具体实施方式

在本发明的有利的实施例的以下描述中，相同或相似的附图标记用于在各个附图中示出的元件并且具有相似的作用，其中对这些元件的重复描述被省略。

图1示出了具有用于求取车辆100在行车道115的多个车道110中的一个车道上的停留概率的设备105的实施例的车辆100的框图。如图1所示，行车道115包括两个车道110a和110b，其中车辆100位于右车道110a中。右车道110a在右侧由用于标记行车道边缘的实线车道界限117a界定，并且在其左侧借助于虚线117b界限，以便将右车道110a与左车道110b分开。

车辆还包括光学传感器120，该光学传感器例如以单摄像机或立体摄像机的形式来设计，并且该光学传感器将行车道115或布置在其上的车道110a和110b的光学成像提供为图像信号122。根据该实施例，图像信号122被馈送到车道数据单元125，在该车道数据单元中求取车道数据127，该车道数据代表车辆100行驶的行车道115的车道110的数量和/或在车道110之间的变道可行性。备选地或附加地，车道数据单元125可从数字地图129中读出代表车道数据127的数据，该数据也代表车辆100行驶的行车道115的车道110的数量和/或在车道110之间的变道可行性。车道数据127经由设备105的接口131被读入并且被馈送到关联单元133。

此外，车辆100包括变道传感器135，该变道传感器从光学传感器120读取图像信号122，并且由此生成变道数据137，并且经由接口131提供给结合单元133，其中变道数据137代表由变道传感器135识别的车辆100的车道110的变换(即，车道变换)。例如，该变道传感器135可以识别：是否由车辆100传送了行车道标记117a或117b之一，并且可以基于此生成变道数据137。

车辆100还包括行车道界限类型传感器139，其被设计为读入图像数据123并由此生成行车道界限类型数据141，行车道界限类型数据代表车辆100当前行驶的车道110的由行车道界限类型传感器139识别的行车道界限143的类型，例如在这里的实线行车道标记117a。行车道界限类型数据141在这里同样经由接口131被馈送到设备105的关联单元133。

在关联单元133中，车道数据127、变道数据137和行车道界限类型数据141彼此关联，以确定车辆100在行车道100的多个车道115中的一个车道上的停留概率145。例如，确定第一停留概率145a，其代表了车辆100位于右车道110a中的概率。类似地，确定第二停留概率145b，其代表车辆100位于左车道110b中的概率。这些停留概率145被馈送到选择单元150，在该选择单元中，具有所确定的最高的停留概率的车道110被确定为车辆100当前位于的车道。该车道在对应的车道信号152中被编码为车辆100的当前位置，并且例如被转发到车辆100的驾驶员辅助系统155以进行进一步处理。例如，驾驶员辅助系统155可以是车道引导系统或导航系统，它们根据所识别的车辆当前位于的车道110来求取转向干预或行驶路线建议，并将其输出至车辆100的自动转向辅助系统或车辆100的驾驶员。

此外，设备105包括第一存储单元157，在第一存储单元中存储有变道数据概率表159，并且至少一个变道数据概率161从该概率表经由接口131被加载到关联单元133中。变道数据概率表159包含多个变道数据概率161，变道数据概率例如通过以下方式反映了由变道传感器135识别的车道变换的质量：该概率161反映了，由变道传感器135识别的变道数据是否实际发生，或者未发生的车道变换以多大的概率被评估为实际发生的车道变换。

类似地，设备105还包括第二存储单元163，在其中存储有行车道界限类型数据概率表165，并且至少一个行车道界限类型数据概率167从该概率表中经由接口131被加载到关联单元133中。行车道界限类型数据概率表165同样包含多个行车道界限类型数据概率167，其例如通过以下方式反映由行车道界限类型传感器139识别行车道界限的类型的质量：这些概率反映了，由行车道界限类型传感器139识别的行车道界限143的类型是否对应于实际存在的行车道界限143的类型，或者是否被解释为(错误的)不同类型的行车道界限143。

然后，在关联单元133中，还通过使用变道数据概率161和行车道界限类型数据概率167来求取停留概率145。

还可以想到的是，设置第三存储器169，在该存储器中读入作为输入信号171的由关联单元133馈送或由关联单元133求取的信号，即车道数据127、变道数据137、行车道界限类型数据141、变道数据概率表159、变道数据概率161、行车道界限类型数据概率表165和/或行车道界限类型数据概率167或针对相应车道110的停留概率145并存储一定的时间段。备选地或附加地，在相应的车道信号152中编码的车辆100的当前位置也可以作为车辆100的位置的先前位置信号作为先前车道信号152'存储在第三存储器169中并且针对在关联单元133中的随后的关联步骤中使用。在此时间段之后，例如在针对确定停留概率145采取新的积分周期时，能够针对确定当前的停留概率145，从存储器169中将存储在其中的信号用作先前值加载到关联单元中，即用作车道数据127'、先前变道数据137'，先前行车道界限类型数据141'、先前变道数据概率表159'、先前变道数据概率161'、先前行车道界限类型数据概率表165'，对于各个车道110的先前停留概率145'和/或用作先前行车道界限类型数据概率167'，并加以考虑，用以确定停留概率145。以这种方式，通过在时间上依次的或连续地确定车辆在行车道115的一个车道110上的停留概率145，可以非常精确地求取这些停留概率145。

