CN116954187A - 检验交通状况危急程度的方法、验证控制系统的方法、数据载体和/或下载产品 - Google Patents
检验交通状况危急程度的方法、验证控制系统的方法、数据载体和/或下载产品 Download PDFInfo
- Publication number
- CN116954187A CN116954187A CN202310187711.3A CN202310187711A CN116954187A CN 116954187 A CN116954187 A CN 116954187A CN 202310187711 A CN202310187711 A CN 202310187711A CN 116954187 A CN116954187 A CN 116954187A
- Authority
- CN
- China
- Prior art keywords
- traffic
- control system
- transfer function
- petri net
- critical
- 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 48
- 238000012546 transfer Methods 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 47
- 230000006399 behavior Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000036962 time dependent Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims 1
- 230000007704 transition Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 235000013405 beer Nutrition 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Transportation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
用于检验“传感器检测的交通状况(1)在怎样的程度上危急”的方法(100)具有步骤:将交通状况转化(110)到图(2)中,该图的节点与交通参与者的可能位置相应,该图的边带权重地被占据,所述权重给通过边连接的节点分别配属一个对于分析处理与该交通状况有关的参量的值;将该图转化(120)到Petri网(3)中,该网将局部状态变化关联如下条件:该网中的预给定库所占据有怎样的令牌量,该图的节点与在该网中的库所相应,该图的边与局部状态变化相应,该图的边上的权重确定针对状态变化的条件;求取该网的至少一个用于在其全局状态间过渡的传递函数(3a);由该过渡函数分析处理(140)交通状况在怎样的程度上危急(1a)。
Description
技术领域
本发明涉及识别哪些交通状况是危急的并且是可能不能由通过传感器数据馈给的控制系统处理的。
背景技术
用于驾驶辅助系统、机器人的控制系统以及用于车辆的至少部分自动化驾驶的系统借助于传感器检测交通状况并针对该车辆或该机器人的未来行为提出建议。对于这些系统的接受和允许重要的是,这些系统在任意状况下都提供建议,而不是在特定状况下出现过失。
US 10,942,797B2公开了一种用于对工程系统的故障树分析的方法,该方法持续估计在该系统中的非期望事件的概率。如果该概率满足预给定的判断标准,则可以采取应对措施。
发明内容
本发明提供一种用于检验“借助至少一个传感器检测到的交通状况在怎样的程度上在如下意义上危急”的方法:车辆的或机器人的控制系统可能不具有针对该车辆的或机器人的未来行为求取明确建议的能力。
根据本发明,提出一种用于检验“借助至少一个传感器检测到的交通状况在怎样的程度上在如下意义上危急”的方法:车辆的或机器人的控制系统可能不具有针对该车辆的或该机器人的未来行为求取明确建议的能力,该方法具有以下步骤:
·将该交通状况转化成图,其中,
o该图的节点与交通参与者的可能位置相应,和
o该图的边带有权重地被占据,所述权重给通过边连接的节点分别配属一个对于通过控制系统分析处理与该交通状况有关的参量的值;
·将该图转化成Petri网,该Petri网将局部状态变化关联如下条件:
该Petri网中的预给定库所被多少量的令牌(Token)占据,其中,
o该图的节点与该Petri网中的库所相应,
o该图的边与局部状态变化相应,和
o该图的边上的权重确定状态变化的条件;
·求取该Petri网的至少一个用于在该Petri网的全局状态之间过渡的传递函数;
·由该传递函数来分析处理该交通状况在怎样的程度上危急(a)。
