1.本发明涉及计算机实施的用于识别在车辆前面的行驶路段上的障碍物的方法，以及涉及一种为此设立的计算机程序和一种具有这种计算机程序的车辆。
背景技术：
2.从de 10 2016 208883 a1中已知了一种用于测定坑洼的方位的方法。在此，将多个车辆轨迹信息与参考轨迹信息进行比较，以便确定第一坑洼信息。在此，参考轨迹信息可以表示避让轨迹或者坑洼辗压轨迹。
3.de 10 2012 219631 a1涉及一种用于探测至少一个行车道不平度的方法。在此，如果来自多个数据集的分配给相同地理位置的信息每次都表示本地检测到的行车道不平度，则识别出行车道不平度。对不平度的本地检测在此可以通过加速度传感器或者光学传感器来进行。
4.de 10 2006 032735 a1介绍了一种用于测量行车道的状况的雷达传感器。
技术实现要素：
5.介绍了一种计算机实施的用于识别在第一车辆前面的行驶路段上的障碍物的方法。障碍物在此可以是行车道损伤、尤其是坑洼，或者可以是行车道上的对象。
6.在此，在第一车辆中，利用第一车辆的至少一个传感器来检测关于在行驶路段上在前面行驶的第二车辆的信息。为此，在有利的构建方案中，不同的车辆传感器、尤其是环境传感器可以投入使用，例如摄像机、激光雷达、雷达、麦克风或者超声波传感器可以投入使用。
7.在第一车辆中，通过计算机，根据检测到的信息识别出第二车辆由于障碍物造成的避让行动或者识别出第二车辆对障碍物的辗压。
8.在特别优选的构建方案中，关于第二车辆的信息在此可以包括关于第二车辆的运动的信息。尤其是，可以检测第二车辆的至少一个俯仰运动，所述至少一个俯仰运动可以指示对障碍物的辗压。从检测到的信息中，也可以得出第二车辆在车道上的相对位置的变化或者第二车辆的偏航运动，这可以指示由于障碍物造成的避让行动。
9.根据所识别出的避让行动或者所识别出的辗压，识别出行驶路段上的障碍物。在此，优选地也可以确定障碍物的地点、尤其是第一车辆距障碍物的距离或者障碍物在车道上的方位。
10.根据所识别出的障碍物，现在引入用于保护车辆或者障碍物的措施。优选地，该措施包括自动转向干预、自动制动干预和/或给第一车辆的驾驶员的警告信号。
11.在第一优选构建方案中，在前面行驶的第二车辆只是直接行驶在第一车辆前面的车辆。这种变型方案的优点是对该车辆的所需信息的简单和相对可靠的检测。
12.在其他优选构建方案中，可以考虑直接或者较远地在第一车辆前面的一个或者多个车辆。在这里普遍检测所需的信息是较困难的同时，本方法提供了较早识别出障碍物的
可能性，并提供了通过在多个车辆处的观测对怀疑的验证。
13.在有利的构建方案中，第一车辆既监控第二车辆由于障碍物造成的避让行动，又监控第二车辆对障碍物的辗压。在该实例中，接着优选地也根据所识别出的避让行动和所识别出的对障碍物的辗压，可以识别出障碍物，尤其是如果涉及仅部分成功的避让行动，则如此。
14.所描述的方法提供了如下优点：车辆可以独立地识别出对于其不可见或者后期才可见的障碍物，而不依靠通过另外的车辆或者通过其他外部单元或者数据源的信息。在此，通过一个或者多个在前面行驶的车辆的行为，尤其是通过一个或者多个在前面行驶的车辆的运动，车辆可以推断出障碍物，该车辆利用自己的车辆传感器观测到所述行为。在此尤其是，如果在前面行驶的车辆还没有识别出障碍物本身或者太晚识别出了障碍物本身并且还没有作出反应或者不恰当地作出了反应，则也可以识别出障碍物。
15.通过这种对障碍物的识别，可以在后续车辆中积极主动地引入用于保护车辆、该车辆的乘员并且必要时也保护障碍物的措施。
16.可以在车辆的驾驶员辅助系统中或者在全自动化车辆的车辆计算机中采用所描述的方法。例如，在汽车、卡车或者摩托车中采用所描述的方法。
17.为了识别在前面行驶的车辆的表征性运动，可以采用机器学习方法、如深度学习（deep learning），所述表征性运动表明绕行或者对障碍物的辗压。
