DE102006060849A1

DE102006060849A1 - Verfahren zur Ermittlung eines Fahrerzustands

Info

Publication number: DE102006060849A1
Application number: DE102006060849A
Authority: DE
Inventors: Ottmar Dr. Ing. Gehring; Jan Holzbecher; Frédéric Dipl.-Ing. Holzmann; Andreas Dr. Ing. Schwarzhaupt; Armin Dr. Ing. Sulzmann
Original assignee: Daimler AG
Current assignee: Mercedes Benz Group AG
Priority date: 2006-12-22
Filing date: 2006-12-22
Publication date: 2008-07-03
Also published as: WO2008083731A1

Abstract

Um ein möglichst sicheres Erkennen eines aktuellen Fahrerzustands zu ermöglichen wird vorgeschlagen, innerhalb eines vorgebbaren ersten Zeitabschnitts Sensorwerte zu erfassen, in einem Datenpaket zusammenzufassen und statistische Aussagen in Form von Indikatorwerten über die in den Datenpaketen enthaltenen Sensorwerte zu bestimmen. Aus den innerhalb eines zweiten Zeitabschnitts ermittelten Indikatorwerten wird eine Verteilung der Indikatorwerte mit einem Referenzmodell verglichen, und bestimmt, mit welcher Wahrscheinlichkeit jeder der möglichen Fahrerzustände aktuell vorliegt. In einem weiteren Schritt wird für jeden zweiten Zeitabschnitt eine kumulierte Wahrscheinlichkeit bestimmt. Mittels eines probabilistischen Modells wird derjenige Zustand als Fahrerzustand ermittelt, der in unendlicher Zeit erreicht werden würde.

Description

Die Erfindung betrifft Verfahren zur Ermittlung eines Zustandes eines Fahrers eines Fahrzeuges, wobei das Verfahren die folgenden Schritte umfasst:

– Erfassen von Sensorwerten von einer Mehrzahl von Sensoren;
– ermitteln von aktuellen Werten einer Mehrzahl von unterschiedlichen Indikatoren in Abhängigkeit von den erfassten Sensorwerten;
– ermitteln einer Wahrscheinlichkeit für das Vorliegen mindestens eines möglichen Zustands des Fahrers in Abhängigkeit von den aktuellen Werten der Indikatoren; und
– ermitteln des aktuellen Zustands des Fahrers in Abhängigkeit von der ermittelten Wahrscheinlichkeit.

Die Erfindung betrifft auch ein Rechengerät zur Ermittlung eines Zustands eines Fahrers eines Fahrzeugs sowie ein Computerprogramm, das auf einem Rechengerät, insbesondere einem Rechengerät zur Ermittlung eines Zustands eines Fahrers eines Fahrzeugs, ablauffähig ist.
Aus der DE 10 2004 029 825 A1 ist ein Verfahren zur Ermittlung eines als Fahrerzustand bezeichneten Zustands des Fah rers eines Fahrzeugs bekannt, bei dem ein aktueller Lenkradwinkel erfasst wird und daraus auf das Vorliegen einer Ermüdung des Fahrers geschlossen wird.
Hierzu wird innerhalb eines vorgebbaren Zeitintervalls mehrfach ein aktueller Lenkradwinkel erfasst. In Abhängigkeit von den erfassten Lenkwinkeln wird das Zeitintervall in als Lenkpausen bezeichnete lenk-passive Phasen und in lenk-aktive Phasen unterteilt. Überschreitet die Dauer einer Lenkpause einen vorgebbaren Schwellwert, so wird auf einen Ermüdungszustand des Fahrers geschlossen.
Aus der DE 103 55 221 A1 ist ein Verfahren zur Ermittlung einer Unaufmerksamkeit des Fahrers eines Fahrzeugs bekannt, bei dem ebenfalls Lenkpausen ermittelt werden. Zusätzlich wird hierbei auch eine sich an die Lenkpause anschließende Lenkaktion beobachtet. In Abhängigkeit von der Dauer der Lenkpause sowie der Heftigkeit der sich anschließenden Lenkreaktion wird auf die Wahrscheinlichkeit des Vorliegens eines Ermüdungszustands des Fahrers geschlossen.
Das aus der DE 103 55 221 A1 bekannte Verfahren sieht ferner vor, neben dem aktuellen Lenkradwinkel weitere Sensorsignale von anderen Sensoren als mögliche Indikatoren für die Unaufmerksamkeit des Fahrers zu empfangen und auszuwerten. Mittels eines probabilistischen Modells werden dann Rückschlüsse auf mögliche Ursachen der festgestellten Unaufmerksamkeit gezogen. Als weitere Sensorwerte sind hierbei ein Gierwinkel des Fahrzeugs, ein Abstand des Fahrzeugs zu einem vorausfahrenden Fahrzeug oder ein Abkommen von einer Fahrspur genannt.
