DE102021214081A1 - Performance-modeled cyclists as a simulation component for vehicles - Google Patents
Performance-modeled cyclists as a simulation component for vehicles Download PDFInfo
- Publication number
- DE102021214081A1 DE102021214081A1 DE102021214081.5A DE102021214081A DE102021214081A1 DE 102021214081 A1 DE102021214081 A1 DE 102021214081A1 DE 102021214081 A DE102021214081 A DE 102021214081A DE 102021214081 A1 DE102021214081 A1 DE 102021214081A1
- Authority
- DE
- Germany
- Prior art keywords
- cyclist
- simulation
- performance model
- bicycle
- simulated
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 68
- 230000033001 locomotion Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 210000003205 muscle Anatomy 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 230000006399 behavior Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001351 cycling effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer 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
- 241001295925 Gegenes Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000009290 primary effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs (1), wobei eine Simulation ausgeführt wird und die Simulation unter weiteren Verkehrsteilnehmern einen Radfahrer (3) umfasst, wobei die Bewegungen des Radfahrers (3) auf Grundlage eines Leistungsmodells des Radfahrers (3) simuliert werden, wobei das Leistungsmodell modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers (3), und im Falle eines elektrifizierten Fahrrads des Radfahrers (3) zusätzlich durch die Leistung des elektrischen Antriebs des Fahrrads, abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers (3) abbildet, und wobei die automatisierte Fahrsteuerfunktion mit der Simulation verknüpft ist, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers (3) reagieren kann.The invention relates to a method for testing and/or validating an automated driving control function of a vehicle (1), a simulation being carried out and the simulation including a cyclist (3) among other road users, the movements of the cyclist (3) being based on a performance model of the cyclist (3) are simulated, with the performance model modeling torque inputs through muscle movement of the cyclist (3), and in the case of an electrified bicycle of the cyclist (3) additionally through the power of the electric drive of the bicycle, depending on environmental variables on a resulting movement of the Cyclist (3) depicts, and wherein the automated driving control function is linked to the simulation, so that the automated driving control function can react to the simulated movements of the cyclist (3).
Description
Die Erfindung betrifft ein Verfahren zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs, sowie ein Simulationssystem zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs.The invention relates to a method for testing and/or validating an automated driving control function of a vehicle, and a simulation system for testing and/or validating an automated driving control function of a vehicle.
Zur Entwicklung und Validierung automatisierter Fahrzeuge sind simulationsbasierte Verfahren nahezu unumgänglich. Insbesondere mit Verkehrssimulationen kann das Verhalten von automatisierten Fahrzeugen entwickelt und getestet werden. In einem urbanen Raum ist die Verkehrslage häufig aufgrund der Vielzahl und Vielfalt der anderen Verkehrsteilnehmer sehr komplex. Damit Simulationsergebnisse aus urbanen Verkehrsräumen dennoch zur Validierung herangezogen werden können, ist es notwendig, dass alle modellierten Verkehrsteilnehmer sich realistisch bewegen und miteinander interagieren.Simulation-based methods are almost indispensable for the development and validation of automated vehicles. The behavior of automated vehicles can be developed and tested with traffic simulations in particular. In an urban area, the traffic situation is often very complex due to the large number and variety of other road users. So that simulation results from urban traffic areas can still be used for validation, it is necessary that all modeled road users move realistically and interact with each other.
Die
Die
Aufgabe der Erfindung ist es, durch die Erstellung realistischer Modelle von Fahrradfahrern in einer Simulationsumgebung diese für die Validierung und für das Testen von automatisierten Fahrzeugen zu nutzen, um deren Fahrverhalten sicherer und weniger unnötig defensiv zu gestalten.The object of the invention is, by creating realistic models of cyclists in a simulation environment, to use these for the validation and testing of automated vehicles in order to make their driving behavior safer and less unnecessarily defensive.
Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.The invention results from the features of the independent claims. Advantageous developments and refinements are the subject matter of the dependent claims.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs, wobei eine Simulation ausgeführt wird und die Simulation unter weiteren Verkehrsteilnehmern einen Radfahrer umfasst, wobei die Bewegungen des Radfahrers auf Grundlage eines empirischen Leistungsmodells des Radfahrers simuliert werden, wobei das Leistungsmodell modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers, und im Falle eines elektrifizierten Fahrrads des Radfahrers zusätzlich durch die Leistung des elektrischen Antriebs des Fahrrads, abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers abbildet, und wobei die automatisierte Fahrsteuerfunktion mit der Simulation verknüpft ist, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers reagieren kann.A first aspect of the invention relates to a method for testing and/or validating an automated driving control function of a vehicle, a simulation being carried out and the simulation including a cyclist among other road users, the movements of the cyclist being simulated on the basis of an empirical performance model of the cyclist, wherein the performance model maps modeled torque inputs by muscular movement of the cyclist, and in the case of an electrified bicycle by the cyclist additionally by the power of the electric drive of the bicycle, depending on environmental variables, to a resulting movement of the cyclist, and wherein the automated driving control function is linked to the simulation, so that the automated ride control function can react to the simulated movements of the cyclist.
Die Fahrsteuerfunktion ist insbesondere eine Funktion zum automatischen Ansteuern des Fahrzeugs, beispielsweise zum Vorgeben einer Lenkbewegung, Bremsaktionen, Beschleunigung, oder Betätigung einer weiteren Komponente Fahrzeugs wie das Ansteuern eines Signalhorns, etc.; jede Aktion erfolgt dabei insbesondere auf ein externes Kommando hin oder als Reaktion auf eine Umgebung des Fahrzeugs. Die Umgebung wird dabei insbesondere durch Sensoren des Fahrzeugs erfasst. Diese Fahrsteuerfunktion soll in der Simulation getestet und/oder validiert werden.The driving control function is in particular a function for automatically controlling the vehicle, for example for specifying a steering movement, braking actions, acceleration, or actuating another component of the vehicle, such as controlling a signal horn, etc.; each action takes place in particular in response to an external command or as a reaction to the surroundings of the vehicle. The environment is recorded in particular by sensors of the vehicle. This driving control function should be tested and/or validated in the simulation.
