用于检测车辆周围区域中的移动物体的方法和装置

摘要

本发明涉及一种用于借助于车辆(2)的许多传感器检测车辆周围区域中的移动物体的方法，车辆(2)具有不同的检测区域(6、8、10)，在检测区域(6、8、10)之间至少有一个检测缺口，同时在两个检测区域之间的穿过检测缺口的物体(4)的岔道通过借助于转移算法的预测弥合。根据本发明，根据类型分类检测物体(4)并且转移算法是运动模型，选择运动模型以与确定的物体类型匹配，并且根据运动模型预期物体(4)穿过检测缺口移动并且运动模型包含物体(4)在运动模型中的它的位置上的位置概率，同时从车辆(2)位置和运动变量以及检测物体(4)的位置和运动变量计算位置概率，考虑关于当前正在驾驶的路线区段的行车道配置文件中的特殊特征(12、14)的信息。

说明书

说明书

本发明涉及一种如独立权利要求的前序部分所述的用于检测车辆周围区域中的移动物体的方法和装置。

例如比如车道变更辅助这样的驾驶员辅助系统需要车辆周围区域中的物体的传感器检测和识别。传感器常常设计成用于车辆的整个族或辅助系统并且通常不允许全方位的视野；相反，有也称为盲区的检测缺口。

具有驾驶员辅助系统的许多车辆仅具有前部雷达和/或前部照相机和后部雷达。在这种情况下，在车辆的左边和右边的大区域保持未被观察到。因此，通过示例，超车车辆将从后部雷达的检测区域消失并且一段时间以后在前部雷达的检测区域中再次出现。这会对辅助系统产生问题。

专利文献DE 10 2006 047 634 A1公开了一种根据独立专利权利要求的前序部分的方法和装置，在该方法和装置中，传感器的检测区域之间的检测缺口通过预测弥合，不仅将第一方车辆和观察到的目标车辆之间的相对速度纳入考虑是可能的，而且将第一方车辆的加速度和交通状况纳入考虑也是可能的。一俟目标车辆明显地在检测缺口中，第一方车辆中输出警告。当在预测的一段时间已经过去之后在预期位置中没有再次检测到目标车辆时，也结束警告。

专利文献DE 10 2011 010 864 A1公开了用于预测机动车辆和所述机动车辆周围区域中的物体——尤其在传感器的盲点区域中的行人和骑自行车者——之间的碰撞的方法和装置，同时不是根据线性运动模型确定碰撞概率，而是根据随机可获得值确定碰撞概率。在不能观察到的区域中没有发生插值。

本发明是基于实现当没有通过传感器的全方位视野、驾驶员没有被不必要地打扰的情况下跟踪车辆周围区域中的移动物体时的更大可靠性的目的。

这个目的是通过具有独立专利权利要求的特征的方法和装置实现。

本发明的有利发展在从属权利要求中详细说明。

根据本发明，根据类型——特别是尤其机动车辆、骑自行车者或行人的道路使用者的类型，对检测物体进行分类。选择与确定的物体类型匹配的运动模型，物体正被预期穿过根据所述运动模型的检测缺口移动。运动模型包含在运动模型中的它的位置上的物体的位置概率，同时将关于当前正在驾驶的路线区段的行车道配置文件中的特殊特征的信息纳入考虑，根据车辆的位置和运动变量以及检测物体的位置和运动变量计算位置概率。

在一种情况下，在该情况中，对于当前正在驾驶的路线区段，有检测物体的可能性，检测物体拥有运动模型并且在没有被识别的情况下离开路线区段进入检测缺口，尤其在例如比如高速公路出口匝道的岔道车道这样的分支行车道的情况下，可以减少这个物体的运动模型中的位置概率。

在一种情况下，在该情况中，对于当前正在驾驶的路线区段，有物体的可能性，物体在没有被识别的情况下未检测到进入检测缺口，尤其在例如比如高速公路入口匝道的加速车道这样的行车道交叉路口的情况下，创建用于这种假想物体的具有不同于零的位置概率的运动模型。

