DE102020214203A1 - Method for determining a lane change intention of another motor vehicle located in the immediate vicinity of a motor vehicle, and assistance system - Google Patents
Method for determining a lane change intention of another motor vehicle located in the immediate vicinity of a motor vehicle, and assistance system Download PDFInfo
- Publication number
- DE102020214203A1 DE102020214203A1 DE102020214203.3A DE102020214203A DE102020214203A1 DE 102020214203 A1 DE102020214203 A1 DE 102020214203A1 DE 102020214203 A DE102020214203 A DE 102020214203A DE 102020214203 A1 DE102020214203 A1 DE 102020214203A1
- Authority
- DE
- Germany
- Prior art keywords
- motor vehicle
- lane change
- feature
- computing device
- lane
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008450 motivation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4049—Relationship among other objects, e.g. converging dynamic objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Bestimmen einer Spurwechselintention (3) eines weiteren Kraftfahrzeugs (4) mittels eines Assistenzsystems (1) des Kraftfahrzeugs (2), bei welchem und auf Basis einer erfassten Umgebung (7) ein Umgebungsmodell (8) erzeugt wird, und bei welchem in Abhängigkeit von dem erzeugten Umgebungsmodell (8) zumindest ein einen Spurwechsel charakterisierendes Situationsmerkmal (9, 10, 11, 12, 13) bestimmt wird, wobei mittels eines Bayes-Netz-Modells (14) die Spurwechselintention (3) in Abhängigkeit von dem charakterisierenden Situationsmerkmal (9, 10, 11, 12, 13) bestimmt wird, wobei als das den Spurwechsel charakterisierende Situationsmerkmal (9, 10, 11, 12, 13) ein Spurwechselmotiv (9) für das weitere Kraftfahrzeug (4) bestimmt wird, wobei das Spurwechselmotiv (9) in Abhängigkeit von einem relativen Abstand (Srel) des weiteren Kraftfahrzeugs (4) zu einem Objekt (15), in Abhängigkeit von einer relativen Geschwindigkeit (vrel) des weiteren Kraftfahrzeugs (4) zu dem Objekt (15) und in Abhängigkeit von einer Objektart bestimmt wird. Ferner betrifft die Erfindung ein Assistenzsystem (1).The invention relates to a method for determining a lane change intention (3) of another motor vehicle (4) using an assistance system (1) of the motor vehicle (2), in which and on the basis of a detected environment (7) an environment model (8) is generated, and in which at least one situational feature (9, 10, 11, 12, 13) characterizing a lane change is determined as a function of the environmental model (8) generated, with the intention to change lanes (3) being determined by means of a Bayesian network model (14) as a function of the characterizing situation feature (9, 10, 11, 12, 13) is determined, wherein a lane change motif (9) for the other motor vehicle (4) is determined as the situation feature (9, 10, 11, 12, 13) characterizing the lane change, the lane change motif (9) depending on a relative distance (Srel) of the further motor vehicle (4) to an object (15), depending on a relative speed (vrel) of the further motor vehicle (4) to the object (15) and is determined as a function of an object type. The invention also relates to an assistance system (1).
Description
Die Erfindung betrifft ein Verfahren zum Bestimmen einer Spurwechselintention eines sich in einer unmittelbaren Umgebung eines Kraftfahrzeugs befindlichen weiteren Kraftfahrzeugs mittels eines Assistenzsystems des Kraftfahrzeugs, bei welchem mittels zumindest einer Umgebungserfassungseinrichtung des Assistenzsystems die Umgebung des Kraftfahrzeugs erfasst wird und auf Basis der erfassten Umgebung ein Umgebungsmodell für die Umgebung mittels einer elektronischen Recheneinrichtung des Assistenzsystems erzeugt wird, und bei welchem in Abhängigkeit von dem erzeugten Umgebungsmodell zumindest ein einen Spurwechsel des weiteren Kraftfahrzeugs charakterisierendes Situationsmerkmal mittels der elektronischen Recheneinrichtung bestimmt wird, wobei mittels eines Bayes-Netz-Modells der elektronischen Recheneinrichtung die Spurwechselintention in Abhängigkeit von dem zumindest einen charakterisierenden Situationsmerkmal bestimmt wird. Ferner betrifft die Erfindung ein Assistenzsystem.The invention relates to a method for determining a lane change intention of another motor vehicle located in the immediate vicinity of a motor vehicle using an assistance system of the motor vehicle, in which at least one environment detection device of the assistance system is used to detect the environment of the motor vehicle and based on the detected environment an environment model for the Environment is generated by means of an electronic computing device of the assistance system, and in which at least one situational feature characterizing a lane change of the other motor vehicle is determined by means of the electronic computing device as a function of the generated environment model, with the intention to change lanes being dependent on a Bayesian network model of the electronic computing device is determined by the at least one characterizing situational feature. Furthermore, the invention relates to an assistance system.
Insbesondere für den autonomen Betrieb eines Kraftfahrzeugs ist eine möglichst generische Situationsinterpretation notwendig, um entsprechende Fahrmanöver autonom planen zu können. Hierunter fällt auch die Spurwechselerkennung von weiteren Verkehrsteilnehmern, welche insbesondere früh und sicher vorherzusagen sind. Dies wiederum kann dann genutzt werden, um für nachfolgende Fahrfunktionen eine entsprechende Bewertung durchführen zu können. Aus dem Stand der Technik ist für diese Problemstellungen bereits die Erkennung von Fahrmanöver mit objektorientierten Bayes-Netzen in beispielsweise Autobahnszenarien bekannt. Ferner ist die Erkennung von einer Spurwechselintention für Abstandsregeltempomaten bereits bekannt.In particular, for the autonomous operation of a motor vehicle, a situation interpretation that is as generic as possible is necessary in order to be able to plan corresponding driving maneuvers autonomously. This also includes the lane change detection of other road users, which in particular can be predicted early and reliably. This in turn can then be used in order to be able to carry out a corresponding evaluation for subsequent driving functions. The recognition of driving maneuvers with object-oriented Bayesian networks in motorway scenarios, for example, is already known for these problems from the prior art. Furthermore, the detection of an intention to change lanes for adaptive cruise control is already known.
Die
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren sowie ein Assistenzsystem zu schaffen, mittels welchem eine verbesserte Vorhersage einer Spurwechselintention eines weiteren Kraftfahrzeugs realisiert werden kann.The object of the present invention is to create a method and an assistance system by means of which an improved prediction of a lane change intention of another motor vehicle can be implemented.
Diese Aufgabe wird durch ein Verfahren sowie durch ein Assistenzsystem gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben.This object is achieved by a method and by an assistance system according to the independent patent claims. Advantageous embodiments are specified in the dependent claims.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Bestimmen einer Spurwechselintention eines sich in einer unmittelbaren Umgebung eines Kraftfahrzeugs befindlichen weiteren Kraftfahrzeugs mittels eines Assistenzsystems des Kraftfahrzeugs, bei welchem mittels zumindest einer Umgebungserfassungseinrichtung des Assistenzsystems die Umgebung des Kraftfahrzeugs erfasst wird und auf Basis der erfassten Umgebung ein Umgebungsmodell für die Umgebung mittels einer elektronischen Recheneinrichtung des Assistenzsystems erzeugt wird, und bei welchem in Abhängigkeit von dem erzeugten Umgebungsmodell zumindest ein einen Spurwechsel des weiteren Kraftfahrzeugs charakterisierendes Situationsmerkmal mittels der elektronischen Recheneinrichtung bestimmt wird, wobei mittels eines Bayes-Netz-Modells der elektronischen Recheneinrichtung die Spurwechselintention in Abhängigkeit von dem zumindest einen charakterisierenden Situationsmerkmal bestimmt wird.One aspect of the invention relates to a method for determining a lane change intention of another motor vehicle located in the immediate vicinity of a motor vehicle using an assistance system of the motor vehicle, in which the surroundings of the motor vehicle are detected using at least one environment detection device of the assistance system and an environment model is based on the detected environment for the environment is generated by means of an electronic computing device of the assistance system, and in which, depending on the generated environment model, at least one situation feature characterizing a lane change of the other motor vehicle is determined by means of the electronic computing device, with the intention to change lanes being determined by means of a Bayesian network model of the electronic computing device is determined as a function of the at least one characterizing situational feature.
