[go: up one dir, main page]

WO2025011969A1 - Verfahren zur bestimmung von protection-levels bei der fahrt eines fahrzeuges mit einem gnss-gestützten lokalisierungssystem mit hilfe eines copula-gestützten bayes'schen frameworks - Google Patents

Verfahren zur bestimmung von protection-levels bei der fahrt eines fahrzeuges mit einem gnss-gestützten lokalisierungssystem mit hilfe eines copula-gestützten bayes'schen frameworks Download PDF

Info

Publication number
WO2025011969A1
WO2025011969A1 PCT/EP2024/068094 EP2024068094W WO2025011969A1 WO 2025011969 A1 WO2025011969 A1 WO 2025011969A1 EP 2024068094 W EP2024068094 W EP 2024068094W WO 2025011969 A1 WO2025011969 A1 WO 2025011969A1
Authority
WO
WIPO (PCT)
Prior art keywords
gnss
copula
errors
distribution
supported
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2024/068094
Other languages
English (en)
French (fr)
Inventor
Elena Sgarz
Jens Strobel
Alexander Metzger
Mohammad TOURIAN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of WO2025011969A1 publication Critical patent/WO2025011969A1/de
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications

Definitions

  • the present invention relates to a method for determining protection levels when driving a vehicle with a GNSS-supported localization system using a copula-supported Bayesian framework. Furthermore, a control unit, a computer program, a machine-readable storage medium and a localization system are specified. The invention can be used in particular in GNSS-supported localization systems for automated or autonomous driving.
  • GNSS global navigation satellite system
  • Time to Alert describes the maximum permissible time interval that can elapse between the AL being exceeded and the warning message being triggered.
  • - Ml (Misleading Information) describes the event where the PL is smaller than the position error, and the PL and the position error are smaller than the AL.
  • HMI Hazardously Misleading Information
  • the Protection Level (PL) parameter is the core for integrity monitoring, which can be output together with the position from the localization system, and ensures that the entire system is safe if the position error is below the prescribed AL.
  • the known methods for determining protection levels were usually developed within the ABSA, GBAS or S BAS concept for positioning and navigation in the air (e.g. Greer et al., 2007, Gratton et al., 2010, Zhu et al., 2018), whose standardized integrity algorithms were usually defined taking into account the reception conditions of flying aircraft, and are therefore not suitable for positioning and navigation on earth for autonomous driving in view of many critical environmental conditions (e.g. in urban environments) and reception conditions (e.g. multipath reception).
  • the procedures developed within the framework of the ABSA, GBAS or SBAS concepts are generally based on single-frequency reception.
  • autonomous driving as mentioned at the beginning, requires multi-frequency and multi-constellation reception.
  • IF non-ionospheric
  • aviation GNSS receivers typically perform pseudorange phase smoothing over 100 seconds to reduce noise and multipath effects. This approach cannot be used in driving because carrier phase tracking is unlikely to be reliably maintained for very long due to environmental conditions.
  • a method for determining protection levels when driving a vehicle with a GNSS-supported localization system using a copula-supported Bayesian framework contributes to this, wherein a plurality of environmental classes and a plurality of GNSS quality indicators are predefined, and wherein for each environmental class and each GNSS quality indicator, a copula model is provided offline and stored in a memory, comprising the following steps: a) classifying the environment during the journey based on the GNSS quality indicators and determining which environmental class the environment belongs to, b) reading a copula model corresponding to the determined environmental class for the corresponding quality indicators from the memory, c) extracting at least one likelihood function from the read copula model according to a quality indicator value, d) determining a posterior distribution for errors by multiplying the at least one likelihood function based on Bayes' theorem with a prior distribution for position errors. and e) determining protection levels from the posterior distribution.
  • the method described is particularly suitable for autonomous driving.
  • Autonomous driving here refers in particular to the movement of vehicles, mobile robots and driverless transport systems that behave largely autonomously using a GNSS receiver and based on global navigation satellite systems (GNSS). It is particularly advantageous if a self-driving vehicle is provided with a localization system for carrying out the method described.
  • the localization system can be a GNSS-based system or a GNSS and INS-based system. Localization system that can detect GNSS satellites in its field of view, receive GNSS signals, and position based on received GNSS signals.
  • An epoch here refers in particular to a time interval in which a currently determined position is valid or until a currently determined position is updated. This can mean that the described method is carried out once each time the position is updated, so that the currently determined protection level can be output together with the currently determined position. This can also mean that in an epoch all parameters relevant for position determination, such as Dilution of Precision (DOP) or the number of available GNSS signals in the field of view, are updated once.
  • DOP Dilution of Precision
  • steps are indicated here with the letters a) to e) in a specific order, it is not necessary to always follow this order.
  • the individual steps can be repeated independently of one another and/or partially omitted in the case of repetition. It is possible that the steps are carried out at least partially at the same time.
  • the main idea of the invention is to provide copula models based on the training data acquired through test measurements and/or simulations offline in advance and to store them in a memory.
  • a copula model describes the statistical relationship between data sets ordered by rank.
  • a copula is a multivariate cumulative distribution function for which the marginal probability distribution of each variable is uniformly distributed over the interval [0, 1] (Schmidt, T. (2007). Coping with copulas. Copulas- Form theory to application in finance, 3-34).
  • the copula models provided offline can be read from the memory during the online journey of a vehicle according to step b) and used to generate likelihood functions according to step c).
  • Protection levels can thus be determined during the online journey according to steps d) and e) by the posterior distribution, which is determined by multiplying the likelihood functions with a prior distribution based on Bayes' theorem.
  • the errors may be the deviations of all the GNSS-based localization system output quantities, e.g. position errors, speed errors and/or alignment errors.
  • the protection levels can be determined based on a target integrity risk from the posterior distribution.
  • the invention has the advantage that the protection levels are implemented independently of variances.
  • the copula models When providing the copula models, it can be planned that the copula models are modelled with the training data taking into account different environmental conditions and GNSS quality indicators. It is possible to classify the environmental conditions into different environmental classes so that at least one copula model can be provided for each environmental class. It is also possible to predefine a number of GNSS quality indicators so that a copula model can be provided for each environmental class and for each GNSS quality indicator.
  • a GNSS quality indicator characterizes the quality of the position estimation situation for positioning algorithms and can be specified as a number between zero and a positive real number (see Fig. 2). Zero stands for very poor quality and the positive real number for very good quality.
  • a GNSS quality indicator refers to key signals or key quantities of a GNSS that can be measured or calculated online.
  • a GNSS quality indicator can be Dilution of Precision (DOP).
  • DOP is a quality measure for the available GNSS signals under line-of-sight conditions and describes how well the GNSS satellites that have emitted these available GNSS signals are suited for positioning at a location in their position relative to each other.
  • a GNSS quality indicator can also be the number of available GNSS signals in the field of view. Since at least four GNSS signals are usually required for positioning, at least five GNSS signals for integrity monitoring and at least six GNSS signals for identifying defective GNSS satellites, the number of available GNSS signals is also extremely relevant for positioning quality.
  • the determination of the position on earth is strongly influenced by the environmental conditions. It may be intended that the Environmental conditions are classified both in the offline modelling of the copula models and according to step a) in the online determination of protection levels.
  • the environmental conditions are classified into different classes depending on the multipath effect caused by the obstacles in the GNSS signal propagation, namely an open environment class, an urban environment class and a critical environment class.
  • the open environment class may include scenarios such as driving on open land, highway, etc., where there are almost no obstacles.
  • the urban environment class may include scenarios such as driving in urban canyons where there are many buildings, thus preventing GNSS signal propagation and/or reflecting the GNSS signals, taking multipath reception into account.
  • the critical environment may include scenarios such as driving on a multi-level road where several lanes are superimposed.
  • both the DOP and the number of available GNSS signals are usually output together with the specific position. This means that the GNSS quality indicators can be measured and/or calculated online. It is also possible to determine (in advance) both the DOP and the number of available GNSS signals in a field of view according to location, time and movement patterns for the provision of the copula models. This is because each GNSS has a large number of GNSS satellites (e.g. Galileo with 28 satellites, GPS with 24 satellites) that are evenly distributed in the sky or in orbit and move according to a movement pattern. This means that only certain GNSS signals from certain GNSS satellites can be received in a certain location at a certain time interval. The movement patterns are accessible to the public and can be downloaded (e.g. from the International GNSS Service (ISG)).
  • ISG International GNSS Service
  • a copula model is provided with the following steps: i) providing training data collected by test measurements and/or simulations, ii) classifying the training data into the environment classes, iii) providing an empirical copula for each environment class and quality indicator, and iv) fitting an analytical copula model to the empirical copula.
  • the training data is collected from measurements in the real field and/or the simulated test data.
  • the simulated test data can e.g.
  • step c) the at least one likelihood function is extracted from the copula model with the following sub-steps:
  • conditional distribution is provided from the training data acquired by test measurements and/or simulations.
  • step d) the prior distribution is defined based on the training data and using a parametric distribution.
  • step d) the posterior distribution for position errors is determined for each epoch.
  • the described method is carried out independently of the estimated variance, but on the GNSS quality indicators.
  • the quality indicators are key signals or key variables of the system that are measured online and/or can be calculated and characterize the quality of the position estimation situation for the positioning algorithm.
  • Bayes' theorem is used to determine a posterior distribution for position errors at each epoch by multiplying a large number of likelihood functions with a prior.
  • the likelihood functions are obtained from the conditional probability distribution of the position error (from the training data) for various GNSS quality indicators.
  • One of the main advantages of the invention, especially in comparison to known methods, is the use of a copula to generate the likelihood functions. This makes it possible to obtain a reliable likelihood function and consequently to derive the posterior distribution directly. By directly deriving the posterior distribution, robust protection levels can be determined and thus the probability of an H Ml problem can be reduced.
  • a control device for the GNSS receiver is set up to carry out the described method.
  • a computer program is used to carry out a method described here.
  • this relates in particular to a computer program (product) comprising instructions which, when the program is executed by a computer, cause the computer to carry out a method described here.
  • the machine-readable storage medium is usually a computer-readable data carrier.
  • the localization system for a vehicle is set up to carry out a method described here.
  • Fig. 1 an exemplary function graph for likelihood functions, prior distribution and posterior distribution
  • Fig. 2 Extracting a likelihood function from a copula model according to a quality indicator value
  • Fig. 3 a block diagram for providing copula models
  • Fig. 4 a block diagram of a described method.
  • Fig. 1 and Fig. 2 show the mathematical functions used in the described method and the associated data, and are explained together here so that the invention can be better understood at the data level.
  • Fig. 1 shows a function graph in which the likelihood function P(Q ⁇ dx) 1 , the likelihood function P(Qiz ⁇ dx) 2 , the likelihood function P(Qis ⁇ dx) 3 , the likelihood function P(Qi4 ⁇ dx) 4 , the prior distribution 5 and the posterior distribution 6 are compared with each other and distributed over the dx-axis 8 corresponding to the position error.
  • the respective likelihood functions 1, 2, 3, 4 are first multiplied by the prior distribution 5 based on Bayes' theorem, resulting in the posterior distribution 6, the two limits of which, as shown in Fig. 1, correspond to the protection levels 7 to be determined.
  • Each likelihood function 1, 2, 3, 4 is associated with a quality indicator (not shown).
  • the extracting/extracted likelihood function 12, as shown in Fig. 2 can be extracted from the corresponding copula model (not shown) according to a quality indicator value 13.
  • a quality indicator 9 is scaled from zero to thirty-five.
  • Fig. 3 shows a schematic of a process for providing copula models 15, 16, 17 presented here. The sequence of sub-steps i), ii), iii), and iv) with blocks 210, 220, 230, and 240 are merely examples.
  • training data is provided which is acquired through test measurements and/or simulations.
  • the provided training data is classified into the different environment classes 10, 11.
  • an empirical copula between quality indicators 9 and position errors is provided for each class 10, 11.
  • an analytical copula model is adapted to the empirical copula in order to provide the copula models 15, 16, 17.
  • Fig. 4 shows a schematic and exemplary block diagram of the described method for determining protection levels using a copula-based Bayesian framework, wherein a plurality of environment classes and a plurality of GNSS quality indicators are given, and wherein for each environment class and each GNSS quality indicator a copula model 15, 16, 17 is provided offline and stored in a memory (not shown).
  • the method steps a), b), c), d) and e) are carried out epoch by epoch during the journey (i.e. online).
  • the illustrated order of the method steps a), b), c), d) and e) with the block 110, the arrows 120, the blocks 130, 140 and 150 is merely an example.
  • the environment is classified during the journey based on the GNSS quality indicators 9 and it is determined which environment class the environment belongs to, whereby data 14 such as GNSS signal data and sensor data are recorded online.
  • data 14 such as GNSS signal data and sensor data are recorded online.
  • a copula model 15, 16 or 17 corresponding to the determined environment class is read from the memory.
  • at least one likelihood function 1, 2, 3, 4, 12 is extracted from the read copula model 15, 16 or 17 according to a quality indicator value 13.
  • a posterior distribution 6 for position errors is determined, whereby first in the first block 140 the prior distribution 5 is defined based on the training data and using a parametric distribution, and then in the second block 140 the at least one likelihood function 1, 2, 3, 4, 12 is multiplied based on Bayes' theorem with a prior distribution 5 for position errors.
  • protection levels 7 are determined from the posterior distribution 6 based on a target integrity risk.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

