用于支持自动化行驶的车辆的方法和系统

摘要

本发明涉及一种用于支持自动化行驶的车辆的方法和系统。在用于支持自动化行驶的车辆的方法中，借助传感器(20)检测车辆的环境中的对象，其中，借助对象识别装置(22)，在检测到的环境数据(21)中鉴别和识别对象，其中，在环境中存在未知对象(12)的情况下，执行以下步骤：(a)借助搜索装置(2)在至少一个数据库(4)中搜索未知对象(12)，(b)借助搜索装置基于搜索结果(6)确定未知对象的典型特性(10)，(c)借助推荐装置(3)基于未知对象的典型特性(10)，得出针对自动化行驶的车辆的处理推荐(24)，(d)提供得出的处理推荐。

权利要求

1.一种用于支持自动化行驶的车辆的方法，所述方法包括：借助传感器检测与车辆的环境中的对象相关联的对象数据；

借助处理器对检测到的与环境相关的对象数据进行对象识别，以确定与检测到的对象数据相关的观察到的物理特性；

在进行对象识别之后，确定在环境中存在未知对象；

借助处理器基于图像特征的各个维度的距离度量，识别与所述未知对象最相似的一个或多个对象；

从识别出的一个或多个对象中提取元数据，以确定所述一个或多个对象的对象物理特性数据；

借助处理器在至少一个数据库中进行基于上下文的搜索，以确定与所提取的元数据相似的对象物理特性数据；

借助处理器基于所确定的对象物理特性数据，得出针对自动化行驶的车辆的处理推荐；以及将所得出的处理推荐传输到自动化行驶的车辆的控制器。

2.根据权利要求1所述的方法，其特征在于，根据基于图像的环境数据，在图像数据库中进行未知对象的确定。

3.根据权利要求1所述的方法，所述方法还包括：基于所提取的元数据，建立描述未知对象(12)的术语网络。

4.根据权利要求1所述的方法，其特征在于，进行基于上下文的搜索包括：在存储有相互关联的数据的机器可读的数据库(7)中进行搜索。

5.根据权利要求1所述的方法，其特征在于，进行基于上下文的搜索包括：在基于知识的系统(8)中进行搜索。

6.根据权利要求1所述的方法，其特征在于，进行对象识别包括：在非结构化数据(9)中进行搜索。

7.根据权利要求1所述的方法，其特征在于，进行对象识别包括：搜索并且确定预先给定的相关的特性。

8.根据权利要求7所述的方法，其特征在于，进行对象识别包括：估计未知对象(12)关于典型对象物理特性数据的典型性，其中，基于所估计的典型性来得出处理推荐(24)。

9.一种用于支持车辆的自动化行驶的系统(1)，所述系统包括：至少一个数据库，用于存储与多个对象相关联的对象物理特性数据；

传感器(20)，用于检测与车辆的环境中的对象相关联的对象数据；

处理器，以能够操作的方式与所述传感器和所述至少一个数据库耦合，所述处理器被配置为用于，对检测到的与环境相关的对象数据进行对象识别，以确定与检测到的对象数据相关的观察到的物理特性；

