Multi-source road edge detection for re sensing ghost filtering

Abstract

A device, such as a mobile computer system of a vehicle (130), may obtain RF sensing (140) data from one or more RF sensors (315) of the vehicle. The device may obtain digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road (120) boundary (150) information for a road (120) on which the vehicle (130) is located. The device may determine a position of a boundary (150) of a road (120), within the RF sensing (140) data, relative to a position of the vehicle (130), wherein determining the position of the boundary (150) of the road (120) is based at least in part on the road (120) boundary (150) information of the digitally mapped geospatial data. The device may filter, from the RF sensing (140) data, data indicative of one or more objects in an area within the RF sensing (140) data, wherein the area is determined using the determined position of the boundary (150) of the road (120).

Description

MULTI-SOURCE ROAD EDGE DETECTION FOR RF SENSING GHOST FILTERINGBACKGROUND

[0001] 1. Field of Disclosure

[0002] The present invention relates generally to the field of electronic vehicle systems.

[0003] 2. Description of Related Art

[0004] Vehicle systems, such as autonomous driving and advanced driver-assist systems (ADAS) often use radio frequency (RF) sensors to detect objects near the vehicle. For example, rear-facing RF sensors can be used for blindspot detection (BSD) to alert a driver of a first vehicle that a second vehicle is in the first vehicle’s blindspot, and emergency lane keep assistance / blindspot information support (eLKA BLIS) to cause a first vehicle to perform an evasive steering maneuver to avoid colliding with a second vehicle in an adjacent lane. The reliability of these features may be dependent on the ability to filter “ghost” objects, or “false positives” in the RF sensing data suggesting the presence of objects that are not there. Further, the filtering of ghost objects from the RF sensing data by a vehicle may be reliant on the detection of the edge of a road on which the vehicle is traveling.

[0005] BRIEF SUMMARY

[0006] An example method of RF sensing filtering at a vehicle, according to this disclosure, may comprise obtaining RF sensing data from one or more RF sensors of the vehicle. The method also may comprise obtaining digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located. The method also may comprise determining a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data. The method also may comprise filtering, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.

[0007] An example device comprising: one or more memories, one or more processors communicatively coupled with the one or more memories, the one or more processors configured to obtain RF sensing data from one or more RF sensors of a vehicle. The one or more processors further may be configured to obtain digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located. The one or more processors further may be configured to determine a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data. The one or more processors further may be configured to filter, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.

[0008] An example device for RF sensing filtering at a vehicle, according to this disclosure, may comprise means for obtaining RF sensing data from one or more RF sensors of the vehicle, means for obtaining digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located, means for determining a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data, means for filtering, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.

[0009] This summary is neither intended to identify key or essential features of the claimed subject matter, nor is it intended to be used in isolation to determine the scope of the claimed subject matter. The subject matter should be understood by reference to appropriate portions of the entire specification of this disclosure, any or all drawings, and each claim. The foregoing, together with other features and examples, will be described in more detail below in the following specification, claims, and accompanying drawings.BRIEF DESCRIPTION OF THE DRAWINGS

[0010] FIG. 1 is an overhead view of an example scenario in which radio frequency (RF) sensor data may be used to implement blindspot detection (BSD) and / or emergency lane keep assistance / blindspot information support (eLKA BLIS) by an ego vehicle.

[0011] FIG. 2 is an example process of filtering ghost objects using a road boundary location determination from RF sensor data.

[0012] FIG. 3 is a block diagram of an advanced driver-assist system (ADAS) , according to an embodiment.

[0013] FIG. 4 is an overhead view of an example scenario that illustrates various features of the embodiments described herein.

[0014] FIG. 5 is a graph provided to help illustrate how coordinates (e.g., a global coordinate system) may be converted to a vehicle coordinate system, according to an embodiment.

[0015] FIG. 6 is a flow diagram of an example process of filtering RF sensing data, according to an embodiment.

[0016] FIG. 7 is a flow diagram of an example process that may be used to convert road boundary coordinates to a vehicle coordinate system of a vehicle, according to an embodiment.

[0017] FIG. 8 is a flow diagram of an example process of filtering RF sensing data, according to an embodiment.

[0018] FIG. 9 is a flow diagram of a method of RF sensing filtering at a vehicle, according to an embodiment.

[0019] FIG. 10 is a block diagram of an embodiment of a mobile computing system, which can be utilized in embodiments as described herein.

[0020] Like reference symbols in the various drawings indicate like elements, in accordance with certain example implementations. In addition, multiple instances of an element may be indicated by following a first number for the element with a letter or a hyphen and a second number. For example, multiple instances of an element 110 may be indicated as 110-1, 110-2, 110-3 etc. or as 110a, 110b, 110c, etc. When referring to such an element using only the first number, any instance of the element is to be understood  (e.g., element 110 in the previous example would refer to elements 110-1, 110-2, and 110-3 or to elements 110a, 110b, and 110c) .DETAILED DESCRIPTION

[0021] Several illustrative embodiments will now be described with respect to the accompanying drawings, which form a part hereof. The ensuing description provides embodiment (s) only, and is not intended to limit the scope, applicability, or configuration of the disclosure. Rather, the ensuing description of the embodiment (s) will provide those skilled in the art with an enabling description for implementing an embodiment. It is understood that various changes may be made in the function and arrangement of elements without departing from the scope of this disclosure.

[0022] As used herein, the terms “map, ” “map data, ” “digitally mapped geospatial data” and derivatives thereof may refer to an electronic representation of a physical location or geographical area. For automated driving and other advanced ADAS functionality, map data may include precise locations of roads, road boundaries, signs, and the like. Maps having such precise location information may be referred to as “high definition” or “HD” maps. As a person of ordinary skill in the art will understand, this electronic representation may be stored in a database or other data structure (in any of a variety of storage mediums) as one or more electronic files, data objects, or the like.

[0023] As used herein, the term “ego vehicle” and derivatives thereof refers to a vehicle of interest. Thus, for embodiments described herein, the ego vehicle may comprise the vehicle performing the functionality described (e.g., using RF sensors, obtaining map data, etc. ) . The performance of the functionality described in the embodiments herein may be executed by one or more systems and / or components of the ego vehicle. This may include electrical and / or mechanical components, such as computing components, sensors, or the like. Electrical components may be communicatively coupled with each other and may be referred to collectively herein as a “mobile computing system. ”

[0024] As used herein, the terms “RF sensing, ” “passive RF sensing, ” and variants refer to a process by which one or more objects are detected using RF signals transmitted by a transmitting device and, after reflecting from the one or more objects, received by a receiving device. In a monostatic configuration, the transmitting and receiving device are  the same device. In a bistatic configuration, one device transmits RF signals, and another device receives reflections of the RF signals from one or more objects. In multi-static configuration, one or more receiving devices are separate from one or more transmitting devices. As used herein, the term “static” in the terms “monostatic, ” “bistatic, ” and “multistatic, ” are meant to conform with historical literature on RF sensing, but are not limited to “static” or stationary sensing nodes. As described herein, in some embodiments, transmitting and / or receiving devices may comprise one or more RF sensors of a vehicle, which may be mobile. A receiving device can make measurements of reflected RF signals to determine one or more characteristics of the one or more objects, such as location, range, angle, direction, orientation, Doppler, velocity, etc. As used herein, the term “RF sensing data” and variants refer to data and / or measurements obtained by one or more transmitting and / or receiving devices (e.g., RF sensors) during an RF sensing procedure.