Verfahren zum Bestimmen von Protection-Levels (7) bei der Fahrt eines Fahrzeuges mit einem GNSS-gestützten Lokalisierungssystem unter der Verwendung eines copula-gestützten Bayes'schen Frameworks, wobei eine Mehrzahl von Umgebungsklassen (10, 11) und eine Mehrzahl von GNSS-Qualitätsindikatoren (9) vordefiniert wird, und wobei für jede Umgebungsklasse (10, 11) und jeden GNSS-Qualitätsindikator (9) ein Copula-Modell (15, 16, 17) offline bereitgestellt und in einem Speicher abgelegt wird, umfassend folgende Schritte: a) Klassifizieren der Umgebung bei der Fahrt basierend auf den GNSS-Qualitätsindikatoren (9) und Ermitteln, zu welcher Umgebungsklasse (10, 11) die Umgebung gehört, b) Auslesen eines der ermittelten Umgebungsklasse (10, 11) entsprechenden Copula-Modells (15, 16,17) für die entsprechenden Qualitätsindikatoren (9) aus dem Speicher, c) Extrahieren mindestens einer Likelihood-Funktion (1, 2, 3, 4, 12) aus dem ausgelesenen Copula-Modell (15, 16, 17) nach einem Qualitätsindikator-Wert (13), d) Ermitteln einer Posteriori-Verteilung (6) für Positionsfehler, indem die mindestens eine Likelihood-Funktion (1, 2, 3, 4, 12) basierend auf dem Satz von Bayes mit einer Prior-Verteilung (5) für Fehler multipliziert wird, und e) Bestimmen von Protection Levels (7) aus der Posteriori-Verteilung (6).