在该方法的范畴内,对交通状况以被至少一个传感器所感知的那样的形式进行分析。因此研究,由至少一个传感器所提供的信息量在怎样的程度上足以能够使控制系统作出明确的决策。因此可能的是,借助第一传感器配置所接收的对该交通状况的表达被证明为危急,而另外的、借助第二传感器配置所接收的对该交通状况的表达则不被证明为危急。
在该方法的范畴内,将交通状况转化成图。该图的节点与交通参与者的可能位置相应。该图的边被权重占据。这些权重给通过边连接的节点分别配属一个对于通过控制系统分析处理该交通状况来说有重要关系的参量的值。这类参量的示例有:
·在通过边连接的节点之间的交通流;和/或
·针对在通过边连接的节点之间的行驶的交通规则;和/或
·针对在通过边连接的节点之间的行驶的优先权或等待义务。
该图完全通过其节点和边进行描述。将该图转化成Petri网。这样的Petri网是离散系统的模型,该模型基于可以被一个或多个令牌占据的库所(Ort)。Petri网包含局部状态变化(Transitionen,变迁),状态变化的触发与“Petri网中的预给定库所被怎样量的令牌占据”的条件关联。在这方面,令牌可与硬币或代币(Wertmarke)类比。在一个简单的示例中,自动售货机中的Petri网能够合计被插入的硬币的值,并且回应于该总值至少相当于所期望的货品的价格,使该自动售货机放出该货品。
针对在控制系统上的应用,图的节点与Petri网中的库所相应。图的边与局部状态变化相应,因为当交通参与者从可能的位置变换到另一位置时,这些交通参与者通过这些边运动。图的边上的权重确定局部状态变化的条件。即,这些权重例如决定:在特定库所处必须存在多少个令牌以触发对应的局部状态变化。
求取Petri网的至少一个用于在该Petri网的全局状态之间过渡的传递函数。这些全局状态特别是可以包括例如Petri网的所有库所被令牌占据。由该传递函数来分析处理该交通状况在怎样的程度上危急。
已看出,在这种传递函数上能够特别容易地看出交通状况在怎样的程度上并且控制系统可能找不到相符的回应。因此例如在试验中表明,当交通状况出现异常的物理改变时,该传递函数的特征值,在此特别是第一特征值,剧烈地改变。
在这样的试验中,首先将“正常车辆运动通过雷达传感器的检测区域”的交通状况转化成Petri网并对传递函数进行分析处理。随后,使该交通状况这样改变:该车辆在其后方在绳子上拉着金属啤酒罐。将如此改变的交通状况以同样的方式转化成Petri网并对该Petri网的传递函数进行分析处理。与初始的交通状况相比,传递函数的第一特征值明显骤升。
因此,在一种特别有利的构型中,根据预给定的判断标准,由传递函数的至少一个特征值和/或由该特征值的改变来分析处理交通状况在怎样的程度上危急。
在计算能力足够可用的情况下,能够将“交通状况是否被证明危急和哪些交通状况具体是这样”的知识用于原则上针对具有上游传感装置的控制系统的在线监控的实时分析处理。然后可以例如采取应对措施,以便防止可能的、控制系统不再明确地具有决策能力的状况。因此例如可以要求车辆的驾驶员接管车辆,或者可以降低车辆的行驶速度,以便该车辆能够在一段时间内在无控制系统建议的情况下应对。如果渐进式地越来越多的交通状况被证明危急,则这也可以例如被评估为传感器脏污、失准或以其他方式退化的迹象。
然而,该方法的主要应用在于对交通状况的离线分析,目的是证明具有上游传感装置的控制系统适用于交通中。特别是可以将个别的交通状况或交通状况的类型辨识为比其他交通状况更危急。能够将用于传感器和控制系统的测试的试验开销优选集中在那些在该离线分析中被证明是特别危急的交通状况。因此,对雷达传感器的实验研究每小时可以花费数千欧元。这有些类似于海关检控和边境检控的最大开销有目的地集中在符合特定风险特征的人上。目标是,尽可能地仅打开那些其中实际有违禁或应税货物的行李箱。
在一种特别有利的构型中,图的通过边与第一节点连接的那些另外的节点与如下位置相应:这些位置从一个与该第一节点相应的位置出发位于所述至少一个传感器的检测区域中。以这种方式,该图更好地符合通过至少一个传感器对交通状况的感知。由对交通状况的分析则能够例如得出,如果能够实现扩大该传感器的检测区域或添加另一传感器,则该交通状况不再危急。
所述至少一个传感器尤其可以包括例如摄像机、雷达传感器、激光雷达传感器和/或超声波传感器。例如也可以借助多个传感器形态同时多形态地检测交通状况。
在另一特别有利的构型中,借助至少两个传感器冗余地和/或多形态地检测同一交通状况。为该交通状况的通过所述传感器中的每个传感器所检测到的形式求取自己的图、自己的Petri网和对应的Petri网的自己的传递函数。将所述传递函数汇总成一个总传递函数。由该总传递函数来分析处理该交通状况在怎样的程度上危急。在此尤其可以例如通过加法来汇总传递函数。这比唯一一个Petri网用于交通状况的冗余和/或多变型的检测能明显更简单地创建。
冗余对于交通状况的动态来说特别是例如可以意味着:
·交通状况中的元素(例如车辆、行人或交通标志)的精确密度仅能够根据多个测量值来近似;
