DE102006051930A1

DE102006051930A1 - Verfahren und Vorrichtung zur Fahrerzustandserkennung

Info

Publication number: DE102006051930A1
Application number: DE102006051930A
Authority: DE
Inventors: Carsten Schmitz
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2006-11-03
Filing date: 2006-11-03
Publication date: 2008-05-15
Anticipated expiration: 2026-11-04
Also published as: JP2010508611A; CN101535079A; US20090322506A1; EP2086785A1; WO2008052827A1; JP5546655B2; DE102006051930B4; JP2013140605A; CN101535079B

Abstract

Es werden ein Verfahren und eine Vorrichtung zur Fahrerzustandserkennung vorgeschlagen. Dabei wird ein den Fahrerzustand charakterisierendes Signal abgeleitet aus der Häufigkeit der Minima im zeitlichen Verlauf einer Größe, welche das Fahrspurhalteverhalten des Fahrers repräsentiert.

Description

Stand der Technik
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Fahrerzustandserkennung.
Die DE 102 10 130 A1 beschreibt ein Verfahren und eine Vorrichtung zur Fahrerwarnung, bei welchem ein Aufmerksamkeitsgrad des Fahrers berücksichtigt wird. Dieser Aufmerksamkeitsgrad wird abgeleitet aus dem Lenkwinkel, insbesondere aus einer Änderung des Lenkwinkels wie seines Gradienten und/oder der Frequenz der Winkeländerungen und/oder des Abstands aufeinander folgender Lenkwinkeländerungen. Darüber hinaus sind weitere Einflussgrößen zur Erkennung des Fahrerzustandes beschrieben, wie beispielsweise die Gaspedalstellung und ihre Änderung.
In der DE 102004039142 A1 werden so genannte Spurverlassenswarner („Lane-Departure-Warning) Systeme beschrieben, bei denen die Zeitdauer ermittelt wird, die das Fahrzeug unter Beibehaltung des aktuellen Fahrzustands bis zum Verlassen der Fahrspur benötigen wird (Time-to-line-crossing, TLC). Unterschreitet dieser Wert einen Grenzwert, wird der Fahrer gewarnt.
Offenbarung der Erfindung
Eine deutliche Verbesserung der Fahrerzustandserkennung, insbesondere deren Zuverlässigkeit, wird dadurch erreicht, dass das den Fahrerzustand signalisierende Signal aus einer Größe abgeleitet wird, welche die Häufigkeit der auftretenden Extremwerte im zeitlichen Verlauf einer das Spurverhalten des Fahrers repräsentierenden Größe anzeigt. Es hat sich gezeigt, dass eine solche Größe bei einem schläfrigen oder unaufmerksamen Fahrer ein charakteristisches Verhalten ausweist, welches zur Fahrerzustandserkennung ausgewertet werden kann. Durch Auswertung dieser Größe wurden zufrieden stellende Ergebnisse hinsichtlich Zuverlässigkeit und Trefferquote erzielt. Vorteilhaft ist insbesondere die hohe Quote der richtigen Klassifzierung eines schläfrigen Fahrers. Als besonders vorteilhaft hat sich die entsprechende Auswertung der Größe „Time-to-line-crossing" gezeigt.
Bei der Verwendung eines solchen Kriteriums ergibt sich eine sehr hohe Trefferquote zur Erkennung des schläfrigen Fahrers. Besondere Vorteile bietet diese Methode in Verbindung mit Fahrerassistenzsytemen, welche in Abhängigkeit des ermittelten Fahrerzustandes gesteuert werden, beispielsweise Schwellen zur Auslösung einer Warnung an den Fahrer oder die Art der Warnung (z. B. laut, leise) abhängig vom Fahrerzustand einstellen.
Besondere Vorteile wurden durch den Einsatz eines neuronalen Klassifikators zur Fahrerzustandserkennung erreicht, mit dessen Hilfe die oben genannte Größe mit anderen Größen (gleich bleibende Lenkradstellung ohne Lenkkorrektur und/oder gleich bleibende Lenkradstellung mit Lenkkorrektur sowie gegebenenfalls anderer Größen) zur Fahrerzustandserkennung kombiniert werden können.
Weitere Vorteile ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen bzw. aus den abhängigen Patentansprüchen.