Description

Beschreibung
Titel
Verfahren zur
Figure imgf000003_0002
von Protection-Levels bei der Fahrt eines
Figure imgf000003_0001
mit einem GNSS-
Figure imgf000003_0003
mit Hilfe eines
Figure imgf000003_0004
ten Baves'schen Frameworks
Stand der Technik
Die vorliegende Erfindung betrifft ein Verfahren zur Bestimmung von Protection- Levels bei der Fahrt eines Fahrzeuges mit einem GNSS-gestützten Lokalisierungssystem mit Hilfe eines copula-gestützten Bayes'schen Frameworks. Weiterhin werden ein Steuergerät, ein Computerprogramm, ein maschinenlesbares Speichermedium und ein Lokalisierungssystem angegeben. Die Erfindung kann insbesondere bei GNSS - gestützten Lokalisierungssystemen für das automatisierte oder autonome Fahren zur Anwendung kommen.
Es ist bekannt, dass Positionsbestimmung und Navigation auf der Erde und in der Luft mit einem Globalen Navigationssatellitensystem (kurz: GNSS) durch den Empfang von Navigationssatellitensignalen erfolgen kann. Mit Hilfe des Mehrfrequenz- und Multikonstellationsempfangs können Positionen auf der Erde auf den Zentimeter genau bestimmt werden. Die Qualität dieser Positionen ergibt sich daraus, dass die an sie gestellten Anforderungen, insbesondere Genauigkeit, Kontinuität, Verfügbarkeit und Integrität, erfüllt werden.
Es kann festgestellt werden, dass beim sicherheitskritischen autonomen Fahren die Integrität wie die Positioniergenauigkeit eine äußerst wichtige Rolle spielt, da die Integrität die Zuverlässigkeit der Positioniergenauigkeit gewährleistet, und eine mangelhafte Integritätsüberwachung in sicherheitskritischen Umgebungsszenarien zu katastrophalen Folgen führen kann. Ursprünglich wurde der Begriff „Integrität“ für die Positionsbestimmung und Navigation in der Luft eingeführt und kann in Bezug auf Positionsfehler mit folgenden Parametern beschrieben werden:
- AL (engl.: Alert Limit) beschreibt eine Positionsfehlertoleranz, die nicht überschritten werden darf. Ansonsten wird eine Warnmeldung ausgelöst.
- TTA (engl. Time to Alert) beschreibt das maximale zulässige Zeitintervall, das vom Überschreiten des AL bis zum Auslösen der Warnmeldung verstreichen darf.
- IR (engl. Integrity Risk) beschreibt die Wahrscheinlichkeit, dass der Positionsfehler das AL überschreitet.
- PE (engl. Position Error, deutsch: Positionsfehler) beschreibt die Abweichung zwischen der bestimmten und der tatsächlichen Position.
- PL (engl. Protection-Level) beschreibt den Positionsfehler, bei dem der Algorithmus garantiert, dass er nicht unerkannt überschritten wird.
- FA (engl. False Alarm) beschreibt das Ereignis, bei dem eine Warnmeldung ausgelöst wird, ohne dass das AL überschritten wird.
- Ml (engl. Misleading Information) beschreibt das Ereignis, bei dem das PL kleiner als der Positionsfehler ist, und das PL sowie der Positionsfehler kleiner als das AL sind.
- HMI (engl. Hazardously Misleading Information) beschreibt das Ereignis, bei dem das PL kleiner als der Positionsfehler und das AL ist, und der Positionsfehler das AL überschreitet.
Der Parameter „Protection-Level“ (PL) ist der Kern für die Integritätsüberwachung, welcher zusammen mit der Position vom Lokalisierungssystem ausgegeben werden kann, und gewährleistet, dass das gesamte System sicher ist, wenn der Positionsfehler unterhalb dem vorgeschriebenen AL liegt.
Die bekannten Verfahren zum Bestimmen von Protection-Levels wurden normalerweise im Rahmen des ABSA-, GBAS- oder S BAS- Konzeptes, und zwar für die Positionsbestimmung und Navigation in der Luft entwickelt (z. B. Greer et al., 2007, Gratton et al., 2010, Zhu et al., 2018), deren standardisierte Integritätsalgorithmen in der Regel unter Berücksichtigung der Empfangsbedingungen von fliegenden Flugzeugen definiert wurden, daher nicht geeignet für die Positionsstimmung und Navigation auf der Erde für das autonome Fahren angesichts vieler kritischer Umgebungsbedingungen (z. B. in urbaner Umgebung) und Empfangsbedingungen (z. B. Mehrwegempfang) einzusetzen sind. Außerdem beziehen sich die im Rahmen des ABSA-, GBAS- oder SBAS-Konzeptes entwickelten Verfahren in der Regel auf dem Einfrequenz-Empfang. Demgegenüber fordert das autonome Fahren, wie eingangs erwähnt, den Mehrfrequenz- und Multikonstellationsempfang.
Obwohl das bekannte ARAIM-Konzept (Blanch et al., 2007) mit Blick auf den Mehrfrequenz- und Multikonstellationsempfang zum Liefern von Informationen über verfallene GNSS-Satelliten entwickelt wurde und robuster ist als die ABSA-, GBAS- oder SBAS-Konzepte im Hinblick auf eine geringere ionosphärische Laufzeitverzögerung aufgrund des Mehrfrequenzempfangs und eine höhere Messredundanz aufgrund des Multikonstellationsempfang, scheint es schwierig, dieses Konzept im Verfahren zum Bestimmen von Protection-Levels für die Positionsbestimmung und Navigation auf der Erde umzusetzen. In diesem Zusammenhang bestehen insbesondere die folgenden Herausforderungen:
Die Verwendung von nicht-ionosphärischen (IF) Messungen erhöht bekanntermaßen das Ausmaß von Fehlern, die nicht zwischen Frequenzen korreliert sind, wie thermisches Rauschen, Mehrwegeffekte oder gewisse Verzerrungen. In einer typischen Straßenumgebung kann dies zu großen Positionsunsicherheiten führen.
Außerdem führen GNSS-Empfänger in der Luftfahrt eine Phasenglättung des Pseudobereichs typischerweise über 100 Sekunden durch, um Rauschen und Mehrwegeffekte zu reduzieren. Dieser Ansatz kann nicht in der Autofahrt verwendet werden, da die Trägerphasenverfolgung aufgrund der Umgebungsbedingungen wahrscheinlich nicht sehr lange zuverlässig aufrechterhalten werden kann.
Darüber hinaus werden für die meisten geplanten Anwendungen in der Automobilindustrie ein strengeres AL und TTA als in der Luftfahrt erwartet (typischerweise AL im Bereich von 0,5 bis 10 Metern und TTA im Bereich von 1 Sekunde), ohne dass notwendigerweise ein weniger strenges Integritätsrisiko (IR) erforderlich ist. Dies bedeutet, dass die typische Größenordnung vom ARAIM-Konzept zu einem übergroßen PL führen kann.