·交通状况的元素以未知的方式并且在位置的程度上彼此相互作用(相关),从而该交通状况不能被描述为Markov(马可夫)过程或Dempster-Shaefer(登姆普斯特谢弗)过程;和
·使用多个传感器。
在另一特别有利的构型中,将交通状况至少部分地作为测量的时间序列来检测。然后,将该图转化成时间相关的事件的Petri网,在该Petri网中,局部状态变化附加地与时间条件关联。以这种方式能够检测动态的交通状况,如其他车辆的接近。在一种应用中实时主动地研究交通状况的危急性,这种应用是“Front Cross Traffic Assistant(前方交叉交通辅助)”,该交通辅助借助雷达监控位于本车辆前方的交叉路口并警告正在接近的交叉交通。
在另一特别有利的构型中,由
·Petri网的全局状态的第一演进A,该第一演进发生在所有库所被对应数量的令牌占据n保持不变时,
·Petri网的全局状态的第二演进B,该第二演进发生在所有库所被对应数量的令牌占据n过渡到所有库所被对应数量的令牌占据m时,和
·Petri网的全局状态的第三演进C,该第三演进发生在以对应数量的令牌占据p过渡到所有库所被对应数量的令牌占据n时,
来求取传递函数。由这三个演进可以列出不动点方程,而由这些不动点方程的解又可以求取传递函数
在此,Petri网的传递函数特别有利地在半环上求取,在该半环上
·两个元素的加法通过对这两个元素求最大来实施,和
·两个元素的乘法通过这两个元素的加法来实施。
在这样的半环上,不动点方程可以被建立为线性方程。
在此,半环通过元素集合D以及用于两个元素的加法和两个元素的乘法/>的运算来定义。在此,加法/>符合结合律和交换律并且具有单位元ε。乘法/>符合结合律并且具有单位元e。在这样的半环上适用:
(i)
(ii)
(iii)
(iv)
D结合运算和/>形成幂等半场。如果乘积/>符合交换律,则该半场同样符合交换律。通过求最大/>和加法/>所提供的集合/>是幂等半场,也称为半环代数或Max-Plus代数。加法/>的单位元ε的数值是-∞。
在时间相关的事件的Petri网中,对于每个局部状态变化j,在时间xj(k),k=1,…,T,第k次触发局部状态变化j,将这些时间作为状态变量给出,其中,T是测量的总持续时间。这些时间xj(k)可以被合并成状态向量x(k)。以类似的方式可以引入外部变量的向量u(k)。在半环代数上,x(k)递归地演变。
这些矩阵由时间相关的事件的Petri网中的库所的状态的时间演变得出。M是Petri网中的库所处的令牌的最大数量。
然后,有利地可以由不动点方程
y=Cx的至少一个解来分析处理Petri网的传递函数,其中,x是n维演化向量。u是p维演化向量,而y是m维演化向量。
在另一特别有利的构型中,借助
·第一移位算子γ,该第一移位算子的幂与Petri网中的库所处的令牌数量相应,
·第二移位算子δ,该第二移位算子的幂与Petri网中的局部状态变化的数量相应,
·加法的单位元ε,和
·乘法的单位元e
将Petri网的传递函数参数化。借此可以将该不动点方程表述为
y=ca*bu,
其中,*表示复数共轭,而矩阵a、b、c以γ、δ、ε和e被参数化。在这种形式下,能够特别容易地解所述不动点方程,例如借助矩阵
x=a*b则是不动点方程的最小解。因此,Petri网的传递函数h成为矩阵
h=ca*b
该矩阵的特征值h,在此特别是第一特征值,是针对转化成该Petri网的交通状况有多危急的量度。
将被研究的特征值中的哪些值看作是危急的,取决于对应的交通状况。例如可以将机器学习用于区分正常的交通状况与危急的交通状况。因此例如可以无监督地将具有一个或多个被研究的特征值的向量聚类,其目的是形成单个聚类。在该单个聚类中则应该含有属于大多数交通状况的向量。该聚类代表非危急的交通状况,因为这是正常情况,而例外表示危急的交通状况。
否则,特别是可以例如如先前所提及的那样将被研究的特征值的强烈变化评估为“交通状况已经向危急演变”的迹象。
如先前所提及的那样,可以将检验“交通状况是否危急”特别是例如用于检验控制系统是否在总体上适用于在交通中的参与。
因此,本发明还提供一种用于验证车辆的或机器人的控制系统的方法。
根据本发明,提出一种用于验证车辆的或机器人的控制系统的方法,该方法具有以下步骤:
·该以在控制系统运行中由至少一个传感器提供交通状况时的形式提供该交通状况;
·借助根据本发明的方法来分析处理该交通状况在怎样的程度上危急;
·从该交通状况中创建选择,在该选择中,相对于较不危急的交通状况优选更危急的交通状况;
·对该控制系统和/或该控制系统的模拟模型加载以在该选择中所包含的交通状况;
·分别检验,该控制系统是否将该交通状况映射到针对该车辆的或该机器人的未来行为的明确建议上;和
回应于将每个交通状况映射到一个明确建议上来确定该控制系统适用于运行该车辆或该机器人。
在该方法的范畴内,提供交通状况,具体说以在该控制系统运行中由至少一个传感器提供该交通状况时的形式来提供。随后,借助先前所描述的方法来分析处理这些交通状况在怎样的程度上危急。
