，需要能够确保数字地图的准确度，其中，在此出现以下问题：在数字地图中不能够或只能不完全地考虑例如由于施工工地、事故或其他类型的情况引起的短期路段变化，或者所述路段变化如此短期地出现，使得自动化程度较高的车辆(haf)、尤其高度自动化车辆不能足够快地掌握这些短期变化并且必须将车辆控制交还给驾驶员。这在交通安全方面可能是不期望的并且必要时也可能是危急的。

为了在尽可能所有情况中自动化程度较高地控制车辆，必需提供最大程度上无错误的并且相应于现实情况的数字地图。

因此，本发明的任务是，提供一种用于对自动化程度较高的车辆(haf)、尤其高度自动化车辆的数字地图进行验证的改进方法和一种用于控制自动化程度较高的车辆(haf)、尤其高度自动化车辆的驾驶员辅助系统，借助所述方法可以可靠地确定数字地图的当前性

技术实现要素：

该任务借助独立权利要求的相应主题来解决。本发明的有利构型分别是从属权利要求的主题。

根据本发明的一方面，提供一种用于对自动化程度较高的车辆(haf)的、尤其高度自动化车辆的数字地图进行验证的方法，该方法包括以下步骤：

s1在haf的驾驶员辅助系统中提供数字地图、优选高准确度的数字地图；

s2确定当前的(aktuelle)车辆位置并且在数字地图中定位所述车辆位置；

s3提供haf的周围环境中的至少一个特征的至少一个期望特征特性；

s4至少部分地基于所述期望特征特性探测haf的周围环境中的特征的至少一个实际特征特性，其中，借助至少一个传感器执行所述探测；

s5将实际特征特性与期望特征特性进行比较并且求取至少一个差值作为所述比较的结果；

s6至少部分地基于所述差值对数字地图进行验证，其中，如果所述差值达到或超过偏差的规定阈值，则将所述数字地图分级为非当前的，如果所述差值低于偏差的规定阈值，则将所述数字地图分级为当前的。

通过预给定特征和特征特性，可以在识别车辆环境中的特征时，从一开始限制搜索范围，这使得能够更稳健地找到haf的周围环境中的特征并且因此能够探测所述特征的实际特征特性。

通过将期望特征特性与实际特征特性进行比较，可以求取特征特性的一致性所对应的差值，该差值是对地图当前性的量度。

步骤s6包括：如果所述差值达到或超过偏差的规定阈值，则将所述数字地图分级为非当前的，如果所述差值低于偏差的规定阈值，则将所述数字地图分级为当前的。在此，所述差值的阈值例如取决于所探测的特征特性的如下性质：例如在此是涉及行车道标记(短期变化是更可能的，低容差)还是涉及光信号设备(短期变化不太可能，较高的容差)。

优选地，在另一步骤s7中，根据本发明的方法包括将关于车辆位置和差值的信息传输给中央服务器。

有利地，在所述地图在步骤s6中已经被分级为非当前的情况下，请求在中央服务器中在驾驶员辅助系统方面对数字地图进行更新。

在一个优选实施方式中，至少一个特征的至少一个期望特征特性存储在数字地图中，其中，优选多个特征的多个期望特征特性存储在数字地图中。

进一步地，在本发明的一个实施方式中有利地设置，提供至少一个特征的期望特征特性的步骤(s3)包括从多个可能的特征中选择至少一个特征，其中，在考虑后续步骤的情况下执行所述选择。

在步骤s3a中，创建特征模型，其中，所述特征模型描述：能够借助哪些可用的传感器并且在哪些条件下、尤其在哪个观察角度下和/或在哪个距离的情况下对特征进行观察。

在步骤s3b中，创建传感器模型，其中，所述传感器模型描述：分别可用的传感器当前能够以哪种规格、尤其以哪种分辨率和/或以哪种噪声特性感知地图的哪个部分。

此外，在步骤s3c中创建周围环境模型，其中，所述周围环境模型描述：特征当前能够被探测到还是该特征被haf的周围环境中的静态或动态对象遮挡。在此，由数字地图得出关于静态对象的信息，而由至少一个传感器所处理的(aufbereitet)传感器数据来求取动态对象。

在本发明的另一实施方式中，所述方法包括，所述方法还包括以下步骤：由特征模型、传感器模型和周围环境模型创建用于所选择的特征的期望假设，并且在步骤s4中借助传感器数据对该期望假设进行验证。在此视为有利的是，即使在开始探测周围环境中的特征或特征特性之前，算法就已经允许如下非常准确的估计：可以以哪个概率找到相应的特征。因此，例如可以事先确定：对所寻找的特征的探测究竟是否可能，所述特征仍处于传感器作用距离以外还是被动态对象(例如其他交通参与者)和/或静态对象遮挡。

有利地，所述特征是先验信息，该先验信息例如包括在数字地图中。该特征的示例是道路标记、引导立柱、护栏、光信号设备、交通标志、可行驶的空间、交通密度、3d世界模型和/或速度特性曲线。

有利地，期望特征特性以及实际特征特性分别是以下特征特性中的至少一个特性：地理位置、尺寸、颜色、关于haf的相对位置。

用于控制自动化程度较高的车辆(haf)、尤其高度自动化车辆的驾驶员辅助系统构成本发明的另一主题。在此，所述驾驶员辅助系统包括：至少一个传感器，其用于检测haf的周围环境中的特征的实际特征特性；存储模块，其用于存储数字地图、优选高准确度的数字地图；位置模块，其用于确定haf的车辆位置；和控制设备。所述存储模块尤其是集成到haf中的存储模块或中央服务器。所述位置模块优选是gps模块(globalpositioningsystem：全球定位系统)。所述控制设备设置用于与存储模块和位置模块交换数据并且在数字地图中定位由位置模块确定的车辆位置。根据本发明设置，所述控制设备设置成能够执行在权利要求1至8中要求保护的上述方法。