还可以想到的是，在第一存储器157中存储多个变道数据概率表159，这些变道数据概率表与针对在车辆100当前所处的不同环境条件(例如在干燥或潮湿的行车道上或在白天或在晚间)下由变道传感器135正确识别车道的变换的概率相关联。例如，然后针对车辆100周围的相应当前环境条件，在接口131和/或关联单元133中选择匹配的表159或匹配的概率161，并用于分别确定当前的停留概率145。类似地，第二存储器165中也可以存在有多个行车道界限类型数据概率表165，这些表与针对在车辆100当前所处的不同环境条件(例如在干燥或潮湿的行车道上或在白天或在晚间)下由行车道界限类型传感器139正确识别行车道界限的类型的概率相关联。例如，然后针对车辆100周围的相应当前环境条件，在接口131和/或关联单元133中选择匹配的表165或匹配的概率167，并用于分别确定当前的停留概率145。

图2示出了用于求取车辆在行车道的多个车道中的一个车道上停留的停留概率的方法200的实施例的流程图。方法200包括步骤210：读入代表由车辆行驶的行车道的车道的数量和/或在车道之间的变道可行性的车道数据，以及代表车辆的由变道传感器识别的车道变换的变道数据，以及车辆当前使用的车道的由行车道界限类型传感器识别的行车道界限的类型的行车道界限类型数据。方法200还包括如下步骤220：关联车道数据、变道数据以及行车道界限类型数据，以确定车辆针对行车道的多个车道中的每个车道的停留概率。最后，方法200包括如下的步骤230：选择具有所确定的最高的停留概率的车道作为车辆当前所位于的车道。

下面将更详细地解释确定车辆100在行车道115的多个车道110中的一个车道的停留概率的更多细节。在此应该注意的是，这里提出的方法包含用于传感器数据融合的计算模型，其目的是精确到车道地将车辆100定位在街道或行车道115上。在该背景下，能够精确到街道地定位车辆的系统是特别有帮助的。然后，在此描述的方法例如确定车辆100在街道的哪条车道上(例如，也可以同义地被称为车道115)。在此，来自两个传感器(这里是变道传感器135和行车道界限传感器139)的数据相互融合。

变道传感器135例如识别：车辆100是否变换了车道，即车道100的变换，并且例如还可以指示其方向(向左变换/向右变换)。行车道界限类型识别传感器(也称为行车道界限类型传感器139)识别左和右行车道界限143或行车道界限标记117，并可以确定其类型(实线/虚线、路缘、草坪边缘等)作为行车道界限的相应类型。

传感器135或139两者都不始终可靠地工作，即这些传感器135或139的单独测量可能是不正确的。这里介绍的方案组合了来自两个传感器135或139的数据，并且如此实现了更高的定位质量。

例如，将与精确到车道的地图一起存储在存储器中作为数字地图129，例如，在连续的时间间隔内记录的观测，可用于确定车辆100在任何时间点在地图129中的精确到车道的位置。

为此可以执行预处理步骤。这确定了传感器135和139分别工作的状况。为两个传感器确定相应的转换矩阵，例如转换矩阵作为存储有对应的变道数据概率161的变道数据概率表159存储在第一存储器157中，以及作为存储有对应的行车道界限类型数据概率167的行车道界限类型数据概率表165存储在第二存储器163中。这些转换矩阵指示：传感器135或139中的一个传感器在给定情况中与另一个转换的频率。例如，车辆100向左变换车道，但是识别到向右变换车道或根本没有变换车道。在执行该方法之前，该预处理步骤仅执行一次。如果需要，还可以在不同的环境条件下对传感器135或139多次进行预处理步骤，例如针对潮湿或干燥的行车道115或针对在白天或夜间识别车道变换或行车道界限的类型，因为在这些不同的环境条件下，也可能会出现对车道变换或行车道界限类型的正确或不正确的识别的不同概率。

