Ampelspurzuordnung aus Schwarmdaten

Die Erfindung betrifft ein Verfahren zur Zuordnung von Ampeln zu den zugehörigen Fahrspuren einer Fahrbahn aus Schwarmdaten sowie eine Verwendung des Verfahrens in einem Fahrzeug.

Beim autonomen bez. automatischen Fahren eines Kraftfahrzeugs muss dieses an Kreuzungen mit komplexen Ampelsituationen zurechtkommen. Dazu ist eine automatische Erkennung der an einer Kreuzung vorhandenen Ampeln notwendig, wobei diese Erkennung auch eine Zuordnung der Ampeln zu den jeweiligen Fahrspuren umfassen muss, für die die Signale der Ampeln zuständig sind. Eine derartige automatische Erkennung von Ampeln an Kreuzungen ist aber nicht nur beim autonomen Fahren einsetzbar, sondern kann auch beim unterstützten oder halbautonomen Fahren eines Kraftfahrzeugs eingesetzt werden, um dem Fahrer beim Führen des Kraftfahrzeugs zu unterstützen.

Eine automatische Erkennung von Ampeln an einer Kreuzung beim automatischen Fahren verfolgt die folgenden Ziele: dem Fahrer eine mögliche Geschwindigkeit zur Ampelanlage zu empfehlen, automatisch vor der Ampel anzuhalten, den Fahrer bei einen versehentlichen Überfahren der Ampel zu warnen, und den Fahrer einen Weiterfahrhinweis zu geben, wenn die Ampel wieder grün wird.

Zur Umsetzung dieser Beispiele wird versucht, die Ampel mit der Frontkamera im Fahrzeug zu beobacheten. Dabei muss die folgende Messaufgabe bewältigt werden:

Die Kamera erkennt die Ampel im Vorfeld und vermisst diese hinsichtlich Position und Ausrichtung.

Die Kamera erkennt die Spuren und Markierungen auf dem Boden und stellt so einen Zuordnung der Ampel zu den Spuren fest. Die Kamera beobachtet fortlaufend den Zustand der relevanten Ampel und gibt diese Information an die entsprechenden Funktion weiter.

In der Realität ist allerdings die Zuordnung von Ampel zu Fahrstreifen bedingt durch vielfältige und komplexe Kreuzungssituationen sehr schwierig zu ermitteln, was zu hohen Fehlraten bei der Zuordnung von Ampel zu Fahrstreifen führt.

Die Druckschrift DE 102014205 953 A1 betrifft ein Verfahren zur Analyse einer Verkehrsumfeldsituation eines Fahrzeugs mit einem Navigationssystem und einem Sensorsystem, wobei das Navigationssystem eine Fahrzeugposition ermittelt und das Sensorsystem Bewegungsdaten des Fahrzeugs erfasst sowie ein Bewegungsverhalten des Fahrzeugs in Form von Bewegungstrajektorien des Fahrzeugs ermittelt, wobei die Fahrzeugposition und die Bewegungstrajektorien des Fahrzeugs einen Rückschluss auf das Vorhandensein und/ oder die Art wenigstens eines Merkmals der Umgebung ermöglichen, wobei ein Sensor des Sensorsystems das Merkmal erfasst und wenigstens eine Zusatzinformation über das Merkmal abspeichert.

Die Druckschrift DE 102018210 125 A1 beschreibt ein Verfahren zur Zuordnung von Ampeln einer Ampelanlage eines von dieser Ampelanlage gesteuerten Fahrbahnabschnitts zu den Fahrspuren des Fahrbahnabschnitts, wobei der Fahrbahnabschnitt mindestens eine Fahrspur aufweist, die Fahrspuren des Fahrbahnabschnitts eine gemeinsame Fahrtrichtung aufweisen, und eine Vielzahl von Fahrzeugen den Fahrbahnabschnitt befahren, umfassend die Schritte:

Erkennen einer vorausliegenden Ampelanlage durch jedes Fahrzeug, welches den Fahrbahnabschnitt befährt und sich auf die Ampelanlage zubewegt, kontinuierliches Erfassen der Ampelzustände der Ampeln der Ampelanlage, der befahrenen Fahrspur, der Fahrzeuggeschwindigkeit und der Fahrzeugposition durch jedes Fahrzeug, wobei die Erfassung in einer vorbestimmten Entfernung von der Ampelanlage beginnt und bis zum Passieren der Ampelanlage fortgeführt wird, Übermitteln der von jedem Fahrzeug aufgezeichneten Daten "Ampelzustände", "Fahrspur" und "Geschwindigkeit" in Form eines Datensatzes an einen Backend- Rechner,