附图说明
18.随后，参照附上的附图对本发明的实施形式进行更详细地阐述。在这些附图中示意性地：图1示出了辗压障碍物的在前面行驶的车辆，以及示出了跟随该在前面行驶的车辆的车辆，图2示出了避让障碍物的在前面行驶的车辆，以及示出了跟随该在前面行驶的车辆的车辆，图3示出了用于识别行驶路段上的障碍物的以及用于对此作出反应的方法的示例性流程，图4示出了在辗压障碍物时通过车辆的俯仰运动造成的竖直的和水平的偏斜，以及图5示出了车辆距行车道边缘的间距的变化，以及示出了在车辆的避让行动中通过偏航运动造成的倾斜。
具体实施方式
19.原则上，行车道上的障碍物属于针对车辆、十分特别地针对自动化车辆的最大挑战。因而，为这种车辆设置如下车辆传感器系统：为了足够早地避免碰撞，所述车辆传感器系统可以从确定的最小大小起已经在限定的距离中识别出对象。然而，这在如下情况下变得困难：在车辆与对象之间不存在清晰的视线连接（sichtverbindung），因为一辆车辆跟随另一辆车辆。
20.在密集的交通中，几乎不能避免跟随在前面行驶的车辆。此外，自动化车辆可以利
用在前面行驶的车辆，以便辨识出在其上可行驶的路段区段，并且尝试在该路段区段之内或者在行车道上跟随该车辆。在此，跟随的车辆可能会从如下假设出发：在前面行驶的车辆已经检查即将到来的路段区段是可自由地在其上行驶的。尤其是，车辆可能会假设：在前面行驶的车辆避让行车道上的障碍物、如对象或者坑洼，引入合适的制动行动或者传送警告，例如通过警告灯来传送警告。但是，不一定进行这种行为。
21.如果在前面行驶的车辆辗压处于行车道上的对象，则在有些情况下，只有当该对象出现在该在前面行驶的车辆下方或后方时，该对象对于随后的车辆才是可见的。这或许对于跟随的车辆作出恰当反应而言可能太晚。
22.因而建议了，车辆具有观测设备（监视器（monitor）），该观测设备使用车辆传感器、如摄像机、激光雷达或者雷达，以便通过观测在前面行驶的车辆来识别行驶路段上的可能的障碍物、如对象或者坑洼。一般性的假设在此是，要观测的障碍物大到使得：要避免辗压，而且障碍物被在前面行驶的车辆至少部分地和/或暂时地遮盖。
23.所观察的在前面行驶的车辆优选地是直接在前面行驶的车辆。但是，在构建方案中也可以观测距离较远地在前面行驶的车辆，只要多辆车辆（例如，在斜坡上或由于其大小）对于后续车辆是可见的，就也可能会同时观测多辆车辆。
24.在下文，更详细地描述了观测的两种不同表现形式。在第一情况下识别出，在前面行驶的车辆实际上行驶到障碍物上方。在第二情况下识别出，在前面行驶的车辆开始短时间的避让行动，以便绕行障碍物。
25.图1示意性地示出了辗压障碍物的在前面行驶的车辆，以及示出了跟随该在前面行驶的车辆的车辆。
26.在所呈现的行驶场景中，在箭头轴线之下从左向右能看到，在前面行驶的车辆如何接近障碍物，该在前面行驶的车辆首先用它的左前轮辗压该障碍物，然后用它的左后轮辗压该障碍物，并且最后，障碍物位于该在前面行驶的车辆与跟随的车辆之间。
27.在箭头轴线之上，在所有情况下以从后方的视图示出了在前面行驶的车辆。在车辆在第一图像和最后的图像的场景中未显出异常的同时，对于第二场景能识别出车辆在左前方的单侧俯仰运动，对于第三场景能识别出车辆在左后方的单侧俯仰运动。
28.跟随的车辆利用它的监控装置或利用它的车辆传感器探测到该俯仰运动，并对该俯仰运动进行检查或评估该俯仰运动。根据在前面行驶的车辆的所识别出的俯仰运动，现在可以在跟随的车辆中识别出位于下面的障碍物。必要时，此外根据在该在前面行驶的车辆的情况下何时和何处已识别出俯仰运动，可以得出关于障碍物位于何处的信息：例如，在前面行驶的车辆的车道上在前面多远或向右或向左多远。根据在前面行驶的车辆的俯仰运动有多强烈，也可以得出障碍物有多大。接着，监视器可以输出所识别出的障碍物的信号，输出必要时具有障碍物的其他得出的信息的信号。