在进行对象识别之后，确定在环境中存在未知对象；

基于图像特征的各个维度的距离度量，识别数据库中的与所述未知对象最相似的一个或多个对象；

从识别出的一个或多个对象中提取元数据，以确定所述一个或多个对象的对象物理特性数据；

在至少一个数据库中进行基于上下文的搜索，以确定与所提取的元数据相似的对象物理特性数据；

基于所确定的对象物理特性数据，得出针对自动化行驶的车辆的处理推荐；以及将所得出的处理推荐传输到自动化行驶的车辆的控制器。

10.根据权利要求9所述的系统，其特征在于，所述处理器被配置为用于，通过根据基于图像的环境数据对图像数据库进行搜索和处理，来确定未知对象。

11.根据权利要求9所述的系统，其特征在于，所述处理器被配置为用于，基于所提取的元数据，建立描述未知对象(12)的术语网络。

12.根据权利要求9所述的系统，其特征在于，所述处理器被配置为用于，通过在存储有相互关联的数据的机器可读的数据库(7)中进行搜索，来进行基于上下文的搜索。

13.根据权利要求9所述的系统，其特征在于，所述处理器被配置为用于，通过在基于知识的系统(8)中进行搜索，来进行基于上下文的搜索。

14.根据权利要求9所述的系统，其特征在于，所述处理器被配置为用于，通过在非结构化数据(9)中进行搜索，来进行对象识别。

15.根据权利要求9所述的系统，其特征在于，所述处理器被配置为用于，搜索并且确定预先给定的相关的特性。

16.根据权利要求15所述的系统，其特征在于，所述处理器被配置为用于，通过估计未知对象(12)关于典型对象物理特性数据的典型性，其中，基于所估计的典型性来得出处理推荐(24)，来进行对象识别。

17.一种用于支持自动化行驶的车辆的方法，所述方法包括：借助传感器检测与车辆的环境中的对象相关联的对象数据；

借助处理器对检测到的与环境相关的对象数据进行对象图像‑数据识别，以确定与检测到的对象数据相关的观察到的物理特性；

在进行对象识别之后，确定在环境中存在未知对象；

借助处理器基于图像特征的各个维度的距离度量，识别与所述未知对象最相似的一个或多个对象；

从识别出的一个或多个对象中提取元数据，以确定所述一个或多个对象的对象物理特性数据；借助处理器在至少一个数据库中进行基于上下文的搜索，以确定与所提取的元数据相似的对象物理特性数据；

借助处理器基于所确定的对象物理特性数据，得出针对自动化行驶的车辆的处理推荐；以及将所得出的处理推荐传输到自动化行驶的车辆的控制器。

说明书

用于支持自动化行驶的车辆的方法和系统

技术领域

[0001] 本发明涉及一种用于支持自动化行驶的车辆的方法和系统。

背景技术

[0002] 罕见事件(英语“corner cases(极端案例)”)、尤其是未知对象在环境中的出现，对于自动化行驶的车辆来说是大的挑战。其原因是，由于可能在任意的环境中遇到大量的对象，利用算法方法或者利用基于人工智能的方法不可能识别出所有对象。因此，又总是出现在车辆的环境中存在未识别的对象的情况。这种对象例如可能是动物、车道上的人、树叶堆或者在交通中通常不会遇到或者仅很少遇到的其它对象。在这种情况下，车辆通常停止自动化行驶，并且等待人类驾驶员的处理指示。

[0003] 从DE 10 2015 006 255 T5中已知一种对象识别设备。该对象识别设备包含：检测单元，检测单元被配置为用于检测用作要识别的对象的识别目标图像；调取单元，调取单元被配置为用于搜索结合标签信息存储有多个图像数据的图像数据库，并且调取与识别目标图像一致的相似图像；以及识别单元，识别单元被配置为用于基于与通过调取单元获得的相似图像相关联的标签信息，识别包含在识别目标图像中的对象。识别可以将在与相似图像相关联的标签信息下最频繁地出现的标签信息选择为识别结果。此外，识别单元可以在调取结果中计算相似图像的标签信息可靠性评估，并且在考虑可靠性评估的情况下识别对象。

[0004] 从US 2018/0217607 A1中已知一种用于识别对象的系统。在此，基于街道对象数据库、图像特征数据库和/或因特网数据库，来识别检测到的传感器数据中的对象，并且在自动化行驶中考虑这些对象。

[0005] 从DE 10 2009 016 580 A1中已知一种数据处理系统和用于提供至少一个驾驶员辅助功能的方法。用于接收图像数据的固定接收单元借助车辆的至少一个图像检测单元，通过检测图像来接收车辆的环境，并且产生图像数据。固定处理单元处理接收到的图像数据中的至少一部分，其中，固定处理单元从图像数据出发，产生具有至少一个驾驶员辅助信息的驾驶员辅助数据，其中，借助所产生的驾驶员辅助信息，可以在车辆中产生至少一个驾驶员辅助功能。发送单元将驾驶员辅助数据发送至车辆。