Durchführen folgender Auswertungen durch den Backend-Rechner für jeden fahrzeugspezifischen Datensatz:

Ermitteln der erkannten Ampelanlage auf einer Karte, Erkennung der Bewegung des Fahrzeugs durch den Fahrbahnabschnitt, Feststellung der Ampelzustände beim Passieren der Ampelanlage durch das Fahrzeug, und

Erstellen einer Zuordnungstabelle für die erkannte Ampelanlage aus den ausgewerteten Datensätzen, wobei die Zuordnungstabelle die Ampeln der Ampelanlage den Fahrspuren des Fahrbahnabschnitts zuordnet.

Voraussetzung für das Erstellen einer Zuordnung der Ampeln einer Ampelanlage zu den Fahrspuren ist die genaue relative Lokalisierung der Egofahrzeuge in globalen Koordinaten. Als globales Koordinatensystem kann beispielsweise das semiglobale NEU- Koordinatensystem verwendet werden, wobei ENU für East-North-Up steht, welches für einen Bereich von mehreren hundert Metern um eine Referenzpunkt gültig ist.

Dies lässt sich einerseits erreichen durch eine hochgenaue Lokalisierung basierend auf Odometrie-Daten, GPS-Daten und gegebenenfalls weiteren visuellen Daten. Ist dies nicht gegeben, so kann andererseits eine Ad-hoc-Lokalisierung basierend auf einem nachträglichen Matching von Odometrie-Daten, GPS-Daten und Ampel-Daten der jeweiligen Egofahrzeugs erfolgen.

Wenn keine hochgenaue Lokalisierung der Fahrzeuge verfügbar ist, so lässt sich bei der Ad- hoc-Lokalisierung im Egofahrzeug unter Umständen dessen gefahrene Spur nicht genau genug bestimmen. Diese ist aber zwingend erforderlich, da die Ampel-Spur-Zuordnung im Backend-Server das erklärte Ziel ist.

Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Bestimmung der Fahrspur des Ego-Fahrzeugs anzugeben, so dass eine verbesserte Zuordnung von Ampeln zu Fahrspuren möglich ist.

Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 sowie durch die Verwendung des Verfahrens mit den Merkmalen des Anspruchs 8 gelöst. Bevorzugte Ausführungsformen der Erfindung sind Gegenstand der Unteransprüche.

Das erfindungsgemäße Verfahren zur Zuordnung von Ampeln zu den zugehörigen Fahrspuren einer Fahrbahn aus Schwarmdaten in einem Backendserver umfasst die Schritte: Empfangen konsolidierter Daten pro A pel überfahrt der Fahrzeuge eines Schwarms für eine vorbestimmte Kreuzung, wobei die konsolidierten Daten für jede Kreuzungsüberfahrt zumindest ein Ampelbild mit den Positionen der einzelnen Lichtsignale in globalen Koordinaten enthält,

Matching der aus Punktwolken bestehenden Ampelbilder unterschiedlicher Ampelüberfahrten für eine vorbestimmte Kombination aus Kreuzung und Anfahrtsrichtung, indem einzelne Paare von Ampelobjektpunkten der Punktwolken aufeinander abgebildet werden, und

Korrektur der Ampelpositionen aufgrund der Ergebnisse des Matchings.

Die Zuordnung von Ampeln bzw. Ampelgruppen zu den jeweiligen Fahrspuren kann dann beginnen, wenn die Ampelpositionen und Ampelobjekte feststehen. Mit jedem neuen Satz Daten aus den einzelnen Überfahrten kann dann eine Nachkorrektur vorgenommen werden.

