发明内容

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。

本发明的优点

本发明的实施方式有利地使得可以基于特定于传感器的存在概率和检测概率来估计具有用于识别环境的多个传感器的车辆系统的鲁棒性。由此可以在识别对象时避免错误的肯定结果、错误的否定结果或其他错误的结果。

本发明的第一方面涉及一种监视用于识别车辆环境的车辆系统的方法，其中所述车辆系统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，所述评估单元用于通过融合所述至少两个传感器单元的传感器数据识别在所述车辆环境中的对象。所述方法包括以下步骤：基于所述传感器数据确定每个已识别对象的存在概率和检测概率，其中所述存在概率表明所述已识别对象以什么样的概率代表所述车辆环境中的真实对象，而所述检测概率表明可以通过所述传感器系统以什么样的概率检测到已识别对象，其中针对所述至少两个传感器单元中的每一个单独确定所述存在概率和所述检测概率；以及基于所述存在概率和所述检测概率来确定所述车辆系统是否处于鲁棒状态。

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。

所述车辆系统可以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。

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。

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。

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：将不同传感器实例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）。

在这种背景下，已识别对象可以理解为位于所述车辆环境中的真实对象的模型，所述对象例如是所观察的车辆、道路标记、行人等。已识别对象可以与它们各自的特征一起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。

所述存在概率可以例如表明以什么样的概率由真实对象产生了已识别对象的测量历史和运动模式的概率。

所述检测概率可以例如取决于对象相对于各自传感器单元在所述车辆上的安装位置的位置，或者取决于可以限制各自传感器单元的感知的环境条件。

通过分别针对每个传感器单元或传感器实例单独确定所述存在概率和所述检测概率，可以估计各个传感器单元或传感器实例对传感器数据融合的整体结果的影响。

本发明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。

本发明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。

本发明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。

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，所述计算机可读介质可以是硬盘、USB存储设备、RAM、ROM、EPROM或闪存。所述计算机可读介质还可以是使得能够下载程序代码的数据通信网络，例如互联网或数据云（Cloud）。

如上文和下文所述的方法的特征也可以是所述计算机程序和/或所述计算机可读介质的特征，反之亦然。

本发明的实施方式的思想尤其可以被认为是基于以下描述的思想和发现。

根据一种实施方式，所述传感器系统至少包括第一传感器单元、第二传感器单元和第三传感器单元。在此，如果关于已识别对象分配给所述第一传感器单元的存在概率位于预期范围之外，分配给所述第二传感器单元的存在概率和分配给所述第三传感器单元的存在概率均在所述预期范围内，并且分配给各自传感器单元的检测概率均被识别为高，则确定所述车辆系统处于非鲁棒状态。

可能的是，至少三个传感器单元是不同的传感器实体，即传感器类型。

预期范围可以理解为预定义的值或值范围。

例如，如果所述检测概率高于代表高检测概率的检测阈值，则所述检测概率可以被识别为高。

由此可以避免错误的肯定识别或错误的否定识别。由此也可以识别出共同涉及所有传感器单元的干扰，例如无法识别的遮蔽。

根据一种实施方式，如果关于已识别对象分别将分配给所述第一传感器单元的检测概率和分配给所述第二传感器单元的检测概率识别为低，并且将分配给所述第三传感器单元的检测概率和分配给所述第三传感器单元的存在概率分别识别为高，则确定所述车辆系统处于非鲁棒状态。

例如，如果所述检测概率低于代表低检测概率的检测阈值，则所述检测概率可以被识别为低。

例如，如果所述存在概率高于代表高存在概率的存在阈值，则所述存在概率可以被识别为高。

所述检测阈值或所述存在阈值可以根据传感器单元而变化，例如根据传感器单元在车辆上的安装位置或传感器单元到车辆环境中的待识别对象的距离而变化。

根据一种实施方式，所述传感器数据包括通过各自的传感器单元识别的车辆环境中的对象的特征。基于所述传感器数据生成多个可能的分配矩阵，每个分配矩阵描述了所述特征与已识别对象之间和/或所述已识别对象与至少一种预处理算法之间的可能分配。从多个可能的分配矩阵中选择用于更新已识别对象的分配矩阵。此外，如果在预定义的时间段内交替选择至少两个不同的分配矩阵和/或两种不同的预处理算法，则确定所述车辆系统处于非鲁棒状态。

在分配矩阵中，可以向每个特征（确切地说每个特征假设）分配至少一个已识别对象（确切地说至少一个对象假设），和/或向每个已识别对象分配至少一种预处理算法。可以例如借助于成本对各个分配进行加权。

基于多个替代的分配矩阵来更新环境模型也可以称为多假设方案。

与经典的多假设跟踪不同，这里例如可以使用不同预处理算法来处理所述传感器数据，也就是说，所述分配矩阵可以在某些情况下选择不同的预处理算法。由此可以并行执行传感器数据处理的不同变型。

例如，可以根据已识别的对象类型和/或根据预处理算法的各自功能和（取决于对象类型和/或环境条件的）性能来选择所述预处理算法。

在不同的分配矩阵或预处理算法之间（例如，在最佳评估的预处理算法之间）频繁切换可能表明环境检测的鲁棒性降低。

根据一种实施方式，所述已识别对象存储在代表所述车辆环境的环境模型中。在此还取决于所述环境模型在预定义时间段内从当前状态回落到被评级为可信赖的状态的频率，确定所述车辆系统是否处于鲁棒状态。

根据一种实施方式，所述方法还包括：如果已经确定所述车辆系统处于非鲁棒状态，则将所述车辆系统置于安全模式。所述安全模式可以例如包括：制动所述车辆，改变所述车辆的规划轨迹或者阻止所述车辆的特定机动，例如变换车道。