在驾驶员辅助系统中确定对象的似然性的方法

暂无

在驾驶员辅助系统中确定对象的似然性的方法\n技术领域\n[0001] 本发明涉及一种用于在车辆的驾驶员辅助系统中确定对象的似然性的方法，这些车辆具有定位系统(例如雷达系统)，用于在车辆周围定位对象并且用于在垂直于行驶方向的方向上测量该对象的横向尺寸(Querablage)，其中限定自身车辆的轨迹(Fahrschlauch)，并且根据运动对象是位于该轨迹之内还是位于该轨迹之外来确定这些运动对象的似然性。\n背景技术\n[0002] 在驾驶车辆时辅助驾驶员的驾驶员辅助系统中，常常必需的是，确定所定位的对象(尤其是行驶在前面的其它车辆)的似然性。因此认为，必须决定，在实施相关辅助功能时必须潜在地考虑这些对象还是不考虑这些对象。 其中出现该问题的驾驶员辅助系统的例子例如是也被称为ACC系统(自适应巡航控制(Adaptive Cruise Control))的自适应行驶速度调节器或者报警和安全系统，在自适应行驶速度调节器中，匹配自身车辆的行驶速度，以致以所测量的距离跟踪所定位的行驶在前面的车辆；这些报警和安全系统在发生威胁的碰撞之前应向驾驶员报警和/或应自动地采取减轻碰撞后果的措施。\n[0003] 为了确定对象的似然性，在这样的系统中定义适当宽度的轨迹，该轨迹说明了自身车辆的推测线路，并且位于该轨迹之内的对象在ACC系统中在以下意义上来确定其似然性，即这些对象被归入潜在相关的障碍，行驶速度调节器可能必需对这些障碍作出反应。 在如此确定其似然性的对象中，选出通常的、距自身车辆距离最小的对象作为距离调节的目标对象。\n[0004] 轨迹的宽度通常应例如对应于自身车辆在其上行驶的车道的宽度。 可是，在准确确定该宽度的情况下，出现下列目标冲突。 一方面，该宽度应该选择得尽可能大，由此能够及早识别潜在的目标对象，尤其是即使在不直的道路分布的情况下，并且因此能及时匹配速度。 另一方面，如果轨迹如此宽以致其也延伸到部分相邻车道上，则存在出现所谓的附加车道干扰的危险，也就是错误地来确定位于附加车道并且因而实际上并不相关的对象的似然性并且这些对象被包括在评估中，以致出现系统的错误反应。\n[0005] 为了优化轨迹宽度，已经建议，只要目标对象已被识别，就将轨迹向外扩宽一定的基本宽度，以致能够更稳定地跟踪该目标对象。 可是，这具有以下缺点，即如果所跟踪的在前车辆靠边行驶到附加车道上，则该车辆不必要长得被保持为目标对象，并且出现的附加车道干扰更长时间地且因此实质更强烈地发生作用。\n[0006] 另一方法在于，根据由导航系统所提供的数据，或者根据由定位系统所提供的定位数据来区分不同的道路类型，即一方面是高速公路而另一方面是公路。 于是，在通常每个行驶方向具有多个车道的高速公路上选择较窄的轨迹，以便避免附加车道干扰，而在通常在每个方向上仅有一个车道的公路上选择较宽的轨迹，由此能够更早地检测到目标对象且更稳定地跟踪目标对象。 可是，此处存在以下缺点，即在高速公路上，目标对象首先相对晚地被识别并且因此损害了自身车辆的靠近行为。 另一方面，在公路上，尤其是在建造良好的、很宽的公路上，以及在也在公路上偶尔出现的慢行车道、并车车道(Einfaedelungsspur)或者转弯车道的情况下存在对于附加车道干扰的高灵敏度。\n发明内容\n[0007] 根据本发明提出了一种用于在车辆的驾驶员辅助系统中确定对象的似然性的方法，所述车辆具有定位系统，用于在车辆周围定位对象并且用于测量对象在垂直于行驶方向的方向上的横向尺寸，其中限定自身车辆的轨迹并且根据运动对象位于该轨迹之内还是位于该轨迹之外来确定所述运动对象的似然性，其中：以统计学方式评估静止对象的横向尺寸，用于识别道路左边界和道路右边界，评估运动对象的横向尺寸，用于识别可能的附加车道，计算自身车辆位于道路的最右边车道的概率值Q_R和自身车辆位于最左边车道的概率值Q_L，以及根据概率值Q_R和Q_L改变轨迹的宽度和/或横向位置。\n[0008] 具有上述特征的本发明能够不依赖于或者补充如由导航系统提供的附加信息地根据当前情形优化轨迹的宽度和位置。\n[0009] 为此，在根据本发明的方法中实施以下步骤：\n[0010] -以统计学方式评估静止对象的横向尺寸，用于识别道路左边界和道路右边界，[0011] -评估运动对象的横向尺寸，用于识别可能的附加车道，\n[0012] -计算自身车辆位于道路的最右边车道的概率值Q_R和自身车辆位于最左边车道的概率值Q_L，以及\n[0013] -根据概率值Q_R和Q_L改变轨迹的宽度和/或横向位置。\n[0014] 通常作为定位系统在驾驶员辅助系统中所采用的雷达系统不仅能够测量所定位对象的距离和相对速度，而且由于雷达传感器的某种角度分辩能力也能够测量对象的方位角。 根据该方位角，结合所测量的对象距离能测量对象的横向尺寸，即在垂直于自身车辆的行驶方向的方向上的位置。 此外，所测量的相对速度与已知的自身车辆的行驶速度的比较能够区分静止对象和运动对象。 在其中不能直接测量相对速度的定位系统的情况下，通过距离数据的时间导数获得相对速度。 在被识别为静止对象的对象中，通常涉及道路边缘上的对象或者在道路边缘附近的对象，例如涉及安全栏杆等。 因而，通过以统计学方式分析对象的横向尺寸也能估计道路左边缘和道路右边缘相对于自身车辆的位置的概率值。 以这种方式不仅获得了关于道路宽度的信息，而且也获得了关于自身车辆是更接近道路右边缘还是更接近道路左边缘的信息。\n[0015] 相应地，运动对象、尤其是行驶在前面的车辆和迎面而来的车辆的横向尺寸的评估能够确定每个行驶方向的车道的数量以及识别自身车辆相对于这些车道的位置。\n[0016] 如果相互组合评估结果，则能给出至少一个某个概率Q_R或Q_L，即自身车辆位于最右边的车道的概率Q_R或自身车辆位于最左边的车道的概率Q_L。 在此可能的是，Q_R和Q_R同时采取高值，这意味着涉及单行的道路。\n[0017] 因此，这些概率值隐含地包含关于可能存在附加车道的信息，并且在此基础上可能的是，取决于情形地优化轨迹的宽度，以致如果不存在附加车道并且因此也不必担忧附加车道干扰，则始终能够及早识别对象和确定对象的似然性，而在存在附加车道的情况下使轨迹狭窄，以致避免附加车道干扰。 由于在这种方法中仅仅根据实际的和当前的事实而不是根据一定的道路类型来安排，所以例如即使在高速公路施工现场的单行交通状况的情况下也能实现宽轨迹的优点，即实现改进的自身车辆的靠近行为，而另一方面，只要在公路上存在超车道等，就能通过及时匹配轨迹来预防附加车道干扰的危险。\n[0018] 由下面的内容得到本发明的有利的改进方案和扩展方案。\n[0019] 单独根据定位设备的定位数据决定性地以相对详细的车道识别为基础的所建议的方法在驾驶员辅助系统中也能被用于其它目的，例如用于识别自身车辆的车道变换过程，用于识别在报警或者安全系统等的范围中的绕驶可能性。\n[0020] 在优选的实施形式中，该方法被用于不对称的轨迹匹配，如以这样的方式，即如果谈及自身车辆位于最右边的车道的高概率，则轨迹不对称地仅在右侧被扩展，以致即使在弯曲的道路分布的情况下也能够实现更早的和更稳定的目标定位，而通过在朝向附加车道的一侧上保持较窄的轨迹边界来避免附加车道干扰的危险。\n[0021] 为了计算车辆在道路右边缘或者道路左边缘行驶的概率，所测量的(在横越行驶方向的方向上的)道路边缘距离优选地与预定的道路边缘分布相比较，该道路边缘分布基于对车道宽度的实际假设。 所测量的静止对象的横向尺寸的统计学方式分散在此能作为用于识别道路边缘的质量参数而并入评估中。\n[0022] 类似地，所测量的运动对象的横向尺寸也优选地与预定的车道分布相比较，以便获得存在附加车道的概率值。 此外，适宜的是绝对地在与自身车辆相同的方向上运动的运动对象与在反方向上运动的这种对象之间的区分。 以这种方式，属于相同的车行道的平行车道能与相反行驶方向的逆行车道(Gegenspur)。 在右侧驾驶的国家中仅针对道路左侧检验逆行车道的存在可能就足够了。 可是，鉴于本方法的更大的稳定性和鉴于也在左侧驾驶的国家中采用，适宜的是针对道路右侧和道路左侧对称地实施该方法。\n[0023] 定位数据的统计学方式分析优选地包括低通滤波在内，利用低通滤波一方面实现概率值的足够稳定性而另一方面实现足够快速地与变化的情形相匹配。 在此，适宜的是，首先针对以下情形计算分别的概率值：“道路边缘紧靠自身车辆的右边(左边)”、“附加车道紧靠自身车辆的右边(左边)”，其中在附加车道的情况下还能区分平行车道和逆行车道。 于是，优选地在适当滤波之后由单个概率值计算出自身车辆位于最右边车道的概率值Q_R或自身车辆位于最左边车道的概率值Q_L。\n[0024] 左半轨迹或右半轨迹的扩张的程度取决于相关概率值的高低，以致概率值Q_R越大，则该轨迹例如在右侧被扩张得越强烈。 可是，在有利的实施形式中，扩张的程度通过相关的概率值的包络线来确定，也就是轨迹被扩张到概率值增加的程度，可是如果概率值又减小，则该轨迹至少短暂地“被冰冻”在所扩张的状态。 于是，针对相关车辆侧分别在复位过程中实现返回到未扩张的或者未强烈扩张的轨迹，只有当谈及在相关侧上存在附加车道的某个概率时，才实施该复位过程，并且此外在该附加车道上定位可能会造成附加车道干扰的车辆，即该车辆比自身车辆更缓慢并且在相同的方向上运动。 以这种方式实现了，只有当认真地考虑附加车道干扰的出现时，才发生在检测周围环境方面实际上不希望的轨迹变窄。\n附图说明\n[0025] 本发明的实施例在附图中示出并且在以下说明中更为详细地予以阐述。\n[0026] 其中：\n[0027] 图1示出了驾驶员辅助系统的方框图；\n[0028] 图2示出了静止对象在道路的横向方向上的出现的频繁程度分布；\n[0029] 图3示出了道路边缘分布的曲线图；\n[0030] 图4示出了车道分布的曲线图；\n[0031] 图5示出了用于确定轨迹扩张的过程的流程图；\n[0032] 图6示出了用于阐述图5中所示的过程的时间图；以及\n[0033] 图7至图10示出了不同情形下的不同轨迹扩张的例子。\n具体实施方式\n[0034] 在图1中，作为驾驶员辅助系统的例子示出了ACC系统10，该ACC系统10评估被嵌入车辆前面的雷达传感器12的定位数据。定位数据包括所定位的对象的距离、相对速度和方位角。 通过将相对速度与自身车辆的行驶速度进行比较，首先计算所定位对象的绝对速度，并且这些对象被划分成三种类别：静止目标14、同向运动目标16(即在与自身车辆相同的方向上运动的对象，尤其是行驶在前面的车辆)以及反向运动目标18(例如迎面而来的车辆)。 同向运动目标16的定位数据被转发给ACC调节器20，该ACC调节器20进行真正的距离调节。\n[0035] 图1中的下面所描述的功能块用于确定和取决于情形地匹配轨迹，即确定和取决于情形地匹配道路中预测地由自身车辆经过的那些区域。\n[0036] 根据距离和方位角，在框22中首先计算所定位对象的横向尺寸Y，即所定位的对象在横越行驶方向的方向上距自身车辆的中心的距离。 更准确地，横向尺寸是要确定的轨迹的中心线的距离。在框24中，接着分别针对三种对象类别中的每一种评估横向尺寸。 对于静止目标14，这在图2中示出。\n[0037] 在图2中绘出对象相对于横向尺寸Y的出现频率N。 根据如安全栏杆、抗噪壁等的静止目标在道路左边缘和道路右边缘上的累积出现，出现的频繁程度分布构成两个尖峰26、28。 在计算横向尺寸Y时，必要时存在的道路曲率要予以考虑。 该道路曲率能以已知的方式根据所测量的偏航角速度(Gierrate)和自身车辆的形式速度来估计。 根据扩展方案，静止目标14的定位数据本身可被考虑用于确定道路曲率。在这种情况下，未校正的对象横向尺寸对于每个尖峰26、28相对于距离被绘出，并且距离相关性通过抛物线或者较高阶的多项式来近似，该多项式于是给出道路曲率。\n[0038] 图2中所示的横向尺寸Y已经关于道路曲率被校正。两个尖峰26、28的峰值或者重点是相关道路边缘距离Y_边缘_R或Y_边缘_L的估计值。 单个尖峰26、28的半值宽度或者标准偏差(更准确的说，其倒数)同时构成边缘识别的品质或者可靠性的量度QS_R或QS_L。 这些品质参数被规一化，以致这些品质参数在非常陡峭地限定的尖峰的情况下具有值1。\n[0039] 在图1中的框30和32中，由这两个道路边缘的统计学数据计算两个概率值Q_边缘_R和Q_边缘_L，这两个概率值Q_边缘_R和Q_边缘_L说明道路右边缘或道路左边缘紧靠自身车辆的右边或紧靠自身车辆的左边的概率。 为此，边缘距离Y_边缘_R和Y_边缘_L与预定的道路边缘分布相比较，如针对道路右边缘在图3中所示的那样。\n[0040] 图3中的曲线34代表道路边缘分布，该道路边缘分布基于针对车道的宽度“车道宽”的实际值的假设以及标记道路右边缘的静止目标位于车道的边缘旁的一定的距离区域“路肩(Schulter)”之内的假设。 如果边缘距离Y_边缘_R位于距离区域“路肩”之内，则值QS_R(0与1之间的值)被分配给概率值Q_边缘_R，该值QS_R代表得自尖峰的半值宽度的、统计学数据的品质。 在该品质参数中，补充地还并入静止目标的数量，该数量对相关尖峰做出贡献，因为标记该边缘的对象越多，则道路边缘的识别就越可靠。\n[0041] 如果边缘距离Y_R等于0，则这意味着，自身车辆的中心直接在道路右边缘的上方，这是明显不象真实的假设。 在这种情况下，概率值Q_边缘_R因此被置为0(图3中的曲线34的左端)。 在位于距离值0与路肩的开始之间的区域中，该区域的宽度对应于通常的车道的一半，线性地内插。 相应地，一半车道宽的区域在较大距离处紧邻区域“路肩”，在该一半车道宽的区域中，概率值Q_边缘_R再次线性下降到0。 在还是较大的边缘距离的情况下，Q_边缘_R等于0，因为在这种情况下更容易假设，自身车辆与右边道路边缘之间还有其它车道。\n[0042] 图2中所示的统计学方式评估根据新对象的动态出现而连续地被更新，并且根据图3的Q_边缘_R的确定周期地分别根据当前数据而被重复。\n[0043] 图1中的框3 2中的概率值Q_边缘_L的确定以类似方式实现。\n[0044] 在图1中的框36中，Q_边缘_R和Q_边缘_L的相继被计算的值经受不对称的低通滤波，即在以下意义上的不对称：在概率值随着时间常数变小而增加的情况下进行递增，而在概率值减小时进行递减。 在此，时间常数被选择，以致在其中“忘记”识别过一次的道路边缘的时间间隔例如对应于车道变换过程的持续时间，即例如大约3s。 滤波过程的结果是滤波过的概率值Qf_边缘_R和Qf_边缘_L，即道路右边缘紧靠自身车辆的右边的概率值Qf_边缘_R或道路左边缘紧靠自身车辆的左边的概率值Qf_边缘_L。\n[0045] 以类似的方式，在框22和24中考虑所定位的车辆的“历史的”横向尺寸，以计算附加车道概率Q_附加车道_R和Q_附加车道_L，这两个附加车道概率说明附加车道位于自身车辆的右边或左边的概率。在此，首先还不必区分同向运动目标16与反向运动目标18，即附加车道概率也可以涉及逆行道路的车道，该车道并非通过道路边缘、安全栏等与自身车道分开，如例如在公路中和在高速公路施工工地中经常是这种情况。\n[0046] 由于运动对象在交通密度很低的情况下仅仅相对极少地出现，所以在实际意义上仅能有限地以统计学方式评估。 因此适宜的是，为了计算附加车道概率，通过以下方式分别考虑每个单个被定位的对象，即将只测量一次的或者在一定的时间间隔上所记录的并且接着被平均的、该对象的横向尺寸Y(又在针对道路曲率修正之后)与预定的车道分布进行比较，(图1中的框38和40)。\n[0047] 对于附加车道概率Q_附加车道_R，该过程在图4中被示出。\n[0048] 图4中的曲线42代表预定的车道分布并且根据单个对象的历史横向尺寸Y_H说明附加车道概率Q_附加车道_R。 如果横向尺寸小于预定的动态车道宽的一半，则概率值为0，因为假设该对象位于自身车辆在其上行驶的车道上。图4中所使用的动态车道宽可以与图3中被用于进行边缘识别的车道宽不同，以便考虑在道路边缘上经常还存在紧急车道(Standstreifen)等等的情况。\n[0049] 如果横向尺寸Y_H大于整个动态车道宽(增加修正值K)，则附加车道概率等于\n1，因为可靠地假设，车辆位于附加车道上。在值dyn_车道宽/2和dyn_车道宽+K之间线性地内插。\n[0050] 校正值K考虑横向尺寸的所测量的值在对象距离较大的情况下变得不可靠，并且因此与相应的对象距离有关。 在确定道路曲率时的有限精度对于这种不可靠性做出决定性的贡献。 精度可以通过偏航角速度误差k来说明，并且由于横向尺寸与道路曲率以\n2\n及与距离D的平方成比例，所以适宜地选择：K＝(1/2)*k*D。\n[0051] 以类似方式实现框40中的附近车道概率Q_附加车道_L的确定。\n[0052] 可以考虑的是，运动对象的横向尺寸(在更大的时间范围中)经受进一步的统计学分析，以便获得单个车道的位置和宽度的更准确的值。 该信息能被用于动态地匹配图\n3和4中的量“车道宽”和“dyn_车道宽”。\n[0053] 在图1中的框36中，在框38和40中所计算的附加车道概率利用合适的时间常数tau以下列方式来滤波：\n[0054] Qi+1＝Qi+(dt/tau)*(Q_附加车道-Qi)\n[0055] 其中，Qi+1是新滤波过的值，Qi是以前滤波过的值，dt是扫描周期的持续时间，Q_附加车道按照是涉及自身车辆右边的对象还是涉及自身车辆左边的对象而是Q_附加车道_R或者是Q_附加车道_L。 时间常数tau例如为3.0s。\n[0056] 该滤波过程在所示例子中对于三种不同的对象类别并行实施。 在此，不仅区分当前所观察的对象是位于左边还是位于右边，而且针对左侧的对象也区分，是涉及同向运动目标16还是涉及反向运动目标18。如果在当前的扫描周期中定位同样类别的多个对象，则多次经历滤波循环，并且滤波过的值Qi+1相应地更频繁被更新。 以这种方式也将事件出现的频繁程度并入相应的概率值中。\n[0057] 结果Qi+1是滤波过的概率值Qf_平行车道_R、Qf_平行车道_L和Qf_逆行车道_L。 在自身车辆右边对向交通的车道在右侧驾驶的国家通常不希望，然而适宜的也是将这些可能性包括在内并且通过相应的滤波过程也计算滤波过的概率值Qf_逆行车道_R，可是这在图1中出于简单的原因而未示出。\n[0058] 如果在扫描周期中针对道路侧和行驶方向不定位运动的对象，则相对应的附加车道概率Qf_附加车道_R或Qf_附加车道_L等于0，并且滤波过程导致以3s的时间常数衰减滤波过的概率值。\n[0059] 在图1中的框44和46中，滤波过的概率值对于不同等级的运动对象和对于道路边缘在逻辑上相互连接起来，以致最后获得自身车辆位于最右边的车道上的概率值Q_R，以及车辆位于最左边的车道上的概率值Q_L。 在所示的例子中，根据以下公式实现Q_R的逻辑连接：\n[0060] Q_R＝MAX(Qf_边缘_R-Qf_平行车道_R，0)\n[0061] 如果道路右边缘位于自身车辆附近的右侧，则该概率值高，而如果至少一个平行车道位于车辆右边，则该概率值低。\n[0062] 对于Q_L，根据以下公式实现逻辑连接\n[0063] Q_L＝MAX(Qf_边缘_L+Qf_逆行车道_L-Qf_平行车道_L，0)\n[0064] 在这种情况下，即使车辆被定位在逆行车道上，也提高概率值，这暗示，自身车辆位于自身车行道的最左边边缘。\n[0065] 选择性地，只要反向运动目标也在车辆右侧被评估，就也能完全类似Q_L地构成Q_R。\n[0066] 另一可考虑的改进在于，在计算框38和40中的附加车道概率时，图4中所示的分布仅仅被用于同向运动目标，而对于反向运动目标使用其它分布，在该其它分布中，概率在横向尺寸较大的情况下又下降到0。这可能考虑，在雷达传感器的定位角范围很宽的情况下，即使自身车辆接近道路右边缘，也能定位对向交通。\n[0067] 在图1中的框48中，接着根据概率值Q_R和Q_L进行不对称的轨迹匹配。 假设，轨迹中心线的分布已经以已知的方式被确定，例如根据道路曲率被确定，该道路曲率以上述方式已被确定。 于是，轨迹匹配还仅仅是轨迹的宽度的匹配，更为准确地说，在以下意义上的不对称，即右半轨迹和左半轨迹的宽度匹配相互独立地进行。 原则上在此适用的是，如果车辆位于最右边的车道上，则向右扩张轨迹，而如果车辆位于最左边的车道上，则向左扩张轨迹。\n[0068] 轨迹匹配或扩张的过程现在应根据图5和6来阐述。\n[0069] 在图5中的步骤S1中，首先计算两个扩张参数Q_扩张_L和Q_扩张_R。 这些扩张参数与Q_R和Q_L的相关性以车辆右侧为例在图6中示出。在那里，相对于时间t绘出概率值Q_R在大约40s的时间间隔上的随时间展开。扩张参数Q_扩张_R通过Q_R的曲线的包络线来给出。 因此，只要Q_R增加，扩张参数就等于Q_R，而当Q_R下降时，扩张参数保持恒定。 这样保证了，即使缺少可评估的信息的所属概率值Q_R被衰减，也获得轨迹扩张。\n[0070] 只有在一定的前提下，即只有当交通在相同的行驶方向利用相对应的附加车道概率而被识别时，附加车道概率Q_附加车道_R才与一定的阈值相比较。 如果超过该阈值，则具有高概率的车辆被分配给附加车道，并且在一定的最小时间上设置复位-标记，该复位-标记又将扩张参数引回到Q_R。 这种复位事件在图6中在时间t＝34s发生。\n如果在所提及的最小时间内没有出现新的复位事件，则复位-标记又被复位，并且扩张参数又通过Q_R的包络线来确定。\n[0071] 复位事件也针对这两种半轨迹相互独立地被限定。 右半轨迹的复位只有在同向交通中才在右边的附加车道上发生，而左半轨迹的复位相应地只有在同向交通中才在左边的附加车道上发生。\n[0072] 在图5中，在步骤S2中检验，是否设置左侧的复位-标记复位_L。