Es ist vorgesehen, dass als das zumindest eine den Spurwechsel des weiteren Kraftfahrzeugs charakterisierende Situationsmerkmal ein Spurwechselmotiv für das weitere Kraftfahrzeug bestimmt wird, wobei das Spurwechselmotiv in Abhängigkeit von einem relativen Abstand des weiteren Kraftfahrzeugs zu einem Objekt in der Umgebung, in Abhängigkeit von einer relativen Geschwindigkeit des Kraftfahrzeugs zu dem Objekt und in Abhängigkeit von einer Objektart bestimmt wird.Provision is made for the at least one situational feature characterizing the lane change of the additional motor vehicle to be determined as a reason for changing lanes for the additional motor vehicle, with the reason for changing lanes depending on a relative distance of the additional motor vehicle from an object in the area, depending on a relative speed of the motor vehicle to the object and is determined as a function of an object type.
Somit kann ein generisches Modell geschaffen werden, auf Basis dessen die Spurwechselintention des weiteren Kraftfahrzeugs zuverlässig bestimmt werden kann. A generic model can thus be created, on the basis of which the intention of the other motor vehicle to change lanes can be reliably determined.
Insbesondere wird vorliegend ein geometrischer Ansatz beziehungsweise unterschiedliche geometrische Ansätze zur Einschätzung der Situation gewählt, wodurch diese leistungsfähiger sind als die modellbasierten oder numerischen Verfahren gemäß dem Stand der Technik. Es ist somit Aufgabe, Spurwechselmanöver des weiteren Kraftfahrzeugs in der Umgebung bereits frühzeitig zu erkennen. Hierbei wird in einem ersten Schritt zumindest ein Situationsmerkmal, insbesondere eine Vielzahl von Situationsmerkmalen, bestimmt, insbesondere auf Basis einer Merkmalsextraktion, die als quantifizierte Indizien für einen möglichen Spurwechsel des weiteren Kraftfahrzeugs dienen. Voraussetzung hierfür ist die vorhandene Situationsbeschreibung in dem Umgebungsmodell. Hierzu werden aus unterschiedlichen Sensordaten von unterschiedlichen Umgebungserfassungseinrichtungen gewonnene Informationen aufgearbeitet und in einem einheitlichen Umgebungsmodell bereitgestellt. Dieses Umgebungsmodell kann beispielsweise Spurinformationen, Objektinformationen, Begrenzungen oder weitere Informationen enthalten. In einem zweiten Schritt findet ein Bayes-Netz-Modell Verwendung, welches anhand unterschiedlicher Ereignisse, beispielsweise Spurmarkierung wird überquert, Spurwechsel möglich oder weiteren, Spurwechselmanövern moduliert. Dabei werden die Ereignisse als Zufallsvariablen durch bedingte Wahrscheinlichkeiten in Beziehung gebracht. Dies ermöglicht es, eine Aussage beziehungsweise Prognose über nicht messbare beziehungsweise nicht beobachtbare Ereignisse zu treffen.In particular, in the present case a geometric approach or different geometric approaches are selected for assessing the situation, as a result of which they are more powerful than the model-based or numerical methods according to the prior art. It is therefore the task to recognize lane-changing maneuvers of the other motor vehicle in the area at an early stage. In a first step, at least one situational feature, in particular a large number of situational features, is determined, in particular on the basis of a feature extraction, which serves as quantified indications of a possible lane change of the other motor vehicle. The prerequisite for this is the existing description of the situation in the environment model. For this purpose, information obtained from different sensor data from different environment detection devices is processed and made available in a uniform environment model. This environment model can contain, for example, track information, object information, boundaries or other information. In a second step, a Bayes network model is used, which is modulated based on different events, for example lane markings are crossed, lane changes are possible or other lane change maneuvers. The events are related as random variables by conditional probabilities. This makes it possible to make a statement or forecast about unmeasurable or unobservable events.
In einem letzten Schritt erfolgt die Einspeisung der im Vorfeld ermittelten Situationsmerkmale als „Evidenzen“ in das Bayes-Netz-Modell. Evidenzen sind dabei Ereignisse, die beobachtet werden können. Das Einbinden von Evidenzen ist eine Voraussetzung, um Prognosen/Wahrscheinlichkeiten für nicht beobachtbare Ereignisse berechnen zu können. Dieser Schritt ermöglicht es folglich, eine Aussage darüber zu treffen, mit welcher Wahrscheinlichkeit das Ereignis „Spurwechsel“ für das jeweilige weitere Kraftfahrzeug eintritt. Das Ereignis entspricht der Intention zum Spurwechselmanöver.In a last step, the situation characteristics determined in advance are fed into the Bayes network model as “evidence”. Evidence is an event that can be observed. Integrating evidence is a prerequisite for being able to calculate forecasts/probabilities for unobservable events. Consequently, this step makes it possible to make a statement about the probability of the event “lane change” occurring for the respective additional motor vehicle. The event corresponds to the intention to change lanes.
Das Spurwechselmotiv, welches auch als Motivationshypothese bezeichnet werden kann, trifft insbesondere eine Aussage darüber, ob das weitere Kraftfahrzeug aus Gründen wie kooperatives Verhalten, Drängeln oder Raser, stehende Objekte oder aktiver Richtungsanzeiger, beispielsweise eine Blinkereinrichtung, einen Spurwechsel durchführen möchte. Beispielsweise kann bei einem entsprechenden Algorithmus die aktuelle Szene auf Drängler/Raser sowie stehende Objekte ausgewertet werden. Es wird somit beispielsweise die Hypothese aus der Relativgeschwindigkeit und der Strecke (Distanz) zum vorausfahrenden Objekt, welches beispielsweise auch ein Fahrzeug sein kann, berechnet. Aus diesen beiden Größen wird die Zeit bis zum möglichen Zusammentreffen beider Objekte bestimmt. Zusätzlich wird die Information über beispielsweise den Objekttyp beziehungsweise Fahrzeugtyp des vorausfahrenden Fahrzeugs beziehungsweise des weiteren Kraftfahrzeugs mit berücksichtigt. Dies kann insbesondere bei Verkehrsszenen mit hoher Verkehrsdichte eine bessere Aussage der Motivationshypothese ermöglichen. Denn in diesem Fall weisen die Kraftfahrzeuge geringere Distanzen und niedrigere Relativgeschwindigkeiten untereinander auf.The lane change motive, which can also be referred to as a motivation hypothesis, makes a statement about whether the other motor vehicle wants to change lanes for reasons such as cooperative behavior, jostling or speeding, stationary objects or active direction indicators, for example a turn signal device. For example, with a corresponding algorithm, the current scene can be evaluated for pushers/speeders and stationary objects. Thus, for example, the hypothesis is calculated from the relative speed and the route (distance) to the object driving ahead, which can also be a vehicle, for example. The time until the possible meeting of both objects is determined from these two variables. In addition, the information about, for example, the object type or vehicle type of the vehicle driving ahead or the other motor vehicle is also taken into account. This can enable a better statement of the motivation hypothesis, especially in traffic scenes with high traffic density. Because in this case, the motor vehicles have shorter distances and lower relative speeds among themselves.