在优选实施例中，没有检测到或不再检测到的物体的位置概率倾向于逐步地减少并且最后根据经过时间和/或通过的距离设置为零，除非由于在周围区域中的情况，在该情况下没有在没有被识别的情况下这个物体已经离开检测缺口的可能性。

可以从地图数据和/或传感器数据——例如从车辆导航系统中的数字地图和/或从作为车辆的传感器的数码照相机上的图像——获得关于在当前正在驾驶的路线区段的行车道配置文件中的特殊特征的信息。

移动物体通常是其他道路使用者，尤其是机动车辆、骑自行车者和行人，并且车辆的运动变量和移动物体的运动变量通常是二维或三维空间中的位置、速度以及可能的加速度。

与形成通用类型的现有技术相比，在本发明的情况下，对检测物体进行分类，这允许初始化并形成与物体匹配的运动模型。物体不是简单地转移，而是分类的物体的位置和运动变量建模并且储存在“存储器”中，当位置概率降到低于极限时存储器再次忘记物体。此外，这个存储器耦接至地图数据或关于当前正在驾驶的路线区段的行车道配置文件中的特殊特征的其他信息，例如，似乎使物体消失或者使新物体(例如，在高速公路入口匝道上)在传感器没有检测到的区域中出现是可能的。在观察区域中的物体已经由滤波器观察到，并且模型也初始化或适应于以现有的合适方式与物体匹配。然后相同的算法继续在检测缺口中运行。检测缺口中的差异仅在于传感器数据丢失并且算法必须依靠它的运动模型(也就是说，发生纯粹的推断或预测)。然而，在观察区域中，发生过滤，也就是说，除预测之外，滤波器可以进一步地使用测量数据以便描述物体运动。

也就是说，在本发明的情况下，形成车辆周围物体的运动模型。每个运动模型在传感器检测到的区域中“在线”更新并且在传感器没有检测到的区域中“离线”使用(以纯粹的预测方式)，以便推断位置和运动变量，并因此继续跟踪相关的物体。由于在不能观察到的区域中的这个跟踪是纯粹的预测，关于每个预测步骤(对于每个时间单元)的不可靠组件增加并且在某一时刻变得如此不准确，以致权宜之计的跟踪不再值得，因此可以“忘记”这种类型的物体，也就是说，从存储器中删除。

现在接着是参考附图的示例性实施例的描述，在附图中：

图1表明高速公路上的第一机动车辆，所述机动车辆接近在前方并且在左手侧的相邻车道中行驶的第二机动车辆，并且使用前部传感器系统检测所述第二机动车辆；

图2表明当第二机动车辆在第一机动车辆的传感器的盲点中时的图1的情况。

图3表明当第二机动车辆由第一机动车辆的后部传感器系统检测到时的图1的情况；

图4表明第一机动车辆使第二机动车辆在右手侧的相邻车道上，所述第二机动车辆在第一机动车辆的传感器的盲点中；以及

图5表明用于检测机动车辆周围区域中的移动物体的方法的详细流程图。

图1表明三车道高速公路上的典型驾驶状况。在这种情况下，高速公路理解为意指具有几条车道并且类似于高速公路的任何道路。

在下文中称为第一方车辆2的第一机动车辆在中间车道上行驶并且接近在距离后部的左手侧的车道的前方行驶的在下文中称为第三方车辆4的第二机动车辆。两个车辆的行驶方向和速度是由相应长度的箭头指示。

第一方车辆2具有在这种情况下是前部照相机和/或前部雷达的前部传感器系统，第三方车辆4由所述前部传感器系统的典型检测区域6、8所覆盖，并且第一方车辆2也具有例如后部照相机和/或后部雷达这样的具有典型检测区域10的后部传感器系统。

第三方车辆4在第一方车辆2中检测并且根据类型在这种情况下分类为机动车辆。例如，可以根据第三方车辆4的尺寸执行分类，然而，例如，也可以根据所述第三方车辆的速度和/或加速度执行真实性检查。