[0025] As previously noted, vehicle systems, such as autonomous driving and advanced driver-assist systems (ADAS) may implement blindspot detection (BSD) and / or emergency lane keep assistance / blindspot information support (eLKA BLIS) by using RF sensors to detect objects near the vehicle. The reliability of these features depends in part on accurately filtering “ghost” objects, or RF sensing data erroneously indicating the presence of an object that is not there. Traditional algorithms for filtering ghost objects often depend on the detection of a road boundary (e.g., edge and / or barrier) using RF sensors. Thus, when a road boundary is not detected (e.g. when RF sensors fail to detect a threshold number of stationary objects indicating a road edge) , ghost objects may not be filtered, resulting in a high possibility of false positives. This can negatively impact the functionality of BSD and / or eLKA BLIS.

[0026] Embodiments described herein address these and other issues by enabling accurate road boundary detection by determining the location of the road edge using multiple sources, including one or more sources other than RF sensing. More specifically, a high-definition (HD) map and / or one or more non-RF sensors (e.g., camera (s) and / or lidar) can be used to determine the location of a road boundary. This location may then be mapped onto RF sensing data and used to filter ghost objects, thereby reducing the probability of having false positives and increasing the reliability of functions such as BSD and eLKA BLIS.

[0027] Various aspects relate generally to ghost object filtration at a vehicle. Some aspects more specifically relate to accurate road boundary detection to enable ghost objects filtering of RF sensor data, which may be used for BSD and / or eLKA BLIS. In some examples, a determination can be made of whether relevant road barrier information is available from a map and, if so, obtaining the location of the road barrier. This location may be translated to a vehicle coordinate system of the vehicle (or other coordinates used by RF sensors) if needed. Moreover, in some embodiments, road barrier information obtained from a map may be fused with information from one or more vehicle sensors (e.g., lidar, camera, etc. ) indicative of the road barrier, for greater accuracy. This road barrier information may then be used for the filtering of ghost objects in RF sensor data.

[0028] Particular aspects of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. In some examples, by using accurate road barrier information obtained from map data and / or other non-RF sensing sensor sources, the described techniques can be used to accurately perform filtering of ghost objects in RF sensor data, which can result in reliable performance of vehicle functions such as BSD and / or eLKA BLIS that rely on this RF sensor data. These and other advantages will be apparent to a person of ordinary skill in the art in view of the embodiments described below.

[0029] FIG. 1 is an overhead view of a scenario 100 in which RF sensor data may be used to implement BSD and / or eLKA BLIS by an ego vehicle 110. In this scenario 100, the ego vehicle 110 travels on a road 120 in a direction of travel, as indicated in FIG. 1. As noted, the ego vehicle 110 may detect objects such as vehicle 130 using RF sensing 140. The RF sensing 140 may be implemented by one or more rear-facing RF sensors. The detection of an object such as the vehicle 130 may cause a DAS system of the ego vehicle 110 to implement BSD and / or eLKA BLIS by notifying a driver of the ego vehicle 110 of the presence of the vehicle 130 and / or maneuver the ego vehicle 110 to ensure it does not collide with the vehicle 130.

[0030] Importantly, RF sensing-based functions such as BSD and / or eLKA BLIS may be dependent in part on a determination of where road boundaries 150 are. That is, RF sensors may be capable of detecting objects beyond the road boundaries 150. However, such objects may be ignored.

[0031] Additionally, as previously indicated, RF sensor data may indicate the presence of ghost objects, which are RF sensing data erroneously indicating the presence of an “object” that is not actually there. These “false positives” in the RF sensing data can be problematic for RF sensing-based functions such as BSD and / or eLKA BLIS, potentially causing these systems to indicate the presence of a vehicle / object and / or maneuver the ego vehicle 110 in a manner as if a physical object were present in instances in which no object (only a ghost object) is present. The filtration of these ghost objects also may be dependent on a determination of the location of boundaries 150. Traditional techniques for filtering ghost objects relied on the determination of the location of boundaries 150 from the RF sensing data.

[0032] FIG. 2 is an example process 200 of filtering ghost objects using road boundary determination from RF sensor data. This process 200 may be executed by a mobile computer system of an ego vehicle, which may include one or more processors, RF sensors, and / or other applicable hardware and / or software components. The process 200 may begin with the functionality at block 220, in which we are RF sensing stationary points are detected. RF sensing typically results in cloud point detection, in which objects are represented as clusters of “points” in RF sensing data, representing points in physical space in which one or more RF signals were reflected. Thus, as indicated at block 230, the process 200 comprises applying cluster logic to detect objects in the RF sensing data.

[0033] Because road boundaries are stationary, the detection of road boundaries using the RF sensing data comprises identifying stationary objects within the RF sensing data. However, if there are insufficient stationary objects within the RF sensing data, no road boundary is detected. As such, as indicated at block 240, a determination is made regarding whether more than a threshold number of stationary objects is detected. If the number of stationary objects detected in the RF sensing data exceeds a threshold, then a road boundary (or, more precisely, the location of the road boundary in the RF sensing data) may be determined, as indicated at block 250. Once the road boundary is identified, objects beyond the road boundary may be ignored, as indicated at block 260, including ghost objects. (As noted hereafter, the boundary at which objects are ignored may be different than the road boundary. However, this boundary may be based on the location of the road boundary. ) Hence, ghost object filtration is applied if road boundaries are detected in the RF sensing data (i.e. if the number of detected stationary objects exceeds a threshold) . However, as also indicated at block 240, if road boundaries are not detected  (i.e. if the number of detected stationary objects does not exceed the threshold) then the process 200 ends, and no filtration of ghost objects beyond road boundaries occurs.

[0034] The determination of the location of road boundaries by a vehicle may not necessarily be limited to RF sensing. Modern vehicles may have access to map data from a mapping source (e.g., a local database stored at the vehicle and / or data wirelessly obtained by the vehicle from a remote source) . Furthermore, vehicle sensors such as cameras and lidar sensors may be capable of detecting road boundaries. As such, and as previously noted, embodiments herein leverage this other information to be able to more accurately determine the location of a road boundary for purposes of ghost object filtering within RF sensing data.

[0035] FIG. 3 is a block diagram of an ADAS 300, according to an embodiment. This ADAS 300 may be implemented by various components and systems within a vehicle and may compose part of one or more additional vehicle systems (e.g., vehicle positioning, navigation, and / or automated driving systems, etc. ) . Aspects of the ADAS 300 may correspond with components of a mobile computing system of a vehicle, an example of which is illustrated in FIG. 10 and described hereafter. As with other embodiments herein, this figure is provided only as an example and alternative embodiments may rearrange, add, omit, combine, separate, rearrange, and / or otherwise alter the illustrated components. Arrows in the figure indicate the general flow of data between components (although data may be communicated in two directions, in some embodiments) .