Zum Bestimmen des Spurwechselmotivs wird insbesondere in einem ersten Schritt für das Objekt beziehungsweise das Fahrzeug überprüft, ob es ein vorausfahrendes Fahrzeug in der gleichen Fahrspur wie das Kraftfahrzeug ist. Ist das der Fall, kann das Spurwechselmotiv bestimmt werden. Als zweiter Schritt wird die Entfernung beziehungsweise der Abstand Srel zwischen den beiden Kraftfahrzeugen bestimmt. Die Entfernung ist definiert durch beispielsweise die Vorderachse des hintenliegenden Kraftfahrzeugs bis zur Hinterachse des vorausfahrenden Kraftfahrzeugs. Damit eine korrekte Abstandsmessung auch bei großen Kurvenradien bestimmt werden kann, kann die Mittellinie der Fahrspur zur Bestimmung der Entfernung zwischen den beiden Objekten herangezogen werden. Dadurch wird die Straßengeometrie bei der Entfernungsbestimmung mit berücksichtigt. Ein drittes Merkmal für das Spurwechselmotiv ist die Betrachtung der Geschwindigkeit vrel zwischen den Objekten. Hier werden die absoluten Geschwindigkeiten der Kraftfahrzeuge aus dem Umgebungsmodell herangezogen und daraus eine Relativgeschwindigkeit der Objekte zueinander bestimmt.To determine the reason for changing lanes, in a first step the object or the vehicle is checked to see whether it is a vehicle driving ahead in the same lane as the motor vehicle. If this is the case, the lane change motive can be determined. As a second step, the distance or distance S rel between the two motor vehicles is determined. The distance is defined by, for example, the front axle of the motor vehicle behind to the rear axle of the motor vehicle in front. The center line of the lane can be used to determine the distance between the two objects so that a correct distance measurement can also be determined for large curve radii. As a result, the road geometry is taken into account when determining the distance. A third feature for the lane change motif is the consideration of the speed v rel between the objects. Here, the absolute speeds of the motor vehicles from the environment model are used and a relative speed of the objects to one another is determined from this.
Bei dem Verfahren handelt es sich insbesondere um ein computerimplementiertes Verfahren. Somit ist auch ein Computerprogrammprodukt mit offenbart, welches Programminstruktionen aufweist, welche eine elektronische Recheneinrichtung dazu veranlassen, das Verfahren durchzuführen. Ebenfalls ist ein computerlesbares Speichermedium mit offenbart, welches das Computerprogrammprodukt aufweist und insbesondere auf der elektronischen Recheneinrichtung ausgebildet ist.The method is in particular a computer-implemented method. A computer program product is thus also disclosed, which has program instructions which cause an electronic computing device to carry out the method. A computer-readable storage medium is also disclosed, which has the computer program product and is embodied in particular on the electronic computing device.
Gemäß einer vorteilhaften Ausgestaltungsform wird in Abhängigkeit der relativen Geschwindigkeit und des relativen Abstands ein Kollisionszeitpunkt zwischen dem weiteren Kraftfahrzeug und dem Objekt mittels der elektronischen Recheneinrichtung prädiziert und der Kollisionszeitpunkt wird beim Spurwechselmotiv berücksichtigt. Insbesondere wird somit auf Basis der Relativgeschwindigkeit und des Abstands zum vorausfahrenden Fahrzeug die sogenannte Time-to-Collision (TTC), welche dem Kollisionszeitpunkt entspricht, bestimmt. Auf Basis dessen kann nun die Spurwechselintention zuverlässig bestimmt werden. Sollte beispielsweise die Time-to-Collision sehr gering sein, so ist die Wahrscheinlichkeit erhöht, dass ein Spurwechsel stattfindet. Sollte die Time-to-Collision hoch sein, so ist die Wahrscheinlichkeit für einen Spurwechsel geringer.According to an advantageous embodiment, depending on the relative speed and the relative distance, a collision time between the other motor vehicle and the object is predicted by the electronic computing device and the collision time is taken into account in the lane change motive. In particular, the so-called time-to-collision (TTC), which corresponds to the time of the collision, is calculated on the basis of the relative speed and the distance to the vehicle driving in front. definitely. Based on this, the intention to change lanes can now be reliably determined. If, for example, the time-to-collision is very low, the probability that a lane change will take place is increased. If the time-to-collision is high, the likelihood of a lane change is lower.
Ferner hat es sich als vorteilhaft erwiesen, wenn ein Fahrzeugtyp des weiteren Kraftfahrzeugs beim Spurwechselmotiv mittels der elektronischen Recheneinrichtung berücksichtigt wird. Insbesondere wird somit der Fahrzeugtyp des weiteren Kraftfahrzeugs betrachtet. Ferner kann auch der Objekttyp, welcher auch dem Fahrzeugtyp entsprechen kann, des Fahrzeugs betrachtet werden. Das Merkmal Fahrzeugtyp kann einen Wert zwischen 0 und 1 einnehmen. Der Wert 1 bedeutet, dass es sehr wahrscheinlich ist, dass dieser Fahrzeugtyp zu einem Spurwechsel motiviert. Dies gilt beispielsweise bei Lastkraftwägen auf einer Autobahn. Fährt ein Pkw vor dem betrachteten Kraftfahrzeug, wird das Merkmal auf beispielsweise den Wert 0,5 gesetzt. Somit können die entsprechenden Hypothesen für das charakterisierende Situationsmerkmal verfeinert werden, sodass verbessert die Spurwechselintention bestimmt werden kann.Furthermore, it has proven to be advantageous if a vehicle type of the other motor vehicle is taken into account in the lane change motive by means of the electronic computing device. In particular, the vehicle type of the additional motor vehicle is thus considered. Furthermore, the object type, which can also correspond to the vehicle type, of the vehicle can also be considered. The vehicle type characteristic can have a value between 0 and 1. A value of 1 means that it is very likely that this type of vehicle will motivate a lane change. This applies, for example, to trucks on a freeway. If a car drives in front of the motor vehicle under consideration, the feature is set to a value of 0.5, for example. The corresponding hypotheses for the characterizing situational feature can thus be refined, so that the intention to change lanes can be determined in an improved manner.
Es hat sich weiterhin als vorteilhaft erwiesen, wenn ein zweites den Spurwechsel des weiteren Kraftfahrzeugs charakterisierendes Situationsmerkmal eine Kontextauswertung mittels der elektronischen Recheneinrichtung durchgeführt wird, wobei hierzu Kontextinformationen für einen potentiellen Spurwechsel in der Umgebung berücksichtigt werden. Beispielsweise kann hierzu vorgesehen sein, dass die Umgebung bezüglich dieser Kontextinformationen ausgewertet wird. Die Kontextinformationen geben insbesondere an, ob überhaupt ein Spurwechsel möglich ist. Sollte dies beispielsweise in der vorliegenden Verkehrssituation der Fall sein, so wird dieses Situationsmerkmal mit berücksichtigt, sodass eine verbesserte Bestimmung der Spurwechselintention realisiert werden kann.It has also proven to be advantageous if a second situational feature characterizing the lane change of the other motor vehicle is carried out by means of the electronic computing device, with context information for a potential lane change in the area being taken into account. For example, provision can be made for the environment to be evaluated with regard to this context information. In particular, the context information indicates whether a lane change is possible at all. If this is the case, for example, in the traffic situation at hand, then this situation feature is also taken into account, so that an improved determination of the intention to change lanes can be implemented.