[0006] 从DE 10 2012 107 886 A1中已知一种用于对交通标志进行电子识别的方法，其中，从布置在车辆中的照相机的图像数据中，识别交通标志的对于交通标志来说典型的基本模式，其中，设置为，通过车辆的用于发送和接收数据的通信装置，将识别出的基本模式的数据，以无线方式传输至外部的服务器单元，外部的服务器单元借助模式识别算法执行模式识别，并且作为模式识别的结果，将识别出的交通标志的数据传输至车辆的通信单元，并且尤其是在显示单元上显示相应的交通标志。

[0007] 从US 9 495 874 B1中已知一种用于确定一个或多个行为模型的方法和设备，其由自动车辆使用，用于预测检测到的对象的行为。自动车辆可以使用一个或多个传感器来检测并且记录对象行为。然后，自动车辆可以将记录的对象行为告知服务器，由服务器确定行为模型。服务器可以根据给定的对象类别、对象实施的感兴趣的动作以及所感知的对象的环境，来确定行为模型。

[0008] 在自动化行驶中对未知对象的处理，现在仅不太令人满意地被解决。

发明内容

[0009] 本发明要解决的技术问题在于，提供一种用于支持自动化行驶的车辆的方法和系统，通过所述方法和所述系统，改善对车辆的环境中的未知对象的处理。

[0010] 根据本发明，上述技术问题通过具有本发明的特征的方法和具有本发明的特征的系统来解决。本发明的有利的设计方案从下面的描述中得到。

[0011] 尤其是提供一种用于支持自动化行驶的车辆的方法，其中，借助传感器检测车辆的环境中的对象，并且其中，借助对象识别装置，在检测到的环境数据中鉴别和识别对象，其中，在环境中存在未知对象的情况下，执行以下步骤：

[0012] (a)借助搜索装置在至少一个数据库中搜索未知对象，

[0013] (b)借助搜索装置基于搜索结果确定未知对象的典型特性，

[0014] (c)借助推荐装置基于未知对象的典型特性，得出针对自动化行驶的车辆的处理推荐，

[0015] (d)提供得出的处理推荐。

[0016] 此外，提供一种用于支持车辆的自动化行驶的系统，其中，借助传感器检测车辆的环境中的对象，并且其中，借助对象识别装置，在检测到的环境数据中鉴别和识别对象，所述系统包括搜索装置和推荐装置，其中，搜索装置构造为，在环境中存在未知对象的情况下，在至少一个数据库中搜索未知对象，并且基于搜索结果确定未知对象的典型特性，并且其中，推荐装置构造为，基于典型特性得出并且提供针对自动化行驶的车辆的处理推荐。

[0017] 本发明的一个基本思想是，鉴别未知对象，分离相关的环境数据，并且使用分离的环境数据，来借助搜索装置在至少一个数据库中进行搜索。在此，可以使用未知对象的特征、例如大小、表面特性或者其它几何或者材料特性，或者还有从环境数据得出的数据，作为搜索参数。为了与至少一个数据库通信，所述系统具有一个或多个相应的软件和硬件接口。与至少一个数据库的通信例如可以通过因特网连接进行。然后，至少一个数据库提供搜索结果，在搜索结果中例如包含和/或提议相似的对象。可以进一步对搜索结果进行预处理，或者可以使用搜索结果来对搜索进行细化。本发明的另一个基本思想是，借助搜索装置基于搜索结果，确定未知对象的典型特性。在此，典型特性表示未知对象的物理特性，例如大小、形状、质量、体积和/或材料特性、例如材料成分、硬度、易碎性、弹性或者可变形性和/或密度。同样在数据库中搜索典型特性，或者从数据库中查询典型特性。在此，可以根据基于上下文的搜索来确定物理特性。借助推荐装置，基于所确定的典型特性，即物理特性，得出针对自动化行驶的车辆的处理推荐。在此，例如使用物理模型，来基于典型特性估计未知对象在与车辆接触或者碰撞时的反应。然后，根据这种模型观察的结果，例如来判断是必须绕过未知对象，还是可以轧过未知对象。