Um die Beschleunigung und Verzögerung von Radfahrern in einer solchen Simulation realistischer abbilden zu können, werden erfindungsgemäß Radfahrer physikalisch modelliert und bewegen sich leistungsgesteuert fort. Eine solche Eigenschaft der virtuellen Radfahrmodelle hat primär, und daher im Wesentlichen, lediglich Einfluss auf Beschleunigung und Verzögerung in Längsrichtung des Radfahrers, das heißt in seiner momentanen Fortbewegungsrichtung, und konsequent auf die Geschwindigkeit und in einer weiteren Integrationsstufe auf die Position des Radfahrers zu einer vorgegebenen Zeit.In order to be able to depict the acceleration and deceleration of cyclists more realistically in such a simulation, cyclists are physically modeled according to the invention and move on under power control. Such a property of the virtual cycling models primarily, and therefore essentially, only affects acceleration and deceleration in the longitudinal direction of the cyclist, i.e. in his current direction of travel, and consequently on the speed and in a further integration stage on the position of the cyclist at a given time.
Das empirische Leistungsmodell stützt sich insbesondere auf die Leistung des Radfahrers selbst, die durch Muskelarbeit erbracht wird. Bei der Modellierung von E-Bikes kann diese Leistung durch die vom Antrieb erbrachte Leistung erhöht werden. Im einfachsten Fall wird der statistische Zusammenhang zwischen Gewicht und Größe auf die aktuell benötigte Leistung für konstante Geschwindigkeit bzw. Beschleunigung herangezogen. Aus Statistiken von medizinischen und/oder sportwissenschaftlichen Leistungsdiagnostiken können hier u.a. Maximal-Werte für die Leistung abhängig von Gewicht und Größe ermittelt werden. Davon lassen sich Werte dafür ableiten, welche Leistung, bevorzugt in der Einheit „Watt“, im Wohlfühlbereich erbracht werden, also z.B. im normalen Stadtverkehr ohne Eile und welche Leistung über einen bestimmten Zeitraum erbracht werden kann, wenn der Radfahrer in Eile ist. Über die erbrachte Leistung und Umgebungsvariablen wie der Anstieg der Straße lassen sich dann Geschwindigkeiten berechnen. Eine weitere Möglichkeit der Abschätzung des Zusammenhangs zwischen eingebrachter Leistung und vorherrschenden Bedingungen ist die Anwendung maschinellen Lernens.The empirical performance model relies in particular on the performance of the cyclist himself, which is achieved through muscle work. When modeling e-bikes, this power can be increased by the power provided by the drive. In the simplest case, the statistical relationship between weight and size is used for the currently required power for constant speed or acceleration. Statistics from medical and/or sports-scientific performance diagnostics can be used to determine, among other things, maximum values for performance depending on weight and size. From this, values can be derived for the performance, preferably in the unit "Watt", in the comfort zone, e.g. in normal city traffic without being in a hurry and what performance can be provided over a certain period of time when the cyclist is in a hurry. Speeds can then be calculated based on the performance and environmental variables such as the incline of the road. Another way of estimating the relationship between the power input and the prevailing conditions is to use machine learning.
Das Leistungsmodell ist empirisch, d. h. es basiert auf realen Daten. Die Daten können dabei aus verschiedenen und unterschiedlichen Quellen stammen.The performance model is empirical, i. H. it is based on real data. The data can come from various and different sources.
Infrage kommen hierbei mit Sensor(en) ausgestattete reale Radfahrer, die sich im Stadtverkehr bewegen. Als Sensoren können ein (d)GPS-Tracker, ein Leistungsmesser wie „Messpedale“ oder eine „Messkurbel“ verwendet werden, oder eine „Messung direkt im Tretlager“ angewendet werden. Weitere Sensoren, die die Datenbasis ergänzen, können sein: Geschwindigkeitsmesser, Beschleunigungs- und Gyrosensoren, Kameras, Herzfrequenzmesser. Hiervon lassen sich Rückschlüsse ziehen inwieweit sich der Radfahrer für die aktuelle Leistung anstrengt. Mit dieser Information lässt sich die Leistung, die ein anderer Radfahrer mit einem anderen Leistungsniveau an ähnlicher Stelle mit ähnlicher Intension (Eile, normal) erbringen würde, ableiten. Eine Gruppe von Radfahrern kann eigens für diesen Zweck mit Sensoren ausgestattet werden. Alternativ dazu kann auf Datenbanken von Fitness-Tracking-Plattformen zurückgegriffen werden. Auf diesen Plattformen werden hauptsächlich Radfahrten mit sportlich-motivierten Hintergrund hinterlegt, aber ebenso Pendel-Fahrten und Alltags-Fahrten. Durch die schiere Menge der dort hinterlegten Radfahrten mit verschiedenen Sensor-Setups würden sich daraus verschiedene Verhalten und realistische Leistungswerte abhängig von verschiedenen Fahrerprofilen an unterschiedlichen Verkehrsumgebungen ableiten lassen. Ist bereits eine Datenbasis vorhanden, in der lediglich GPS-Daten vorhanden sind, können Leistungswerte über die Geschwindigkeit und über die Steigung zurückgerechnet bzw. abgeschätzt werden. Dazu lassen sich wieder typische Formeln der Bewegungsgleichungen verwenden. Sind darüber hinaus Werte zum Gewicht verfügbar, kann die Abschätzung genauer vollzogen werden. Ggf. können Winddaten mit in die Abschätzung einbezogen werden, um die Qualität weiter zu steigern. Wurde wie oben erläutert eine Datenbasis aufgebaut, kann diese genutzt werden, um das realistische Verhalten bezüglich Beschleunigung und Verzögerung daraus abzuleiten. Hierzu werden bevorzugt Methoden des maschinellen Lernens angewendet. Mit dem sogenannten „Supervised Learning“ wird beispielsweise ein künstliches neuronales Netz so trainiert, dass es anhand der zur Verfügung gestellten Eingangsparameter die Leistung abschätzt, die der Radfahrer unter der aktuellen Situation (ableitbar aus den Eingangswerten) abgibt. Zu dieser Leistung gehört auch die Bremsleistung z.B. bei einer schnellen Bergabfahrt. Die Eingangsdaten für das künstliche neuronale Netz sind dann insbesondere die oben genannten Parameter des Radfahrers (Gewicht, Alter, Leistungsniveau, Intention des Radfahrers (z.B. eilig, Gefahrenbremsung, normaler Bremsvorgang bis zum Stillstand, gemütliche Fahrt) sowie Parameter, die die aktuelle Verkehrsumgebung