Es ist daher wünschenswert, ein Verfahren zum Bestimmen von Protection-Levels im Kontext der Positionsbestimmung und Navigation auf der Erde zu erschaffen, welches nicht nur für den Mehrfrequenz- und Multikonstellationsempfang, sondern auch für die Bestimmung eines robusten Protection-Levels unter kritischen Umgebungsbedingungen verwendet werden kann. Dies ist besonders für das autonome Fahren von Bedeutung, denn das autonome Fahren stellt hierbei neben der Positionsgenauigkeit besonders hohe Anforderungen an die Sicherheit und Integrität bzw. Korrektheit der Ortungsinformationen.
Offenbarung der Erfindung
Hierzu trägt ein Verfahren zum Bestimmen von Protection-Levels bei der Fahrt eines Fahrzeuges mit einem GNSS-gestützten Lokalisierungssystem unter der Verwendung eines copula-gestützten Bayes'schen Frameworks bei, wobei eine Mehrzahl von Umgebungsklassen und eine Mehrzahl von GNSS- Qualitätsindikatoren vordefiniert wird, und wobei für jede Umgebungsklasse und jeden GNSS-Qualitätsindikator ein Copula-Modell, , offline breitgestellt und in einem Speicher abgelegt wird, umfassend folgende Schritte: a) Klassifizieren der Umgebung bei der Fahrt basierend auf den GNSS- Qualitätsindikatoren und Ermitteln, zu welcher Umgebungsklasse die Umgebung gehört, b) Auslesen eines der ermittelten Umgebungsklasse entsprechenden Co- pula-Modells für die entsprechenden Qualitätsindikatoren aus dem Speicher, c) Extrahieren mindestens einer Likelihood-Funktion aus dem ausgelesenen Copula-Modell nach einem Qualitätsindikator-Wert, d) Ermitteln einer Posteriori-Verteilung für Fehler, indem die mindestens eine Likelihood-Funktion basierend auf dem Satz von Bayes mit einer Prior-Verteilung für Positionsfehler multipliziert wird, und e) Bestimmen von Protection Levels aus der Posteriori-Verteilung.
Das beschriebene Verfahren ist insbesondere zum autonomen Fahren geeignet. Dabei meint das autonome Fahren hier insbesondere die Fortbewegung von Fahrzeugen, mobilen Robotern und fahrerlosen Transportsystemen, die sich mittels eines GNSS-Empfängers und basierend auf Globalen Navigationssatellitensystemen (GNSS) weitgehend autonom verhalten. Es ist besonders vorteilhaft, wenn ein selbst fahrendes Kraftfahrzeug mit einem Lokalisierungssystem zur Durchführung des beschriebenen Verfahrens versehen ist. Das Lokalisierungssystem kann ein GNSS-gestütztes oder ein GNSS und INS-gestütztes Lokalisierungssystem sein, welches GNSS-Satelliten in seinem Blickfeld erkennt, GNSS-Signale empfangen, und basierend auf empfangenen GNSS-Signalen positionieren kann.
Es kann vorgesehen sein, dass das beschriebene Verfahren epochenweise bzw. regelmäßig wiederholt ausgeführt wird. Mit einer Epoche ist hier insbesondere ein Zeitintervall gemeint, in dem eine aktuell bestimmte Position Gültigkeit hat bzw. bis eine aktuell bestimmte Position aktualisiert wird. Dies kann bedeuten, dass das beschriebene Verfahren bei jeder Aktualisierung der Position einmal ausgeführt wird, somit kann das aktuell bestimmte Protection-Level zusammen mit der aktuell bestimmten Position ausgegeben werden. Dies kann auch bedeuten, dass in einer Epoche alle für die Positionsbestimmung relevanten Parameter wie z. B. Dilusion of Precision (DOP) oder die Anzahl der verfügbaren GNSS- Signale im Sichtfeld einmal aktualisiert werden.
Obwohl die Schritte hier mit den Buchstaben a) bis e) in einer spezifischen Reihenfolge angegeben sind, so ist es nicht erforderlich, diese Reihenfolge stets einzuhalten. Beispielsweise können die einzelnen Schritte unabhängig oft voneinander wiederholt und/oder im Falle der Wiederholung auch teilweise ausgelassen werden. Möglich ist, dass die Schritte zumindest teilweise zeitlich überlagert durchgeführt werden.
Es ist wesentlicher Gedanke der Erfindung, Copula-Modelle basierend auf den durch Testmessungen und/oder Simulationen erfassten Trainingsdaten vorab offline bereitzustellen und in einem Speicher abzulegen. Ein Copula-Modell beschreibt den statistischen Zusammenhang zwischen nach Rängen geordneten Datensätzen. Eine Copula ist eine multivariante kumulierte Verteilungsfunktion, für die die marginale Wahrscheinlichkeitsverteilung jeder Variablen über den Intervall [0, 1] gleichverteilt ist (Schmidt, T. (2007). Coping with copulas. Copulas- Form theory to application in finance, 3-34). Die offline breitgestellten Copula-Modelle können bei der online Fahrt eines Fahrzeuges gemäß Schritt b) aus dem Speicher ausgelesen und gemäß Schritt c) zur Erzeugung von Likelihood-Funkti- onen verwendet werden. Somit können Protection- Levels bei der online Fahrt gemäß Schritt d) und e) durch die Posteriori-Verteilung bestimmt werden, welche durch das Multiplizieren der Likelihood-Funktionen mit einer Prior-Verteilung basierend auf dem Satz von Bayes ermittelt wird. In Schritt d) kann es sich bei den Fehlern um die Abweichungen aller vom GNSS-gestützten Lokalisierungssystem ausgegebenen Größen handeln, z. B. um Positionsfehler, Geschwindigkeitsfehler und/oder Ausrichtungsfehler. In Schritt e) können die Protection Levels basierend auf einem Target- Integrity- Risk aus der Posteriori-Verteilung bestimmt werden.
Aus der Erfindung ergibt sich der Vorteil, dass die Protection-Level unabhängig von Varianzen ausgeführt werden.
Beim Bereitstellen der Copula-Modelle kann vorgesehen sein, dass die Copula- Modelle mit den Trainingsdaten unter Berücksichtigung von unterschiedlichen Umgebungsbedingungen und GNSS-Qualitätsindikatoren modelliert werden. Dabei ist es möglich, die Umgebungsbedingungen in unterschiedlichen Umgebungsklassen zu klassifizieren, sodass für jede Umgebungsklasse mindestens ein Copula-Modell bereitgestellt werden kann. Es ist außerdem möglich, eine Mehrzahl von GNSS-Qualitätsindikatoren vorzudefinieren, sodass für jede Umgebungsklasse und für jeden GNSS-Qualitätsindikator ein Copula-Modell bereitgestellt werden kann.