In einer weiteren vorteilhaften Ausgestaltungsform werden als Kontextinformation eine Verkehrsschildüberwachung und/oder eine Linienüberwachung einer Fahrbahn, auf welcher sich das Kraftfahrzeug befindet, genutzt. Insbesondere kann somit die Kontextauswertung auch als Verkehrszeichenhypothese betrachtet werden. Die Verkehrszeichenhypothese trifft eine Aussage darüber, ob ein Kraftfahrzeug bedingt durch Verkehrszeichen, beispielsweise Überholverbot, einen Spurwechsel theoretisch durchführen darf oder nicht. Dabei ist der Wert der Hypothese entweder 0 bei beispielsweise einem Überholverbot oder 1 bei keinem Überholverbot bezogen auf den aktuellen Fahrstreifen, auf welchem sich das weitere Kraftfahrzeug befindet. Mittels der Verkehrszeichenhypothese ist der Aufschlag eines Offsets auf die Gesamtspurwechselwahrscheinlichkeiten möglich, was in einigen Fällen zu einem starken Anstieg beziehungsweise Abstieg in kürzerer Zeit führt und somit den Detektionshorizont positiv beeinflussen kann. Um die Verkehrszeichenhypothese zu ermöglichen, sind Aussagen über die aktuell gültigen Verkehrszeichen, beispielsweise Überholverbot, notwendig.In a further advantageous embodiment, traffic sign monitoring and/or line monitoring of a roadway on which the motor vehicle is located are used as context information. In particular, the context evaluation can thus also be viewed as a traffic sign hypothesis. The traffic sign hypothesis makes a statement as to whether a motor vehicle is theoretically allowed to change lanes due to traffic signs, for example no overtaking, or not. The value of the hypothesis is either 0 if there is no overtaking ban, for example, or 1 if there is no overtaking ban, based on the current lane on which the other motor vehicle is located. Using the traffic sign hypothesis, it is possible to add an offset to the overall lane change probabilities, which in some cases leads to a sharp increase or decrease in a shorter time and can thus have a positive influence on the detection horizon. In order to enable the traffic sign hypothesis, statements about the currently valid traffic signs, for example no overtaking, are necessary.
Weiterhin vorteilhaft ist, wenn mittels der elektronischen Recheneinrichtung in Abhängigkeit von dem Umgebungsmodell eine Fehlereinschätzung durchgeführt wird und die Fehlereinschätzung beim Bestimmen der Spurwechselintention berücksichtigt wird. Insbesondere kann somit ein Errorhandling berücksichtigt werden, welche beispielsweise die Qualität der Spurmarkierungen, beispielsweise auf Basis eines Fitting Errors, aus entsprechenden Fusionsdaten behandelt und so die Glaubwürdigkeit von zum Beispiel einer Pfadhypothese herunterregelt. Dieses Errorhandling kann holistisch auf unterschiedlich charakterisierende Situationsmerkmale angewendet werden. Somit können auch potentielle Fehler bei der Bestimmung der Spurwechselintention mit berücksichtigt werden.It is also advantageous if an error assessment is carried out by means of the electronic computing device as a function of the environment model and the error assessment is taken into account when determining the intention to change lanes. In particular, error handling can thus be taken into account, which, for example, treats the quality of the lane markings, for example on the basis of a fitting error, from corresponding fusion data and thus downregulates the credibility of a path hypothesis, for example. This error handling can be applied holistically to differently characterizing situational features. In this way, potential errors can also be taken into account when determining the intention to change lanes.
Ferner hat es sich als vorteilhaft erwiesen, wenn bei der Fehlereinschätzung eine Kurvenkrümmung einer Fahrbahn, auf welcher sich das weitere Kraftfahrzeug befindet, und/oder ein Rauschen bei der Umgebungserfassung und/oder zumindest ein aktueller Umweltparameter und/oder zumindest ein die Umgebungserfassung charakterisierender Parameter berücksichtigt werden. Insbesondere können somit Kurvengeometrien in der Bestimmung der charakterisierenden Situationsmerkmale mit berücksichtigt werden. Des Weiteren kann die Auswirkung von einem Rauschen für Objekt- und Spurinformationen auf die Bestimmung der Situationsmerkmale berücksichtigt werden. Ferner können auch weitere Fahrzeuge ohne Spurinformationen berücksichtigt werden. Insbesondere arbeiten hierzu alle Merkmale zuverlässig, auch wenn ausschließlich die Spurinformationen des Kraftfahrzeugs vorhanden sind. Dies ist vor allem wichtig, wenn beispielsweise Nachbarspuren aufgrund von schlechtem Wetter, insbesondere des aktuellen Umweltparameters, und/oder aufgrund von Verdeckung durch beispielsweise einen Lastkraftwagen, was insbesondere den die Umgebungserfassung charakterisierenden Parameter beschreibt, im Umgebungsmodell nicht modelliert werden können. Bei mehreren Fahrspuren reicht dann insbesondere eine Referenzspur aus, um die Spurwechselwahrscheinlichkeiten sämtlicher Kraftfahrzeuge zu ermitteln.Furthermore, it has proven to be advantageous if the error assessment takes into account a curvature of a roadway on which the other motor vehicle is located and/or noise during the detection of the surroundings and/or at least one current environmental parameter and/or at least one parameter characterizing the detection of the surroundings will. In particular, curve geometries can thus be taken into account when determining the characterizing situational features. Furthermore, the effect of noise for object and lane information on the determination of the situation features can be taken into account. Furthermore, other vehicles without lane information can also be taken into account. In particular, all features work reliably for this, even if only the lane information of the motor vehicle is available. This is particularly important if, for example, neighboring lanes cannot be modeled in the environment model due to bad weather, in particular the current environmental parameter, and/or due to being covered by a truck, for example, which in particular describes the parameter characterizing the environment detection. In the case of several lanes, one reference lane in particular is then sufficient to determine the lane change probabilities of all motor vehicles.
Gemäß einer weiteren vorteilhaften Ausgestaltungsform wird als weiteres den Spurwechsel des weiteren Kraftfahrzeugs charakterisierendes Situationsmerkmal ein Pfadmerkmal des weiteren Kraftfahrzeugs und/oder ein Positionsmerkmal des weiteren Kraftfahrzeugs und/oder ein Freiraummerkmal für das weitere Kraftfahrzeug erzeugt und bei der Bestimmung der Spurwechselintention berücksichtigt. Bei dem Pfadmerkmal beziehungsweise Trajektorienmerkmal kann es sich insbesondere um eine sogenannte Trajektorienhypothese handeln. Die Trajektorienhypothese wird insbesondere durch die Nutzung einer Sigmoidfunktion im Spurkoordinatensystem modelliert. Insbesondere ist eine Vorausrichtung, ein sogenanntes Heading, des weiteren Kraftfahrzeugs zur Bestimmung eines Schnittpunkts mit einer Fahrbahnlinie rechts oder links bestimmt. Aus dieser einfachen Geraden lassen sich bereits die für die Merkmalsextraktion benötigten Parameter TLCR (Überquerung einer Spurmarkierung) und ΦSpur (Kurswinkel relativ zum Spurverlauf) extrahieren. Es handelt sich hierbei um eine sehr einfache Form der Spurwechselprädiktion, weshalb zusätzlich nach Auffinden eines Schnittpunkts mit der Fahrbahnlinie ein weiterer Schnittpunkt auf der Zentrallinie der jeweiligen Nachbarspur gesucht wird. In Abhängigkeit des Kurswinkels und der Zeit bis zur Überquerung einer Spurmarkierung kann dann auf Basis geometrischer Annäherung eine zukünftige Trajektorie prädiziert werden.According to a further advantageous embodiment, a path feature of the further motor vehicle and/or a position feature of the further motor vehicle and/or a free space feature for the further motor vehicle is generated as a further situation feature characterizing the lane change of the further motor vehicle and taken into account when determining the intention to change lanes. The path feature or trajectory feature can in particular be a so-called trajectory hypothesis. The trajectory hypothesis is modeled in particular by using a sigmoid function in the lane coordinate system. In particular, a pre-alignment, a so-called heading, of the other motor vehicle is determined to determine an intersection with a lane line on the right or left. The parameters T LCR (crossing of a lane marking) and Φ lane (course angle relative to the course of the lane) required for feature extraction can already be extracted from this simple straight line. This is a very simple form of lane change prediction, which is why, after an intersection with the lane line has been found, another intersection point on the central line of the respective neighboring lane is searched for. Depending on the course angle and the time it takes to cross a lane marking, a future trajectory can then be predicted on the basis of geometric approximation.