beschreiben. Mindestens jedoch bevorzugt die Steigung der Fahrbahn, ein Kurvenradius und insbesondere eine Beschaffenheit des Untergrunds. Wurde ein solches künstliches neuronale Netz mit der Datenbasis ausreichend trainiert, kann dieses in das Verhaltensmodell eingepflegt werden. Aus der Leistung, die als Antwort aus dem künstlichen Neuronalen Netz erhalten wird, kann mit den oben angesprochenen Formeln die Geschwindigkeit des Radfahrers berechnet werden, bzw. Beschleunigungen und Verzögerungen ergeben sich dann aus der erbrachten Leistung. Des Weiteren können aus der Datenbasis Effekte entnommen werden, die bei sehr langsamen Fahrten, vor allem bergauf, entstehen können: Das „Schlängeln“, also bewusstes Schlangenlinien fahren, um die Steigung künstlich zu reduzieren. Hier können für verschiedene Fahrertypen, Geschwindigkeiten und Steigungen ermittelt werden, wann dieser Effekt auftritt und in welchem Maße, wenn bei der Aufnahme geeignete Sensoren verwendet wurden. Dies kann dann als zusätzliche Option in die simulierte Verhalten der Radfahrer eingebaut werden und bei Überschreitung der ermittelten Grenzwerte für den jeweiligen Fahrertyp und Parameter entsprechend in der Simulation berücksichtigt werden. Zur Ermittlung der Grenzwerte (Geschwindigkeit, Steigung) kann ebenfalls maschinelles Lernen nach dem obigen Prinzip eingesetzt werden. Dadurch kann die Abschätzung generalisiert werden, und auf alle Parameter Einstellungen von Radfahrern angewandt werden. Ferner kann über statistische Auswertungen medizinischer bzw. sportwissenschaftlicher Datenbanken zu Fitnesstests die oben beschriebene Datenbank ersetzt werden. Auch können aus dieser Datenbank generell Leistungen abgeleitet werden, die für verschiedene Radfahrer in verschiedenen Situationen realistisch erbracht werden: Beispielsweise der Wohlfühlbereich, in dem sich der Radfahrer von Startort zu Zielort ohne große körperliche Anstrengung bewegt oder die Leistung, die kurzzeitig von ihm erbracht werden kann, um z.B. eine Steigung zu bewältigen.Real cyclists equipped with sensor(s) who move in city traffic can be considered here. A (d)GPS tracker, a power meter such as "measuring pedals" or a "measuring crank" can be used as sensors, or a "measurement directly in the bottom bracket" can be used. Other sensors that supplement the database can be: speedometers, acceleration and gyro sensors, cameras, heart rate monitors. From this, conclusions can be drawn as to how much effort the cyclist is making for the current performance. This information can be used to derive the performance that another cyclist with a different performance level would perform in a similar place with a similar intention (hurry, normal). A group of cyclists can be fitted with sensors specifically for this purpose. Alternatively, databases from fitness tracking platforms can be used. Bike rides with a sporty-motivated background are mainly stored on these platforms, but also commute rides and everyday rides. Due to the sheer number of bike rides stored there with different sensor setups, different behavior and realistic performance values can be derived depending on different driver profiles in different traffic environments. If a database is already available in which only GPS data is available, performance values can be back-calculated or estimated using the speed and the incline. For this purpose, typical formulas of the equations of motion can be used again. If weight values are also available, the estimation can be carried out more precisely. If necessary, wind data can be included in the estimation in order to further increase the quality. If a database has been built up as explained above, this can be used to derive the realistic behavior with regard to acceleration and deceleration. Machine learning methods are preferably used for this purpose. With so-called “supervised learning”, for example, an artificial neural network is trained in such a way that it uses the input parameters provided to estimate the performance that the cyclist delivers in the current situation (can be derived from the input values). This performance also includes the braking performance, for example when driving downhill quickly. The input data for the artificial neural network are then in particular the above parameters of the cyclist (weight, age, level of performance, intention of the cyclist (e.g. in a hurry, emergency braking, normal braking to a standstill, leisurely ride) and parameters that describe the current traffic environment. However, at least the gradient of the roadway, a curve radius and, in particular, the nature of the ground are preferred. If such an artificial neural network has been sufficiently trained with the database, it can be entered into the behavior model. From the performance received as a response from the artificial neural network the speed of the cyclist can be calculated with the formulas mentioned above, or accelerations and decelerations then result from the performance rendered.Furthermore, effects can be taken from the database that can arise during very slow journeys, especially uphill : The "snaking", i.e. deliberately driving in a serpentine manner, in order to artificially reduce the incline. Here it can be determined for different driver types, speeds and gradients when this effect occurs and to what extent, if suitable sensors were used during the recording. This can then be installed as an additional option in the simulated behavior of the cyclists and taken into account in the simulation if the determined limit values for the respective driver type and parameters are exceeded. Machine learning can also be used to determine the limit values (speed, incline). be used according to the above principle. This allows the estimation to be generalized and cyclist settings to be applied to all parameters. Furthermore, the database described above can be replaced by statistical evaluations of medical or sports science databases for fitness tests. In general, services can also be derived from this database that are realistically provided for different cyclists in different situations: For example, the comfort zone in which the cyclist moves from the starting point to the destination without great physical exertion or the performance that can be provided by him for a short time e.g. to cope with an incline.