此外，当车辆100行驶时，例如周期性地(例如每秒一次)查询传感器数据，例如这里是变道数据137和行车道界限类型数据141，并且借助于作为车道数据127的这些数据和优选地借助于地图信息，确定车辆100在车道层面或当前的车道110上的位置。为此，针对每个车道110计算车辆100位于该车道110中的概率145。在此，该方法迭代地运行：概率145'或在上一次或先前的迭代中确定的其他先前数据(即存储在第三存储器169中的先前数据)被用作针对在下一次(即时间上后续的)迭代的起点。在此介绍的方案的一个重要方面是该(停留)概率145的计算。

通过这里介绍的方案，能够非常低成本地求取车辆100的车道110，其中可以基于大多已经存在的传感器信号来构建。

在此，可以看作这里介绍的方案的一个重要方面的是，根据车道变换识别和车道标记类型识别的传感器信息来在当前由车辆行驶的街道的所有车道上计算停留概率。在此例如以迭代的方式根据下面的模式来进行：

1.针对当前位置从地图中获取车道数据；

2.接收传感器数据；

3.从车道变换识别的传感器数据中计算在当前位置的车道的停留概率；

4.从车道标记类型识别的传感器数据中计算在当前位置的车道的停留概率；

5.确定车辆的当前车道。

下面更详细地描述每个步骤的示例性实施例：

针对当前位置从地图中获取跟踪数据

确定车辆100在数字地图129上的精确到街道的位置的方式，可以以不同的方式进行。此处介绍的方案例如基于以下事实构建：在数字地图129中针对每条街道都存在有关于街道上可用的车道的数量及其车道界限标记类型(例如实线、虚线、沿路石等)的信息。另外，地图129示出了来自不同街道的车道如何彼此连接，即连通性或在各个车道110之间的变道可行性。如果车辆100的精确到街道的位置被求取，就可以从地图129中读出车道界限的类型以及连通性。

接收传感器数据

车辆可以求取相应最接近车辆100的车道界限标记117的车道界限标记类型。这些在下面以分别在行驶方向上的左车道标记117b和右车道标记117a来标识。此外，车辆100可以求取何时变换车道。对于每次变换车道，也可以识别方向，即尤其是在行驶方向上的左/右。

从车道变换识别的传感器数据中计算针对当前位置的车道的停留概率

图3示出了一个示例性转换矩阵W，其用于反映由变道传感器135正确识别车道变换，其中该转换矩阵W例如对应于存储在第一存储器157中的具有各个变道数据概率161的变道数据概率表159。从W中可以获得传感器的不确定性。在此，用标识R描述向右变换，用标识L描述向左变换，用标识K描述未识别到车道变换。如此，该矩阵(在列中描述实际的变换是怎样的)说明：在如下的前提下事件发生的概率，前提是传感器已做出特定观察(在这些行中描述了识别的变换)。在下文中，我们用W[a；b]来表示事件b发生、但传感器检测到事件a的概率。W[R(右)；K(无)]此处＝5％，因此说明：尽管传感器已识别到向右的车道变换，但仍未发生车道变换的概率为5％。

在方法的该步骤中，计算的输入是来自上一次迭代(i-1)的停留概率145的计算的结果P^i-1以及在上一次迭代(i-1)与这次迭代(i)的停留地点(街道115)之间的车道110的连通性Kⁱ。令Sⁱ＝{sⁱ ₁；...；sⁱ _n}是在迭代i中数字地图中的车道的数量。Kⁱ[s^i-1 _u，sⁱ _v]在此说明：在车道s^i-1 _u∈S^i-1(来自上一次迭代)与车道sⁱ _v∈Sⁱ(来自当前迭代)之间是否存在连通性。如果最多有一个车道变换是必要的(并且合法的)，其中在两个车道110之间存在连通性时，以便在车道之间进行切换。如果在车道s^i-1 _u和sⁱ _v之间存在连通性，则Kⁱ[s^i-1 _u，sⁱ _v]＝1，否则Kⁱ[s^i-1 _u，sⁱ _v]＝0。在仅使用车道变换识别传感器时，在此步骤的计算目标Qⁱ说明在迭代i中的停留概率。在迭代i，在向X∈{左；右；无}的车道变换被识别时，停留概率Qⁱ＝{qⁱ _1,…,qⁱ _n}现在可以针对每个车道u如下地计算：

其中

图4示例性地示出了街道状况。在此，是两条街道之间的车道的示例性连通性。在这种情况下，从先前车道110'到下一个迭代步骤中可行驶的车道110-的连通性如下：1→{1，2，3}，2→{2，3，4}，3→{3，4，5}。上一次(先前)迭代(i-1)的停留地点的车道在显示的车道110'的下部区域中，当前(i)停留地点的车道在上部区域中。箭头说明：变道传感器135已经检测到向右的车道变换。

图5示出了上述计算Qⁱ的在图4中呈现的示例的图形表示。

从车道标记类型识别的传感器数据中计算针对当前位置的车道的停留概率

从数字地图129中，针对车辆100的当前停留位置已知：哪个车道110、哪些车道标记类型117被用于行车道115。另外，用于车道标记类型识别传感器的转换矩阵M是已知的。

图6示出了用于车道标记类型识别传感器139的示例性转换矩阵M，该转换矩阵用于反映由行车道界限类型传感器139识别的行车道界限的类型的质量的正确检测，其中该转换矩阵M例如对应于存储在第二存储器163中、具有行车道界限类型数据概率167的行车道界限类型数据概率表165。这里，用标识N表示没有识别到行车道标记117，用标识D标识虚线的行车道标记117并且用标识S表示实线行车道标记。由此，该矩阵(在各列中显示了行驶到标记的实际类型)说明：在如下的前提下事件发生的概率，前提是传感器已做出特定观察，在这些行中描述了行车道标记的识别的类别。在下文中，我们用M＝[a；b]来表示事件b发生、但传感器检测到事件a的概率。M[D；N]此处＝10％，因此说明：尽管不存在行车道标记117，但传感器已检测到虚线行车道标记换的概率为10％。

令T＝{t₁；…；t_m}现在是不同的车道标记类型的数量，例如，“实线”∈T。令针对当前迭代，识别的左车道标记和右车道标记类型为d_l∈T或d_r∈T。令S＝{s₁；...；s_n}为在数字地图中的车道的数量，并且leftMark：S→T为一个函数，其针对车道指示左车道标记类型，rightMark：S→T为一个函数，其针对车道指示右车道标记类型。在仅使用车道标记类型识别传感器时，车辆在车道s_x∈S上停留的概率可以被计算为：在车辆已经识别标记类型d_l的前提下标记类型leftMark(s_x)位于车辆左侧的概率，在车辆已经识别标记类型d_r的前提下标记类型rightMark(s_x)位于车辆右侧的概率。或者，用公式表示：

Pr(s_x)＝Pr(leftMark(s_x)|d_l)·Pr(rightMark(s_x)|d_r)

其中可以直接从转换矩阵M中读出Pr(leftMark(s_x)|d_l)和Pr(rightMark(s_x)|d_r)。

如果假设数字地图在车道的数量和车道标记类型方面是正确的，那么在仅使用车道标记类型识别传感器139时可以使用来计算车辆在车道s_x∈S上停留的概率。

确定车辆的当前车道

在此步骤中，借助车道标记类型识别来检查Qⁱ的可靠性，其中利用车道标记类型识别的概率对车道标记类型识别的停留概率进行加权。由此限定Pⁱ＝{pⁱ ₁；...；pⁱ _n}为

其中，n表示当前行驶的街道上的车道的数量。在迭代i中，当前车道s_j相应地被估计为pⁱ _j最大的车道s_j。

作为从中读取车道信息(作为车道数据127的标记类型和连通性)的数字地图129的备选方案，也可以使用前相机120来检测。为此，图像数据122应从前端相机120提供给相应的传感器135和139，传感器可以由此确定车道110的数量、车道标记类型以及车道彼此的连通性。

在本发明的一个实施例的变体方案中，车道标记类型识别传感器是(视频)相机或处理来自这种相机120的数据。可能是前端相机，后端相机、侧端相机。可以由神经网络从相机图像122中求取车道标记类型。在本发明的一个实施变体方案中，车道变换识别传感器是(视频)相机或处理来自此类摄像机120的数据。可能是前端相机，后端相机、侧端相机。当车辆行驶经过车道标记界限时，可以总是识别到车道变换。在这里描述的变体方案中，转换矩阵是固定的。但是可以想到，这些可以根据情况而变换：在黑暗中，例如识别可能变得更差。这应根据状况反映在转换矩阵M或W中。在此需要确定外部环境(例如明亮、暗、雨、冰、雪等)的传感器，以及匹配这些情况中的每种的转换矩阵M、W。因此，然后可以选择相应的矩阵M、W。

图7示出用于表示在此介绍的方案的实施例的信息流的示图。在此，例如从数字地图129中读入车道数据127，从变道传感器135中读入变道数据137，从行车道界限类型传感器139中读入行车道界限类型数据141，并且关联单元133借助于数学模型将他们关联，以便获得针对多个车道中的每个车道的停留概率145。

这里介绍的方案作为基于特征的定位器的可靠性检查方法的应用是特别有利的。也可以将其用作独立的定位方法，但是与可靠性检查相比，这可能会导致非常高的耗费，方法在精确到车道的街道地图上的效果特别好。

如果实施例包括第一特征和第二特征之间的“和/或”连接词，则以如下的方式来解读：实施例根据一种实施方式具有第一特征和第二特征两者，并且根据另一实施方式仅具有第一特征或仅具有第二特征。