DE102004041851A1

DE102004041851A1 - Verfahren zur onboard dynamischen Prognose von Verkehrsparametern

Info

Publication number: DE102004041851A1
Application number: DE102004041851A
Authority: DE
Inventors: Peiguo Zou
Original assignee: DaimlerChrysler AG
Current assignee: Mercedes Benz Group AG
Priority date: 2004-08-27
Filing date: 2004-08-27
Publication date: 2006-03-16

Abstract

Die Erfindung betrifft ein Verfahren zur onboard Erfassung von Objekten im Umfeld eines Fahrzeuges, wobei als Eingangsgrößen des Verfahrens Parameter verwendet werden, die von am Fahrzeug angeordneten Sensoren erfasst werden, wobei die erfassten Parameter zusätzlich zur dynamischen Prognose von Verkehrsparametern verwendet werden.

Description

Die Erfindung betrifft ein Verfahren zur Prognose von Verkehrsparametern nach dem Oberbegriff des Patentanspruchs 1.
Weltweit ist durch die fortschreitende Massenmotorisierung eine ständige Zunahme der Verkehrsdichte zu beobachten. Insbesondere in den industrialisierten Staaten führt dies vermehrt zu Störungen des fließenden Verkehrs, die nicht oder nicht unmittelbar auf singuläre Ereignisse wie beispielsweise Unfälle oder Baustellen zurückgehen, sondern lediglich eine Konsequenz der gestiegenen Verkehrsdichte darstellen. Ein Fahrzeugführer sieht sich in diesem zunehmend komplexen Umfeld mehr und mehr Situationen gegenüber, die seine volle Aufmerksamkeit erfordern. So sind beispielsweise bei mehrspurigem Verkehr insbesondere bei hohem Verkehrsaufkommen von einem Fahrer verschiedenste Entscheidungen in kurzer Zeit zu treffen. Diese Entscheidungen können beispielsweise Überholvorgänge, die Wahl der richtigen Geschwindigkeit oder auch der angemessenen Fahrspur betreffen.
Die beschriebene Situation führt häufig dazu, dass Fahrer unter Stress geraten und dadurch Fehlentscheidungen getroffen werden, was regelmäßig zu Unfällen mit den entsprechenden Sach- und Personenschäden führt.
Um die oben beschriebenen kritischen Situationen zu vermeiden, ist es also wünschenswert, dem Fahrer ein möglichst vollständiges Bild hinsichtlich der ihn betreffenden Verkehrssituation zur Verfügung zu stellen und damit seine Entscheidungen zu erleichtern. Hierzu sind in der Vergangenheit verschiedene Ansätze bekannt geworden.

Eine Lösung der beschriebenen Problematik ist in der japanischen Patentanmeldung JP-2004078482 A vorgestellt. Hier werden die Verkehrsparameter auf einem Streckenabschnitt durch den Einsatz eines Messfahrzeuges gewonnen, anschließend ausgewertet und den betreffenden Fahrzeugführern zur Verfügung gestellt.

Alternativ wird beispielsweise in der japanischen Patentanmeldung JP-2001307278 A vorgeschlagen, den Verkehrsfluss in einem Tunnel kontinuierlich unter Verwendung eines Kalman-Filters abzuschätzen.

In ähnlicher Weise beschreibt die europäische Patentanmeldung EP 1 056 063 A1 ein Verfahren und eine Vorrichtung zur Ermittlung des Verkehrszustandes in einem Steckenabschnitt, das darauf beruht, die Verkehrsstärken am Anfang und am Ende des Streckenabschnittes zu erfassen und aus den erfassten Werten einer Aussage zur aktuellen Verkehrssituation in dem betreffenden Streckenabschnitt abzuleiten, die nachfolgend den betroffenen Verkehrsteilnehmern zugeleitet werden kann.

Den vorstehend beschriebenen Ansätzen ist gemeinsam, dass es sich um sogenannte makroskopische Verfahren zur Verkehrsprädiktion handelt. Dabei werden die Verkehrsparameter jeweils unter Verwendung von Daten aus einem ganzen Streckenabschnitt erfasst und nachfolgend wird eine Prognose für den entsprechenden Abschnitt erstellt.

Im Unterschied hierzu sind seit einiger Zeit Systeme am Markt, die es gestatten, das unmittelbare Fahrzeugumfeld zu erfassen, Abstand und Geschwindigkeit relevanter Objekte auszuwerten und gegebenenfalls direkte Eingriffe in Fahrfunktionen vorzunehmen. Exemplarisch seien hier Systeme wie der unter der Bezeichnung Distronic bekannte Abstandsregeltempomat oder Pre-Crash-Radare erwähnt. Ein entsprechendes System ist beispielsweise in der deutschen Patentanmeldung DE 100 33 045 A1 beschrieben.

Das in der genannten Schrift vorgestellte System erlaubt es jedoch lediglich, kurzfristig auf Objekte im Fahrzeugumfeld zu reagieren und beispielsweise entsprechende Bremsbeziehungsweise Beschleunigungsmanöver automatisiert vorzunehmen. Eine weiter gehende Vorhersage von Verkehrsparametern ist mit dem beschriebenen System nicht möglich.

Es ist Aufgabe der vorliegenden Erfindung, ein Verfahren anzugeben, das es gestattet, die Umfeldsensierung in der Umgebung eines Fahrzeuges zu verbessern und dieser neue Funktionalitäten hinzuzufügen.

Diese Aufgabe wird durch ein Verfahren mit den in Anspruch 1 aufgeführten Merkmalen gelöst. Die Unteransprüche beziehen sich auf vorteilhafte Weiterbildungen der Erfindung.

Der wesentliche Aspekt des erfindungsgemäßen Verfahrens besteht darin, dass die von den am Fahrzeug angeordneten Sensoren erfassten Parameter zur onboard dynamischen Prognose von Verkehrsparametern verwendet werden. Auf diese Weise wird es möglich, allein auf Basis der im näheren Umfeld des Fahrzeuges erfassten Parameter eine Aussage über die aktuelle Entwicklung des Verkehrs in der Umgebung zu treffen, also insbesondere einen sich anbahnenden Stau zu detektieren und den Fahrer beispielsweise entsprechend zu informieren. Damit kann das erfindungsgemäße Verfahren im Gegensatz zu den konventionellen, makroskopischen Verfahren als mikroskopisches Verfahren betrachtet werden. Mit anderen Worten sind nicht Informationen über einen längeren Streckenabschnitt oder am Beginn und Ende eines Streckenabschnittes Basis der Prognose der Verkehrsparameter, sondern lediglich Daten, die aus dem unmittelbaren Umfeld des Fahrzeuges gewonnen werden – typischerweise Informationen über das auf der eigenen Spur vorausfahrende oder auf einer Nachbahrspur befindliche Fahrzeug.

Dabei handelt es sich bei den genannten Sensoren nicht etwa um die speziellen Sensoren eines Messfahrzeuges, sondern um zum Lieferumfang des Fahrzeuges gehörende Sensoren. Auf diese Weise wird der Standardfunktionalität der Fahrzeug-Umfeldsensorik eine weitere vorteilhafte Funktionalität, nämlich die Möglichkeit der Verkehrsprognose hinzugefügt, ohne dass ein zusätzlicher Aufwand für Infrastruktur entlang der Verkehrswege oder auch Hardware am Fahrzeug selbst nötig wäre.

Besonders vorteilhaft ist es in diesem Zusammenhang, wenn als Sensoren Radarsensoren wie insbesondere Sensoren eines Abstandsregeltempomaten und 24GHz-Radarsensoren verwendet werden. Derartige Sensoren finden insbesondere in der automobilen Oberklasse häufig Anwendung. Sie sind dahingehend optimiert, Abstand und Relativgeschwindigkeit eines erfassten Objektes mit hoher Präzision zuverlässig zu erfassen. Damit wird eine hohe Qualität der Eingangsparameter erreicht, durch die eine zuverlässige Arbeitsweise des nachgeschalteten Verfahrens zur Prognose der Verkehrsparameter gewährleistet werden kann.

Eine vorteilhafte Variante der Erfindung besteht darin, dass die Prognose der Verkehrsparameter spurbezogen erfolgt, d. h. dass jeweils für die eigene und die benachbarten Spuren Daten wie beispielsweise Entfernung und Geschwindigkeit von Objekten erfasst werden und nachfolgend die Prognose der Verkehrsparameter für jede Fahrspur gesondert erfolgen kann. Gerade bei mehrspurigem Verkehr ist es von erheblicher Bedeutung, die Entwicklung des Verkehrs auf den Nachbarspuren, wie beispielsweise ein sich anbahnender Stau auf der Nachbarspur, zuverlässig vorhersagen zu können und damit die Wahl der richtigen Spur nicht mehr der Intuition des Fahrers überlassen zu müssen.

Eine vorteilhafte Wahl zur dynamischen Prognose der Verkehrsparameter stellt ein verkehrsadaptives Kalman-Filtering-Verfahren dar. Derartige Verfahren haben sich aufgrund ihrer Robustheit und Zuverlässigkeit für die Verkehrsprognose bereits vielfach bewährt. Der besondere Vorteil des erfindungsgemäßen Verfahrens liegt insbesondere darin, dass das genannte Verfahren im Fahrzeug selbst, also onboard, zur Anwendung kommt und damit die Notwendigkeit einer Kommunikation mit einem Zentralrechner entfällt. Die im Fahrzeug ohnehin vorhandene Rechenkapazität kann in diesem Fall vorteilhaft in einer neuen Verwendung eingesetzt werden. Die Einsatzmöglichkeiten des Verfahrens erhöhen sich durch diese Maßnahme erheblich.

Von besonderem Vorteil ist es dabei, wenn die spurbezogenen Verkehrsabläufe als Markov-Prozesse betrachtet und mit einem auto-regressiven Modell erster Ordnung beschrieben werden.

Eine zusätzliche Kommunikation mit mindestens einem Fahrzeug, das sich außerhalb der Sensorreichweite befindet, bietet den weiteren Vorteil, dass sich der prognostizierbare Zeitraum weiter erhöht und auf diese Weise Zeit für eine eigene Reaktion gewonnen wird.

Nachfolgend wird die Erfindung anhand eines Ausführungsbeispieles näher erläutert.
Dabei zeigt 1 eine exemplarische Verkehrssituation auf zwei benachbarten Fahrspuren zu den beiden Zeitpunkten t und t + Δt (Δt = Zykluszeit der Messungen, i.d.R. ca. 0,5s; zur Vereinfachung wird t + Δt im folgenden Algorithmus mit t + 1 ersetzt, t + k bedeutet t + kΔt).
Aus den erfassten Sensordaten lassen sich die folgenden Größen bestimmen:

• Eigene Geschwindigkeit v_e und die des vorausfahrenden Fahrzeuges v_f
• Abstand zum vorausfahrenden Fahrzeug soweit im Sensorbereich (ca. 150 m): d_e
• Abstand zum vorbeifahrenden Fahrzeug auf der Nachbarspur: Δd_mess
• Geschwindigkeit des vorbeifahrenden Fahrzeugs auf der Nachbarspur: V_n, n = links, rechts
• Zeit und Abstand zwischen zwei aufeinanderfolgenden Messungen: Δt, Δd_eigen