Das Positionsmerkmal kann auch als Lateralhypothese bezeichnet werden. Die Lateralhypothese ergibt sich aus den zwei Größen laterale Distanz und laterale Geschwindigkeit. Beide Werte geben eine Information über die Position des Kraftfahrzeugs innerhalb der Fahrspur in Bezug auf die Spurmarkierung links und rechts. Auf Basis dessen kann eine zusätzliche Hypothese beziehungsweise Schätzung für einen bevorstehenden Spurwechsel bestimmt werden. Die laterale Distanz wird ermittelt, indem zwischen Fahrzeugpose und einem benachbarten Polyliniensegment der Spurmarkierung die kürzeste Strecke ermittelt wird. Dadurch ergibt sich die laterale Distanz zwischen Fahrzeugpose und einem Punkt auf dem Polyliniensegment und somit die Position des Kraftfahrzeugs bezogen auf die äußeren Spurmarkierungen. Die laterale Geschwindigkeit berechnet sich aus der Distanzänderung zur Spurmarkierung in einem festen Zeitabschnitt.The position feature can also be referred to as a lateral hypothesis. The lateral hypothesis results from the two variables lateral distance and lateral speed. Both values provide information about the position of the motor vehicle within the lane in relation to the lane markings on the left and right. Based on this, an additional hypothesis or estimate for an impending lane change can be determined. The lateral distance is determined by determining the shortest distance between the vehicle pose and an adjacent polyline segment of the lane marking. This results in the lateral distance between the vehicle pose and a point on the polyline segment and thus the position of the motor vehicle in relation to the outer lane markings. The lateral speed is calculated from the change in distance to the lane marking over a fixed period of time.
Das Freiraummerkmal kann auch als Freiraumhypothese bezeichnet werden. Für jedes Objekt in der Umgebung wird ein sogenanntes Belegungsgitter erstellt. Dieses wird mithilfe von vier Segmenten, welche orthogonal zum jeweiligen Fahrzeugheading und in definierten Abständen zur Fahrzeugpose verlaufen, abgesteckt. Anhand dieser Segmentlinien und den Markierungslinien der entsprechenden Nachbarspuren werden die Kanten der Gitterzellen ermittelt. Existiert für das weitere Kraftfahrzeug keine linke Spur, erfolgt die Gittererstellung ausschließlich für die rechte und vice versa. Sollte beispielsweise keine Spur erkannt werden, so wird dennoch das Freiraummerkmal bestimmt. Der Algorithmus iteriert über sämtliche andere Kraftfahrzeuge der Umgebung, außer über das eigene Kraftfahrzeug, und ermittelt den naheliegendsten Punkt auf der Zentrallinie der Spur, in welcher sich das Kraftfahrzeug befindet. Dieser Punkt dient dem Splittung der Zentrallinie in eine „Headingline“ nach vorne und „Headingline“ nach hinten. Mittels dieser beiden Headinglines erfolgt eine Schnittpunktbestimmung mit Belegungszeitgittern auf der jeweiligen Spur. Diese Herangehensweise hat den Vorteil, dass die Spurgeometrie mit in die Distanz- und Zeitberechnungen mit einfließt. Insbesondere können somit auch mehrere Objekte 15 einen Einfluss auf die Bewegungswahrscheinlichkeit im Fahrzeugumfeld haben. Um diesen Umstand zu berücksichtigen, werden die Einzelwahrscheinlichkeiten als stochastisch unabhängig angenommen und können wie in der oben gezeigten Formel zusammengefasst werden. Dadurch werden alle Fahrzeuge beziehungsweise Objekte im Umfeld in der Freiraumbetrachtung berücksichtigt.The free space feature can also be referred to as the free space hypothesis. A so-called occupancy grid is created for each object in the area. This is marked out using four segments, which run orthogonally to the respective vehicle heading and at defined distances from the vehicle pose. The edges of the grid cells are determined using these segment lines and the marking lines of the corresponding neighboring tracks. If there is no left lane for the other motor vehicle, the grid is created exclusively for the right lane and vice versa. If, for example, no track is detected, the free space feature is nevertheless determined. The algorithm iterates over all other vehicles in the vicinity, except for the own vehicle, and determines the closest point on the centerline of the lane in which the vehicle is located. This point is used to split the central line into a “heading line” to the front and a “heading line” to the back. These two heading lines are used to determine the point of intersection with occupancy time grids on the respective lane. This approach has the advantage that the track geometry is included in the distance and time calculations. In particular, a number of
In einer weiteren vorteilhaften Ausgestaltungsform wird mittels der elektronischen Recheneinrichtung die Spurwechselwahrscheinlichkeit als Wahrscheinlichkeitswerte für einen rechten Spurwechsel und für einen linken Spurwechsel und für eine Folgefahrt ausgegeben. Insbesondere weisen die jeweiligen Wahrscheinlichkeitswerte einen Wert zwischen 0 und 1 auf. Insbesondere ergeben die Summen aller Wahrscheinlichkeiten den Wert 1. Auf Basis dieser Wahrscheinlichkeitswerte kann dann wiederum mittels der elektronischen Recheneinrichtung die Spurwechselintention zuverlässig bestimmt werden. Insbesondere erhält derjenige Wert den Vorzug, welcher am höchsten ist. Mit anderen Worten, derjenige Wert der drei Wahrscheinlichkeitswerte, der den höchsten Wert aufweist, wird als Spurwechselintention bestimmt.In a further advantageous embodiment, the lane change probability is output by means of the electronic computing device as probability values for a right lane change and for a left lane change and for a following drive. In particular, the respective probability values have a value between 0 and 1. In particular, the sum of all probabilities results in the
Ein weiterer Aspekt der Erfindung betrifft ein Assistenzsystem für ein Kraftfahrzeug zum Bestimmen einer Spurwechselintention eines sich in einer unmittelbaren Umgebung des Kraftfahrzeugs befindlichen weiteren Kraftfahrzeugs, mit zumindest einer Umgebungserfassungseinrichtung und mit einer elektronischen Recheneinrichtung, wobei das Assistenzsystem zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels des Assistenzsystems durchgeführt.A further aspect of the invention relates to an assistance system for a motor vehicle for determining a lane change intention of another motor vehicle located in the immediate vicinity of the motor vehicle, with at least one surroundings detection device and with an electronic computing device, the assistance system being designed to carry out a method according to the preceding aspect . In particular, the method is carried out using the assistance system.
Ein nochmals weiterer Aspekt der Erfindung betrifft ein Kraftfahrzeug mit einem Assistenzsystem nach dem vorhergehenden Aspekt. Das Kraftfahrzeug ist insbesondere zumindest teilweise autonom ausgebildet.Yet another aspect of the invention relates to a motor vehicle with an assistance system according to the preceding aspect. The motor vehicle is in particular designed to be at least partially autonomous.
Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Assistenzsystems sowie des erfindungsgemäßen Kraftfahrzeugs, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfindungsgemäßen Assistenzsystems und des erfindungsgemäßen Kraftfahrzeugs hier nicht noch einmal beschrieben.The invention also includes developments of the assistance system according to the invention and of the motor vehicle according to the invention, which have features as have already been described in connection with the developments of the method according to the invention. For this reason, the corresponding developments of the assistance system according to the invention and the motor vehicle according to the invention are not described again here.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.The invention also includes the combinations of features of the described embodiments.
Im Folgenden werden Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
-
1 ein schematisches Blockschaltbild einer Ausführungsform eines Kraftfahrzeugs mit einer Ausführungsform eines Assistenzsystems; -
2 eine schematische Draufsicht auf eine Verkehrssituation zur Bestimmung eines Pfadmerkmals; -
3 eine weitere schematische Draufsicht auf eine Verkehrssituation zur Bestimmung eines Positionsmerkmals; -
4 eine weitere schematische Draufsicht auf eine Verkehrssituation zur Bestimmung eines Freiraummerkmalms; -
5 eine weitere schematische Draufsicht auf eine Verkehrssituation zur Bestimmung eines Spurwechselmotivs; und -
6 ein schematisches Blockschaltbild einer Ausführungsform eines Bayes-Netz-Modells.
-
1 a schematic block diagram of an embodiment of a motor vehicle with an embodiment of an assistance system; -
2 a schematic plan view of a traffic situation for determining a path feature; -
3 a further schematic plan view of a traffic situation for determining a position feature; -
4 a further schematic plan view of a traffic situation for determining a free space feature; -
5 a further schematic plan view of a traffic situation for determining a lane change motive; and -
6 FIG. 12 is a schematic block diagram of an embodiment of a Bayesian network model.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsbeispiele der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsbeispiele auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.The exemplary embodiments explained below are preferred exemplary embodiments of the invention. In the exemplary embodiments, the components described each represent individual features of the invention to be considered independently of one another, which also develop the invention independently of one another and are therefore also to be regarded as part of the invention individually or in a combination other than that shown. Furthermore, the exemplary embodiments described can also be supplemented by further features of the invention already described.
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.Elements with the same function are each provided with the same reference symbols in the figures.
Beim Verfahren zum Bestimmen der Spurwechselintention 3 des sich in einer unmittelbaren Umgebung 7 (
Es ist vorgesehen, dass als das zumindest eine den Spurwechsel des weiteren Kraftfahrzeugs 4 charakterisierende Situationsmerkmal 9, 10, 11, 12, 13 ein Spurwechselmotiv 9 für das weitere Kraftfahrzeug 4 bestimmt wird, wobei das Spurwechselmotiv 9 in Abhängigkeit von einem relativen Abstand Srel (
Die
Ferner ist insbesondere in
Die charakterisierenden Situationsmerkmale 9, 10, 11, 12, 13 können insbesondere auf Basis einer Merkmalsextraktion 16 aus dem Umgebungsmodell 8 erzeugt werden.The characterizing
Ferner kann insbesondere vorgesehen sein, dass mittels der elektronischen Recheneinrichtung 6 in Abhängigkeit von dem Umgebungsmodell 8 eine Fehlereinschätzung durchgeführt wird und die Fehlereinschätzung beim Bestimmen der Spurwechselintention 3 berücksichtigt wird. Bei der Fehlereinschätzung kann beispielsweise eine Kurvenkrümmung einer Fahrbahn, auf welcher sich das weitere Kraftfahrzeug 4 befindet, und/oder ein Rauschen bei der Umgebungserfassung und/oder zumindest ein aktueller Umweltparameter und/oder zumindest ein die Umgebungserfassung charakterisierender Parameter berücksichtigt werden. Somit kann ein Errorhandling bereitgestellt werden. Insbesondere können somit Kurvengeometrien bei der Bestimmung der Situationsmerkmale 9, 10, 11, 12, 13 berücksichtigt werden. Ferner können Auswirkungen von verrauschten Objekt- und Spurinformationen berücksichtigt werden. Insbesondere kann somit realisiert werden, dass das Assistenzsystem 1 zuverlässig arbeiten kann, auch wenn ausschließlich Spurinformationen des Kraftfahrzeugs 1 vorhanden sind. Dies ist vor allem wichtig, wenn Nachbarspuren aufgrund von schlechtem Wetter oder Verdeckung durch beispielsweise Lastkraftwagen im Umgebungsmodell 8 nicht modelliert werden können. Bei mehreren Fahrspuren reicht somit eine Referenzspur aus, um die Spurwechselwahrscheinlichkeiten sämtlicher Fahrzeuge zu ermitteln.Provision can also be made in particular for an error assessment to be carried out by means of the
Insbesondere kann ferner vorgesehen sein, dass mittels der elektronischen Recheneinrichtung 6 die Spurwechselintention 3 als Wahrscheinlichkeitswerte für einen rechten Spurwechsel und für einen linken Spurwechsel und für eine Folgefahrt ausgegeben wird.In particular, provision can also be made for the intention to change
Zur Nutzung der charakterisierenden Situationsmerkmale 9, 10, 11, 12, 13, insbesondere des Spurwechselmotivs 9, des Pfadmerkmals 10, des Positionsmerkmals 11 und des Freiraummerkmals 12, kann eine Sigmoidfunktion 20 genutzt werden.To use the characterizing situation features 9, 10, 11, 12, 13, in particular the
Die Größe für die Einspeisung in das Bayes-Netz-Modell 14 wird dann bestimmt durch:
Als Größen werden nun in das Bayes-Netz-Modell 14 eingespeist:
Durch die Zusammenfassung der Merkmale ergeben sich die Wahrscheinlichkeiten:
Die Größen für die Einspeisung in das Bayes-Netz-Modell 14 sind die Bewegungswahrscheinlichkeiten:
Sollten mehrere Objekte 15 Einfluss auf die Zellen Z1, Z2, Z3, Z4 haben, so werden die Bewegungswahrscheinlichkeiten durch die Formel bestimmt:
Dadurch werden alle Fahrzeuge beziehungsweise Objekte im Umfeld in der Freiraumbetrachtung berücksichtigt.As a result, all vehicles or objects in the area are taken into account in the open space analysis.
Die Diskretisierung des Fahrzeugumfelds erfolgt nicht durch Grids, sondern durch Linien. Die Berechnung der Merkmale erfolgt unter Berücksichtigung der Fahrbahngeometrie. Die Diskretisierungslinien folgen der Ausrichtung des Objekts 15. Insbesondere sind dazu nur vier Diskretisierungslinien notwendig.The vehicle environment is not discretized by grids, but by lines. The calculation of the features is carried out taking into account the geometry of the road. The discretization lines follow the orientation of the
Alle bestimmten Situationsmerkmale 9, 10, 11, 12, 13 müssen zur Verarbeitung im Bayes-Netz-Modell 14 auf einen Wert zwischen 0 und 1 normiert werden. Hierfür wird die Sigmoidfunktion 20 verwendet, die für jeden Eingangswert mit fest definierten Wertebereich einen Funktionswert zwischen 0 und 1 abbildet. Dieser Funktionswert wird dann auch in das Bayes-Netz-Modell 14 als beobachtbare Variablen (Elternknoten) eingespeist.All determined situation features 9, 10, 11, 12, 13 must be normalized to a value between 0 and 1 for processing in the
Der Wertebereich der Eingangsgrößen wird aus Messwerten ermittelt. Dabei bilden die Extremwerte des Wertebereiches immer den sicheren Zustand ab, also ob ein Spurwechsel erfolgt ist oder nicht.The value range of the input variables is determined from measured values. The extreme values of the value range always represent the safe state, i.e. whether a lane change has taken place or not.