从这些交通状况中创建选择,在该选择中,相对于较不危急的交通状况优选更危急的交通状况。为了该选择,可以将所求取到的危急性例如与预给定的阈值比较。但也可以例如按危急性的顺序将交通状况排序,然后可以采取Top-N(前N个排序)选择。
对控制系统和/或该控制系统的模拟模型加载以在所述选择中所包含的交通状况。分别检验,该控制系统是否将该交通状况映射到针对该车辆的或该机器人的未来行为的明确建议上。回应于将每个交通状况映射到一个明确建议上来确定该控制系统适用于运行该车辆的或该机器人。
因此可以利用对危急交通状况的选择作为预过滤器,以便有目的地对控制系统或者说模拟模型加载以需要担忧控制系统或模拟模型失灵的交通状况。如果控制系统或者说模拟模型能够针对每个交通状况都为车辆的或机器人的未来行为提供明确建议,则该控制系统或者说模拟模型功能正常。失灵例如可能表现为,针对特定交通状况要么根本没有建议要么求取到多个建议。在后一情况下,控制系统或者说模拟模型的传递函数在与这种交通状况相应的位置处具有分歧。通过现在优选研究其中针对这种非期望行为存在具体线索的交通状况,能够以显著减少的开销来研究该控制系统的针对参与交通的预给定安全性水平。
这有些类似于,正常飞行状况在对飞行员是否胜任其工作的检验中仅占较少份额。替代于此,优选将昂贵的模拟器时间集中在应对不属于飞行中的日常行为的故障状况上。
本方法尤其能够完全地或部分地由计算机实施。因此,本发明还涉及一种计算机程序,该计算机程序包含机器可读的指令,当在一个或者多个计算机上执行所述指令时,所述指令促使所述一个或者多个计算机实施所描述的方法中的一种方法。在这个意义上,用于车辆的控制器和用于技术设备的嵌入式系统也可以被视为计算机,所述控制器和所述嵌入式系统同样具有实施机器可读的指令的能力。
同样,本发明还涉及一种具借此计算机程序的机器可读的数据载体/或者下载产品。下载产品是能够通过数据网络传递的、即能够由数据网络的用户下载的数字产品,该产品例如可以在用于立即下载的网上商店中出售。
此外,计算机可以配备有计算机程序、机器可读的数据载体或下载产品。
附图说明
以下将改善本发明的其他措施与对本发明的优选实施例的说明一起借助于附图更详细地示出。
示出:
附图1:用于检验交通状况1在怎样的程度上危急的方法100的实施例;
附图2:用于验证控制系统10的方法200的实施例;
附图3:将交通状况1通过图2转化成Petri网3的实施例。
具体实施方式
附图1中是用于检验交通状况1在怎样的程度上危急的方法100的实施例的示意性流程图。
在步骤110中,将交通状况1转化成图2。
在步骤120中,将图2转化成Petri网3。Petri网3将局部状态变化关联如下条件:Petri网3中的预给定库被多少量的令牌占据。
在步骤130中,求取Petri网3的至少一个用于在Petri网3的全局状态之间过渡的传递函数3a。
在步骤140中,由传递函数3a来分析处理交通状况1在怎样的程度上危急。危急性的程度以参考标记1a表示。
根据方框105,可以借助至少两个传感器冗余地检测同一交通状况1。然后可以为该交通状况的通过所述传感器中的每个传感器所检测到的形式
·根据方框111形成自己的图2,
·根据方框121由自己的图2形成自己的Petri网3,以及
·根据方框131针对自己的Petri网3形成自己的传递函数3a,然后根据方框132可以将这样获得的传递函数3a汇总成一个总传递函数3a*。然后根据方框141可以由总传递函数3a*求取交通状况1的危急性程度1a。
根据方框106,可以将交通状况1至少部分地作为测量的时间序列来检测。然后根据方法方框122,可以将图2转化成时间相关的事件的Petri网3,在该Petri网中,局部状态变化附加地与时间条件相关联。
根据方框133,可以由Petri网3的全局状态的各个不同的演进A、B、C中求取传递函数3a。演进A、B、C在其源状态和目标状态上不同,所述源状态和目标状态分别以令牌对Petri网3中的库所的占据来给出。
根据方框134,可以在半环上求取Petri网3的传递函数3a。根据方框135,可以由不动点方程
y=Cx的至少一个解来分析处理Petri网3的传递函数3a。
根据方框136,可以借助
·第一移位算子γ,该第一移位算子的幂与Petri网3中的库所处的令牌数量相应,
·第二移位算子δ,该第二移位算子的幂与Petri网3中的局部状态变化的数量相应,
·加法的单位元ε,和
·乘法的单位元e
将传递函数3a参数化。
根据方框137,可以将所述不动点方程表述为
y=ca*bu,
其中,*表示复数共轭,而矩阵a、b、c以γ、δ、ε和e被参数化。然后根据方框137a,可以将传递矩阵
h=ca*b
作为Petri网3的传递函数3a来评价。传递矩阵h具有特征值3b。
根据方框142,可以根据预给定的判断标准,由传递函数3a的至少一个特征值3b和/或由该特征值3b的改变来分析处理交通状况1在怎样的程度上危急。其结果是所求的危急性程度1a。