[0018] 本发明的优点是，可以更好地针对对于自动化行驶的车辆来说是罕见事件(极端案例)的未知对象做出反应。虽然对象在针对自动化行驶经过训练的人工智能中未进行训练，或者没有被其它算法考虑，但是所述系统仍然可以考虑这些对象，而不需要人工干预。由此，自动化行驶得到改善，并且可以增大自动化行驶的车辆的使用范围。

[0019] 车辆尤其是可以是机动车。但是车辆也可以是其它陆地车辆、空中车辆或者水上车辆，例如飞机、无人机、运输机器人或者仓储机器人或者轮船。

[0020] 传感器原则上可以任意地构造。尤其是，传感器可以包括至少一个照相机和/或光检测和测距(LIDAR，Light Detection and Ranging)传感器和/或超声波传感器和/或雷达传感器。可以设置为，系统包括传感器。然而，替换地也可以设置为，系统不包括传感器，而是传感器是车辆的一部分。

[0021] 对象识别装置鉴别和识别车辆的环境中的对象。在此，尤其是设置为，确定鉴别出的对象的特征，例如大小、形状、表面特性、反射和/或散射和/或透射性能等。对象识别装置基于这些特征来进行对象识别。在对象未知(极端案例)的情况下，虽然对象识别装置可以鉴别出对象，即，确定环境中的对象，但是对象识别装置不能识别出对象，例如因为在先前对对象识别装置的人工智能的训练中，没有对未知对象进行训练。在鉴别出未知对象之后，对象识别装置将相关的环境数据分离，并且将其提供给搜索装置。尤其是可以设置为，系统包括对象识别装置。但是替换地，系统也可以不包括对象识别装置，从而对象识别装置例如构造为车辆的一部分，并且向系统提供与未知对象相关的环境数据。

[0022] 在系统的一个实施方式中设置为，系统包括识别装置，其中，识别装置构造为，在检测到的环境数据中鉴别未知对象，提取相关的环境数据，并且将提取的环境数据提供给搜索装置。如果系统还具有对象识别装置，则识别装置可以是对象识别装置的一部分。

[0023] 在一个实施方式中设置为，根据基于图像的环境数据，在图像数据库中搜索未知对象。在此，在图像数据库中应当存储有尤其是具有文本形式的描述的图像。在这种情况下，传感器包括照相机，照相机作为环境数据采集图像数据。特别是基于图像索引在图像数据库中进行搜索，也就是说，图像数据库是预先编制了索引的空间，该空间由图像特征从各个维度张成。这些图像特征特别地是低层特征，例如存储的图像中的图案、颜色和/或颜色变化等。在此，借助距离度量(Distanzmetrik)进行搜索，距离度量测量与未知对象相关的图像数据与图像数据库中的各个数据组的距离。和与未知对象不相似的对象相比，图像数据与未知对象相似的对象在该距离度量中具有更小的距离。作为搜索结果，在图像数据库中的搜索相应地提供具有最小距离的对象，也就是说，与未知对象最相似的对象。如果例如未知对象是位于车道表面上的塑料袋，则在图像数据库中的搜索作为搜索结果，提供在视觉外观方面与该塑料袋相似的塑料袋。例如“Google  images”(https://images.google.de/)提供可以搜索对象的相似图像的公众可访问的图像数据库。

[0024] 在一个扩展实施方式中设置为，搜索包括基于由图像数据库提供的搜索结果提取元数据。由图像数据库提供的搜索结果尤其是具有设置有术语的、与未知对象相似的对象的图像。这些术语描述在图像上示出的对象，并且通常以元数据的形式，即作为图像文字说明或者标签等，与相应的图像相关联。搜索装置提取这些术语(在塑料袋的情况下，例如提取术语“空/满的塑料袋”)。然后，其结果是，针对未知对象，提供描述与未知对象相似的至少一个对象的一系列术语。

[0025] 在另一个扩展实施方式中设置为，基于提取的元数据，建立描述未知对象的术语网络(英语“wordnet”，例如参见https://wordnet.princeton.edu)。这尤其是可以基于如下字典进行，在这些字典中，可以搜索和收集与从元数据中提取的术语相似或者等同的术语。随后，在确定典型特性时，使用该术语网络。优点是，可以更广泛地并且在更多方面描述未知对象。