29.于是，在跟随的车辆中，可以对所识别出的障碍物作出合适的反应。这样，例如在自动化车辆中可以改变所规划的轨迹，或者可以引入避让和/或制动行动。附加地或者替选地，可以在车辆中向驾驶员输出警告。
30.在有利的表现形式中，监视器能够识别出如下俯仰运动：所述俯仰运动涉及车辆的整个正面和/或整个后面，在下文称为两侧俯仰运动。例如，如果车辆同时用右前轮和左前轮或同时用右后轮和左后轮辗压较大的障碍物，则可能出现这种双侧俯仰运动。在单侧
俯仰运动与双侧俯仰运动之间的区别在此对于跟随的车辆是重要的，因为在单侧俯仰运动的情况下，朝向车道的另一侧的避让行动可以是选项，而在双侧俯仰运动的情况下通常不开放该选项。更确切而言，在双侧俯仰运动的情况下，可能指引较极端的行动、例如车道变动或者紧急制动。
31.图4示出了在辗压障碍物时通过车辆的俯仰运动造成的竖直的和水平的偏斜。
32.观测在前面行驶的车辆的俯仰运动使得监视器能够间接地识别出在行车道上的障碍物。对此，监视器评估车辆传感器的传感器信号，所述车辆传感器收集关于在前面行驶的车辆的信息。在前面行驶的车辆的轴的单侧方位改变可以车辆的表征性俯仰运动表现出来（图4中的右侧），所述表征性俯仰运动可以通过与在方位变化之前或在俯仰运动之前的传感器数据（图4中的左侧）进行比较来探测到。
33.典型地，对障碍物的辗压导致俯仰运动，该俯仰运动以车辆上侧（图4中的41）（例如在车辆上侧上的可见棱边）的表征性的、常常突然的竖直方位改变表现出来，和/或通过在车辆的右侧或者左侧（图4中的42）上的表征性的水平方位变化表现出来。这些方位变化可以被监视器识别出，并且据此可以识别出相对应的障碍物的存在。方位变化在此可以在车辆的两侧上出现，并且可以在车辆的每个轴处出现。在特别的构建方案中，基于识别出的方位变化，监视器可以例如在通过被辗压的对象而造成的向上的俯仰运动与通过被辗压的坑洼而造成的向下的俯仰运动之间进行区分，因为该区别也可以为不同的最佳反应奠定基础。
34.在所描述的方法的特别的构建方案中，监视器为了探测和评估表征性的方位变化可以采用机器学习算法、如例如神经网络（例如卷积神经网络（convolutional neural network）或者递归神经网络（recurrent neural network）），该机器学习算法已利用合适的数据相对应地受过训练。
35.作为所描述的方法的可能的扩展方案，监视器附加地可以输出如下置信值或者概率：根据监视器的计算，障碍物的存在基于所记录的方位变化是有多确定无疑。该信息可被考虑作为规定合适的反应的基础，并为此可由监视器例如向行为或轨迹规划方输出。
36.图2示出了避让障碍物的在前面行驶的车辆，以及示出了跟随该在前面行驶的车辆的车辆。
37.在所呈现的行驶场景中，从左向右能看到，在前面行驶的车辆如何接近障碍物，该在前面行驶的车辆（非常短时间地）通过向左的转向行动避让障碍物，接着在障碍物旁边驶过，并且最后又通过向右的转向行动驶入到它的车道的中间。在第一场景中并且可能在第二场景中，跟随的车辆不能直接探测到障碍物。在第三和第四场景中的直接探测可能对于合适的反应已经太晚。
38.在该第二情况下，跟随的车辆利用监视器监控在前面行驶的车辆短时间的向右或者向左的避让行动。在此，尤其是如下行动被记录为表征性的：所述行动超过确定的横向速度和/或加速度或者不超过车辆轨迹的确定的横向移动。可以在准备阶段配置相对应的阈值。如果识别出表征性的避让行动，则监视器可以推断出障碍物的存在。附加地，根据避让行动的时刻、类型和方向，可以得出关于障碍物以何种距离并且在何处位于车道上（例如右边、左边、中间）的信息。
39.于是，在跟随的车辆中可以对所识别出的障碍物作出合适的反应。这样，例如在自