[0036] As illustrated, the ADAS 300 includes sensors 305 and vehicle control systems 310. Sensors may include one or more RF sensors 315, one or more cameras 320, one or more lidar sensors 325, one or more inertial measurement units (IMUs) 330 (which may include accelerometers, gyroscopes, altimeters, and / or other motion sensors) , one or more GNSS receivers 335, and / or other sensors. Vehicle control systems 310 comprises various systems to control aspects of the vehicle. This includes display / user interface (UI) 345, control system 350, navigation system 355, path planning system 360, and / or other systems. The display / UI system 345 can, for example, display the positions of the vehicle and / or lane boundaries, to a driver or other vehicle user. It may further be used to implement BSD (e.g., by indicating, in a display and / or within an indication light on a side mirror, the presence of a vehicle / object in a blind spot) . The control system 350 can,  for example, control automated functions of the vehicle, such as eLKA BLIS, lane keeping, adaptive cruise control, automated driving functionality, and / or other functions that may include vehicle-controlled breaking, acceleration, steering, etc. The navigation system 355 may comprise a device or system for providing navigation for the vehicle that may use information regarding the location of the vehicle and / or lane boundaries. The path planning system 360 may comprise a device or system for computing a target path for the vehicle based on a map and current vehicle position and then providing the target path to one or more vehicle control systems.

[0037] As indicated by the arrows in FIG. 3, data may generally flow from the sensors 305 to the vehicle control systems 310. More specifically, the vehicle control systems 310 may use the sensors 305 as a data source for performing their functionality. Additionally, the vehicle control systems 310 may utilize map data 365 as a data source.

[0038] As also indicated in FIG. 3, RF sensing data from the RF sensor (s) 315 may be subject to RF processing 370 before being provided to the vehicle control system 310. This can include ghost object filtering, including the filtering performed in the process 200 shown in FIG. 2, in which road boundaries are used for the filtering. As noted, such processes traditionally utilize only RF sensing data from the RF sensor (s) 315 to determine road boundaries. However, according to embodiments herein, one or more additional data sources may be used for road boundary determination. Specifically, as indicated by arrows 375, these additional data sources may include the map data 365, camera (s) 320, lidar sensor (s) 325, or any combination thereof (e.g., a “fusion” of sensor data or sensor and map data) . This is because these additional sources often may be more reliable and determining road boundaries. That said, traditional RF sensing may be used as a backup to determine road boundaries if these additional data sources are not available, or if road boundaries are not determinable from these additional data sources.

[0039] Prior to discussing specific embodiments of processes they utilize these additional sources to determine road boundaries, FIGS. 4 and 5 are provided to illustrate some terminology used in the embodiments.

[0040] FIG. 4 is a graph that illustrates various features of the embodiments described hereafter. Similar to FIG. 1, FIG. 4 illustrates an overhead view of an ego vehicle 410 and road boundaries 420. These boundaries 420 may be a representation of road boundaries obtained from one or more data sources such as map data and / or vehicle sensors, as  described above with respect to FIG. 3. Depending on the data source, the boundaries 420 may comprise boundary segments 430.

[0041] The left out-of-boundary area 440 and right out-of-boundary area 450 define areas in which, if objects are detected in RF sensing data, the objects may be ignored. Ignoring objects in these areas 440, 450 (or, more specifically, filtering RF sensing data indicative of objects in these areas) may reduce the number of ghost objects in the RF sensing data and increase the reliability of RF sensing-based functions such as BSD and / or eLKA BLIS, as described above. These areas 440, 450 may be defined in terms of the vehicle coordinate system of the ego vehicle 410 (which typically has a point of origin in the center of the rear axis) , where the x-axis represents the direction of travel of the ego vehicle 410, and the y-axis is perpendicular to the x-axis and parallel to the ground plane. As shown, the left out-of-boundary area 440 may be defined in terms of positive y values, and the right out-of-boundary area 450 may be defined in terms of negative y values.

[0042] Both areas 440, 450 may extend backward from the vehicle a certain length 460. According to some embodiments, where x-axis values are defined in terms of meters, this may extend in terms of meters from -40 m to 0 m. That said, alternative embodiments may have different values, e.g. extending from some value defining the farthest border of areas 440 and 450 from the ego vehicle 410 (which can be, for example, -60 m, -50 m, -30 m, -20 m, etc. ) to some value defining the closest border of areas 440 and 450 to the ego vehicle 410 (which can be, for example, -2 m, -1 m, 1 m, 2 m etc. ) .

[0043] As shown in FIG. 4, the borders of the out-of-boundary areas 440 and 450 may not necessarily align with road boundaries 420. According to some embodiments, there may be an additional gap 470 that defines an offset between an inner border of each of the areas 440, 450 and the boundaries 420. This may allow for the filtering of some objects within the road boundaries 420 to be ignored in the RF sensing data. The length of this 470 may be determined using empirical / experimental data and / or may be based on desired functionality. The length of the gap, according to some embodiments, may be 0.15 m, although this length may vary among different embodiments. Some embodiments may have gaps of, for example, 0.05 m, 0.10 m, 0.20 m, 0.25 m, etc. Moreover, some embodiments may have different gap values for the left out-of-boundary area 440 and the right out-of-boundary area 450. Additionally or alternatively, gap values may be dynamic,  according to some embodiments, and may be based, for example, on road with and / or other features or conditions.

[0044] As noted, the location of boundaries 420 or boundary segments 430 may be obtained from map data. As such, the location of boundaries 420 or boundary segments 430 may be provided in global / absolute coordinates rather than vehicle coordinates. In such instances, the location of boundaries 420 or boundary segments 430 may be converted to a vehicle coordinate system of a vehicle. FIG. 5 also illustrates how this conversion of coordinate information may be performed.

[0045] FIG. 5 is a graph provided to help illustrate how global coordinates may be converted to a vehicle coordinate system of a vehicle. For example, a boundary segment (e.g., boundary segment 430) obtained from map data may be defined using global coordinates (x1, y1, x2, y2, …) . Global coordinates 510 may be converted to vehicle coordinates 520 using vehicle pose information (x0, y0, yaw) , where vehicle pose information is determined from localization (e.g., 3DoF or 6DoF information determined from global navigation satellite system (GNSS) information, IMU information, etc. ) . The conversion of coordinates in a global coordinate system (x, y) to a vehicle coordinate system (x’, y’) for a given boundary segment may be performed using the equation 530.

[0046] In view of the information described with respect to FIGS. 4 and 5, FIGS. 6-8 illustrate example embodiments of processes that may be used for object filtering of RF sensing data based on road boundary information using one or more non-RF sensing sources (e.g., in addition, or as an alternative to RF sensing) .

[0047] FIG. 6 is a flow diagram of an example process 600 of filtering RF sensing data, according to an embodiment. This process 600 may be performed by RF processing hardware and / or software (e.g., RF processing 370) , which may be executed by a mobile computing system of a vehicle (e.g., as illustrated in FIG. 10 and described below) . Here, the process 600 may begin with the functionality at block 610, in which a determination is made of whether boundary segments of the road are available from map data. If so, the process can proceed with the functionality at block 620, in which boundary segment information (e.g., a location of the boundary segment (s) ) is obtained from the map. This could be done, for example, for all boundary segments within a threshold distance of the ego vehicle, or for a certain number of boundary segments extending backward from the vehicle, to help ensure sufficient boundary segments are obtained to define either or both  of the left out-of-boundary area 440 or right out-of-boundary area 450. The definition of either or both of these boundaries (e.g. in the manner described above with respect to FIG. 4) may then be performed as indicated at block 630.

[0048] If map boundary segments are not available at block 610, RF sensing may be used as a backup, as indicated at block 640 and 650. Specifically, at block 640, a determination is made of whether RF sensing road boundary detection is available (e.g., using cluster logic and a determination of a threshold number of stationary objects, as described with respect to FIG. 2) . If available, the road boundary area may then be obtained at block 650, and the process can proceed to block 630 in which out-of-boundary area (s) are defined.

[0049] It can be noted that, in alternative embodiments, additional or alternative backup data sources may be used at blocks 640 and 650. For example, some embodiments may use camera information as a backup data source to determine road boundary information. Some embodiments may use lighter information as a backup data source. Some embodiments may use multiple backup data sources, in which case data may be “fused” to determine the location of road boundaries, or used in series (e.g., using camera information as a first backup source, lidar information as a second backup source (if camera road boundary information is unavailable) , and RF sensing as a third backup source (if neither camera nor lidar road boundary information is available) ) .

[0050] At block 660, RF sensing data is analyzed to determine whether an object (which may include an actual object or a ghost object) is within an out-of-boundary area, as defined in block 630. For instances in which an out-of-boundary area is not defined in block 630, a previous out-of-boundary area may be used (e.g. if defined within a threshold distance and / or time) or an out-of-boundary area may be defined without using a road boundary. Alternatively, the process 600 may simply end (e.g., without performing object filtering based on road boundary data) . If the object is within the out-of-boundary area, it may be ignored, as indicated at block 670. Otherwise, the object may be included in (not filtered from) the RF sensing data. As noted in FIG. 3, RF sensing data may then be provided to one or more vehicle control systems.

[0051] FIG. 7 is a flow diagram of an example process 700 that may be used to convert road boundary coordinates to a vehicle coordinate system of a vehicle, according to some embodiments. In some aspects, this process 700 may be used in conjunction with  the process 600 of FIG. 6. For example, the process 700 may correspond and / or be used in conjunction with the functionality of block 620 in FIG. 6.

[0052] The process 700 may begin with the functionality at block 710, in which a determination is made of whether a road boundary is provided in vehicle coordinates (e.g., coordinates of a vehicle coordinate system of the ego vehicle) . If so, the process may simply proceed with the functionality at block 720, in which road boundary positions in the vehicle coordinate system are obtained. The functionality at block 730 comprises getting road boundary segments sufficient to define one or both out-of-boundary areas (e.g., as described with respect to FIG. 4) .

[0053] If the determination at block 710 is that the road boundary is not provided in vehicle coordinates, the process may proceed with the functionality of blocks 740, 750, and 760, in which vehicle information is obtained from the map, a vehicle pose is determined, and road boundary positions are converted to positions in vehicle coordinate system, respectively. This process may generally echo the coordinate conversion process described above with respect to FIG. 5. Once road boundary positions are converted (e.g., for all road segments within a threshold distance from the ego vehicle) , road boundary segments to define one or both out-of-boundary areas may be obtained, as indicated at block 730.

[0054] FIG. 8 is a flow diagram of an example process 800 of filtering RF sensing data, according to some embodiments. In some aspects, this process 800 may be used in conjunction with the process 600 of FIG. 6. For example, the process 800 may correspond and / or be used in conjunction with the functionality of blocks 660 and 670 in FIG. 6. More particularly, the process 800 can be used to filter out objects in both the left out-of-boundary area 440 and right out-of-boundary area 450 as described above with respect to FIG. 4 once these areas are defined.

[0055] The process 800 may begin with the functionality illustrated at block 810, in which RF sensing data for predefined areas are obtained. These predefined areas may be predefined in terms of a vehicle coordinate system of the vehicle and may be sufficient to encompass the left out-of-boundary area 440 and right out-of-boundary area 450, as well as other areas for which objects detected in the RF sensing data will not be filtered. For example, a predefined area may extend for values of x from -40 m to 0 m (e.g., backward from the ego vehicle) , for values of y greater than 2 m (e.g., to the left of the ego vehicle,  in view of the vehicle coordinate system of the vehicle) , and for values of y less than -2 m (e.g., to the right of the ego vehicle) . The resolution of the RF sensing and / or boundaries of the predefined areas may be dependent on the abilities of the RF sensor (s) collecting the RF sensing data, the area (s) for which RF sensing data is needed to provide RF sensing-based functions such as BSD and / or eLKA BLIS, and / or other factors.

[0056] The functionality at block 820 is a determination of whether all points in the predefined areas have been analyzed. As noted, objects may be represented as points (e.g., point clusters) in RF sensing data. Thus, the process 800 may enable the process 800 to cycle through all points in the RF sensing data for the predefined areas (once RF sensing data has been obtained at block 810) . If all points have been analyzed, the process 800 may end. Otherwise, each point may be analyzed in the manner shown by in the rest of process 800 (starting with the functionality at block 830) .

[0057] At block 830, for a given point, a determination is made regarding whether the point is in a left predefined area, or, more generally, to the left of the ego vehicle with respect to the vehicle coordinate system of the ego vehicle. As shown by the subsequent functionality of the process 800, this can determine how the point (and / or an object represented by the point) can be analyzed for potential filtering. The determination regarding whether the point is to the left of the vehicle may be based on the coordinates of the point (e.g., whether a y value of the point, in the vehicle coordinate system of the vehicle, is positive) .

[0058] If the object is to the left of the ego vehicle (e.g., the y value of the point is positive) , the process 800 may then proceed to the functionality at block 840, in which the position of the road boundary on the left of the ego vehicle is determined. This can be done, for example, by obtaining boundary segments on the left-hand side of the ego vehicle, which may involve one or more of the previously described processes regarding obtaining boundary segments from map data and / or one or more backup data sources (e.g., as described with respect to FIG. 6) and converting boundary coordinate information to the vehicle coordinate system of the vehicle, if needed (e.g., as described with respect to FIG. 7) . A similar process may be performed with respect to determining the road boundary on the right-hand side of the ego vehicle at block 850, if it is determined at block 830 that the point is not in the left predefined area, or on the left-hand side of the vehicle.

[0059] The respective functionality at each of blocks 860 and 870 is then used to determine whether the point is respective in the left out-of-boundary area or right out-of-boundary area (e.g., as illustrated in FIG. 4) . Specifically, for a point on the left side of the vehicle, the functionality at block 860 includes determining whether the point is in the left out-of-boundary area by determining whether the y value of the point (in the vehicle coordinate system of the vehicle ego vehicle) is greater than the y value of the boundary’s position (as determined at block 840) , minus any gap value that might be used. Similarly, for a point on the right side of the vehicle, the functionality at block 870 includes determining whether the point is in the right out-of-boundary area by determining whether the y value of the point is greater than the y value of the boundary’s position (as determined at block 840) , plus any gap value that might be used. If the point is not determined to be in and out-of-boundary area as determined by the functionality at block 860 or 870, then the process 800 may end without filtering the point or object from the RF sensing data (and cycle through the next point in the RF sensing data, if there is one) . Otherwise, if the point is determined to be in an out-of-boundary area as determined by the functionality at block 860 or 870, the points may be filtered from the RF sensing data and / or the object associated with the point can be ignored, as indicated at block 880. Identification of the object to which a point may belong may be performed by point clustering, as previously indicated. Ignoring of an object (e.g., including a ghost object) may comprise. For example, removing all points of the object from the RF sensing data or flagging points in the object as “to be ignored” by one or more vehicle control systems receiving the RF sensing data.