Die Erfindung wird nachstehend anhand der in der Zeichnung dargestellten Ausführungsformen näher erläutert. 1 zeigt eine Vorrichtung zur Fahrerzustandserkennung. 2 zeigt ein Ablaufdiagramm, welches die Realisierung eines Verfahrens zur Fahrerzustandserkennung als Rechnerprogramm skizziert. 3 schließlich zeigt eine Fahrerzustandserkennung mit neuronalem Klassifikator.
1 zeigt eine Vorrichtung zur Fahrerzustandserkennung. Wesentliche Bestandteile sind dabei eine elektronische Steuereinheit 10, die im Wesentlichen aus Komponenten wie Eingangsschaltung 12, Rechner 14 und Ausgangsschaltung 16 besteht. Diese Komponenten sind mit einem Bussystem 10 zum gegenseitigen Informations- und Datenaustausch verbunden. An der Eingangsschaltung 12 sind, vorzugsweise über ein Bussystem, verschiedene Sensoren angeschlossen. Im Zusammenhang mit der nachfolgend beschriebenen Vorgehensweise wird in einer Ausführung die nachfolgend beschriebene Sensorik angewendet. Alternativ dazu kann in einer anderen Ausführung eine andere Sensorik, die entsprechende Größe erfasst oder aus deren Messgrößen entsprechende Größen abgeleitet werden können, eingesetzt werden. Daneben können an die Vorrichtung weitere Sensoren angebunden sein, deren Signale im Rahmen anderer Funktionalitäten ausgewertet werden. Über eine Zuleitung 20 wird ein Lenkwinkelsensor 22 an die Eingangsschaltung 12 angebunden. Über eine weitere Eingangsleitung 24 wird eine Videokamera 26, die die Szene vor dem Fahrzeug erfasst und die Basis zur Erkennung von Fahrbahnrandmarkierungen ist, mit der Eingangsschaltung 12 verbunden. Weiterhin sind über die Eingangsleitungen 28 bis 32 weitere Sensoren 34 bis 38 verbunden, beispielsweise zur Erfassung der Gaspedalstellung, des Ausmaßes der Bremsbetätigung, etc., deren Signale in einer Ausführung der Erfindung von Bedeutung sind. Über die Ausgangsschaltung 16 werden Informationen ausgegeben, beispielsweise über eine Ausgangsleitung 40, eine Warnlampe 42 bzw. ein Informationsdisplay 42 angesteuert, mittels derer der Fahrerzustand angezeigt werden kann. Über eine Ausgangsleitung 24 wird in einer Ausführung ein Aktuator 46 angesteuert zur Einflussnahme auf den Lenkwinkel des Fahrzeugs, die Beschleunigung und/oder die Verzögerung des Fahrzeugs.
In einer bevorzugten Ausführungsform ist Teil der in 1 geschilderte Vorrichtung ein Fahrerassistenzsystem, welches auf der Basis einer Fahrspurerkennung arbeitet, wie beispielsweise so genannte Spurverlassenswarner (lane departure warning). Derartige Systeme sind beispielsweise aus dem eingangs genannten Stand der Technik bekannt. Bei diesen Systemen wird aus dem Bild der Videokamera der Verlauf der Fahrspurmarkierungen erkannt, die Position des eigenen Fahrzeugs bzw. die zu erwartende Position des eigenen Fahrzeugs mit diesen Fahrbahnrandmarkierungen verglichen und eine Warnung an den Fahrer bzw. einen Eingriff in die Lenkung ausgegeben, wenn das Fahrzeug die Fahrspur verlässt bzw. zu verlassen droht. Ein wesentlicher Parameter, welcher in diesem Zusammenhang ermittelt wird, ist der laterale Abstand des Fahrzeugs zur Fahrbahnrandmarkierung bzw. eine aus diesem abgeleiteten Grenze.
Zufriedenstellende Ergebnisse einer Fahrerzustandserkennung lassen sich durch Berücksichtigung einer Größe erzielen, welche das Spurverhalten des Fahrers repräsentiert. Eine Fahrerzustandserkennung wird dadurch durchgeführt, dass diese Größe überprüft wird und die Häufigkeit von Extremwerten, vorzugsweise Minima, in dem zeitlichen Verlauf einer solchen Größe festgestellt werden. Je häufiger die Minima auftreten, desto eher kann von einem schläfrigen oder unaufmerksamen Fahrer ausgegangen werden. Vergleicht man die Häufigkeit der Minima mit einem Grenzwert, so kann bei Überschreiten des Grenzwerts von einem schläfrigen bzw. unaufmerksamen Fahrer ausgegangen werden. Als Größe haben sich insbesondere der erfassten laterale Abstand zur Fahrbahnrandmarkierung oder die Zeit, die das Fahrzeug zum Erreichen der Fahrbahngrenze benötigen wird (TLC, time-to-line-crossing) bewährt.
Im Zusammenhang mit der nachfolgend beschriebenen Vorgehensweise zur Fahrerzustandserkennung wird in einer Ausführung auch eine die Lenkradbewegung durch den Fahrer repräsentierende Größe verwendet. Je nach Ausführungsform stehen zur Ermittlung einer solchen Größe verschiedene Sensoren zur Verfügung, beispielsweise ein Sensor zur Erfassung des Lenkradwinkels, ein Sensor zur Erfassung der Radstellungen, ein Sensor zur Erfassung der Gierrate, ein Sensor zur Erfassung der Querbeschleunigung, etc.
Hieraus lässt sich eine weitere Möglichkeit zur Erkennung des Fahrerzustandes ableiten, indem der Verlauf wenigstens eines Betätigungssignals des Fahrers, insbesondere des Lenkwinkels bzw. ein dazu vergleichbares Signal überprüft wird und bei einem typischen Verhalten dieses Signals auf eine Unaufmerksamkeit des Fahrers oder beispielsweise einen Sekundenschlaf des Fahrers geschlossen wird. So wird in einem bevorzugten Ausführungsbeispiel der zeitliche Verlauf des Lenkwinkels erfasst und überprüft. Ergibt sich zunächst eine Lenkwinkelgeschwindigkeit im Bereich von Null mit einer anschließenden Lenkkorrektur und einer Lenkgeschwindigkeit größer als ein bestimmter Grenzwert, so wird von einer Unaufmerksamkeit des Fahrers bzw. einer Müdigkeit des Fahrers ausgegangen. Dieses Verhalten repräsentiert eine typische Fahrerreaktion bei Unaufmerksamkeit, der schreckhaft auf sein falsches Fahren reagiert, indem er stark in das Lenkrad eingreift und eine Lenkkorrektur vornimmt. Wesentlich dabei ist auch, dass der Fahrer vor dem plötzlichen Lenkeingriff keine wesentliche Reaktion am Lenkrad zeigt.
Eine Verbesserung der Fahrerzustandserkennung wird dadurch erreicht, dass nicht nur das Auftreten eines solchen Verhaltensmusters überprüft wird, sondern dass auch eine Messung der Häufigkeit und/oder des zeitlichen Abstandes eines solchen Verhaltensmusters überwacht wird und ein schläfriger bzw. unaufmerksamer Fahrer dann angenommen wird, wenn derartige Lenkkorrekturen häufiger auftreten als vorgegeben.
Besonders genaue Ergebnisse bei der Fahrerzustandserkennung erhält man bei einer Kombination dieser Größen, nämlich dann, wenn eine große Häufigkeit von Minima des Verlaufs einer Abstandgröße (lateraler Abstand oder TLC) zur Fahrbahnrandmarkierung oder einer daraus abgeleiteten Schwelle bei gleich bleibendem Lenkwinkel und anschließender Lenkkorrektur erkannt wird.
Weitere Größen, die zur Erkennung der Müdigkeit des Fahrers ausgewertet werden, sind beispielsweise eine Standardabweichung der lateralen Position des Fahrzeugs in der Fahrspur, die Auswertung von Lenkgeschwindigkeiten, die Auswertung der Lidschiagfrequenz und/oder der Dauer des Schließens von Augen des Fahrers oder auch die Auswertung von Fahrzeugdaten, beispielsweise der Gaspedalstellung, etc. Einige dieser Kriterien sind unter dem Begriff „Perclos" dem Fachmann bekannt.
Es hat sich gezeigt, dass eine Kombination von wie oben dargestellten Kriterien eine weitere Verbesserung mit sich bringt und somit ein Maß für den Fahrerzustand aus einer Kombination von allen oder einigen der oben genannten Merkmalen gefunden werden kann. Dabei wird ein neuronaler Klassifikator eingesetzt, dem die auszuwertenden Merkmale zugeführt werden. Ein Beispiel für einen solchen neuronalen Klassifikator ist in 3 gezeigt. Dabei werden dem Klassifikator die oben genannten Signale zugeführt, die sich als Funktionen der Zeit darstellen. In einem bevorzugten Ausführungsbeispiel werden nicht alle diese Merkmale verwendet, sondern lediglich die Auswertung der Extremwerte im Verlauf einer das Spurverhalten des Fahrers anzeigenden Größe (Abstandsgröße zur Fahrspurrandmarkierung, TLC) bzw. einer daraus abgeleiteten Schwelle und die Häufigkeit der gleich bleibenden Lenkradstellungen mit und/oder ohne anschließende Lenkkorrektur. Bereits damit lassen sich beachtliche Ergebnisse erzielen.
Eine wesentliche Erkenntnis ist die Beobachtung des Verlaufs des lateralen Abstandes zu einer Fahrbahnrandmarkierung bzw. einer daraus abgeleiteten Größe oder auch einer vergleichbaren Größe, wie beispielsweise der Zeit, die das Fahrzeug benötigt, bei gleich bleibendem Fahrzustand die Fahrbahnrandmarkierung oder eine daraus abgeleitete Schwelle zu überschreiten. Der Fahrerzustand wird dabei in bevorzugter Weise aus der Häufigkeit der Minima des Verlaufs der Kurve einer solchen Größe abgeleitet. Übersteigt die Häufigkeit dieser Minima innerhalb einer gewissen Zeitspanne einen vorgegebenen Grenzwert, wird von einem schläfrigen und/oder unaufmerksamen Fahrer ausgegangen.
2 zeigt anhand eines Ablaufdiagramms eine entsprechende Vorgehensweise. Das dargestellte Ablaufdiagramm skizziert das Programm der Steuereinheit 10, welches in vorgegebenen Zeitpunkten durchlaufen wird. Zunächst wird im Schritt 100 der ermittelte Wert (TLC) der Zeitdauer, die das Fahrzeug bei im Wesentlichen gleich bleibendem Fahrzustand benötigt bis zum Überschreiten der Fahrbahnrandmarkierung bzw. einer daraus abgeleiteten Schwelle, eingelesen. Dieser Wert wird in Schritt 102 zusammen mit dem Erfassungszeitpunkt gespeichert. Daraufhin wird in Schritt 104 aus dem aktuellen und aus zurückliegenden Werten berechnet, ob ein Extremwert des Kurvenverlaufs dieser Größe (TLC) vorliegt. Dieser Extremwert ist in der Regel ein Minimalwert des Werteverlaufs. In einer Ausführung erfolgt die Berechnung durch Differenzenbildung über eine vorgegebene Anzahl von Werten. Andere Verfahren zur Ermittlung von Extremwerten in einer zeitlichen Wertereihe können auch Anwendung finden. Im Schritt 106 wird dann überprüft, ob ein Minimum der Kurve vorliegt. Dabei wird in einer bevorzugten Ausführung nicht zwischen der rechten und linke Fahrzeugseite unterschieden. Die Betrachtung einer Fahrzeugseite reicht aus. In einer anderen Ausführung wird das hier skizzierte Programm für die linke und für die rechte Randmarkierung durchlaufen, jeweils die Minima ermittelt und die Häufigkeit aus beiden Seiten bestimmt. Liegt in Schritt 106 ein Minima vor, wird in diesem Fall im Schritt 108 ein Zähler inkrementiert. Dieser Zähler hat die Eigenschaft, dass er bei jedem Erkennen eines Minimums der TLC-Kurve inkrementiert wird, nach Ablauf einer bestimmten Zeit jedoch dekrementiert wird. Auf diese Weise lässt sich die Häufigkeit des Auftretens von Minima in der TLC-Kurve innerhalb einer gewissen Zeitspanne feststellen. Im darauf folgenden Schritt 110 wird überprüft, ob der Zählerstand einen bestimmten Wert erreicht bzw. überschritten hat. Ist dies der Fall, so wird gemäß Schritt 112 der Fahrerzustand als müde bzw. unaufmerksam klassifiziert und das skizzierte Programm zum nächsten Zeitpunkt erneut durchlaufen. Im Falle von negativen Antworten in Schritt 106 bzw. 110 erfolgt in Schritt 114 eine Klassifizierung des Fahrerzustandes als aufmerksam, worauf das skizzierte Programm mit Schritt 100 zum nächsten Zeitpunkt wiederholt wird.
In einem weiteren vorteilhaften Ausführungsbeispiel wird ergänzend zur Ermittlung der Minima in der TLC-Kurve mit den Häufigkeiten gleich bleibender Lenkradstellung für längere Zeitspannen während der Fahrt und/oder den Häufigkeiten gleich bleibender Lenkradstellung für längere Zeitspannen während der Fahrt mit anschließender Lenkkorrektur ausgewertet. Dabei wird der Fahrer als unaufmerksam klassifiziert, wenn wenigstens zwei dieser Merkmale vorbestimmte Grenzwerte überschreiten. Das Nichtbewegen des Lenkrads während längerer Zeitspannen wird dabei aus den Lenkwinkeländerungen bzw. aus Änderungen entsprechender Größen abgeleitet, wenn diese für eine vorgegebene Zeitspanne innerhalb eines vorgegebenen Toleranzbands liegen.
Besonders vorteilhaft ist auch eine Kombination der Häufigkeit der Minima der TLC-Kurve mit dem Nichtbewegen des Lenkrads während der Überschreitung lateraler Schwellen zur Abschätzung des unaufmerksamen Fahrerzustandes. Überschreitet das Fahrzeug die ermittelte Fahrbahnrandmarkierung bzw. eine daraus abgeleitete Schwelle und wird währenddessen das Lenkrad nicht oder nur im Rahmen vorgegebener Toleranzen bewegt, wird von einem unaufmerksamen Fahrer ausgegangen, wenn gleichzeitig die Häufigkeit der Minima der TLC-Kurve eine bestimmte Größe erreicht oder überschritten haben.
Es hat sich gezeigt, dass all diese Vorgehensweisen befriedigende Klassifikationsergebnisse bringen.
Eine weitere Verbesserung der Klassifikationsergebnisse ergibt sich durch den Einsatz eines neuronalen Klassifikators, der zumindest die oben genannten Merkmale der Minima der TLC-Kurve und den Häufigkeiten der gleich bleibenden Lenkstellungen mit und ohne Lenkkorrektur auswertet. In einer vorteilhaften Erweiterung werden dabei weitere Größen verknüpft, beispielsweise die Lenkgeschwindigkeiten, die anhand eines Lenkradwinkels, eines Lenkwinkelsensors, Gierrate- oder Querbeschleunigungssensor ermittelt werden, wobei bei ruckartigen Lenkbewegungen, d. h. hohen Lenkgeschwindigkeiten, von einem unaufmerksamen Fahrer ausgegangen wird. Ferner hat sich die Ermittlung einer Standardabweichung der lateralen Position des Fahrzeugs in der Fahrspur als eine wichtige Größe erwiesen, ebenso wie die in der Literatur als Perclos bekannten Betätigungsgrößen des Fahrpedals und/oder Bremspedals und/oder der Überwachung der Lidschlagfrequenz bzw. der durchschnittlichen Zeitdauer von geschlossenen Lidern.
3 zeigt den Aufbau einer entsprechenden Vorrichtung zur Fahrermüdigkeitserkennung unter Verwendung eines neuronalen Klassifikators 200. Der in 3 ausgeführte neuronale Klassifikator ist mehrlagig. Als Ausgangsgröße der Ebene U3 des neuronalen Klassifikators wird ein Klassifizierungssignal ausgegeben und an eine Anzeige und/oder ein weiteres Steuersystem 202 abgegeben, wobei das Klassifizierungssignal einen unaufmerksamen bzw. müden Fahrer anzeigt. Im bevorzugten Ausführungsbeispiel ist bei einem als müde angenommenen Fahrer ein Signal vorhanden, bei einem als aufmerksam klassifizierten Fahrer kein Ausgangssignal vorhanden. Die in der ersten Ebene U1 des neuronalen Klassifikators eingegebenen Eingangsgrößen sind in einer bevorzugten Ausführung die oben unter Perclos bezeichneten Merkmale, d. h. ein Maß für die Lidschlagfrequenz bzw. die Zeitdauer, während der die Lider geschlossen werden, und/oder ein Maß für die Betätigungsart von Bedienelementen wie Gaspedal bzw. Bremspedal. Ferner wird die Standardabweichung der lateralen Position des Fahrzeugs auf der Fahrbahn eingegeben. Eine dritte Eingangsgröße ist ein Maß für die Größe der Lenkgeschwindigkeiten, die vierte Eingangsgröße stellt die Häufigkeit der Minima der TLC-Kurve dar, während die fünfte und letzte Eingangsgröße ein Maß für die Häufigkeit einer gleich bleibenden Lenkradstellung mit und/oder ohne überreaktive Lenkkorrekturen. Es hat sich gezeigt, dass die beiden letztgenannten Merkmale bereits gute Klassifikationsergebnisse zeigen, während die zusätzlichen erstgenannten drei Merkmale zur Fahrerzustandserkennung eine weitere Verbesserung darstellen, in manchen Ausführungsbeispielen aber auf diese Merkmale bzw. eines oder mehrere davon verzichtet wird.
Das dem ersten Eingang des neuronalen Klassifikators 200 zugeführte Signal über die Größe der Lidschlagfrequenz bzw. der Dauer des Schließens der Lider wird von einer den Fahrer beobachteten Kamera 204 mit entsprechender Bildauswertung aufgenommen, eine Größe für die genannten Kriterien berechnet und dem neuronalen Klassifikator zugeführt. Wird anstelle oder zusätzlich zur Lidschlagfrequenz bzw. der Zeitdauer des Schließens der Lider die Betätigungsgeschwindigkeit von Gaspedal und/oder Bremspedal ausgewertet, so erfolgt dies in Abhängigkeit der entsprechenden Stellungssignale, wobei das Mittel 204 dann eine Größe für die Betätigungsgeschwindigkeit an den neuronalen Klassifikator übermittelt.
Die zweite Eingangsgröße stellt ein Maß für den lateralen Abstand des Fahrzeugs zu einer Randmarkierung dar. Dabei wird beispielsweise mittels einer im Fahrzeug angebrachten Kamera 206 samt Bildauswerteeinheit die Fahrbahn erfasst und die Position des Fahrzeugs innerhalb der Fahrbahn berechnet. Die einzelnen Messergebnisse werden dann in der Berechnungseinheit 208 gemittelt und die Standardabweichung in den gemittelten Messwerten ermittelt und dem neuronalen Klassifikator zugeführt. Die Überlegung, die dahinter steckt, ist, dass die Standardabweichung umso größer ist, je unaufmerksamer der Fahrer ist, da er das Fahrzeug innerhalb seiner Spur sich hin und her bewegt.
Eine weitere Eingangsgröße ist die Lenkgeschwindigkeit. Dabei wird in der Messeinrichtung 210 der Lenkradwinkel, der Lenkwinkel oder eines der oben genannten vergleichbaren Signale ermittelt und in der Berechnungseinheit 212 die Lenkgeschwindigkeit ermittelt. Diese Größe wird dann dem neuronalen Klassifikator 200 zugeführt.
Weiterhin ist als vierte Eingangsgröße die Häufigkeit der Minima der TLC-Kurve vorgesehen. Dabei wird beispielsweise durch eine Fahrerassistenzfunktion (Spurverlassenswarner 214) die Zeit ermittelt, die das Fahrzeug ohne Lenkkorrektur benötigt, die Fahrbahnrandmarkierungen bzw. eine daraus abgeleitete Schwelle zu überschreiten. Aus diesen Größen wird wie oben dargestellt ein zeitlicher Verlauf abgespeichert und in der Berechnungseinheit 216 die Häufigkeit der Minima dieser Kurve ermittelt. Diese Größe wird dann dem neuronalen Klassifikator zugeführt.
Ferner ist eine Berechnungseinheit 218 vorgesehen, der der Lenkwinkel bzw. eine dazu vergleichbare Größe zugeführt wird, anhand der die Berechnungseinheit 218 die Häufigkeit gleich bleibender Lenkradstellungen für längere Zeitspannen, wie oben erwähnt, mit und/oder ohne spätere Lenkkorrektur ableitet. Eine entsprechende Größe wird als fünfte Eingangsgröße dem neuronalen Klassifikator 200 zugeführt.
Anstelle der absoluten Größen werden dem neuronalen Klassifikator 200 in einem anderen Ausführungsbeispiel Werte zwischen 0 und 1 zugeführt, die durch Vergleich der ermittelten Größen mit Schwellenwerten erzeugt wurden. So bedeutet 1, dass anhand der einen Größe sicher von einem unaufmerksamen Fahrer auszugehen ist. Je nach Grad der Erkennung liegt dieser Wert zwischen 0 (Aufmerksamkeit) und 1 (Unaufmerksamkeit).
In der ersten Ebene U1 des neuronalen Klassifikators werden die einzelnen zugeführten Größen mit dem im neuronalen Klassifikator hinterlegen Gewichten gewichtet und an die Neuronen der zweiten Ebene übermittelt. Dort werden die Ergebnisse der ersten Ebene (ebenfalls Werte zwischen 0 und 1) kombiniert, vorzugsweise multipliziert und mit in den Neuronen in der Ebene 2 abgelegten Gewichte gewichtet. Die Ergebnisse der Ebene 2 werden dann in das Neuron der Ebene 3 übermittelt, welches die Ergebnisse der Ebene 2 ebenfalls kombiniert und daraus mit dem dort hinterlegten Gewicht das Ausgangssignal Müdigkeit bzw. Unaufmerksamkeit erzeugt.
Die Gewichte (Schwellenwerte für die Bewertung der Eingangsgrößen) der einzelnen Neuronen werden dabei im Rahmen eines Trainings bestimmt. Dieses Training basiert auf Ergebnissen von Versuchsreihen, in denen das jeweilige Verhalten der ausgewerteten Betriebsgrößen mit dem tatsächlichen Fahrerzustand aufgezeichnet wird. Durch einen Lernalgorithmus werden die Gewichte der Neuronen derart optimiert, dass ein möglichst großer Klassifizierungserfolg der Versuchsdaten sich ergibt.

Claims

Verfahren zur Fahrerzustandserkennung, wobei ein den Fahrerzustand signalisierendes Signal (40, 44) erzeugt wird, dadurch gekennzeichnet, dass das den Fahrerzustand signalisierende Signal (40, 44) aus einer Größe abgeleitet wird, welche die Häufigkeit von auftretenden Extremwerten im zeitlichen Verlauf einer das Spurverhalten des Fahrers repräsentierenden Größe (TLC) anzeigt.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Größe die Zeit ist, die das Fahrzeug bis zum Überschreiten der Fahrbahnrandmarkierungen bzw. einer daraus abgeleiteten Schwelle, insbesondere ohne wesentliche Änderungen des Fahrzustandes, benötigt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Extremwerte die Minima des zeitlichen Verlaufs sind.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zusätzlich zur Ableitung des Signals für den Fahrerzustand die Häufigkeit der Zeitspannen mit im Wesentlichen gleich bleibender Lenkradstellung ausgewertet wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ferner das Überschreiten eines vorgegebenen lateralen Abstandes zur Fahrbahnrandmarkierung bzw. eines daraus abgeleiteten Schwellenwertes bei gleich bleibender Lenkradstellung bzw. Lenkwinkel ausgewertet wird.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Bewertung der ermittelten Größen, die den Fahrerzustand repräsentieren, mittels eines neuronalen Klassifikators (200) erfolgt.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass dem neuronalen Klassifikator (200) eine Größe zugeführt wird, die die Häufigkeit der Minima repräsentiert, die die Häufigkeit der gleich bleibenden Lenkradstellung mit überreaktiver Lenkkorrektur repräsentiert.
Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass zusätzlich Größen wie Lenkgeschwindigkeiten, Standardabweichung der lateralen Position des Fahrzeugs in der Spur, Lidschlagfrequenzen, Lidschließzeiten, Gaspedal- und/oder Bremspedalbetätigungsgeschwindigkeiten zugeführt werden.
Vorrichtung zur Fahrerzustandserkennung, mit einer Rechnereinheit (14), welche ein den Fahrerzustand charakterisierendes Signal erzeugt, dadurch gekennzeichnet, dass die Rechnereinheit (14) derart ausgebildet ist, dass das den Fahrerzustand charakterisierende Signal aus der Häufigkeit von Extremwerten im zeitlichen Verlauf einer Größe (TLC) abgeleitet wird, welche das Spurhalteverhalten des Fahrers repräsentiert.