Es ist eine vorteilhafte Wirkung der Erfindung, dass basierend auf einer Auswertung realer Daten Simulationsmodelle von Fahrradfahrern leistungsorientiert gesteuert werden können. D.h. die Leistung, die ein Radfahrer auf die Pedale überträgt, wird zur Berechnung der längsgerichteten Beschleunigung des Radfahrers herangezogen - sodass eine realitätsgetreue Abbildung der Bewegung des Radfahrers erfolgt. Vorteilhaft werden die Bewegungsabläufe von Radfahrern daher auch auf steilen Straßen, bei stärkerem Wind, ungewöhnlichem bzw. unebenem Straßenuntergrund und bei Neigungswechseln genau modelliert. Gerade in diesen Situationen wäre die Anwendung eines einfachen Modells eines Radfahrers lediglich basierend auf der maximalen Beschleunigung und einer maximalen Geschwindigkeit des jeweiligen Fahrradfahrers nicht ausreichend realistisch möglich.It is an advantageous effect of the invention that, based on an evaluation of real data, simulation models of cyclists can be controlled in a performance-oriented manner. This means that the power that a cyclist transfers to the pedals is used to calculate the cyclist's longitudinal acceleration - resulting in a realistic representation of the cyclist's movement. The movement sequences of cyclists are therefore advantageously modeled precisely even on steep roads, in strong winds, on unusual or uneven road surfaces and when there are changes in inclination. It is precisely in these situations that the use of a simple model of a cyclist based solely on the maximum acceleration and a maximum speed of the respective cyclist would not be sufficiently realistic.
Durch den Einbau leistungsorientierter Radfahrmodelle in eine Simulationsumgebung, mit der ein automatisiertes Fahrzeug trainiert und/oder getestet wird, können realistischere Szenarien kreiert werden. Dadurch ist es u.a. möglich, dass von einer Recheneinheit eines automatisierten Fahrzeugs vor einem steilen Anstieg erkannt werden kann, dass der voraus fahrende Radfahrer stark an Geschwindigkeit verlieren wird und eventuell Schlangenlinien einnehmen wird. Ferner kann von der Recheneinheit eine Wahrscheinlichkeit ermittelt werden, dass das automatisierte Fahrzeug bei einem steilen Gefälle bergab von einem Radfahrer wieder überholt werden wird, z.B. in einer Zone mit einer stark reduzierten Geschwindigkeitsbeschränkung, wie auf 30 km/h. Mit etablierten Methoden zur Validierung und des Trainings bzw. mit Kritikalitätsmetriken kann so sichergestellt werden, dass auch die Szenarien mit realistischen Radfahrern vom automatisierten Fahrzeug (in der Simulation) den Sicherheitsansprüchen genügend gelöst werden können. Somit ist eine weitere Steigerung des Realitätsgrads im Vergleich zum reinen Training des KI-Moduls mit geschwindigkeitsbasierten Radfahrer-Agenten möglich. Eine Gefährdung von Testfahren und Entwicklern besteht nicht.More realistic scenarios can be created by incorporating performance-oriented cycling models into a simulation environment used to train and/or test an automated vehicle. This makes it possible, among other things, for a computing unit of an automated vehicle to be able to recognize before a steep climb that the cyclist in front will lose a great deal of speed and will possibly take a wavy line. Furthermore, the computing unit can determine a probability that the automated vehicle will be overtaken again by a cyclist on a steep downhill slope, e.g. in a zone with a greatly reduced speed limit, such as 30 km/h. With established methods for validation and training or with criticality metrics, it can be ensured that even the scenarios with realistic cyclists can be solved by the automated vehicle (in the simulation) sufficiently to meet the safety requirements. Thus, a further increase in the degree of reality is possible compared to pure training of the AI module with speed-based cyclist agents. Test drives and developers are not endangered.
Unter anderem die folgenden Situationen können daher in der Simulation realistischer abgebildet werden:
- a) Jegliche Situationen, in der ein Radfahrer beschleunigt. Insbesondere wenn nicht-regelkonformes Verhalten simuliert werden soll, z.B. ein Wechsel vom Bürgersteig auf eine Straße oder umgekehrt. In diesen Situationen bremst und beschleunigt ein Radfahrer in der Regel sehr oft, was mit einfacheren Modellen eines Radfahrers nicht realistisch modelliert werden kann.
- b) Steigungen und Gefälle: Durch die Schwerkraft kommt es zu erheblichen Geschwindigkeitsänderungen, da deutlich mehr Leistung oder weniger Leistung benötigt wird, um den Radfahrer vorwärts zu bewegen. In bisherigen Modellen wird dieses nicht berücksichtigt.
- c) Gegen/Rückenwind: Dieser kann ebenfalls berücksichtigt werden. Was für motorisierte Personenkraftwagen / Lastkraftwagen im Allgemeinen vernachlässigt werden kann, ist für Radfahrer ein entscheidender Faktor, der auch zu abrupten und unerwarteten Geschwindigkeitsänderungen führen kann, was wiederum zu sicherheitskritischen Situationen mit dem automatisierten Fahrzeug führen könnte.
- d) Unterschiedliche Typen von Radfahrern können einfacher simuliert und realistischer simuliert werden, da mehr Parameter angepasst werden können, die nicht nur Einfluss auf die maximale Geschwindigkeit haben. Z.B. kann ein langsamer Radfahrer trotzdem sehr schnell bergab fahren.
- a) Any situation where a cyclist accelerates. Especially when behavior that does not conform to the rules is to be simulated, eg changing from the sidewalk to a street or vice versa. In these situations, a cyclist typically brakes and accelerates very often, which cannot be realistically modeled with simpler models of a cyclist.