[0026] 在另一个实施方式中设置为，确定典型特性包括在存储有相互关联的数据的机器可读的数据库中进行搜索。这尤其是基于提取的元数据或者包含在元数据中的术语来进行。尤其是，确定应当包括：例如基于Linked Open Data(关联开放数据)(例如参见“The Linked Open Data Cloud(关联开放数据云)”，https://lod‑cloud.net/)，在可免费使用的机器可读的数据库中进行搜索。在此，例如基于资源描述框架(Resource Description Framework，RDF)，即以RDF图(RDF‑Graphen)的形式，彼此关联地存储各个数据。尤其是，例如将对象作为各个实体 与其特性(谓语 )相关联，从而可以确定和查询关于相应的对象的这些特性。

[0027] 在一个实施方式中设置为，确定典型特性包括在基于知识的系统中进行搜索。基于知识的系统(英语：Knowledge‑based System)是通过知识表示和知识建模来描绘知识的信息系统。简单来说，将各个对象(“things”)以结构化的方式与事实(“facts”)相关联。在此，尤其是涉及分类学(taxonomische)分类，也就是说，对主题范围进行分层的类别划分。通过这些“本体(Ontologien)”，可以提取术语的意义，并且将其与相应的上下文相关联。在此，也可以使用已经提到的RDF标准，来进行结构化。作为基于知识的系统，例如可以使用以结构化并且机器可读的形式存储来自在线百科全书Wikipedia(维基百科)的知识的可免费使用的DBpedia(https://wiki.dbpedia.org/)。

[0028] 在另一个实施方式中设置为，确定典型特性包括在非结构化数据中进行搜索。非结构化数据尤其是可以以非结构化文档的形式存在，例如以没有以机器可读的形式编码的连续文本(Flieβtext)的形式存在。然而，非结构化的文本也可以针对未知对象的典型特性提供有价值的信息。如果非结构化的文本例如将未知对象或者以等同的方式描述未知对象的术语作为内容，则可以在文本中搜索和分析在描述特性时通常使用的表达(例如“X具有…”或者“X是…”)，由此得出未知对象的典型特性。

[0029] 在另一个实施方式中设置为，基于预先给定的相关的特性来确定典型特性。由此实现，仅观察与随后的处理推荐相关的特性，并且可以减小搜索和分析开销。在此，相关的特性特别地是对于未知对象与车辆的接触或者碰撞应当注意的物理特性，例如重量、大小、材料和可变形性。例如未知对象的颜色或者印记(Aufdruck)可以是不相关的，因为通常对于要得出的处理推荐，不需要注意颜色或者印记。尤其是，可以将相关的特性的列表存储在搜索装置中。然后，搜索装置以所描述的方式确定存储在该列表中的相关的特性。

[0030] 在此，还可以设置为，根据车辆在出现罕见事件(极端案例)时所处的具体情况来定义相关的特性。为此，可以设置另一个基于知识的系统，在该系统中，分别针对不同的情况(例如在街道上行驶、停车、在步行区中行驶、在街道旁边的开阔场地中行驶等)，存储相关的特性。

[0031] 在一个实施方式中设置为，在确定典型特性时，估计未知对象关于典型特性的典型性 其中，附加地基于所估计的典型性得出处理推荐。在此，典型性特别地是一个类别的成员多好地代表该类别的度量。换言之，估计典型特性可以多好地描述未知对象。由此，可以改善处理推荐的得出，因为提供典型特性多好地适用于未知对象的度量，并且可以在得出处理推荐时一起纳入计算。典型性尤其是可以以概率的形式来表示。

[0032] 所描述的用于确定典型特性的可能性尤其是提供可以在统计上使用的结果，也就是说，作为结果，尤其是提供估计的存在未知对象的特定典型特性的概率，推荐装置可以基于这些典型特性来得出处理推荐。