Ab diesem Punkt werden die Situationsmerkmale 9, 1, 11, 12, 13 als Ereignisse die eintreten oder nicht eintreten interpretiert. Die Funktionswerte der Sigmoidfunktion 20 geben das Maß, also eine Wahrscheinlichkeit für beide Ereignisse an.From this point on,
Die allgemeine Form der Sigmoidfunktion 20 zur Bestimmung der Wahrscheinlichkeit für das Ereignis X ist wie folgt beschrieben:
Das nicht eintreten des Ereignisses wird wie Folgt berechnet.
Wertebereiche und Parameter zur Normierung der Situationsmerkmalen 9, 10, 11, 12, 13Value ranges and parameters for normalizing the
Wertebereiche und Parameter zur Normierung der Hypothese Laterale Evidenz (LE):
Berechnung der Wahrscheinlichkeit für das Ereignis Laterale Evidenz. Dient als Eingangsgröße für den Knoten LE im Bayes-Netz-Modell 14.
Für die weitere Betrachtung im Bayes-Netz-Modell 14verwenden wir die verkürzte Schreibweise für die Wahrscheinlichkeit:
Wertebereiche und Parameter zur Normierung der Hypothese Trajektorie (TR):
Berechnung der Wahrscheinlichkeit für das Ereignis Trajektorie. Dient als Eingangsknoten für den Knoten TR im Bayes-Netz-Modell 14.
Für die weitere Betrachtung im Bayes-Netz-Modell 14 verwenden wir die verkürzte Schreibweise für die Wahrscheinlichkeit:
Wertebereiche und Parameter zur Normierung der Hypothese Freiraum (FR):
Berechnung der Wahrscheinlichkeit für das Ereignis das ein Fahrzeug in die Zelle eintritt:
Berechnung der Wahrscheinlichkeit für das Ereignis das ein Fahrzeug aus der Zelle austritt:
Berechnung der Freiraumwahrscheinlichkeit:Calculation of the free space probability:
Die Wahrscheinlichkeiten für die Ereignisse „Eintritt“ und „Austritt“ des weiteren Kraftfahrzeugs 4 bezüglich einer Zelle Z1, Z2, Z3, Z4 können auf Grund ihrer stochastischen Abhängigkeit über eine Addition zusammengefasst werden. Somit ergibt sich die Freiraumwahrscheinlichkeit, welches ein weiteres Kraftfahrzeug 4 auf eine Zelle Z1, Z2, Z3, Z4 ausübt folgendermaßen:
Befindet sich ein weiteres Kraftfahrzeug vor einer Zelle Z1, Z2, Z3, Z4 und ein nochmals weiteres Fahrzeug hinter einer Zelle Z1, Z2, Z3, Z4, können beide Fahrzeuge den gleichen Einfluss auf die Freiraumwahrscheinlichkeit einer Zelle Z1, Z2, Z3, Z4 haben. D.h. die Freiraumwahrscheinlichkeit des Fahrzeugs vor der Zelle, kann genau so groß sein wie die Freiraumwahrscheinlichkeit des Fahrzeugs hinter der Zelle Z1, Z2, Z3, Z4 sein. Damit sind beide Ereignisse stochastisch unabhängig und die Freiraumwahrscheinlichkeit, unter Berücksichtigung beider Fahrzeuge, kann über eine Multiplikation der Einzelwahrscheinlichkeiten {P_{ze}}berechnet werden.
Allgemeine Formel zur Berechnung der Freiraumwahrscheinlichkeit einer Zelle Z1, Z2, Z3, Z4:
- P_z(P_z_i P_z_i+1 P_n)= _i=1^nP_ze_i ,n>0 n : Anzahl Fahrzeuge welche auf eine Zelle Einfluss haben
- P_z(P_z_i P_z_i+1 P_n)= _i=1^nP_ze_i ,n>0 n : Number of vehicles that affect a cell
Das Bayes-Netz-Modell 14 für die Erkennung eines Spurwechsels erfolgt über die Bestimmung der Zwischenknoten „Spurmarkierung überqueren links“ K11 und „Spurmarkierung überqueren rechts“ K2. Beide Teilergebnisse fließen in den Ergebnisknoten „Spurwechsel“ K6 ein. Die Hypothese „Spurwechsel“ liefert uns eine Wahrscheinlichkeit für die Ereignisse „Spurwechsel nach links“, „Spurwechsel nach rechts“ und „Folgefahrt“ pro Fahrzeug.The
Eingangsknoten der Situationsmerkmale 9, 10, 11, 12, 13 sind „Freiraum“ K7, K10, „Trajektorie“ K1, K9 und „Laterale Evidenz“ K0, K8. Die berechneten Situationsmerkmale 9, 10, 11, 12, 13 aus der Merkmalextraktion 16 werden im Bayes-Netz-Modell 14 als Elternknoten modelliert. Eingangsgrößen dieser Knoten, sind die berechneten Wahrscheinlichkeiten aus der Normierung der Situationsmerkmale 9, 10, 11, 12, 13 für das Bayes-Netz-Modell 14.Input nodes of the
Eine Besonderheit bildet hier die Hypothese Freiraum. Diese besitzt die Knoten K3, K4, K5 und K12, K13, K14 welche die einzelnen Zellen Z1, Z2, Z3, Z4 des Grid mit den dazugehörigen Freiraumwahrscheinlichkeiten repräsentiert. Zusammengefasst werden die Freiraumwahrscheinlichkeiten der einzelnen Zellen im Knoten K7 und K10. In diesem Knoten werden den möglichen Kombinationen aller Einzelereignisse, also ob eine Zelle Z1, Z2, Z3, Z4 belegt ist oder nicht, und es werden Wahrscheinlichkeiten fest zugeordnet (Expertenwissen), aus denen wird die Gesamtwahrscheinlichkeit der Hypothese „Freiraum“ berechnet.A special feature here is the hypothesis free space. This has the nodes K3, K4, K5 and K12, K13, K14 which represent the individual cells Z1, Z2, Z3, Z4 of the grid with the associated free space probabilities. The free space probabilities of the individual cells in nodes K7 and K10 are summarized. In this node, the possible combinations of all individual events, i.e. whether a cell Z1, Z2, Z3, Z4 is occupied or not, and probabilities are firmly assigned (expert knowledge), from which the overall probability of the "free space" hypothesis is calculated.
In den Kindsknoten K2 und K11 wird die Hypothese „Spurmarkierung überquert“ für die jeweiligen Spurmarkierungen rechts und links vom Kraftfahrzeug 1 aus gesehen berechnet. Dabei wird allen möglichen Kombinationen der Ereignisse aus den Knoten der Situationsmerkmale 9, 10, 11, 12, 13 Freiraum, Trajektorie und Lateral Evidenz mit Wahrscheinlichkeiten parametriert, wodurch eine Wahrscheinlichkeit für die Hypothese „Spurmarkierung überquert“ berechnet werden kann.In the child nodes K2 and K11, the hypothesis “lane markings crossed” is calculated for the respective lane markings on the right and left of
Die Wahrscheinlichkeiten aus den Hypothesen „Spurmarkierung überquert“ gehen als Ereignis in den Knoten „Spurwechsel“ ein,. Im Knoten „Spurwechsel“ kann dadurch das Ereignis „Spurwechsel nach rechts“, „Spurwechsel nach links“ oder „Folgefahrt“ berechnet werden.The probabilities from the hypotheses “lane marking crossed” are entered as an event in the “lane change” node. In the "Lane change" node, the event "Lane change to the right", "Lane change to the left" or "Following drive" can be calculated.
Insgesamt zeigt die Erfindung eine Spurwechselerkennung beziehungsweise Intentionserkennung.Overall, the invention shows a lane change detection or intention detection.