- b) Uphill and downhill gradients: Gravity causes significant changes in speed as significantly more power or less power is required to propel the cyclist forward. This is not taken into account in previous models.
- c) Headwind/tailwind: This can also be taken into account. What can be neglected for motorized passenger cars/trucks in general is a crucial factor for cyclists, which can also lead to abrupt and unexpected changes in speed, which in turn could lead to safety-critical situations with the automated vehicle.
- d) Different types of cyclists can be simulated more easily and more realistically, since more parameters can be adjusted, which not only affect the maximum speed. For example, a slow cyclist can still ride downhill very quickly.
Gemäß einer vorteilhaften Ausführungsform sind die aus dem Leistungsmodell resultierenden Bewegungen des Radfahrers Beschleunigungen in Längsrichtung des Radfahrers und aus der Integration der Beschleunigungen über die Zeit erhaltene kinematische Grö-ßen sind in Längsrichtung des Radfahrers definiert, während Lenkbewegungen sowie eine eingenommene Route des Radfahrers über Soziale-Kräfte-Modelle und/oder Einspurmodelle simuliert werden.According to an advantageous embodiment, the movements of the cyclist resulting from the performance model are accelerations in the longitudinal direction of the cyclist and kinematic variables obtained from the integration of the accelerations over time are defined in the longitudinal direction of the cyclist, while steering movements and a route taken by the cyclist via social Force models and/or single track models are simulated.
Gemäß dieser Ausführungsform wird die Längsbewegung und die Seitenbewegung des Radfahrers getrennt betrachtet, wobei die Längsbewegung auf Grundlage der modellierten Leistungen simuliert wird und die Seitenbewegung aufgrund von wohlbekannten Methoden wie den genannten Soziale-Kräfte-Modellen und/oder Einspurmodellen. Vorteilhaft wird so der Zusammenhang der Leistung und der primären Wirkung dieser auf die Bewegung in der momentanen Längsrichtung des Radfahrers berücksichtigt.According to this embodiment, the longitudinal movement and the lateral movement of the cyclist are considered separately, the longitudinal movement being simulated based on the modeled performances and the lateral movement based on well-known methods such as the mentioned social forces models and/or single track models. The connection between the performance and the primary effect of this on the movement thus becomes advantageous in the instantaneous longitudinal direction of the cyclist.
Gemäß einer weiteren vorteilhaften Ausführungsform umfasst das Leistungsmodell eine Gesamtmasse des Radfahrers einschließlich seines Fahrrads und Gepäck, sowie eine Körpergröße des Radfahrers oder eine zur Körpergröße aerodynamisch äquivalente Grö-ße, insbesondere eine effektive Stirnfläche.According to a further advantageous embodiment, the performance model includes a total mass of the cyclist including his bicycle and luggage, and a body size of the cyclist or a size aerodynamically equivalent to the body size, in particular an effective frontal area.
Dadurch kann der Einfluss von Steigung/Gefälle (Im Weiteren allgemein genannt der „Anstieg“ der Straße bzw. der Fahrbahn), sowie des jeweils aktuellen Luftwiderstands berücksichtigt werden.In this way, the influence of inclines/slopes (hereinafter referred to generally as the "increase" of the road or lane), as well as the current air resistance, can be taken into account.
Gemäß einer weiteren vorteilhaften Ausführungsform umfasst das Leistungsmodell zumindest einen der folgenden Parameter:
- - Art des Fahrrads,
- - körperliche Kondition des Radfahrers,
- - Alter des Radfahrers,
- - Verhaltensparameter des Radfahrers, insbesondere Eile;
- - type of bike,
- - physical condition of the cyclist,
- - age of the cyclist,
- - Behavioral parameters of the cyclist, especially haste;
Die Art des Fahrrads gibt an, für welche Zwecke das Fahrrad entworfen wurde, beispielsweise geschwindigkeitsoptimierte Fahrräder oder geländeoptimierte Fahrräder. Mögliche Arten des Fahrrads sind daher insbesondere Rennrad, Mountainbike, Gravelbike, E-Bike (insbesondere mit Leistungsunterstützung bis 25 km/h), Trekkingrad, Stadtrad, Triathlonrad, Liegerad, Lastenrad, etc.; die körperliche Kondition des Radfahrers dient insbesondere der Abschätzung der möglichen maximal erreichbaren Leistung durch Muskelkraft des Radfahrers. Hierzu dient auch das Alter des Radfahrers, um die dynamische Bandbreite, den möglichen Krafteintrag auf die Pedale sowie das Verhalten des Radfahrers zu modellieren. Die Eile des Radfahrers ist insbesondere Teil des Verhaltens, die angibt, mit welchem Niveau an aggressivem Fahrstil und mit welcher Geschwindigkeit des Radfahrers zu rechnen ist, sowie ob verkürzte Reaktionszeiten vorliegen können.The type of bike indicates what the bike was designed for, such as speed-optimized bikes or terrain-optimized bikes. Possible types of bicycle are therefore in particular racing bikes, mountain bikes, gravel bikes, e-bikes (in particular with power assistance up to 25 km/h), trekking bikes, city bikes, triathlon bikes, recumbent bikes, cargo bikes, etc.; the physical condition of the cyclist serves in particular to estimate the possible maximum achievable performance through muscle power of the cyclist. The age of the cyclist is also used to model the dynamic range, the possible force input on the pedals and the behavior of the cyclist. In particular, the cyclist's haste is part of the behavior, which indicates what level of aggressive driving style and speed the cyclist can expect, as well as whether shortened reaction times can be present.
Gemäß einer weiteren vorteilhaften Ausführungsform weisen die Umgebungsvariablen zumindest eine der folgenden auf:
- - Anstieg einer vom Radfahrer aktuell virtuell befahrenen Straße,
- - Wind, der auf den Radfahrer wirkt,
- - Reibungseinfluss einer Fahrbahn, die vom Radfahrer in der Simulation virtuell aktuell befahren wird,
- - Verkehrszeichen,
- - Simulierte Verkehrssituation in Bezug auf andere Verkehrsteilnehmer,
- - Außentemperatur,
- - Zustand der Fahrbahnoberfläche, insbesondere Nässe, Glätte, Trockenheit;
- - ascent of a road currently virtually traveled by the cyclist,
- - wind acting on the cyclist,
- - Influence of friction of a roadway that is currently being traveled virtually by the cyclist in the simulation,
- - traffic signs,
- - Simulated traffic situation in relation to other road users,
- - outside temperature,
- - Condition of the road surface, especially wet, slippery, dry;
Gemäß einer weiteren vorteilhaften Ausführungsform wird bei einem steilen Anstieg bergauf für den Radfahrer durch die Simulation geprüft, ob gemäß dem Leistungsmodell die Geschwindigkeit des Radfahrers unter einen vorgegebenen Grenzwert fällt, wobei in der Simulation beim Unterschreiten dieses Grenzwerts der Radfahrer in einen sein Fahrrad schiebenden Fußgänger umgewandelt wird.According to a further advantageous embodiment, during a steep uphill climb for the cyclist, the simulation checks whether, according to the performance model, the speed of the cyclist falls below a predetermined limit value, with the cyclist being converted into a pedestrian pushing his bicycle in the simulation if this limit value is not reached becomes.
Gemäß einer weiteren vorteilhaften Ausführungsform wird bei einem steilen Anstieg bergauf in der Simulation das bewusste Fahren von Schlangenlinien durch den Radfahrer simuliert, wenn eine vorgegebene Bedingung erfüllt ist.According to a further advantageous embodiment, when there is a steep uphill climb in the simulation, the cyclist deliberately driving in serpentines is simulated if a predetermined condition is met.
Abhängig von Gesamtmasse, Kondition des Radfahrers, Art des Fahrrads und vom Steigungswinkel der Straße können Radfahrer dazu neigen, bewusst Schlangenlinien einzunehmen, um den momentanen Steigungswinkel zu verkleinern. An steilen Anstiegen kann es nämlich sein, dass die Geschwindigkeit des Radfahrers sehr niedrig wird, sodass ein Radfahrer dazu neigen kann, zu „schlängeln“, um den Berg zu befahren ohne umzufallen. Ferner kann in der Simulation berücksichtigt werden, dass der Radfahrer absteigt und zum „Fußgänger“ wird. Vorteilhaft kann mithilfe einer Simulation, welche oben genannte Effekte berücksichtigt, getestet werden, wie sich das automatisierte Fahrzeug im Bezug auf ein derartiges Verhalten des Radfahrers verhalten würde.Depending on the total mass, the condition of the cyclist, the type of bicycle and the incline of the road, cyclists may have a tendency to deliberately meander in order to reduce the current incline. Namely, on steep climbs, the cyclist's speed can become very low, such that a cyclist can tend to "snake" in order to climb the hill without falling over. Furthermore, the simulation can take into account that the cyclist dismounts and becomes a "pedestrian". A simulation that takes into account the above effects can advantageously be used to test how the automated vehicle would behave in relation to such behavior on the part of the cyclist.
Gemäß einer weiteren vorteilhaften Ausführungsform ist bei einem steilen Anstieg bergab in der Simulation eine Bremsung des Radfahrers vorgesehen, sodass eine maximale, vorgegebene Geschwindigkeit des Radfahrers in der Simulation nicht überschritten wird.According to a further advantageous embodiment, braking of the cyclist is provided in the simulation in the event of a steep ascent downhill, so that a maximum, predefined speed of the cyclist is not exceeded in the simulation.
Bei steilen Bergabfahrten werden Radfahrer durch die Hangabtriebskraft, die ebenfalls vorteilhaft in der Simulation berücksichtigt wird, eine höhere Geschwindigkeit erreichen als bei einem einfachen nicht-leistungsorientierten Modell beobachten werden könnte, da in den letzteren einfach eine konstante Geschwindigkeit zugewiesen werden würde. Zur Steigerung der Realitätstreue kann eine maximale Geschwindigkeit festgelegt werden, bei der Radfahrende aktiv bremsen, um die Geschwindigkeit zu verzögern.On steep descents, cyclists will reach a higher speed than could be observed with a simple non-performance-oriented model, due to the downhill force, which is also advantageously taken into account in the simulation, since in the latter a constant speed would simply be assigned. To increase realism, a maximum speed can be set at which cyclists actively brake to slow down the speed.
Gemäß einer weiteren vorteilhaften Ausführungsform berücksichtigt das Leistungsmodell eine Geschwindigkeitsänderung des Radfahrers beim Wechsel von einem Bürgersteig auf die Straße und umgekehrt.According to a further advantageous embodiment, the performance model takes into account a Change in speed of the cyclist when changing from a pavement to the street and vice versa.
Gemäß einer weiteren vorteilhaften Ausführungsform umfasst das Leistungsmodell Kräfte und Beschleunigungen des Radfahrers in einer Kurvenfahrt, wobei die Kräfte und Beschleunigungen insbesondere abhängig von der Gesamtmasse des Radfahrers einschließlich Gepäck und Fahrrad ermittelt werden.According to a further advantageous embodiment, the performance model includes forces and accelerations of the cyclist when cornering, with the forces and accelerations being determined in particular as a function of the total mass of the cyclist including luggage and bicycle.
Durch die modellierte Gesamtmasse des Radfahrers kann die maximale Geschwindigkeit, mit der ein Radfahrer um die Kurve fährt, ebenfalls besser abgeschätzt werden. Ferner kann der Kurvenradius angepasst werden, falls die Geschwindigkeit zu schnell ist, so dass der Radfahrer weiter nach außen getragen wird. Bremsungen und Beschleunigungen vor bzw. nach Kurven können somit ebenfalls realistisch beschrieben werden.The modeled total mass of the cyclist can also be used to better estimate the maximum speed at which a cyclist can corner. Furthermore, if the speed is too fast, the turning radius can be adjusted so that the cyclist is carried further out. Braking and acceleration before and after curves can thus also be described realistically.
Gemäß einer weiteren vorteilhaften Ausführungsform berücksichtigt das Leistungsmodell nicht-regelkonformes Verhalten des Radfahrers, das eine plötzliche Geschwindigkeitsänderung umfasst.According to a further advantageous embodiment, the performance model takes into account non-rule-compliant behavior of the cyclist, which includes a sudden change in speed.
Gemäß einer weiteren vorteilhaften Ausführungsform wird das Leistungsmodell durch ein künstliches neuronales Netz ausgeführt, wobei das künstliche neuronale Netz mit einer empirischen Datenbasis trainiert ist, wobei Eingangsgrößen des künstlichen neuronalen Netzes die Umgebungsvariablen und Parameter des Leistungsmodell sind und die Ausgangsgröße des künstlichen neuronalen Netzes die vom Radfahrer und/oder dem Antrieb des Fahrrads auf das Fahrrad eingebrachte Leistung ist.According to a further advantageous embodiment, the performance model is executed by an artificial neural network, the artificial neural network being trained with an empirical database, the input variables of the artificial neural network being the environmental variables and parameters of the performance model and the output variable of the artificial neural network being those of the cyclist and/or the power applied to the bicycle when driving the bicycle.
Ein weiterer Aspekt der Erfindung betrifft ein Simulationssystem zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs, wobei das Simulationssystem dazu ausgeführt ist, eine Simulation auszuführen, wobei die Simulation unter weiteren Verkehrsteilnehmern einen Radfahrer umfasst, wobei die Bewegungen des Radfahrers auf Grundlage eines Leistungsmodells des Radfahrers simuliert werden, wobei das Leistungsmodell modellierte Drehmomenteinträge durch Muskelbewegung des Radfahrers, und im Falle eines elektrifizierten Fahrrads des Radfahrers zusätzlich durch die Leistung des elektrischen Antriebs des Fahrrads, abhängig von Umgebungsvariablen auf eine resultierende Bewegung des Radfahrers abbildet, und wobei die automatisierte Fahrsteuerfunktion mit der Simulation verknüpft ist, sodass die automatisierte Fahrsteuerfunktion auf die simulierten Bewegungen des Radfahrers reagieren kann.Another aspect of the invention relates to a simulation system for testing and/or validating an automated driving control function of a vehicle, the simulation system being designed to carry out a simulation, the simulation including a cyclist among other road users, the movements of the cyclist based on a performance model of the cyclist are simulated, with the performance model mapping modeled torque inputs through muscle movement of the cyclist, and in the case of an electrified bicycle of the cyclist additionally through the power of the electric drive of the bicycle, depending on environmental variables, to a resulting movement of the cyclist, and the automated driving control function with linked to the simulation so that the automated ride control function can react to the simulated movements of the cyclist.
Gemäß einer weiteren vorteilhaften Ausführungsform weist das Simulationssystem eine Schnittstelle zu einem realen Fahrzeug auf, um Sensorsignale von Sensoren des Fahrzeugs durch simulierte Sensorsignale, erzeugt durch die Simulation, zu ersetzen.According to a further advantageous embodiment, the simulation system has an interface to a real vehicle in order to replace sensor signals from sensors of the vehicle with simulated sensor signals generated by the simulation.
Gemäß einer weiteren vorteilhaften Ausführungsform ist die Fahrsteuerfunktion des Fahrzeugs als Modul in der Simulation selbst implementiert.According to a further advantageous embodiment, the driving control function of the vehicle is implemented as a module in the simulation itself.
Vorteile und bevorzugte Weiterbildungen des vorgeschlagenen Simulationssystems ergeben sich durch eine analoge und sinngemäße Übertragung der im Zusammenhang mit dem vorgeschlagenen Verfahren vorstehend gemachten Ausführungen.Advantages and preferred developments of the proposed simulation system result from an analogous and analogous transfer of the statements made above in connection with the proposed method.
Weitere Vorteile, Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbeispiel im Einzelnen beschrieben ist. Gleiche, ähnliche und/oder funktionsgleiche Teile sind mit gleichen Bezugszeichen versehen.Further advantages, features and details result from the following description, in which at least one exemplary embodiment is described in detail-if necessary with reference to the drawing. Identical, similar and/or functionally identical parts are provided with the same reference symbols.
Es zeigt:
-
1 : Ein Simulationssystem zum Ausführen eines Verfahrens zum Testen und/oder Validieren einer automatisierten Fahrsteuerfunktion eines Fahrzeugs gemäß einem Ausführungsbeispiel der Erfindung.
-
1 : A simulation system for executing a method for testing and/or validating an automated driving control function of a vehicle according to an embodiment of the invention.
Die Darstellungen in der Figur sind schematisch und nicht maßstäblich.The representations in the figure are schematic and not to scale.
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen, beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente, vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehende Erläuterungen in der Beschreibung, definiert wird.Although the invention has been illustrated and explained in more detail by means of preferred exemplary embodiments, the invention is not restricted by the disclosed examples and other variations can be derived therefrom by a person skilled in the art without departing from the protective scope of the invention. It is therefore clear that a large number of possible variations exist. It is also understood that the exemplary embodiments given are really only examples and should not be construed as limiting in any way the scope, applications or configuration of the invention. Rather, the preceding description and the description of the figures enable the person skilled in the art to concretely implement the exemplary embodiments, whereby the person skilled in the art, knowing the disclosed inventive concept, can make a variety of changes, for example with regard to the function or the arrangement of individual elements mentioned in an exemplary embodiment. without departing from the scope of protection defined by the claims and their legal equivalents, such as further explanations in the description.
