用于识别车辆环境的方法技术

本发明专利技术涉及用于识别车辆环境的方法，其中车辆具有传感器系统和评估传感器系统的传感器数据的评估单元。该方法包括：在评估单元中接收传感器数据；将传感器数据输入到融合算法中，该融合算法基于传感器数据来确定关于车辆的环境中的对象的特征的概率分布，并且基于概率分布产生和输出分配给对象的第一对象假设；将传感器数据输入到机器学习算法中，该机器学习算法已被训练为基于传感器数据产生并输出分配给对象的第二对象假设；决定是否应当拒绝第一对象假设；如果不应当拒绝第一对象假设：使用第一对象假设来更新代表车辆环境的环境模型；如果应当拒绝第一对象假设：使用第二对象假设来更新环境模型。象假设来更新环境模型。象假设来更新环境模型。

【技术实现步骤摘要】
用于识别车辆环境的方法


[0001]本专利技术涉及一种用于识别车辆环境的方法。本专利技术还涉及用于执行所述方法的评估单元、计算机程序和计算机可读介质，以及对应的车辆系统。

技术介绍

[0002]为了识别车辆的环境，可以借助于合适的算法将车辆不同传感器的传感器数据合并在所述环境的共同表示中，这也称为传感器数据融合。传感器数据融合的目标是合并各自的传感器数据，使得传感器的各自长处有益地彼此组合或减少传感器的各自弱点。在这种传感器数据融合中例如可以使用卡尔曼滤波器，其识别性能在特定状况下可能受到限制。