Ein GNSS-Qualitätsindikator charakterisiert die Qualität der Positionseinschätzungssituation für Positionieralgorithmen und kann als eine Zahl zwischen Null und einer positiven reellen Zahl angegeben werden (siehe Fig. 2). Dabei steht Null für eine sehr schlechte und die positive reelle Zahl für eine sehr gute Qualität. Ein GNSS- Qualitätsindikator bezieht sich auf Schlüsselsignale oder Schlüsselgröße eines GNSS, die online gemessen oder berechnet werden können.
Ein GNSS-Qualitätsindikator kann Dilusion of Precision (DOP) sein. Das DOP ist ein Qualitätsmaß für die verfügbaren GNSS-Signale unter Line-of-Sight Bedingungen und beschreibt, wie gut die GNSS-Satelliten in ihrer Position zueinander, die diese verfügbaren GNSS-Signale ausgestrahlt haben, an einem Ort zur Ortung geeignet sind. Ein GNSS-Qualitätsindikator kann auch die Anzahl der verfügbaren GNSS-Signale im Sichtfeld sein. Da in der Regel mindestens vier GNSS-Signale für die Positionsbestimmung, mindestens fünf GNSS-Signale für die Integritätsüberwachung und mindestens sechs GNSS-Signale für die Identifizierung von mangelhaften GNSS-Satelliten erforderlich sind, ist die Anzahl der verfügbaren GNSS-Signale für die Ortungsqualität ebenfalls äußerst relevant.
Wie eingangs erwähnt, wird die Positionsbestimmung auf der Erde stark von den Umgebungsbedingungen beeinflusst. Es kann vorgesehen sein, dass die Umgebungsbedingungen sowohl bei der offline Modellierung der Copula-Modelle als auch gemäß Schritt a) bei der online Bestimmung von Protection-Levels klassifiziert werden.
Es ist möglich, dass die Umgebungsbedingungen je nach dem durch die Hindernisse bei der GNSS-Signalausbreitung verursachten Mehrwegeffekt in unterschiedlichen Klassen, nämlich in eine offene Umgebungsklasse, eine städtische Umgebungsklasse und eine kritische Umgebungsklasse klassifiziert werden. Die offene Umgebungsklasse kann Szenarien wie Fahrt auf Freiland, Autobahn usw. umfassen, wo es fast keine Hindernisse gibt. Die städtische Umgebungsklasse kann Szenarien wie Fahrt in städtischen Straßenschluchten umfassen, wo es viele Gebäude gibt, sodass die GNSS-Signalausbereitung verhindert und/oder die GNSS-Signale reflektiert werden, wobei der Mehrwegempfang berücksichtigt werden muss. Die kritische Umgebung kann Szenarien wie Fahrt auf einer Straße mit mehreren Ebenen, wo mehrere Fahrbahnen übereinander liegen, umfassen.
Bei der online Fahrt werden in der Regel sowohl das DOP als auch die Anzahl der verfügbaren GNSS-Signale zusammen mit der bestimmten Position ausgegeben. Das heißt, dass die GNSS-Qualitätsindikatoren online gemessen und/oder berechnet werden können. Es ist auch möglich, sowohl das DOP als auch die Anzahl der verfügbaren GNSS-Signale in einem Sichtfeld Standort-, zeit- und bewegungsmustergemäß für die Bereitstellung der Copula-Modelle (vorab) zu ermitteln. Denn jedes GNSS verfügt über eine Vielzahl von GNSS- Satelliten (z. B. Galileo mit 28 Satelliten, GPS mit 24 Satelliten), die gleichmäßig am Himmel bzw. im Orbit verteilt sind und sich nach einem Bewegungsmuster bewegen. Dies bedeutet, dass nur bestimmte GNSS-Signale aus bestimmten GNSS-Satelliten in einem bestimmten Ort zu einem bestimmten Zeitintervall empfangen werden können. Dazu sind die Bewegungsmuster für die Öffentlichkeit zugänglich und können (z. B. vom International GNSS Service (ISG)) heruntergeladen werden.
Es ist bevorzugt, wenn ein Copula-Modell mit folgenden Schritten bereitgestellt wird: i) Bereitstellen von Trainingsdaten, die durch Testmessungen und/oder Simulationen erfasst werden, ii) Klassifizieren der Trainingsdaten in den Umgebungsklassen, iii) Bereitstellen einer empirischen Copula für jede Umgebungsklasse und jeden Qualitätsindikator, und iv) Anpassen eines analytischen Copula-Modells an die empirische Copula.
Es ist möglich, dass die Trainingsdaten aus Messungen im realen Feld und/oder den simulierten Testdaten erfasst werden. Die simulierten Testdaten können z.
B. durch einen GNSS-Signalgenerator erzeugt werden, der in der Lage ist, die Mehrwegausbereitung, d. h. die unterschiedlichen Umgebungsklassen zu berücksichtigen.
Es ist bevorzugt, wenn in Schritt c) die mindestens eine Likelihood-Funktion mit folgenden Teilschritten aus dem Copula-Modell extrahiert wird:
1) Auslesen einer bedingten Verteilung von Positionsfehlern aus dem Co- pula-modell, und
2) Erfassen der mindestens einen Likelihood-Funktion aus der bedingten Verteilung nach den verschiedenen GNSS-Qualitätsindikatoren.
Es ist außerdem bevorzugt, wenn in Teilschritt 1) die bedingte Verteilung aus den Trainingsdaten, die durch Testmessungen und/oder Simulationen erfasst werden, bereitstellt wird.
Es ist darüber hinaus bevorzugt, wenn in Schritt d) die Prior-Verteilung basierend auf den Trainingsdaten und unter Verwendung einer parametrischen Verteilung definiert wird.
Es ist insbesondere bevorzugt, wenn in Schritt d) die Posteriori-Verteilung für Positionsfehler für jede Epoche ermittelt wird.
Gengenüber den bekannten Verfahren zur Bestimmung von Protection-Levels, die entweder auf der geschätzten Varianz aus einem Parameterschätzungsprozess oder auf den GNSS- Residuen aus RAIM basierenden, wird das beschriebene Verfahren unabhängig von der geschätzten Varianz, sondern von den GNSS-Qualitätsindikatoren ausgeführt. Die Qualitätsindikatoren sind Schlüsselsignale oder Schlüsselgrößen des Systems, die online gemessen und/oder berechnet werden können und die Güte (Qualität) der Positionsschätzungssituation für den Positionierungsalgorithmus charakterisieren.
Dazu wird der Satz von Bayes verwendet, um eine Posterior-Verteilung für Positionsfehler zu jeder Epoche zu ermitteln, indem eine Vielzahl von Likelihood-Funk- tionen mit einem Prior multipliziert wird. Die Likelihood-Funktionen werden aus der bedingten Wahrscheinlichkeitsverteilung des Positionsfehlers (aus den Trainingsdaten) bei verschiedenen GNSS-Qualitätsindikatoren gewonnen. Einer der Hauptvorteile der Erfindung, insbesondere im Vergleich zu den bekannten Verfahren, ist die Verwendung einer Copula zur Erzeugung der Likelihood-Funktionen. Dies ermöglicht, eine zuverlässige Likelihood-Funktion zu erhalten und folglich die Posterior-Verteilung direkt abzuleiten. Durch die direkte Ableitung der Posterior-Verteilung können robuste Protection-Levels bestimmt und somit die Wahrscheinlichkeit eines H Ml -Problems verringert werden.