动化车辆中可以改变所规划的轨迹，或者可以引入避让和/或制动行动。附加地或者替选地，可以在车辆中向驾驶员输出警告。
40.观测在前面行驶的车辆的避让行动使得监视器能够间接地识别出在行车道上的障碍物。为此，监视器评估车辆传感器的传感器信号，所述车辆传感器收集关于在前面行驶的车辆的信息。车辆的传感器系统在此可以向相同车辆的监视器传输未加工的或者经过预处理的传感器数据。在此，可以涉及各种传感器数据，尤其是涉及环境传感器的数据、如摄像机图像、激光雷达点云、雷达特征信号（radarsignaturen）、音频信息、超声波数据等。
41.图5示出了车辆距行车道边缘的间距的变化，以及示出了在车辆的避让行动中通过偏航运动造成的倾斜。
42.在前面行驶的车辆的表征性避让行动尤其是可以通过如下方式来识别出：例如通过车辆距行车道标志、如边缘或者中部条带的距离变化（图5中的51，52），识别出车辆在车道上的相对位置的变化。附加地或者替选地，监视器可以基于经过评估的传感器数据来确定在前面行驶的车辆的偏航运动的偏航率，其方式是：所述监视器评估车辆的左后棱角和左前棱角的相对位置（图5中的53、54），或相对应地评估车辆的右后棱角和右前棱角的相对位置。除此以外，也可以探测表征性的避让行动，其方式是：识别出在车辆的整个长度上的俯仰运动，所述俯仰运动由硬转向行动来触发，所述硬转向行动将车辆在一侧深深压到悬架（federung）中。在此，在所有类型的对避让行动的探测中，相对应的变量优选地在其时间变化过程方面被评估。
43.在所描述的方法的特别的构建方案中，监视器为了探测和评估避让行动可以采用机器学习算法、如例如神经网络（例如卷积神经网络或者递归神经网络），该机器学习算法已利用合适的数据相对应地受过训练。
44.作为所描述的方法的可能的扩展方案，监视器可以附加地输出如下置信值或者概率：根据监视器的计算，障碍物的存在基于所记录的避让行动是有多确定无疑。该信息可被考虑作为规定合适的反应的基础，并为此可由监视器例如向行为或者轨迹规划方输出。
45.图3示出了用于识别行驶路段上的障碍物的以及用于对此作出反应的方法的示例性流程。
46.在第一步骤31中，在车辆中提供车辆传感器的传感器数据，所述车辆传感器收集关于在前面行驶的车辆的信息。
47.在第二步骤32中，监视器（尤其是车辆中的软件实体，该软件实体可以访问车辆中的计算和存储资源）评估所提供的传感器数据，并识别出在前面行驶的车辆的表征性运动模式，尤其是识别出通过辗压障碍物造成的俯仰运动或者由于障碍物而针对避让行动为表征性的运动。根据识别出的运动，监视器确定，由此是否可以导出在行车道上存在障碍物。如果识别出存在的障碍物，则监视器尤其是引入合适的反应。例如，在步骤33中，监视器可以向驾驶员接口（如屏幕或者扬声器）发送警告信号。附加地或者替选地，在步骤34中，关于障碍物的信息可以被转发给其他实体、如运动或者轨迹规划装置，或可以被转发给车辆的控制单元。在那里，可以怀着如下目的从安全角度来确定针对合适的行动的边界条件：避免辗压障碍物。在此，尤其是也考虑车辆及其周围环境的安全性的其他边界条件，例如考虑周围环境和其他交通参与者。作为反应，可以确定避让轨迹，或者得出针对所涉及的、推测被阻塞的路段区段的边界条件。例如以在行车道上的被阻塞的二维面的形式，这种边界条件
可以被输出为具有相关联的代价的面或者被输出为一组线条或者多边形。
48.所描述的方法在此可以作为针对车辆运动的安全壳（safety shell）的部分而被采用。
49.在特别优选的构建方案中，所描述的方法通过如下方式来实现：跟随的车辆的监视器既监控在前面行驶的车辆针对辗压障碍物的迹象，又监控在前面行驶的车辆针对由于障碍物造成的避让行动的迹象。在此，例如如果不仅探测到（至少部分失败的）避让尝试且探测到接着对障碍物的辗压，则这种信息的交换特别有助于可靠地识别出障碍物。