附图2是用于验证车辆50的或机器人60的控制系统10的方法200的实施例的示意性流程图。
在步骤210中,以在控制系统10运行中由至少一个传感器提供交通状况1时的形式来提供交通状况1。
在步骤220中,使用先前描述的方法100来分析处理这些交通状况1在怎样的程度上危急。其结果是对应的危急性程度1a。
在步骤230中,由交通状况1创建选择1*,在该选择中,相对于较不危急的交通状况1优选更危急的交通状况1。
在步骤240中,对控制系统10和/或控制系统10的模拟模型加载以在选择1*中所包含的交通状况1。
在步骤250中分别检验,控制系统10是否将交通状况1映射到针对车辆50的或机器人60的未来行为的明确建议上。若是这种情况(真值1),则在步骤260中确定控制系统10适用于运行车辆50或机器人60。
该附图3示意性地表明如何将交通状况1转化成图2并从那里转化成Petri网3。交通状况1包括五个库所H1至H5之间的交通流。交通状况1被转化成有向图2,该有向图的边带有权重1至6地被占据。这些权重与对应的交通流的强度相应。
随后将图2转化成示例性示出的Petri网3。Petri网3由库所组成,这些库所被表示为椭圆并且可以被两种不同类型的令牌占据。在附图3中所示出的示例中,这些库所一方面被以垂直短划线标记为令牌另一方面被以点标记为令牌。此外还有以水平短划线画出的局部状态过渡,这些状态过渡分别与一个或多个库所连接。这些局部状态过渡中的每个局部状态过渡是否及何时被触发,一方面取决于朝箭头方向馈入局部状态过渡中的那些库所被令牌占据的情况。另一方面,状态变量x1、x2、x3设定用于触发局部状态过渡的时间边界条件。局部状态过渡的相互作用最终决定了:所输入的外部变量u1、u2在怎样的程度上被处理成Petri网3的输出y。
Claims (16)
1.一种用于检验“借助至少一个传感器检测到的交通状况(1)在怎样的程度上在如下意义上危急”的方法(100):车辆(50)的或机器人(60)的控制系统(10)可能不具有针对所述车辆(50)的或机器人(60)的未来行为求取明确建议的能力,所述方法具有以下步骤:
·将所述交通状况(1)转化(110)成图(2),其中,
o所述图(2)的节点与交通参与者的可能位置相应,和
o所述图(2)的边带有权重地被占据,所述权重给通过边连接的节点分别配属一个对于通过控制系统(10)分析处理与所述交通状况(1)有关的参量的值;
·将所述图(2)转化(120)成Petri网(3),所述Petri网将局部状态变化关联如下条件:所述Petri网(3)中的预给定库所被多少量的令牌占据,其中,
o所述图(2)的节点与Petri网中的库所相应,
o所述图(2)的边与局部状态变化相应,和
o所述图的边上的权重(2)确定状态变化的条件;
·求取所述Petri网(3)的至少一个用于在所述Petri网(3)的全局状态之间过渡的传递函数(3a);
·由所述传递函数(3a)来分析处理(140)所述交通状况(1)在怎样的程度上危急(1a)。
2.根据权利要求1所述的方法(100),其中,所述图(2)的通过边与第一节点连接的那些另外的节点与如下位置相应:这些位置从一个与第一节点相应的位置出发位于所述至少一个传感器的检测区域中。
3.根据权利要求1至2中任一项所述的方法(100),其中,所述至少一个传感器包括摄像机、雷达传感器、激光雷达传感器和/或超声波传感器。
4.根据权利要求1至3中任一项所述的方法(100),其中,
·借助至少两个传感器(105)冗余地检测同一交通状况(1);
·为所述交通状况(1)的通过所述传感器中的每个传感器所检测到的形式求取(111,121,131)自己的图(2)、自己的Petri网(3)和对应的所述Petri网(3)的自己的传递函数(3a);
·将所述传递函数(3a)汇总(132)成一个总传递函数(3a*);和
·由所述总传递函数(3a*)来分析处理(141)所述交通状况(1)在怎样的程度上危急(1a)。
5.根据权利要求1至4中任一项所述的方法(100),其中,将所述交通状况(1)至少部分地作为测量的时间序列来检测(106),并且将所述图(2)转化(122)成时间相关的事件的Petri网(3),在所述Petri网中,局部状态变化附加地与时间条件关联。
6.根据权利要求1至5中任一项所述的方法(100),其中,由
·所述Petri网(3)的全局状态的第一演进A,所述第一演进发生在所有库所被对应数量的令牌占据n保持不变时,
·所述Petri网(3)的全局状态的第二演进B,所述第二演进发生在所有库所被对应数量的令牌占据n过渡到所有库所被对应数量的令牌占据m时,和
·所述Petri网(3)的全局状态的第三演进C,所述第三演进发生在所有库所被对应数量的令牌占据p过渡到所有库所被对应数量的令牌占据n时,
来求取(133)所述传递函数(3a)。
7.根据权利要求1至6中任一项所述的方法(100),其中,所述Petri网(3)的传递函数(3a)在半环上求取(134),在所述半环上