技术实现思路

[0003]在这种背景下，利用这里提出的方案提出根据独立权利要求的方法、评估单元、计算机程序和计算机可读介质。从说明书中得出并且在从属权利要求中描述了这里提出的方案的有利扩展和改进。
[0004]本专利技术的优点通过将基于概率模型的融合算法与用于模式识别的机器学习算法相组合，本专利技术的实施方式有利地使得可以提高传感器数据融合的鲁棒性。由此例如可以避免错误的肯定识别结果或错误的否定识别结果。
[0005]另一个优点是，例如仅在所述融合算法的识别性能达到其极限时，也就是在所述融合算法提供不确定、模棱两可或矛盾的结果时才可以使用所述机器学习算法。在这种情况下，仅需使用相对较小的训练数据组来训练所述机器学习算法。
[0006]本专利技术的第一方面涉及一种用于识别车辆环境的计算机实现的方法，其中所述车辆具有传感器系统以及评估单元，所述传感器系统具有用于检测所述车辆环境的至少两个传感器单元，所述评估单元用于评估所述传感器系统的传感器数据。所述方法包括以下步骤，这些步骤特别是可以按照说明的顺序执行：在所述评估单元中接收由所述至少两个传感器单元产生的传感器数据；将所述传感器数据输入融合算法中，所述融合算法被配置为基于所述传感器数据来确定关于所述车辆环境中的对象的特征的概率分布，并基于所述概率分布产生和输出分配给所述对象的第一对象假设；将所述传感器数据输入机器学习算法中，所述机器学习算法已被训练为基于所述传感器数据产生和输出分配给所述对象的第二对象假设；决定是否应当拒绝所述第一对象假设；如果不应当拒绝所述第一对象假设：使用所述第一对象假设来更新代表所述车辆环境的环境模型；如果应当拒绝所述第一对象假设：使用所述第二对象假设来更新所述环境模型。
[0007]车辆通常可以理解为部分或完全自动化移动的机器。例如，所述车辆可以是乘用车、卡车、公共汽车、摩托车、机器人等。
[0008]所述车辆可以包括车辆系统，所述车辆系统被设计为以部分或完全自动化的方式
控制所述车辆。为此，所述车辆系统可以操控所述车辆的对应执行器系统，例如转向或制动执行器或发动机控制设备。
[0009]传感器单元可以是例如雷达传感器、激光雷达传感器、超声传感器或相机。所述传感器系统可以包括相同类型的（例如冗余的）或不同类型的（例如互补的）传感器单元。例如，可以想到雷达传感器与相机的组合或具有不同检测方向的多个雷达传感器的组合。例如，所述传感器系统还可以包括三个或更多传感器单元或传感器类型。
[0010]所述传感器数据可以包括由各自传感器单元识别的特征，例如所述车辆环境中的对象的位置、速度、加速度、伸展或对象类别。可以从各自传感器单元的原始数据中提取这些特征。
[0011]所述传感器数据可以相互融合以识别所述车辆的环境。这样的传感器数据融合可以理解为以下过程：将不同传感器单元或传感器类型的信息用于探测和分类所述车辆环境中的对象（也称为对象区分）并估计所述对象的各自状态，也就是以一定的概率预测所述对象的各自状态（也称为轨迹估计）。
[0012]对象假设可以理解为位于所述车辆环境中的真实对象的模型，例如所观察的车辆、道路标记、行人等。可以将所述对象假设存储在代表所述车辆环境的环境模型中。通过将所述对象的预测状态与当前测量进行比较，可以基于所述传感器数据连续更新所述环境模型。
[0013]所述融合算法可以是例如贝叶斯滤波器、卡尔曼滤波器或粒子滤波器或所提及的示例中至少两个的组合。例如，所述融合算法可以被配置为生成多个分配矩阵，每个分配矩阵描述特征（准确地说是特征假设）和对象假设之间的可能分配并对所述分配进行加权，并从这些分配矩阵中选择适用于更新所述环境模型的分配矩阵（也称为多重假设方案）。
[0014]所述机器学习算法可以包括分类器，可以将所述传感器数据输入所述分类器中，以便将对象的特征分配给特定的对象类别。
[0015]所述机器学习算法可以是人工神经网络，例如多层感知器、递归神经网络、具有长短期记忆的神经网络或卷积神经网络。但是，所述机器学习算法也可以是贝叶斯分类器、支持向量机、k最近邻算法、决策树、随机森林或所提及的示例中至少两个的组合。
[0016]例如，仅当所述融合算法提供不确定、模棱两可或矛盾的结果时，才可以激活所述机器学习算法。
[0017]换句话说，可以将所述融合算法用于大部分待识别的状况，而所述机器学习算法只能在特殊情况下使用，例如在所述融合算法无法明确识别的情况下。这样做的优点是，能够以比较小的耗费训练所述机器学习算法。另外，由此可以简单地扩展该系统。
[0018]可能的是，所述机器学习算法以对应的方式影响所述融合算法，例如通过选择或更改由所述融合算法产生的对象假设，或通过添加新的对象假设。
[0019]还可能的是，将所述传感器数据输入到至少两种不同的机器学习算法中。在此所述至少两种机器学习算法可以是使用彼此不同的训练数据训练了的。
[0020]例如，可以基于所述第一对象假设的各自可信度来确定是否应当拒绝所述第一对象假设。可以根据诸如协方差、置信水平或（平均）存在概率的统计参数来确定所述可信度，或者还可以根据所述传感器单元是提供彼此一致还是彼此不同的结果来确定所述可信度。原则上，可信度可以理解为各自的第一对象假设与真实对象之间的一致性的度量。
[0021]例如，为此可以将所述第一对象假设与所述第二对象假设进行比较。
[0022]如果应当拒绝所述第一对象假设，则可以使用所述第二对象假设来更新所述环境模型，特别是在排除所述第一对象假设的条件下。相反，如果不应当拒绝所述第一对象假设，则可以在排除所述第二对象假设的条件下使用所述第一对象假设来更新所述环境模型。
[0023]本专利技术的第二方面涉及一种评估单元，所述评估单元被配置为执行以上和以下所述的方法。所述方法的特征也可以是所述评估单元的特征，反之亦然。
[0024]本专利技术的第三方面涉及一种车辆系统，所述车辆系统被配置为执行以上和以下所述的方法。所述方法的特征也可以是所述车辆系统的特征，反之亦然。
[0025]本专利技术的其他方面涉及一种计算机程序，所述计算机程序在由诸如上述评估单元的计算机执行时，执行以上和以下所述的方法，以及涉及一种计算机可读介质，在所述计算机可读介质上存储有这种计算机程序。
[0026]所述计算机可读介质可以是易失性或非易失性数据存储器。例如，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于识别车辆（100）的环境的方法（400），其中所述车辆（100）具有传感器系统和评估单元（110），所述传感器系统具有用于检测所述车辆（100）的环境的至少两个传感器单元（104、106、108），所述评估单元用于评估所述传感器系统的传感器数据（112），其中所述方法（400）包括：在所述评估单元（110）中接收（410）由所述至少两个传感器单元（104、106、108）产生的传感器数据（112）；将所述传感器数据（112）输入（420）到融合算法中，所述融合算法被配置为基于所述传感器数据（112）来确定关于所述车辆（100）的环境中的对象（113）的特征的概率分布，并且基于所述概率分布产生和输出分配给所述对象（113）的第一对象假设（204）；将所述传感器数据（112）输入（420）到机器学习算法中，所述机器学习算法已被训练为基于所述传感器数据（112）产生并输出分配给所述对象（113）的第二对象假设（206）；决定（430）是否应当拒绝所述第一对象假设（204）；如果不应当拒绝所述第一对象假设（204）：使用（440）所述第一对象假设（204）来更新代表所述车辆（100）的环境的环境模型；如果应当拒绝所述第一对象假设（204）：使用（450）所述第二对象假设（206）来更新所述环境模型。2.根据权利要求1所述的方法（400），其中，基于所述第一对象假设（204）和所述第二对象假设（206）产生至少一个其他对象假设（214）；其中，将所述至少一个其他对象假设（214）用于更新所述环境...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：罗伯特，
类型：发明
国别省市：