如果这不是这种情况，则在步骤S3计算左半轨迹的轨迹扩张“扩张_L”。 这等于扩张参数Q_扩张_L与例如1.4m的预定的最大宽度的乘积。 因此，车辆位于最左边的车道上越安全，则轨迹向左延伸得越宽。 可是，轨迹扩张至少对应于例如0.4m的预定的标准值。 左半轨迹的宽度于是通过例如2.2m+扩张_L的基本宽度的一半来限定。\n[0073] 如果在步骤S2中设置复位-标记，则在步骤S4中将车道扩张扩张_L置为0，即左边半车道被减小到基本宽度的一半。\n[0074] 紧接着S3或者步骤S4，于是在步骤S5中检验，是否设置右侧的复位-标记复位_R。 如果这不是这种情况，则在步骤S6中类似于步骤S3地计算针对右半轨迹的轨迹扩张“扩张_R”，否则在步骤S7中将右半轨迹减小到基本宽度的一半。\n[0075] 轨迹匹配的实际作用现在参照图7至10根据几个例子来阐述。\n[0076] 在图7中，轨迹54的右半轨迹50和左半轨迹52的较外面的边界用粗体表示，并且用细线绘出对应于轨迹的基本宽度的区域。虚线分开左半轨迹和右半轨迹。 图7中所示的轨迹几何形状例如对应于其中车道识别提供很高的Q_R值的情形，而对于左边的附加车道不存在信息。 如果没有缓慢行驶的车辆位于左边的附加车道上，则这样的情形对于在高速公路的最右边车道上行驶是典型的，对于在没有对向交通的公路上的行驶同样是典型的。 根据高的Q_R值和因此也根据高的扩张参数Q_扩张_R的值，右半车道50最大地予以扩张，例如扩张1.4m，而对于左半轨迹52仅仅适于0.4m的标准扩张。 由于右半轨迹的扩张，自身车道上的对象(即在最右边车道上的对象)可以可靠地且及早地被识别，以致自身车辆的靠近行为可以适当地予以调节。 左半轨迹的根据标准的扩张由于缺少关于车辆侧的信息而是识别可靠性与避免也许还可能的附加车道干扰之间的折衷。\n[0077] 在图8中，最大地扩张两个半车道。 该配置对于在单行道路上的行驶是最佳的，例如在高速公路上单行的交通状况的情况下或者在有迎面而来的车辆的公路上行驶的情况下是最佳的。最大扩张由此得出，即不仅Q_R而且Q_L具有大的值，因为唯一的车道是最右边的车道并且同时是最左边的车道。\n[0078] 在图9中最大地扩张了左半车道52，而右半车道50被减小到基本宽度。这种情形对于公路上的超车过程或者高速公路的最左边车道上的超车过程是典型的。 右半轨迹的减小通过图5中的步骤S7来实现，接着在步骤S5中复位，该复位通过识别右边附加车道上的缓慢的(被超车的)车辆来触发。如果在复位时间结束之后又降低标记，则右半轨迹的扩张又被提高到标准值(0.4m)，直到触发新的复位。 如果例如在结束的超车过程之后的车道变换之后增大自身车辆在其上行驶的车道是最右边的车道的预兆，则右半轨迹的扩张增加超过标准值。\n[0079] 图10中所示的情形与根据图9所示的情形的区别在于，左半轨迹52仅仅被扩张到标准值。 这种情形对于在高速公路的中间车道上行驶是典型的，而缓慢的车辆在右边的附加车道上被超车并且自身车辆同时被更快的车辆在左边的附加车道上超车。 右边的附加车道上的更缓慢的车辆又不停地触发复位。 左边车道上的车辆相反没有触发复位，因为这些车辆比自身车辆更快。 但是，左边的附加车道上的车辆可能阻止概率值Q_L的增加并且因此阻止扩张_L(图5中的步骤S3)的增加超过标准值。 如果自身车辆从最左边的车道(根据图9的配置)变换到中间车道，则根据图9的、左半车道最大被扩张的配置如此长时间得保持，直到通过左边附加车道上的更缓慢的车辆一次设置复位-标记_复位_L。 由此，类似于图6将扩张参数Q_扩张_L复位到Q_L，并且于是得到根据图10的配置。