Es ist bevorzugt, wenn ein Steuergerät für den GNSS-Empfänger zur Durchführung des beschriebenen Verfahrens eingerichtet ist.
Es ist außerdem bevorzugt, wenn ein Computerprogramm zur Durchführung eines hier beschriebenen Verfahrens angewandt wird. Dies betrifft mit anderen Worten insbesondere ein Computerprogramm(-produkt), umfassend Befehle, die bei der Ausführung des Programmes durch einen Computer diesen veranlassen, ein hier beschriebenes Verfahren auszuführen.
Es ist darüber hinaus bevorzugt, wenn ein maschinenlesbares Speichermedium angewandt wird, auf dem das hier vorgeschlagene Computerprogramm gespeichert ist. Regelmäßig handelt es sich bei dem maschinenlesbaren Speichermedium um einen computerlesbaren Datenträger.
Es ist insbesondere bevorzugt, wenn das Lokalisierungssystem für ein Fahrzeug, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet ist.
Die hier vorgestellte Lösung sowie deren technisches Umfeld werden nachfolgend anhand der Figuren näher erläutert. Es ist darauf hinzuweisen, dass die Erfindung durch die gezeigten Ausführungsbeispiele nicht beschränkt werden soll. Insbesondere ist es, soweit nicht explizit anders dargestellt, auch möglich, Teilaspekte der in den Figuren erläuterten Sachverhalte zu extrahieren und mit anderen Bestandteilen und/oder Erkenntnissen aus anderen Figuren und/oder der vorliegenden Beschreibung zu kombinieren. Es zeigt schematisch:
Fig. 1 : einen beispielhaften Funktionsgraf für Likelihood-Funktionen, Prior-Verteilung und Posterior-Verteilung,
Fig. 2: Extrahieren einer Likelihood-Funktion aus einem Copula-Modell gemäß einem Qualitätsindikator-Wert,
Fig. 3: ein Blockdiagramm zum Bereitstellen von Copula-Modellen, und
Fig. 4: ein Blockdiagramm eines beschriebenen Verfahrens.
Fig. 1 und Fig. 2 zeigen die im beschriebenen Verfahren verwendeten mathematischen Funktionen und die damit verbundenen Daten, und werden hierbei zusammen erläutert, damit die Erfindung auf der Dateneben verständlicher wird.
Fig. 1 zeigt einen Funktionsgraf, in dem die Likelihood-Funktion P(Q \dx) 1 , die Likelihood-Funktion P(Qiz\dx) 2, die Likelihood-Funktion P(Qis\dx) 3, die Likelihood-Funktion P(Qi4\dx) 4, die Prior-Verteilung 5 und die Posterior-Verteilung 6 einander gegenüber gestellt und über die dem Positionsfehler entsprechenden dx-Achse 8 verteilt sind.
Um die Protection-Levels 7 bei der online Fahrt bekommen zu können, werden zunächst die jeweiligen Likelihood-Funktionen 1 , 2, 3, 4 basierend auf dem Satz von Bayes mit der Prior-Verteilung 5 multipliziert, woraus sich die Posterior-Verteilung 6 ergibt, deren zwei Grenzen, wie in Fig. 1 gezeigt, den zu bestimmenden Protection-Levels 7 entsprechen.
Jeder Likelihood-Funktion 1 , 2, 3, 4 ist ein Qualitätsindikator (nicht gezeigt) zugeordnet. Bei der online Fahrt kann beispielsweise die extrahierende/extrahierte Likelihood-Funktion 12, wie in Fig. 2 gezeigt, gemäß einem Qualitätsindikator-Wert 13 aus dem entsprechenden Copula-Modell (nicht gezeigt) extrahiert werden. In Fig. 2 ist außerdem zu erkennen, dass ein Qualitätsindikator 9 von Null bis fünfunddreißig skaliert wird. Fig. 3 zeigt schematisch einen Ablauf eines hier vorgestellten Verfahrens zum Bereitstellen von Copula-Modellen 15, 16 17. Die dargestellte Reihenfolge der Teilschritte i), ii), iii), und iv) mit den Blöcken 210, 220, 230 und 240 sind lediglich beispielhaft. Im Block 210 erfolgt ein Bereitstellen von Trainingsdaten, die durch Testmessungen und/oder Simulationen erfasst werden. Im Block 220 erfolgt ein Klassifizieren von den bereitgestellten Trainingsdaten in den unterschiedlichen Umgebungsklassen 10, 11. Im Block 230 erfolgt ein Bereitstellen eines empirischen Copulas zwischen Qualitätsindikatoren 9 und Positionsfehler für jede Klasse 10, 11. Im Block 240 erfolgt ein Anpassen eines analytischen Copula-Mo- dells an die empirischen Copula, um die Copula-Modelle 15, 16, 17 bereitzustellen.
Fig. 4 zeigt schematisch und beispielhaft ein Blockdiagramm des beschriebenen Verfahrens zum Bestimmen von Protection-Levels mit Hilfe eines copula-gestütz- ten Bayes'schen Frameworks, wobei eine Mehrzahl von Umgebungsklassen und eine Mehrzahl von GNSS-Qualitätsindikatoren gegeben wird, und wobei für jede Umgebungsklasse und jeden GNSS-Qualitätsindikator ein Copula-Modell 15, 16, 17 offline bereitgestellt und in einem Speicher (nicht gezeigt) abgelegt wird. Das Verfahrensschritte a), b), c), d) und e) werden bei der Fahrt (d. h. online) epochenweise ausgeführt. Die dargestellte Reihenfolge der Verfahrensschritte a), b), c), d) und e) mit dem Block 110, den Pfeilen 120, den Blöcken 130, 140 und 150 ist lediglich beispielhaft. Im Block 110 erfolgt ein Klassifizieren der Umgebung bei der Fahrt basierend auf den GNSS-Qualitätsindikatoren 9 und Ermitteln, zu welcher Umgebungsklasse die Umgebung gehört, wobei online Daten 14 wie z. B. GNSS-Signaldaten, Sensordaten erfasst werden. Bei den Pfeilen 120 erfolgt das Auslesen eines der ermittelten Umgebungsklasse entsprechenden Copula-Mo- dells 15, 16 oder 17 aus dem Speicher. Im Block 130 erfolgt das Extrahieren mindestens einer Likelihood-Funktion 1 , 2, 3, 4, 12 aus dem ausgelesenen Copula- Modell 15, 16 oder 17 nach einem Qualitätsindikator-Wert 13. In den zwei Blöcken 140 erfolgt das Ermitteln einer Posteriori-Verteilung 6 für Positionsfehler, wobei zunächst im ersten Block 140 das Definieren der Prior-Verteilung 5 basierend auf den Trainingsdaten und unter Verwendung einer parametrischen Verteilung erfolgt, und anschließend im zweiten Block 140 das Multiplizieren der mindestens einen Likelihood-Funktion 1 , 2, 3, 4, 12 basierend auf dem Satz von Bayes mit einer Prior-Verteilung 5 für Positionsfehler erfolgt. Im Block 150 erfolgt das Bestimmen von Protection-Levels 7 aus der Posteriori-Verteilung 6 basierend auf einem Target- Integrity- Risk.