选择与确定的车辆类型匹配的运动模型，根据传感器数据估计的运动变量是基于所述运动模型。尤其，传感器数据提供车辆2和4之间的横向和纵向距离，并且也提供车辆2和4之间的横向和纵向相对速度和可能的加速度。因此，第三方车辆4的运动原则上可以在第一方车辆2的坐标系中建模，然而，在可能的情况下，在借助于第一方车辆2本身的运动获得的固定的基准坐标系统中这样做更好，第一方车辆2本身的运动可以从其他车辆系统获得。

选择的运动模型与输入运动变量一起应用于第三方车辆4。一俟第三方车辆4在第一方车辆2的检测区域6、8中的至少一个中，逐步地更新输入运动模型中并且因此获得的第三方车辆4的位置、速度和可能的加速度。

如果图1中的两个车辆2和4继续以由箭头的长度指示的速度移动，如图2所示，则第三方车辆4在某一时刻离开第一方车辆2的前部传感器系统的两个检测区域6、8并且也不能由所述第一方车辆的后部传感器系统检测。在这些检测缺口中，运动模型根据第三方车辆4的最后已知速度提供第三方车辆4的位置。

如果第一方车辆2继续比第三方车辆4更快地行驶，如图3所示，则第三方车辆4进入第一方车辆2的后部传感器系统的检测区域10，并且后部传感器系统现在提供数据以便再次更新输入运动模型中并且因此获得的第三方车辆4的位置、速度和可能的加速度。

相反，如果第三方车辆4超过第一方车辆2，同时第三方车辆4首先进入第一方车辆2的后部传感器系统的检测区域10，然后离开所述检测区域并且接着进入第一方车辆2的前部传感器系统的检测区域6、8，则发生类似的情况。

第三方车辆4在它的运动模型中的位置各自拥有位置概率，位置概率是考虑关于当前正在驾驶的路线区段的行车道配置文件中的特殊特征的信息确定的。图1至3中的路线区段的地图数据提供在各种行车道的配置文件中没有特殊特征——尤其没有这个段中的岔道(并且也没有交叉路口)——的信息。作为可选方案，例如，可以从来自具有检测范围6和/或8的前部数码照相机的图像获得这个信息。

由于第三方车辆4不能离开根据情况在考虑中的路线区段的高速公路，所述第三方车辆的位置概率——也就是说迟早将由第一方车辆2的传感器系统再次检测到的概率——获得值1。

图4表明一种情况，在该情况中，如图1至3中的第一方车辆2正在三条正规车道的中间车道上行驶，但是同时第三方车辆4在右手侧的相邻车道上稍微较慢地行驶并且在第一方车辆2的传感器系统的盲点。这个路线区段包含出口匝道12的特殊特征，第三方车辆4借助于出口匝道12可能离开高速公路。在这种情况下，第三方车辆4的位置概率——其使值1增加直到这一点——降低至0和1之间的合适值。

位置概率的精确值可以定义为更多位置特征的函数。例如，如果第三方车辆4先前已经位于至出口12的岔道车道14中，则与先前位于正规车道中相比，更有可能的是，第三方车辆4正离开高速公路。

在如图4中所示的情况下，如果第三方车辆4在一定的时间或距离之后仍然还未由第一方车辆2检测到，则第三方车辆4的位置概率进一步地减少并且最后设置为0，它的运动模型也在这一点结束。也就是说，作出第三方车辆4已经离开高速公路的判定。

在没有说明的情况下，在该情况中，对于当前正在驾驶的路线区段，有第三方车辆的可能性，第三方车辆在没有被识别的情况下未检测到进入第一方车辆的检测缺口，尤其在例如比如高速公路入口的加速车道这样的行车道交叉路口的情况下，创建用于这种假想的第三方车辆的具有不同于零的位置概率的运动模型。简单地选择运动模型中的位置、速度和可能的加速度，使得假想的第三方车辆看来似乎保持在靠近第一方车辆的右手侧在加速车道的检测缺口中，条件是传感器没有检测到它。