Die spurbezogenen Verkehrsabläufe lassen sich allgemein als Markov-Prozesse betrachten und mit einem autoregressiven Modell erster Ordnung beschreiben, wie nachfolgend dargestellt:
Dabei gilt: x(t + 1) = Φ(t) × (t) + w(t) (1)mit
x(t) = [v_e(t),d_e(t),v_n(t),d_n(t)]^T als Statusvektor zum Zeitpunkt t, beschrieben mit den mittleren Geschwindigkeiten und Abständen eigener und benachbarter Spur (links und rechts)
Φ(t) eine n × n (hier n = 4 bei 2-spurigen Straßen und n = 6 bei 3- und mehrspurigen Straßen) Statustransfermatrix
w(t) Modellfehler mit folgenden Statistiken: E[w(t)] = s(t); Cov[w(t), w(t)] = S(t) (2)
Dabei werden die relativen Änderungen der mittleren Geschwindigkeiten und Abstände vom Zeitpunkt (t – 1) zum Zeitpunkt t mit θ(t) = [θ₁(t), θ₂(t), θ₃(t), θ₄t)]^Tbeschrieben: θi(t) = xi(t)/xi(t – 1), wobei i die i-te Größe des Statusvektors x(t), also z.B. x1(t) = ve(t). (3)
Allgemein lässt sich θ(t) auch als Markov-Prozess betrachten und mit einem autoregressiven Modell erster Ordnung beschreiben: θ(t + 1) = Γ(t)θ(t) + ξ(t), mit E[ξ(t)] = q(t); Cov[ξ(t), ξ(t)] = Q(t) (4)
Insbesondere wenn der Verkehr nicht durch externe Maßnahmen beeinflusst wird, kann θ(t) auch als „generalized random walking process" betrachtet und wie folgt beschrieben werden (also Γ(t) = I): θ(t + 1) = θ(t) + ξ(t), mit E[ξ(t)] = q(t); Cov[ξ(t), ξ(t)] = Q(t) (5)
Nachfolgend sollen mit den onboard erfassten Messdaten die oben genannten Modelle, also die Matrix Φ(t) bzw. θ(t), verkehrsadaptiv (zeitlich wie räumlich) gebildet werden; daraus sind die mittleren Geschwindigkeiten und Abstände, also x(t), zu ermitteln.
Als erste Annäherungswerte werden die durch zwei aufeinanderfolgende Fahrzeuge gewonnenen Messdaten y_mess(t) und y_mess(t – 1) zur Berechnung der Mittelwerte y(t), die sich aus folgenden gewichteten Leastsquare (LS) Optimierungsproblemen ergeben, benutzt:
wobei λ < 1 ein so genannter Vergessfaktor ist, durch den die vergangenen Daten allmählich „vergessen" (λⁿ→0, wenn n→∝) bzw. die aktuellen Daten betont werden. Daraus ergeben sich: ve= (Vf2 + λvf1 + ve2 + λve1)/(2 + 2λ) de= (de2 + λde1)/(1 + λ) vn= (vn 2 + λvn1)/(1 + λ) dn= (dn2 + λdn1)/(1 + λ) (7)
Da die onboard Messdaten bei geringeren Relativgeschwindigkeiten zwischen benachbarten Spuren über längere Zeit nicht erfasst werden und durch Spurwechsel der Fahrzeuge auch fehlerhaft (z.B. nicht dieselben aufeinander folgende Fahrzeuge erfasst) sein können, müssen diese Fehler mit in die Modelle einbezogen werden, also: y(t) = x(t) + e(t), mit E[e(t)] = r(t); Cov[e(t), e(t)] = R(t) (8)wobei y(t) Messdaten von x(t) mit Messfehlern e(t) sind.
Um die mittleren Geschwindigkeiten und Abstände x(t) durch die oben ermittelten y(t) zu bekommen, ist das folgende Optimierungsproblem, in dem alle bis zum Zeitpunkt t erfassten Messdaten (k = 1, 2, ..., t) mit einem Vergessfaktor λ berücksichtigt werden, zu lösen:
Da in diesem Optimierungsproblem nicht die einzelnen Optima sondern das Gesamtoptimum der mittleren Geschwindigkeiten und Abstände auf der beobachteten Strecke gesucht wird, werden die Wechselwirkungen der benachbarten Spuren durch Spurwechsel der Fahrzeuge mit berücksichtigt, was bisher in anderen Verfahren nicht möglich bzw. nur empirisch und nicht dynamisch machbar war.
Das Optimierungsproblem (9) mit den Modellen (1)-(5) und (8) kann mit der adaptiven Kalman-Filtering-Methode dynamisch (verkehrsadaptiv) und rekursiv gelöst werden, d.h., nur die aktuellen Messdaten müssen gespeichert werden. Aus diesem Grund tritt auch bei Messungen über einen längeren Zeitraum kein Speicherkapazitätsproblem auf.
Der Algorithmus ist an dieser Stelle nur in seinen Grundzügen wie folgt dargestellt: x(t + k|t) = [y(t + k|t) + λy(t + k – 1|t)]/(1 + λ) y(t + k|t) = Φ(t + k – 1|t)y(t + k – 1|t) + r(t + k), (10) wobei Φij(t + k – 1|t) = θi(t + k|t), wenn i = j, sonst 0 (11) θ(t + k|t) = θ(t + k – 1|t) + q(t + k – 1) (12)mit Initialwerten θ(0|0) = 1 und q(0) = r(0) = 0.