[0033] 系统的部分可以单独或者综合地作为硬件和软件的组合来构造，例如作为在微控制器或者微处理器上实施的程序代码来构造。

附图说明

[0034] 下面，参考附图，借助优选实施例来详细说明本发明。在此：

[0035] 图1示出了用于支持车辆的自动化行驶的系统的实施方式的示意图；

[0036] 图2示出了用于支持车辆的自动化行驶的方法的实施方式的示意性流程图；

[0037] 图3示出了用于支持车辆的自动化行驶的方法的具体应用示例。

具体实施方式

[0038] 图1示出了用于支持车辆的自动化行驶的系统1的实施方式的示意图。系统1包括搜索装置2和推荐装置3。

[0039] 传感器20检测车辆的环境中的对象。在此，传感器20例如包括照相机。借助对象识别装置22，在检测到的环境数据21中鉴别和识别对象。在替换的实施方式中可以设置为，系统1包括传感器20和对象识别装置22。

[0040] 如果对象识别装置22不能识别出鉴别出的、即在环境中确定的对象，则将相关的环境数据23输送至搜索装置2。这些环境数据23包括借助照相机检测到的未知对象的图像数据。

[0041] 然后，搜索装置2基于图像数据在至少一个数据库4中搜索未知对象。尤其是，至少一个数据库4是可以免费使用和调取数据的公众可访问的数据库。在此，数据库4是按照各个图像特征索引的图像数据库5。基于距离度量找到与未知对象相似的对象的图像数据。搜索装置2从这些相似对象或者其图像数据中提取元数据11，元数据11特别地是描述相似对象的术语。

[0042] 搜索装置2基于搜索装置的搜索结果6、即所提取的元数据11、尤其是术语，确定未知对象的典型特性10。在此，典型特性10是如下物理特性，这些物理特性也基于未知对象与在图像数据库中找到的对象的相似性来表征未知对象。随后，将典型特性10输送至推荐装置3。

[0043] 尤其是借助在机器可读的数据库7中和/或在基于知识的系统8中和/或在例如在因特网的网页上见到的非结构化数据9中进行搜索，来确定典型特性10。

[0044] 随后，推荐装置3基于典型特性10得出针对自动化行驶的车辆的处理推荐24。在此，例如使用物理模型，来基于典型特性10估计未知对象在与车辆接触或者碰撞时的反应。然后，根据这种模型观察的结果，例如来判断是必须绕过未知对象，还是可以轧过未知对象。

[0045] 然后，例如将处理推荐24输送至车辆的控制器25，控制器25基于处理推荐24来自动化地控制车辆。

[0046] 图2示出了用于支持自动化行驶的车辆的方法的示意性流程图。

[0047] 在方法步骤100中，检查对象识别装置是否在传感器检测到的环境数据中鉴别出了未知对象，即，是否存在罕见事件(“极端案例”)。如果不是这种情况，则重复方法步骤100。

[0048] 如果鉴别出了未知对象，则在方法步骤101中，借助搜索装置在至少一个数据库中搜索该未知对象。这尤其是基于图像数据库中的基于图像的环境数据来进行。

[0049] 在此可以设置为，搜索包括：基于由图像数据库提供的搜索结果提取元数据。

[0050] 在随后的方法步骤102中，借助搜索装置基于搜索结果来确定未知对象的典型特性。

[0051] 此外，在此可以设置为，基于所提取的元数据，建立描述未知对象的术语网络，该术语网络形成确定典型特性的基础。

[0052] 此外，在此可以设置为，确定典型特性包括在存储有相互关联的数据的机器可读的数据库中进行搜索。

[0053] 还可以设置为，确定典型特性包括在基于知识的系统中进行搜索。

[0054] 附加地或者替换地可以设置为，确定典型特性包括在非结构化文档中进行搜索。

[0055] 尤其是可以设置为，基于预先给定的相关特性来确定典型特性。这些预先给定的相关特性特别地是和车辆与未知对象的接触或者碰撞的结果相关的特性，例如未知对象的大小、质量、可变形性等。

[0056] 此外，可以设置为，在确定典型特性时，估计未知对象相对于典型特性的典型性。

[0057] 随后，在方法步骤103中，借助推荐装置基于所确定的未知对象的典型特性，得出针对自动化行驶的车辆的处理推荐，并且在方法步骤104中，将处理推荐例如提供给车辆的控制器。

[0058] 如果估计了典型性，则附加地基于所估计的典型性来得出处理推荐。

[0059] 随后，所述方法结束105。

[0060] 图3示出了用于支持车辆的自动化行驶的方法的流程示例。在该示例中，作为未知对象12观察到了空塑料袋，其在车辆前方出现在车道13上。

[0061] 在方法步骤200中，在车辆的环境中鉴别未知对象12，即，确定罕见事件(“极端案例”)。这借助对象识别装置进行。在所示出的示例中，虽然对象识别装置确定在环境中存在对象，但是对象识别装置没有将对象识别为“塑料袋”。

[0062] 在方法步骤201中，将属于未知对象12的环境数据分离，并且输送给搜索装置。在所示出的示例中，这是包括未知对象12、即塑料袋的相关的图像区域14。

[0063] 方法步骤200和201也可以借助为此构造的识别装置实施。

[0064] 在方法步骤202中，基于相关的图像区域14，在图像数据库中搜索未知对象。作为结果，搜索提供与未知对象12或者其图像相似的对象的图像。在所示出的示例中，这是看起来与所示出的塑料袋相似的塑料袋。

[0065] 在方法步骤203中，从找到的图像数据库的图像中提取元数据。元数据尤其是包括描述相应地在图像中描绘的对象的术语，即，描述图像中的塑料袋、其环境或者其视觉外观的术语。这些术语例如可以包括如下术语：塑料袋、空的/满的、大/小、相关的商标、环境等。

[0066] 可以设置为，基于从元数据中提取的术语，搜索并且添加等同的术语，使得形成具有进行描述的术语的术语网络(英语“wordnet”)。这例如借助相应的字典来进行。在此，一个简单的示例是将术语“塑料袋”翻译为英语术语“plastic bag”，从而也可以将搜索可能性扩展到英语。

[0067] 随后，在方法步骤204中，确定在图像数据库中找到的对象、因此也是未知对象12的典型特性。

[0068] 这例如可以包括在(例如基于Linked Open Data Initiative(链接开放数据计划))存储有相互关联的数据的机器可读的数据库中进行搜索(方法步骤204a)。在此，例如搜索术语“塑料袋”，并且确定与之关联的特性“重量”以及必要时其它特性。

[0069] 此外，这也可以包括在基于知识的系统中进行搜索(方法步骤204b)。作为基于知识的系统，例如可以使用DBpedia。在此，也相应地结合相关的特性搜索术语“塑料袋”，并且从结果中提取相应的特性。

[0070] 此外，确定也可以包括在非结构化数据中进行搜索(方法步骤204c)，例如在非结构化文档中进行搜索。例如在因特网的网页上提供非结构化文档。在此，也结合通常使用的与名词特性相关联或者表征名词特性的语言模式，例如“…具有塑料袋…”或者“…是塑料袋…”等，来搜索术语“塑料袋”，并且从结果中提取相应的特性。

[0071] 在方法步骤205中，从各个搜索结果中将典型特性聚集在一起。尤其是，在此，收集相关的特性，并且以一定的概率对相关的特性进行评估。结果提供未知对象以最大概率具有的物理特性，例如质量/重量、大小和材料等。

[0072] 在方法步骤206中，借助推荐装置基于未知对象12的典型特性，得出并且提供针对自动化行驶的车辆的处理推荐。在示例中示出的在车辆前方的车道上出现塑料袋的情况下，处理推荐(翻译为日常用语)例如可以是：“以36km/h的速度驶过塑料袋”。

[0073] 1       系统

[0074] 2       搜索装置

[0075] 3       推荐装置

[0076] 4       数据库

[0077] 5       图像数据库

[0078] 6       搜索结果

[0079] 7       机器可读的数据库

[0080] 8       基于知识的系统

[0081] 9       非结构化数据

[0082] 10      典型特性

[0083] 11      元数据

[0084] 12      未知对象

[0085] 13      车道

[0086] 14      图像区域

[0087] 20      传感器

[0088] 21      环境数据

[0089] 22      对象识别装置

[0090] 23      相关的环境数据

[0091] 24      处理推荐

[0092] 25      控制器

[0093] 100‑105 方法步骤

[0094] 200‑206 方法步骤