Vorzugsweise wird ein Matching durchgeführt, wenn im Backendserver eine vorbestimmte Anzahl unterschiedlicher Überfahrten für eine vorbestimmte Kombination aus Kreuzung und Anfahrtsrichtung vorliegen. Mit anderen Worten, es muss eine Mindestanzahl an Überfahrtdaten vorliegen, um zu vernünftigen Ergebnissen zu kommen, wobei beispielsweise die vorbestimmte Anzahl bei zwanzig Überfahrten liegen könnte. Dieser Vorgang sollte in regelmäßigen Abständen mit neuen Daten wiederholt werden, um den Fall abzudecken, dass bauliche oder programmtechnische Änderungen an der Kreuzung vorgenommen wurden.

Das Matching erfolgt vorzugsweise über einen Iterative Closest Point Algorithmus, kurz ICP- Algorithmus, welcher gemäß einem vorgegebenen Optimalitätskriterium mittels einer Transformation umfassend eine Rotationsmatrix und einen Versatzvektor eine von zwei Punktwolken so transformiert, dass sie der anderen Punktwolke möglichst nahekommt.

Weiter bevorzugt werden dazu die folgenden Schritte durchlaufen:

Auswählen des Überfahrtsdatensatz mit den meisten Ampelobjekten als Referenzdatensatz für eine vorbestimmte Kombination aus Kreuzung und Anfahrtsrichtung,

Matchen der Ampelobjektpunkte jedes einzelnen Überfahrtsdatensatzes mittels des ICP-Algorithmus auf den Referenzdatensatz, wobei die Positionen der einzelnen Ampelobjekte die jeweiligen Punktwolken bilden, Suchen der Transformation, bei der sich die Punktwolken am nächsten kommen, wobei die Transformation auf den Versatzvektor in den zwei horizontalen Dimensionen eingeschränkt ist, und

Korrigieren der Ampelpositionen der einzelnen Überfahrtsdatensätze ungleich dem Referenzdatensatz mit dem für den jeweiligen Überfahrtsdatensatz ungleich dem Referenzdatensatz ermittelten Versatzvektor.

Weiter bevorzugt wird aus einer Verknüpfung des für jede einzelne Überfahrttrajektorie berechneten Versatzvektors mit dem in den konsolidierten Daten enthaltenen Ausrichtungsvektor der jeweiligen Fahrzeugtrajektorie die Ego-Fahrspur jeder einzelnen Überfahrt ermittelt.

Dazu werden vorzugsweise die folgenden die Schritte durchgeführt:

Projizieren des berechneten Versatzvektors für eine Überfahrt auf den Ausrichtungsvektor der jeweiligen Fahrzeugtrajektorie, wobei die Projektion ein Maß für die Querposition des Egofahrzeugs beim Überfahren der Haltelinie ergibt,

Sammeln der Querpositionen in einer 1 D-Punktwolke, und

Clustern der 1 D-Punktwolke mittels des DBSCAN-Algorithmus, wobei jeder sich ergebende Cluster einer Spur entspricht.

Weiter bevorzugt beträgt der Maximalabstand zwischen Punkten eines Clusters 1 m und die Mindestanzahl pro Cluster beträgt 3.

Die erfindungsgemäße Verwendung des im Vorangegangenen beschriebenen Verfahrens erfolgt in einem Backendserver, wo mittels des Verfahrens eine Zuordnung von Ampeln zu den zugehörigen Fahrspuren einer Fahrbahn aus Schwarmdaten und Abspeichern der Zuordnung in einer Datenbank zur weiteren Verwendung und Abruf in einem autonomen Fahrzeug vorgenommen wird.

Eine bevorzugte Ausführungsform der Erfindung wird nachfolgend anhand der Zeichnungen erläutert. Dabei zeigt

Fig. 1 die Erfassung von Schwarmdaten und deren Verarbeitung zur Zuordnung von Ampeln zu Fahrstreifen, und Fig.2 das Matching der an den Server übertragenen Ampelobjekte.

Fig. 1 zeigt die dem Verfahren zugrundeliegende schematische Aufteilung der Datenerhebung und Verarbeitung zur Zuordnung von Ampeln zu Fahrspuren aus Schwa rmdaten.

Fahrzeugseitig wird die Erfassung der Ampeln A im Fahrzeugbereich F bei jeder Überfahrt der Kreuzung K gestartet. Dabei werden die notwendigen Signale, nämlich Bewegung des Egofahrzeugs EF, Ampeln A und Objekte (nicht dargestellt) im Umfeld des Ego-Fahrzeugs EF mittels einer Kamera (nicht dargestellt) aufgenommen und es wird eine erste Verarbeitung DE im Ego-Fahrzeug EF ausgeführt. Im Anschluss wird der aus der ersten Verarbeitung DE resultierende Datensatz mittels einer Übertragungsstrecke Ü, beispielsweise einer Mobilfunkverbindung, an den Server S übertragen.