假想的第三方车辆的假想位置概率也逐步地减少并且最后设置为零，它的运动模型也在这一点结束。也就是说，作出没有第三方车辆4在高速公路上行驶的判定。

图5表明在图1至4的第一方车辆2中执行的、用于借助于具有例如比如盲点这样的盲区的传感器系统检测第一方车辆2周围区域中的第三方车辆4的方法的详细流程图。

在步骤S1中，识别周围区域并且根据传感器系统数据16识别物体。在步骤S2中，根据类型分类识别为第三方车辆的物体。在步骤S3中，从许多储存的运动模型中选择合适的运动模型，储存的运动模型在每种情况下是关于根据分类的每个识别并且分类的物体的典型的机动车辆、骑自行车者和行人。

倘若物体保持在传感器系统的检测区域中，跟踪并且过滤所述物体的位置和运动变量(也就是说位置、速度和可能的加速度)。为此目的，在步骤S4中，物体跟踪滤波器将位置和运动变量与传感器系统数据16结合起来，以便至少在二维空间中优化位置和运动变量。物体跟踪滤波器例如是“闭环控制”操作模式的卡尔曼滤波器。

如果物体在盲点方向上从传感器系统的检测区域消失，使得不再有与这个物体有关的任何传感器系统数据，则滤波器算法判定物体的路径已经进入检测缺口中并且是否应该跟踪它。

如果物体在任何其他方向上从传感器系统的检测区域消失，也就是说仅仅超出所述传感器系统的范围，则从物体列表删除这个物体。

如果在步骤S4中作出物体在检测缺口中的判定，也就是说仍然在第一方车辆2的附近，则在步骤S5中推断所述物体的位置和运动变量。与步骤S4中相同然而在“开环控制”操作模式下的卡尔曼滤波器可以用于这个目的。

由于卡尔曼滤波器的运动模型中的白噪声，物体的位置和运动变量分离，并且有物体的可能位置和运动变量的更大区域。因此，可以仅跟踪物体持续一定时间长度。在步骤S6中，用计时器检测自从物体消失之后已经过去的时间，并且到一定的时间为止从物体列表中删除这个物体。一定的时间可以固定地预先设置或例如定义为第一方车辆2的速度的函数。

在步骤S5中的物体的位置和运动变量的推断期间，也将从车辆导航系统获得的地图数据纳入考虑。为此目的，那么在步骤S7中分析在第一方车辆的当前位置的当前正在其上驾驶的路线区段的行车道配置文件中的特殊特征，以便确定物体是否可以重新加入高速公路或离开所述高速公路。

如果通过推断已经跟踪的物体可以在没有被传感器系统检测到的情况下离开这个路线区段的高速公路，则减少物体的位置概率，其例如使值1增加直到这一点。

如果这个路线区段中的任何物体可以在没有被传感器系统检测到的情况下加入高速公路，因为它在所述传感器系统的盲点，则生成并且跟踪具有在0和1之间的某一位置概率的假想物体。

在两种情况下，随着时间流逝减少检测缺口中的已知或假想物体的位置概率，并且最后从物体列表中删除物体。

从盲点返回至传感器系统的检测区域的物体被视为“已知”物体，因为它们已经分类并且已经获得运动模型。所述物体的操作的跟踪模式从“开环控制”变换至“闭环控制”，如图5中从S5至S4的虚线箭头所指示，因为再次可用的传感器系统数据可以用于更新所述物体的位置和运动变量。

使用在步骤S5中获得的位置和运动变量，在步骤S8中，确定在步骤S4中已经确定为位于检测缺口中的每个物体相对于第一方车辆2的位置，并且在步骤S9中，创建第一方车辆2周围的所有物体的物体列表，并且在上述情况下，从所述物体列表中删除物体。物体列表输出至驾驶员辅助系统18。

驾驶员辅助系统18可以例如是车道变更辅助，而且例如是用于自动紧急回避操纵的装置，同时描述的方法能够阻止进入未观察到的区域中的自动回避操纵，在未观察到的区域中可能是另一车辆。