Claims

Ansprüche
1 . Verfahren zum Bestimmen von Protection-Levels (7) bei der Fahrt eines Fahrzeuges mit einem GNSS-gestützten Lokalisierungssystem unter der Verwendung eines copula-gestützten Bayes'schen Frameworks, wobei eine Mehrzahl von Umgebungsklassen (10, 11) und eine Mehrzahl von GNSS- Qualitätsindikatoren (9) vordefiniert wird, und wobei für jede Umgebungsklasse (10, 11) und jeden GNSS-Qualitätsindikator (9) ein Copula-Modell (15, 16, 17) offline breitgestellt und in einem Speicher abgelegt wird, umfassend folgende Schritte: a) Klassifizieren der Umgebung bei der Fahrt basierend auf den GNSS- Qualitätsindikatoren (9) und Ermitteln, zu welcher Umgebungsklasse (10, 11) die Umgebung gehört, b) Auslesen eines der ermittelten Umgebungsklasse (10, 11) entsprechenden Copula-Modells (15, 16,17) für die entsprechenden Qualitätsindikatoren (9)aus dem Speicher, c) Extrahieren mindestens einer Likelihood-Funktion (1 , 2, 3, 4, 12) aus dem ausgelesenen Copula-Modell (15, 16, 17) nach einem Qualitätsindikator- Wert (13), d) Ermitteln einer Posteriori-Verteilung (6) für Fehler, indem die mindestens eine Likelihood-Funktion (1 , 2, 3, 4, 12) basierend auf dem Satz von Bayes mit einer Prior-Verteilung (5) für Positionsfehler multipliziert wird, und e) Bestimmen von Protection Levels (7) aus der Posteriori-Verteilung (6)
2. Verfahren nach Anspruch 1 , wobei ein Copula-Modell (15, 16, 17) mit folgenden Schritten bereitgestellt wird: i) Bereitstellen von Trainingsdaten, die durch Testmessungen und/oder Simulationen erfasst werden, ii) Klassifizieren der Trainingsdaten in den Umgebungsklassen (10, 11), iii) Bereitstellen einer empirischen Copula für jede Umgebungsklasse (10, 11) und jeden Qualitätsindikator (9), und iv) Anpassen eines analytischen Copula-Modells (15, 16, 17) an die empirische Copula.
3. Verfahren nach Anspruch 1 oder 2, wobei in Schritt c) die mindestens eine Likelihood-Funktion mit folgenden Teilschritten aus dem Copula-Modell (15, 16, 17) extrahiert wird:
1) Auslesen einer bedingten Verteilung von Positionsfehlern aus dem Co- pula-modell (15, 16, 17), und
2) Erfassen der mindestens einen Likelihood-Funktion (1 , 2, 3, 4) aus der bedingten Verteilung nach den verschiedenen GN SS-Qualitätsindikatoren (9).
4. Verfahren nach Anspruch 3, wobei in Teilschritt 1) die bedingte Verteilung aus den Trainingsdaten, die durch Testmessungen und/oder Simulationen erfasst werden, breitstellt wird.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei in Schritt d) die Prior-Verteilung (5) basierend auf den Trainingsdaten und unter Verwendung einer parametrischen Verteilung definiert wird.
6. Verfahren nacheinem der vorhergehenden Ansprüche, wobei in Schritt d) die Posteriori-Verteilung (6) für Fehler für jede Epoche ermittelt wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Fehler alle vom GNSS-gestützten Lokalisierungssystem ausgegebenen Größen betreffen.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Fehler Positionsfehler, Geschwindigkeitsfehler und/oder Ausrichtungsfehler sind.
9. Steuergerät, welches zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet ist.
10. Computerprogramm zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche 1 bis 8.
11. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 10 gespeichert ist
12. Lokalisierungssystem für ein Fahrzeug, eingerichtet zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 8.
PCT/EP2024/068094 2023-07-07 2024-06-27 Verfahren zur bestimmung von protection-levels bei der fahrt eines fahrzeuges mit einem gnss-gestützten lokalisierungssystem mit hilfe eines copula-gestützten bayes'schen frameworks Pending WO2025011969A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023206473.1 2023-07-07
DE102023206473.1A DE102023206473A1 (de) 2023-07-07 2023-07-07 Verfahren zur Bestimmung von Protection-Levels bei der Fahrt eines Fahrzeuges mit einem GNSS-gestützten Lokalisierungssystem mit Hilfe eines copula-gestützten Bayes'schen Frameworks