Die einzelnen Schritte im Fahrzeugbereich F sind:

Erkennung der Ampelsignale,

Tracking und Ego-Kompensation der erfassten Ampeln pro Überfahrt,

Filtern von ungültigen Ampelobjekten,

Erkennung relevanter "Ego-Events" wie beispielsweise der Zeitpunkt zu dem das Ego- Fahrzeug die Kreuzung überfährt,

Übertragung der konsolidierten Daten an den Server, nämlich zumindest

Ampeldaten, nämlich Positionen und Phasenverläufe, eines Ampelobjekts, fahrzeugbezogene Daten wie Bewegungszustand und Bewegungsrichtung des Fahrzeugs, Ausrichtungsvektor der Fahrzeugtrajektorie, Ampellinie und Haltelinie auf der Ego-Trajektorie sowie Abbiegerichtung, und

Umfelddaten, wie vorrausfahrende Fahrzeuge inklusive deren Geschwindigkeit.

Damit im Serverbereich S eine Zuordnung von Spuren zu Ampeln erfolgen kann, sind die an den Server übertragenen Positionsdaten der Ampeldaten in Koordinaten (x, y, z) eines globalen Koordinatensystems ausgedrückt, beispielsweise im bereits erwähnten ENU- System (East-North-Up).

Der Serverbereich S bekommt die beschriebenen Daten aus dem Fahrzeugbereich F von den Kreuzungsüberfahrten mehrerer Fahrzeuge zugeführt und bearbeitet sie in der Datenverarbeitung und Zuordnung DV, also dem externen Backend-Rechner, folgendermaßen:

Abgleich und Clustering der gesammelten Ampeldaten um ein Ampelbild pro Kreuzung und Anfahrtrichtung zu erstellen,

Gruppierung der resultierenden Ampeln in Gruppen mit gemeinsamem Phasenverlauf,

Zuordnung der resultierenden Ampelgruppen zu Fahrspuren, und

Eintragung der Ergebnisse in eine Datenbasis T und/oder eine digitale Karte K.

Die Funktion der Zuordnung von Ampeln zu Fahrspuren aus Schwarmdaten muss mit Ampeln A auf unterschiedliche Ebenen arbeiten. Um Verwirrungen zu vermeiden werden folgende Begriffe verwendet:

Ampelobjekt: Ein vom Erfassungssystem, beispielsweise von einer entsprechenden Kamera geliefertes (getracktes) Ampelobjekt. Fehlerhafte Erfassung kann dazu führen, dass mehrere Ampelobjekte für dasselbe physikalische Ampelsignal während derselben Überfahrt erzeugt werden.

Ampel: Diese stehen stellvertretend für eine physikalische Ampel A an einer gegebenen Kreuzung K und Anfahrtsrichtung und wird erzeugt, indem mehrere Ampelobjekte geclustert werden.

Ampelgruppe: Gruppe von Ampeln die das gleiche Phasenverhalten aufweisen und somit einer einzigen logischen Ampel entsprechen.

Um die hier interessierende Datenverarbeitung im Backendserver durchführen zu können, sammelt der Server also Daten unterschiedlicher Fahrzeuge bezüglich deren Kreuzungsüberfahrten und ordnet diese zunächst nach der Kreuzungs-Identifikation und der Anfahrtrichtung in einer entsprechenden Tabelle.

Der Serverbereich S hat folglich zwei Hauptaufgaben:

Die Ampelpositionen der hier aus mehreren Überfahrten gelieferten Ampelobjekte zu matchen und zu Clustern, um daraus Ampeln und Ampelgruppen abzuleiten. Dieser Schritt kann normalerweise dann erfolgen, wenn Daten von mindestens 20 Überfahrten vorliegen, und zwar unabhängig von der gefahrenen Spur, und sollte in regelmäßigen Abständen mit neuen Daten wiederholt werden, um den Fall abzudecken, dass bauliche oder programmtechnische Änderungen an der Kreuzung vorgenommen worden sind.