BezugszeichenlisteReference List
- 11
- Fahrzeugvehicle
- 33
- Radfahrercyclist
- 55
- Simulationssystemsimulation system
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
- US 9495874 B1 [0003]US9495874B1 [0003]
- WO 2020079685 A1 [0004]WO 2020079685 A1 [0004]
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021214081.5A DE102021214081A1 (en) | 2021-12-09 | 2021-12-09 | Performance-modeled cyclists as a simulation component for vehicles |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021214081.5A DE102021214081A1 (en) | 2021-12-09 | 2021-12-09 | Performance-modeled cyclists as a simulation component for vehicles |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021214081A1 true DE102021214081A1 (en) | 2023-06-15 |
Family
ID=86498733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021214081.5A Pending DE102021214081A1 (en) | 2021-12-09 | 2021-12-09 | Performance-modeled cyclists as a simulation component for vehicles |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021214081A1 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495874B1 (en) | 2012-04-13 | 2016-11-15 | Google Inc. | Automated system and method for modeling the behavior of vehicles and other agents |
DE102015212364A1 (en) | 2015-07-02 | 2017-01-05 | Conti Temic Microelectronic Gmbh | Method for locating a bicycle, in particular a bicycle |
US20170329332A1 (en) | 2016-05-10 | 2017-11-16 | Uber Technologies, Inc. | Control system to adjust operation of an autonomous vehicle based on a probability of interference by a dynamic object |
WO2020079685A1 (en) | 2018-10-17 | 2020-04-23 | Cognata Ltd. | System and method for generating realistic simulation data for training an autonomous driver |
DE102020100736A1 (en) | 2019-01-16 | 2020-07-16 | Ford Global Technologies, Llc | OPERATING AN ACOUSTIC CONVERTER OF A VEHICLE |
-
2021
- 2021-12-09 DE DE102021214081.5A patent/DE102021214081A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495874B1 (en) | 2012-04-13 | 2016-11-15 | Google Inc. | Automated system and method for modeling the behavior of vehicles and other agents |
DE102015212364A1 (en) | 2015-07-02 | 2017-01-05 | Conti Temic Microelectronic Gmbh | Method for locating a bicycle, in particular a bicycle |
US20170329332A1 (en) | 2016-05-10 | 2017-11-16 | Uber Technologies, Inc. | Control system to adjust operation of an autonomous vehicle based on a probability of interference by a dynamic object |
WO2020079685A1 (en) | 2018-10-17 | 2020-04-23 | Cognata Ltd. | System and method for generating realistic simulation data for training an autonomous driver |
US20210312244A1 (en) | 2018-10-17 | 2021-10-07 | Cognata Ltd. | System and method for generating realistic simulation data for training an autonomous driver |
DE102020100736A1 (en) | 2019-01-16 | 2020-07-16 | Ford Global Technologies, Llc | OPERATING AN ACOUSTIC CONVERTER OF A VEHICLE |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011089264B4 (en) | Technique for providing measured aerodynamic force information | |
DE112012006465B4 (en) | Driving characteristic estimating device and driving assistance system | |
CN109242251A (en) | Vehicular behavior safety detecting method, device, equipment and storage medium | |
AT510101B1 (en) | Method for the computer-based generation of a driving cycle data record and a longitudinal profile data record and method for testing a motor vehicle | |
DE112012005806B4 (en) | Deceleration factor estimating device and driving support device | |
DE112010003678T5 (en) | TRAFFIC EVALUATION SYSTEM, VEHICLE MOUNTED MACHINE AND INFORMATION PROCESSING CENTER | |
DE102013222634B4 (en) | A method of predicting a road friction coefficient and method of operating a motor vehicle | |
DE102016106703A1 (en) | Electric bicycle engine using a detected airspeed | |
EP2978643A1 (en) | Method for determining a vehicle reference speed and vehicle controller having such a method | |
EP1037030A2 (en) | Procedure for simulating the behaviour of a vehicle on a roadway | |
DE10353650A1 (en) | System for analyzing vehicle and driver behavior | |
DE102018221265B4 (en) | Method and system for detecting wind acting on a vehicle | |
CN114117829B (en) | Dynamic modeling method and system for man-vehicle-road closed loop system under limit working condition | |
DE102019219241A1 (en) | Method for creating a road user algorithm for computer simulation of road users, method for training at least one algorithm for a control device of a motor vehicle, computer program product and motor vehicle | |
DE102020202760A1 (en) | System and method for controlling and distributing regenerative braking force in autonomous vehicles, taking into account the driving resistance | |
EP4302196A1 (en) | Method for testing a driver assistance system of a vehicle | |
Chen et al. | Driver safe speed model based on BP neural network for rural curved roads | |
DE102019108111A1 (en) | Assistance system for determining a vehicle mass using a linear estimator | |
DE19523111A1 (en) | Regulation of distance between motor vehicles, between vehicle behind and vehicle in front | |
DE102021214081A1 (en) | Performance-modeled cyclists as a simulation component for vehicles | |
CN116495002B (en) | Vehicle running control method and device, electronic equipment, storage medium and vehicle | |
DE102020202650A1 (en) | Computer-implemented method for route calculation for an autonomously driving motor vehicle, method for driving an autonomously driving motor vehicle, computer program product and motor vehicle | |
WO2021078391A1 (en) | Model-based predictive regulation of an electric machine in a drivetrain of a motor vehicle | |
DE102018219255A1 (en) | Training system, data set, training method, evaluation device and deployment system for a road vehicle for recording and classifying traffic noise | |
DE602004002081T2 (en) | Method and device for the prediction of collisions of a vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R084 | Declaration of willingness to licence | ||
R163 | Identified publications notified | ||
R081 | Change of applicant/patentee |
Owner name: STELLANTIS AUTO SAS, FR Free format text: FORMER OWNER: PSA AUTOMOBILES SA, POISSY, FR |