[0060] FIG. 9 is a flow diagram of a method 900 of performing vehicle RF sensing filtering, according to an embodiment. Means for performing the functionality illustrated in one or more of the blocks shown in FIG. 9 may be performed by hardware and / or software components of a mobile computing system capable of processing RF sensing data (e.g., RF processing 370 of FIG. 3) , for example. Example components of a mobile computing system are illustrated in FIG. 10, which is described in more detail below.

[0061] At block 910, the functionality comprises obtaining RF sensing data from one or more RF sensors of the vehicle. As noted in the embodiments described herein RF sensors (e.g., RF sensor (s) 315 of FIG. 3) may be mounted on the vehicle in a rear-facing manner to enable RF sensing of areas in back and / or to the side of the vehicle. Depending on the functionality of the RF sensors, the RF sensing data may comprise raw RF sensing  data, or may have undergone some preprocessing (e.g., basic filtering to reduce data volume) .

[0062] Means for performing functionality at block 910 may comprise one or more processors 1010, digital signal processor (DSP) 1020, wireless communications interface 1030 (which may be capable of RF sensing, for example) , one or more sensors 1040 (including one or more RF sensors 1041) , memory 1060, and / or other components of a mobile computing system, such as the one as illustrated in FIG. 10.

[0063] At block 920, the functionality comprises, obtaining digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located. As noted herein, the digitally mapped geospatial data may comprise map data (e.g., block 365 of FIG. 3) , which may be obtained from a source local to the vehicle (e.g., a database stored by a memory of the mobile computing system) or remote from the vehicle (e.g., a server communicatively coupled with the computing system) . The digitally mapped geospatial data may comprise information regarding road boundaries (and possibly other information, such as road sign location and / or information, lane information, etc. ) for an area in which the vehicle is located (e.g., within a certain distance of the vehicle, for a predetermined area / subsection / tile within a larger map, etc. ) Because the digitally mapped geospatial data may be used for other purposes (e.g., navigation and / or automated vehicle functionality) , obtaining the map information may comprise obtaining the map information from a buffer or other memory used by another function. Further, as noted herein (e.g., with respect to FIG. 6) obtaining the digitally mapped geospatial data may be performed after an initial determination of whether the digitally mapped geospatial data is available. As such, according to some embodiments of the method 900, obtaining the digitally mapped geospatial data is responsive to a determination that the digitally mapped geospatial data is available.

[0064] Means for performing functionality at block 920 may comprise one or more processors 1010, digital signal processor (DSP) 1020, wireless communications interface 1030 (which may be capable of RF sensing, for example) , one or more sensors 1040 (including one or more RF sensors 1041) , memory 1060, GNSS receiver 1080, and / or other components of a mobile computing system, such as the one as illustrated in FIG. 10.

[0065] At block 925, the functionality comprises translating the digitally mapped geospatial data to a vehicle coordinate system of the vehicle. As noted in the embodiments described herein, this functionality may be optional (as indicated by the dashed lines) , based on whether the digitally mapped geospatial data is in the vehicle coordinate system of the vehicle. (In some embodiments, the digitally mapped geospatial data may comprise vehicle coordinate data. ) If not, the translation may be performed. As noted herein, according to some embodiments, translation may comprise obtaining local pose information (e.g., x, y, yaw angle) information from the vehicle’s localization (which may comprise a function that uses GNSS and / or sensor information to obtain the vehicle’s pose) , and translating the digitally mapped geospatial data position to the vehicle coordinate system of the vehicle as indicated by the vehicle’s local pose information. In such embodiments, the road boundary information of the digitally mapped geospatial data may comprise one or more road boundary segments, and translating the digitally mapped geospatial data may comprise performing linear interpolation to translate coordinates of the one or more road boundary segments to the vehicle coordinate system of the vehicle.

[0066] Means for performing functionality at block 925 may comprise one or more processors 1010, digital signal processor (DSP) 1020, wireless communications interface 1030 (which may be capable of RF sensing, for example) , one or more sensors 1040 (including one or more RF sensors 1041) , memory 1060, GNSS receiver 1080, and / or other components of a mobile computing system, such as the one as illustrated in FIG. 10.

[0067] At block 930, the functionality comprises determining a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data. As noted herein, once road boundary information from the digitally mapped geospatial data is determined in the vehicle coordinate system of the vehicle, it may be used as a reference for determining where, in the RF sensing data, a road boundary is.

[0068] As also indicated herein, road boundary information may be obtained from other sources, in addition (or, in some embodiments, as an alternative) to the digitally mapped geospatial data. This can include road boundary information from camera, lidar, etc., as described herein with respect to FIG. 3. Particularly, according to some  embodiments, determining the position of the boundary of the road may be further based at least in part on data from one or more cameras of the vehicle. In such embodiments, for example, line and / or object detection can be used to determine a boundary of the road within one or more images captured by a camera, and a location of the boundary of the road may be determined based on the position and orientation of the camera, as well as the location of the boundary of the road within the image (s) . According to some embodiments, data from camera images may be fused with map data to determine road boundary information. Additionally or alternatively, cameras may be used to visibly confirm the location of road boundaries (e.g., determine whether map data road boundaries are within a threshold distance of road boundaries determined from camera images) . Such embodiments may further comprise using the data from the one or more cameras of the vehicle to confirm an accuracy of the road boundary information of the digitally mapped geospatial data.

[0069] Means for performing functionality at block 930 may comprise one or more processors 1010, digital signal processor (DSP) 1020, wireless communications interface 1030 (which may be capable of RF sensing, for example) , one or more sensors 1040 (including one or more RF sensors 1041) , memory 1060, GNSS receiver 1080, and / or other components of a mobile computing system, such as the one as illustrated in FIG. 10.

[0070] At block 940, the functionality comprises filtering, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road. Here, the area for vehicle RF sensing filtering may correspond to the left and / or right out-of-boundary areas 440 and 450 of FIG. 4, discussed above. In some embodiments, a gap may be used, as described herein. As such, some embodiments may further comprise determining the area based on the determined position of the boundary of the road and a predetermined gap distance between the determined position of the boundary of the road and an edge of the area.

[0071] The filtering of objects data may comprise ignoring the object data or removing the object data from RF sensing data provided to other vehicle components. For example, according to some embodiments, filtering the data indicative of the one or more objects from the RF sensing data comprises removing the data indicative of the one or  more objects from the RF sensing data prior to providing the RF sensing data to one or more vehicle control systems. To be sure, the data indicative of the one or more objects may comprise data indicative of a ghost object that does not correspond to a physical object. As such, the method 900 may be used to help filter / remove ghost object information from RF sensing data.

[0072] Means for performing functionality at block 940 may comprise one or more processors 1010, digital signal processor (DSP) 1020, wireless communications interface 1030 (which may be capable of RF sensing, for example) , one or more sensors 1040 (including one or more RF sensors 1041) , memory 1060, GNSS receiver 1080, and / or other components of a mobile computing system, such as the one as illustrated in FIG.

[0073] FIG. 10 is a block diagram of an embodiment of a mobile computing system 1000, which can be incorporated into a vehicle (e.g., an ego vehicle) and utilized as described herein above (e.g., in association with FIGS. 1-9) to enable the vehicle to perform the functions of the embodiments described herein. For example, the mobile computing system 1000 can perform one or more of the functions of the method shown in FIGS. 6-9. It should be noted that FIG. 10 is meant only to provide a generalized illustration of various components, any or all of which may be utilized as appropriate. It can be noted that, in some instances, components illustrated by FIG. 10 can be localized to a single physical device and / or distributed among various networked devices, which may be disposed at different physical locations. Furthermore, as previously noted, the functionality of the UE discussed in the previously described embodiments may be executed by one or more of the hardware and / or software components illustrated in FIG. 10.

[0074] The mobile computing system 1000 is shown comprising hardware elements that can be electrically coupled via a bus 1005 (or may otherwise be in communication, as appropriate) , which may include a vehicle-specific bus such as a Controller Area Network (CAN) bus. The hardware elements may include a processor (s) 1010 which can include without limitation one or more general-purpose processors (e.g., an application processor) , one or more special-purpose processors (such as DSP chips, graphics acceleration processors, application specific integrated circuits (ASICs) , and / or the like) , and / or other processing structures or means. Processor (s) 1010 may comprise one or more processing units, which may be housed in a single integrated circuit (IC) or multiple ICs.  As shown in FIG. 10, some embodiments may have a separate DSP 1020, depending on desired functionality. Location determination and / or other determinations based on wireless communication may be provided in the processor (s) 1010 and / or wireless communication interface 1030 (discussed below) . The mobile computing system 1000 also can include one or more input devices 1070, which can include without limitation one or more keyboards, touch screens, touch pads, microphones, buttons, dials, switches, and / or the like; and one or more output devices 1015, which can include without limitation one or more displays (e.g., touch screens) , light emitting diodes (LEDs) , speakers, and / or the like. Input devices 1070 and / or output devices 1015 also may include vehicle-specific input / output devices (e.g., pedals, steering wheel, etc. ) and / or vehicle control systems (e.g., vehicle control systems 310 of FIG. 3) .

[0075] The mobile computing system 1000 may also include a wireless communication interface 1030, which may comprise without limitation a modem, a network card, an infrared communication device, a wireless communication device, and / or a chipset (such as a  device, an IEEE 802.11 device, an IEEE 802.15.4 device, a Wi-Fi device, a WiMAX device, a WAN device, and / or various cellular devices, etc. ) , and / or the like, which may enable the mobile computing system 1000 to communicate with other devices as described in the embodiments above. The wireless communication interface 1030 may permit data and signaling to be communicated (e.g., transmitted and received) with transmission / reception points (TRPs) of a network, for example, via cellular base stations, access points, and / or other access node types, and / or other network components, computer systems, and / or any other electronic devices communicatively coupled with TRPs, as described herein. The communication can be carried out via one or more wireless communication antenna (s) 1032 that send and / or receive wireless signals 1034. According to some embodiments, the wireless communication antenna (s) 1032 may comprise a plurality of discrete antennas, antenna arrays, or any combination thereof. The antenna (s) 1032 may be capable of transmitting and receiving wireless signals using beams (e.g., Tx beams and Rx beams) . Beam formation may be performed using digital and / or analog beam formation techniques, with respective digital and / or analog circuitry. The wireless communication interface 1030 may include such circuitry.

[0076] Depending on desired functionality, the wireless communication interface 1030 may comprise a separate receiver and transmitter, or any combination of  transceivers, transmitters, and / or receivers to communicate with base stations and other terrestrial transceivers, such as wireless devices and access points. The mobile computing system 1000 may communicate with different data networks that may comprise various network types. For example, a Wireless Wide Area Network (WWAN) may be a Code Division Multiple Access (CDMA) network, a Time Division Multiple Access (TDMA) network, a Frequency Division Multiple Access (FDMA) network, an Orthogonal Frequency Division Multiple Access (OFDMA) network, a Single-Carrier Frequency Division Multiple Access (SC-FDMA) network, a WiMAX (IEEE 802.16) network, and so on. A CDMA network may implement one or more RATs such as  WCDMA, and so on.  includes IS-95, IS-2000 and / or IS-856 standards. A TDMA network may implement Global System for Mobile communications (GSM) , Digital Advanced Mobile Phone System (D-AMPS) , or some other radio access technology (RAT) . An OFDMA network may employ long-term evolution (LTE) , LTE Advanced, fifth generation (5G) new radio (NR) , and so on. 5G NR, LTE, LTE Advanced, GSM, and WCDMA are described in documents from 3GPP.  is described in documents from a consortium named “3rd Generation Partnership Project 2” (3GPP2) . 3GPP and 3GPP2 documents are publicly available. A wireless local area network (WLAN) may also be an IEEE 802.11x network, and a wireless personal area network (WPAN) may be a Bluetooth network, an IEEE 802.15x, or some other type of network. The techniques described herein may also be used for any combination of WWAN, WLAN and / or WPAN.

[0077] The mobile computing system 1000 can further include sensors 1040. Sensor (s) 1040 may correspond to sensors 305 of FIG. 3, and may therefore include one or more RF sensors 1041, on or more cameras 1042, one or more lidar sensors 1043, one or more IMUs 1044, and more. Sensors 1040 may further comprise accelerometer (s) , gyroscope (s) , magnetometer (s) , altimeter (s) , microphone (s) , proximity sensor (s) , light sensor (s) , barometer (s) , sonar, and / or sensors from vehicle systems (e.g., wheel sensors, speedometer, etc. ) . As described herein, some vehicle sensors may be used to determine the location of one or more road boundaries. Some embodiments may “fuse” data from sensors of different types (e.g., using processor (s) 1010) to determine the location of one or more road boundaries.

[0078] Embodiments of the mobile computing system 1000 may also include a GNSS receiver 1080 capable of receiving signals 1084 from one or more GNSS satellites using  an antenna 1082 (which could be the same as antenna 1032) . Positioning based on GNSS signal measurement can be utilized to complement and / or incorporate the techniques described herein. The GNSS receiver 1080 can extract a position of the mobile computing system 1000, using conventional techniques, from GNSS satellites of a GNSS system, such as Global Positioning System (GPS) , Galileo, GLONASS, Quasi-Zenith Satellite System (QZSS) over Japan, IRNSS over India, BeiDou Navigation Satellite System (BDS) over China, and / or the like. Moreover, the GNSS receiver 1080 can be used with various augmentation systems (e.g., a Satellite Based Augmentation System (SBAS) ) that may be associated with or otherwise enabled for use with one or more global and / or regional navigation satellite systems, such as, e.g., Wide Area Augmentation System (WAAS) , European Geostationary Navigation Overlay Service (EGNOS) , Multi-functional Satellite Augmentation System (MSAS) , and Geo Augmented Navigation system (GAGAN) , and / or the like.

[0079] It can be noted that, although GNSS receiver 1080 is illustrated in FIG. 10 as a distinct component, embodiments are not so limited. As used herein, the term “GNSS receiver” may comprise hardware and / or software components configured to obtain GNSS measurements (measurements from GNSS satellites) . In some embodiments, therefore, the GNSS receiver may comprise a measurement engine executed (as software) by one or more processors, such as processor (s) 1010, DSP 1020, and / or a processor within the wireless communication interface 1030 (e.g., in a modem) . A GNSS receiver may optionally also include a positioning engine, which can use GNSS measurements from the measurement engine to determine a position of the GNSS receiver using an Extended Kalman Filter (EKF) , Weighted Least Squares (WLS) , a hatch filter, particle filter, or the like. The positioning engine may also be executed by one or more processors, such as processor (s) 1010 or DSP 1020.

[0080] The mobile computing system 1000 may further include and / or be in communication with a memory 1060. The memory 1060 can include, without limitation, local and / or network accessible storage, a disk drive, a drive array, an optical storage device, a solid-state storage device, such as a random access memory (RAM) , and / or a read-only memory (ROM) , which can be programmable, flash-updateable, and / or the like. Such storage devices may be configured to implement any appropriate data stores, including without limitation, various file systems, database structures, and / or the like.

[0081] The memory 1060 of the mobile computing system 1000 also can comprise software elements (not shown in FIG. 10) , including an operating system, device drivers, executable libraries, and / or other code, such as one or more application programs, which may comprise computer programs provided by various embodiments, and / or may be designed to implement methods, and / or configure systems, provided by other embodiments, as described herein. Merely by way of example, one or more procedures described with respect to the method (s) discussed above may be implemented as code and / or instructions in memory 1060 that are executable by the mobile computing system 1000 (and / or processor (s) 1010 or DSP 1020 within mobile computing system 1000) . In some embodiments, then, such code and / or instructions can be used to configure and / or adapt a general-purpose computer (or other device) to perform one or more operations in accordance with the described methods.

[0082] It will be apparent to those skilled in the art that substantial variations may be made in accordance with specific requirements. For example, customized hardware might also be used and / or particular elements might be implemented in hardware, software (including portable software, such as applets, etc. ) , or both. Further, connection to other computing devices such as network input / output devices may be employed.

[0083] With reference to the appended figures, components that can include memory can include non-transitory machine-readable media. The term “machine-readable medium” and “computer-readable medium” as used herein, refer to any storage medium that participates in providing data that causes a machine to operate in a specific fashion. In embodiments provided hereinabove, various machine-readable media might be involved in providing instructions / code to processors and / or other device (s) for execution. Additionally or alternatively, the machine-readable media might be used to store and / or carry such instructions / code. In many implementations, a computer-readable medium is a physical and / or tangible storage medium. Such a medium may take many forms, including but not limited to, non-volatile media and volatile media. Common forms of computer-readable media include, for example, magnetic and / or optical media, any other physical medium with patterns of holes, a RAM, a programmable ROM (PROM) , erasable PROM (EPROM) , a FLASH-EPROM, any other memory chip or cartridge, or any other medium from which a computer can read instructions and / or code.

[0084] The methods, systems, and devices discussed herein are examples. Various embodiments may omit, substitute, or add various procedures or components as appropriate. For instance, features described with respect to certain embodiments may be combined in various other embodiments. Different aspects and elements of the embodiments may be combined in a similar manner. The various components of the figures provided herein can be embodied in hardware and / or software. Also, technology evolves and, thus many of the elements are examples that do not limit the scope of the disclosure to those specific examples.

[0085] It has proven convenient at times, principally for reasons of common usage, to refer to such signals as bits, information, values, elements, symbols, characters, variables, terms, numbers, numerals, or the like. It should be understood, however, that all of these or similar terms are to be associated with appropriate physical quantities and are merely convenient labels. Unless specifically stated otherwise, as is apparent from the discussion above, it is appreciated that throughout this Specification discussion utilizing terms such as “processing, ” “computing, ” “calculating, ” “determining, ” “ascertaining, ” “identifying, ” “associating, ” “measuring, ” “performing, ” or the like refer to actions or processes of a specific apparatus, such as a special purpose computer or a similar special purpose electronic computing device. In the context of this Specification, therefore, a special purpose computer or a similar special purpose electronic computing device is capable of manipulating or transforming signals, typically represented as physical electronic, electrical, or magnetic quantities within memories, registers, or other information storage devices, transmission devices, or display devices of the special purpose computer or similar special purpose electronic computing device.

[0086] Terms, “and” and “or” as used herein, may include a variety of meanings that also is expected to depend, at least in part, upon the context in which such terms are used. Typically, “or” if used to associate a list, such as A, B, or C, is intended to mean A, B, and C, here used in the inclusive sense, as well as A, B, or C, here used in the exclusive sense. In addition, the term “one or more” as used herein may be used to describe any feature, structure, or characteristic in the singular or may be used to describe some combination of features, structures, or characteristics. However, it should be noted that this is merely an illustrative example and claimed subject matter is not limited to this example. Furthermore, the term “at least one of” if used to associate a list, such as A, B,  or C, can be interpreted to mean any combination of A, B, and / or C, such as A, AB, AA, AAB, AABBCCC, etc.

[0087] Having described several embodiments, various modifications, alternative constructions, and equivalents may be used without departing from the scope of the disclosure. For example, the above elements may merely be a component of a larger system, wherein other rules may take precedence over or otherwise modify the application of the various embodiments. Also, a number of steps may be undertaken before, during, or after the above elements are considered. Accordingly, the above description does not limit the scope of the disclosure.

[0088] In view of this description embodiments may include different combinations of features. Implementation examples are described in the following numbered clauses:

[0089] Clause 1: A method of RF sensing filtering at a vehicle, the method comprising: obtaining RF sensing data from one or more RF sensors of the vehicle; obtaining digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located; determining a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data; and filtering, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.

[0090] Clause 2: The method of clause 1, wherein filtering the data indicative of the one or more objects from the RF sensing data comprises removing the data indicative of the one or more objects from the RF sensing data prior to providing the RF sensing data to one or more vehicle control systems.

[0091] Clause 3: The method of any one of clauses 1-2 wherein the data indicative of the one or more objects comprises data indicative of a ghost object that does not correspond to a physical object.

[0092] Clause 4: The method of any one of clauses 1-3 wherein determining the position of the boundary of the road further comprises translating the digitally mapped geospatial data to a vehicle coordinate system of the vehicle.

[0093] Clause 5: The method of clause 4 wherein the road boundary information of the digitally mapped geospatial data comprises one or more road boundary segments; and translating the digitally mapped geospatial data comprises performing linear interpolation to translate coordinates of the one or more road boundary segments to the vehicle coordinate system of the vehicle.

[0094] Clause 6: The method of any one of clauses 1-5 wherein the digitally mapped geospatial data comprises vehicle coordinate data.

[0095] Clause 7: The method of any one of clauses 1-6 further comprising determining the area based on the determined position of the boundary of the road and a predetermined gap distance between the determined position of the boundary of the road and an edge of the area.

[0096] Clause 8: The method of any one of clauses 1-7 wherein determining the position of the boundary of the road is further based at least in part on data from one or more cameras of the vehicle.

[0097] Clause 9: The method of clause 8 further comprising using the data from the one or more cameras of the vehicle to confirm an accuracy of the road boundary information of the digitally mapped geospatial data.

[0098] Clause 10: The method of any one of clauses 1-9 wherein obtaining the digitally mapped geospatial data is responsive to a determination that the digitally mapped geospatial data is available.

[0099] Clause 11: A device comprising: one or more memories; and one or more processors communicatively coupled with the one or more memories, the one or more processors configured to: obtain RF sensing data from one or more RF sensors of a vehicle; obtain digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located; determine a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data; and filter, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.

[0100] Clause 12: The device of clause 11, wherein, to filter the data indicative of the one or more objects from the RF sensing data, the one or more processors are configured to remove the data indicative of the one or more objects from the RF sensing data prior to providing the RF sensing data to one or more vehicle control systems.

[0101] Clause 13: The device of any one of clauses 11-12 wherein, to determine the position of the boundary of the road, the one or more processors are configured to translate the digitally mapped geospatial data to a vehicle coordinate system of the vehicle.

[0102] Clause 14: The device of clause 13 wherein, to translate the digitally mapped geospatial data, the one or more processors are configured to performing linear interpolation to translate coordinates of one or more road boundary segments, within the road boundary information of the digitally mapped geospatial data, to the vehicle coordinate system of the vehicle.

[0103] Clause 15: The device of any one of clauses 11-14 wherein the one or more processors are configured to determine the area based on the determined position of the boundary of the road and a predetermined gap distance between the determined position of the boundary of the road and an edge of the area.

[0104] Clause 16: The device of any one of clauses 11-15 wherein the one or more processors are configured to determine the position of the boundary of the road further based at least in part on data from one or more cameras of the vehicle.

[0105] Clause 17: The device of clause 16 wherein the one or more processors are configured to use the data from the one or more cameras of the vehicle to confirm an accuracy of the road boundary information of the digitally mapped geospatial data.

[0106] Clause 18: The device of any one of clauses 11-17 wherein the one or more processors are configured to obtain the digitally mapped geospatial data responsive to a determination that the digitally mapped geospatial data is available.

[0107] Clause 19: A device for RF sensing filtering at a vehicle, the device comprising: means for obtaining RF sensing data from one or more RF sensors of the vehicle; means for obtaining digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located; means for determining a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein  determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data; and means for filtering, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.

[0108] Clause 20: The device of clause 19, wherein the means for filtering the data indicative of the one or more objects from the RF sensing data comprise means for removing the data indicative of the one or more objects from the RF sensing data prior to providing the RF sensing data to one or more vehicle control systems.

[0109] Clause 21: An apparatus having means for performing the method of any one of clauses 1-10.

[0110] Clause 22: A non-transitory computer-readable medium storing instructions, the instructions comprising code for performing the method of any one of clauses 1-10.

Claims

1.A method of RF sensing filtering at a vehicle, the method comprising:obtaining RF sensing data from one or more RF sensors of the vehicle;obtaining digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located;determining a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data; andfiltering, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.2.The method of claim 1, wherein filtering the data indicative of the one or more objects from the RF sensing data comprises removing the data indicative of the one or more objects from the RF sensing data prior to providing the RF sensing data to one or more vehicle control systems.3.The method of claim 1, wherein the data indicative of the one or more objects comprises data indicative of a ghost object that does not correspond to a physical object.4.The method of claim 1, wherein determining the position of the boundary of the road further comprises translating the digitally mapped geospatial data to a vehicle coordinate system of the vehicle.5.The method of claim 4, wherein:the road boundary information of the digitally mapped geospatial data comprises one or more road boundary segments; andtranslating the digitally mapped geospatial data comprises performing linear interpolation to translate coordinates of the one or more road boundary segments to the vehicle coordinate system of the vehicle.6.The method of claim 1, wherein the digitally mapped geospatial data comprises vehicle coordinate data.7.The method of claim 1, further comprising determining the area based on the determined position of the boundary of the road and a predetermined gap distance between the determined position of the boundary of the road and an edge of the area.8.The method of claim 1, wherein determining the position of the boundary of the road is further based at least in part on data from one or more cameras of the vehicle.9.The method of claim 8, further comprising using the data from the one or more cameras of the vehicle to confirm an accuracy of the road boundary information of the digitally mapped geospatial data.10.The method of claim 1, wherein obtaining the digitally mapped geospatial data is responsive to a determination that the digitally mapped geospatial data is available.11.A device comprising:one or more memories; andone or more processors communicatively coupled with the one or more memories, the one or more processors configured to:obtain RF sensing data from one or more RF sensors of a vehicle;obtain digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located;determine a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data; andfilter, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.12.The device of claim 11, wherein, to filter the data indicative of the one or more objects from the RF sensing data, the one or more processors are configured to remove the data indicative of the one or more objects from the RF sensing data prior to providing the RF sensing data to one or more vehicle control systems.13.The device of claim 11, wherein, to determine the position of the boundary of the road, the one or more processors are configured to translate the digitally mapped geospatial data to a vehicle coordinate system of the vehicle.14.The device of claim 13, wherein, to translate the digitally mapped geospatial data, the one or more processors are configured to performing linear interpolation to translate coordinates of one or more road boundary segments, within the road boundary information of the digitally mapped geospatial data, to the vehicle coordinate system of the vehicle.15.The device of claim 11, wherein the one or more processors are configured to determine the area based on the determined position of the boundary of the road and a predetermined gap distance between the determined position of the boundary of the road and an edge of the area.16.The device of claim 11, wherein the one or more processors are configured to determine the position of the boundary of the road further based at least in part on data from one or more cameras of the vehicle.17.The device of claim 16, wherein the one or more processors are configured to use the data from the one or more cameras of the vehicle to confirm an accuracy of the road boundary information of the digitally mapped geospatial data.18.The device of claim 11, wherein the one or more processors are configured to obtain the digitally mapped geospatial data responsive to a determination that the digitally mapped geospatial data is available.19.A device for RF sensing filtering at a vehicle, the device comprising:means for obtaining RF sensing data from one or more RF sensors of the vehicle; means for obtaining digitally mapped geospatial data from a mapping source, wherein the digitally mapped geospatial data includes road boundary information for a road on which the vehicle is located;means for determining a position of a boundary of a road, within the RF sensing data, relative to a position of the vehicle, wherein determining the position of the boundary of the road is based at least in part on the road boundary information of the digitally mapped geospatial data; andmeans for filtering, from the RF sensing data, data indicative of one or more objects in an area within the RF sensing data, wherein the area is determined using the determined position of the boundary of the road.20.The device of claim 19, wherein the means for filtering the data indicative of the one or more objects from the RF sensing data comprise means for removing the data indicative of the one or more objects from the RF sensing data prior to providing the RF sensing data to one or more vehicle control systems.

Images