DE102018209595A1 - Verfahren zum automatischen Bestimmen eines Straßenzustands - Google Patents

Verfahren zum automatischen Bestimmen eines Straßenzustands Download PDF

Info

Publication number
DE102018209595A1
DE102018209595A1 DE102018209595.7A DE102018209595A DE102018209595A1 DE 102018209595 A1 DE102018209595 A1 DE 102018209595A1 DE 102018209595 A DE102018209595 A DE 102018209595A DE 102018209595 A1 DE102018209595 A1 DE 102018209595A1
Authority
DE
Germany
Prior art keywords
road condition
characterizing
distributed
machine learning
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102018209595.7A
Other languages
English (en)
Inventor
Benjamin Hartmann
Simon Weissenmayer
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102018209595.7A priority Critical patent/DE102018209595A1/de
Priority to PCT/EP2019/063209 priority patent/WO2019238367A1/de
Priority to CN201980038830.4A priority patent/CN112204418A/zh
Publication of DE102018209595A1 publication Critical patent/DE102018209595A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/862—Combination of radar systems with sonar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/87—Combinations of sonar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9316—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles combined with communication equipment with other vehicles or with base stations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9324—Alternative operation using ultrasonic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)

Abstract

Verfahren zum Ermitteln eines Straßenzustands eines Kraftfahrzeugs (100) wobei abhängig von ersten Eingangsgrößen (r1, r2) eines ersten Sensorsystems (1, 2, 3, 4, 10) und abhängig von zweiten Eingangsgrößen (r3, r4) eines zweiten Sensorsystems (5, 20) mittels eines verteilten maschinellen Lernsystems (11, 21, 31), insbesondere eines verteilten neuronalen Netzes, eine den Straßenzustand charakterisierende Größe (z) ermittelt wird.

Description

  • Die Erfindung betrifft ein Verfahren zum Verfahren zum Bestimmen eines Straßenzustands, ein Computerprogramm, eine Ein- oder Mehrzahl maschinenlesbarer Speichermedien und eine Ein- oder Mehrzahl Steuergeräte.
  • Stand der Technik
  • Aus der nicht vorveröffentlichten DE 10 2018 206 694 ist ein Verfahren zum Erkennen eines aktuellen Straßenzustands, das die folgenden Schritte aufweist:
    • Ausführen eines ersten Erkennungsprozesses unter Verwendung von ersten Rohdaten eines ersten Sensorsystems, um einen den Straßenzustand abbildenden ersten Zustandswert und einen eine Erkennungsgüte des ersten Erkennungsprozesses abbildenden ersten Gütewert zu erhalten;
    • Ausführen eines zweiten Erkennungsprozesses unter Verwendung der ersten Rohdaten sowie ferner zweiter Rohdaten zumindest eines zweiten Sensorsystems des Fahrzeugs, um einen den Straßenzustand abbildenden zweiten Zustandswert und einen eine Erkennungsgüte des zweiten Erkennungsprozesses abbildenden zweiten Gütewert zu erhalten;
    • Zusammenführen des ersten Zustandswerts und des zweiten Zustandswerts zu einer den Straßenzustand repräsentierenden Straßenzustandsinformation.
  • Vorteile der Erfindung
  • Das Verfahren mit den Merkmalen des unabhängigen Anspruch 1 hat demgegenüber dem Vorteil, dass eine verbesserte Bestimmung des Straßenzustands ermöglicht wird, wobei bisher eingesetzte Schnittstellen mit ihren begrenzten Datenübertragungsraten weiterhin genutzt werden können.
  • Vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche.
  • Offenbarung der Erfindung
  • In einem ersten Aspekt betrifft die Erfindung ein Verfahren zum Ermitteln eines Straßenzustands eines Kraftfahrzeugs (d.h. des Zustands der Straße, auf der das Kraftfahrzeug fährt), wobei abhängig von ersten Eingangsgrößen (r1, r2) eines ersten Sensorsystems und abhängig von zweiten Eingangsgrößen (r3, r4) mittels eines verteilten maschinellen Lernsystems, insbesondere eines verteilten neuronalen Netzes, eine den Straßenzustand charakterisierende Größe (z) ermittelt wird.
  • Die Erfindung wird im Folgenden anhand einer Ausführungsform erläutert, bei der das maschinelle Lernsystem durch ein neuronales Netz gegeben ist. Andere maschinelle Lernsysteme (beispielsweise eine Support Vector Machine oder ein Random Forest) sind denkbar. Neuronale Netze sind so aufgebaut, dass es eine Eingangsschicht (Englisch: „Input Layer“), eine oder mehrere verdeckte Schichten (Englisch: „Hidden Layer“) und eine Ausgangsschicht (Englisch: „Output Layer“) gibt. In den verdeckten Schichten werden Basisfunktionen, sog. Neuronen, berechnet, welche von der vorangehenden Schicht Werte bekommen, diese auswerten und an die nachfolgende Schicht weitergeben. Insbesondere bei neuronalen Netzen (Englisch: „Deep Neural Networks“, kurz auch: „DNN“) gibt es eine größere Anzahl von verdeckten Schichten. Zum Training dieser Modelle ist die Architektur eines solchen DNNs von entscheidender Bedeutung, also beispielsweise die Frage, wie viele Schichten es gibt und welche Aufgaben diese übernehmen (z.B. Faltungsoperationen o.ä.).
  • Es ist nun möglich die Berechnungen der einzelnen Schichten und Neuronen nicht auf einem einzigen Gerät durchzuführen, sondern vielmehr auf verschiedene Geräte zu verteilen. Man spricht dann hierbei auch von verteilten tiefen neuronalen Netzen (Englisch: „Distributed Deep Neural Networks“, kurz: „DDNN“). Das Training kann bei vorwärts gerichteten (Englisch: „feed forward“) Netzen, wie es viele DNNs darstellen, unabhängig von der Hardware erfolgen.
  • Erstes Sensorsystem und/oder zweites Sensorsystem können hierbei insbesondere im Kraftfahrzeug angeordnet sein. Erstes Sensorsystem und/oder zweites Sensorsystem können hierbei jeweils insbesondere einen Ultraschallsensor, einen Radarsensor, oder einen optischen Sensor (insbesondere Lidar oder Video) umfassen. Erstes Sensorsystem und/oder zweites Sensorsystem können jeweils eine Mehrzahl von Sensoren umfassen.
  • In einer vorteilhaften Weiterbildung wird das verteilte neuronale Netz auf mindestens zwei, insbesondere baulich getrennte, Steuergeräte des Kraftfahrzeugs verteilt ausgeführt.
  • Insbesondere kann vorgesehen sein, dass das verteilte neuronale Netz teilweise in einem Sensorsteuergerät realisiert ist.
  • Beispielsweise kann vorgesehen sein, dass das Sensorsteuergerät ein Ultraschallsensor-Steuergerät oder ein Radarsensor-Steuergerät oder ein Steuergerät eines optischen Sensors ist. Auch ein Raddrehzahlsensor ist möglich.
  • Ein solches Sensorsteuergerät kann vorgesehen sein, (Roh-)Daten der ihm zugeordneten Sensoren zu empfangen und eine Vorverarbeitung durchzuführen. Diese vorverarbeiteten Daten können dann einer zentralen Recheneinheit des Kraftfahrzeugs zugeführt werden. Es ist möglich, dass das Sensorsteuergerät und wenigstens ein zugeordneter Sensor baulich integriert sind,
  • Vorteilhafterweise ist nun vorgesehen, dass das verteilte neuronale Netz ebenfalls teilweise in einer zentralen Recheneinheit eines Kraftfahrzeugs realisiert ist.
  • Dabei werden dann Informationen, d.h. ein Merkmalsvektor, von versteckten Schichten (Englisch: „hidden layer“) des verteilten neuronalen Netzes über die Schnittstellen zwischen den Steuergeräten, also beispielsweise zwischen den Sensorsteuergeräten und dem Zentralrechner, übertragen.
  • Bevorzugt ist dann vorgesehen, dass die zentrale Recheneinheit den Straßenzustand charakterisierende Größe (z) ermittelt. D.h. der Teil des neuronalen Netzes, der in der zentralen Recheneinheit abläuft, umfasst die Ausgangsschicht des neuronalen Netzes.
  • Insbesondere kann vorgesehen sein, dass abhängig von der den Straßenzustand charakterisierenden Größe (z) das Kraftfahrzeug angesteuert wird, beispielsweise indem Antrieb und/oder Bremse und oder Lenkung angesteuert wird, beispielsweise um eine Geschwindigkeitsanpassung oder ein Ausweichmanöver zu initiieren.
  • Alternativ oder zusätzlich ist es möglich, dass abhängig von der den Straßenzustand charakterisierenden Größe (z) eine Signalanlage der Straße angesteuert wird. Beispielsweise kann bei erkanntem schlechtem Straßenzustand eine Warnanlage aktiviert werden.
  • Alternativ oder zusätzlich ist es auch möglich, dass die Information über den Straßenzustand andern Kraftfahrzeugen übermittelt wird, die ihrerseits entsprechende Reaktionen einleiten können.
  • Vorteilhafterweise ist vorgesehen, dass das neuronale Netz vor der Ermittlung der den Straßenzustand charakterisierenden Größe (z) trainiert wird.
  • Ein derart in seiner Gesamtheit trainiertes neuronales Netz ist insbesondere besonders effizient.
  • Der Vorteil eines verteilten neuronalen Netzes das in der Gesamtheit trainiert wird, gegenüber mehreren neuronalen Netzen die einzeln trainiert werden, wird für die hier angestrebte Anwendung wie folgt anschaulich: Die Teile des neuronalen Netzes, die in Sensorsteuergeräten durchgeführt werden, haben die Funktion, die Sensordaten zu komprimieren. Diese werden im Zentralrechner durch die dort verorteten Teile des neuronalen Netzes dann wieder dekomprimiert.
  • Durch das Training in der Gesamtheit werden in den Teilen des neuronalen Netzes, die in den Sensorsteuergeräten angeordnet sind, die Funktionen der Erkennung des Straßenzustands und die der Komprimierung der Daten miteinander fusioniert. Das so fusionierte neuronale Netz kann bei gleichem Ergebnis mit weniger Rechenzeit und Speicher auskommen. Ebenso werden im zentralen Steuergerät die Teile des neuronalen Netzes, die die Dekomprimierung und die Sensordatenfusion durchführen, miteinander fusioniert. Dies spart Ressourcen im Zentralsteuergerät.
  • In einer besonders vorteilhaften Weiterbildung wird das Training derart durchgeführt wird, dass ein zwischen getrennten Teilen des neuronalen Netzes zu übermittelnder Merkmalsvektor möglichst niedrigdimensional ist.
  • D.h. die Optimierung der Architektur des DNNs kann mittels eines automatisierten Verfahrens wie z.B. AutoML durchgeführt werden, so dass Übergänge verschiedener Neuronen von Schicht zu Schicht so angelegt sind, dass diese Übergänge auch die hardwarespezifischen Schnittstellen der einzelnen Geräte entsprechen.
  • Durch den möglichst niedrigdimensionalen Merkmalsvektor gewährleistet man einen in optimaler Weise komprimierten Informationsfluss zwischen den Geräten.
  • Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegende Zeichnung näher erläutert.
  • Beschreibung der Ausführungsbeispiele
  • Die Figur illustriert den Aufbau einer Ausführungsform der Erfindung in einem Kraftfahrzeug (100), das über Ultraschallsensoren (1, 2, 3, 4) und Radarsensoren (5) verfügt.
  • Die Ultraschallsensoren (1, 2, 3, 4) ermitteln ihre jeweiligen Rohsignale, und übermitteln diese einem Ultraschallsensor-Steuergerät (10), auf dem ein erster Teil (11) des verteilten neuronalen Netzes angeordnet ist. Diese Rohsignale liegen dort als Signale (r1, r2) an der Eingangsschicht des ersten Teils (11) des verteilten neuronalen Netzes an. Der erste Teil (11) des verteilten neuronalen Netzes kann beispielsweise in einem Computerprogramm realisiert sein, das auf einem maschinenlesbaren Speichermedium (12) des Ultraschallsensor-Steuergeräts (10) gespeichert ist.
  • Die Radarsensoren (5) ermitteln ebenfalls ihre jeweiligen Rohsignale und übermitteln diese einem Radarsensor-Steuergerät (20), auf dem ein zweiter Teil (21) des verteilten neuronalen Netzes angeordnet ist. Diese Rohsignale liegen dort als Signale (r3, r4) an der Eingangsschicht des zweiten Teils (21) des verteilten neuronalen Netzes an. Der zweite Teil (21) des verteilten neuronalen Netzes kann beispielsweise in einem Computerprogramm realisiert sein, das auf einem maschinenlesbaren Speichermedium (22) des Radarsensor-Steuergeräts (20) gespeichert ist.
  • Der erste Teil (11) ermittelt nun Ausgangssignale, die als erster Merkmalsvektor (x) vom Ultraschallsensor-Steuergerät (10) zu einem zentralen Steuergerät (30) übermittelt werden, beispielsweise über einen Feldbus wie z.B. einen CAN-Bus.
  • Der zweite Teil (12) ermittelt ebenfalls Ausgangssignale, die als zweiter Merkmalsvektor (y) vom Radarsensor-Steuergerät (20) zum zentralen Steuergerät (30) übermittelt werden, vorzugsweise über den gleichen Bus.
  • Im zentralen Steuergerät (30) ist ein dritter Teil (31) des verteilten neuronalen Netzes realisiert. Der erste Merkmalsvektor (x) und der zweite Merkmalsvektor (y) liegen dort an jeweils zugeordneten Neuronen an. Der dritte Teil (31) ermittelt hieraus eine Ausgangsgröße (z), die den Zustand der Straße charakterisiert, auf der das Kraftfahrzeug fährt. Der dritte Teil (31) des verteilten neuronalen Netzes kann beispielsweise in einem Computerprogramm realisiert sein, dass auf einem maschinenlesbaren Speichermedium (32) des zentralen Steuergeräts (30) gespeichert ist.
  • Abhängig von der Ausgangsgröße (z) wird dann im Ausführungsbeispiel eine Geschwindigkeit des Kraftfahrzeugs reduziert, wenn die Ausgangsgröße (z) ergibt, dass die Straße nass ist, verschmutzt ist, einen reduzierten Reibwert, Bodenwellen, oder Schlaglöcher aufweist.
  • In alternativen oder zusätzlichen Ausführungsbeispielen kann vorgesehen sein, dass das verteilte neuronale Netz (11, 21, 31) auch gezielt mit Fehlern eines elektrischen Systems des Kraftfahrzeugs (100) angelernt wird. D.h. im Training können z.B. Fehlerbilder bei der Übertragung des ersten und/oder des zweiten Merkmalsvektors (x, y) simuliert und injiziert werden, und diese Fehlerbilder dann mittels überwachten Lernens zu trainieren. Dadurch ist es möglich, fehlerhafte Erkennungen des Straßenzustands aufgrund von elektrischen Fehlern im System, wie z.B. ein Wackelkontakt an einer der Datenübertragungsleitungen, zu vermeiden.
  • Außerdem kann das verteilte neuronale Netz auch dahingehend trainiert werden, die Fehler zu erkennen und in einem Fehlerspeicher einzutragen um bei der Reparatur des Kraftfahrzeugs (100) entsprechende Hinweise geben zu können.
  • Es ist auch denkbar, dass das neuronale Netz auch zumindest teilweise in den Sensoren selbst ausgeführt wird. Ebenso kann das neuronale Netz auch auf einen entfernt vom Kraftfahrzeug angeordneten Rechner und damit auf mehrere Fahrzeuge die auf derselben Straße unterwegs sind, erstreckt werden.
  • Um zusätzlich Übertragungsbandbreite bei den Schnittstellen zwischen den Teilnetzen zu sparen, können nach erfolgreichem Training des neuronalen Netzes per Versuch und Irrtum einzelne Bits aus den Nachrichten entfernt. Nur die Bits, die tatsächlich für die fehlerfreie Funktion des neuronalen Netzes benötigt werden, werden beim späteren Einsatz des neuronalen Netzes im Fahrzeug (100) tatsächlich über die Schnittstellen übertragen.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • DE 102018206694 [0002]

Claims (14)

  1. Verfahren zum Ermitteln eines Straßenzustands eines Kraftfahrzeugs (100) wobei abhängig von ersten Eingangsgrößen (r1, r2) eines ersten Sensorsystems (1, 2, 3, 4, 10) und abhängig von zweiten Eingangsgrößen (r3, r4) eines zweiten Sensorsystems (5, 20) mittels eines verteilten maschinellen Lernsystems (11, 21, 31), insbesondere eines verteilten neuronalen Netzes, eine den Straßenzustand charakterisierende Größe (z) ermittelt wird.
  2. Verfahren nach Anspruch 1, wobei das verteilte maschinelle Lernsystem (11, 21, 31) auf mindestens zwei, insbesondere baulich getrennte, Steuergeräte (10, 20, 30) verteilt ausgeführt wird.
  3. Verfahren nach Anspruch 2, wobei das verteilte maschinelle Lernsystem (11, 21, 31) teilweise in einem Sensorsteuergerät (10, 20) ausgeführt wird.
  4. Verfahren nach Anspruch 3, wobei das Sensorsteuergerät (10, 20) ein Ultraschallsensor-Steuergerät (10) oder ein Radarsensor-Steuergerät (20) ist.
  5. Verfahren nach Anspruch 2 oder 3, wobei das verteilte maschinelle Lernsystem (11, 21, 31) ebenfalls teilweise in einer zentralen Recheneinheit (30) des Kraftfahrzeugs (100) realisiert ist.
  6. Verfahren nach Anspruch 5, wobei die zentrale Recheneinheit die den Straßenzustand charakterisierende Größe (z) ermittelt.
  7. Verfahren nach einem der vorherigen Ansprüche, wobei abhängig von der den Straßenzustand charakterisierenden Größe (z) das Kraftfahrzeug (100) angesteuert wird.
  8. Verfahren nach einem der vorherigen Ansprüche, wobei abhängig von der den Straßenzustand charakterisierenden Größe (z) eine Signalanlage der Straße angesteuert wird.
  9. Verfahren nach einem der vorhergehenden Ansprüche, wobei das maschinelle Lernsystem (11, 21, 31) vor der Ermittlung der den Straßenzustand charakterisierenden Größe (z) trainiert wird.
  10. Verfahren nach Anspruch 9, wobei das Training derart durchgeführt wird, dass ein zwischen getrennten Teilen des maschinellen Lernsystems (11, 21, 31) zu übermittelnder Merkmalsvektor (x, y) möglichst niedrigdimensional ist.
  11. Verfahren nach einem der vorhergehenden Ansprüche, wobei der den Straßenzustand charakterisierenden Straßenzustand (z) ein Nässezustand der Fahrbahn und/oder ein Reibwert der Fahrbahn und/oder eine Verschmutzung der Fahrbahn und/oder ein Schlagloch und/oder eine Bodenwelle ist.
  12. Computerprogramm, das eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 11 auszuführen.
  13. Ein- oder Mehrzahl maschinenlesbarer Speichermedien (12, 22, 32), auf der das Computerprogramm nach Anspruch 12 gespeichert ist.
  14. Ein- oder Mehrzahl Steuergeräte (10, 20, 30), die eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 11 auszuführen.
DE102018209595.7A 2018-06-14 2018-06-14 Verfahren zum automatischen Bestimmen eines Straßenzustands Pending DE102018209595A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102018209595.7A DE102018209595A1 (de) 2018-06-14 2018-06-14 Verfahren zum automatischen Bestimmen eines Straßenzustands
PCT/EP2019/063209 WO2019238367A1 (de) 2018-06-14 2019-05-22 VERFAHREN ZUM AUTOMATISCHEN BESTIMMEN EINES STRAßENZUSTANDS
CN201980038830.4A CN112204418A (zh) 2018-06-14 2019-05-22 用于自动地确定道路状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102018209595.7A DE102018209595A1 (de) 2018-06-14 2018-06-14 Verfahren zum automatischen Bestimmen eines Straßenzustands

Publications (1)

Publication Number Publication Date
DE102018209595A1 true DE102018209595A1 (de) 2019-12-19

Family

ID=66647403

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102018209595.7A Pending DE102018209595A1 (de) 2018-06-14 2018-06-14 Verfahren zum automatischen Bestimmen eines Straßenzustands

Country Status (3)

Country Link
CN (1) CN112204418A (de)
DE (1) DE102018209595A1 (de)
WO (1) WO2019238367A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020173700A1 (de) 2019-02-25 2020-09-03 Robert Bosch Gmbh Verfahren und vorrichtung zum betreiben eines steuerungssystems
DE102020128461A1 (de) 2020-10-29 2022-05-05 Bayerische Motoren Werke Aktiengesellschaft System und Verfahren zur Erfassung des Umfelds eines Fahrzeugs
WO2022258444A1 (de) * 2021-06-08 2022-12-15 Robert Bosch Gmbh Verfahren und vorrichtung zum ermitteln einer reichweite eines sensors

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11760376B2 (en) 2020-12-29 2023-09-19 Ford Global Technologies, Llc Machine learning updating with sensor data

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004018088A1 (de) * 2003-04-09 2005-02-10 Continental Teves, Inc., Auburn Hills Fahrbahnerkennungssystem
DE102013101639A1 (de) * 2013-02-19 2014-09-04 Continental Teves Ag & Co. Ohg Verfahren und Vorrichtung zur Bestimmung eines Fahrbahnzustands
US20150218872A1 (en) * 1995-06-07 2015-08-06 American Vehicular Sciences Llc Vehicle component control methods and systems
DE102015109270A1 (de) * 2014-06-12 2015-12-17 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Strassenbelagszustandsdetektion mit rekursivem adaptivem lernen und validierung
DE102015121339A1 (de) * 2014-12-12 2016-06-16 GM Global Technology Operations, LLC (n.d. Ges. d. Staates Delaware) Systeme und verfahren zum ermitteln eines zustands einer fahrbahn
DE102018206694A1 (de) 2018-05-02 2019-11-07 Robert Bosch Gmbh Verfahren und Anordnung zum Erkennen eines aktuellen Straßenzustands

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7209221B2 (en) * 1994-05-23 2007-04-24 Automotive Technologies International, Inc. Method for obtaining and displaying information about objects in a vehicular blind spot
JPH1186183A (ja) * 1997-09-11 1999-03-30 Hitachi Ltd 交通流計測装置、及びこれを利用する装置
US8768573B2 (en) * 2003-08-11 2014-07-01 American Vehicular Sciences, LLC Technique for ensuring safe travel of a vehicle or safety of an occupant therein
DE102007042395B4 (de) * 2007-09-05 2017-08-24 Ihp Gmbh - Innovations For High Performance Microelectronics / Leibniz-Institut Für Innovative Mikroelektronik Radar-basiertes, tragbares Orientierungssystem
US20110190972A1 (en) * 2010-02-02 2011-08-04 Gm Global Technology Operations, Inc. Grid unlock
DE102011003334A1 (de) * 2011-01-28 2012-08-02 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung der Beschaffenheit der Fahrbahnoberfläche mittels kombinierter akustischer und elektromagnetischer Weitwinkel-Sensorik
GB2523092B (en) * 2014-02-12 2017-11-01 Jaguar Land Rover Ltd A system for use in a vehicle
CN104200687B (zh) * 2014-09-11 2017-12-12 长安大学 一种驾驶员速度控制行为监测装置及监测方法
CN105427619B (zh) * 2015-12-24 2017-06-23 上海新中新猎豹交通科技股份有限公司 车辆跟车距离自动记录系统及方法
DE202016001002U1 (de) * 2016-02-16 2017-05-17 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) System zur Erkennung einer Richtungsfahrbahn, Kraftfahrzeug sowie Computerprogrammprodukt
US10762358B2 (en) * 2016-07-20 2020-09-01 Ford Global Technologies, Llc Rear camera lane detection
US10612199B2 (en) * 2017-05-09 2020-04-07 Toyota Research Institute, Inc. Systems and methods for roadway fingerprinting
CN108053067A (zh) * 2017-12-12 2018-05-18 深圳市易成自动驾驶技术有限公司 最优路径的规划方法、装置及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150218872A1 (en) * 1995-06-07 2015-08-06 American Vehicular Sciences Llc Vehicle component control methods and systems
DE102004018088A1 (de) * 2003-04-09 2005-02-10 Continental Teves, Inc., Auburn Hills Fahrbahnerkennungssystem
DE102013101639A1 (de) * 2013-02-19 2014-09-04 Continental Teves Ag & Co. Ohg Verfahren und Vorrichtung zur Bestimmung eines Fahrbahnzustands
DE102015109270A1 (de) * 2014-06-12 2015-12-17 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Strassenbelagszustandsdetektion mit rekursivem adaptivem lernen und validierung
DE102015121339A1 (de) * 2014-12-12 2016-06-16 GM Global Technology Operations, LLC (n.d. Ges. d. Staates Delaware) Systeme und verfahren zum ermitteln eines zustands einer fahrbahn
DE102018206694A1 (de) 2018-05-02 2019-11-07 Robert Bosch Gmbh Verfahren und Anordnung zum Erkennen eines aktuellen Straßenzustands

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LI, Chunlin, et al.: Distributed Data Mining Based on Deep Neural Network for Wireless Sensor Network. In: International Journal of Distributed Sensor Networks, Vol. 2015, Article ID 157453. DOI: 10.1155/2015/157453. *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020173700A1 (de) 2019-02-25 2020-09-03 Robert Bosch Gmbh Verfahren und vorrichtung zum betreiben eines steuerungssystems
DE102020128461A1 (de) 2020-10-29 2022-05-05 Bayerische Motoren Werke Aktiengesellschaft System und Verfahren zur Erfassung des Umfelds eines Fahrzeugs
WO2022258444A1 (de) * 2021-06-08 2022-12-15 Robert Bosch Gmbh Verfahren und vorrichtung zum ermitteln einer reichweite eines sensors

Also Published As

Publication number Publication date
CN112204418A (zh) 2021-01-08
WO2019238367A1 (de) 2019-12-19

Similar Documents

Publication Publication Date Title
DE102018209595A1 (de) Verfahren zum automatischen Bestimmen eines Straßenzustands
DE102016009655A1 (de) Verfahren zum Betrieb eines Fahrzeugs
DE102019203712B4 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
EP3789926A1 (de) Verfahren zum erkennen einer adversarialen störung in eingangsdaten eines neuronalen netzes
DE102019211052A1 (de) Verfahren zum Trainieren eines neuronalen Netzes für eine Schätzung eines Reibwertes
WO2019206513A1 (de) Verfahren zur fahrmanöverassistenz eines fahrzeuges, vorrichtung, computerprogramm und computerprogrammprodukt
EP4003823B1 (de) Verfahren zum initialisieren eines kraftfahrzeugs
EP3748453B1 (de) Verfahren und vorrichtung zum automatischen ausführen einer steuerfunktion eines fahrzeugs
DE102019218349A1 (de) Verfahren zum Klassifizieren von zumindest einem Ultraschallecho aus Echosignalen
DE102017201796A1 (de) Steuervorrichtung zum Ermitteln einer Eigenbewegung eines Kraftfahrzeugs sowie Kraftfahrzeug und Verfahren zum Bereitstellen der Steuervorrichtung
DE102008012816A1 (de) Verfahren zur Erkennung von Fahrsituationen eines Kraftfahrzeugs
DE102018125712A1 (de) Fahrunterstützungsverfahrens für ein Fahrzeug
DE102018219255A1 (de) Trainingssystem, Datensatz, Trainingsverfahren, Auswerteeinrichtung und Einsatzsystem für ein Straßenfahrzeug zum Erfassen und Klassifizieren von Verkehrsgeräuschen
DE102018210367A1 (de) Fahrerassistenzsystem, Fahrzeug, Verfahren zum Betreiben des Fahrerassistenzsystems, Computerprogramm und computerlesbares Speichermedium
DE102018207923A1 (de) Verbessertes Training eines Klassifikators
DE202017105656U1 (de) Prädiktives Messsystem, Aktorsteuerungssystem und Vorrichtung zum Betreiben des prädiktiven Messsystems und/oder des Aktorsteuerungssystems
WO2021185586A1 (de) Verfahren zur erzeugung von trainingsdaten, fahrzeug und trainingssystem
WO2021245151A1 (de) Unüberwachtes lernen einer gemeinsamen darstellung von daten von sensoren unterschiedlicher modalität
DE102018210368A1 (de) Fahrerassistenzsystem, Fahrzeug, Verfahren zum Betreiben des Fahrerassistenzsystems, Computerprogramm und computerlesbares Speichermedium
DE102018124183A1 (de) Verfahren zur Aktualisierung von Daten eines Steuergeräts eines Fahrzeuges
DE102018216172A1 (de) Verfahren zum automatischen Erzeugen eines Labels zum Trainieren eines selbstlernenden Systems sowie Kraftfahrzeug
DE102017011030A1 (de) Verfahren zur Verkehrssteuerung
WO2023213477A1 (de) Computer-implementiertes verfahren und vorrichtung zur auslegung einer datensammelkampagne für ein kraftfahrzeug
DE102020204867A1 (de) Verfahren und System zum Betreiben einer Fahrmanöverplanung mindestens eines zumindest teilautomatisiert fahrenden Fahrzeugs
DE102020006267A1 (de) Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung, sowie kraftfahrzeugexterne elektronische Recheneinrichtung

Legal Events

Date Code Title Description
R163 Identified publications notified