Aus der DE 102 10 130 A1 ist ein Verfahren zur Warnung eines Fahrers bei auftretenden Fahrfehlern und vor potentiellen Gefahren in Folge von Unaufmerksamkeit bekannt. Hierzu werden ebenfalls unterschiedliche Sensorwerte erfasst, die eine Fahrpedalposition, eine Bremspedalposition, einen Lenkwinkel, einen Abstand zu einer Randmarkierung der Fahrspur oder eine Körperhaltung des Fahrers beschreiben. Jeder der erfassten Sensorwerte wird gewichtet und anschließend aufsummiert. In Abhängigkeit von der Summe wird auf die Intensität einer vorliegenden Unaufmerksamkeit geschlossen.
Wird bei den bekannten Verfahren auf eine Ermüdung oder eine Unaufmerksamkeit des Fahrers geschlossen, so erfolgt eine Warnung beispielsweise durch Ausgabe eines akustischen Signals oder durch einen Eingriff in den Betrieb des Fahrzeugs, der beispielsweise durch Aktivierung einer Bremseinrichtung realisiert wird. Um eine Irritation des Fahrers auszuschließen muss dafür gesorgt werden, dass nicht aufgrund einer Fehlinterpretation beziehungsweise Fehlauswertung der Sensorwerte fälschlicherweise eine Warnung oder ein Eingriff in den Betrieb des Fahrzeugs erfolgt, obwohl tatsächlich keine Ermüdung oder Unaufmerksamkeit vorliegt.
Ist ein derartiges Verfahren in einem Fahrzeug eingesetzt, so muss folglich eine möglichst präzise Bestimmung des aktuellen Fahrerzustands und insbesondere ein besonders präzises Erkennen einer Ermüdung oder Unaufmerksamkeit möglich sein. Dies ist insbesondere auch deshalb wichtig, da sich Fahrer häufig darauf verlassen, dass eine Unaufmerksamkeit oder Ermüdung angezeigt wird, wodurch die eigene Aufmerksamkeit möglicherweise nochmals reduziert wird.
Der vorliegenden Erfindung liegt daher die Aufgabe zugrunde, eine Möglichkeit zu schaffen, die ein möglichst sicheres Erkennen des aktuellen Zustands des Fahrers eine Fahrzeugs ermöglicht.
Die Aufgabe wird durch ein Verfahren der eingangs genannten Art dadurch gelöst, dass die aktuell erfassten Werte der Sensoren innerhalb eines vorgebbaren ersten Zeitabschnitts in einem Datenpaket zusammengefasst werden und Indikatorwerte gebildet werden, die jeweils eine statistische Aussage über mindestens ein Datenpaket ermöglichen.
Ein Indikator beschreibt beispielsweise einen Mittelwert der Sensorwerte eines Datenpakets und ermöglicht damit eine Reduzierung eines verfälschenden Einflusses möglicher Störimpulse in den erfassten Sensorwerten. Bereits in diesem Stadium des Verfahrens können beispielsweise negative Auswirkungen einzelner Ausreißer in den ermittelten Sensorwerten eliminiert werden.
Erfindungsgemäß wird für jeden Indikator innerhalb eines vorgebbaren zweiten Zeitabschnitts eine Menge von aktuellen Indikatorwerten ermittelt und eine Verteilung dieser Indikatorwerte bezüglich eines Referenzmodells erstellt. Für die Ermittlung der Indikatorwerte wird folglich nicht nur eine Historie von Sensorwerten herangezogen, sondern es wird auch eine Historie von Indikatorwerten gesammelt und eine Verteilung dieser innerhalb des zweiten Zeitabschnitts gesammelten Indikatorwerte ermittelt.
Die Verteilung der Indikatorwerte eines Indikators wird mit einem Referenzmodell beziehungsweise einer Referenzverteilung verglichen, wobei das Referenzmodell für jeden möglichen Fahrerzustand angibt, wie eine Verteilung dieser Indikatorwerte typischerweise aussehen müsste. Mittels dieses Vergleichs wird dann bestimmt, mit welcher Wahrscheinlichkeit jeder der möglichen Fahrerzustände unter Berücksichtigung dieses Indikators aktuell vorliegt.
In einem weiteren Schritt wird für jeden möglichen Zustand des Fahrers eine kumulierte Wahrscheinlichkeit aus den zuvor für jeden Indikator und jeden möglichen Zustand ermittelten Wahrscheinlichkeiten bestimmt. Dies ist beispielsweise dadurch möglich, dass für einen bestimmten Zustand ein Mittelwert aus den zuvor für jeden Indikator ermittelten Wahrscheinlichkeit des Vorliegens dieses bestimmten Zustands berechnet wird.
In einem weiteren Schritt wird ein probabilistisches Modell entwickelt, das für jeden möglichen Zustand des Fahrers angibt, mit welcher Wahrscheinlichkeit ein Übergang in einen anderen Zustand erfolgt, beziehungsweise mit welcher Wahrscheinlichkeit kein Wechsel in einen anderen der möglichen Zustände erfolgt. Hierzu wird die aus jedem Indikatorwert beziehungsweise dessen Verteilung bezüglich des Referenzmodells – also dessen Abweichung von einem Referenzwert – und über zu dem jeweiligen Zeitpunkt bestimmten kumulierten Wahrscheinlichkeiten eine Folge von Wahrscheinlichkeiten für das Vorliegen eines jeden der möglichen Zustande entwickelt. Durch eine Analyse der kumulierten Wahrscheinlichkeiten für jeden Zustand kann dann bestimmt werden, wann beziehungsweise ob innerhalb des betrachteten zweiten Zeitabschnitts ein Zustandsübergang erfolgt. Daraus wiederum kann die Wahrscheinlichkeit für jeden der möglichen Zustandsübergänge ermittelt werden.