Publications (1)

Publication Number Publication Date
WO2025011969A1 true WO2025011969A1 (de) 2025-01-16

Family

ID=91758753

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/068094 Pending WO2025011969A1 (de) 2023-07-07 2024-06-27 Verfahren zur bestimmung von protection-levels bei der fahrt eines fahrzeuges mit einem gnss-gestützten lokalisierungssystem mit hilfe eines copula-gestützten bayes'schen frameworks

Country Status (2)

Country Link
DE (1) DE102023206473A1 (de)
WO (1) WO2025011969A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018121879A1 (en) * 2016-12-30 2018-07-05 U-Blox Ag Gnss receiver protection levels
EP3859397A1 (de) * 2020-01-31 2021-08-04 u-blox AG Verfahren und vorrichtung für einzelepochenpositionsgrenze

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018121879A1 (en) * 2016-12-30 2018-07-05 U-Blox Ag Gnss receiver protection levels
EP3859397A1 (de) * 2020-01-31 2021-08-04 u-blox AG Verfahren und vorrichtung für einzelepochenpositionsgrenze

Also Published As

Publication number Publication date
DE102023206473A1 (de) 2025-01-09

Similar Documents

Publication Publication Date Title
EP3312633B1 (de) Verfahren und system zum ermitteln einer position einer mobilen vorrichtung
DE102009043882B4 (de) Vorrichtung und Verfahren zum Abschwächen von Mehrwegsignalen
EP3740738B1 (de) Verfahren zur positionsbestimmung eines fahrzeugs
DE69709107T2 (de) Fehlererkennung und -ausschluss in einem gps-empfänger
DE10135586A1 (de) Rekonfigurations-Verfahren für ein Sensorsystem mit zumindest einem Satz von Beobachtern zur Ausfallkompensation und Sicherstellung einer Meßwertgüte
EP2051093B1 (de) Verfahren und Vorrichtung zur Integritätsüberwachung von Satellitennavigationssignalen
DE102020213315A1 (de) Verfahren zur GNSS-basierten Lokalisierung eines Fahrzeugs mit einer GNSS-Lokalisierungseinrichtung, unter Berücksichtigung von Integritätsinformationen, die zu GNSS-Korrekturdaten bereitgestellt werden
DE102016116282A1 (de) Verfahren und vorrichtung zur leistungsbewertung eines bordgestützten fahrzeugnavigationssystems unter verwendung adaptiver stochastischer filterung
EP2936205A2 (de) Verfahren zum bereitstellen eines gnss-signals
EP1906198A2 (de) Verfahren zum Einstellen der Integritätsalarmschranke in einem Satellitennavigationsgerät
DE112020003536T5 (de) Verfahren und Vorrichtung zur Erkennung eines Täuschungsvorgangs eines GNSS-Systems
WO2022179794A1 (de) Verfahren zum ermitteln mindestens eines systemzustands mittels eines kalman-filters
WO2020126795A1 (de) Verfahren zum adaptiven ermitteln eines integritätsbereichs einer parameterschätzung
EP1728092B1 (de) Verfahren und vorrichtung zum verarbeiten von satellitensignalen
EP2239598B1 (de) Verfahren und Vorrichtung zur Abschätzung des Integritätsrisikos in einem Satellitennavigationssystem
EP2017636B1 (de) Verfahren und Vorrichtung zur Bestimmung eines Integritätsrisikos bei einem Satelliten-Referenziersystems
DE102019211174A1 (de) Verfahren zum Ermitteln eines Modells zur Beschreibung mindestens eines umgebungsspezifischen GNSS-Profils
WO2025011969A1 (de) Verfahren zur bestimmung von protection-levels bei der fahrt eines fahrzeuges mit einem gnss-gestützten lokalisierungssystem mit hilfe eines copula-gestützten bayes'schen frameworks
DE102020206641B4 (de) Verfahren und Vorrichtung zum Bereitstellen einer hochauflösenden digitalen Karte
DE102017201886B3 (de) Verfahren zur Ermittlung einer Genauigkeitsinformation eines Positionsvektors
DE102024202522A1 (de) Verfahren zum Bestimmen von Protection-Levels eines GNSS-gestützten Lokalisierungssystems für ein Fahrzeug unter Verwendung eines Bayes'schen Frameworks
WO2023046357A1 (de) Verfahren zur detektion von gnss-spoofing in einem gnss-empfänger eines lokalisierungssystem
WO2021245058A2 (de) Verfahren zur auswahl einer satellitenkombination für eine positionsbestimmung
WO2025185883A2 (de) Robuste selbstlokalisierung mit satellitennavigation
DE102017121950A1 (de) Verfahren zum Schätzen eines Zustands einer mobilen Plattform

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24737450

Country of ref document: EP

Kind code of ref document: A1