x(t + k|t) stellt einen Schätzungswert dar, der auf Messdaten bis zum Zeitpunkt t basiert; x(t + 1|t) ist ein 1-step (einen Schritt voraus berechneter) Schätzungswert und x(t|t) ein so genannter gefilterter Wert (also ohne Messfehler).
Ein wesentlicher Vorteil des verkehrsadaptiven Kalman-Filtering-Verfahrens ist, dass sich allein mit den mitfahrenden Sensoren sowohl die Verkehrsmodelle, die den Verkehr auf der beobachteten Strecke beschreiben, als auch die aktuellen mittleren Geschwindigkeiten und Abstände sowie deren Änderungen (Gradienten θ) immer einen Schritt vorausberechnen lassen.
Die aufgebauten Modelle gestatten es auch, Schätzungswerte zu liefern, wenn über längere Zeit keine vorbeifahrenden Fahrzeuge erfasst werden und somit keine Messdaten vorliegen. Die dynamische Prognose ermöglicht ein lückenfreies vorausschauendes Fahren.
Insbesondere wenn der Verkehr ohne großes Ereignis (z.B. Stau) sanft abläuft, lassen sich mittlere Spurgeschwindigkeiten und Abstände x_i(t + k|t) wie folgt berechnen: xi(t + k|t) = yi(t + k – 1|t) {λ + [θ(t|t) + kq(t)]r(t)}/(1 + λ), (13)i entspricht v_e, d_e, v_n, d_n Durch Kommunikation mit vorausfahrenden Fahrzeugen kann festgestellt werden, ob im Bereich dieser Fahrzeuge der Verkehr noch störungsfrei fließt:
(o.k., wenn z.B. v_e(t + k|t) – v_f(t + k) < 20 km/h bei v_e = 100 km/h).
Es ist darüber hinaus vorteilhaft, das Verfahren um einen Synchronisationsmechanismus zu ergänzen. Das Kalman-Filtering-Verfahren wird dann nach den erkannten Ereignissen (große Störungen, Staus/Stop&Go) den Verkehr zwischen den benachbarten Spuren synchronisieren, wie dies in der Realität der Fall ist. Dieser Synchronisationsmechanismus kann je nach Verkehrssituation ein- und ausgeschaltet werden. Durch die Synchronisation kann das Kalman-Filtering-Verfahren die Prognose für benachbarte Spuren korrigieren und den Fahrer frühzeitig vor evtl. bevorstehenden Störungen warnen.
Das Kalman-Filtering-Verfahren kann die durch Messfehler und kleinere Störungen verursachten Schwankungen bis zu 90% filtern und die richtigen Mittelwerte errechnen. Die verkehrlichen Änderungen wie bspw. Beschleunigungen und Verzögerungen werden dadurch nicht beeinträchtigt.
Es hat sich gezeigt, dass das Kalman-Filtering-Verfahren mit bis zu 10% Prognosefehlern in den Übergangsphasen (Störungs-/Stauauf- und -abbau) eine sehr gute 1-step Prognose gestattet. Durch den Einsatz des Synchronisationsmechanismus können größere Prognosefehler in den Übergangsphasen bis zu 90% reduziert werden.
Das Kalman-Filtering-Verfahren ermöglicht es, nahezu alle Übergangsphasen (Störungs-/Stauauf- und -abbau) zuverlässig zu erkennen, unterscheidet sicher die durch Messfehler und kleinere Störungen verursachten Schwankungen von großen Störungen.
Auf diese Weise gestattet das erfindungsgemäße Verfahren eine gute Trendprognose bis zu 30s im Voraus und damit das frühzeitige Auslösen entsprechender Assistenzfunktionen.

Claims

Verfahren zur onboard Erfassung von Objekten im Umfeld eines Fahrzeuges, wobei als Eingangsgrößen des Verfahrens Parameter verwendet werden, die von am Fahrzeug angeordneten Sensoren erfasst werden, dadurch gekennzeichnet, dass die erfassten Parameter zusätzlich zur dynamischen Prognose von Verkehrsparametern verwendet werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als Sensoren Radarsensoren, insbesondere Sensoren eines Abstandsregeltempomaten und 24GHz-Radarsensoren verwendet werden.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Prognose der Verkehrsparameter spurbezogen erfolgt.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass zur Prognose der Verkehrsparameter ein verkehrsadaptives Kalman-Filtering-Verfahren im Fahrzeug selbst verwendet wird.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die spurbezogenen Verkehrsabläufe als Markov-Prozesse betrachtet und mit einen auto-regressiven Modell erster Ordnung beschrieben werden.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass zusätzlich eine Kommunikation mit mindestens einem Fahrzeug erfolgt, das sich außerhalb der Sensorreichweite befindet.