此外，计算机程序也构成本发明的一个主题，所述计算机程序包括程序代码，所述程序代码用于当在计算机上运行所述计算机程序时执行根据权利要求1至7中任一项所述的方法。

尽管在下面主要结合载客车来描述本发明，但是本发明不限于此，而是也能够借助任何类型的车辆、即载重车(lkw)和/或载客车(pkw)来使用本发明。

本发明的其他特征、应用可能性和优点由下面对本发明的在附图中示出的实施例的描述得到。在此应注意的是，所示特征仅具有描述性功能并且也可以与上述扩展方案的特征结合使用，而不应视为以任何形式限制本发明。

附图说明

下面，根据优选实施例进一步阐述本发明，其中，对于相同特征使用相同的附图标记。附图是示意性的并且示出：

图1示出根据本发明的方法的第一实施方式的流程图。

具体实施方式

在图1的步骤s1中提供数字地图(优选高准确度的数字地图)，这可以在设备侧在用于存储数字地图的存储模块中进行，其中，所述存储模块尤其是集成到haf中的存储模块或者是中央服务器。

步骤s2包括确定当前的车辆位置和在数字地图中定位该车辆位置，这例如在现有技术中充分已知。根据本发明，这在设备侧借助位置模块实现，其中，所述位置模块优选是gps模块(globalpositioningsystem：全球定位系统)。

在图1中标注为s3的步骤包括提供haf的周围环境中的至少一个特征的至少一个期望特征特性。特征(例如行车道中心标记)的期望特征特性例如是：它的地理位置、尺寸、颜色、它关于haf的相对位置。在此有利的是，至少一个特征的至少一个期望特征特性存储在数字地图中，其中，优选多个特征的多个期望特征特性存储在数字地图中。

标注为步骤s4的本发明方法步骤包括：至少部分地基于期望特征特性对haf的周围环境中的特征的至少一个实际特征特性进行探测。为此，在设备方面设有至少一个传感器和控制设备，该至少一个传感器用于检测haf的周围环境中的特征的实际特征特性，该控制设备尤其设置用于与至少一个传感器、存储模块和位置模块交换数据并且在数字地图中定位由位置模块确定的车辆位置。在此，由以下传感器组选择所述传感器：加速度传感器、摄像机传感器、雷达传感器、激光雷达传感器。

在此有利的是，传感装置通过由期望特征特性限制搜索范围而提供快速的结果并且稳健地起作用。

根据本发明，现在在步骤s5中，将特征110的实际特征特性与特征120的期望特征特性进行比较。作为结果，步骤s5提供至少一个差值，该差值用作在步骤s6中对数字地图进行验证的基础。在此，如果该差值达到或超过偏差的规定阈值，则将该数字地图分级为非当前的，如果该差值低于偏差的规定阈值，则将该数字地图分级为当前的。

在所述地图在步骤s6中已经被分级为非当前的情况下，根据本发明的一个实施方式，可以将关于车辆位置和差值的信息传输给中央服务器。也可以请求在中央服务器中在驾驶员辅助系统方面对数字地图进行更新。本发明的一个有利效果是：地图绘制服务例如也可以将这些信息用作以下的指示：是否必需对确定的地图区段重新绘制。这使得能够通过地图绘制服务高效地规划昂贵的地图绘制行驶。

在本发明的一个有利构型中，提供至少一个特征的期望特征特性的步骤s3包括从多个可能的特征中选择至少一个特征，其中，在考虑以下步骤的情况下执行所述选择：

s3a创建特征模型，其中，所述特征模型描述：能够借助哪些可用的传感器并且在哪些条件下、尤其在哪个观察角度下和/或在哪个距离的情况下对特征进行观察；

s3b创建传感器模型，其中，所述传感器模型描述：分别可用的传感器当前能够以哪种规格、尤其以哪种分辨率和/或以哪种噪声特性感知所述地图的哪个部分；

s3c创建周围环境模型，其中，所述周围环境模型描述：特征当前能够被探测到还是该特征被所述haf的周围环境中的静态对象或动态对象遮挡，其中，在此由所述数字地图得出关于所述静态对象的信息，而由所述至少一个传感器所处理的传感器数据求取动态对象。

进一步地，在本发明的一个实施方式中设置，所述方法包括以下步骤：由特征模型、传感器模型、周围环境模型创建用于所选择的特征的期望假设，并且在步骤s4中对该期望假设进行验证。

以这种方式，在开始探测至少一个实际特征特性之前，就已经可以以大概率预测：是否预期到探测并且涉及哪种类型的探测。

在本发明的一个实施方式中设置，使用多个传感器来探测至少一个特征特性。相应地，在该实施方式中，步骤s6包括在对参与探测的传感器的探测结果执行融合的情况下对数字地图进行验证。

本发明不限于所描述的和所示出的实施例。而是，本发明也包括在由权利要求限定的本发明的范围内对于本领域技术人员而言常规的所有扩展方案。

除了所描述和所示出的实施方式以外，也可以设想能够包括特征的其他变型以及组合的其他实施方式。