·两个元素的加法⊕通过对这两个元素求最大来实施,和
·两个元素的乘法通过这两个元素的加法来实施。
8.根据权利要求6和7所述的方法(100),其中,由不动点方程
y=Cx的至少一个解来分析处理(135)所述Petri网(3)的传递函数(3a),其中,x是n维演化向量,u是p维演化向量,而y是m维演化向量。
9.根据权利要求6和7以及可选地附加地根据权利要求8所述的方法(100),其中,借助
·第一移位算子γ,所述第一移位算子的幂与所述Petri网(3)中的库所处的令牌数量相应,
·第二移位算子δ,所述第二移位算子的幂与所述Petri网(3)中的局部状态变化的数量相应,
·所述加法⊕的单位元ε,和
·所述乘法的单位元e
将所述Petri网(3)的传递函数(3a)参数化(136)。
10.根据权利要求8和9所述的方法,其中,将所述不动点方程表述(137)为
y=ca*bu,
其中,*表示复数共轭,而矩阵a、b、c以γ、δ、ε和e被参数化。
11.根据权利要求10所述的方法(100),其中,将传递矩阵
h=ca*b
作为所述Petri网(3)的传递函数(3a)来评价(137a)。
12.根据权利要求1至11中任一项所述的方法(100),其中,根据预给定的判断标准,由所述传递函数(3a)的至少一个特征值(3b),和/或由所述特征值(3b)的改变来分析处理所述交通状况(1)在怎样的程度上危急(1a)。
13.一种用于验证车辆(50)的或机器人(60)的控制系统(10)的方法(200),所述方法具有以下步骤:
·以在控制系统(10)运行中由至少一个传感器提供交通状况时的形式提供(210)所述交通状况(1);
·借助根据权利要求1至12中任一项所述的方法(100)来分析处理(220)所述交通状况(1)在怎样的程度上危急(1a);
·从所述交通状况(1)中创建(230)选择(1*),在所述选择中,相对于较不危急的交通状况(1)优选更危急的交通状况(1);
·对所述控制系统(10)和/或所述控制系统(10)的模拟模型加载(240)以在所述选择(1*)中所包含的交通状况(1);
·分别检验(250),所述控制系统(10)是否将所述交通状况(1)
映射到针对所述车辆(50)的或所述机器人(60)的未来行为的明确建议上;和
·回应于将每个交通状况(1)映射到一个明确建议上来确定(260),所述控制系统(10)适用于运行所述车辆(50)或所述机器人(60)。
14.一种计算机程序,所述计算机程序包含机器可读的指令,当在一个或者多个计算机上执行所述指令时,所述指令促使所述一个或者多个计算机实施根据权利要求1至13中任一项所述的方法(100,200)。
15.一种机器可读的数据载体和/或下载产品,所述数据载体和/或下载产品具有根据权利要求14所述的计算机程序。
16.一个或多个计算机,所述计算机具有根据权利要求14所述的计算机程序和/或根据权利要求15所述的机器可读的数据载体和/或下载产品。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022201853.2A DE102022201853A1 (de) | 2022-02-22 | 2022-02-22 | Erkennung kritischer Verkehrssituationen mit Petri-Netzen |
DE102022201853.2 | 2022-02-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116954187A true CN116954187A (zh) | 2023-10-27 |
Family
ID=87518587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310187711.3A Pending CN116954187A (zh) | 2022-02-22 | 2023-02-22 | 检验交通状况危急程度的方法、验证控制系统的方法、数据载体和/或下载产品 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116954187A (zh) |
DE (1) | DE102022201853A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018203374A1 (de) | 2018-03-07 | 2019-09-12 | Robert Bosch Gmbh | Fehlerbaumanalyse für technische Systeme |
-
2022
- 2022-02-22 DE DE102022201853.2A patent/DE102022201853A1/de active Pending
-
2023