Erfindungsgemäß wird mittels des Modells und ausgehend von aktuellen Zustandswahrscheinlichkeiten derjenige Zustand als Fahrerzustand ermittelt, der in unendlicher Zeit erreicht werden würde. Es wird folglich eine Grenzwertbildung durchgeführt. Das Ergebnis der Grenzwertbildung ist derjenige Zustand, der von dem Verfahren als Fahrerzustand ermittelt wird.
Das erfindungsgemäße Verfahren ermöglicht eine sehr präzise Ermittlung eines aktuellen Fahrerzustands, da nicht nur eine Vielzahl von Sensorwerten erfasst und beobachtet werden, sondern zusätzlich eine statistische Aussage über eine vorgebbare Menge von Sensorwerten (diejenigen, die innerhalb des ersten Zeitintervalls erfasst worden sind) eines Sensors mittels eines oder mehrer Indikatoren ermittelt werden, wozu zunächst ein Indikatorwert bestimmt wird. Für jeden möglichen Indikator wird eine Mehrzahl von Indikatorwerten ermittelt und die Gesamtheit der innerhalb des zweiten Zeitabschnitts für jeden Indikator ermittelten Indikatorwerte wird dann für die Ermittlung des aktuellen Fahrerzustands herangezogen, wobei eine Grenzwertbetrachtung mittels eines probabilistischen Modells durchgeführt wird.
Vorteilhafterweise wird ein Vertrauenswert ermittelt, der eine Einschätzung der Richtigkeit des ermittelten Fahrerzustands ermöglicht. Der Vertrauenswert ermittelt beispielsweise die Wahrscheinlichkeit, dass der aktuell ermittelte Fahrerzustand nur um einen fest vorgebbaren Wert bzw. um eine fest vorgebbare Wahrscheinlichkeit von dem tatsächlichen Fahrerzustand abweicht. Dies ermöglicht folglich implizit eine Fehlerabschätzung.
In einer besonders vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens wird die kumulierte Wahrscheinlichkeit mittels der Formel von Bayes ermittelt. Die Formel von Bayes ermöglicht die Bestimmung einer sogenannten bedingten Wahrscheinlichkeit. Vorliegend wird für jeden der möglichen Zustände ermittelt, mit welcher Wahrscheinlichkeit dieser Zustand vorliegt unter der Bedingung, dass die Indikatoren mit den zuvor ermittelten Wahrscheinlichkeiten die Indikatorwerte angenommen haben. Die Formel von Bayes nutzt hierbei bei spielsweise das Wissen der Referenzverteilungen beziehungsweise der Referenzmodelle aus, die angeben, mit welcher Wahrscheinlichkeit ein Indikator einen bestimmten Wert hat, wenn sich der Fahrer in einem bestimmten Fahrerzustand befindet.
Die Formel von Bayes ermöglicht also die Lösung der Fragestellung, unter welcher Wahrscheinlichkeit ein bestimmter Fahrerzustand vorliegt, wenn die den einzelnen Indikatorwerten zugeordneten Wahrscheinlichkeiten vorliegen. Diese Ausführungsform ermöglicht eine nochmals präzisere Bildung einer kumulierten Wahrscheinlichkeit als dies beispielsweise mittels einer möglicherweise gewichteten Mittelwertbildung möglich wäre.
Gemäß einer anderen bevorzugten Ausführungsform wird das probabilistische Modell, das für jeden möglichen Zustand die Wahrscheinlichkeit des Übergangs in jeden der möglichen Zustände darstellt, in Form einer Markov-Kette dargestellt. Eine Markov-Kette ermöglicht die Abbildung eines stochastischen Prozesses durch eindeutige Abbildung der Übergangswahrscheinlichkeiten zwischen den möglichen Zuständen.
Vorteilhafterweise werden die Zustandsübergänge mittels einer Übergangsmatrix dargestellt. Dies ermöglicht eine besonders einfache Bestimmung des Grenzwerts und damit des aktuellen Fahrerzustands. Der Grenzwert wird vorzugsweise mittels eines Grenzvektors dargestellt.
Erfindungsgemäß wird hierbei der Umstand ausgenutzt, dass eine Markov-Kette unter den vorliegenden Bedingungen einen sogenannten Fixvektor besitzt, der den Zustand angibt, in den das System nach unendlicher Zeit übergehen würde. Eine derartige Betrachtung der stochastischen Prozesse ermöglicht somit eine besonders präzise Bestimmung des aktuellen Fahrerzu stands, da diese für jeden der möglichen Zustände angibt, mit welcher Wahrscheinlichkeit der Fahrer in jedem der Zustände ist, unter Berücksichtigung zumindest der Historie der in dem zweiten Zeitabschnitt gesammelten Indikatorwerte.
Die Qualität des Verfahrens zur Ermittlung des Fahrerzustands wird insbesondere auch durch die Art der verwendeten Sensorwerte bestimmt. Besonders vorteilhaft ist es, wenn bei dem Verfahren ein Lenkwinkel, ein Gierwinkel, eine Position des Fahrzeugs bezüglich einer Fahrspur, eine Fahrbahnkrümmung, eine Anzahl von Spuren, eine aktuelle Spur und/oder eine Spurbreite berücksichtigt wird. Diese Größen sind einerseits sicher erfassbar und ermöglichen einzeln oder in geeigneter Kombination eine präzise Bestimmung des aktuellen Fahrerzustands mittels des erfindungsgemäßen Verfahrens.
Ein Indikator ist eine Größe, die eine Aussage über einen möglichen Fahrerzustand erlaubt. Erfindungsgemäß werden die Indikatorwerte unterschiedlicher Indikatoren jeweils über einer Mehrzahl von Werten eines oder mehrerer Sensoren gebildet. Vorteilhafterweise werden hierbei stochastische Größen gebildet. Diese beschreiben beispielsweise einen Mittelwerk, eine Standardabweichung, eine mittlere Differenz zu einem Referenzwert oder eine mittlere Standardabweichung. Derartige Indikatorwerte ermöglichen eine Reduzierung von Fehlern, die beispielsweise durch Störungen in den Sensorwerten erfolgen können. Ferner ermöglichen derartig gebildete Indikatorwerte die Berücksichtigung einzelner oder mehrerer vorangegangener Indikatorwerte und damit beispielsweise die Beschreibung eines Trends.
Beispielsweise kann anhand einer Lenkgeschwindigkeit erkannt werden, ob eine besonders heftige Reaktion stattfindet. Diese wiederum kann darauf hindeuten, dass eine überraschte Reakti on des Fahrers vorliegt, wie dies der Fall sein kann, wenn der Fahrer aus einem Ermüdungszustand hochschreckt. Vorteilhafte Indikatorwerte, die eine Lenkgeschwindigkeit berücksichtigen, sind eine mittlere Lenkgeschwindigkeit, eine Standardabweichung der Lenkgeschwindigkeit oder eine Anzahl von Lenkgeschwindigkeiten, die einen vorgebbaren Schwellwert überschreiten.
Grundsätzlich ist es vorteilhaft, wenn eine möglicherweise erfolgende Fehlinterpretation eines Indikatorwertes dadurch systemintern korrigierbar ist, dass weitere Indikatorwerte berücksichtigt werden, die eine korrigierende Beurteilung ermöglichen. Beispielsweise kann eine besonders hohe Lenkgeschwindigkeit auch dann vorliegen, wenn eine plötzliche Gefahrensituation auftritt, die nicht vorhersehbar war. In diesem Fall sollte keineswegs eine Warnung an den Fahrer aufgrund einer fälschlicherweise angenommenen Ermüdungssituation erfolgen, da diese den Fahrer weiter ablenken könnte. Um dies zu verhindern kann beispielsweise ein Indikatorwert auf einer Veränderung einer aktuellen Position des Fahrzeugs bezüglich der Spurmitte herangezogen werden. War das Fahrzeug beispielsweise relativ nahe an der Spurmitte und erfolgt von dort heraus eine plötzliche heftige Lenkbewegung, so kann auf eine externe Gefahrensituation geschlossen werden. War jedoch zuvor eine zunehmende Positionsdifferenz zur Spurmitte zu beobachten und erfolgte dann eine heftige Lenkreaktion, so kann mit größerer Wahrscheinlichkeit von einer Ermüdungssituation des Fahrers ausgegangen werden.
Die Aufgabe wird auch durch ein Rechengerät der eingangs genannten Art dadurch gelöst, dass das Rechengerät zur Durchführung des erfindungsgemäßen Verfahrens eingerichtet ist.
Die Aufgabe wird ferner durch ein Computerprogramm der eingangs genannten Art dadurch gelöst, dass das Computerprogramm zur Durchführung des erfindungsgemäßen Verfahrens programmiert ist, wenn das Computerprogramm auf dem Rechengerät abläuft. Damit stellt das Computerprogramm ebenso die Erfindung dar wie das Verfahren, zu dessen Ausführung das Computerprogramm programmiert ist.
Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, die in den Zeichnungen dargestellt sind. Dabei zeigen:
1 eine stark schematisierte Darstellung des Datenflusses eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens und
2 ein schematisiertes Ablaufdiagramm eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens.
1 zeigt eine schematische Darstellung eines möglichen Datenflusses während der Ausführung eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens. In 1 sind Sensorwerte S_A,1, S_A,2 und S_A,m dargestellt, die in einem Datenpaket D_A,1 zusammengefasst werden. Aus dem Datenpaket D_A,1 wird ein Indikatorwert I_A,1 eines ersten Indikators I_A gebildet. Analog hierzu wird ein erster Indikatorwert I_B,1 eines zweiten Indikators I_B ermittelt.
Aus dem ersten Indikatorwert I_A,1, I_B,1 des ersten Indikators I_A und des zweiten Indikators I_B sowie in analoger Weise ermittelter weiterer Indikatorwerte, die nicht in 1 dargestellt sind, wird eine erste kumulierte Wahrscheinlichkeit P₁ ermittelt.
In analoger Weise wird für jeden möglichen Indikator I_A, I_B eine vorgebbare Anzahl von weiteren Indikatorwerten I_A,n, I_B,n ermittelt, aus denen jeweils weitere kumulierte Wahrscheinlichkeiten P₁ bis P_n ermittelt werden.
Aus den kumulierten Wahrscheinlichkeiten P₁ bis P_n wird ein Markov-Modell M erzeugt, das beispielsweise drei Zustände Z₁, Z₂ und Z₃ umfasst. Die Zustände können beispielsweise einen besonders aufmerksamen Zustand, einen leicht ermüdeten oder abgelenkten Zustand und einen sehr ermüdeten Zustand beschreiben. Selbstverständlich ist es vorstellbar, dass das Markov-Modell M weitere Zustände aufweist. Das Markov-Modell M umfasst ferner Zustandsübergangswahrscheinlichkeiten p₁₁ bis p₃₃.
Aus dem Markov-Modell M wird unter Verwendung einer Gleichung G ein Grenzwert ermittelt, der durch einen Grenzvektor dargestellt ist und den Zustand angibt, welcher nach unendlicher Zeit erreicht werden würde.
Eine ausführlichere Beschreibung des Datenflusses erfolgt anhand des in 2 dargestellten Ablaufdiagramms eines möglichen Ausführungsbeispiels des erfindungsgemäßen Verfahrens.
Das Verfahren beginnt in einem Schritt 100, in dem ein Zähler initialisiert wird, mittels dessen der Ablauf eines ersten Zeitabschnitts messbar ist. Der erste Zeitabschnitt bestimmt eine Zeit, während der Sensorwerte S_A,1, S_B,1 erfasst und zu Datenpaketen D_A,1, D_A,1 zusammengefasst werden.
Beispielsweise werden in einem Schritt 101 ein erster Sensorwert S_A,1 eines ersten Sensors S_A und ein erster Sensorwert S_B,1 eines zweiten Sensors S_B erfasst. Der erste Sensor S_A kann beispielsweise ein Lenkwinkelsensor sein. Der zweite Sensor S_B kann als System ausgebildet sein, das eine Erfassung der Position des Fahrzeugs bezüglich der Fahrbahnmitte ermöglicht. Der erste Sensor S_A, der zweite Sensor S_B sowie weitere nicht dargestellte Sensoren können beispielsweise auch die Erfassung eines Gierwinkels, einer Fahrbahnkrümmung, einer Anzahl von Spuren, einer aktuellen Spur oder einer Spurbreite ermöglichen.
Die in dem Schritt 101 erfassten Sensorwerte werden in geeigneter Weise und an geeigneter Stelle, beispielsweise in einem Speicherbereich des Rechengeräts, abgespeichert.
In einem Schritt 102 wird geprüft, ob der erste Zeitabschnitt überschritten ist. Ist dies nicht der Fall, so wird zu dem Schritt 101 zurückverzweigt und es werden weitere Sensorwerte erfasst.
Ist der erste Zeitabschnitt überschritten, so werden die innerhalb dieses Zeitabschnitts erfassten Sensorwerte eines jeden Sensors sensorspezifisch in einem Datenpaket D_A, D_B abgelegt.
In einem Schritt 103 werden Indikatorwerte I_A,2, I_B,2 ermittelt. Hierzu werden die in den Datenpaketen D_A, D_B erfassten Sensorwerte statistisch bewertet.
Aus den einen Lenkwinkel beschreibenden Sensorwerten eines Datenpakets kann beispielsweise eine Standardabweichung des Steuerwinkels oder eine mittlere Standardabweichung des Steuerwinkels ermittelt werden, wobei der Steuerwinkel dem um die Fahrbahnkrümmung korrigierten Lenkwinkel entspricht. Hierfür können die Daten zweiter unterschiedlicher Datenpakete berücksichtigt werden, nämlich eines Datenpakets, das Lenkwin kelwerte umfasst und eines weiteren Datenpakets, das eine aktuelle Straßenkrümmung beschreibende Sensorwerte umfasst.
Grundsätzlich können Indikatorenwerte Sensorwerte von nur einem oder aber von unterschiedlichen Sensoren statistisch erfassen.
Aus einem Datenpaket, das mehrere Lenkwinkelwerte umfasst, kann beispielsweise auch ein Indikatorwert für einen Indikator I_A, I_B ermittelt werden, der eine mittlere Lenkgeschwindigkeit oder eine Standardabweichung der Lenkgeschwindigkeit beschreibt.
Beispielsweise beschreiben Indikatoren I_A, I_B eine Standardabweichung einer lateralen Position aus einem Datenpaket, das den Abstand zu den Seitenlinien der Fahrbahn umfasst. Weitere mögliche Indikatoren I_A, I_B beschreiben eine mittlere Standardabweichung der lateralen Position oder eine mittlere laterale Geschwindigkeit, also die Ableitung des lateralen Abstands, welcher beispielsweise zum äußersten rechten Spurrand gemessen wird.
Besonders gut geeignet sind grundsätzlich Standardabweichungen, mittlere Standardabweichungen, Berechnungen eines Mittelwerts, Berechnung eines root-mean-square Wertes, Durchführung einer Hochpassfilterung, Durchführung einer Tiefpassfilterung, Bildung eines mean-square Wertes oder Bestimmung einer Häufigkeit bestimmter Ereignisse innerhalb eines Datenpakets, beispielsweise Bestimmung einer Anzahl von Lenkpausen von bestimmter Dauer oder Bestimmung einer Anzahl von Lenkgeschwindigkeiten, die größer als eine vorgegebene Geschwindigkeit sind.
Mittels der oben genannten stochastischen Mittel können Längs- und Quergeschwindigkeiten, Positionen bezüglich der Fahrbahnmitte oder des Fahrbahnrands, des Gierwinkels, des Lenkwinkels, der Lenkgeschwindigkeit oder des Steuerwinkels in geeigneter Weise aufbereitet werden.
In einem Schritt 104 wird geprüft, ob ein zweiter Zeitabschnitt überschritten ist. Der zweite Zeitabschnitt umfasst den ersten Zeitabschnitt und bestimmt, wie lange Indikatorwerte I_A,1, I_B,1–I_A,n, I_B,n berechnet werden sollen. Damit wird implizit bestimmt, wie viele Indikatorwerte für jeden Indikator I_A, I_B ermittelt werden sollen, beziehungsweise wie viele Datenpakete ermittelt werden sollen.
Ist der zweite Zeitabschnitt noch nicht überschritten, so wird zu dem Schritt 100 zurückverzweigt, indem der Zähler für den ersten Zeitabschnitt neu initialisiert wird, so dass erneut Sensorwerte erfasst und für jeden Sensor ein neues Datenpaket ermittelt wird, woraus dann neue Indikatorwerte I_A,2, I_B,2 bestimmt werden.
Ist der zweite Zeitabschnitt jedoch überschritten, so wird in einem Schritt 105 für jeden Indikator I_A, I_B eine Verteilung der bisher ermittelten Indikatorwerte I_A,1, I_B,1, I_A,n, I_B,n bestimmt.
In einem Schritt 106 werden Referenzmodelle herangezogen, die für die möglichen Fahrerzustände eine Verteilung jedes Indikators I_A, I_B anzeigen. Die in dem Schritt 105 ermittelte Verteilung eines jeden Indikators I_A, I_B wird dann mit dem jeweiligen Referenzmodell verglichen. Daraus wird dann eine Wahrscheinlichkeit für den jeweiligen Zustand und den jeweiligen Zeitpunkt ermittelt. Beispielsweise wird für jeden erfassten Indikatorwert I_A,1, I_B,1, I_A,n, I_B,n eines Indikators I_A, I_B bestimmt, mit welcher Wahrscheinlichkeit jeder der möglichen Fahrerzustände vorliegt.
Ein derartiges Referenzmodell kann beispielsweise dadurch erstellt werden, dass beobachtet wird, mit welcher Häufigkeit ein Sensor einen bestimmten Wert liefert, wenn der Fahrer sich in einem bestimmten Zustand befindet. Das Referenzmodell gibt ferner an, wie eine Streuung um diesen optimalen Wert in dem bestimmten Zustand ausgebildet sein kann.
In einem Schritt 107 wird eine kumulierte Wahrscheinlichkeit P₁ bis P_n ermittelt, die eine Zustandswahrscheinlichkeit für jeden der möglichen Zustände beschreibt, wobei jeweils alle zur Verfügung stehenden Indikatoren I_A, I_B derart verwendet werden, dass für jeden möglichen Indikator I_A, I_B genau ein Indikatorwert herangezogen wird. Es wird folglich zu jedem ersten Zeitabschnitt eine kumulierte Wahrscheinlichkeit P₁ bis P_n ermittelt.
Die kumulierte Wahrscheinlichkeit kann besonders gut mittels der an sich aus der Stochastik bekannten Formel von Bayes ermittelt werden. Die Formel von Bayes ermöglicht grundsätzlich die Bestimmung sogenannter bedingter Wahrscheinlichkeiten. Vorliegend wird damit für jeden ersten Zeitabschnitt und jeden möglichen Fahrerzustand die Wahrscheinlichkeit des Vorliegens dieses Fahrerzustands ermittelt, wobei jeweils ein Indikatorwert I_A,1, I_B,1 jedes möglichen Indikators I_A, I_B herangezogen wird.
In einem Schritt 108 werden die unabhängigen Resultate aus der in dem Schritt 107 durchgeführten Wahrscheinlichkeitsberechnungen, nämlich die kumulierten Wahrscheinlichkeiten P₁ bis P_n, verknüpft. Dies wird mittels eines Markov-Modells M erreicht, in welchem die Fahrerzustände und Übergangswahr scheinlichkeiten definiert werden. Übergangswahrscheinlichkeiten geben beispielsweise an, mit welcher Wahrscheinlichkeit von einem Zustand zu einem anderen Zustand übergegangen wird (Zustandsübergangswahrscheinlichkeiten p₁₂, p₂₁, p₂₃, p₃₂, p₃₁, p₁₃ in 1), beziehungsweise mit welcher Wahrscheinlichkeit kein Übergang zu einem anderen Zustand erfolgt (Zustandsübergangswahrscheinlichkeiten p₁₁, p₂₂, p₃₃ in 1).
In einem Schritt 108 wird der aktuelle Fahrerzustand ermittelt. Hierzu wird beispielsweise ein Grenzwert berechnet, wozu die in 1 dargestellte Gleichung G angewendet werden kann. Hierbei werden Übergangsmatrizen gebildet, die den mittels des Markov-Modells M bestimmten Zustandsübergangswahrscheinlichkeiten p₁₂, p₂₁, p₂₃, p₃₂, p₃₁, p₁₃ entsprechen. Der Grenzwert zeigt damit den Zustand an, den das mittels des Markov-Modells M beschriebene gesamte System in unendlicher Zeit annehmen würde. Dieser Grenzwert kann auch als Grenzvektor
dargestellt werden.
In einem Schritt 109 wird ein Vertrauenswert ermittelt, der beschreibt, mit welcher Wahrscheinlichkeit der mittels des erfindungsgemäßen Verfahrens ermittelte Fahrerzustand innerhalb eines vorgebbaren Fehlerintervalls liegt. Ein derartiger Vertrauenswert kann beispielsweise durch Interpolation der ermittelten Zustandswahrscheinlichkeiten berechnet werden.
Das erfindungsgemäße Verfahren ermöglicht folglich eine besonders zuverlässige Bestimmung eines aktuellen Fahrerzustands dadurch, dass eine Vielzahl unterschiedlicher Sensorwerte erfasst werden und aus diesen Sensorwerten eine Vielzahl unterschiedlicher Indikatorwerte gebildet werden. Für jeden möglichen Indikator I_A, I_B werden eine Mehrzahl von Indikatorwerten gebildet und es wird deren Verteilung bezüglich eines Referenzmodells ermittelt. Daraus werden Zustandswahr scheinlichkeiten ermittelt. Für jeden ersten Zeitabschnitt, der innerhalb des zweiten Zeitabschnitts abläuft, wird dann eine kumulierte Wahrscheinlichkeit für jeden möglichen Zustand ermittelt. Innerhalb des zweiten Zeitabschnitts werden eine Mehrzahl derartiger kumulierter Wahrscheinlichkeiten ermittelt, so dass auch deren Verlauf berücksichtigt wird. Mittels eines Markov-Modells M und einer Grenzwertbetrachtung wird schließlich der aktuelle Fahrerzustand bestimmt.
Selbstverständlich sind eine Vielzahl weiterer Ausführungsformen vorstellbar. Insbesondere können weitere Sensoren herangezogen werden, die nochmals andersartige Sensorwerte liefern. Ferner können weitere Indikatoren I_A, I_B ermittelt werden.
Insbesondere kann das in 2 dargestellte Ausführungsbeispiel durch Hinzunahme einzelner Schritte oder Veränderung der Reihenfolge verändert werden. Beispielsweise kann direkt nach dem Schritt 103 der Schritt 105 folgen. Der Abfrageschritt 104 könnte dann zwischen dem Schritt 107 und dem Schritt 108 angeordnet sein. Dies würde bedeuten, dass jeweils nach dem Erfassen der Sensorwerte, die innerhalb eines Datenpakets zusammengefasst werden sollen, die hiervon abhängigen Indikatorwerte ermittelt werden und daraus die diesem Zeitabschnitt zugeordnete kumulierte Wahrscheinlichkeit ermittelt wird.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

- DE 102004029825 A1 [0003]
- DE 10355221 A1 [0005, 0006]
- DE 10210130 A1 [0007]

Claims

Verfahren zur Ermittlung eines Zustandes (Z₁, Z₂, Z₃) eines Fahrers eines Fahrzeuges, wobei das Verfahren die folgenden Schritte umfasst: – erfassen von Sensorwerten (S_A1–S_Am; S_B1–S_Bm) von einer Mehrzahl von Sensoren (S_A, S_B), – Ermitteln von aktuellen Indikatorwerten (I_A1, I_B1) einer Mehrzahl von unterschiedlichen Indikatoren (I_A, I_B) in Abhängigkeit von den erfassten Sensorwerten (S_A1–S_Am; S_B1–S_Bm), – ermitteln einer Wahrscheinlichkeit für das Vorliegen mindestens eines möglichen Zustands (Z₁, Z₂, Z₃) des Fahrers in Abhängigkeit von den aktuellen Werten der Indikatoren, – ermitteln des aktuellen Zustands (Z₁, Z₂, Z₃) des Fahrers in Abhängigkeit von der ermittelten Wahrscheinlichkeit dadurch gekennzeichnet, dass – die aktuell erfassten Sensorwerte (S_A1–S_Am S_B1–S_Bm) der Sensoren (S_A, S_B) innerhalb eines vorgebbaren ersten Zeitabschnitts in einem Datenpaket (D_A, D_B) zusammengefasst werden, – die aktuellen Indikatorwerte (I_A1, I_B1) jeweils eine statistische Aussage über die mittels zumindest eines Sensors (S_A, S_B) erfassten Sensorwerte (S_A1–S_Am S_B1–S_Bm) mindestens eines Datenpakets (D_A, D_B) ermöglichen, – für jeden Indikator (I_A, I_B) innerhalb eines vorgebbaren zweiten Zeitabschnitts eine Menge von aktuellen Indikatorwerten (I_A1–I_An, I_B1–I_Bn) ermittelt wird, – für jeden Indikator (I_A, I_B) eine Verteilung bezüglich eines Referenzmodells ermittelt wird und in Abhängigkeit von einem Vergleich der Verteilung mit dem Referenzmodell eine Wahrscheinlichkeit für das Vorliegen jedes möglichen Zustands (Z₁, Z₂, Z₃) ermittelt wird, – für jeden möglichen Zustand (Z₁, Z₂, Z₃) eine kumulierte Wahrscheinlichkeit (P₁–P_n) aus den Wahrscheinlichkeiten ermittelt wird, – ein probabilistisches Modell entwickelt wird, das für jeden möglichen Zustand (Z₁, Z₂, Z₃) die Wahrscheinlichkeit (P₁₁, P₁₂, P₁₃, P₂₁,P₂₂, P₂₃, P₃₁, P₃₂, P₃₃) des Übergangs in jeden der möglichen Zustände (Z₁, Z₂, Z₃) darstellt, – ausgehend von kumulierten Wahrscheinlichkeiten (P₁–P_n) mittels des Modells derjenige Zustand (Z₁, Z₂, Z₃) als Fahrerzustand ermittelt wird, der in unendlicher Zeit erreicht werden würde.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass ein Vertrauenswert ermittelt wird, der eine Einschätzung der Richtigkeit des ermittelten Zustands (Z₁, Z₂, Z₃) des Fahrers ermöglicht.
Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass die kumulierte Wahrscheinlichkeit (P₁–P_n) mittels der Formel von Bayes ermittelt wird.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass das Modell in Form einer Markov-Kette (M) dargestellt wird.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass der aktuelle Zustand (Z₁, Z₂, Z₃) aus einem Grenzvektor ermittelt wird, der einen Grenzwert der Markov-Kette (M) darstellt.
Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Sensorwerte (S_A1–S_An, S_B1–S_Bn) einen oder mehrere der folgenden Größen erfassen: – einen Lenkwinkel, – einen Gierwinkel, – eine Position des Fahrzeugs bezüglich einer Fahrspur, – eine Fahrbahnkrümmung, – eine Anzahl von Spuren, – eine aktuelle Spur, – eine Spurbreite.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass mindestens einer Indikatoren (I_A, I_B) mindestens eine der folgenden Größen beschreibt: – einen aktuellen Steuerwinkel, der einen um die aktuelle Fahrbahnkrümmung korrigierten Lenkwinkel beschreibt, – eine aktuelle Standardabweichung der Lenkwinkel oder der Steuerwinkel eines Datenpakets, – eine mittlere Standardabweichung der Lenkwinkel oder der Steuerwinkel eines Datenpakets, – eine Lenkgeschwindigkeit, die eine bezüglich einer erfassten Zeit oder Zeitdifferenz ermittelte Ableitung des Lenkwinkels beschreibt, – eine mittlere Lenkgeschwindigkeit, – eine Standardabweichung der Lenkgeschwindigkeit, – eine Anzahl von Lenkgeschwindigkeiten, die einen vorgebbaren Schwellwert überschreiten, – eine mittlere Standardabweichung zu der linken Seitenlinie, – eine mittlere Standardabweichung zu der rechten Seitenlinie, – eine laterale Geschwindigkeit, – eine mittlere laterale Geschwindigkeit, – eine Standardabweichung der lateralen Geschwindigkeit, – eine laterale Position, die eine Position bezüglich einer Fahrspur beschreibt, – eine Standardabweichung der lateralen Position, – eine mittlere Standardabweichung der lateralen Position, – eine laterale Positionsdifferenz zur Spurmitte, – einen statistischen Mittelwert der Positionsdifferenzen eines Datenpakets, – einen statistischen Mittelwert aus hochpassgefilterten Positionsdifferenzen eines Datenpakets, – einen statistischen Mittelwert des Gierwinkels, – einen statistischen Mittelwert der Differenz der Steuerwinkel zu der Fahrbahnkrümmung, – eine Anzahl der Zeitabschnitte, innerhalb derer eine Veränderung des Lenkwinkels nicht oder nicht oberhalb eines vorgebbaren Schwellwerts erfolgt, – eine Anzahl der Zeitabschnitte, innerhalb derer eine Steuergeschwindigkeit oberhalb eines vorgebbaren Schwellwerts liegt.
Rechengerät zur Ermittlung des Zustands (Z₁, Z₂, Z₃) eines Fahrers eines Fahrzeugs, dadurch gekennzeichnet, dass das Rechengerät zur Durchführung eines Verfahren nach einem der Ansprüche 1 bis 7 eingerichtet ist.
Computerprogramm, das auf einem Rechengerät, insbesondere einem Rechengerät zur Ermittlung des Zustands (Z₁, Z₂, Z₃) eines Fahrers eines Fahrzeugs, ablauffähig ist, dadurch gekennzeichnet, dass das Computerprogramm zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 7 programmiert ist, wenn es auf dem Rechengerät ablauft.
Computerprogramm nach Anspruch 9, dadurch gekennzeichnet, dass das Computerprogramm auf einem Speicherelement abgespeichert ist, wobei das Speicherelement als ein random access memory, ein read only memory, ein flash memory, ein optische Speichermedium oder ein magnetisches Speichermedium ausgebildet ist.