- Die Zuordnung von Spuren zu Ampelgruppen. Dieses Online-Verfahren kann beginnen, sobald die Ampelpositionen und Ampelobjekte feststehen. Mit jedem neuen Datensatz aus einzelnen Überfahrten kann die Zuordnung nach korrigiert werden.

Bei der Verarbeitung im Serverbereich S muss unterschieden werden zwischen Daten, die aus unterschiedlichen Überfahrten stammen. Dazu werden die relevanten Variablen, insbesondere Positionen der Ampelobjekte und der Ampellinien, mit einem zusätzlichen Index c versehen, c = 1... C, mit C Anzahl der übertragenen Überfahrtsdatensätze. Folglich würde der Ausdruck p _nc das n _c - te Ampelobjekt der c-ten Überfahrt bezeichnen.

Die in Egofahrzeug EF anhand der Ego-Trajektorie vorgenommene Bestimmung der Ampelobjektpositionen ist nicht ausreichend für eine überfahrtsübergreifenden Positionierung der Ampelobjekte, da dies auf ungenauen G PS- Koordinaten erfolgt.

Figur 2 zeigt in prinzipieller Darstellung die Korrektur und Bestimmung der Ampelobjektpositionen anhand eines Matching der Ampelbilder aus unterschiedlichen Überfahrten. Verwendet werden in Figur 2 die Koordinaten N und E eines ENU- Koordinatensystems (East- North- Up), wobei die Up-Komponente keine Rolle spielt, wie dies später erläutert werden wird. Mit anderen Worten, es werden in Figur 2 die Ampel- Objektkoordinaten in der horizontalen Ebene East-North betrachtet.

Dargestellt sind die N- und E-Koordinaten zweier Ampelobjekte, nämlich die durch ein Kreuz symbolisierten Koordinaten A11, A12 und A13 einer Punktwolke eines ersten Ampelobjekts 1 einer ersten Überfahrt und die durch einen Stern symbolisierten Koordinaten A21, A22 und A33 einer Punktwolke einer zweiten Überfahrt eines zweiten Ampelobjekts der gleichen Ampel.

Das Matching der beiden Punktwolken erfolgt über einen ICP-Algorithmus, den sogenannten "Iterative Closest Point Algorithm". Dieser Algorithmus ermöglicht das aneinander anpassen von Punktwolken die bereits näherungsweise aufeinander ausgerichtet sind. Bei der Durchführung des Algorithmus wird versucht, die Punktwolken mittels Rotation und Translation möglichst gut miteinander in Deckung zu bringen. Das heißt, im allgemeinen Fall ergibt dies eine Rotationsmatrix und einen Versatzvektor über welche gemäß einem vorgegebenen Optimalitätkriterium eine der beiden Punktwolken transformiert werden muss, sodass sie der anderen Punktwolke möglichst nahekommt. Im Fall der Figur 2 bedeutet dies, dass ein durch einen Pfeil dargestellter Versatzvektor gesucht wird, der die Punktwolke A21, A22 und A23 des zweiten Ampelobjekts nach links verschiebt, so dass die genannte Punktwolke der Punktwolke A11, A12 und A13 des ersten Ampelobjekts möglichst nahe liegt. Die Verschiebung oder der Versatzvektor wird in Figur 2 durch die Pfeile P symbolisiert. Da die Verschiebung nicht gleichmäßig ist, können nicht alle Punkte der Punktwolken genau gematcht werden, d.h. zur Übereinstimmung gebracht werden, wie dies anhand der Punkte A12 und A22 ersichtlich ist.

In der Praxis werden die folgenden Schritte durchlaufen, wenn genügend Daten aus einzelnen Überfahrten für eine gegebene Kombination aus Kreuzung und Anfahrtsrichtung im Server, also im Backend, vorliegen:

- Es wird der Überfahrtsdatensatz mit den meisten Ampelobjekten als Referenzdatensatz ausgewählt.