- 2023-02-22 CN CN202310187711.3A patent/CN116954187A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022201853A1 (de) | 2023-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Image classification: a survey | |
Hu et al. | Computational modeling of the dynamics of human trust during human–machine interactions | |
US11756349B2 (en) | Electronic control unit testing optimization | |
Mazaev et al. | Bayesian convolutional neural networks for remaining useful life prognostics of solenoid valves with uncertainty estimations | |
Muruganandam et al. | A deep learning based feed forward artificial neural network to predict the K-barriers for intrusion detection using a wireless sensor network | |
CN112149491A (zh) | 用于确定探测到的对象的信任值的方法 | |
Shin et al. | Intelligent sensor attack detection and identification for automotive cyber-physical systems | |
Boussemart et al. | Predictive models of human supervisory control behavioral patterns using hidden semi-Markov models | |
CN112765607B (zh) | 一种神经网络模型后门攻击检测方法 | |
SE542335C2 (en) | Method and system for vehicle analysis | |
CN112085281B (zh) | 检测业务预测模型安全性的方法及装置 | |
US20200410282A1 (en) | Method for determining a confidence value of an object of a class | |
Otten et al. | Automated assessment and evaluation of digital test drives | |
CN114118361A (zh) | 一种基于深度学习参数锚定的态势评估方法 | |
Mirus et al. | An investigation of vehicle behavior prediction using a vector power representation to encode spatial positions of multiple objects and neural networks | |
CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
Wachenfeld et al. | Do autonomous vehicles learn? | |
CN113806501A (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
CN114254686A (zh) | 对抗样本的识别方法及装置 | |
CN116954187A (zh) | 检验交通状况危急程度的方法、验证控制系统的方法、数据载体和/或下载产品 | |
CN110309869A (zh) | 面向未知场景的稳定识别方法及装置 | |
US12045156B2 (en) | Method for testing a product | |
CN112149789A (zh) | 用于实施功能测试的方法和设备 | |
CN113134238A (zh) | 关卡设置方法、装置、计算机设备和存储介质 | |
Barthélemy et al. | Comparison of discrete choice models and artificial neural networks in presence of missing variables |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |