用于确定对象在路网中的停留概率的方法和控制器技术领域
本发明涉及根据独立权利要求的类型的装置和方法。本发明的对象还为计算机程
序。
背景技术
例如可借助于所谓的粒子过滤器确定对象在数字地图中的位置。
发明内容
在该背景下，通过在此提出的方案，根据主权利要求，提出了用于确定对象在路网
中的停留概率的方法，还提出了使用该方法的控制器，以及最后提出了相应的计算机程序。
通过在从属权利要求中列举的措施可有利地改进和改善在独立权利要求中说明的装置。
在此说明的方案提供了一种用于确定对象在路网中的停留概率的方法，路网具有
至少一个岔口位置，从该岔口位置分出至少一个第一子路段和第二子路段，其中，方法包括
以下步骤：
确定步骤，确定代表对象在第一子路段上的停留概率的至少一个第一概率值和代
表对象在第二子路段上的停留概率的至少一个第二概率值；和
标度步骤，至少对第一概率值和第二概率值进行标度，使得标度的第一概率值和
标度的第二概率值的总和大于对象在在岔口位置之前的子路段上的概率值，以确定对象在
路网中的停留概率。
停留概率可理解成对象在路网中的确定的地点停留的概率。路网可理解成由对象
可使用或使用的多条路径组成的网。岔口位置可理解成路网中的点，路网的路段在该点处
分成至少两个子路段。对象例如可理解成车辆、移动电话、汽车、箱子、数据包等等。
概率值例如可理解为代表停留概率的概率数。
在此说明的方案基于这样的认识：通过使用多元宇宙算法可确定对象在路网中的
位置，路网例如存储在数字地图中。此类定位方法的优点是，对象的借助于多元宇宙算法算
出的停留概率提供非常精确的非常符合实际的值。因此，即使仅仅很少的或不好的传感器
数据可供用来校核停留概率的合理性或修正停留概率，也可保证可靠的定位。
根据一有利的实施方式，在标度步骤中，第一概率值或第二概率值中较高的概率
值可获得标度的概率值，其相当于对象在岔口位置之前的子路段上的概率值。以这种方式
可实现改善地确定对象在路网中的停留概率。
还可考虑在此提出的方案的一种实施方式，在其中，在标度步骤中如此标度第一
概率值和第二概率值，即，第一概率值和第二概率值的和代表大于100％的概率，和/或第一
概率值或第二概率值代表100％的概率。以这种方式同样可实现改善地确定对象在路网中
的停留概率。
在此说明的方案还提供了一种用于确定对象在路网中的停留概率的方法，路网具
有：至少一个第一岔口位置，从该第一岔口位置分出至少一个第一子路段和第二子路段；和
至少一个位于第一子路段中的第二岔口位置，从该第二岔口位置分出至少一个第三子路段
和第四子路段，其中，方法包括以下步骤：
确定步骤，当对象位于第一子路段上时，确定代表对象在第三子路段上的停留概
率的至少一个第一概率值，当对象在第一子路段上时，确定代表对象在第四子路段上的停
留概率的至少一个第二概率值，并且确定至少一个第三概率值，其代表对象在第二子路段
上或在从可通过第二子路段到达的另一岔口位置分出的另一子路段上的停留概率；
相加步骤，至少使第一概率值、第二概率值和第三概率值相加，以得到辅助值；和
标度步骤，在使用辅助值的情况下至少对第一概率值、第二概率 值和第三概率值
进行标度，以确定对象在路网中的停留概率。
辅助值尤其可理解成代表大于100％的概率的值。
在标度步骤中，三个概率值例如可参考100％或1的参考概率来标度，从而三个标
度的概率值的总和相当于100％或1的概率。
根据一种实施方式，辅助值代表大于100％的概率。在此可在标度步骤中如此对第
三概率值、第四概率值和第二概率值进行标度，即，在标度之后，第三概率值、第四概率值和
第二概率值的总和代表100％的概率。由此实现尽可能切合实际地确定与不同的子路段关
联的停留概率。
此外，有利的是，在确定步骤中，如果对象在第一子路段或第四子路段或第二子路
段或其他子路段上，在使用第四概率值和第二概率值的情况下确定对象在可通过第一子路
段和第二子路段到达的第五子路段上的停留概率。在此，第五子路段例如可通过包括第一
子路段和第四子路段的第一通路或通过包括第二子路段和其他子路段的第二通路到达。此
外，第四子路段或其他子路段可通到第五子路段中。通过该实施方式可确定对象或车辆在
由两个或多个子路段的联合得到的路段上的位置。由此可在定位路网中的对象或车辆时进
一步提高精度。
根据另一实施方式，在确定步骤中，如果第二概率值代表比第四概率值更小的停
留概率，对象或车辆在第五子路段上的停留概率可相当于第四概率值。备选地，如果第四概
率值代表比第二概率值更小的停留概率，停留概率可相当于第二概率值。因此，与第五子路
段关联的停留概率可非常简单地通过删除代表相应更小的停留概率的概率值来确定。由此
可在确定停留概率时减少计算花费。
此外，方法可设置有修正步骤，在其中，根据实施方式，在使用通过对象或车辆的
至少一个传感器提供的传感器数据的情况下来修正第三概率值、第四概率值或第二概率
值。传感器例如可为对象或车辆的环境传感器。附加地或备选地，有关的概率值还可在修正
步骤中在使用导航数据的情况下来修正。
此外，有利的是，在确定步骤中确定至少一个附加的概率值，其代表当对象或车辆
在第二子路段上时，对象或车辆在至少一个从其他岔口位置分出的附加的子路段上的停留
概率。相应地，在相加步骤中至少可将第三概率值、第四概率值、第二概率值和附加的概率
值相加，以得到辅助值，其中，在标度步骤中，可在使用辅助值的情况下至少对第三概率值、
第四概率值、第二概率值和附加的概率值进行标度。由此可非常可靠且精确地确定对象或
车辆在路网的多个不同的、尤其彼此独立的子路段中的停留概率。
该方法例如可以软件或硬件或软件和硬件的混合形式例如在控制器中予以执行。
在此提出的方案还涉及一种控制器，其构造成在相应的装置中执行、操控或实现
在此提出的方法的变型的步骤。还可通过本发明的呈控制器的形式的实施方案变型快速且
高效地实现本发明提出的目的。
在此，控制器可理解成电气设备，其处理传感器信号并且根据传感器信号输出控
制信号和/或数据信号。控制器可具有接口，其可以硬件和/或软件的方式形成。在硬件式的
构造方案中，接口例如可为含有控制器各种功能的所谓的ASIC系统的一部分。然而，同样可
行的是，接口为自己的集成电路或至少部分地由离散的结构元件构成。在软件式的构造方
案中，接口可为软件模块，其例如与其他软件模块并存地存在于微型控制器中。
同样有利的是计算机程序产品或具有程序代码的计算机程序，其可存储在机器可
读的载体或存储介质(例如半导体存储器、硬盘存储器或光学存储器)上，并且尤其当程序
产品或程序在计算机或装置上实施时，该程序产品或程序用于执行、实现和/或操控根据上
述实施方式中的一种的方法的步骤。
附图说明
在附图中示出了本发明的实施例，并且在随后的说明中对其进行详细阐述。其中：
图1示出了根据实施例的具有控制器的车辆的示意图；
图2示出了根据实施例的用于与控制器一起使用的路网的区段的示意图；
图3示出了根据实施例的用于与控制器一起使用的路网的区段的示意图；
图4A示出了根据实施例的用于与控制器一起使用的路网的区段的示意图；
图4B示出了用于使用在实施例中的路网的区段的示意图；
图4C示出了用于使用在实施例中的路网的区段的示意图；
图4D示出了用于使用在实施例中的路网的区段的示意图；
图4E示出了用于使用在实施例中的路网的区段的示意图；
图5示出了根据实施例的用于与控制器一起使用的路网的区段的示意图；
图6示出了根据实施例的方法的流程图；并且
图7示出了本发明的实施例的作为控制器的框图。
具体实施方式
在下文对本发明有利实施例的说明中，对于在不同的附图中示出的且作用相似的
元件使用相同或相似的附图标记，其中，省去了对这些元件的重复说明。
图1示出了根据实施例的具有控制器102的车辆100的示意图。车辆100在车道104
上行驶，该车道为路网106的一部分并且在多个岔口位置分成多个子路段。控制器102构造
成在使用下文详细说明的多元宇宙算法的情况下确定车辆100在路网106中的确定的地点
停留的概率，在其中，车辆100在以共同的岔口位置为出发点的两个子路段上的停留概率在
使用车辆100在与这两个子路段独立的子路段上停留的停留概率的情况下确定。可选地，控
制器102与车辆100的环境传感机构108耦联，环境传感机构构造成获取车辆在车道104上的
位 置并且将该位置发送给控制器102，控制器将环境传感机构108的传感器数据用于校核
多元宇宙算法的结果的合理性或修正多元宇宙算法的结果。
例如可借助于所谓的粒子过滤器来确定对象在数字地图中的位置。在此，在数字
地图中给出大量点(还被称为粒子)。每个粒子以一定的概率代表对象的真实的停留地点。
粒子应在地图内位于某个预定的区域(例如道路)上。
在相应的定位方法的运动步骤中，对象的相应的运动例如借助于所谓的航位推算
算法来测定。例如在使用全球导航卫星系统(简称GNSS)的情况下通过里程计、计步器、陀螺
仪、加速度传感器或无线指纹进行运动的测量。
作为测量结果，确定对象已运动的位移矢量。因为传感器有误差地工作，所以位移
矢量为概率分布。主要呈现出正态分布。
现在将位移矢量加到每个粒子上。因为严格地说不是涉及矢量，而是涉及分布，所
以对粒子进行克隆，并且从位移矢量的分布分别加上不同的样本元素。由此从一个粒子产
生多个子粒子。在此，父粒子的概率根据子女粒子的概率分布到子女粒子上。紧接着删除父
粒子。
粒子在数字地图中运动。新产生的子女粒子中的多个可摒弃，如果它们在其运动
方面横越了数字地图的禁区。因此，粒子可离开壁或在车辆的情况下脱离道路。所有这样的
粒子可在定位方法的疏剪步骤中予以删除，因为该运动是禁止的。可预定可验证粒子可信
度的其他边界条件。因此，提及的航位推算算法除了位移矢量之外例如还提供对象可位于
其中、例如在通过导航卫星系统算出的停留椭圆中的全局区域，其中，在该区域之外的所有
粒子可予以删除。
例如通过与所谓的发射概率相乘进行疏剪，以这种方式保持在很短的时间之后仅
还剩下很少的粒子，通过其近似确定对象在数字地图中的真正位置。
通过与发射概率相乘并且删除不可信的粒子，关于所有粒子的概率的总和不再相
当于数值1。因此，在重新标准化步骤中，对留下的 所有粒子的概率进行标度，使其在总和
上再次为1。
这种粒子过滤器可具有相对大的全局误差范围，粒子应停留在该全局误差范围
中，例如由于导航卫星系统中的遮蔽或中断的WLAN连接。此外，运动矢量可非常弱，即，运行
矢量仅说明了位移距离，然而没有说明方向，几乎类似于计步器。此外，存在通常仅由线条
组成的数字网，对象可在该数字网中运动。
图2示出了根据实施例的用于与控制器一起使用的路网106的区段的示意图。路网
106例如为借助图1说明的路网。示出了车道104，其在第一岔口位置200分成第一子路段
202、第二子路段204和第三子路段206。用箭头标出了车辆在路网106中的行驶方向。
图3示出了根据实施例的用于与控制器一起使用的路网106的区段的示意图。不同
于图2，在第一子路段202上存在第二岔口位置300，从该第二岔口位置分出第三子路段206
和第四子路段302。
图4A示出了根据实施例的用于与控制器一起使用的路网106的区段的示意图。不
同于图3，路网106在第二子路段204上具有另一岔口位置400，根据该实施例，从该另一岔口
位置分出另一子路段402和附加的子路段404。在此，第四子路段302和该另一子路段402通
到共同的第五子路段406中，该第五子路段例如在第三子路段206和附加的子路段404之间
延伸。
图5示出了根据实施例的用于与控制器一起使用的路网106的区段的示意图。不同
于借助图2至图4A至图4E说明的路网，在图5中示出的路网106显示为鬃状路网。车道104在
第一岔口位置200分成第一子路段202和第二子路段204。车道104在位于第一子路段202上
的第二岔口位置300分成第三子路段206和第四子路段302。如可在图5中看出的那样，车道
104在位于第三子路段206上的第三岔口位置500还分成第六子路段502和第七子路段504。
车道104在位于第六子路段502上的第四岔口位置505又分成第八子路段506和第九子路段
508。第五岔口位置510位于第八子路段506上。从第五岔口位置510分出第十子路段512和第
十一子路段514。子路段204、302、504、508、514例如为旁道，其从车道104的由子路段202、
206、502、506、512形成的主车道分出。
图2和图3示出了三叉点的示例，也就是说，对于一个交叉路口分别设有三个平等
的出口。由图2可见的是，在通过交叉路口之后，分别以33％的概率驶过呈子路段202、204、
206形式的道路，即，概率在所有的出口上均匀分布。
图3示出了类似于图2中那样的交叉路口，然而区别是，交叉路口在此少许变形并
且由两个交叉路口序列组成。在使用在前提及的粒子过滤器来确定概率分布时，图3中的概
率分布明显不同于图2中的概率分布。在呈第一岔口位置200的形式的第一交叉路口处，一
半的粒子向右行驶，另一半的粒子向左行驶。在行驶方向上向右的粒子此时通向呈第二岔
口位置300的形式的下一个交叉路口并且又分成相同的部分。因此，代替在图2中确定的1/
3、1/3、1/3的概率分布得到1/4、1/4、1/2的概率分布，也就是说，与在两个交叉路口之间的
距离多么小无关。
对于路网106的在图4A中示出的示例，车道104分成两个车道202、204，其然后继续
划分并且在中间车道406中会聚。因此，车辆可两次决定将朝哪个方向行驶。结果，所有三个
车道206、404、406的概率相同。因此，预期的概率分配为1/3、1/3、1/3。然而，从粒子过滤器
的角度来看，一半的粒子在第一岔口位置200向左行驶，其中，另一半的粒子向右行驶。然
后，粒子再次分配并且对于中间车道406来说合并在一起。因此，根据粒子过滤器最终得到
的分配为1/4、1/2、1/4。
在图5中示例性地示出了鬃状路网。在此从笔直车道以规则间距分出左拐弯车道，
可分别以50％的概率拐到该左拐弯车道中。结果，从车辆的角度来看，所有道路或岔路概率
相同。而从粒子过滤器的角度来看，车辆最终仅还以1/32的概率笔直行驶，因为在每个岔口
位置处一半的粒子驶入岔路中。
在确定概率分布时的该误差可借助于航位推算算法来过度补偿。 而借助于随后
详细说明的、根据在此提出的方案的多元宇宙算法可满足精度要求。
粒子过滤器的原理基于并行跟踪大量可能的位置。因此，不是对单个对象进行定
位，而是严格地说对多个对象或粒子进行定位，例如多个车辆，其独立且彼此无关地驶向交
叉路口，其中，相应的驾驶员自我地且彼此无关地仅仅根据随机原则决定朝哪个道路拐弯。
从这个角度来考虑，如粒子过滤器计算出来的那样的分布看起来相当准确。
然而现在应确定单个对象的最可能的位置。在此适用的是，各个对象不可决定同
时向左和向右。那就是说，基本思想是，对象在每个交叉路口处仅可决定一条路径。不同于
粒子过滤器的方法，单个对象不可在交叉路口处分裂。在一种现实性中，仅可决定向左，而
在另一种现实性中，仅可决定向右。但两种现实性不可同时存在。可以说，涉及备选宇宙。在
一宇宙中，对象向右拐弯，而在另一宇宙中，对象向左拐弯。重要的是，不同于粒子过滤器，
在分叉的时刻，对象没有分开，而是附加地出现新的备选的世界。
因此，备选宇宙不应看作在岔口之前存在的原始宇宙的子女代。而是为相对于原
始宇宙完全平等的新的平行宇宙。一旦产生这些宇宙，在这些宇宙之间不再有相互作用。
新的宇宙通过克隆原始宇宙产生。此后，对象在一个宇宙中向右拐弯并且在另一
宇宙中向左拐弯，其中，附加地产生宇宙，即，不是从父代分成多个子代。而是出现新的附加
的同胞宇宙，其中，同胞宇宙中的每个获得由在交叉路口处的转移概率和由在交叉路口之
前的概率导出的概率。
由于克隆，直至在存在的所有宇宙内而不是仅仅在同胞宇宙内的重新标准化之
前，概率的总和大于1。
为了确定对象的最有可能的位置，现在不是使用粒子的概率，而是使用宇宙的概
率。如果存在不同的宇宙，在这些不同的宇宙中中对象位于相同的位置，则停留概率是对象
在其中位于该位置的所有宇宙中的最大值。
代替平行宇宙，还可考虑从对象的原始位置至当前位置的备选路径。如果这种路
径通到岔口上，则形象地说，存在从原始位置至该岔口的附加路径。此时，一路径朝一个方
向拐弯，并且另一路径使用备选方案。
多元宇宙算法可与粒子过滤器的算法相似。不同之处在于，在粒子过滤器中，粒子
分裂成子粒子或子女粒子，而在多元宇宙算法中，代替子女代产生同胞。多元宇宙算法可同
粒子过滤器一样包括概率真实性检查和重新标准化的步骤。
关于用于产生同胞宇宙的过程，例如以下要求适用于多元宇宙算法。
在克隆和概率重新分布到同胞上时，同胞中的任何一个不应具有比在克隆之前的
宇宙更高的概率。否则，从“在交叉路口之前”到“在交叉路口之后”的转移概率超过100％。
由于克隆，直至重新标准化之前，可出现更高的概率。然而，在克隆时不应有概率
消失，也就是说，同胞宇宙的概率的总和至少应等于在岔口之前的概率。
此外，直接在克隆之后在同胞宇宙之间的概率比例应相当于在交叉路口处的概率
所预定的比例，例如：“以90％的概率跟着主要道路并且仅以10％的概率转入死巷中”。相应
地，同胞宇宙也应具有90比10的概率比例。
粒子过滤器形成一种极限情况，在其中旧的概率完全分布到所有的同胞上，而在
克隆时没有产生新的概率。这相应于图示的比较，据此父代的概率完全分配给其子女代，其
中，父代自身消失。
另一极限情况是，在其中产生最大数量的新的概率。在这种情况下，同胞中的一个
在没有改变其概率(当然仅直到重新标准化为止)的情况下驶过岔口。所有其他的同胞根据
在岔口处的分布比得到一样大或变小的概率。
多元宇宙算法为这种极限情况。在这两种极限情况之间理论上存在任意多的算
法。这两种极限情况可概括如下。粒子过滤器说明了多 个对象在一个宇宙中的分布；多元
宇宙算法说明了单个对象在多个平行宇宙中的分布。在这两种极限情况之间存在算法的可
能的中间阶段的完整连续性。
多元宇宙算法可以如下方式来表达。
给定具有n个出口和离开概率p1…pn的交叉路口。概率的总和为1。在没有一般性限
制的情况下，p1≥p2≥…≥pn。
在粒子过滤器中，父粒子的概率传给子女代，其中，父代的概率与p1、p2…pn相乘。
然后，父粒子消逝。
现在在多元宇宙算法中的情况是，正好考虑的父粒子其实是同胞粒子并且没有改
变地继续活着。其运动到最有可能的随后行驶p1的位置处。附加地出现新的同胞，其具有原
始概率与因数pk/p1相乘的附加概率。这是出现平行宇宙或平行路径的过程。因此，附加概率
通过原始概率与(p2+…+pn)/p1相乘产生。
如果粒子到达不同宇宙中的相同位置，则有可能性更大的宇宙存活下来。不太可
能的宇宙被删除。该过程还可称为宇宙的合并。
在存在的所有平行宇宙内进行重新标准化的步骤中，在过滤器更新结束时对所有
粒子或宇宙的概率的总和标准化成1。
下面以在前说明的图2至图5的示例进一步阐述多元宇宙算法的作用原理。
在图2中，特征在于一个点的粒子驶向第一岔口位置200并且应对三个出口202、
204、206中的一个作出决定。出现两个附加的同胞，其中，概率分别为1。在重新标准化之后
得到1/3、1/3、1/3的概率分布。
在图3中，在第一岔口位置200之后出现两个宇宙，其中，在重新标准化之后概率分
别为50％。在一个宇宙中，粒子驶向第二岔口位置300，从而出现两个新的宇宙。在宇宙中的
一个中，粒子在第二岔口位置300处向左拐弯，而粒子在另一宇宙中在第二岔口位置300处
向右拐弯。因为转移概率相同，所以两个同胞宇宙分别具有50％的概率。因此得到三个宇
宙，其中，概率分别为50％。在重新标准化之后 最终得到1/3、1/3、1/3的期望的结果。
在图4A中，在第一岔口位置200之后出现两个宇宙，其中，概率各为50％。在第二岔
口位置300之后，每个宇宙以各50％的概率分裂成两个子宇宙。在重新标准化之后存在分别
具有25％的概率的四个宇宙。在四个宇宙中的两个中，粒子在继续行驶时直接彼此重叠并
且因此可彼此组合。因为两个宇宙概率相同，所以删除宇宙中的一个。在重新标准化之后得
到三个宇宙，其中，概率各为33％。
图4B示出了用于使用在实施例中的路网的区段的示意图，其中，为子路段分配有
概率。
在粒子过滤器中可发生的是，在运动步骤之后，不仅可在岔口之前的路段上而且
可在岔口之后的路段上具有粒子。通过拓扑得到在转移到在岔口之后的路段上的不同的转
移概率(例如：用户以66％的概率沿着主要道路行走，并且仅以33％的概率沿着支线道路行
走)。此时，从中得出粒子在岔口之前具有100％的概率，粒子在岔口之后的主要道路上具有
66％的概率，并且粒子在岔口之后的支线道路上具有33％的概率(当然，概率还应紧接着根
据在此提出的方案标准化或标度)。在这种情况下，粒子在岔口之前总是具有比在岔口之后
更高的概率。在极端情况下，匹配算法在此期间等候在岔口之前的位置处，直至所有的粒子
移动越过岔口。
根据图4B的图示，在岔口位置之前的粒子总是具有比在岔口位置之后的粒子更高
的概率。
图4C示出了用于使用在实施例中的路网的区段的示意图，其中，根据在此提出的
新的方案为子路段分配有标度的或标准化的概率：在岔口位置之后的一些粒子具有和在岔
口之前的粒子相同的概率。
在在此提出的方案中，在岔口之后，在具有最高的相对转移概率的分段上的粒子
具有和在岔口之前的粒子相同的概率。因此，通过匹配算法确定的在路网中的位置可更加
相应于实际位置。
如果存在这种情况，即，在一重分岔口处，所有粒子移动越过岔口，则和传统地使
用粒子过滤器没有差别。只有当在运动步骤中驶越 多于一个岔口位置或粒子存在于岔口
位置之前以及之后时，在此提出的新的方案是有利的。
图4D示出了用于使用在存在第二岔口位置的实施例中的路网的区段的示意图，其
中，为子路段分配有概率。得到三个可行的路径，其中，在该示例中，向右的支线总是获得2/
3的概率，而向左的支线相应获得1/3的概率。根据常规的方法得到在此说明的绝对停留概
率。
图4E示出了用于使用在实施例中的路网的区段的示意图，其中，为子路段关联有
标度的或标准化的概率。根据在此提出的方法得到示例性地在图4E中示出的说明的绝对停
留概率。
在图5中，在每个岔口位置产生具有同胞概率的新的宇宙。在第一岔口位置200之
后产生概率各为50％的两个同胞。在第二岔口位置300之后，两个宇宙中的一个产生概率为
50％的另一宇宙。因此，在重新标准化之后得到概率分别为33％的三个宇宙。另一宇宙在其
下一岔口位置又产生概率为33％的新的宇宙等等。结果，所有的道路在概率方面平等。
图6示出了根据一种实施例的方法600的流程图。方法600例如可结合前面借助图1
至图5说明的控制器来执行。方法600用于确定对象在具有至少一个岔口位置的路网中的停
留概率，从该至少一个岔口位置分出至少一个第一子路段和第二子路段。
在此，在步骤610中确定代表对象100在第一子路段202上的停留概率的至少一个
第一概率值和代表对象100在第二子路段204上的停留概率的至少一个第二概率值。
最后可在标度步骤630中至少对第一概率值和第二概率值进行标度，从而标度的
第一概率值和标度的第二概率值的总和大于对象在岔口位置之前的子路段上的概率值，以
确定对象在路网中的停留概率。
还可考虑本发明的这样的实施例，在其中还在路网中存在至少一个位于第一子路
段上的第二岔口位置，从该第二岔口位置分出至少一个第三子路段和第四子路段。在确定
步骤610中，当对象位于第三子路段上时，确定代表对象的停留概率的至少一个第三概率
值，并且当 对象位于第四子路段上时，确定代表对象在第四子路段上的停留概率的至少一
个第四概率值。在相加步骤620中，至少将第二概率值、第三概率值和第四概率值相加，以便
得到辅助值。最后，在标度步骤630中，在使用辅助值的情况下至少对第二概率值、第三概率
值和第四概率值进行标度，以便确定对象在路网中的停留概率。
根据一实施例，在此可如此标度三个概率值，即，三个概率值的总和在标度之后代
表100％或1的概率。
根据另一实施例中，在步骤620中，由此确定使第一子路段和第二子路段彼此合并
的第五子路段(例如中间车道)的概率值，即，删除第一子路段和第二子路段的代表更小的
停留概率的概率值，其中，使第五子路段与剩下的概率值相关联。
步骤610、620、630可继续实施。
图7示出了根据本发明一种实施例的控制器104的框图。控制器104包括用于确定
的设备710，其用于确定代表对象在第一子路段上的停留概率的至少一个第一概率值和代
表对象在第二子路段上的停留概率的至少一个第二概率值。控制器还包括用于标度的设备
730，其用于至少标度第一概率值和第二概率值，使得标度的第一概率值和标度的第二概率
值的总和大于对象在岔口位置之前的子路段上的概率值，以便确定对象在路网中的停留概
率。
还可考虑本发明的这样的实施例，在其中用于确定的设备710构造用于，当对象位
于第三子路段上时，确定代表对象的停留概率的至少一个第三概率值，并且当对象位于第
四子路段上时，确定代表对象在第四子路段上的停留概率的至少一个第四概率值。在用于
相加的设备720中，至少使第二概率值、第三概率值和第四概率值相加，以得到辅助值。最后
在用于标度的设备730中在使用辅助值的情况下至少对第二概率值、第三概率值和第四概
率值进行标度，以便确定对象在路网中的停留概率。
如果实施例包括在第一特征和第二特征之间的“和/或”关系，则这可如此解读，
即，该实施例根据一实施方式包括第一特征以及第二 特征，而根据另一实施方式或者仅具
有第一特征，或者仅具有第二特征。