- Die Ampel-Objektpunkte jedes einzelnen Überfahrt-Datensatzes werden durch den ICP-Algorithmus auf den Referenzdatensatz abgebildet, mit anderen Worten gematcht. Dabei bilden die Positionen der einzelnen Ampelobjekte die entsprechende Punktwolke und es wird die Transformation gesucht, über welche sich die beiden Punktwolken am nächsten kommen. Dabei wird der im Vorangegangenen beschriebene ICP-Algorithmus auf einen reinen Versatz in der horizontalen Ebene eingeschränkt und eine Rotation wird nicht berücksichtigt. Mit anderen Worten, die Transformation wird auf einen reinen 2D Versatz Ap _nc in der horizontalen Ebene beschränkt, welche in der Fig. 2 durch East E und North N gebildet wird. Dies ist gerechtfertigt, da sowohl die Ausrichtungsinformation aus dem GPS-basierten Lokalisierungsverfahren als auch die verfügbare Höheninformation Up U bereits ausreichend genug sind. Jeder Durchlauf des ICP-Algorithmus besteht aus ca. 100 Iterationen. - Die Ampelpositionen der einzelnen Überfahrtsdatensätze ungleich dem Referenzdatensatz werden über die ermittelten Versätze korrigiert:

V"n _c = Vn _c + Ap _nc

Ein Hauptvorteil dieses Verfahrens ist, dass die Ampelposition auch ohne Information, auf welche Spur das Ego-Fahrzeug bei einer gegebenen Überfahrt nicht gefunden hat, abgeleitet werden kann, falls die Punktwolken der Ampelobjekte ausreichend dicht sind. Mit anderen Worten, dichter Verkehr und/oder eine häufige Abdeckung der Ampeln kann zu unbefriedigenden Ergebnissen führen.

Als Nebenprodukt der Bestimmung der Positionen der Ampeln über das Matching der Ampelobjekte kann die Ego-Spur jeder einzelnen Überfahrt aus dem Verfahren abgeleitet werden.

Basis für die Bestimmung der Ego-Spur jeder einzelnen Überfahrt ist der durch den ICP- Algorithmus für jede Überfahrttrajektorie berechnete Versatzvektor Ap _nc . Dieser wird auf den Trajektorienausrichtungsvektor der einzelnen Überfahrt projiziert, wobei die resultierende Zahl ein Maß für die Querposition des Ego-Fahrzeugs beim Überfahren der Haltelinie ergibt. Die Querpositionen aus den einzelnen Überfahrten werden in einer eindimensionalen "Punktwolke" gesammelt und mittels eines DBSCAN-Algorithmus (Density-based Spatial Clustering of Applications with Noise) geclustert. Jedes resultierende Cluster entspricht einer Fahrspur und es können daraus die einzelnen Überfahrtdatensätze zugeordnet werden.

Dabei ist die Grundidee des DBSCAN-Algorithmus der Begriff der Dichteverbundenheit, wobei 2 Objekte als Dichte verbunden gelten, wenn es eine Kette von dichten Objekten, sogenannten Kernobjekten, gibt die diese Punkte miteinander verbinden die durch dieselben Kernobjekte miteinander verbundenen Objekte bilden einen Cluster. Dabei verfügt der Algorithmus über 2 Parameter, nämlich die sogenannte Nachbarschaftslänge oder maximale Abstand sowie die Mindestanzahl der mindestens erreichbaren Nachbarn. Im vorliegenden Fall beträgt der maximale Abstand zwischen zwei Punkten im selben Cluster 1 Meter und die Mindestanzahl an Punkten pro Cluster beträgt drei.

Falls weniger Cluster resultieren als es Spuren an der Kreuzung gibt, bedeutet dies normalerweise nur, dass eine der Spuren noch nicht oft genug befahren worden ist, um sie eindeutig zu identifizieren. Diesem Fall müssen weitere Überfahrtdatensätze gesammelt werden, bis die Clusteranzahl stimmt.

Bezugszeichenliste

F Fahrzeugbereich

EF Egofahrzeug

K Kreuzung

A Ampeln

DE Datenerfassung und Vorverarbeitung Ü Übertragung (drahtlos)

S Server

DV Datenverarbeitung und Zuordnung

T Tabelle

K Karte

N North

E East

A11 Punkt 1 der Ampelpunktwolke 1 A12 Punkt 2 der Ampelpunktwolke 1 A13 Punkt 3 der Ampelpunktwolke 1 A21 Punkt 1 der Ampelpunktwolke 2 A22 Punkt 2 der Ampelpunktwolke 2 A23 Punkt 3 der Ampelpunktwolke 2