BezugszeichenlisteReference List
- 11
- Assistenzsystemassistance system
- 22
- Kraftfahrzeugmotor vehicle
- 33
- Spurwechselintentionlane change intention
- 44
- weiteres Kraftfahrzeuganother motor vehicle
- 55
- Umgebungserfassungseinrichtungenvironment sensing device
- 66
- elektronische Recheneinrichtungelectronic computing device
- 77
- Umgebungvicinity
- 88th
- Umgebungsmodellenvironment model
- 99
- Spurwechselmotivlane change motif
- 1010
- Pfadmerkmalpath feature
- 1111
- Positionsmerkmalposition feature
- 1212
- Freiraummerkmalclearance feature
- 1313
- Kontextauswertungcontext evaluation
- 1414
- Bayes-Netz-ModellBayesian network model
- 1515
- Objektobject
- 1616
- Merkmalsextraktionfeature extraction
- 1717
- Headingheading
- 1818
- Zentralliniecentral line
- 1919
- benachbarte Fahrspuradjacent lane
- 2020
- Sigmoidfunktionsigmoid function
- 2121
- angepasste Fahrspuradjusted lane
- 2222
- Fahrzeugposevehicle pose
- 2323
- Linieline
- 2424
- Gitternetzgrid
- αa
- Differenzwinkeldifferential angle
- OLATOLAT
- StreckeRoute
- vLATvLAT
- laterale Geschwindigkeitlateral speed
- P1P1
- PunktPoint
- STDHOURS
- Austrittsabstandexit distance
- STESTE
- Eintrittsabstandentry distance
- TTETTE
- Eintrittszeitentry time
- TTDTTD
- Austrittszeitexit time
- Srelsrel
- relativer Abstandrelative distance
- vrelvrel
- relative Geschwindigkeitrelative speed
- TTCTTC
- Kollisionszeitpunkttime of collision
- K1 bis K17K1 to K17
- Knotennode
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
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.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- DE 102014003343 A1 [0003]DE 102014003343 A1 [0003]
Claims (10)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020214203.3A DE102020214203A1 (en) | 2020-11-11 | 2020-11-11 | Method for determining a lane change intention of another motor vehicle located in the immediate vicinity of a motor vehicle, and assistance system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020214203.3A DE102020214203A1 (en) | 2020-11-11 | 2020-11-11 | Method for determining a lane change intention of another motor vehicle located in the immediate vicinity of a motor vehicle, and assistance system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020214203A1 true DE102020214203A1 (en) | 2022-05-12 |
Family
ID=81256162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020214203.3A Pending DE102020214203A1 (en) | 2020-11-11 | 2020-11-11 | Method for determining a lane change intention of another motor vehicle located in the immediate vicinity of a motor vehicle, and assistance system |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020214203A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115731708A (en) * | 2022-11-15 | 2023-03-03 | 东南大学 | Real-time vehicle track lane change point monitoring method based on Bayesian theory |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004027983A1 (en) | 2003-09-23 | 2005-04-21 | Daimler Chrysler Ag | Method for detection of traffic lane changing for automobile using monitoring of parameters indicating lane changing |
DE102010020047A1 (en) | 2010-05-11 | 2011-01-05 | Daimler Ag | Method for adaptation of reference distance preset for distance control system of vehicle to momentary traffic situation, involves controlling potential movement of third party vehicles during non-existence of preset emergency situation |
DE102012215562A1 (en) | 2012-09-03 | 2014-03-06 | Robert Bosch Gmbh | Method for determining an evasion trajectory for a motor vehicle and safety device or safety system |
DE102014003343A1 (en) | 2014-03-07 | 2014-09-18 | Daimler Ag | Method for determining a lane change requirement of a system vehicle |
-
2020
- 2020-11-11 DE DE102020214203.3A patent/DE102020214203A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004027983A1 (en) | 2003-09-23 | 2005-04-21 | Daimler Chrysler Ag | Method for detection of traffic lane changing for automobile using monitoring of parameters indicating lane changing |
DE102010020047A1 (en) | 2010-05-11 | 2011-01-05 | Daimler Ag | Method for adaptation of reference distance preset for distance control system of vehicle to momentary traffic situation, involves controlling potential movement of third party vehicles during non-existence of preset emergency situation |
DE102012215562A1 (en) | 2012-09-03 | 2014-03-06 | Robert Bosch Gmbh | Method for determining an evasion trajectory for a motor vehicle and safety device or safety system |
DE102014003343A1 (en) | 2014-03-07 | 2014-09-18 | Daimler Ag | Method for determining a lane change requirement of a system vehicle |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115731708A (en) * | 2022-11-15 | 2023-03-03 | 东南大学 | Real-time vehicle track lane change point monitoring method based on Bayesian theory |
CN115731708B (en) * | 2022-11-15 | 2023-10-17 | 东南大学 | Real-time vehicle track lane change point monitoring method based on Bayesian theory |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018128289B4 (en) | METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION | |
EP2856452A1 (en) | Carriageway recognition | |
EP4067186A1 (en) | Method for determining a trajectory of an at least partially assisted motor vehicle, computer program and assistant system | |
DE102020209680B3 (en) | Signal processing path, device for environment recognition and method for validating a driving system that can be operated automatically | |
DE102020200169B3 (en) | Method for merging several data sets for the generation of a current lane model of a roadway and device for data processing | |
DE102021105159A1 (en) | DETECTION OF VEHICLES AND RESPONSE TO IT | |
DE102015213393A1 (en) | Device for the anonymization of position and movement data of a motor vehicle | |
DE102020108127A1 (en) | INTERPRETING DATA FROM A REINFORCEMENT LEARNING AGENT CONTROL | |
DE102020214203A1 (en) | Method for determining a lane change intention of another motor vehicle located in the immediate vicinity of a motor vehicle, and assistance system | |
DE102017223621A1 (en) | Method and control unit for controlling a function of an at least partially automated vehicle | |
DE102018005864A1 (en) | Method for testing a blind spot assistance system for a vehicle | |
DE112020007538T5 (en) | Driving assistance device, learning device, driving assistance method, driving assistance program, learned model creation method, and learned model creation program data carrier | |
DE102017105764A1 (en) | Configuration of a driver assistance system for a motor vehicle, with monitored machine learning | |
WO2019211293A1 (en) | Method for operating a driver assistance system of an ego vehicle having at least one surroundings sensor for detecting the surroundings of the ego vehicle, computer readable medium, system and vehicle | |
DE102018008599A1 (en) | Control system and control method for determining a trajectory for a motor vehicle | |
DE102017100871A1 (en) | Determining a measure of a local traffic density by a driver assistance system of a motor vehicle | |
DE102021201065A1 (en) | Method for displaying an environment model of an environment of a motor vehicle, and environment detection system | |
DE112020001776T5 (en) | VEHICLE CONTROL SYSTEM | |
DE112020006317T5 (en) | COMPUTER SYSTEM AND METHOD FOR TRAINING A TRAFFIC AGENT IN A SIMULATION ENVIRONMENT | |
DE102019004075A1 (en) | Method for determining a relevance of an object in an environment of a motor vehicle by means of a driver assistance system and driver assistance system | |
DE102020127776B4 (en) | Method for determining a length of an object in an environment of a motor vehicle using an assistance system, computer program product, computer-readable storage medium and assistance system | |
DE102021000652A1 (en) | Procedure for the prediction of parameters relevant to traffic management | |
DE102022210626A1 (en) | course prediction device | |
DE102022119715A1 (en) | Method, system and computer program product for objectively evaluating the performance of an ADAS/ADS system | |
DE102022116564A1 (en) | Method, system and computer program product for evaluating test cases for testing and training a driver assistance system (ADAS) and/or an automated driving system (ADS) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |