DE102009034096A1

DE102009034096A1 - Adaptives Fahrzeugsteuerungssystem mit Fahrstilerkennung

Info

Publication number: DE102009034096A1
Application number: DE102009034096A
Authority: DE
Inventors: Jihua Sterling Heights Huang; Yuen-Kwok Troy Chin; William C. Birmingham Lin
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2008-07-24
Filing date: 2009-07-21
Publication date: 2010-09-30
Also published as: US20100023223A1; CN101633359B; US8260515B2; CN101633359A

Abstract

Ein adaptives Fahrzeugsteuerungssystem, das einen Fahrstil eines Fahrers basierend auf charakteristischen Kurvenfahrmanövern und Straßen- und Verkehrsbedingungen klassifiziert. Das System enthält mehrere Fahrzeugsensoren, die verschiedene Fahrzeugparameter feststellen. Ein Manöveridentifizierungs-Prozessor empfängt die Sensorsignale, um ein charakteristisches Manöver des Fahrzeugs zu identifizieren, und liefert ein Manöveridentifizierersignal des Manövers. Das System enthält auch einen Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen, der die Sensorsignale empfängt und Verkehrsbedingungen identifizierende Verkehrsbedingungssignale und Straßenbedingungen identifizierende Straßenbedingungssignale liefert. Ein Stilcharakterisierungs-Prozessor empfängt die Manöveridentifizierersignale, Sensorsignale von den Fahrzeugsensoren und die Verkehrs- und Straßenbedingungssignale und klassifiziert einen Fahrstil basierend auf den Signalen, um den Stil des das Fahrzeug fahrenden Fahrers zu klassifizieren.

Description

HINTERGRUND DER ERFINDUNG
1. Gebiet der Erfindung
Diese Erfindung bezieht sich auf allgemein auf ein adaptives Fahrzeugsteuerungssystem, das eine Fahrstilerkennung enthält, und insbesondere auf ein adaptives Fahrzeugsteuerungssystem, das eine Fahrerunterstützung liefert, indem basierend auf dem Kurvenfahrverhalten im Sinne sportlichen Fahrens der Fahrstil des Fahrers identifiziert wird.
2. Diskussion der verwandten Technik
Fahrerunterstützungssysteme und aktive Sicherheitssysteme von Fahrzeugen werden ein integraler Bestandteil des Entwurfs und der Entwicklung von Fahrzeugen in dem Bemühen, Fahrstress zu reduzieren und Fahrzeug/Straßensicherheit zu verbessern. Zum Beispiel sind adaptive Abstandsregeltempomat-Systeme (ACC) bekannt, die den Fahrer von einer laufenden Fahrzeugsteuerung in Längsrichtung entlasten, indem das Fahrzeug in einer sicheren Distanz zu einem vorausfahrenden Fahrzeug gehalten wird. Auch bekannt sind vor einem Wechseln oder Verlassen der Fahrspur warnende Systeme, die den Fahrer alarmieren, wann immer das Fahrzeug die Fahrspur zu verlassen droht.
Diese Systeme verwenden verschiedene Sensoren und Detektoren, die Fahrzeugparameter überwachen, und Controller, die Fahrzeugsysteme steuern, wie zum Beispiel eine aktive Vorder- und Hinterradlenkung und Differentialbremse. Obgleich solche Systeme den Komfort und die Sicherheit des Fahrers verbessern können, hängt ihr Erfolg nicht nur von ihrer Zuverlässigkeit, sondern auch von der Akzeptanz durch den Fahrer ab. Betrachtet man zum Beispiel ein ACC-System, haben Studien gezeigt, dass, obgleich eine Verkürzung der Abstände zum Vordermann zwischen Fahrzeugen den Verkehrsfluss steigern kann, es wegen der Nähe zu einem vorausfahrenden Fahrzeug für einige Fahrer auch Stress hervorrufen kann. Daher kann es wünschenswert sein, solche Systeme zu verbessern, indem die Fahrzeugsteuerung als Antwort auf einen Fahrstil eines Fahrers angepasst wird, um die Bedürfnisse verschiedener Fahrer zu erfüllen.
ZUSAMMENFASSUNG DER ERFINDUNG
Gemäß den Lehren der vorliegenden Erfindung wird ein adaptives Fahrzeugsteuerungssystem offenbart, das basierend auf charakteristischen Kurvenfahrmanövern und Straßen- und Verkehrsbedingungen einen Fahrstil eines Fahrers klassifiziert. Das System enthält mehrere Fahrzeugsensoren, die verschiedene Fahrzeugparameter feststellen. Ein Manöveridentifizierungs-Prozessor empfängt die Sensorsignale, um ein charakteristisches Manöver des Fahrzeugs zu identifizieren, und liefert ein Manöveridentifizierersignal des Manövers. Das System enthält auch einen Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen, der die Sensorsignale empfängt und Verkehrsbedingungssignale, die Verkehrsbedingungen identifizieren, und Straßenbedingungssignale, die Straßenbedingungen identifizieren, liefert. In einer nicht beschränkenden Ausführungsform identifizieren die Straßenbedingungssignale einen Straßentyp wie zum Beispiel Überland oder Stadt, eine Straßenoberflächenbedingung wie zum Beispiel moderat oder uneben und Umgebungsbedingungen wie zum Beispiel Lichtpegel, Regen oder Schnee und Nebel. Das System enthält auch einen Datenauswahlprozessor, der die Sensorsignale, die Manöveridentifizierersignale und die Verkehrs- und Straßenbedingungssignale empfängt und Daten für jedes der charakteristischen Manöver und die Verkehrs- und Straßenbedingungen speichert. Ein Stilcharakterisierungs-Prozessor empfängt die Manöveridentifizierersignale, die gespeicherten Daten von dem Datenauswahlprozessor und die Verkehrs- und Straßenbedingungssignale und klassifiziert einen Fahrstil basierend auf den Signalen, um den Stil des Fahrers, der das Fahrzeug fährt, zu klassifizieren.
Zusätzliche Merkmale der vorliegenden Erfindung werden aus der folgenden Beschreibung und beigefügten Ansprüchen zusammen mit den beiliegenden Zeichnungen genommen, ersichtlich werden.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist eine Draufsicht eines Fahrzeugs, das verschiedene Fahrzeugsensoren, Kameras und Systeme zur Datenübertragung verwendet;
2 ist ein Blockdiagramm eines Systems, das eine Charakterisierung des Fahrstils im Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung liefert;
3 ist ein Blockdiagramm eines Systems, das eine Charakterisierung des Fahrstils im Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung liefert;
4 ist ein Blockdiagramm eines Systems, das eine Charakterisierung eines Fahrstils im Fahrzeug gemäß einer weiteren Ausführungsform der vorliegenden Erfindung liefert;
5 ist ein Flussdiagramm, das einen Prozess zum Bestimmen eines lenkbezogenen Manövers im in den Systemen der 2, 3 und 4 gezeigten Manöveridentifizierungs-Prozessor gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
6 ist ein Blockdiagramm eines Systems zum Integrieren von Straßenbedingungssignalen in dem Prozessor zur Erkennung von Verkehrs/Straßenbedingungen in den in 2, 3 und 4 gezeigten Systemen gemäß einer Ausführungsform der vorliegenden Erfindung;
7 ist ein Flussdiagramm, das einen Prozessor zum Identifizieren eines Fahrbahn- bzw. Straßentyps zur Verwendung in dem Prozessor zur Erkennung von Verkehrs/Straßenbedingungen in den Systemen der 2, 3 und 4 gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
8 ist ein Flussdiagramm, das einen Prozess zum Liefern einer Datenauswahl in dem Datenauswahlprozessor in den in 2, 3 und 4 gezeigten Systemen gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
9 ist ein Flussdiagramm, das einen Prozess zum Liefern einer Stilklassifizierung in dem Stilcharakterisierungs-Prozessor der in 2, 3 und 4 gezeigten Systeme gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
10 ist ein Flussdiagramm, das ein Verfahren zum Verarbeiten eines Inhalts eines Merkmalextrahierers, der in dem in 2, 3 und 4 gezeigten Stilklassifizierungs-Prozessor verwendet werden kann, gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
11 ist ein Blockdiagramm eines Stilcharakterisierungs-Prozessors, der in den in 2, 3 und 4 gezeigten Systemen genutzt werden kann, gemäß einer Ausführungsform der vorliegenden Erfindung;
12 ist ein Flussdiagramm, das ein Verfahren zum Verarbeiten eines Inhalts einer auf Fuzzy-Clustering basierenden Datenzerlegung bzw. -partition gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
13 ist ein Flussdiagramm, das ein Verfahren zum Verarbeiten eines Inhalts eines Entscheidungsverschmelzers (engl. decision fuser) gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
14 ist ein Blockdiagramm eines Stilcharakterisierungs-Prozessors, der in 2, 3 und 4 gezeigten Systemen gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden kann;
15 ist ein Blockdiagramm eines Stilklassifizierungs-Prozessors, der in den in 2, 3 und 4 gezeigten Systemen gemäß einer anderen Ausführungsform der vorliegenden Erfindung genutzt werden kann;
16 ist ein Flussdiagramm eines Stilklassifizierungs-Prozessors, der in den in 2, 3 und 4 gezeigten Systemen gemäß einer weiteren Ausführungsform der vorliegenden Erfindung genutzt werden kann;
17 ist ein Blockdiagramm eines Stilklassifizierungs-Prozessors, der in den in 2, 3 und 4 gezeigten Systemen gemäß einer weiteren Ausführungsform der vorliegenden Erfindung genutzt werden kann;
18 ist ein Blockdiagramm eines Prozessmanövermodell-Systems, das in dem Stilcharakterisierungs-Prozessor der in 2, 3 und 4 gezeigten Systemen zum Liefern einer Abstandsregelung gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden kann;
19 ist ein Blockdiagramm des in dem System von 18 gezeigten Fahrstildiagnose-Prozessors gemäß einer Ausführungsform der vorliegenden Erfindung;
20 ist eine graphische Darstellung mit einer Frequenz bzw. Häufigkeit auf der horizontalen Achse und Größe auf der vertikalen Achse, die Verhaltensunterschiede verschiedener Fahrer veranschaulicht;
21 ist ein Flussdiagramm, das einen Prozess zeigt, der durch den Manöveridentifizierungs-Prozessor in den Systemen von 2, 3 und 4 zum Feststellen eines Fahrspurwechselmanövers gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden kann;
22 ist ein Flussdiagramm, das einen Prozess zeigt, der von dem Manöveridentifizierungs-Prozessor in den Systemen der 2, 3 und 4 zum Identifizieren eines Links/Rechts-Abbiegemanövers gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden kann;
23 ist ein Diagramm eines Klassifizierungsentscheidungsbaums, der von dem Stilcharakterisierungs-Prozessor in den Systemen der 2, 3 und 4 gemäß einer Ausführungsform der vorliegenden Erfindung genutzt werden kann;
24 ist ein Flussdiagramm, das einen Prozess zeigt, der durch den Manöveridentifizierungs-Prozessor in den Systemen der 2, 3 und 4 zum Identifizieren eines Überholmanövers gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden kann;
25A und 25B sind ein Flussdiagramm, das einen Prozess zeigt, der von dem Manöveridentifizierungs-Prozessor in den Systemen der 2, 3 und 4 zum Identifizieren eines Autobahnauf-/-abfahrmanövers gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden kann;
26 ist ein Flussdiagramm, das einen Prozess zeigt, der von dem Manöveridentifizierungs-Prozessor in den Systemen der 2, 3 und 4 zum Identifizieren eines Anfahrmanövers eines Fahrzeugs gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden kann;
27 ist ein Flussdiagramm, das einen Prozess zum Liefern einer Datenauswahl in dem Datenauswahlprozessor in den in 2, 3 und 4 gezeigten Systemen gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
28 ist ein Flussdiagramm eines neuronalen Netzwerks, das in dem Stilcharakterisierungs-Prozessor der Systeme, die in 2, 3 und 4 dargestellt sind, gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden kann;
29 ist ein Blockdiagramm eines Stilcharakterisierungs-Prozessors, der in den Systemen der 2, 3 und 4 genutzt werden kann, der eine Niveau-1-Kombination (engl. level-1 combination) enthält, gemäß einer Ausführungsform der vorliegenden Erfindung; und
30 ist ein Blockdiagramm eines Entscheidungsverschmelzungs-Prozessors, der in den Systemen der 2, 3 und 4 gemäß einer anderen Ausführungsform der vorliegenden Erfindung verwendet werden kann.
AUSFÜHRLICHE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Die folgende Diskussion der Ausführungsformen der Erfindung, die auf ein adaptives Fahrzeugsteuerungssystem gerichtet ist, das basierend auf lenkbezogene Manöver einen Fahrstil eines Fahrers berücksichtigt, ist in ihrer Art nur beispielhaft und soll in keiner Weise die Erfindung oder ihre Anwendungen oder Nutzungen beschränken.
Die vorliegende Erfindung liefert verschiedene Ausführungsformen für ein adaptives Fahrzeugsteuerungssystem, das sich an eine Fahrumgebung oder die Fahrcharakteristiken eines Fahrers oder beide anpasst. Typische adaptive Steuerungssysteme bestehen aus Steuerungsadaptionsalgorithmen. Die vorliegende Erfindung adressiert eine Fahrstilumgebung und Fahrcharakteristiken eines Fahrers, um basierend auf seinem/ihrem Fahrverhalten einen Fahrstil eines Fahrers zu erkennen, sowie eine Adaption bzw. Anpassung der Fahrzeugsteuerung an den erkannten Fahrstil, um für den Fahrer das wünschenswerteste Fahrzeugverhalten zur Verfügung zu stellen. Um einem Fahrer eines Fahrzeugs das wünschenswertesten Fahrverhalten, das auf eine bestimmte Fahrcharakteristik zugeschnitten ist, zur Verfügung zu stellen, kann eine Adaption der Fahrzeugsteuerung auf verschiedenen Wegen realisiert werden. Zum Beispiel umfassen diese Techniken die Verwendung einer Differentialbremse oder Hinterrad lenkung, um das dynamische Ansprechverhalten des Fahrzeugs während verschiedener Fahrzeugmanöver zu steigern. In der vorliegenden Erfindung kann die Steuerungsadaption eines Systems für eine aktive Frontlenkung (AFS) mit variablem Übersetzungsverhältnis (VGR) (engl. aktive front steering (AFS) variable gear ratio (VGR) system) verwenden.
In einer nicht beschränkenden Ausführungsform liefert die Erfindung ein adaptives Steuerungssystem für eine VGR-Lenkung, bei der ein Fahrzeuglenkverhältnis nicht nur mit der Fahrzeuggeschwindigkeit, sondern auch mit Fahrbedingungen variiert, wie sie typischerweise durch den Steuerradwinkel des Fahrzeugs angezeigt werden. Ferner berücksichtigt die Adaption der Steuerung den Fahrstil oder die Charakteristiken des Fahrers. Das resultierende adaptive VGR unterstützt ein maßgeschneidertes Verhalten des Fahrzeugs, so dass es zu einem weiten Bereich von Fahrbedingungen und Fahrcharakteristiken eines Fahrers passt.
Um eine Steuerungsadaption für Fahrcharakteristiken zu ermöglichen, schafft die vorliegende Erfindung einen innovativen Prozess, der Fahrcharakteristiken eines Fahrers basierend auf seinem/ihrem Fahrverhalten erkennt. Insbesondere zeigt die vorliegende Erfindung, wie ein Fahrstil basierend auf der Steuerungseingabe des Fahrers und einer Fahrzeugbewegung während verschiedener Fahrzeugmanöver charakterisiert werden kann. Die Fahrstilerkennung liefert eine Einschätzung bzw. Bewertung eines Fahrstils eines Fahrers, besonders des Grads an Sportlichkeit/Selbstbewusstsein des Fahrers, die in verschiedene Steuerungs- und Fahrerunterstützungssysteme eines Fahrzeugs einschließlich des adaptiven AFS-VGR-Systems einbezogen bzw. eingebaut werden kann.
Das Lenkübersetzungsverhältnis eines Fahrzeugs repräsentiert einen proportionalen Faktor zwischen dem Lenkradwinkel und dem Straßenrad- Winkel. Herkömmliche Lenksysteme haben ein festgelegtes Lenkübersetzungsverhältnis, bei dem das Lenkradverhältnis bis auf geringfügige Variationen aufgrund der Geometrie der Fahrzeugaufhängung im Wesentlichen konstant bleibt. Um die Handhabung des Fahrzeugs zu verbessern, wurden VGR-Lenksysteme entwickelt. Bei einem VGR-Lenksystem variiert das Übersetzungsverhältnis mit der Fahrzeuggeschwindigkeit, so dass die Anzahl von Lenkraddrehungen bei niedrigeren Geschwindigkeiten reduziert wird und die Lenkempfindlichkeit bei hohen Geschwindigkeiten unterdrückt wird. Gegenwärtige AFS-VGR-Systeme liegen jedoch hauptsächlich den Fokus auf ein On-Center- bzw. Mittellage-Handling, bei dem der Lenkradwinkel verhältnismäßig klein ist und die Reifen in ihrem linearen Bereich sind. Außerdem ist der Entwurf ein Kompromiss, um die Bedürfnisse aller Typen von Fahrer mit einer einzigen Geschwindigkeit/VGR-Kurve zu erfüllen. Trotzdem erwarten viele Fahrer, besonders sportliche Fahrer, elektrische Unterstützungen, um ihre Fahrerfahrung sogar in Situationen zu verbessern, in die ein durchschnittlicher Fahrer nie geraten würde.
Das adaptive AFS-VGR-Steuerungssystem der Erfindung enthält ein verbessertes VGR, das das Lenkverhältnis gemäß der Fahrzeuggeschwindigkeit und dem Lenkwinkel ändert, so dass es zu verschiedenen Fahrbedingungen passt, und ein adaptives VGR, das basierend auf einer/einem Präferenz/Stil eines Fahrers und dem Grad seines Könnens das Lenkverhältnis einstellt.
Wie oben erwähnt wurde, können bekannte VGR-Systeme das Lenkverhältnis nur auf der Basis der Fahrzeuggeschwindigkeit ändern. Die entsprechende stationäre Verstärkung der Gierrate eines Fahrzeugs gilt hauptsächlich für ein On-Center-Handling bzw. Mittellage-Handling, wobei die Fahrzeugreifen in ihrem linearen Bereich laufen. Wenn der Steuer radwinkel verhältnismäßig groß wird, fällt die stationäre Verstärkung der Rate aufgrund der Nichtlinearität der Reifen ab.
Um die Effekte der Nichtlinearität der Reifen zu kompensieren und eine ungefähr gleichmäßige Gierratenverstärkung bei jeder Fahrzeuggeschwindigkeit zu liefern, schlägt die vorliegende Erfindung ein verbessertes VGR vor, das dahingehend erweitert ist, dass es eine Funktion von sowohl einer Fahrzeuggeschwindigkeit v als auch des Steuerradwinkels δ_HWA des Fahrzeugs ist. Das verbesserte VGR hat den gleichen Wert wie ein herkömmliches VGR, falls der Steuerradwinkel δ_HWA kleiner als eine Schwelle δ_th ist, und nimmt ab, wenn der Steuerradwinkel δ_HWA über die Schwelle δ_th ansteigt. Die Schwelle δ_th ist der kritische Lenkwinkel, und größere Lenkwinkel als die Schwelle δ_th haben zur Folge, dass die Fahrzeugreifen in ihrer nicht-linearen Region laufen.
Um den verschiedenen Bedürfnissen unterschiedlicher Fahrer Rechnung zu tragen, bezieht das adaptive VGR-System der vorliegenden Erfindung Fahrstil und Können zusammen mit der Fahrzeuggeschwindigkeit v und dem Steuerradwinkel δ_HWA ein, um das variable Übersetzungsverhältnis zu bestimmen. Das adaptive VGR r_adaptive kann berechnet werden durch: radaptive = fadaptive(v, δHWA, P, S) (1)wobei P einen Fahrstil repräsentiert, wie zum Beispiel P = 1 – 5, wobei 1 einen konservativen Fahrer repräsentiert und 5 einen sehr sportlichen Fahrer repräsentiert, und S einen Grad an Fahrkönnen repräsentiert, wie zum Beispiel S = 1 – 5, wobei 1 einen Fahrer mit geringem Können repräsentiert und 5 einen Fahrer mit hohem Können repräsentiert.
Das adaptive VGR r_adaptive kann ferner abgeleitet werden aus dem verbesserten VGR als: Radaptive = fadaptive(v, δHWA, P, S) = k(v, δHWA, P, S) × fenhanced(v, δHWA) (2)wobei k(v, δ_HWA, P, S) ein Skalierungsfaktor ist.
Die Fahrzeuggeschwindigkeit v und der Steuerradwinkel δ_HWA können durch fahrzeugeigene Sensoren bzw. Sensoren im Fahrzeug gemessen werden, wie zum Beispiel Radgeschwindigkeitssensoren und einen Lenkwinkelsensor. Fahrstil und Können können vom Fahrer eingestellt oder basierend auf Fahrzeugsensorinformation durch Algorithmen charakterisiert werden.
Da sportliche Fahrer typischerweise bevorzugen, dass das Fahrzeug mehr anspricht, wird ein niedrigeres Übersetzungsverhältnis bevorzugt, um eine höhere Gierratenverstärkung zu erreichen. Auf der anderen Seite müssen Fahrer besonders bei höheren Geschwindigkeiten die Fähigkeit bzw. Möglichkeit haben, das Fahrzeug zu steuern, wenn es mit einem niedrigeren Übersetzungsverhältnis empfindlicher wird. Mit anderen Worten wird ein niedrigeres Übersetzungsverhältnis bei höheren Geschwindigkeiten nur erfahrenen bzw. geschickten Fahrern zur Verfügung gestellt werden. Daher ist der Skalierungsfaktor k für Fahrer mit einem höheren Können kleiner.
Um eine Steuerungsadaption basierend auf einem Fahrstil zu erleichtern, schlägt die vorliegende Erfindung ferner ein Verfahren und System vor, um eine fahrzeuginterne Charakterisierung eines Fahrstils eines Fahrers zu erreichen. Das Charakterisierungsergebnis kann in verschiedenen Fahrzeugsteuerungsalgorithmen verwendet werden, die eine Anpassung an einen Fahrstil eines Fahrers vornehmen. Derartige Steuerungsalgorithmen sind jedoch weder Voraussetzungen noch Komponenten für das System zur fahrzeuginternen Charakterisierung der Erfindung.
1 ist eine Draufsicht eines Fahrzeugs 10, das verschiedene Sensoren, Bild- bzw. Sichtsysteme (engl. vision systems), Controller, Kommunikationssysteme bzw. Systeme zur Datenübertragung etc. enthält, von welchen eines oder mehrere für die im Folgenden diskutierten adaptiven Fahrzeugsteuerungssysteme verwendbar sein können. Das Fahrzeug 10 enthält Sensoren 12, 14 und 16 mittlerer Reichweite an der Rückseite, Vorderseite bzw. den Seiten des Fahrzeugs 10. Ein nach vorne gerichtetes Sichtsystem 20 wie zum Beispiel eine Kamera liefert Bilder in Richtung der Vorderseite des Fahrzeugs 10, und ein nach hinten gerichtetes Sichtsystem 22 wie zum Beispiel eine Kamera liefert Bilder in Richtung der Rückseite des Fahrzeugs 10. Ein GPS- oder ein differentielles GPS-System 24 liefert GPS-Koordinaten, und ein System 26 zur Datenübertragung zwischen Fahrzeug und Infrastruktur (V2X) liefert eine Datenübertragung zwischen dem Fahrzeug 10 und anderen Strukturen wie zum Beispiel anderen Fahrzeugen, Systemen am Straßenrand etc., wie der Fachmann gut versteht. Das Fahrzeug 10 enthält auch eine verbesserte digitale Karte (EDMAP) 28 und einen Integrations-Controller 30, der eine Verschmelzung von die Umgebung erfassenden Daten durchführt.
2 ist ein Blockdiagramm eines adaptiven Steuerungssystems 40, das eine fahrzeuginterne Charakterisierung eines Fahrstils eines Fahrers liefert, gemäß einer Ausführungsform der vorliegenden Erfindung. Das System 40 weist eine Anwendung auf, um einen Fahrstil eines Fahrers basierend auf verschiedenen Arten charakteristischer Manöver wie zum Bei spiel Kurvenfahrmanöver, Anfahrmanöver eines Fahrzeugs, Links-/Rechts-Abbiegen, Kehrtwenden, Autobahnauf-/-abfahrtmanöver, Fahrspurwechsel etc. zu charakterisieren.
Das System 40 verwendet verschiedene bekannte, als eine Sensorgruppe 42 im Fahrzeug identifizierte Fahrzeugsensoren. Die Sensorgruppe 42 soll einen oder mehrere eines Steuerradwinkelsensors, eines Gierratensensors, eines Fahrzeuggeschwindigkeitssensors, Radgeschwindigkeitssensoren, eines Messgeräts für die longitudinale Beschleunigung, eines Messgeräts für die laterale Beschleunigung, Sensoren für den Abstand zum Vordermann wie zum Beispiel ein vorwärts gerichtetes Radar-Lidar oder eine Kamera, eines Drosselöffnungssensors, eines Sensors für die Bremspedal stellungs-/-kraft etc. einschließen, die alle dem Fachmann gut bekannt sind. Die Sensorsignale von der Sensorgruppe 42 werden an einen Signalprozessor 44 geliefert, der die Sensormessungen verarbeitet, um Sensorrauschen und Sensorvorspannungen zu reduzieren. Verschiedene Arten einer Signalverarbeitung können durch den Prozessor 44 genutzt werden, von denen viele dem Fachmann bekannt sind.
Die verarbeiteten Sensorsignale vom Signalprozessor 44 werden an einen Manöveridentifizierungs-Prozessor 46, einen Datenauswahlprozessor 48 und einen Sensor 50 zur Erkennung von Verkehrs/Straßenbedingungen geliefert. Der Manöveridentifizierungs-Prozessor 46 identifiziert verschiedene Arten charakteristischer Manöver, die vom Fahrer ausgeführt werden. Derartige charakteristische Manöver umfassen, sind aber nicht darauf beschränkt, eine Abstandsregelung eines Fahrzeugs, ein Anfahren eines Fahrzeugs, Autobahnauf-/-abfahrtmanöver, lenkgestützte Manöver, welche weiter in Kurvenfahrmanöver, Spurwechsel, Links-/Rechts-Abbiegen und Kehrtwendungen getrennt werden können. Einzelheiten der Verwendung dieser Arten charakteristischer Manöver zur Stilcharakterisie rung werden unten diskutiert. Eine Manöveridentifizierung wird durchgeführt, da bestimmte, bei der Stilcharakterisierung verwendete Methodologien sich von einem Typ eines charakteristischen Manövers zu einem anderen unterscheiden können. Zum Beispiel nutzt eine Charakterisierung, die auf Verhaltensweisen einer Abstandsregelung, während man einem Fahrzeug folgt, basiert, eine Distanz zum Vordermann und die Geschwindigkeit beim Aufschließen von einem nach vorne gerichteten Radar, während eine auf Kurvenfahrmanövern basierende Charakterisierung eine Gierrate und laterale Beschleunigung einbezieht. Daher muss der Typ von vom Fahrer ausgeführten Manövern identifiziert werden. Wenn der Manöveridentifizierungs-Prozessor 46 einen bestimmten Typ eines Manövers des Fahrzeugs 10 identifiziert, gibt er einen entsprechenden Identifizierungswert an den Datenauswahlprozessor 48 aus.
Nicht alle Manöver können aus Bewegungssensormessungen im Fahrzeug einfach identifiziert werden. Ferner zeigen manche Manöver einen Fahrstil besser als andere auf. Solche Manöver, die beim Unterscheiden eines Fahrstils helfen, werden als charakteristische Manöver bezeichnet. Folglich werden nur Daten, die charakteristischen Manövern entsprechen, ausgewählt und für eine Stilcharakterisierung gespeichert. Der Manöveridentifizierungs-Prozessor 46 identifiziert charakteristische Manöver basierend auf einer beliebigen Kombination von Sensoren im Fahrzeug wie zum Beispiel einem Fahrzeuggeschwindigkeitssensor, einem Sensor für eine longitudinale Beschleunigung, einem Lenkradwinkelsensor, einem Lenkwinkelsensor an den Rädern, einem Gierratensensor, einem Sensor für eine laterale Beschleunigung, einem Bremspedalstellungssensor, einem Bremspedalkraftsensor, einem Gaspedalstellungssensor, einem Gaspedalkraftsensor, einem Drosselöffnungssensor, einem Aufhängungsbewegungssensor, einem Rollratensensor, einem Neigungsratensensor sowie lang- und kurzreichweitigen Radareinrichtungen, Kameras, einer GPS- oder DGPS-Karteninformation und einer Datenübertragung zwischen Fahrzeugen und zwischen Fahrzeug und Infrastruktur. Der Manöveridentifizierungs-Prozessor 46 kann ferner eine beliebige Kombination von aus den Messungen von jenen Sensoren verarbeitete Information nutzen, einschließlich der Ableitungen und integrierter Signale. Stellt der Manöveridentifizierungs-Prozessor 46 einmal ein charakteristisches Manöver fest, informiert er den Datenauswahlprozessor 48, um eine Aufzeichnung von Daten zu starten. Der Manöveridentifizierungs-Prozessor 46 identifiziert auch das Ende des Manövers, so dass der Datenauswahlprozessor 48 die Aufzeichnung stoppt. Die Verkehrsinformation vom Erkennungsprozessor 50 kann ebenfalls in den Aufzeichnungsprozess einbezogen werden, um zu bestimmen, ob das Manöver ausreichend Information für eine Stilcharakterisierung enthält.
Der Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen nutzt die Sensorsignale, um Verkehrs- und Straßenbedingungen zu erkennen. Verkehrsbedingungen können basierend auf der Verkehrsdichte ausgewertet werden. Fahrbahn- bzw. Straßenbedingungen umfassen zumindest zwei Arten von Bedingungen, konkret den Straßentyp wie zum Beispiel Schnellstraße/Autobahn, Stadtstraßen, kurvenreiche Straßen etc. und Umgebungsbedingungen wie zum Beispiel trockene/nasse Straßenoberflächen, nebelig, regnerisch etc. Systeme, die Straßenbedingungen basierend auf einer Sensoreingabe erkennen, sind dem Fachmann gut bekannt und müssen hierin nicht im Detail beschrieben werden.
Der Stilcharakterisierungs-Prozessor 52 empfängt Information über ein charakteristisches Manöver vom Manöveridentifizierungs-Prozessor 46, die Verkehrs- und Straßenbedingungsinformation von dem Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen und die aufgezeichneten Daten vom Datenauswahlprozessor 48 und klassifiziert einen Fahrstil ba sierend auf der Information. Während der Manöveridentifizierungs-Prozessor 46 den Beginn und das Ende eines Manövers bestimmt, speichert der Auswahlprozessor 48 das entsprechende Datensegment basierend auf den Variablen Start_flag, End_flag, t_start und t_end.
Die Ausgabe des Stilcharakterisierungs-Prozessors 52 ist ein Wert, der einen Fahrstil über einen Bereich von Werten identifiziert, wie zum Beispiel eine Eins für konservatives bzw. zurückhaltendes Fahren bis zu einer Fünf für sportliches Fahren. Der spezielle Stilcharakterisierungswert wird in einem Stilprofil-Trip-Logger 54 für jedes spezielle charakteristische Manöver, das durch den Identifizierungsprozessor 46 identifiziert wurde, gespeichert. Der Trip-Logger 54 kann ein einfaches Datenarray sein, bei dem jedes Eintrags-Array bzw. -feld einen Zeitindex, die Manöverinformation wie zum Beispiel einen Manöveridentifizierer M_id, Verkehrs/Straßenbedingungsinformation wie zum Beispiel Verkehrsindex und Straßenindex und das entsprechende Charakterisierungsergebnis enthält. Um die Genauigkeit und Robustheit der Charakterisierung zu verbessern, integriert ein Entscheidungsverschmelzungs-Prozessor 56 die letzten Ergebnisse mit im Trip-Logger 54 gespeicherten vorherigen Ergebnissen.
3 ist ein Blockdiagramm eines adaptiven Steuerungssystems 60, das eine fahrzeuginterne Charakterisierung eines Fahrstils liefert, gemäß einer anderen Ausführungsform der vorliegenden Erfindung, wobei gleiche Elemente mit dem System 40 durch die gleiche Bezugsziffer identifiziert sind. In dem System 60 ist ein Prozessor 62 zur Bestimmung der Fahrzeugposition enthalten, der die verarbeiteten Sensormesssignale vom Signalprozessor 44 empfängt. Außerdem enthält das System 60 ein globales Positionsbestimmungssystem (GPS) oder differentielles GPS 64 wie zum Beispiel das GPS 24 und eine verbesserte digitale Karte 66 wie zum Beispiel die EDMAP 28. Eine Information vom Prozessor 62 zur Bestimmung der Fahr zeugposition wird an den Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen geliefert, um eine Information über den Fahrzeugstandort zu liefern. Außerdem enthält das System 60 eine Umgebungserfassungseinheit 68, die lang- und kurzreichweitigen Radar/Lidar-Einrichtungen an der Vorderseite des Fahrzeugs 10, kurzreichweitigen Radare/Lidar-Einrichtungen an den Seiten und/oder an der Rückseite des Fahrzeugs 10 oder Kameras um das Fahrzeug 10 und ein System 70 zur Datenübertragung zwischen Fahrzeugen und Fahrzeug und Infrastruktur umfasst, das auch Information an den Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen für eine Verkehrs- und Straßenbedingungen betreffende zusätzliche Information liefert.
Der Prozessor 62 zur Bestimmung der Fahrzeugposition verarbeitet die GPS/DGPS-Information sowie Information von Fahrzeugbewegungssensoren, um absolute Fahrzeugpositionen in Inertialkoordinaten der Erde abzuleiten. Andere Informationen wie zum Beispiel Fahrtrichtungswinkel (engl. heading angle) des Fahrzeugs und die Fahrzeuggeschwindigkeit können ebenfalls abgeleitet werden. Der Prozessor 62 zur Bestimmung der Fahrzeugposition bestimmt ferner den Fahrzeugstandort bezüglich der EDMAP 66 und ruft relevante lokale Straßen/Verkehrsinformationen wie zum Beispiel Kurvenverlauf, Geschwindigkeitsbegrenzung, Anzahl der Fahrspuren etc. der Straßen ab. Verschiedene Techniken für eine GPS/DGPS-gestützte Positionsbestimmung und Fahrzeuglokalisierung sind dem Fachmann gut bekannt. Ähnlich sind Techniken für eine Umgebungserfassungsverschmelzung und für Datenübertragungen zwischen Fahrzeugen und Fahrzeug und Infrastruktur (V2X) dem Fachmann gut bekannt. Durch Verwenden dieser Informationen verfügt folglich der Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen über eine bessere Fähigkeit zur genaueren Erkennung von Verkehrs- und Straßenbedingungen.
4 ist ein Blockdiagramm eines adaptiven Steuerungssystems 80 ähnlich dem Steuerungssystem 60, wobei gleiche Elemente durch die gleiche Bezugsziffer identifiziert werden, gemäß einer weiteren Ausführungsform der vorliegenden Erfindung. In dieser Ausführungsform ist das System 80 mit einer Fahreridentifizierungseinheit 82, einer Stilprofil-Datenbank 84 und einem Trendanalyse-Prozessor 86 ausgestattet, um die Systemfunktionalität zu verbessern. Die Fahreridentifizierungseinheit 82 kann einen Fahrer durch viele beliebige geeignete Techniken wie zum Beispiel durch Drücken eines Schlüsselanhängerknopfes identifizieren. Ist der Fahrer einmal identifiziert, kann sein oder ihr Stilprofil während jeder Einzelfahrt in der Stilprofil-Datenbank 84 gespeichert werden. Ferner kann eine Historie separater Stilprofile für jeden Fahrer über mehrere Einzelfahrten aufgebaut und leicht abgerufen werden, um mit Information verschmolzen zu werden, die während der gegenwärtigen Einzelfahrt mit dem Fahrzeug gesammelt wird. Ferner kann eine Abweichung des bei der aktuellen Einzelfahrt gezeigten Stils von demjenigen in der Profilhistorie eine Änderung im Zustand des Fahrers implizieren. Zum Beispiel kann ein konservativer Fahrer, der aggressiv fährt, anzeigen, dass er oder sie es eilig hat oder unter Stress steht. Ähnlich kann ein konservativ fahrender sportlicher Fahrer anzeigen, dass er oder sie müde der schläfrig ist.
Wie oben erwähnt wurde, können verschiedene charakteristische Manöver bei der Stilcharakterisierung genutzt werden, wie zum Beispiel eine Fahrzeugabstandsregelung, ein Anfahren eines Fahrzeugs, Autobahnauf-/-abfahrtmanöver und lenkgestützte Manöver, auf die als Manöver verwiesen wird, die mit einem verhältnismäßig großen Lenkwinkel und/oder einer verhältnismäßig großen Gierrate des Fahrzeugs verbunden sind. Die lenkgestützten Manöver können ferner in Unterkategorien aufgespalten werden, wie zum Beispiel Fahrspurwechsel, Links-/-Rechts-Abbiegen, Kehrt wenden und Kurvenfahrmanöver, bei denen ein Fahrzeug eine Kurve durchfährt. Weitere Diskussionen eines Identifizierens jener spezifischer Unterkategorien mit speziellen Typen lenkgestützter Manöver werden zusammen mit der entsprechenden Veranschaulichung einbezogen werden.
In einer Ausführungsform werden die lenkgestützten Manöver als ein Typ eines charakteristischen Manövers behandelt. Dementsprechend schließen die zuverlässigen Indikatoren eines lenkgestützten Manövers eine verhältnismäßig große Gierrate eines Fahrzeugs und/oder einen verhältnismäßig großen Lenkwinkel ein. In einer Ausführungsform wird die Gierrate verwendet, um den Betrieb des Manöveridentifizierungs-Prozessors 46 zu beschreiben, bei dem ein auf den Lenkwinkel basierender Datenselektor in ähnlicher Weise arbeiten würde. Um die Datenintegrität des zugeordneten lenkgestützten Manövers aufrecht zu erhalten, ist auch bestimmte Periode wie zum Beispiel T = 2 s von Daten vor und nach dem lenkgestützten Manöver erwünscht.
5 ist ein Flussdiagramm 280, das einen Prozess zeigt, der vom Manöveridentifizierungs-Prozessor 46 genutzt werden kann, um lenkgestützte Manöver zu bestimmen. Der Manöveridentifiziererwert M_id wird verwendet, um den Typ des charakteristischen Manövers zu identifizieren, wie im Folgenden detaillierter diskutiert werden wird. Jede dieser Diskussionen wird einen Manöveridentifiziererwert M_id 0, 1 oder 2 nutzen, um das Manöver zu identifizieren. Dies dient nur zu Veranschaulichungszwecken insofern, als das System, das eine Manöverfeststellung für all die verschiedenen Manöver beinhaltet, für jedes separate Manöver basierend auf dem Typ eines spezifischen charakteristischen Manövers einen verschiedenen Wert für den Manöveridentifiziererwert M_id verwenden würde.
Bei Kasten 282 beginnt der Algorithmus zur Manöveridentifizierung, indem das gefilterte Gierratensignal ω vom Signalprozessor 44 gelesen wird. Der Algorithmus geht dann weiter gemäß seinen Betriebszuständen, die durch zwei Boolesche Variablen Start_flag und End_flag bezeichnet werden, wobei Start_flag auf Null initialisiert ist und End_flag auf Eins initialisiert ist. Bei Block 284 bestimmt der Algorithmus, ob Start_flag Null ist.
Falls Start_flag Null ist, was bedeutet, dass das Fahrzeug 10 sich nicht in einem lenkgestützten Manöver befindet, bestimmt der Algorithmus gestützt auf das Gierratensignal ω bei einer Entscheidungsraute 286, ob das Fahrzeug 10 ein lenkgestütztes Manöver begonnen hat, indem bestimmt wird, ob ω(t) ≥ ω_med gilt, wobei in einer nicht beschränkenden Ausführungsform ω_med 5° pro Sekunde ist. Falls diese Bedingung erfüllt wird, was bedeutet, dass das Fahrzeug 10 ein lenkgestütztes Manöver begonnen hat, setzt der Algorithmus bei dem Kasten 288 Start_flag auf Eins und End_flag auf Null und startet einen Zeitgeber t_start = t – T bei Kasten 290. Falls die Bedingung der Entscheidungsraute 286 nicht erfüllt wurde, was bedeutet, dass das Fahrzeug 10 kein lenkgestütztes Manöver begonnen hat, kehrt dann der Algorithmus zurück und wartet bei Block 292 auf die nächste Sensormessung.
Falls Start_flag beim Block 284 nicht Null ist, was bedeutet, dass das Fahrzeug 10 sich in einem lenkgestützten Manöver befindet, bestimmt der Algorithmus, ob das lenkgestützte Manöver abgeschlossen ist, indem bei Block 294 durch max(ω(t – T:t)) ≤ ω_small, wobei in einer nicht beschränkenden Ausführungsform ω_small 2° pro Sekunde ist, bestimmt wird, ob das Gierratensignal ω auf Null reduziert wurde. Falls diese Bedingung nicht erfüllt ist, was bedeutet, dass das Fahrzeug 10 sich noch in dem lenkgestützten Manöver befindet, kehrt der Algorithmus zum Block 292 zurück, um den nächsten Datenzyklus zu sammeln. Falls die Bedingung des Blocks 294 erfüllt wurde, was bedeutet, dass das Fahrzeug 10 das lenkgestützte Manöver abgeschlossen hat, setzt der Algorithmus beim Kasten 296 Start_flag auf Null, End_flag auf Eins und den Zeitgeber t_end = t – T. Der Algorithmus setzt dann den Manöveridentifiziererwert M_id beim Kasten 298 auf Eins, was bedeutet, dass gerade ein lenkgestütztes Manöver stattgefunden hat, und ist für eine Klassifizierung bereit.
Der Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen stellt die Verkehrsbedingungen fest. Die Verkehrsbedingungen können zum Beispiel basierend auf einer Verkehrsdichte klassifiziert werden, indem der Verkehrsdichte-Bedingungsindex Traffic_index verwendet wird. Je höher der Index Traffic_index ist, desto höher ist die Verkehrsdichte. Solch ein Verkehrsindex kann auch basierend auf Messungen von Sensoren wie zum Beispiel Radar-Lidar, einer Kamera und DGPS mit einer Datenübertragung zwischen Fahrzeugen abgeleitet werden.
Als ein Beispiel kann der Prozessor 50 wie folgt auf ein nach vorne gerichtetes Radar gestützt werden. Der Detektions- bzw. Feststellungsprozess ist mit zwei Schritten verbunden, die die Anzahl von Fahrspuren ableiten und den Verkehrsindex Traffic_index berechnen. Gewöhnlich werden Radarmessungen verarbeitet, um einzelne Spurverfolgungen (engl. tracks) für sich bewegende Objekte einzurichten und beizubehalten. Solch eine Information wird in einem Puffer für eine kurze Zeitspanne wie zum Beispiel fünf Sekunden gespeichert, die aktuelle Straßengeometrie kann abgeschätzt werden, indem einzelne Spurverfolgungen mit den Polynomen der gleichen Struktur und Parameter mit Ausnahme ihrer Offsets angepasst bzw. gefittet werden. Die abgeschätzten Offsets können genutzt werden, um die Anzahl Fahrspuren sowie die relative Position der Fahrspur, die vom betreffenden Fahrzeug eingenommen wird, abzuleiten.
Mit der Abschätzung der Anzahl Fahrspuren kann der Verkehrsindex Traffic_index bestimmt werden als: Trafficindex = f(Nlane, Ntrack, R, v) (3)wo N_lane die Anzahl Fahrspuren ist, N_track die Anzahl von Fahrzeugen ist, die verfolgt werden, R die Entfernung zum vorausfahrenden Fahrzeug ist und v die Geschwindigkeit des betreffenden Fahrzeugs ist.
Eine Alternative und auch objektivere Wahl besteht darin, die durchschnittliche Entfernung zwischen Fahrzeugen in der gleichen Fahrspur und die durchschnittliche Geschwindigkeit auf der Straße zu nutzen. Die Berechnung solcher Variablen wäre jedoch komplizierter.
Ein Beispiel der Funktion von Gleichung (3) kann gegeben werden als:
Folglich gilt, je größer N_track/N_lane und v/R sind, desto größer ist der Verkehrsindex Traffic_index, das heißt die Verkehrsdichte. Für den Fall, in dem es kein vorausfahrendes oder vorderes Fahrzeug gibt, das heißt N_track gleich Null ist, wird der Verkehrsindex Traffic_index auf Null gesetzt.
Es wird besonders erwähnt, dass in den Fällen, in denen es mehrere Fahrspuren gibt, es aber keine Fahrzeuge in den benachbarten Fahrspuren gibt, die Anzahl Fahrspuren als Eins abgeschätzt wird, was nicht korrekt ist. In solchen Fällen hat jedoch der Fahrer mehr Wahlmöglichkeit, Fahrspuren zu wechseln, statt nahe dem vorausfahrenden Fahrzeug zu folgen. Folglich sollte v/R und somit der Verkehrsindex Traffic_index kleiner sein.
Eine zweite Ausführungsform zum Erkennen von Verkehrsbedingungen im Sinne einer Verkehrsdichte basiert auf DGPS mit einer Datenübertragung zwischen Fahrzeugen. Mit der Positions- und Bewegungsinformation von Fahrzeugen in der Umgebung aus einer Datenübertragung zwischen Fahrzeugen kann das betreffende Fahrzeug die Anzahl von Fahrzeugen in der Umgebung innerhalb einer bestimmten Distanz sowie die durchschnittliche Geschwindigkeit jener Fahrzeuge feststellen. Ferner kann das betreffende Fahrzeug die Anzahl Fahrspuren basierend auf der lateralen Distanz zwischen sich selbst und seinen Fahrzeugen in der Umgebung Fahrzeugen bestimmen. Um die Zählung von Fahrzeugen und Fahrspuren für Gegenverkehr zu vermeiden, sollte die Bewegungsrichtung der Fahrzeuge in der Umgebung berücksichtigt werden. Mit dieser Art von Information kann der Verkehrsindex Traffic_index durch Gleichung (4) bestimmt werden.
Während die Gleichungen (3) und (4) die Distanz R_hwd zum Vordermann eines Fahrzeugs als den Entfernungswert R nutzte, kann es genauer sein, eine gewichtete Entfernungsvariable basierend auf den Lücken in Längsrichtung zwischen Fahrzeugen in der gleichen Spur als die Entfernungsvariable R zu nutzen, wenn die Umstände dies gestatten. Mit einem seitlich gerichteten Sensor, um ein überholendes Fahrzeug festzustellen, kann die relative Geschwindigkeit Δv zwischen dem überholenden Fahrzeug und dem betreffenden Fahrzeug festgestellt werden, um einen Zeitabstand ΔT zwischen einem Fahrzeug und einem anderen zu liefern. Daher kann das i-te Auftreten der Lücke R_gap zwischen Fahrzeugen in benachbarten Fahrspuren abgeschätzt werden als: Rgap(i) = Δv·ΔT (5)
Die Entfernungsvariable R kann als ein gewichteter Durchschnitt zwischen der Distanz R_hwd zum Vordermann und dem dynamischen Durchschnitt der Fahrzeuglücken benachbarter Spuren abgeschätzt werden als:
wobei a ein Parameter zwischen 0 und 1 ist.
Wenn ein rückwärts gewandter Sensor zur Verfügung steht, kann die Distanz R_trail zum nachfolgenden Fahrzeug gemessen werden. Diese Messung kann ferner für eine Entfernungsberechnung einbezogen werden, wie zum Beispiel:
Die Verkehrsdichte kann ferner unter Verwendung von Datenübertragungen von Fahrzeug zu Fahrzeug (V2V) mit der Information eines GPS-Standorts, die zwischen den Fahrzeugen übermittelt wird, festgestellt werden. Obgleich die Durchdringung bzw. Verbreitung von Fahrzeugen, die mit Einrichtungen zur Datenübertragung von Fahrzeug zu Fahrzeug ausgestattet sind, nicht 100% beträgt, können die durchschnittlichen Distanzen zwischen Fahrzeugen basierend auf dem durch GPS-Sensor gelieferten geographischen Standort abgeschätzt werden. Die mittels Datenübertragungen von Fahrzeug zu Fahrzeug erhaltene Information muss jedoch zur Weiterverarbeitung qualifiziert werden. Zunächst kann ein Ab bildungs- bzw. Kartensystem genutzt werden, um zu prüfen, ob der Standort des Fahrzeugs entlang der gleichen Route wie das betreffende Fahrzeug liegt, indem der mittels GPS festgestellte Standort des Objektfahrzeugs mit der Kartendatenbank verglichen wird. Zweitens wird die relative Geschwindigkeit dieses Fahrzeugs und des betreffenden Fahrzeugs festgestellt, um sicherzustellen, dass das Fahrzeug nicht in der entgegengesetzten Fahrspur fährt. Eine ähnliche Information des Objektfahrzeugs, die so über mehrere Stufen der Datenübertragung von Fahrzeug zu Fahrzeug weitergeleitet wird, kann auf die gleiche Weise analysiert werden. Folglich kann eine Sammlung von Fahrzeugdistanzen für jedes der mit einer Datenübertragung von Fahrzeug zu Fahrzeug ausgestatteten Fahrzeuge erhalten werden. Durchschnittliche Distanzen D_V2V dieser Fahrzeuge können für eine Angabe der Verkehrsdichte berechnet werden.
Der Verkehrsindex Traffic_index kann ferner verbessert werden durch: Traficindex = pC1DV2V + C2Trafficindex_raw (8)wobei traffic_indexraw auf Gleichung (4) basiert, p die prozentuale Verbreitung der für Datenübertragungen von Fahrzeug zu Fahrzeug ausgerüsteten Fahrzeuge an einem gewissen, durch die Datenbank und GPS-Erfassungsinformation bestimmten Schauplatz ist und C1 und C2 Gewichtungsfaktoren sind.
Der Verkehrsindex Trafficindex kann berechnet werden unter Verwendung irgendeines der oben erwähnten Ansätze. Er kann jedoch ferner rationalisiert werden für seine gedachten Zwecke, indem dieser Index genutzt wird, um ein Verhalten des Fahrers zu kalibrieren, um den Fahrstil angesichts der Verkehrsbedingungen festzustellen. Zu diesem Zweck kann der Verkehrsindex Traffic_index basierend auf dessen geographischem Standort die Norm der physischen Verkehrsdichte sowie das durchschnittliche Fahrverhalten widerspiegelnd modifiziert werden.
Eine Statistik kann offline eingerichtet werden, um die durchschnittlichen nicht skalierten Verkehrsindizes basierend auf irgendeiner der obigen Berechnungen für die spezifischen Standorte vorzusehen bzw. zu liefern; zum Beispiel eine überfüllte Stadt im Gegensatz zu einem Großraum oder gar einem Campus und irgendwo anders. Diese Information kann in einer nicht sichtbaren Installation oder Infrastruktur gespeichert werden, die mittels Datenübertragung zwischen Fahrzeug und Infrastruktur zugänglich ist. Wenn eine derartige Information zur Verfügung steht, kann der Verkehrsindex Traffic_index gegen das statistische Mittel des spezifischen Standorts normiert werden und basierend auf einem spezifischen Verhalten unter bestimmten festgestellten Manövern eine genauere Feststellung des Fahrstils liefern.
Der Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen erkennt auch Straßenbedingungen. Straßenbedingungen von Interesse umfassen einen Fahrbahn- bzw. Straßentyp, Straßenoberflächenbedingungen und Umgebungsbedingungen. Demgemäß können drei Indizes vorgesehen werden, um die drei Aspekte der Straßenbedingungen widerzuspiegeln, insbesondere road_type, road_surface bzw. road_ambient.
6 ist ein Blockdiagramm eines Systems 300, das genutzt werden kann, um diese drei Aspekte der Straßenbedingung zu erkennen und zu integrieren. Das System 300 enthält einen Prozessor 302 zur Bestimmung des Straßentyps, der von verschiedenen Sensoren im Fahrzeug 10, die dafür ausgelegt sind, den Fahrbahn- bzw. Straßentyp zu liefern, Sensorinformationen empfängt. Die Ausgabe des Prozessors 302 zur Bestimmung des Straßentyps ist der Straßenbedingungs-Index road_type. Die Straßen typen können auf viele verschiedene Arten kategorisiert werden. Für eine Fahrcharakterisierung ist man daran interessiert, wie viel Platz bzw. freien Raum die Straße einem Fahrer bietet. Daher ist es vorzuziehen, Straßen gemäß ihrer Geschwindigkeitsbegrenzung, der typischen Auslastung der Straße, der Anzahl Fahrspuren in jeder Fahrrichtung, der Breite der Fahrspuren etc. zu kategorisieren. Beispielsweise kategorisiert die vorliegende Erfindung Straßen in vier Typen, nämlich städtische Schnellstraßen, städtische Ortsstraßen, ländliche Schnellstraßen und ländliche Ortsstraßen. Die beiden Schnellstraßen weisen eine höhere Geschwindigkeit als die beiden Ortsstraßen auf. Die städtische Schnellstraße hat typischerweise mindestens drei Fahrspuren in jeder Fahrtrichtung, und die ländliche Schnellstraße hat typischerweise ein bis zwei Fahrspuren in jeder Richtung. Die städtischen Ortsstraßen haben breitere Fahrspuren und mehr verkehrsgesteuerte Kreuzungen als die ländliche Ortsstraße. Dementsprechend kann der Straßentyp basierend auf den folgenden Straßenkriterien, nämlich der Geschwindigkeitsbegrenzung, der Anzahl Fahrspuren, der Breite der Fahrspuren und der Auslastung der Straße, falls verfügbar, erkannt werden.
Für Systeme dieser Ausführungsform der Erfindung können die Bilder einer nach vorne gerichteten Kamera verarbeitet werden, um die aktuelle Geschwindigkeitsbegrenzung basierend auf einer Erkennung von Verkehrszeichen, der Anzahl Fahrspuren und der Fahrspurbreite zu bestimmen. In anderen Ausführungsformen können die Fahrzeuge mit einem GPS oder DGPS mit einer verbesserten digitalen Karte oder GPS oder DGPS mit Datenübertragung zwischen Infrastruktur und Fahrzeug und Fahrzeugen oder beiden ausgestattet sein. Falls eine EDMAP zur Verfügung steht, enthält die EDMAP direkt die Straßencharakteristikinformation. Die EDMAP kann sogar den Straßentyp enthalten, der direkt genutzt werden kann. Falls eine Datenübertragung zwischen Infrastruktur und Fahrzeug zur Verfügung steht, kann das Fahrzeug jene Straßencharakteristiken und/oder den Straßentyp in den Datenübertragungspaketen von der Infrastruktur empfangen.
Mit dieser Information kategorisiert der Prozessor 302 den Straßentyp basierend auf den Straßencharakteristiken, oder das Fahrzeug kann den Straßentyp von der EDMAP 28 mit der Datenübertragung direkt nutzen.
7 ist ein Flussdiagramm 320, das einen Prozess, um im Prozessor 302 eine Straßentyperkennung zu liefern, gemäß einer nicht beschränkenden Ausführungsform der vorliegenden Erfindung zeigt. In diesem Beispiel wird der Straßentyp-Bedingungsindex road_type bei Kasten 322 als 1, bei Kasten 324 als 2, bei Kasten 326 als 3 und bei Kasten 328 als 4 identifiziert, wobei Index 1 für eine städtische Schnellstraße, Index 2 für eine ländliche Schnellstraße, Index 3 für eine städtische Ortsstraße und Index 4 für eine ländliche Ortsstraße steht. Die Straßentyperkennung beginnt mit einem Lesen der vier Charakteristiken. Falls die aktuelle Geschwindigkeitsbegrenzung bei Block 330 oberhalb von 88 km/h (55 mph) liegt, wird die Straße entweder als eine städtische Schnellstraße oder eine ländliche Schnellstraße angesehen. Der Prozess bestimmt dann bei Block 332, ob die Anzahl Fahrspuren größer als Zwei ist, und falls dies der Fall ist, ist die Straße beim Kasten 322 ein Straßentyp 1 für eine städtische Schnellstraße;, andernfalls ist die Straße ein ländlicher Schnellstraßentyp 2 mit mehr als zwei Fahrspuren bei Kasten 324. Falls die Geschwindigkeitsbegrenzung bei dem Block 330 geringer als 88 km/h (55 mph) ist, bestimmt bei Block 334 der Algorithmus, ob die Anzahl Fahrspuren größer oder gleich 2 ist. Falls die Anzahl Fahrspuren mindestens Zwei beträgt, wird die Straße beim Kasten 326 als eine städtische lokale Ortsstraße Typ 3 betrachtet, ansonsten ist sie beim Kasten 328 eine ländliche Ortsstraße Typ 4.
Die Straßenoberfläche beeinflusst die Leichtigkeit der Steuerung eines Fahrzeugs. Eine Oberfläche mit niedrigem Koeffizienten hat beispielsweise ein beschränktes Vermögen, longitudinale und laterale Reifenkräfte zu liefern. Als Folge muss ein Fahrer auf einer Oberfläche mit einem niedrigen Reibungskoeffizienten vorsichtiger als auf einer Straße mit einem hohen Reibungskoeffizienten fahren. Ähnlich macht die durch eine unebene Oberfläche erzeugte Störung die Fahrt weniger komfortabel und erfordert vom Fahrer mehr Kontrolle über das Fahrzeug. Solche Faktoren bewirken, dass ein Fahrer sich konservativer verhält. Da sowohl die Feststellung der Reibungskoeffizienten einer Straßenoberfläche als auch die Feststellung unebener Straßen unter Verwendung von Sensoren im Fahrzeug dem Fachmann gut bekannt sind, ist eine ausführlichere Diskussion hier nicht notwendig.
Die vorliegende Erfindung nutzt die Feststellungsergebnisse, um den Straßenoberfläche-Bedingungsindex road_surface zu erzeugen, um den Zustand bzw. die Bedingung der Straßenoberfläche widerzuspiegeln. Zum Beispiel repräsentiert ein Straßenoberfläche-Bedingungsindex road_surface Null eine gute Oberfläche, die einen hohen Reibungskoeffizienten aufweist und nicht uneben ist, repräsentiert ein Straßenoberfläche-Bedingungsindex road_surface Eins eine Oberfläche in einem moderaten Zustand, die einen mittleren Reibungskoeffizienten aufweist und nicht uneben ist, und ein Straßenoberfläche-Bedingungsindex road_surface 2 repräsentiert eine schlechte Oberfläche, die einen niedrigen Koeffizienten hat oder uneben ist. Zurückkehrend zu 6 enthält das System 300 einen Straßenoberfläche-Bedingungsprozessor 304, der die Sensorinformation empfängt, und bestimmt, ob der Straßenoberfläche-Bedingungsindex road_surface bei Kasten 308 für eine Straßenoberfläche mit moderatem Koeffizienten oder bei Kasten 310 ein unebener Koeffizient gilt.
Die Umgebungsbedingungen betreffen hauptsächlich Faktoren, die die Sicht wie zum Beispiel Lichtbedingung (Tag und Nacht), Wetterverhältnisse zum Beispiel Nebel, Regen, Schnee etc. beeinflussen. Das System 300 enthält einen Umgebungsbedingungsprozessor 306, der den Straßenumgebungs-Bedingungsindex road_ambient liefert. Der Umgebungsbedingungsprozessor 306 enthält einen Lichtpegel-Feststellungskasten 312, der eine Angabe des Lichtpegels liefert, einen Regen/Schnee-Feststellungskasten 314, der ein Signal der Regen/Schnee-Bedingung liefert, und einen Nebel-Feststellungskasten 316, der einen Nachweis liefert, ob Nebel vorliegt, die alle kombiniert werden, um den Straßenumgebungs-Bedingungsindex road_ambient zu liefern.
Das Erkennen der Lichtverhältnisse bzw. -bedingung durch den Kasten 312 kann durch einen typischen Dämmerungssensor für eine automatische Frontscheinwerferregelung erreicht werden, der einen Lichtpegel erfasst, wie er vom Fahrer gesehen wird. Typischerweise ist die Lichtpegelausgabe ein Strom, der dem Umgebungslichtpegel proportional ist. Basierend auf dieser Ausgabe kann der Lichtpegel berechnet werden, und die Lichtbedingung kann in mehrere Pegel klassifiziert werden, wie zum Beispiel 0–2, wobei Null helles Tageslicht repräsentiert und Zwei einen sehr dunklen Zustand repräsentiert. Zum Beispiel gilt light_level = 0, falls der berechnende Lichtpegel höher als die Schwelle L_high ist, wobei L_high = 300 Lux, light_level = 1, falls, falls der Lichtpegel zwischen Schwellen L_high und L_low liegt, wobei L_low die Schwelle zur Aktivierung der Fahrscheinwerfer oder 150 Lux sein kann, und light_level = 2, falls der Lichtpegel niedriger als die Schwelle L_low ist.
Durch den Kasten 314 kann die Regen/Schnee-Bedingung festgestellt werden unter Verwendung eines automatischen Regensensors, der typi scherweise auf der Innenfläche der Frontscheibe montiert ist und genutzt wird, um den automatischen Betriebsmodus der Frontscheibenwischer zu unterstützen. Der gebräuchlichste Regensensor überträgt einen Infrarotlichtstrahl unter einem Winkel von 45° in die Frontscheibe von der Innenseite nahe der unteren Kante und, falls die Frontscheibe nass ist, gelangt weniger Licht zum Sensor zurück. Einige Regensensoren können auch den Grad bzw. das Ausmaß des Regens erkennen, so dass die Scheibenwischer bei der richtigen Geschwindigkeit eingeschaltet werden können. Daher kann die Regen/Schnee-Bedingung basierend auf der Regensensorfeststellung direkt erkannt werden. Außerdem kann der Grad des Regens/Schnees entweder auf den Regensensor oder die Scheibenwischergeschwindigkeit basierend bestimmt werden. Alternativ dazu kann die Regen/Schnee-Bedingung allein basierend darauf festgestellt werden, ob der Scheibenwischer während einer bestimmten Zeitspanne wie zum Beispiel 30 Sekunden an war. Die Regen/Schnee-Bedingung kann in I + N Pegel kategorisiert werden, wobei rain_level = 0 keinen Regen repräsentiert und rain_level = i, wobei i den Geschwindigkeitspegel des Scheibenwischers angibt, da die meisten Scheibenwischer bei diskreten bzw. abgestuften Geschwindigkeiten arbeiten. Falls das Fahrzeug mit GPS oder DGPS und einer Datenübertragung zwischen Fahrzeug und Infrastruktur ausgestattet ist, kann alternativ die Regen/Schnee-Bedingung auch auf Rundfunkwarnungen vor Regen/Schnee von der Infrastruktur basierend bestimmt werden.
Die Nebelbedingung kann durch den Kasten 316 unter Verwendung einer nach vorne gerichteten Kamera oder Lidar festgestellt werden. Die Bilder von der Kamera können verarbeitet werden, um die Sichtweite zu messen, wie zum Beispiel die meteorologische Sichtweite, die von der internationalen Kommission für Lichtintensität als die Distanz definiert wird, über die ein schwarzes Objekt einer ausreichenden Abmessung mit einem Kontrast von weniger als 5% wahrgenommen wird. Ein Lidar-Sensor stellt Nebel fest, indem die mikrophysikalischen und optischen Eigenschaften der Umgebung erfasst werden. Basierend auf dessen empfangenen Sichtfeldern kann der Lidar-Sensor den effektiven Radius der Nebeltröpfchen unter nebeligen Bedingungen berechnen, und berechnet den Extinktionskoeffizienten bei sichtbaren und Infrarotwellenlängen. Die Techniken für die Nebelfeststellung, die auf einer Kamera oder Lidar basieren, sind dem Fachmann gut bekannt und müssen daher hierin nicht sehr ausführlich diskutiert werden. Diese Erfindung nimmt Ergebnisse von jenen Systemen wie zum Beispiel die Sichtweite von einem kameragestützten Nebeldetektor oder äquivalent die Extinktionskoeffizienten bei sichtbaren Wellenlängen von einem lidargestützten System zur Feststellung von Nebel und klassifiziert demgemäß die folgende Bedingung. Zum Beispiel kann die Bedingung Nebel in vier Pegel 0–3 klassifiziert werden, wobei 0 keinen Nebel repräsentiert und 3 einen Nebel hoher Dichte repräsentiert. Die Bestimmung des Nebeldichtepegels basierend auf der Sichtweite kann klassifiziert werden als:
wobei beispielhafte Werte der Schwellen visibility_high = 140 m, visibility_med = 70 m und visibility_low = 35 m sein können. Falls das Fahrzeug 10 mit GPS oder DGPS und einer Datenübertragung zwischen Fahrzeug und Infrastruktur ausgestattet ist, kann die Bedingung Nebel alternativ auch basierend auf den Nebelwarnungen über Rundfunk von der Infrastruktur bestimmt werden.
Der Straßenumgebungs-Bedingungsindex Road_ambient kombiniert dann die Feststellungsergebnisse der Lichtbedingung, der Regen/Schnee-Bedingung und der Nebelbedingung. Der einfachste Weg besteht darin, Road_ambient = [light_level rain_level fog_level]^T zu setzen.
Alternativ dazu könnte der Straßenumgebungsbedingungs-Index Road_ambient eine Funktion der Feststellungsergebnisse sein wie zum Beispiel: Roadambient = fambient(lightlevel, rainlevel, foglevel) = α1 × lightlevel + α2 rainlevel × α3 × foglevel (10)wobei α₁, α₂ und α₃ Gewichtungsfaktoren sind, die größer Null sind. Man beachte, dass je größer jedes einzelne Feststellungsergebnis ist, desto schlechter die Umgebungsbedingung zum Fahren ist. Je größer der Straßenumgebungsbedingungs-Index road_ambient ist, desto schlechter ist folglich die Umgebungsbedingung zum Fahren.
Die drei Straßenbedingungs-Indizes Road_type, Road_surface, Road_ambient werden dann durch das System 300 kombiniert, um die Straßenbedingung widerzuspiegeln. Die Kombination kann eine einfache Kombination sein wie zum Beispiel Road_index = [road_type road_surface road_ambient]^T oder eine Funktion wie zum Beispiel Road_index = f_road[road_type road_surface road_ambient], was eine Nachschlagetabelle sein könnte.
Folglich können erkannte Verkehrs/Straßenbedingungen in dem Stilcharakterisierungs-Prozessor 52 auf zwei Arten verwendet werden. Zuerst bestimmt der Datenauswahlprozessor 48 den Anteil Daten, der für eine Stilklassifizierung aufgezeichnet werden soll, basierend auf dem Manöveridentifiziererwert M_id und den erkannten Verkehrs/Straßenbedingungen.
Zweitens klassifiziert der Stilklassifizierungs-Prozessor 52 einen Fahrstil basierend auf Fahrereingaben und einer Fahrzeugbewegung sowie den Verkehrs/Straßenbedingungen. Das heißt, die Verkehrs/Straßenbedingungsindizes sind Teil der (im Folgenden diskutierten) Unterscheidungsmerkmale, die in der Stilklassifizierung genutzt werden.
Nicht alle während einer Fahrt gemessenen Daten sind nützlich. Tatsächlich wäre es unnötig und unwirtschaftlich, alle Daten aufzuzeichnen. In der vorliegenden Erfindung helfen Informationen bezüglich des Manövertyps und der Verkehrs/Straßenbedingungen dabei, zu bestimmen, ob das aktuelle Fahrverhalten für die Charakterisierung wertvoll ist. Falls dies der Fall ist, werden die Daten durch den Datenauswahlprozessor 48 aufgezeichnet. Falls sich zum Beispiel der Verkehr staut, kann es bedeutungslos sein, den Stil basierend auf Fahrwechselmanövern zu charakterisieren. In solchen Fällen sollten die Daten nicht gespeichert werden. Falls auf der anderen Seite der Verkehr moderat ist, sollten die Daten insofern aufgezeichnet werden, als das Manöver ein charakteristisches Manöver ist. Um die Vollständigkeit der Aufzeichnung aufrechtzuerhalten, wird eine kurze Periode Daten immer aufgezeichnet und aktualisiert.
8 ist ein Flussdiagramm 130, das einen Prozess zeigt, der durch den Datenauswahlprozessor 48 genutzt wird, um die einem bestimmten charakteristischen Manöver entsprechenden Daten zu speichern. Dieser Prozess für den Datenauswahlprozessor 48 kann für verschiedene charakteristische Manöver verwendet werden, einschließlich, nicht aber darauf beschränkt, eines Fahrzeugüberholmanövers, eines Links/Rechts-Abbiegemanövers, eines Fahrspurwechselmanövers, eines Kehrtwendemanövers, eines Anfahrmanövers eines Fahrzeugs und eines Auf/Abfahrtmanövers, die alle im Folgenden ausführlicher diskutiert werden. Beim Startblock 132 liest der durch den Datenauswahlprozessor 48 verwendete Algorith mus die Booleschen Variablen Start_flag und End_flag von dem Manöveridentifizierer-Prozessor 46. Falls Start_flag Null ist oder der Verkehrsindex Traffic_index größer als die Verkehrsschwelle δ_th bei der Entscheidungsraute 134 ist, aktualisiert bei Block 136 einfach der Datenauswahlprozessor 48 seinen Datenspeicher weiterhin, um sich für das nächste charakteristische Manöver vorzubereiten.
Falls irgendeine der Bedingungen der Entscheidungsraute 134 nicht erfüllt ist, bestimmt dann bei Block 138 der Algorithmus, ob eine Variable old_Start_flag Null ist. Falls old_Start_flag bei dem Block 138 Null ist, setzt der Algorithmus old_Start_flag auf Eins und beginnt ein Aufzeichnen, indem die Daten zwischen einer Zeit t_start und der aktuellen Zeit t bei Kasten 140 gespeichert werden. Die Daten können die Fahrzeuggeschwindigkeit, die longitudinale Beschleunigung, Gierrate, Lenkwinkel, Drosselöffnung, Reichweite bzw. Entfernung, Entfernungsrate und verarbeitete Information wie zum Beispiel ein Verkehrsindex und Straßenbedingungs-Index umfassen.
Falls beim Block 138 old_Start_flag nicht Null ist, ist der Datenauswahlprozessor 48 schon im Aufzeichnungsmodus, so dass er dann bestimmt, ob das Manöver abgeschlossen wurde. Insbesondere bestimmt bei Block 142 der Algorithmus, ob End_flag Eins ist, und falls dies der Fall ist, wurde das Manöver abgeschlossen. Der Algorithmus setzt dann bei Block 144 old_Start_flag auf Null zurück und bestimmt bei einer Entscheidungsraute 146, ob der Manöveridentifiziererwert M_id Null ist. Falls der Manöverwert M_id bei der Entscheidungsraute 146 nicht Null ist, gibt dann der Datenauswahlprozessor 48 die aufgezeichneten Daten einschließlich des Wertes M_id aus und erhöht den Manöversequenzindex M_seq = M_seq + 1 bei Kasten 148. Der Datenauswahlprozessor 48 speichert auch die Daten zwischen der Zeit t_start und der Zeit t_end zusammen mit den Werten M_seq und M_id und setzt eine Variable data_ready = 1, um den Stilcharakterisierungs-Prozessor 52 darüber zu informieren, dass die aufgezeichneten Daten bereit sind. Der Algorithmus beginnt dann bei Kasten 150 eine neue Runde einer Datenaufzeichnung.
Falls beim Block 142 End_flag nicht Eins ist, wurde das Manöver nicht abgeschlossen, und der Datenauswahlprozessor 48 speichert weiter bei Kasten 152 die neuen Daten.
Die gesammelten Daten werden dann verwendet, um den Fahrstil zu bestimmen, wobei die Daten Boolescher Variablen durch den Stilcharakterisierungs-Prozessor 52 verwendet werden, um einen Klassifizierungsprozess zu identifizieren.
Gemäß einer Ausführungsform der vorliegenden Erfindung klassifiziert der Stilcharakterisierungs-Prozessor 52 einen Fahrstil eines Fahrers basierend auf Unterscheidungsmerkmalen. Obgleich verschiedene Klassifizierungstechniken wie zum Beispiel Fuzzy-Logik, Clustering, neuronale Netzwerke (NN), selbstorganisierende Abbildungen bzw. Karten (SOM) und sogar einfache schwellenwertbasierte Logik genutzt werden können, ist es eine Innovation bzw. Neuerung der vorliegenden Erfindung, solche Techniken zu nutzen, um einen Fahrstil eines Fahrers zu charakterisieren. Um zu veranschaulichen, wie der Stilcharakterisierungs-Prozessor 52 arbeitet, kann ein Beispiel einer Stilklassifizierung basierend auf Fuzzy-C-Mittel (FCM) verwendet werden.
9 ist ein Flussdiagramm 160, das einen solchen Fuzzy-C-Mittel-Prozess zeigt, der durch den Stilcharakterisierungs-Prozessor 52 genutzt wird. Wie der Fachmann jedoch erkennt, kann jede beliebige der vorher erwähnten Klassifizierungstechniken für die Stilklassifizierung verwendet werden. Alternativ dazu können die Unterscheidungsmerkmale weiter in kleinere Gruppen getrennt werden, und Klassifizierer können für jede Gruppe entworfen werden, um die Dimension der Unterscheidungsmerkmale, die durch jeden Klassifizierer verarbeitet werden, zu reduzieren.
Bei Kasten 162 werden Daten gesammelt, und der im Stilcharakterisierungs-Prozessor 52 verwendete Algorithmus bestimmt bei der Entscheidungsraute 164, ob die Variable data_ready Eins ist, und falls nicht, endet der Prozess bei Block 166. Falls data_ready bei der Entscheidungsraute 164 Eins ist, liest der Algorithmus die aufgezeichneten Daten vom Datenauswahlprozessor 48 bei Kasten 168 und ändert bei Kasten 170 data_ready in Null. Der Algorithmus wählt bei Kasten 172 Unterscheidungsmerkmale für das identifizierte Manöver aus. Der Prozess, um Unterscheidungsmerkmale auszuwählen, kann in drei Schritte aufgebrochen werden, nämlich Ableiten/Erzeugen originaler Merkmale aus den gesammelten Daten, Extrahieren von Merkmalen aus den originalen Merkmalen und Auswählen der endgültigen Unterscheidungsmerkmale aus den extrahierten Merkmalen. Der Algorithmus wählt dann den Klassifizierer für das bestimmte Manöver aus und verwendet den ausgewählten Klassifizierer, um bei Kasten 174 das Manöver zu klassifizieren. Der Prozessor gibt dann den Stil-(N)-Wert, den Zeitindex N, den Verkehrsindex Traffic_index, den Straßenbedingungs-Index Road_index und den Manöveridentifiziererwert M_id bei Kasten 176 aus.
Der Stilcharakterisierungs-Prozessor 52 kann Charakterisierer verwenden, die den Fahrstil des Fahrers basierend auf verschiedenen Merkmalen und verschiedenen Klassifizierungsalgorithmen bestimmen. In einer nicht beschränkenden Ausführungsform gibt es zwei Charakterisierer, die jeweils spezifische Merkmalextraktoren und Klassifizierer aufweisen. 10 zeigt ein Flussdiagramm 600, das ein Verfahren zum Verarbeiten eines Inhalts eines Merkmalextraktors in einem Charakterisierer in dem Stilcharakterisierungs-Prozessor 52 zeigt. Der Prozess beginnt bei Kasten 602, und ein erster Charakterisierer identifiziert bei Kasten 604 einen Fahrstil eines Fahrers basierend auf autoregressiven (AR) Koeffizienten von Sensorsignalen, die während eines lenkgestützten Manövers gesammelt wurden. Ist zum Beispiel die Geschwindigkeit während eines lenkgestützten Manövers als eine finite Gruppe Daten gegeben, zum Beispiel v_x(t_k), k = 1, 2, ..., N, kann die Geschwindigkeit durch ein AR-Modell q-ter Ordnung approximiert werden, so dass v_x(t_k) = a₁v_x(t_k-1) + a_qv_x(t_k-2) + ... a_qv_x(t_k-q) gilt, wobei a₁, a₂ und a_q die Koeffizienten des AR-Modells sind. Gewöhnlich ist die Ordnung des AR-Modells viel kleiner als die Länge der Daten, das heißt q ≪ N, daher können die Charakteristiken der Geschwindigkeit durch wenige AR-Koeffizienten repräsentiert werden. AR-Modelle können für jedes der Sensorsignale erstellt werden, und die abgeleiteten AR-Koeffizienten werden als die Merkmaldaten für den Charakterisierer verwendet. Falls zum Beispiel AR-Modelle 10-ter Ordnung für die Gierraten-, die Geschwindigkeits-, die longitudinale Beschleunigungs- und Drosselöffnungssignale verwendet werden, beträgt die Gesamtzahl der Merkmaldaten, das heißt der AR-Koeffizienten, 10 × 4 = 40. In Fällen, in denen eine sogar kleinere Anzahl der Merkmaldaten erwünscht ist, kann bei Kasten 606 eine Datenreduzierung an den Koeffizienten durchgeführt werden. Datenreduzierungsmethoden wie zum Beispiel eine Primärkomponentenanalyse (PCA) sind dem Fachmann gut bekannt und müssen hierin nicht im Detail beschrieben werden. Der Prozess kehrt bei Kasten 608 zurück, um Daten zu sammeln.
Eine einfachere Merkmalextraktion, die in dem zweiten Charakterisierer im Prozessor 52 verwendet werden kann, besteht darin, Signaturwerte der Daten zu extrahieren, zum Beispiel die maximale Gierrate, die Eintritts- bzw. Einfahrgeschwindigkeit, die minimale Geschwindigkeit, der Ge schwindigkeitsabfall und wie lange der Fahrer die Drossel nit einem bestimmten Prozentbetrag wie zum Beispiel 80%, 70% und 60% während des lenkgestützten Manövers betätigte. Die Vorteile dieses Typs einer Merkmalextraktion umfassen einen geringen Bedarf an Rechenleistung und eine kleine Gruppe Merkmaldaten, die zur Verwendung durch den Prozessor 52 bereitgestellt sein müssen.
Verschiedene Klassifizierungsverfahren können vom Stilcharakterisierungs-Prozessor 52 verwendet werden. Zum Beispiel kann ein neuronales Netzwerk entworfen werden, um den Fahrstil des Fahrers zu identifizieren. Einmal entworfen, ist die Verarbeitung einfach, wobei der Prozess ein Eingeben der Merkmaldaten in das neuronale Netzwerk einschließt und das neuronale Netzwerk den Fahrstil des Fahrers ausgibt. Der Entwurf des Klassifizierers erfordert jedoch gewöhnlich sowohl die Eingabedaten als auch die gewünschte Ausgabe. Mit den Merkmaldaten von dem Merkmalextrahierer wird die Ableitung der gewünschten Ausgabe ein Hauptproblem im Entwurf eines Klassifizierers.
11 ist ein Blockdiagramm eines Klassifizierers 610, der basierend auf solch einem Entwurf im Stilcharakterisierungs-Prozessor 52 verwendet werden kann. Für jedes lenkgestützte Manöver gibt es einen Satz Merkmaldaten, und es muss einen entsprechenden Fahrstil geben, der als die gewünschte Ausgabe für das Training eines neuronalen Netzwerks verwendet werden kann. Da der Fahrstil für jedes lenkgestützte Manöver nicht zur Verfügung steht, wird das Klassifizierungsproblem als ein nicht überwachtes Mustererkennungsproblem behandelt, und der mit jedem lenkgestützten Manöver verbundene Fahrstil wird unter Verwendung von Datenzerlegungs- bzw. -partitionierungsverfahren wie zum Beispiel FCM-Clustering abgeleitet. Der Klassifizierer 610 schließt folglich einen Fuzzy-Clustering-Prozess bei Kasten 612 ein, der einen Satz Merkmale empfängt, und jene Merkmale werden mit einem Cluster-Etikett bei Kasten 614 trainiert.
12 ist ein Flussdiagramm 620, das ein Verfahren zum Verarbeiten eines Inhalts einer auf Fuzzy-Clustering gestützten Datenpartition des Klassifizierers 610 verwendet wird. Die Mustermerkmaldaten sind in einer M-mal-N-Matrix X organisiert als:
wobei M die Anzahl lenkgestützter Manöver repräsentiert und N die Größe der Merkmaldaten ist. Jede Reihe [X_i1 x_i2 ... X_iN] (l ≤ i ≤ M) enthält die Merkmaldaten vom lenkgestützten Manöver i.
Der Prozess beginnt bei Kasten 622 mit einem Lesen der Merkmaldatenmatrix X bei Kasten 624 und setzt sich dann mit einer Iteration fort, um die optimale Anzahl Partitionen C_opt bei Kasten 626 zu bestimmen. In jeder Iteration teilt die Clustering-Technik bei Kasten 628 die Merkmaldaten in Cluster und gibt eine Partitionsmatrix Y = [y_ik] aus, wobei y_ik (0 ≤ y_ik ≤ 1) den Mitgliedsgrad des lenkgestützten Manövers i (1 ≤ i ≤ M) in einer Klasse k (1 ≤ k ≤ C) bezeichnet. Die Clustering-Funktion gibt auch zugeordnete Gültigkeitsmaße aus, die eine Einschätzung der Güte der erhaltenen Partition liefern.
Die Partitionszahl, die die kleinsten Gültigkeitsmaße ergibt, wird als die optimale Partitionszahl C_opt betrachtet, und die entsprechende Partitionsmatrix Y kann als die gewünschte Ausgabe für den Klassifiziererentwurf verwendet werden. Alternativ dazu kann die Partitionsmatrix Y erhärtet (engl. hardened) werden, bevor sie im Klassifiziererentwurf verwendet wird. Der Erhärtungsprozess weist jedes lenkgestützte Manöver der Klasse zu, die das höchste y_ik aufweist, das heißt erzwingt y_ij = 1, falls j = arg (max_k-1...Copt(y_ik)), andernfalls y_ij = 0.
Durch diesen Prozess bestimmt bei einer Entscheidungsraute 630 der Algorithmus, ob E kleiner als E_opt ist, und falls dies der Fall ist, setzt er C_opt = C, Y_opt = Y und E_opt = E; andernfalls bleiben diese Werte dieselben. Der Algorithmus erhöht dann bei Kasten 634 C um 1 und bestimmt bei einer Entscheidungsraute 636, ob C < 10 gilt. Falls C bei der Entscheidungsraute 636 kleiner als 10 ist, kehrt dann der Algorithmus zu Kasten 628 zurück, um ein FCM-Clustering durchzuführen. Andernfalls gibt der Algorithmus bei Kasten 638 Y_opt und C_opt aus und kehrt zum Sammeln von Daten bei Kasten 640 zurück.
Falls es im Prozessor 52 mehrere Charakterisierer gibt, werden drei Entscheidungen miteinander und den Entscheidungen von vorherigen lenkgestützten Manövern verschmolzen. Der Entscheidungs-Verschmelzer führt drei Aufgaben aus, nämlich berechnet einen Verkehrsfaktor für die aktuelle Entscheidung, hält eine Aufzeichnung der Entscheidungshistorie, die Entscheidungen für alle oder jüngsten lenkgestützten Manöver enthält, und verschmelzt die aktuelle Entscheidung mit Entscheidungen in der Historie. Der Verkehrsfaktor wird genutzt, um den Einfluss der Verkehrsbedingung auf das Fahrverhalten eines Fahrers zu berücksichtigen. Zum Beispiel kann ein konservatives lenkgestütztes Manöver aufgrund der Tatsache vorliegen, dass das Fahrzeug voraus konservativer als die konservative Einstellung des Fahrers gefahren wird. Da eine kurze Distanz zum Vordermann/Zeit zum Vordermann Verkehrseinschränkungen anzeigen kann, die den Fahrer auf konservativere lenkgestützte Manöver be schränken, kann die Distanz zum Vordermann/Zeit zum Vordermann verwendet werden, um den Verkehrsfaktor zu berechnen. Eine allgemeine Regel besteht darin, den Verkehrsfaktor zu verringern, falls die Distanz zum Vordermann/Zeit zum Vordermann verhältnismäßig kurz ist, und umgekehrt. Der Verkehrsfaktor wird als eine gewisse Form von Gewichtungsfaktoren in der Entscheidungsverschmelzung verwendet.
13 ist ein Flussdiagramm 650, das ein Verfahren zum Verarbeiten eines Inhalts des Entscheidungs-Verschmelzers im Entscheidungsverschmelzungs-Prozessor 56 zeigt. Der Prozess beginnt bei Kasten 652 und liest bei Kasten 654 Entscheidungen D = [D₁ D₂ ... D_N], wobei D_i = [p_ki], (1 ≤ k ≤ C, 0 ≤ p_ki ≤ 1) gilt, wobei D_i die Entscheidung des Klassifizierers i ist und p_ki der Mitgliedsgrad des aktuellen lenkgestützten Manövers in der Klasse K gemäß Klassifizierer i ist. Der Verschmelzungsprozess bestimmt dann bei Kasten 656 den Verkehrsfaktor T_f und modifiziert die Entscheidung, indem sie bei Kasten 658 mit dem Verkehrsfaktor D_m = D × T_f multipliziert werden. Die modifizierten Entscheidungen D_m werden in einer Entscheidungshistorie-Matrix bei Kasten 660 gespeichert, bevor sie mit Entscheidungen in der Historie verschmolzen werden. Der Prozessor liefert dann eine Verschmelzung mit vorherigen Entscheidungen bei Kasten 662 wie zum Beispiel ein Mehrheitsvotum, ein Fuzzy-Integral und eine Entscheidungsschablone (engl. template). Der Prozess gibt dann die verschmolzenen Entscheidungen bei Kasten 664 aus und kehrt bei Kasten 666 zurück.
Die Verkehrs- und Straßenbedingungen können im Stilcharakterisierungs-Prozessor 52 unter Verwendung von drei verschiedenen Einbeziehungs- bzw. Einbauschemata eingebaut werden. Diese Schemata umfassen einen eng gekoppelten Einbau, der die Verkehrs- und Straßenbedingungen als Teil der Merkmale, die zur Stilcharakterisierung verwendet werden, einschließt, einen Auswahl/Schalteinbau, wobei mehrere Klassifizierer mit einer Merkmalextraktion/Auswahl zusammenkommen, die für verschiedene Verkehrs- und Straßenbedingungen ausgelegt bzw. entworfen wurden, und Klassifizierer zusammen kommen, die basierend auf den Verkehrs- und Straßenbedingungen ausgewählt wurden, die dem zu identifizieren Manöver zugeordnet sind, und einen Einbau mit entkoppelter Skalierung, wobei generische Klassifizierer ungeachtet Verkehrs- und Straßenbedingungen entworfen werden und die Klassifizierungsergebnisse durch Multiplizieren mit Skalierungsfaktoren eingestellt werden. Ein eng gekoppelter Einbau und Ausbau/Schalt-Einbau werden im Stilcharakterisierungs-Prozessor 52 durchgeführt, und der Einbau mit entkoppelter Skalierung kann in entweder dem Stilcharakterisierungs-Prozessor 52 oder dem Entscheidungsverschmelzungs-Prozessor 56 enthalten sein.
14 ist ein Blockdiagramm des Stilcharakterisierungs-Prozessors 52 gemäß einer Ausführungsform der vorliegenden Erfindung. Der Manöveridentifiziererwert M_id vom Manöveridentifizierungs-Prozessor 46 wird an einen Schalter 380 zusammen mit den aufgezeichneten Daten vom Datenauswahlprozessor 48 und dem Verkehrsbedingungsindex Traffic_index und dem Straßenbedingungs-Index Road_index vom Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen angelegt. Der Schalter 380 identifiziert einen bestimmten Manöverwert M_id und legt die aufgezeichneten Daten, den Verkehrsindex Traffic_index und den Straßenbedingungs-Index Road_index an einen Stilklassifizierungs-Prozessor 382 für dieses bestimmte Manöver an. Jeder Stilklassifizierungs-Prozessor 382 liefert die Klassifizierung für ein bestimmtes Manöver. Ein Ausgabeschalter 384 wählt die Klassifizierung vom Prozessor 382 für die Manöver aus, die gerade klassifiziert werden, und liefert den Stilklassifizierungswert an den Stilprofil-Trip-Logger 54 und den Entscheidungsverschmelzungs-Prozessor 56, wie oben diskutiert wurde.
15 ist ein Blockdiagramm eines Stilklassifizierungs-Prozessors 390, der den enggekoppelten Einbau verwendet, und kann für die Stilklassifizierungs-Prozessoren 382 gemäß einer Ausführungsform der vorliegenden Erfindung verwendet werden. In diesem Manöver klassifizierenden Schema sind der Verkehrsindex Traffic_index und der Straßenbedingungs-Index Road_index als Teil des originalen bzw. Originalmerkmalvektors enthalten. Der Prozessor 390 enthält einen Originalmerkmal-Prozessor 390, der die aufgezeichneten Daten vom Datenauswahlprozessor 48 empfängt und die originalen Merkmale aus den aufgezeichneten Daten identifiziert. Die originalen Merkmale, der Verkehrsindex Traffic_index und der Straßenbedingungs-Index Road_index werden an einen Merkmalextraktions-Prozessor 394 gesendet, der die Merkmale extrahiert. Wenn die Merkmale für das bestimmte Manöver extrahiert sind, werden bestimmte der Merkmale durch einen Merkmalauswahlprozessor 396 ausgewählt, und die ausgewählten Merkmale werden durch einen Klassifizierer 398 klassifiziert, um den Stil zu identifizieren.
16 ist ein Blockdiagramm eines Stilklassifizierungs-Prozessors 400 gemäß einer anderen Ausführungsform der vorliegenden Erfindung ähnlich dem Klassifizierungsprozessor 390, der als die Stilklassifizierungs-Prozessoren 382 verwendet werden kann, wobei gleiche Elemente durch die gleiche Bezugsziffer identifiziert sind. In dieser Ausführungsform werden der Verkehrsindex Traffic_index und der Straßenbedingungs-Index Road_index direkt an den Klassifizierer 398 und nicht an den Merkmalextraktions-Prozessor 394 angelegt. Der Unterschied zwischen dem Klassifizierungsprozessor 390 und dem Klassifizierungsprozessor 400 liegt darin, ob der Verkehrsindex Traffic_index und der Straßenbedingungs-Index Road_index durch Merkmalextraktion und Auswahl verarbeitet werden. Der Entwurfsprozess der Merkmalextraktion/Auswahl in den Klassifizierern bleibt der gleiche ungeachtet davon, ob der Verkehrsindex Traffic_index und der Straßenbedingungs-Index Road_index enthalten sind oder nicht. Die resultierenden Klassifizierer sind jedoch verschieden, und somit die Merkmalextraktion/Auswahl, falls jene Indizes zum Originalmerkmalvektor addiert werden.
17 ist ein Blockdiagramm eines Stilklassifizierungs-Prozessors 410 gemäß einer anderen Ausführungsform der vorliegenden Erfindung, der den Auswahl/Schalteinbauprozess verwendet, und kann für den Stilklassifizierungs-Prozessor 382 verwendet werden. In dieser Ausführungsform ist der für die Merkmalextraktion/Auswahl verwendete Klassifizierer nicht nur für den Manövertyp spezifisch, sondern auch für die Verkehrs/Straßenbedingung spezifisch. Zum Beispiel können die Verkehrsbedingungen in zwei Niveaus, verkehrsarm bzw. geringer Verkehr und moderater Verkehr, getrennt werden, und die Straßenbedingungen können in eine gute Bedingung und eine moderate Bedingung getrennt werden. Demgemäß werden für die Verkehrs- und Straßenbedingungen vier Kategorien erzeugt, und eine spezifische Stilklassifizierung wird für jede Kombination des Manövertyps und der vier Kategorien Verkehrs/Straßenbedingungen entworfen. Wurde das Manöver einmal identifiziert, wählt der Stilklassifizierungs-Prozessor 410 basierend auf den Verkehrs/Straßenbedingungen die geeignete Klassifizierung aus. Die Klassifizierung schließt die Auswahl der originalen Merkmale, Merkmalextraktion/Auswahl und Klassifizierer ein, um das aufgezeichnete Manöver zu klassifizieren.
Im Stilklassifizierungs-Prozessor 410 werden der Verkehrsindex Traffic_index, der Straßenbedingungs-Index Road_index und die aufgezeichneten Daten von dem Auswahlprozessor 48 für ein bestimmtes Manöver an einen Eingabeschalter 412 gesendet. Die aufgezeichneten Daten werden in Abhängigkeit von der Kombination des Verkehrs- und Straßenindex zu einem bestimmten Kanal 414 geschaltet. Insbesondere wird die Kombination des Verkehrsindex Traffic_index und des Straßenbedingungs-Index Road_index, die an den Eingabeschalter 14 angelegt werden, einen von vier separaten Kanälen 414 auswählen, die einen Kanal für geringen Verkehr und gute Straßenbedingungen, geringen Verkehr und moderate Straßenbedingung, moderaten Verkehr und gute Straßenbedingungen und moderate Verkehrs- und moderate Straßenbedingungen umfassen. Für jede Kombination des Verkehrs/Straßenindex leitet ein Prozessor 416 für Originalmerkmale originale Merkmale aus den mit dem Manöver verbundenen Daten ab, die durch das Datenauswahlmodul 48 gesammelt werden, extrahiert ein Prozessor 418 für eine Merkmalextraktion die Merkmale aus diesen Originalmerkmalen, wählt ferner ein Prozessor 420 für eine Merkmalauswahl die Merkmale aus, und ein Klassifizierer 422 klassifiziert basierend auf den ausgewählten Merkmalen den Fahrstil. Ein Ausgabeschalter 424 wählt die Stilklassifizierung für die bestimmte Kombination des Verkehrs/Straßenindex aus.
In dem Auswahl/Schalt-Einbauschema ist die Auslegung des Stilcharakterisierungs-Prozessors 52 sowohl für den Manövertyp spezifisch als auch für die Verkehrs/Straßenbedingung spezifisch. Daher werden die für die Auslegung genutzten Manöver, die mit einem Fahrzeugtest gesammelt werden, zuerst gemäß sowohl dem Manövertyp als auch der Verkehrs/Straßenbedingung gruppiert. Für jede Gruppe Manöver, das heißt Manöver des gleichen Typs und mit der gleichen Verkehrs/Straßenbedingung, wird die Stilklassifizierung, die eine Auswahl originaler Merkmale, Merkmalextraktion/Auswahl und der Klassifizierer umfasst, entworfen bzw. ausgelegt. Da die Stilklassifizierung für spezifische Verkehrs/Straßenbedingungen ausgelegt ist, ist in den Merkmalen die Information über Verkehr und Straße nicht länger enthalten. Folglich wäre der Auslegungsprozess exakt der gleiche wie der generische Entwurf, der die Ver kehrs/Straßenbedingungen nicht berücksichtigt. Die resultierende Klassifizierung ist jedoch verschieden, da die Manöver für die Verkehrs/Straßenbedingungen spezifisch sind. Außerdem ist die Anzahl Klassifizierer die Vierfache derjenigen der generischen Klassifizierer. Als Folge würde der Auswahl/Schalteinbau einen größeren Speicher erfordern, um die Klassifizierer zu speichern.
Für den Einbau mit entkoppelter Skalierung berücksichtigt der Stilklassifizierungsentwurf nicht Verkehrs- und Straßenbedingungen. Mit anderen Worten werden Manöver des gleichen Typs unter Verwendung der gleichen originalen Merkmale, der gleichen Merkmalextraktion/Auswahl und der gleichen Klassifizierer klassifiziert. Die originalen Merkmale enthalten keine Verkehrs/Straßenbedingungen. Mit anderen Worten ist die Stilklassifizierung generisch für Verkehrs/Straßenbedingungen. Die Klassifizierungsergebnisse werden dann unter Verwendung von Skalierungsfaktoren eingestellt, die Funktionen der Verkehrs/Straßenbedingungen sind. Falls zum Beispiel die Stilklassifizierung des N-ten Manövers Style (N) ist, wobei Style (N) eine ein Niveau an sportlichem Fahren repräsentiernde Zahl ist, kann der eingestellte Stil sein: Styleadjust(N) = Style(N)κ(Trafficindex(N), Roadindex(N)) (12)wobei κ(Traffic_index, Road_index) der auf Verkehrs/Straßenbedingungen bezogene Skalierungsfaktor ist.
Alternativ dazu können die Einflüsse der Verkehrs- und Straßenbedingungen entkoppelt werden zum Beispiel durch: κ(Trafficindex, Roadindex) = α(Trafficindex)β(Roadindex) (13)
Der eingestellte Stil ist: Styleadjust(N) = Style(N)α(Trafficindex(N))β(Roadindex(N)) (14)
Die Skalierungsfaktoren sind so entworfen, dass das Sportlichkeitsniveau für Manöver bei stärkerem Verkehr und/oder schlechterer Straßenbedingung erhöht wird. Falls zum Beispiel die Sportlichkeit in fünf Niveaus geteilt ist, wobei 1 einen konservativen Fahrstil repräsentiert und 5 einen sehr sportlichen Fahrstil repräsentiert, gilt dann Style(N) ∈ {0, 1, 2, 3, 4, 5}, wobei 0 schwer zu entscheidende Muster repräsentiert. Daher kann eine mögliche Wahl für die Skalierungsfaktoren sein:
Man beachte, dass, falls Style (N) = 0 gilt, Style_adjust(N) Null bleibt.
Gleichung (15) oder (16) gilt auch, falls die Stilcharakterisierung des N-ten Manövers einen Vertrauensvektor anstelle eines Skalars Style(N) = [conf(0)conf(1)...conf(k)]^T ausgibt, wobei conf(i) das Vertrauen ist, das der Klassifierer darin hat, dass ein Eingabemuster zur Klasse c_i gehört. In diesem Fall sind die Skalierungsfaktoren in den Gleichungen (14) und (15) nicht länger Skalare, sondern Matrizen.
Der Stilcharakterisierungs-Prozessor 52 kann auch Verhaltensweisen einer Abstandsregelung nutzen, um die Daten zu verwenden, die drei der fünf Manöver entsprechen, insbesondere einem Fahrzeug folgen, Einscheren eines anderen Fahrzeugs und Fahrspurwechsel eines vorausfahrenden Fahrzeugs. Die beiden anderen Manöver, kein vorausfahrendes Fahrzeug und das betreffende Fahrzeug wechselt Fahrspuren, sind entweder von geringer Bedeutung oder mit einer komplizierteren Analyse verbunden.
Das Manöver „einem Fahrzeug folgen” kann in drei Typen von Ereignissen aufgebrochen werden, die auf der Änderungsgeschwindigkeit der Entfernung bzw. Entfernungsrate (engl. range rate) basieren, das heißt der Änderungsrate der Folgedistanz, die durch ein nach vorne gerichtetes Radar direkt gemessen oder aus visuellen Bildern von einer nach vorne gerichteten Kamera verarbeitet werden kann. Drei Typen von Ereignissen sind ein stationäres Verfolgen eines Fahrzeugs, wobei die Entfernungsrate klein ist, Aufschließen, wobei die Entfernungsrate negativ und verhältnismäßig groß ist, und Zurückfallen, wobei die Entfernungsrate positiv und verhältnismäßig groß ist. Somit können die Daten für ein Verfolgen eines Fahrzeugs auf der Basis der Entfernungsrate dementsprechend partitioniert werden.
Während eines stationären Verfolgens eines Fahrzeugs besteht der Hauptzweck bei der Abstandsregelung für den Fahrer darin, seine oder ihre Distanz zum Vordermann der Zeit zum Vordermann (engl. headway time), das heißt der Zeit, um die Distanz zum Vordermann zurückzulegen, beizubehalten. Daher hängen die Beschleunigung und Abbremsung des betreffenden Fahrzeugs hauptsächlich von der Beschleunigung und Abbrem sung des vorausfahrenden Fahrzeugs ab, während die Distanz zum Vordermann/Zeit zum Vordermann den Fahrstil des Fahrers besser widerspiegelt. Die durchschnittliche Distanz zum Vordermann oder Zeit zum Vordermann, die durchschnittliche Geschwindigkeit des Fahrzeugs, der Verkehrsindex Traffic_index und der Straßenbedingungs-Index Road_index einschließlich des Straßentypindex und eines Umgebungsbedingungsindex werden daher als die Originalmerkmale in der Klassifizierung verwendet. Mit diesen originalen Merkmalen können verschiedene Techniken der Merkmalextraktion und Merkmalauswahl angewendet werden, so dass die resultierenden Merkmale Muster verschiedener Klassen am besten trennen können. Verschiedene Techniken können für eine Merkmalextraktion/Auswahl verwendet werden und sind dem Fachmann gut bekannt. Da die originalen Merkmale und somit die extrahierten Merkmale aus nur fünf Merkmalen bestehen, können alle Merkmale im Merkmalauswahlprozess ausgewählt werden. Ein neuronales Netzwerk kann für die Klassifizierung ausgelegt sein, wobei das Netzwerk eine Eingabeschicht mit fünf Eingabeneuronen entsprechend den fünf Diskriminanten bzw. Unterscheidungsmerkmalen, eine verborgene Schicht und eine Ausgabeschicht mit 1 Neuron aufweist. Die Ausgabe des Netzes reicht von 1–5, wobei 1 einen ziemlich konservativen Fahrer, 3 einen typischen Fahrer und 5 einen ziemlich sportlichen Fahrer bezeichnet. Der Entwurf bzw. die Auslegung und das Training des neuronalen Netzwerks basieren auf Fahrzeugtestdaten mit mehreren Fahrern, die unter verschiedenen Verkehrs- und Straßenbedingungen fuhren.
Während der Periode Aufschließen sind die für die Klassifizierung verwendeten Signale die Entfernungsrate, die Zeit, um über die Folgedistanz aufzuschließen, das heißt die Entfernung, geteilt durch die Entfernungsrate, Fahrzeugbeschleunigung/Abbremsung und Fahrzeuggeschwindigkeit. Die Verringerung der Folgedistanz kann aufgrund der Abbremsung des vo rausfahrenden Fahrzeugs oder der Beschleunigung des betreffenden Fahrzeugs erfolgen. Daher sollte der Stilindex größer sein, falls sie infolge der Beschleunigung des betreffenden Fahrzeugs geschieht. Da all diese Signale Zeitdomänenreihen sind, ist eine Datenreduzierung notwendig, um die Komplexität des Klassifizierers zu reduzieren. Eine Auswahl originaler Merkmale beinhaltet den minimalen Wert der Distanz zum Vordermann, den minimalen Wert der Entfernungsrate, da die Entfernungsrate nun negativ ist, den minimalen Wert der Zeit, um die Lücke zu schließen, das heißt die minimale Distanz zum Vordermann/Entfernungsrate, die durchschnittliche Geschwindigkeit, die durchschnittliche longitudinale Beschleunigung und die Verkehrs- und Straßenindizes. Ähnlich kann ein neuronales Netzwerk mit sechs Neuronen in der Eingabeschicht und einem Neuron in der Ausgabeschicht ausgelegt sein. Die Auslegung und das Training des neuronalen Netzwerks basieren wieder auf Fahrzeugtestdaten mit Fahrern, die unter verschiedenen Verkehrs- und Straßenbedingungen fuhren.
Das Ereignis Zurückfallen tritt gewöhnlich auf, wenn das betreffende Fahrzeug nicht auf die Beschleunigung des vorausfahrenden Fahrzeugs geantwortet hat oder das betreffende Fahrzeug einfach Abbremsen wählt, um eine größere Folgedistanz einzuhalten. Der erstgenannte Fall kann den Stil des Fahrers nicht widerspiegeln, während der zweite Fall keinen großen Wert hinzufügen kann, da die größere Folgedistanz beim Fahrzeugfolgen verwendet wird. Daher ist für dieses Ereignis keine weitere Verarbeitung notwendig.
Ein Einscheren bzw. Einordnen eines weiteren Fahrzeugs und Wechseln von Fahrspuren durch das vorausfahrende Fahrzeug sind zwei Manöver, die eine plötzliche Änderung in der Distanz zum Vordermann/Zeit zum Vordermann induzieren, wobei der Fahrer so beschleunigt oder abbremst, dass die Distanz zum Vordermann/Zeit zum Vordermann zu seinem oder ihrem gewünschten Wert zurückkehrt. Die Beschleunigung und Abbremsung während solcher Ereignisse kann einen Fahrstil widerspiegeln.
Wenn ein anderes Fahrzeug einschert, bremst gewöhnlich das betreffende Fahrzeug ab, bis die Distanz zum Vordermann/Zeit zum Vordermann die durch den Fahrer bezeichnete stationäre Distanz zum Vordermann/Zeit zum Vordermann erreicht. Ein konservativerer Fahrer bremst gewöhnlich schnell ab, um schneller zu seinem/ihrem bequemen Niveau zurückzukehren, während ein sportlicherer Fahrer eine größere Toleranz bezüglich der kürzeren Distanz hat und verhältnismäßig langsam abbremst. Faktoren, die zur Entscheidung des Fahrers diesbezüglich, wie schnell/langsam abzubremsen ist, beitragen, beinhalten die Differenz zwischen einer neuen Distanz zum Vordermann/Zeit zum Vordermann und seiner/ihrer bevorzugten Distanz zum Vordermann/Zeit zum Vordermann sowie Fahrzeuggeschwindigkeit und Straßenbedingungen. Eine beispielhafte Auswahl originaler Merkmale besteht aus der Differenz zwischen der neuen Zeit zum Vordermann, welche die Zeit zum Vordermann in dem Moment ist, in dem das Einscheren stattfindet, und der vom Fahrer bevorzugten Distanz zum Vordermann, das heißt einem durchschnittlichen Wert aus dem Manöver „einem Fahrzeug folgen”, der Zeit, um die bevorzugte Zeit zum Vordermann zu erreichen, welche durch die Einschwingung der Zeit zum Vordermann und die Entfernungsrate bestimmt werden kann, die maximale Entfernungsrate, die maximale Bremskraft, die maximale Geschwindigkeitsänderung ((durchschnittliche Geschwindigkeit – minimale Geschwindigkeit)/durchschnittliche Geschwindigkeit), der durchschnittlichen Geschwindigkeit und dem Straßenbedingungs-Index. Neuronale Netzwerke können für die Klassifizierung entsprechend genutzt werden.
Wenn das vorausfahrende Fahrzeug Fahrspuren wechselt, wird die Folgedistanz plötzlich größer. Ein sportlicherer Fahrer kann schneller beschleunigen und die Lücke schließen, während ein konservativerer Fahrer langsam beschleunigt und die Lücke allmählich schließt. Ähnlich dem obigen Fall beinhalten die originalen Merkmale die Differenz zwischen der neuen Zeit zum Vordermann, welche die Zeit zum Vordermann in dem Moment ist, in dem das vorausfahrende Fahrzeug die Fahrspur verlässt, und der vom Fahrer bevorzugten Zeit zum Vordermann, die Zeit, um die bevorzugte Zeit zum Vordermann zu erreichen, die maximale Entfernungsrate, die maximale Drossel, die maximale Variation und Geschwindigkeit ((maximale Geschwindigkeit – durchschnittliche Geschwindigkeit)/durchschnittliche Geschwindigkeit), die durchschnittliche Geschwindigkeit und der Straßenbedingungs-Index Road_index. Wieder können neuronale Netzwerke für diese Klassifizierung ausgelegt werden.
Es wird besonders erwähnt, dass, obgleich neuronale Netzwerke als die Klassifizierungstechnik verwendet werden können, der Stilcharakterisierungs-Prozessor 52 andere Techniken wie Fuzzy-Logik, Clustering, einfache schwellengestützte Logik etc. verwenden kann.
Die Manöver, die sich auf ein Verhalten bei der Abstandsregelung des Fahrers beziehen, zeigen, dass die charakteristischen Manöver richtig identifiziert werden können, verschiedene Messungen im Fahrzeug vorausgesetzt, die die Geschwindigkeit, Gierrate, laterale Beschleunigung, Lenkprofil und Fahrzeug-Spurverfolgung (engl. vehicle track) unter Verwendung von GPS-Sensoren einschließen. Ist ein charakteristisches Manöver einmal identifiziert, können Schlüsselparameter eingerichtet werden, um solche Manöver zu beschreiben, und der beabsichtigte Weg kann rekonstruiert werden. Ist diese Information verfügbar, kann der beabsichtigte Weg an ein Prozessmanövermodell geliefert werden, wo Befehle (engl. human Orders) eines typischen Fahrers erzeugt werden können. Das Manövermodell kann basierend auf einem dynamischen Modell eines moderaten Fahrers konstruiert werden. Ein Beispiel einer Konstruktion und Verwendung solch eines dynamischen Modells ist offenbart in der US-Patentanmeldung Seriennummer 11/398,952 mit dem Titel Vehicle Stability Enhancement Control Adaptation to Driving Skill, eingereicht am 6. April 2006, dem Zessionär dieser Anmeldung übertragen und durch Verweis hierin einbezogen.
18 ist ein System 330, das ein Beispiel solch eines Prozessmanövermodells zeigt. Fahrzeugdaten von einem Fahrzeug 332 werden gesammelt, um durch einen Manöverqualifizierungs- und Identifizierungsprozessor 334 qualifiziert und identifiziert zu werden. Sind die Daten einmal qualifiziert und ist das Manöver identifiziert, erzeugt ein Manöverindex- und Parameterprozessor 336 einen Index und identifiziert weiter relevante Parameter für den Zweck einer Rekonstruktion des beabsichtigten Weges. Diese Parameter können beinhalten den Bereich der Gierrate, die laterale Beschleunigung, die das Fahrzeug während des Manövers erfährt, Fahrzeuggeschwindigkeit, Lenkabweichung bzw. Lenkeinschlag und den Verkehrsbedingungsindex Traffic_index. Der Manöverindex-Prozessor 336 wählt den geeigneten Manöveralgorithmus 338 in einem Wegrekonstruktions-Prozessor 340 aus, um den beabsichtigten Weg des Manövers zu reproduzieren, ohne die Besonderheiten eines Fahrercharakters zu berücksichtigen, die durch die ungewöhnliche Lenkagilität oder übermoderates Übersteuern oder Untersteuern, die mit dem beabsichtigten Weg nicht kompatibel sind, widergespiegelt wird. Das eine oder mehrere Manöver werden durch eine Summiereinrichtung 342 summiert und an einen Manövermodellprozessor 344 gesendet. Eingaben von Fahrersteuerbefehlen, die Lenk-, Brems- und Drosselsteuerungen einschließen, werden durch einen Fahrereingabedaten-Prozessor 346 verarbeitet, um mit der Ausgabe des Ma növermodell-Prozessors 344 synchronisiert zu werden, der die entsprechenden Steuerbefehle der Lenk-, Brems- und Drosselsteuerungen eines durchschnittlichen Fahrers erzeugt. Das Steuersignal vom Manövermodellprozessor 344 und dem Fahrereingabedaten-Prozessor 346 werden dann durch einen Fahrerstildiagnose-Prozessor 348 verarbeitet, um bei Kasten 350 den Fahrstil festzustellen.
19 ist ein Blockdiagramm eines Systems 360, das eine Ausführungsform diesbezüglich zeigt, wie der Fahrstildiagnose-Prozessor 348 die Unterschiede zwischen dem Verhalten des Fahrers und einem durchschnittlichen Fahrer identifiziert. Die Manövermodellbefehlseingaben bei Kasten 362 für den Manövermodell-Prozessor 344 werden an einen Prozessor 364 für eine Häufigkeitsspektralanalyse gesendet, und die Fahrerbefehlseingaben bei Kasten 366 vom Fahrereingabedaten-Prozessor 346 werden an einen Prozessor 368 für eine Frequenz- bzw. Häufigkeitsspektralanalyse gesendet. Die Eingaben werden durch die Prozessoren 364 und 368 für eine Häufigkeitsspektralanalyse in den Häufigkeitsbereich umgewandelt, welche dann an einen Prozessor 370 zur Analyse von Diskrepanzen der Häufigkeitsinhalte gesendet werden, um die Differenz dazwischen zu bestimmen. Es wird jedoch besonders betont, dass neben einer Häufigkeitsdomänenanalyse andere Methodiken angewendet werden können, um den Unterschied zwischen dem Modell und den Befehlen zu identifizieren.
20 ist eine graphische Darstellung mit der Häufigkeit auf der horizontalen Achse und der Größe auf der vertikalen Achse, welche eine Situation veranschaulicht, in der Verhaltensunterschiede über die Variation des Frequenz- bzw. Häufigkeitsspektrums identifiziert werden. Nimmt man ein Abstandsregelungsmanöver an, kann der Fahrer gemäß einem spezifischen Fahrstil die Bremse auf verschiedene Weisen betätigen. Während ein durchschnittlicher Fahrer das Spektrum in einer Verteilung ergibt, zeigt ein anderer Fahrer wie zum Beispiel Fahrer A einen höheren Wert im Bereich geringer Frequenz bzw. Häufigkeit und einen niedrigeren Wert im Bereich hoher Häufigkeit. Fahrer B zeigt den entgegengesetzten Trend. Die Unterschiede in diesen Signalverteilungen können genutzt werden, um den Fahrstil des spezifischen Fahrers zu bestimmen.
Die Differenz in der Häufigkeitsspektralverteilung kann als Eingaben in ein neuronales Netzwerk genutzt werden, wo geeignet trainierte Personen den richtigen Stil des Fahrers identifizieren können. Die Kunst einer Verwendung neuronaler Netzwerke, um den Fahrstil bei gegebenen Differenzen der Häufigkeitsspektralverteilung zu identifizieren, ist dem Fachmann gut bekannt und muss hier nicht in weiteren Einzelheiten diskutiert werden. In dieser Veranschaulichung kann ein geeignet trainierter Klassifizierer eines neuronalen Netzwerks erfolgreich Fahrer A als konservativ und Fahrer B als aggressiv charakterisieren, falls bestimmt wird, dass die Differenz in der Spektralverteilung eine vorbestimmte Schwelle ausgefüllt hat.
Der Stilcharakterisierungs-Prozessor 52 klassifiziert einen Fahrstil basierend auf jedem einzelnen charakteristischen Manöver, und die Klassifizierungsergebnisse werden in einem Datenarray im Stilprofil-Trip-Logger 54 gespeichert. Außerdem enthält das Datenarray auch Information wie zum Beispiel den Zeitindex des Manövers M_seq, den Typ eines Manövers, der durch den Identifiziererwert M_id identifiziert wird, den Verkehrsbedingungsindex Traffic_index und den Straßenbedingungs-Index Road_index. Die im Trip-Logger 54 gespeicherten Ergebnisse können verwendet werden, um die Genauigkeit und Robustheit der Charakterisierung zu verbessern. Um diese Aufgabe zu erfüllen, ist der Entscheidungsverschmelzungs-Prozessor 56 vorgesehen. Wann immer ein neues Klassifizierungsergebnis zur Verfügung steht, integriert der Entscheidungsverschmelzungs-Prozessor 56 das neue Ergebnis mit vorherigen Ergebnissen im Trip-Logger 54. Verschiedene Techniken einer Entscheidungsverschmelzung wie zum Beispiel eine Bayes'sche Verschmelzung und eine Dempster-Shafer-Verschmelzung können benutzt und im Entscheidungsverschmelzungs-Prozessor 56 angewendet werden. Um zu demonstrieren, wie dies funktioniert, wird im Folgenden ein einfaches Beispiel einer auf einen gewichteten Durchschnitt gestützten Entscheidung gegeben.
Die auf einen einfachen gewichteten Durchschnitt gestützte Entscheidungsverschmelzung kann gegeben sein als: Stylefused(N) = ΣNt=N-k α(Trafficindex(i))β(Roadindex(i))γ(M_ID(i))λN-iStyle(i) (17)
Oder äquivalent: Stylefused(N) = α(Trafficindex(N))β(Roadindex(N))γ(M_ID(N)) + λStylefused(N – 1) (18) wobei N der Zeitindex des letzten bzw. jüngsten Manövers ist, Style(i) das Stilklassifizierungsergebnis basierend auf dem i-ten Manöver ist, das heißt M_seq = i, α(Traffic_index(i)) eine verkehrsbezogene Gewichtung ist, β(Road_index(i)) eine auf die Straßenbedingung bezogene Gewichtung ist, γ(M_ID(i)) eine auf einen Manövertyp bezogene Gewichtung ist, λ ein Vergessens-Faktor (0 < λ ≤ 1) ist und k die Länge des Zeitindexfensters für die Entscheidungsverschmelzung ist.
In einer Ausführungsform wurden die Verkehrs- und Straßenbedingungen in dem Stilklassifizierungsprozess schon berücksichtigt, und die Entscheidungsverschmelzung muss ihren Effekt nicht explizit einbeziehen. Daher können α(Traffic_index(i)) und β(Road_index(i)) als 1 gewählt werden. Falls außerdem die Klassifizierungsergebnisse von verschiedenen Manövern miteinander kompatibel sind, kann auch γ(M_ID(i)) als 1 gewählt werden. Die Entscheidungsverschmelzung kann dann vereinfacht werden als: Stylefused(N) = style(N) + λStylefused(N – 1) (19)
Empfohlene Werte für die Vergessens-Faktoren λ liegen zwischen 0,9 und 1 in Abhängigkeit davon, wie viele vorherige Ergebnisse bewertet sind. Natürlich kann die Entscheidungsverschmelzung auch Verkehrs-, Straßen- und Manövertypen berücksichtigen und die Form von Gleichung (17) verwenden.
Wie oben diskutiert wurde, erkennt der Manöveridentifizierungs-Prozessor 46 bestimmte Manöver, die vom Fahrer des Fahrzeugs ausgeführt werden. In einer Ausführungsform basiert die im Stilcharakterisierungs-Prozessor 52 durchgeführte Stilcharakterisierung auf einem durch den Prozessor 46 identifizierten Manöver eines Spurwechsels eines Fahrzeugs. Spurwechselmanöver können direkt festgestellt oder identifiziert werden, falls eine Position in einer Fahrspur des Fahrzeugs verfügbar ist. Eine Position in einer Fahrspur kann abgeleitet werden, indem Information von der nach vorne gerichteten Kamera 20 oder einem DGPS mit einer Genauigkeit unterhalb eines Meters zusammen mit der EDMAP 28, das eine Fahrspurinformation hat, verarbeitet wird. Eine Feststellung von Fahrspurwechseln basierend auf einer Position in einer Fahrspur eines Fahrzeugs ist dem Fachmann gut bekannt und muss daher hierin nicht in besonderen Einzelheiten diskutiert werden. Da nach vorne gerichtete Kameras in Luxusfahrzeugen gewöhnlich verfügbar und mittel- bis langreichweitiges DGPS in Serienfahrzeugen gegenwärtig selten sind, beinhaltet die vorliegende Erfindung eine Technik, um basierend auf gewöhnlichen Sensoren im Fahrzeug und GPS einen Fahrspurwechsel festzustellen. Obgleich der Fehler in einer GPS-Positionsmessung, wie zum Beispiel 5–8 Meter, verhältnismäßig groß ist, ist deren Messung des Fahrtrichtungswinkels viel genauer und kann für die Feststellung von Fahrspurwechseln genutzt werden.
In einem typischen Fahrspurwechselmanöver dreht ein Fahrer das Lenkrad in eine Richtung, dreht es dann in die andere Richtung und dreht es dann zurück zur Neutralstellung, während er/sie den Fahrspurwechsel abschließt. Da die Gierrate eines Fahrzeugs eine ungefähr lineare Beziehung mit dem Lenkwinkel in der linearen Region aufweist, zeigt sie ein ähnliches Muster während eines Fahrspurwechsels. Mathematisch ist die Fahrtrichtung des Fahrzeugs die Integration der Gierrate des Fahrzeugs. Daher ist dessen Muster ein wenig verschieden. Während der ersten Hälfte des Fahrspurwechsels, wenn das Lenkrad in eine Richtung gedreht wird, nimmt der Fahrtrichtungswinkel in der gleichen Richtung zu. Während der zweiten Hälfte des Fahrspurwechselmanövers wird das Lenkrad in die andere Richtung gedreht, und der Fahrtrichtungswinkel nimmt zurück zu ungefähr seiner Anfangsposition ab.
Theoretisch können Fahrspurwechselmanöver basierend auf einer Gierrate eines Fahrzeugs oder einem Lenkwinkel festgestellt werden, da der Fahrtrichtungswinkel aus der Gierrate des Fahrzeugs oder dem Lenkwinkel berechnet werden kann. Die üblichen Lenkwinkelsensoren oder Gierratensensoren im Fahrzeug haben jedoch gewöhnlich eine Sensorvorspannung und Rauschen, die die Genauigkeit der Feststellung von Fahrspurwechseln beschränken. Daher möchte man einen Fahrtrichtungswinkel eines Fahrzeugs zusammen mit dem Lenkwinkel oder der Gierrate verwenden. Man kann erkennen, dass ein Fahrspurwechsel ein spezieller Typ eines lenkgestützten Manövers ist. Um die Integrität der mit einem identifizierten Manöver verbundenen Daten beizubehalten, zeichnet das System eine bestimmte Periode von Daten wie zum Beispiel T = 2 s auf und aktualisiert diese.
21 ist ein Flussdiagramm 90, das einen Betrieb des Manöveridentifizierungs-Prozessors 46 zum Feststellen von Fahrspurwechselmanövern gemäß einer Ausführungsform der vorliegenden Erfindung zeigt. An einem Startblock 92 beginnt der Manöver identifizierende Algorithmus, indem das gefilterte Fahrzeuggeschwindigkeitssignal v, das gefilterte Gierratensignal ω des Fahrzeugs und der gefilterte Fahrtrichtungswinkel Φ des Fahrzeugs vom Signalprozessor 44 gelesen werden. Der Algorithmus arbeitet dann gemäß seinen Betriebszuständen, die durch zwei Boolesche Variablen Start_flag und End_flag bezeichnet sind, wobei Start_flag auf Null initialisiert ist und End_flag auf Eins initialisiert ist. Der Algorithmus bestimmt dann bei Block 94, ob Start_flag Null ist, und falls dies der Fall ist, befindet sich das Fahrzeug 10 nicht in einem lenkgestützten Manöver. Der Algorithmus bestimmt dann bei Block 96, ob irgendwelche Lenkaktivitäten basierend auf bestimmten Bedingungen eingeleitet wurden, insbesondere: max|ω(t – T:t)| ≥ ωsmall|Φ(t – T)| ≥ Φsmall (20)
Falls die Bedingungen des Blocks 96 erfüllt sind, setzt bei Kasten 98 der Algorithmus Start_flag auf Eins und End_flag auf Null. Der Algorithmus setzt dann bei Kasten 100 eine Startzeit t_start des Manövers und definiert den anfänglichen Fahrtrichtungswinkel Φ_ini und eine anfängliche laterale Position y als: Φini = Φ(t – T) (21) y = ∫–Tνx(τ)·Sin(Φ(τ))dτ (22)
Falls die Bedingungen des Blocks 96 nicht erfüllt sind, ist dann das Fahrzeug 10 nicht in einem lenkgestützten Manöver involviert, und Start_flag bleibt Null, wobei der Prozess bei Block 102 endet.
Der Algorithmus kehrt dann zum Startblock 92 zurück. Falls beim Block 94 Start_flag Eins ist, wie beim Block 98 gesetzt, befindet sich das Fahrzeug 10 nun in einem lenkgestützten Manöver. Falls das Fahrzeug 10 in einem lenkgestützten Manöver ist, das heißt Start_flag = 1 gilt, bestimmt dann der Algorithmus, ob bestimmt wurde, dass das Manöver ein Kurvenfahrmanöver ist. Um dies zu tun, bestimmt der Algorithmus bei Block 104, ob der Manöveridentifiziererwert M_id Eins ist. Falls der Wert M_id bei Block 104 Eins ist, wurde dann bestimmt, dass das Manöver noch kein Kurvenfahrmanöver ist. Der Algorithmus bestimmt dann bei Block 106, ob das Manöver ein Kurvenfahrmanöver ist, indem geprüft wird: |ω(t)| ≥ ωmed|y| ≥ ylarge|Φ(t) – Φini| ≥ Φlarge (23)
In einer nicht beschränkenden Ausführungsform ist ω_med 15°, ist Φ_large 45° und ist y_large 10 m.
Falls alle Bedingungen bei Block 106 erfüllt sind, ist dann das Manöver ein Kurvenfahrmanöver und kein Fahrspurwechselmanöver. Der Algorithmus wird dann den Manöveridentifiziererwert M_id bei Block 108 gleich Eins setzen, um ein Kurvenfahrmanöver anzuzeigen.
Falls alle Bedingungen beim Block 106 nicht erfüllt sind, aktualisiert dann der Algorithmus bei Block 110 die laterale Position y des Fahrzeugs als: y = y + vx(t)·sin(Φ(t))·Δt (24)wobei Δt die Abtastzeit ist.
Der Algorithmus bestimmt dann bei Block 112, ob das Manöver abgeschlossen ist, durch: Φ(t – T2:t) – Φini| < Φsmall (25)wobei falls T₂ ≤ T gilt, das Manöver als abgeschlossen betrachtet wird.
Falls die Bedingung des Blocks 112 erfüllt ist, bestimmt dann bei Block 114 der Algorithmus, ob die folgende Bedingung erfüllt ist: |y| – 4| < ysmall (26)wobei y_small in einer nicht beschränkenden Ausführungsform 4 m beträgt, um einen Schätzfehler zu erlauben, und t – t_start > t_th ist. Falls die Bedingung des Blocks 114 erfüllt ist, wird das Manöver als ein Spurwechselmanöver identifiziert, wobei der Wert M_id bei Kasten 116 auf Zwei gesetzt und die Zeit auf t_end gesetzt wird. Andernfalls wird das Manöver als nicht charakteristisches Manöver verworfen, und der Wert M_id wird bei Kasten 118 auf Null gesetzt. Start_flag wird dann auf Null gesetzt, und End_flag wird bei Kasten 120 auf Eins gesetzt.
Falls der Manöveridentifiziererwert M_id beim Block 104 Eins ist, wurde das Manöver als ein Kurvenfahrmanöver und nicht als Fahrspurwechselmanöver identifiziert. Der Algorithmus bestimmt dann bei Kasten 122, ob max|ω(t – T:t)| ≤ ωsmall (27)gilt. Falls diese Bedingung nicht erfüllt wurde, war das Kurvenfahrmanöver dann abgeschlossen, und bei Kasten 124 wird die Zeit auf t_end gesetzt, und wird beim Kasten 120 Start_flag auf Null und End_flag auf Eins gesetzt. Der Prozess kehrt dann zum Startkasten 92 zurück.
Es wird besonders erwähnt, dass der Manöveridentifizierer-Prozessor 46 gewisse Fahrspurwechsel nicht feststellen kann, falls die Größe des der entsprechenden Lenkwinkel/Gierrate oder des Fahrtrichtungswinkels klein ist, wie zum Beispiel für gewisse Fahrspurwechsel auf Autobahnen. Die verpasste Feststellung dieser Typen von Fahrspurwechseln wird die auf Fahrspurwechsel gestützte Stilcharakterisierung nicht verschlechtern, da sie einer Geradeausfahrt ähneln.
Wie hierin diskutiert wurde, liefert die vorliegende Erfindung eine Technik, die Sensormessungen nutzt, um einen Fahrstil eines Fahrers zu charakterisieren. Fahrspurwechselmanöver sind sowohl mit einer lateralen als auch longitudinalen Bewegung des Fahrzeugs verbunden. Vom Standpunkt der lateralen Bewegung aus können der Lenkwinkel, die Gierrate, die laterale Beschleunigung und der laterale Ruck alle einen Fahrstil eines Fahrers widerspiegeln. Die Werte jener Signale sind für einen sportlichen Fahrer eher größer als für einen konservativen bzw. zurückhaltenden Fahrer. Aus der Perspektive einer longitudinalen Bewegung spiegeln die Distanz, die für einen Abschluss eines Fahrspurwechsels in Anspruch genommen wird, die Geschwindigkeitsänderung, die Abbremsung und Be schleunigung, die Distanz, die das Fahrzeug zum vorausfahrenden Fahrzeug hat, und die Distanz, die das Fahrzeug zu seinem folgenden Fahrzeug nach einem Fahrspurwechsel hat, ebenfalls den Fahrstil eines Fahrers wider. Diese Distanzen sind für einen sportlichen Fahrer eher kleiner als jene für einen konservativen Fahrer. Folglich können diese Sensormessungen genutzt werden, um einen Fahrstil zu klassifizieren. Jene Signale sind jedoch aus den folgenden Gründen nicht für eine direkte Nutzung zur Klassifizierung geeignet. Zunächst dauert ein typischer Fahrspurwechsel gewöhnlich mehr als fünf Sekunden. Daher laufen die gesammelten Daten-Samples gewöhnlich auf eine beträchtliche Größe hinaus. Eine Datenreduzierung ist notwendig, um die Klassifizierung effizient und wirtschaftlich zu halten. Zweitens ist die komplette Zeitspur der Signale gewöhnlich nicht effektiv für die Klassifizierung, da sie die Klassifizierungsleistung gewöhnlich verschlechtert, weil ein großer Teil von ihr nicht die Muster repräsentiert und einfach Rauschen ist. In der Tat besteht eine entscheidende Entwurfsaufgabe bei Klassifizierungsproblemen darin, Unterscheidungsmerkmale, worauf als Diskriminanten verwiesen wird, abzuleiten/zu extrahieren/auszuwählen, welche individuelle Klassen am besten repräsentieren. Als Folge enthält der Stilcharakterisierungs-Prozessor 52 zwei Hauptteile, nämlich einen Merkmalprozessor und einen Stilklassifizierer, wie oben diskutiert wurde.
Der Merkmalprozessor leitet originale Merkmale basierend auf den gesammelten Daten ab, extrahiert Merkmale aus den originalen Merkmalen und wählt dann die endgültigen Merkmale aus den extrahierten Merkmalen aus. Das Hauptziel eines Ableitens originaler Merkmale besteht darin, das Ausmaß bzw. die Dimension einer Dateneingabe in den Klassifizierer zu reduzieren und eine knappe bzw. präzise Darstellung des Musters für eine Klassifizierung abzuleiten. Mit diesen originalen Merkmalen können verschiedene Techniken zur Merkmalextraktion und Merkmalauswahl ver wendet werden, so dass die resultierenden Merkmale Muster verschiedener Klassen am besten trennen können. Verschiedene Techniken können für eine Merkmalextraktion/Auswahl verwendet werden und sind dem Fachmann gut bekannt. Die Ableitung originaler Merkmale beruht jedoch typischerweise auf einer Domänenkenntnis. Die vorliegende Erfindung leitet die originalen Merkmale basierend auf technischen Erkenntnissen ab. Die folgende Diskussion einer Ableitung der originalen Merkmale oder originalen Diskriminanten soll jedoch nicht die Erfindung wie hierin beschrieben beschränken.
Die folgenden originalen Merkmale/Diskriminanten zum Klassifizieren eines Fahrspurwechselmanövers werden basierend auf technischen Erkenntnissen gewählt und können zum Beispiel sein:

1. der maximale Wert der Gierrate max(|ω(t_start:t_end)|);
2. der maximale Wert der lateralen Beschleunigung max(|a_y(t_start:t_end)|);
3. der maximale Wert des lateralen Rucks max(|a ·_y(t_start:t_end)|);
4. die Distanz für den Abschluss eines Fahrspurwechsels
5. die durchschnittliche Geschwindigkeit (v_x(t_start:t_end));
6. die maximale Geschwindigkeitsvariation max(v_x(t_start:t_end)) – min(v_x(t_start:t_end));
7. die maximale Bremspedalkraft/stellung (oder die maximale Abbremsung);
8. der maximale Drosselprozentbetrag (oder die maximale Beschleunigung);
9. die maximale Distanz (oder Zeit zum Vordermann), zu dessen vorausfahrendem Fahrzeug (zum Beispiel von einem nach vorne ge richteten Radar/Lidar oder einer Kamera oder von GPS mit V2V-Datenübertragung);
10. die maximale Entfernungsrate zu dessen vorausfahrendem Fahrzeug, falls verfügbar (zum Beispiel von einem nach vorne gerichteten Radar/Lidar oder einer Kamera oder von GPS zusammen mit V2V-Datenübertragung); und
11. die maximale Distanz (oder Distanz über Geschwindigkeit) zum folgenden Fahrzeug in der Spur, in die das Fahrzeug wechselt, falls sie zum Beispiel von einem nach vorne gerichteten Radar/Lidar oder einer Kamera oder von GPS mit V2V-Datenübertragung verfügbar ist).

Variationen der oben aufgelisteten Unterscheidungsmerkmale können dem Fachmann bekannt sein. Da das System 40 nur Zugriff auf Information bezüglich der oben identifizierten Diskriminanten 1–10 hat, nutzt der entsprechende Klassifizierer nur Diskriminanten 1–10. Andere Ausführungsformen, wie zum Beispiel die Systeme 60 und 80, können alle Diskriminanten nutzen.
Techniken zur Merkmalextraktion und Merkmalauswahl können dann auf die originalen Merkmale/Diskriminanten angewendet werden, um die endgültigen Merkmale/Diskriminanten abzuleiten, wie unten detaillierter diskutiert wird. Ein Vektor X_i[x_i1 x_i2 ... x_iN] für die endgültigen Diskriminanten kann entsprechend jedem Fahrspurwechselmanöver gebildet werden, wobei i das i-te Fahrspurwechselmanöver repräsentiert und N die Dimension der endgültigen Diskriminanten ist. Dieser Diskriminantenvektor wird die Eingabe in den Klassifizierer sein. Wie vorher erwähnt wurde, können verschiedene Techniken genutzt werden, um den Klassifizierer zu entwerfen bzw. auszulegen, zum Beispiel ein Fuzzy-C-Mittel-(FCM)-Clustering. Bei einer FCM-gestützten Klassifizierung besteht jede Klasse aus einem Cluster. Die Grundidee der FCM-gestützten Klassifizierung besteht darin, die Klasse eines Musters, das durch einen Diskriminantenvektor repräsentiert wird, basierend auf dessen Distanz zu jedem vorbestimmten Cluster-Zentrum zu bestimmen. Daher berechnet der Klassifizierer zuerst die Distanzen: Dik = ||Xi – Vk||2A = (Xi – Vk)A(Xi – Vk)T, 1 ≤ k ≤ C (28)wobei Vk der Zentrumsvektor des Clusters k ist, A eine N×N-Matrix ist, die die Form der vorbestimmten Cluster berücksichtigt, C die Gesamtzahl vorbestimmter Cluster wie zum Beispiel C = 3 ~ 5 ist, was die verschiedenen Grade bzw. Niveaus eines sportlichen Fahrens repräsentiert. Die Clusterzentren Vk und die Matrix A werden während der Entwurfsphase bestimmt.
Basierend auf den Distanzen bestimmt der Algorithmus ferner den Mitgliedsgrad des gekrümmten Diskriminantenvektors als:
wo m ein Gewichtungsindex ist, der in einer nicht beschränkenden Ausführungsform Zwei ist.
Die entsprechenden Fahrspurwechselmanöver werden als Klasse j klassifiziert, falls: μij = max(μik)(1 ≤ k ≤ C) (30)
Alternativ dazu kann der Klassifizierer eine strenge Zerlegung bzw. Partition verwenden und das entsprechende Fahrspurwechselmanöver als die Klasse klassifizieren, die die kleinste Distanz ergibt, wie zum Beispiel:
Damit der Stilcharakterisierungs-Prozessor 52 richtig arbeitet, müssen das Clusterzentrum Vx und die Matrix A vorbestimmt sein. Dies kann während der Entwurfsphase basierend auf Fahrzeugtestdaten mit mehreren Fahrern, die unter verschiedenen Verkehrs- und Straßenbedingungen fahren, erreicht werden. Die Fahrspurwechsel jedes teilnehmenden Fahrers können wie beschrieben im Manöveridentifizierer-Prozessor 46 erkannt werden, und die entsprechenden Daten können durch den Datenauswahlprozessor 48 aufgezeichnet werden. Für jeden Fahrspurwechsel kann der Diskriminantenvektor X_i = [x_i1 x_i2 ... x_iN] abgeleitet werden.
Kombinieren aller Diskriminatenvektoren in eine Diskriminantenmatrix X ergibt:
Die Matrix A kann eine N×N-Matrix sein, die Differenzvarianzen in der Richtung der Koordinantenachsen von X berücksichtigt als:
Das Clusterzentrum kann bestimmt werden, indem eine Zielfunktion (engl. objective function), worauf als C – means functional verwiesen wird, minimiert wird als: J(X; U, V) = Σck=1 ΣMi=1 (μik)m||Xi – Vk||2 A (34)
Die Minimierung solch einer Funktion ist gut bekannt und muss hierin nicht in weiteren Details beschrieben werden. Es wird besonders erwähnt, dass, obgleich Fuzzy-Clustering als die Klassifizierungstechnik in dieser Ausführungsform zum Klassifizieren des Fahrspurwechselmanövers verwendet wird, die vorliegende Erfindung leicht andere Techniken wie zum Beispiel Fuzzy-Logik, neuronale Netzwerke, SOM oder schwellenwertgestützte Logik verwenden kann.
Der Manöveridentifizierungs-Prozessor 46 kann andere Arten charakteristischer Manöver identifizieren. Gemäß einer anderen Ausführungsform der vorliegenden Erfindung identifiziert der Manöveridentifizierungs-Prozessor 46 Links/Rechts-Abbiegemanöver, welche sich auf Manöver beziehen, bei denen ein Fahrzeug von einer Straße in eine andere, die ungefähr senkrecht verläuft, abbiegt. Links/Rechts-Abbiegevorgänge treten gewöhnlich an Kreuzungen auf, und ein Fahrzeug kann in Abhängigkeit vom Verkehr an der Kreuzung ganz gestoppt werden oder nicht. Links/Rechts-Abbiegemanöver können basierend auf der Lenkaktivität des Fahrers und der ent sprechenden Änderung in der Fahrtrichtung eines Fahrzeugs identifiziert werden.
22 ist ein Flussdiagramm 180, das einen Prozess zeigt, der durch den Algorithmus des Manöveridentifizierungs-Prozessors ausgeführt wird, um ein Links/Rechts-Abbiegemanöver zu identifizieren. In diesem nicht beschränkenden Beispiel werden Links/Rechts-Abbiegevorgänge als ein spezieller Typ lenkgestützter Manöver betrachtet, bei denen Links/Rechts-Abbiegevorgänge von einer verhältnismäßig großen maximalen Gierrate oder einem Lenkwinkel und einer Änderung von ungefähr 90° in der Fahrtrichtung des Fahrzeugs begleitet werden. Um die Integrität der mit dem Manöver verbundenen Daten beizubehalten, zeichnet das System Daten weiter auf und aktualisiert diese in einer bestimmten Periode, z. B. T = 2 s.
In 22 beginnt der Manöveridentifizier-Algorithmus mit einem Lesen des gefilterten Fahrzeuggeschwindigkeitssignals v und des gefilterten Gierratensignals ω vom Signalprozessor 44 bei Block 182. Der Algorithmus geht dann weiter gemäß seinen Betriebszuständen, die durch die beiden Booleschen Variablen Start_flag und End_flag bezeichnet werden, wobei Start_flag auf Null initialisiert ist und End_flag auf Eins initialisiert ist. Falls Start_flag Null ist, führt dann das Fahrzeug 10 kein lenkgestütztes Manöver aus. Der Algorithmus bestimmt bei Block 84, ob Start_flag Null ist, und bestimmt, falls dies der Fall ist, bei einer Entscheidungsraute 186, ob ω(t) ≥ ω_med ist, wobei ω_med in einer nicht beschränkenden Ausführungsform 2° pro Sekunde beträgt. Falls diese Bedingung erfüllt ist, fährt dann das Fahrzeug 10 wahrscheinlich in eine Kurve ein oder beginnt ein Abbiegen, so dass bei Kasten 188 Start_flag auf Eins gesetzt und End_flag auf Null gesetzt wird. Der Algorithmus setzt dann einen Zeitgeber t_start = t – T und berechnet den Fahrtrichtungswinkel Φ = ω((t) × Δt) bei Kasten 190, wobei Δt die Abtastzeit ist.
Falls bei Block 184 Start_flag nicht Null ist, was bedeutet, dass das Fahrzeug 10 sich in einem lenkgestützten Manöver befindet, bestimmt dann der Algorithmus, ob das Manöver abgeschlossen wurde. Bei Abschluss des lenkgestützten Manövers bestimmt bei Block 192 der Algorithmus, ob das lenkgestützte Manöver ein Links/Rechts-Abbiegen oder ein Kurvenfahrmanöver war, indem bestimmt wird, ob max(ω(t – T:t)) ≤ ω_small, wobei in einer nicht beschränkenden Ausführungsform ω_small 1° ist. Falls diese Bedingung erfüllt wurde, wurde das lenkgestützte Manöver abgeschlossen, so dass der Algorithmus bei Kasten 194 Start_flag auf Null, End_flag auf Eins und Zeit t_end = t – T setzt.
Der Algorithmus bestimmt dann bei Block 196, ob max(|ω(t_start:t_end)|) ≥ ω_large gilt, und setzt, falls dies nicht der Fall ist, den Identifiziererwert M_id bei Kasten 198 auf Null, da die Gierrate zu klein ist, was anzeigt, dass die Kurve entweder zu sanft ist oder das Fahrzeug 10 sehr langsam abbiegt. Somit können die entsprechenden Daten nicht viel über einen Fahrstil aufzeigen, so dass die Daten gelöscht werden. In einer nicht beschränkenden Ausführungsform ist ω_large 7° pro Sekunde. Falls die Bedingung des Blocks 196 erfüllt ist, was bedeutet, dass die Kurve bedeutend genug ist, bestimmt der Algorithmus bei der Entscheidungsraute 200, ob 75° ≤ |Φ| ≤ 105° gilt, und bestimmt, ob die Zeit t_end – t_start < t_th ist. In einer nicht beschränkenden Ausführungsform beträgt eine Zeitschwelle t_th 15 Sekunden. Falls diese beiden Bedingungen erfüllt sind, bestimmt der Algorithmus dann, dass ein Links/Rechts-Abbiegen vorgenommen wurde, und setzt bei Kasten 202 den Manöverwert M_id auf 2.
Falls irgendeine dieser Bedingungen bei der Entscheidungsraute 200 nicht erfüllt wurde, bestimmt dann der Algorithmus, dass das Manöver ein Kurvenfahrmanöver und kein Links/Rechts-Abbiegemanöver ist und setzt somit bei Kasten 204 den Manöverwert M_id auf 1, was das Kurvenfahrmanöver anzeigt.
Falls die Bedingung des Blocks 192 nicht erfüllt wurde, befindet sich das Fahrzeug 10 noch in der Mitte einer verhältnismäßig großen Gierbewegung oder eines Abbiegens, und somit aktualisiert der Algorithmus bei Kasten 206 den Fahrtrichtungswinkel als Φ = Φ + ω(t) × Δt. Da der Manöveridentifizierungs-Prozessor 46 den Beginn und das Ende des Manövers bestimmt, speichert der Datenauswahlprozessor 48 das entsprechende Datensegment basierend auf den Variablen Start_flag, End_flag, t_start und t_end.
Die Stilklassifizierung besteht aus zwei Verarbeitungsschritten, nämlich einer Merkmalverarbeitung, die basierend auf gesammelten Daten Unterscheidungsmerkmale ableitet, und einer Klassifizierung, die basierend auf den Diskriminanten den Fahrstil bestimmt. Der erste Schritt, Merkmalverarbeitung, reduziert das Ausmaß bzw. die Dimension der Daten, um so den Klassifizierer effizient und die Berechnung wirtschaftlich zu halten. Merkmalverarbeitung ist auch entscheidend, weil die Effektivität der Klassifizierung stark von der Auswahl der richtigen Diskriminanten abhängt. Die Diskriminanten werden dann als die Eingaben in den Klassifizierer verwendet. Verschiedene Klassifizierungstechniken wie zum Beispiel Fuzzy-Logik, neuronale Netzwerk, selbst organisierende Abbildungen bzw. Karten und eine einfache schwellenwertgestützte Logik können für die Stilklassifizierung verwendet werden. Die Diskriminanten werden basierend auf technischen Erkenntnissen gewählt, und auf Entscheidungsbäume gestützte Klassifizierer werden für die Klassifizierung entworfen.
In dieser Ausführungsform zum Klassifizieren eines Links/Rechts-Abbiegemanövers empfängt der Stilcharakterisierungs-Prozessor 52 den Manöverwert M_id als Zwei von dem Manöveridentifizierungs-Prozessor 46, und der Stilklassifizierungs-Prozessor 52 wählt die entsprechende Prozessklassifizierung aus, um diese Information zu verarbeiten. Wie oben schließt Stilcharakterisierungs-Prozessor 52 zwei Verarbeitungsschritte ein. Das Links/Rechts-Abbiegemanöver ist mit sowohl einer lateralen Bewegung als auch einer longitudinalen Bewegung verbunden. Die laterale Bewegung wird im Wesentlichen durch den Lenkwinkel, die Gierrate und die laterale Beschleunigung dargestellt. Je sportlicher ein Fahrer ist, desto größer sind typischerweise diese drei Signale. Die longitudinale Bewegung ist gewöhnlich mit den Drossel- und Bremseingaben und der longitudinalen Beschleunigung verbunden. Je sportlicher der Fahrer ist, desto größer können ähnlich diese drei Signale sein. Daher können alle sechs Signale für eine Stilklassifizierung verwendet werden. Dementsprechend können die folgenden originalen Merkmale/Diskriminanten zum Klassifizieren eines Links/Rechts-Abbiegemanövers gewählt werden:

1. die maximale laterale Beschleunigung a_{y max} = max(a_y(t_start:t_end));
2. die maximale Gierrate ω_max = max(ω(t_start:t_end));
3. die maximale longitudinale Beschleunigung a_x
max = max(a_x(t_start:t_end));
4. die maximale Drosselöffnung Throttle_max = max(Throttle(t_start:t_end)); und
5. die Geschwindigkeit am Ende des Abbiegens v_x(t_end).

Falls das Fahrzeug 10 ein Abbiegen beginnt, ohne ganz abzustoppen (min(v_x(t_start:t_end))) < 2 m/s, sind die maximale Bremskraft/Stellung Braking_max = max(Braking(t_start:t_end)) und die minimale Geschwindigkeit min(v_x(t_start:t_end)) während die Abbiegens als die ursprünglichen Merkmale/Diskriminanten enthalten.
Der Einfachheit halber können die Prozesse der Merkmalextraktion und der Merkmalauswahl entfernt werden, und die originalen Merkmale können direkt als die endgültigen Merkmale/Diskriminanten verwendet werden. Diese Diskriminanten können in einen Entscheidungsbaum für eine Stilklassifizierung durch den Prozessor 52 eingegeben werden. Entscheidungsbäume sind Klassifizierer, die die Merkmaldaten über ein Merkmal auf einmal zu zerlegen. Ein Entscheidungsbaum umfasst viele Knoten, die durch Zweige verbunden sind, welche Knoten, die am Ende der Zweige liegen, Blattknoten genannt werden. Jeder Knoten mit Zweigen enthält eine Partitions- bzw. Zerlegungsregel basierend auf einer Diskriminante, und jedes Blatt repräsentiert die eine Klasse repräsentierende Subregion. Die die Links/Rechts-Abbiegemanöver repräsentierenden Merkmaldaten, die für eine Klassifizierung verwendet werden, sind gemäß den Blättern etikettiert, die sie durch den Entscheidungsbaum erreichen. Daher können Entscheidungsbäume als ein hierarchisches Verfahren, um Merkmaldaten zu partitionieren, betrachtet werden.
23 zeigt einen Klassifizierungsentscheidungsbaum 210, der Knoten 212 enthält. Ein Wurzelknoten 214 des Baumes weist zwei Zweige auf, einen für Abbiegevorgänge aus einem Halt und den anderen für Abbiegevorgänge ohne Halt. Für Abbiegevorgänge aus einem Halt verwenden die folgenden Knoten die folgenden Partitionsregeln und a_ymax < a_ysmalll, a_ymax ≥ a_largel, Throttle_max ≥ Throttle_largel und a_ymax ≥ a_ylarge2 und für Abbiegevorgänge ohne einen vollständigen Halt lauten die Partitionsregeln a_ymax < a_ysmall2, a_ymax ≥ a_large2, Throttle_max ≥ Throttle_large2 und Braking_max ≥ Braking_large. Die Blattknoten 216 am Ende der Zweige 218 repräsentieren fünf Fahrklas sen, die in der Reihenfolge zunehmender Aggressivität beim Fahren von 1 bis 5 etikettiert sind. Man beachte, dass all die in der Merkmalextraktion erwähnten Diskriminanten in dem beispielhaften Entscheidungsbaum 210 verwendet werden. Ferner kann der Entscheidungsbaum erweitert werden, so dass er mehr Diskriminanten enthält.
Die Schwellen in den Partitionsregeln werden basierend auf Fahrzeugtestdaten mit mehreren Fahrern, die unter verschiedenen Verkehrs- und Straßenbedingungen fahren, vorbestimmt. Der Entwurf und die Abstimmung von auf Entscheidungsbäumen gestützten Klassifizierern sind dem Fachmann gut bekannt, und weitere Einzelheiten müssen für ein geeignetes Verständnis nicht geliefert werden. Es wird besonders erwähnt, dass, obwohl der Entscheidungsbaum als die Klassifizierungstechnik zum Klassifizieren eines Links/Rechts-Abbiegemanövers verwendet wird, die vorliegende Erfindung andere Techniken wie zum Beispiel Fuzzy-Logik, Clustering und schwellengestützte Logik leicht verwenden kann, um die Klassifizierung zu liefern.
Gemäß einer anderen Ausführungsform der vorliegenden Erfindung identifiziert der Manöveridentifizierungs-Prozessor 46 ein Kehrtwendemanöver. Ein Kehrtwendemanöver bezieht sich auf die Durchführung einer Drehung um 180°, um die Verkehrsrichtung umzukehren. Gemäß dem Verkehr oder der geometrischen Ausführung können Kehrtwendemanöver grob in drei Typen unterteilt werden, nämlich eine Kehrtwende aus einer Geschwindigkeit nahe Null, kontinuierliche Kehrtwenden am Ende einer Geradeausfahrt und unterbrochene Kehrtwenden am Ende einer Geradeausfahrt. Der erste Typ findet gewöhnlich an Kreuzungen statt, wo Kehrtwenden erlaubt sind. Das Fahrzeug stoppt zuerst an der Kreuzung und führt dann eine kontinuierliche Kehrtwende durch, um die Richtung umzukehren. Da das Fahrzeug von einer Geschwindigkeit nahe Null aus startet und die Kehrtwende ein ziemlich scharfes Manöver ist, kann eine solche Kehrtwende für das Liefern eines Fahrstils nicht effektiv sein.
Der zweite Typ findet gewöhnlich statt, wenn es kein Verkehrszeichen gibt und die entgegengesetzte Fahrspur zur Verfügung steht. Dieser Typ einer Kehrtwende kann einen Fahrstil eines Fahrers über die Bremssteuerung des Fahrers und die Abbremsung des Fahrzeugs unmittelbar vor der Kehrtwende und das Gieren und die laterale Beschleunigung des Fahrzeugs während der Kehrtwende aufzeigen. Um eine Kehrtwende des dritten Typs durchzuführen, würde das Fahrzeug um etwa 90° wenden und dann warten, bis die entgegengesetzten Fahrspuren frei werden, um die Kehrtwende fortzusetzen.
Der dritte Typ einer Kehrtwende kann dabei nützlich sein, den Fahrstil eines Fahrers in Abhängigkeit von den damit verbundenen Verkehrsszenarien zu bewerten bzw. zu prüfen. Falls zum Beispiel der Gegenverkehr dicht ist, kann das Fahrzeug in einer Schlange warten müssen und sich während eines großen Abschnitts der Kehrtwende langsam bewegen. In solchen Situationen wird selbst ein sportlicher Fahrer gezwungen, konservativ zu fahren.
Die vorliegende Erfindung legt den Fokus hauptsächlich auf den zweiten Typ einer Kehrtwende, das heißt eine kontinuierliche Kehrtwende am Ende einer Geradeausfahrt. Ähnliche Methodiken können jedoch leicht auf die anderen Typen von Kehrtwenden für die Stilcharakterisierung angewendet werden. Ein Kehrtwendemanöver kann basierend auf der Lenkaktivität eines Fahrers bei der entsprechenden Änderung in der Fahrtrichtung eines Fahrzeugs identifiziert werden.
Ein Beispiel der Erkennung eines Kehrtwendemanövers eines Fahrzeugs zusammen mit einer Erkennung von Kurvenfahrmanövern kann auch durch das Flussdiagramm 180 geliefert werden. In diesem Beispiel wird das Kehrtwendemanöver als ein spezieller Typ eines Links/Rechts-Abbiegemanövers betrachtet, wobei die Kehrtwende mit einer verhältnismäßig großen maximalen Gierrate oder einem Lenkwinkel und einer Änderung um ungefähr 180° in der Fahrtrichtung des Fahrzeugs verbunden ist. Um die Integrität der mit einem identifizierten Manöver verbundenen Daten beizubehalten, zeichnet das System Daten auf und aktualisiert diese in einer bestimmten Periode, zum Beispiel T = 2 s.
Wie bei dem oben diskutierten Links/Rechts-Abbiegemanöver repräsentiert der Manöverwert M_id = 0 ein nicht charakteristisches Manöver, das für eine Stilcharakterisierung nicht genutzt wird, M_id = 1 steht für ein Kurvenfahrmanöver, und M_id = 2 steht für ein Kehrtwendemanöver. Anstelle des Bereichs von 75°–105° für den Fahrtrichtungswinkel Φ für das Links/Rechts-Abbiegemanöver bei einer Entscheidungsraute 200 wird für das Kehrtwendemanöver bestimmt, ob der Fahrt- bzw. Fahrtrichtungswinkel Φ zwischen 165° und 195° liegt.
Wie oben diskutiert wurde, empfängt der Stilcharakterisierungs-Prozessor 52 den Manöveridentifiziererwert M_id vom Prozessor 46. Ein Kehrtwendemanöver ist mit sowohl einer lateralen Bewegung als auch der longitudinalen Bewegung verbunden. Die laterale Bewegung wird im Wesentlichen durch den Lenkwinkel, die Gierrate und die laterale Beschleunigung repräsentiert. Je sportlicher der Fahrer ist, desto größer können typischerweise diese drei Signale sein. Die longitudinale Bewegung ist gewöhnlich mit Drossel- und Bremseingaben und der longitudinalen Beschleunigung verbunden. Ähnlich sind, je sportlicher der Fahrer ist, desto größer typi scherweise die Signale. Daher können alle sechs Signale für eine Stilcharakterisierung im Prozessor 52 verwendet werden.
Die gesammelten Daten sind typischerweise nicht dafür geeignet, direkt für eine Stilcharakterisierung verwendet zu werden, da die gesammelten Daten aus der Zeitspur jener Signale bestehen, welche gewöhnlich eine ziemliche Datenmenge zur Folge hat. Zum Beispiel dauert ein typisches Kehrtwendemanöver mehr als 5 Sekunden. Mit einer Abtastrate von 10 Hz würden daher mehr als 50 Abtastungen jedes Signals aufgezeichnet werden. Daher ist eine Datenreduzierung notwendig, um die Klassifizierung effizient zu halten. Die komplette Zeitfolge bzw. -spur jener Signale ist gewöhnlich ebenfalls nicht effektiv für die Charakterisierung. Tatsächlich besteht eine entscheidende Entwurfsaufgabe bei Klassifizierungsproblemen darin, Unterscheidungsmerkmale, die individuelle Klassen am besten repräsentieren, abzuleiten/zu extrahieren/auszuwählen.
Folglich enthält der Stilcharakterisierungs-Prozessor 52 einen Merkmalprozessor und einen Stilklassifizierer. Wie oben erwähnt wurde, leitet der Merkmalprozessor basierend auf den gesammelten Daten originale Merkmale ab, extrahiert Merkmale aus den Originalmerkmalen und wählt dann aus den extrahierten Merkmalen die endgültigen Merkmale aus. Eine Merkmalextraktion versucht, neue Merkmale basierend auf Transformationen oder Kombinationen der originalen Merkmale zu erzeugen, und die Merkmalauswahl wählt die beste Teilmenge der neuen Merkmale aus, die über Merkmalextraktion abgeleitet wurden. Die Originalmerkmale werden gewöhnlich abgeleitet unter Verwendung verschiedener Techniken wie zum Beispiel Zeitreihenanalyse und Frequenz- bzw. Häufigkeitsdomänenanalyse. Diese Techniken sind dem Fachmann gut bekannt. Die vorliegende Erfindung beschreibt einen direkten bzw. einfachen Weg, um die originalen Unterscheidungsmerkmale basierend auf technischen Erkenntnissen abzuleiten.
Für die sechs Signale, auf die oben verwiesen wurde, können die originalen Diskriminanten zum Klassifizieren eines Kehrtwendemanövers gewählt werden als:

1. die maximale laterale Beschleunigung a_ymax = max(a_y(t_start:t_end));
2. die maximale Gierrate ω_max = max(ω(t_start:t_end));
3. die Geschwindigkeit am Beginn der Kehrtwende v_x(t_start);
4. die minimale Geschwindigkeit während der Kehrtwende v_{x min} = min(v_x(t_start:t_end));
5. die Geschwindigkeit am Ende der Kehrtwende v_x(t_end);
6. die maximale Bremskraft/stellung Braking_max = max(Braking(t_start:t_end));
7. ein Array eines Bremsindex BI_braking = [BI₁ ... BI_i ... BI_N] basierend auf der Verteilung der Bremspedalstellung/kraft;
8. die maximale longitudinale Beschleunigung a_x
max = max(a_x(t_start:t_end));
9. die maximale Drosselöffnung Throttle_max = max(Throttle(t_start:t_end)); und
10. ein Array eines Drosselindex TI_throttle = [TI₁ ... TI_i ... TI_N] basierend auf der Verteilung der Drosselöffnung.

Jeder Bremsindex BI_i ist definiert als der prozentuale Anteil der Zeit, in der die Bremspedalstellung/kraft größer als eine Schwelle B_thi ist. Das heißt, falls das Kehrtwendemanöver eine Zeit von T_total Sekunden benötigt und während dieser Zeitspanne die Bremspedalstellung/kraft während T_i Sekunden größer als B_thi ist, ist dann der Bremsindex BI_i = T_i/T_total. Alternativ dazu kann die Zeit T_total definiert werden als eine Zeit, in der das Bremsen stärker als die Bremsschwelle (Breaking > B_th) ist, wobei die Schwelle B_th kleiner als die Schwelle B_thi ist. Ähnlich ist jeder Drosselindex TI_i, definiert als der prozentuale Anteil der Zeit, in der die Drosselöffnung α größer als eine Schwelle α_thi ist. Geeignete Beispiele der Schwelle α_thi können sein 20%, 30%, 40%, 50% und 60% oder von 10% bis 90% mit einem 10%-Zwischenintervall. Zusammengefasst kann eine Gesamtzahl von Diskriminanten für ein Kehrtwendemanöver n = 8 + 2N oder mehr betragen, falls zusätzliche Diskriminanten wie zum Beispiel Verkehrs- und Straßenindizes enthalten sind.
Für jedes erkannte Kehrtwendemanöver eines Fahrzeugs wird ein Satz der originalen Merkmale abgeleitet. Der Satz originale Merkmale kann als ein Originalmerkmalvektor x, ein Vektor mit einer Dimension n, wobei jede Dimension ein spezifisches Merkmal repräsentiert, dargestellt werden. Dieser Originalmerkmalvektor dient als die Eingabe für eine weitere Verarbeitung zur Merkmalextraktion und Merkmalauswahl. Eine Merkmalextraktion versucht, basierend auf Transformationen oder einer Kombination der originalen Merkmale (Diskriminanten) neue Merkmale zu erzeugen, während eine Merkmalauswahl die beste Teilmenge der über eine Merkmalextraktion abgeleiteten neuen Merkmale auswählt.
Verschiedene Merkmalextraktionsverfahren können verwendet werden, um ein Kehrtwendemanöver zu klassifizieren, wie zum Beispiel Principle Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel PCA, Generalized Discriminant Analysis (GDA) etc. In einer nicht beschränkenden Ausführungsform wird LDA verwendet, die eine lineare Transformation ist, wobei y = U^Tx gilt und wobei U eine n×n-Matrix ist und y ein n × 1-Vektor ist, wobei jede Reihe den Wert des neuen Merkmals repräsentiert. Die Matrix U wird während der Entwurfsphase offline bestimmt. Man beachte, dass die LDA-Transformation die Dimension der Merkmale nicht reduziert.
Um die Merkmaldimension für eine verbesserte Effizienz und Effektivität einer Klassifizierung weiter zu reduzieren, können verschiedene Merkmalauswahltechniken wie zum Beispiel Exhaustive Search, Branch-and-Bound Search, Sequential Forward/Backward Selection und Sequential Forward/Backward Floating Search verwendet werden. Die Teilmenge, die die beste Leistung ergibt, wird als die endgültigen Merkmale, die für eine Klassifizierung verwendet werden sollen, gewählt. Zum Beispiel kann die resultierende Teilmenge aus m Merkmalen bestehen, die der {i_i i₂ ... i_m}(1 ≤ i₁ < i₂ ≤ ... ≤ i_m ≤ n) Reihe des Merkmalvektors y entsprechen. Indem man die Matrix U als u = [u₁ u₂ ... u_n] schreibt, wobei jeder Vektor ein n×1-Vektor ist, und man dann nur die Vektoren entsprechend der besten Teilmenge auswählt, ergibt W = [u_i1 u_i2 ... u_im] eine M×N-Matrix. Kombiniert man die Merkmalextraktion und die Merkmalauswahl, können die endgültigen Merkmale entsprechend dem Originalmerkmalvektor x abgeleitet werden als z = W^Tx.
Der Stilcharakterisierungs-Prozessor 52 klassifiziert dann den Fahrstil eines Fahrers für das Kehrtwendemanöver basierend auf dem Unterscheidungsmerkmalvektor z. Klassifizierungstechniken wie zum Beispiel Fuzzy-Logik, Clustering, neuronale Netzwerke (NN), Support-Vektor-Maschinen (SVM) und eine einfache schwellenwertgestützte Logik können für die Stilklassifizierung genutzt werden. In einer Ausführungsform wird ein SVM-gestützter Klassifizierer verwendet. Der Standard-SVM ist ein 2-Klassen-Klassifizierer, der versucht, eine optimale Hyperebene zu finden, das heißt eine sogenannte Entscheidungsfunktion, die Trainingsmuster so weit wie möglicht korrekt klassifiziert und die Breite der Marge bzw. Toleranz zwischen Klassen maximiert. Da die Stilklassifizierung mehr als zwei Klassen einschließt, kann eine SVM für mehrere Klassen verwendet werden, um den Klassifizierer zu entwerfen. Eine K-Klasse-SVM besteht aus K Hyperebenen: f_k(z) = w_kz + b_k, k = 1, 2, ..., k, wobei w_k und b_k während der Entwurfsphase basierend auf den Testdaten bestimmt werden. Das Klassenetikett c für beliebige Testdaten ist die Klasse, deren Entscheidungsfunktion die größte Ausgabe ergibt, als:
Die Merkmalextraktion, Merkmalauswahl und die K-Klasse-SVM werden basierend auf Fahrzeugtestdaten offline entworfen. Mehrere Fahrer wurden gebeten, verschiedene instrumentierte Fahrzeuge unter verschiedenen Verkehrsbedingungen zu fahren, und die Sensormessungen wurden für den Klassifizierungsentwurf gesammelt. Für jedes Kehrtwendemanöver eines Fahrzeugs kann ein Originalvektor x konstruiert werden. All die Merkmalvektoren, die Kehrtwendemanövern eines Fahrzeugs entsprechen, werden zusammengenommen, um eine Trainingsmatrix X = [y₁ y₂ ... y_L] zu bilden, wobei L die Gesamtzahl von Kehrtwendemanövern eines Fahrzeugs ist. Jede Reihe der Matrix X repräsentiert Werte einer Merkmalvariablen, während jede Spalte den Merkmalvektor eines Trainingsmusters repräsentiert. Das Trainingsmuster X wird dann für den Entwurf der Stilklassifizierung basierend auf Kehrtwendemanövern eines Fahrzeugs verwendet.
Die Merkmalextraktion basiert auf LDA, einer überwachten Merkmalextraktionstechnik. Deren Ziel ist, die lineare Datenprojektion Y = U^TX so zu trainieren, dass das Verhältnis einer Varianz zwischen Klassen zur Varianz innerhalb einer Klasse maximiert wird, wobei X eine n×L-Matrix ist und U eine n×n-Matrix ist. Dementsprechend ist Y = [y₁ y₂ ... y_L] eine n×L-Matrix, wobei der neue Merkmalvektor y_i noch aus n Merkmalen be steht. Handelsübliche oder frei zugängliche Algorithmen, die die Matrix U berechnen, stehen zur Verfügung und sind dem Fachmann gut bekannt. Die Eingaben in jene Algorithmen beinhalten die Trainingsmatrix Y und die entsprechenden Klassenetiketten. In einer Ausführungsform können die Klassenetiketten 1–5 sein, wobei 1 einen konservativen Fahrer angibt, 3 einen typischen Fahrer angibt und 5 ein sportlicher Fahrer ist. Außerdem kann ein Klassenetikett 0 hinzugefügt werden, um jene schwer zu entscheidenden Muster zu repräsentieren. Die Klassenetiketten werden basierend auf Expertenmeinungen durch Überwachen der Testdaten bestimmt. Die Ausgaben der LDA-Algorithmen umfassen die Matrix U und die neue Merkmalmatrix Y.
Die Merkmalauswahl wird an der Merkmalmatrix Y durchgeführt. In dieser besonderen Anwendung kann, da die Dimension der extrahierten Merkmale verhältnismäßig klein ist, eine Exhaustive Search verwendet werden, um die Klassifizierungsleistung für jede mögliche Kombination der extrahierten Merkmale auszuwerten. Die neuen Merkmale bestehen noch aus n Merkmalen, und es gibt Σ n / i-1 Cⁱ _n mögliche Kombinationen der n Merkmale. Die Exhaust Search wertet die Klassifizierungsleistung jeder möglichen Kombination aus, indem eine SVM basierend auf der Kombination entworfen und der entsprechende Klassifizierungsfehler abgeleitet wird. Die Kombination, die den kleinsten Klassifizierungsfehler ergibt, wird als die beste Kombination betrachtet, wobei die entsprechenden Merkmale {i₁ i₂ ... i_m} die Matrix [u_i1 u_i2 ... u_im] bestimmen. Zweckmäßigerweise ist die der besten Merkmalkombination entsprechende SVM der SVM-Klassifizierer. Da handelsübliche oder frei zugängliche Algorithmen für SVM-Entwürfe dem Fachmann gut bekannt sind, ist eine detaillierte Diskussion hierin nicht notwendig.
Es wird besonders erwähnt, dass, obwohl SVM als die Klassifizierungstechnik in dieser Ausführungsform verwendet wird, die vorliegende Erfindung leicht andere Techniken wie zum Beispiel Fuzzy-Logik, Clustering oder einfache schwellengestützte Logiken zum Klassifizieren von Kehrtwendemanövern verwenden kann. Ähnlich können anstelle der LDA und Exhaustive Search leicht andere Techniken zur Merkmalextraktion und Merkmalauswahl verwendet werden.
Gemäß einer anderen Ausführungsform der vorliegenden Erfindung identifiziert der Manöveridentifizierungs-Prozessor 46 ein Überholmanöver eines Fahrzeugs. Am Beginn eines Überholmanövers eines Fahrzeugs nähert sich das betreffende Fahrzeug (SV) oder überholende Fahrzeug und folgt einem langsameren vorausfahrenden Objektfahrzeug (OV), welches später das Fahrzeug wird, welches gerade überholt wird. Falls der Fahrer des SV entscheidet, das langsamere OV zu überholen, und eine benachbarte Fahrspur zum Überholen zur Verfügung steht, leitet der Fahrer den ersten Fahrspurwechsel zur benachbarten Fahrspur ein und überholt dann das OV in der benachbarten Fahrspur. Falls es ausreichend Zwischenraum zwischen dem SV und dem OV gibt, kann der Fahrer des SV einen zweiten Fahrspurwechsel zurück zur ursprünglichen Fahrspur einleiten. Da die Stilklassifizierung basierend auf einem Verhalten der Abstandsregelung des Fahrzeugs schon das Annäherungsmanöver des Fahrzeugs einschließt, ist das Annähern des Fahrzeugs vor dem ersten Fahrspurwechsel nicht als Teil des Überholmanövers enthalten. Als Folge beginnt das Überholmanöver mit dem ersten Fahrspurwechsel und endet mit dem Abschluss des zweiten Fahrspurwechsels. Dementsprechend kann ein Überholmanöver in drei Phasen geteilt werden, nämlich Phase Eins besteht aus dem ersten Fahrspurwechsel zu einer benachbarten Fahrspur, Phase Zwei ist ein Überholen in der benachbarten Fahrspur, und Phase Drei ist der zweite Fahrspurwechsel zurück zur ursprünglichen Fahrspur. In einigen Fällen kann die zweite Phase zu kurz sein, um als eine unabhängige Phase betrachtet zu werden, und in anderen Fällen kann die zweite Phase so lange andauern, dass es zweckmäßigerweise bzw. richtiger sein kann, das Überholmanöver als zwei unabhängige Fahrspurwechsel zu betrachten. Diese Ausführungsform legt einen Fokus auf jene Überholmanöver, bei denen eine zweite Phase nicht zu lang, wie zum Beispiel kürzer als T_th Sekunden ist.
Die Feststellung eines Überholmanövers beginnt dann mit der Feststellung eines ersten Fahrspurwechsels. Die Fahrspurwechsel können unter Verwendung eines Lenkwinkels oder einer Gierrate eines Fahrzeugs zusammen mit dem Fahrtrichtungswinkel des Fahrzeugs von einem GPS wie oben für die Fahrspurwechselmanöver identifizierende Ausführungsform beschrieben festgestellt werden. Alternativ dazu kann ein Fahrspurwechsel basierend auf einer Bildverarbeitung von einer nach vorne gerichteten Kamera festgestellt werden, wie dem Fachmann gut bekannt ist.
Das Ende des ersten Fahrspurwechsels ist der Beginn der zweiten Phase, das heißt eines Überholens in der benachbarten Fahrspur. Die zweite Phase endet, wenn ein zweiter Fahrspurwechsel festgestellt wird. Falls das SV zu seiner ursprünglichen Fahrspur innerhalb einer bestimmten Zeitperiode wie zum Beispiel T_th Sekunden zurück wechselt, wird das komplette, alle drei Phasen einschließende Manöver als Überholmanöver eines Fahrzeugs betrachtet. Falls das SV zu einer anderen Fahrspur als seiner ursprünglichen Fahrspur wechselt, kann das komplette Manöver unterteilt und als individuelle Fahrspurwechselmanöver für die erste und dritte Phase markiert werden. Falls eine bestimmte Zeit verstreicht und das SV keinen zweiten Fahrspurwechsel einleitet, wird das Manöver als nicht abgeschlossen betrachtet, die erste Phase kann jedoch noch als ein individuelles Fahrspurwechselmanöver genutzt werden.
Basierend auf der obigen Diskussion ist 24 ein Flussdiagramm 220, das einen Prozess zum Identifizieren eines Überholmanövers eines Fahrzeugs gemäß einer Ausführungsform der vorliegenden Erfindung zeigt. Um die Integrität der mit einem identifizierten Manöver verbundenen Daten beizubehalten, zeichnet das System Daten auf und aktualisiert diese in einer bestimmten Periode wie zum Beispiel T = 2 s.
Der Manöver identifizierende Algorithmus beginnt mit einem Lesen des gefilterten Fahrzeuggeschwindigkeitssignals v und des gefilterten Fahrzeuggierratensignals ω vom Signalprozessor 44 bei Kasten 222. Der Manöver identifizierende Algorithmus geht dann unter Verwendung der Booleschen Variablen Start_flag und End_flag weiter, wobei Start_flag auf Null initialisiert ist und End_flag auf Eins initialisiert ist. Der Algorithmus bestimmt dann bei Block 224, ob das Start_flag Null ist, um zu bestimmen, ob das Fahrzeug 10 sich in einem Überholmanöver befindet. Falls beim Block 224 Start_flag Null ist, bestimmt dann bei einer Entscheidungsraute 226 der Algorithmus, ob ein Fahrspurwechsel begonnen hat, um zu bestimmen, ob das Überholmanöver begonnen hat, und falls nicht, kehrt er bei Kasten 228 zum Sammeln von Daten zurück. Falls der Algorithmus bei der Entscheidungsraute 226 bestimmt, dass ein Fahrspurwechsel begonnen hat, welcher der erste Fahrspurwechsel in einem Überholmanöver sein kann, setzt bei einem Kasten 470 der Algorithmus Start_flag auf Eins, End_flag auf Null, die Phase auf Eins und den Zeitgeber T_start = t.
Falls beim Block 224 Start_flag nicht Null ist, was bedeutet, dass das Manöver begonnen hat, bestimmt dann bei einer Entscheidungsraute 472 der Algorithmus, ob das Manöver in der ersten Phase ist. Falls das Manöver bei der Entscheidungsraute 472 in der ersten Überholphase ist, bestimmt dann bei Block 474 der Algorithmus, ob ein Fahrspurwechsel abgebro chen wurde. Falls beim Block 474 der Fahrspurwechsel nicht abgebrochen wurde, bestimmt bei Block 476 der Algorithmus, ob der Fahrspurwechsel abgeschlossen wurde, und kehrt, falls nicht, zu Block 228 zum Sammeln von Daten zurück. Falls beim Block 476 der Fahrspurwechsel abgeschlossen wurde, setzt dann bei Kasten 478 der Algorithmus die Phase auf Zwei, die Zeit t_1end = t und die Zeit t_2start = t + Δt. Falls beim Block 474 der Fahrspurwechsel abgebrochen wurde, was bedeutet, dass das Überholmanöver abgebrochen wurde, setzt dann bei Kasten 480 der Algorithmus den Manöveridentifiziererwert M_id auf Null und setzt bei Kasten 482 Start_flag auf Null, End_flag auf Eins und die Phase auf Null.
Falls das Überholmanöver bei der Entscheidungsraute 472 nicht in der ersten Phase ist, bestimmt dann bei einer Entscheidungsraute 484 der Algorithmus, ob das Überholmanöver in der zweiten Phase ist. Falls das Überholmanöver bei der Entscheidungsraute 484 nicht in der zweiten Phase ist, ist das Überholmanöver schon in der dritten Phase, d. h. dem Fahrspurwechsel zurück in die ursprüngliche Fahrspur. Daher bestimmt bei der Entscheidungsraute 486 der Algorithmus, ob dieser Fahrspurwechsel abgebrochen wurde, und setzt, falls dies der Fall ist, den Manöveridentifiziererwert M_id bei dem Kasten 480 auf Null und bei dem Kasten 482 Start_flag auf Null, End_flag auf Eins und Phase auf Null.
Falls der Fahrspurwechsel zurück bei der Entscheidungsraute 486 nicht abgebrochen wurde, bestimmt bei einer Entscheidungsraute 488 der Algorithmus, ob der Fahrspurwechsel abgeschlossen wurde, und kehrt, falls dies nicht der Fall ist, zu Kasten 228 zurück, um Daten zu sammeln. Falls der Fahrspurwechsel bei der Entscheidungsraute 488 abgeschlossen wurde, setzt dann der Algorithmus bei Kasten 490 den Manöveridentifiziererwert M_id auf Eins, eine Zeit auf t_3end = t, eine Zeit t_start = t_1start und eine Zeit t_end = t_3end und setzt bei dem Kasten 482 Start_flag auf Null, End_flag auf Eins und die Phase auf Null.
Falls das Überholmanöver bei der Entscheidungsraute 44 in der zweiten Phase ist, bestimmt bei einer Entscheidungsraute 492 der Algorithmus, ob ein Fahrspurwechsel zurück zur ursprünglichen Fahrspur stattgefunden hat, und setzt, falls dies der Fall ist, die Überholmanöverphase auf Drei, Zeit t_2end = t und Zeit t_3start = t + Δt bei Kasten 494. Falls ein Fahrspurwechsel zurück bei der Entscheidungsraute 492 nicht begonnen hat, bestimmt dann bei einer Entscheidungsraute 496 der Algorithmus, ob die Bedingung Zeit t – t_2start > T_th erfüllt wurde, und kehrt, falls dies nicht der Fall ist, zurück zum Kasten 228. Falls die Bedingung der Entscheidungsraute 492 erfüllt wurde, ist dann zuviel Zeit für ein Überholmanöver verstrichen, und der Algorithmus setzt bei Kasten 498 den Manöveridentifiziererwert M_id auf Null und setzt beim Kasten 482 Start_flag auf Null End_flag auf Eins und die Phase auf Null.
Während der Manöveridentifiziererwert M_id den Beginn und das Ende eines Manövers bestimmt, speichert der Datenselektor 48 diese Daten entsprechend dem Manöver basierend auf den Variablen Start_flag, End_flag, M_id, t_start und t_end. Wenn der Manöveridentifiziererwert M_id für ein Überholmanöver eines Fahrzeugs gesetzt ist, werden die gesammelten Daten an den Stilcharakterisierungs-Prozessor 52 gesendet, und der Fahrstil des Fahrers für dieses Manöver wird klassifiziert. Die erste und dritte Phase eines Überholmanövers eines Fahrzeugs sind Fahrspurwechsel. Während eines Fahrspurwechsels ist es wahrscheinlicher, dass der sportlichere Fahrer größere Werte beim Lenkwinkel, der Gierrate, der lateralen Beschleunigung und eines lateralen Rucks des Fahrzeugs liefert. Ähnlich schließt vom Standpunkt einer longitudinalen Bewegung ein sportlicherer Fahrer gewöhnlich einen Fahrspurwechsel in einer kürzeren Distanz ab und liefert eine größere Geschwindigkeitsänderung und Abbremsung/Beschleunigung, je kürzer eine Distanz zu dessen vorausfahrendem Fahrzeug vor dem Fahrspurwechsel ist und je kürzer die Distanz zum folgenden Fahrzeug nach dem Fahrspurwechsel ist. Die zweite Phase eines Überholmanövers eines Fahrzeugs, Überholen in der benachbarten Fahrspur, betrifft hauptsächlich eine longitudinale Steuerung. Ein Fahrstil eines Fahrers kann dadurch aufgezeigt werden, wie schnell er/sie beschleunigt, die Distanz, die das Fahrzeug während der zweiten Phase oder der Zeitdauer zurücklegt, und die Geschwindigkeitsdifferenz zwischen dem betreffenden Fahrzeug und dem Objektfahrzeug.
Dementsprechend können mehrere Diskriminanten zum Klassifizieren eines Überholmanövers basierend auf dieser Information ausgewählt werden. Für die erste Phase, das heißt den ersten Fahrspurwechsel, können die ursprünglichen Unterscheidungsmerkmale definiert werden als:

1. der maximale Wert der Gierrate: max(|w(t_1start:t_1end)|);
2. der maximale Wert einer lateralen Beschleunigung max(|a_y(t_1start:t_1end)|);
3. der maximale Wert eines lateralen Rucks max(|a ·_y(t_1start:t_1end)|);
4. die Distanz für den Abschluss des Fahrspurwechsels
5. die durchschnittliche Geschwindigkeit max(|v_x(t_1start:t_1end)|);
6. die maximale Geschwindigkeitsvariation max(|v_x(t_1start:t_1end)|) – min(|V_x(t_1start:t_1end|);
7. die maximale Bremspedalkraft/stellung (oder die maximale Abbremsung);
8. der maximale Drosselprozentbetrag (oder die maximale Beschleunigung);
9. die minimale Distanz (oder Zeit zum Vordermann) zu dessen vorausfahrendem Fahrzeug, das heißt von einem nach vorne gerichteten Radar/Lidar oder einer Kamera oder von GPS zusammen mit V2V-Datenübertragung;
10. die maximale Entfernungsrate zu dessen vorausfahrendem Fahrzeug, falls verfügbar, das heißt von einem vorne gerichteten Radar/Lidear oder einer Kamera oder von GPS zusammen mit V2V-Datenübertragung; und
11. die maximale Distanz (oder Distanz über Geschwindigkeit) zum folgenden Fahrzeug in der Fahrspur, in die das Fahrzeug wechselt, falls sie zur Verfügung steht, das heißt von einem Seitenradar/Kamera oder GPS mit V2V-Datenübertragung.

Für die zweite Phase können die originalen Unterscheidungsmerkmale sein:

1. der maximale Drosselprozentbetrag max(|throttle(t_2start:t_2end)|) (oder die longitudinale Beschleunigung max(|a_x(t_2start:t_2end)|));
2. der durchschnittliche Drosselprozentbetrag;
3. die zurückgelegte Distanz
und
4. die maximale Geschwindigkeitsvariation max(|v_x(t_2start:t_2end)|) – min(|v_x(t_2start:t_2end)|).

Für die dritte Phase, das heißt den zweiten Fahrspurwechsel, sind die originalen Merkmale ähnlich jenen für die erste Phase, wobei t_s1tart und t_1end durch t_3start und t_3end ersetzt werden. Zusätzlich kann die Gesamtdistanz, die das betreffende Fahrzeug während eines Überholmanövers zurücklegte, ebenfalls als eine Diskriminante hinzugefügt werden. Insgesamt kann die Gesamtzahl Diskriminanten für ein Überholmanöver n = 10 + 4 + 10 + 1 = 25 oder n = 11 + 4 + 11 + 1 = 27 betragen, falls die Distanz zum folgenden Fahrzeug zur Verfügung steht.
Für jedes erkannte Überholmanöver eines Fahrzeugs wird ein Satz der ursprünglichen Merkmale abgeleitet. Dieser Satz ursprünglicher Merkmale kann als ein Originalmerkmalvektor x dargestellt werden, ein Vektor mit Dimension n, wobei jede Dimension ein spezifisches Merkmal repräsentiert. Dieser Originalmerkmalvektor dient als die Eingabe für die weitere Verarbeitung zur Merkmalextraktion und Merkmalauswahl.
Wie oben erwähnt wurde, können verschiedene Merkmalextraktionsverfahren zum Klassifizieren eines Überholmanövers verwendet werden wie zum Beispiel eine Principle Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel PCA, Generalized Discriminant Analysis (GDA) etc. In einer nicht beschränkenden Ausführungsform wird LDA genutzt, die eine lineare Transformation ist, wobei y = U^Tx gilt und wobei U eine n×n-Matrix ist und y ein n × 1-Vektor ist, wobei jede Reihe den Wert des neuen Merkmals repräsentiert. Die Matrix U wird während der Entwurfsphase offline bestimmt.
Um die Merkmaldimension für eine verbesserte Klassifizierungseffizienz und -effektivität weiter zu reduzieren, werden Merkmalauswahltechniken angewendet, um die Teilmenge zu finden, die die beste Leistung ergibt und wird als die endgültigen Merkmale gewählt, die für eine Klassifizierung verwendet werden sollen. Zum Beispiel kann die resultierende Teilmenge aus m Merkmalen entsprechend der {i₁ i₂ ... i_m}(1 ≤ i₁ ≤ i₂ ≤ ... ≤ i_m ≤ n) Reihe des Merkmalvektors y bestehen. Indem man die Matrix U als u = [u₁ u₂ ... u_n] schreibt, wobei jeder Vektor ein n × 1-Vektor ist, und nur die Vektoren entsprechend der besten Teilmenge auswählt, ergibt dies W = [u_i1 u_i2 ... u_im], eine m×n-Matrix. Kombiniert man die Merkmalextraktion und die Merkmalauswahl, können die endgültigen Merkmale entsprechend dem Originalmerkmalvektor x abgeleitet werden als z = W^Tx.
Der Stilcharakterisierungs-Prozessor 52 klassifiziert dann den Fahrstil eines Fahrers basierend auf dem Unterscheidungsmerkmalvektor z. Klassifizierungstechniken wie zum Beispiel Fuzzy-Logik, Clustering, neuronale Netzwerke (NN), Support-Vektor-Maschinen (SVM) und eine einfache schwellenwertgestützte Logik können für eine Stilklassifizierung verwendet werden. In einer Ausführungsform wird ein SVM-basierter Klassifizierer verwendet. Da die Stilklassifizierung mehr als zwei Klassen umfasst, kann eine SVM für mehrere Klassen verwendet werden, um den Klassifizierer zu entwerfen. Eine K-Klasse-SVM besteht aus K Hyperebenen: f_k(z) = w_kz + b_k, k = 1, 2, ..., k, wobei w_k und b_k während der Entwurfsphase basierend auf den Testdaten bestimmt werden. Das Klassenetikett c für beliebige Testdaten ist die Klasse, deren Entscheidungsfunktion die größte Ausgabe liefert, als:
Die Merkmalextraktion, Merkmalauswahl und die K-Klasse-SVM werden basierend auf den Testdaten eines Fahrzeugs offline entworfen. Mehrere Fahrer wurden gebeten, mehrere instrumentierte Fahrzeuge unter verschiedenen Verkehrsbedingungen zu fahren, und die Sensormessungen wurden für den Klassifizierungsentwurf gesammelt. Für jedes Überholmanöver eines Fahrzeugs kann ein Originalmerkmalvektor x aufgestellt werden. All die Merkmalvektoren entsprechend Überholmanövern eines Fahrzeugs werden zusammengenommen, um eine Trainingsmatrix X = [x₁ x₂ ... x_L] zu bilden, wobei L die Gesamtzahl von Überholmanövern eines Fahrzeugs ist. Jede Reihe der Matrix X repräsentiert Werte einer Merkmalvari ablen, während jede Spalte den Merkmalvektor eines Trainingsmusters repräsentiert. Die Trainingsmatrix X wird dann für den Entwurf der Stilklassifizierung basierend auf Überholmanövern eines Fahrzeugs verwendet.
Die Merkmalextraktion basiert auf LDA, einer überwachten Merkmalextraktionstechnik. Deren Ziel besteht darin, die lineare Datenprojektion Y = U^TX so zu trainieren, dass das Verhältnis der Varianz zwischen Klassen zur Varianz innerhalb einer Klasse maximiert wird, wobei X eine N×L-Matrix ist und U eine N×N-Matrix ist. Dementsprechend ist Y = [y₁ y₂ ... y_L] eine N×L-Matrix, wobei der neue Merkmalvektor y_i noch aus n Merkmalen besteht. Handelsübliche oder frei zugängliche Algorithmen, die die Matrix U berechnen, stehen zur Verfügung und sind dem Fachmann gut bekannt. Die Eingaben in jene Algorithmen umfassen die Trainingsmatrix X und die entsprechenden Klassenetiketten. In einer Ausführungsform können die Klassenetiketten 1–5 sein, wobei 1 einen konservativen Fahrer bezeichnet, 3 einen typischen Fahrer bezeichnet und 5 ein sportlicher Fahrer ist. Außerdem kann ein Klassenetikett 0 hinzugefügt werden, um jene schwer zu entscheidenden Muster zu repräsentieren. Die Klassenetiketten werden basierend auf Expertenmeinungen durch Beobachten der Testdaten bestimmt. Die Ausgaben der LDA-Algorithmen beinhalten die Matrix U und die neue Merkmalmatrix Y.
Die Merkmalauswahl wird an der Merkmalmatrix Y durchgeführt. In dieser besonderen Anwendung kann, da die Dimension der extrahierten Merkmale verhältnismäßig klein ist, eine Exhaustive Search verwendet werden, um die Klassifizierungsleistung jeder möglichen Kombination der extrahierten Merkmale auszuwerten. Die neuen Merkmale bestehen noch aus n Merkmalen, und es gibt Σ n / i-1 Cⁱ _n mögliche Kombinationen der n Merkmale. Die Exhaust Search wertet die Klassifizierungsleistung jeder möglichen Kombination aus, indem eine SVM basierend auf der Kombination entworfen und der entsprechende Klassifizierungsfehler abgeleitet wird. Die Kombination, die den kleinsten Klassifizierungsfehler ergibt, wird als die beste Kombination betrachtet, wobei die entsprechenden Merkmale {i₁ i₂ ... i_m} die Matrix [u_i1 u_i2 ... u_im] bestimmen. Zweckmäßigerweise ist die der besten Merkmalkombination entsprechende SVM der SVM-Klassifizierer. Da handelsübliche oder frei zugängliche Algorithmen für SVM-Entwürfe dem Fachmann gut bekannt sind, ist eine hierin detaillierte Diskussion nicht notwendig.
Es wird besonders erwähnt, dass, obwohl SVM als die Klassifizierungstechnik in dieser Ausführungsform zum Klassifizieren von Überholmanövern verwendet wird, die vorliegende Erfindung leicht andere Techniken wie zum Beispiel Fuzzy-Logik, Clustering oder eine einfache schwellenwertgestützte Logiken verwenden kann. Ähnlich können andere Techniken zur Merkmalextraktion und Merkmalauswahl anstelle der LDA und Exhaustive Search verwendet werden.
Gemäß einer anderen Ausführungsform der vorliegenden Erfindung identifiziert der Manöveridentifizierungs-Prozessor 46 auch charakteristische Manöver von Fahrzeugen bei Auf/Abfahrten auf Autobahnen. Typische Autobahnauffahrten beginnen mit einem kurzen geraden Eingang, setzen sich in einer verhältnismäßig engen Kurve fort und enden mit einer einmündenden Fahrspur. Typische Autobahnabfahrten beginnen mit einer ausmündenden Fahrspur als der Eingangsteil, setzen sich in einer verhältnismäßig engen Kurve und dann einem kurzen geraden Straßenabschnitt fort und enden an einer Verkehrsampel oder einem Stoppzeichen. Obgleich Autobahnauf-/-abfahrten ohne Kurvenabschnitt existieren, sind die meisten Manöver bei Autobahnauf-/-abfahrten mit sowohl einem Kur venfahren als auch einer verhältnismäßig langen Beschleunigungs- oder Abbremsperiode verbunden. Folglich können Manöver bei Autobahnauf-/-abfahrten basierend auf Lenkaktivitäten oder einer Gierbewegung eines Fahrzeugs und der entsprechenden Änderung der Fahrzeuggeschwindigkeit identifiziert werden.
Ein Beispiel eines Prozesses zum Identifizieren von Autobahnauf-/-abfahrtmanövern ist durch ein Flussdiagramm 230 in 25A und 25B gemäß einer Ausführungsform der vorliegenden Erfindung dargestellt. In diesem Beispiel wird der Eingangsabschnitt der Auf/Abfahrt ignoriert. Das heißt, Auf/Abfahrtmanöver beginnen mit einem Kurvenfahren und einer Gierbewegung eines Fahrzeugs oder anderen Lenkaktivitäten, um den Beginn des Manövers zu bestimmen. Die Auffahrten werden basierend auf der Geschwindigkeitsvariation nach dem Kurvenabschnitt bestimmt, und die Abfahrten werden basierend auf der Geschwindigkeitsvariation während und nach dem Kurvenabschnitt bestimmt. Um die Integrität der mit einem identifizierten Manöver verbundenen Daten beizubehalten, zeichnet der Prozess Daten weiter auf und aktualisiert diese in bestimmten Perioden wie zum Beispiel T = 2 s. Falls alternativ dazu das Fahrzeug mit einer nach vorne gerichteten Kamera oder einem DGPS mit einer verbesserten digitalen Karte ausgestattet ist, kann die Information eingebaut oder unabhängig genutzt werden, um zu bestimmen, wann sich das Fahrzeug an einer Autobahnauf-/-abfahrt befindet. Die Verwendung dieser Information zur Bestimmung der Autobahnauf-/-abfahrten ist einfach und dem Fachmann gut bekannt.
Zu 25A und 25B zurückkehrend beginnt der Manöveridentifizierer-Prozessor 46 bei Kasten 232, indem das gefilterte Fahrzeuggeschwindigkeitssignal v und das gefilterte Gierratensignal ω des Fahrzeugs vom Signalprozessor 44 gelesen werden. Der Manöveridentifizier-Algorithmus geht dann weiter unter Verwendung der Booleschen Variablen Start_flag, End_flag und End_curve_flag, wobei Start_flag auf Null initialisiert ist, End_flag auf Eins initialisiert ist und End_curve_flag auf Eins initialisiert ist. Der Algorithmus bestimmt dann bei einer Entscheidungsraute 234, ob das Start_flag Null ist, um zu bestimmen, ob sich das Fahrzeug 10 in einem Autobahnauf-/-abfahrtmanöver befindet. Falls bei der Entscheidungsraute 234 Start_flag Null ist, bestimmt dann bei einer Entscheidungsraute 236 der Algorithmus, ob die Bedingung ω(t) ≥ ω_med erfüllt wurde, wobei ω_med in einer nicht beschränkenden Ausführungsform 2° pro Sekunde betragen kann, um zu bestimmen, ob das Fahrzeug 10 wahrscheinlich in die Kurve einfährt oder zu wenden beginnt. Falls die Bedingung der Entscheidungsraute 236 nicht erfüllt ist, kehrt dann der Algorithmus bei Block 238 zurück, um die Daten zu sammeln. Falls die Bedingung der Entscheidungsraute 236 erfüllt ist, was bedeutet, dass das Fahrzeug in eine Kurve einfährt oder eine Wende beginnt, setzt dann bei Block 240 der Algorithmus Start_flag auf Eins, End_flag auf Null, End_curve_flag auf Null, einen Zeitgeber t_start = t – T und den Manöveridentifiziererwert M_id auf Null. Der Algorithmus kehrt dann beim Block 238 zurück, um Daten zu sammeln.
Falls bei der Entscheidungsraute 234 Start_flag nicht Null ist, was bedeutet, dass sich das Fahrzeug 10 in einem möglichen Autobahnauf-/-abfahrtmanöver befindet, bestimmt dann bei einer Entscheidungsraute 242 der Algorithmus, ob End_curve_flag Null ist. Falls bei der Entscheidungsraute 242 End_curve_flag Null ist, was bedeutet, dass das Fahrzeug 10 sich im Kurvenabschnitt des möglichen Auf/Abfahrmanövers befindet, bestimmt dann der Algorithmus, ob ein Kurvenabschnittmanöver abgeschlossen wurde. Insbesondere bestimmt bei einer Entscheidungsraute 244 der Algorithmus, ob die Bedingung max(ω(t – T:t)) ≤ ω_small erfüllt wur de, und setzt, falls dies der Fall ist, was bedeutet, dass das Kurvenabschnittmanöver abgeschlossen wurde, bei Block 246 End_curve_flag auf Eins und die Zeit t_{end curve} = t – T. In einer nicht beschränkenden Ausführungsform ist ω_small 1° pro Sekunde.
Der Algorithmus bestimmt bei einer Entscheidungsraute 248 auch die Fahrzeuggeschwindigkeitsinformation, insbesondere ob die Bedingung v_s(t) – v_x(t_start) ≤ –v_max erfüllt ist, und setzt, falls dies der Fall ist, was bedeutet, dass der Kurvenabschnitt möglicherweise Teil eines Abfahrtmanövers ist, bei einem Kasten 250 den Manöveridentifiziererwert M_id auf 2. Falls die Bedingungen der Entscheidungsrauten 244 und 248 nicht erfüllt sind, kehrt dann der Algorithmus bei Block 238 zurück, um Daten zu sammeln, wobei sich das Fahrzeug 10 noch in der Mitte einer verhältnismäßig großen Gierbewegung befindet, und somit wartet der Prozessor 46 auf die nächste Datenlesung. Falls die Bedingung der Entscheidungsraute 248 nicht erfüllt ist, könnte das Kurvenfahrmanöver Teil eines Auffahrtmanövers sein, wobei der Manöveridentifiziererwert M_id bei Null bleibt. In einem nicht beschränkenden Beispiel kann die Fahrzeuggeschwindigkeit v_max 40 km/h (25 mph) betragen.
Falls bei der Entscheidungsraute 242 End_curve_flag Eins ist, was bedeutet, dass der Kurvenabschnitt abgeschlossen wurde, bestimmt bei Block 252 der Algorithmus, ob die Zeit t – t_{end_curve} > T_large gilt; zum Beispiel ist T_large = 30 s. Falls diese Bedingung erfüllt ist, ist das mögliche Auf/Abfahrtmanöver nach einer verhältnismäßig langen Zeit noch nicht beendet, so dass das Manöver gestrichen wird, indem bei Kasten 254 der Manöveridentifiziererwert M_id auf Null gesetzt wird und bei Kasten 256 Start_flag auf Null und End_flag auf Eins gesetzt werden.
Falls die Bedingung des Blocks 252 nicht erfüllt ist, bestimmt bei einer Entscheidungsraute 258 der Algorithmus, ob das Manöver als Abfahrtmanöver identifiziert wurde, indem bestimmt wird, ob der Manöveridentifiziererwert M_id Zwei ist. Falls der Manöveridentifiziererwert M_id Eins oder Null ist, endet das Auffahrtmanöver, wenn die Zunahme der Fahrzeuggeschwindigkeit geringer wird. Falls der Manöveridentifiziererwert M_id bei der Entscheidungsraute 258 nicht Zwei ist, bestimmt daher der Algorithmus bei einer Entscheidungsraute 260, ob die Geschwindigkeitsbedingung v_x(t) – v_x(t – aT) ≤ v_med erfüllt ist, wobei aT 10 s ist und v_med in einem nicht beschränkenden Beispiel 8 km/h (5 mph) ist. Falls diese Bedingung nicht erfüllt ist, was bedeutet, dass das Auffahrtmanöver nicht geendet hat, kehrt dann der Algorithmus zum Block 238 zurück.
Falls die Bedingung der Entscheidungsraute 260 erfüllt wurde, bestimmt bei einer Entscheidungsraute 262 der Algorithmus, ob die Geschwindigkeitsbedingungen v_s(t – T) ≥ V_large und v_x(t – T) – v_x(start) ≥ v_th erfüllt wurden. In einer nicht beschränkenden Ausführungsform ist V_large 88 km/h (55 mph) und v_th ist 32 km/h (20 mph). Falls die beiden Bedingungen der Entscheidungsraute 262 erfüllt wurden, ist dann das Manöver wirklich ein Auffahrtmanöver. Der Algorithmus setzt bei Kasten 264 den Manöveridentifiziererwert M_id auf Eins, was ein Auffahrtmanöver identifiziert, und setzt eine Zeit t_end = t – T, und bei dem Kasten 256 Start_flag auf Null und End_flag auf Eins und kehrt beim Block 238 zurück. Falls die Bedingung der Entscheidungsraute 262 nicht erfüllt wurde, ist das Manöver kein Auffahrtmanöver, so dass das Manöver gestrichen wird, indem bei dem Kasten 254 der Manöveridentifiziererwert M_id auf Null gesetzt wird und Start_flag auf Null und End_flag auf Eins beim Kasten 256 gesetzt werden, und kehrt beim Block 238 zurück.
Falls der Manöveridentifiziererwert M_id bei der Entscheidungsraute 258 Zwei ist, endet das Abfahrtmanöver, falls die Fahrzeuggeschwindigkeit v sehr klein ist. Daher bestimmt bei einer Entscheidungsraute 266 der Algorithmus, ob die Geschwindigkeitsbedingung v_x(t – T:t) ≤ v_small erfüllt ist, wobei in einem nicht beschränkenden Beispiel v_small 4,8 km/h (3 mph) beträgt. Falls diese Bedingung der Entscheidungsraute 266 erfüllt wurde, was bedeutet, dass das Abfahrtmanöver geendet hat, setzt dann bei einem Kasten 268 der Algorithmus eine Zeit t_end = t – T, setzt bei einem Kasten 256 Start_flag auf Null und End_flag auf Eins und kehrt beim Block 238 zurück.
Falls die Bedingung der Entscheidungsraute 266 nicht erfüllt wurde, bestimmt bei einer Entscheidungsraute 270 der Algorithmus, ob die Geschwindigkeit nicht ausreichend zurückging, um anzuzeigen, dass das Manöver kein Abfahrtmanöver ist, indem bestimmt wird, ob die Geschwindigkeitsbedingung v_x(t) > v_x(t_{end_curve}) + 10 mph erfüllt wurde. Falls diese Bedingung erfüllt ist, was bedeutet, dass die Geschwindigkeit dafür zu hoch ist, dass das Manöver ein Abfahrtmanöver ist, wird bei einem Kasten 272 der Manöveridentifiziererwert M_id auf Null gesetzt, und bei dem Kasten 256 wird Start_flag auf Null gesetzt und End_flag auf Eins gesetzt, und der Algorithmus kehrt beim Block 238 zurück. Falls die Bedingung der Entscheidungsraute 270 nicht erfüllt wurde, was bedeutet, dass das mögliche Abfahrtmanöver nicht abgeschlossen wurde, kehrt dann der Algorithmus beim Block 238 zurück.
Während der Manöveridentifizierer-Prozessor 46 den Beginn und das Ende eines Manövers bestimmt, speichert der Datenauswahlprozessor 48 das entsprechende Datensegment basierend auf den Variablen Start_flag, End_flag, t_start und t_end.
Autobahnauf-/-abfahrtmanöver sind sowohl mit einem Kurvenfahren als auch einer verhältnismäßig großen Geschwindigkeitszunahme/-abnahme verbunden. Je sportlicher ein Fahrer ist, desto größer sind im Allgemeinen die laterale Beschleunigung und die Gierrate in den Kurven. Entsprechend nimmt, je sportlicher ein Fahrer ist, desto schneller die Geschwindigkeit bei einer Auffahrt zu. Bei einer Abfahrt kann jedoch ein konservativer Fahrer zu Beginn schnell abbremsen, um eine niedrigere Geschwindigkeit zu haben, während ein sportlicherer Fahrer die Abbremsung hinauszögern kann, um eine höhere Geschwindigkeit bei einer Abfahrt zu genießen und dann am Ende der Abfahrt schnell abbremsen. Außerdem kann ein sportlicherer Fahrer bei einer Abfahrt sogar das Gaspedal drücken, um die gewünschte Fahrzeuggeschwindigkeit beizubehalten. Somit können der Lenkwinkel, die Gierrate und die laterale Beschleunigung verwendet werden, um eine Sportlichkeit des Kurvenfahrverhaltens einer Auf/Abfahrt festzustellen, und Fahrzeuggeschwindigkeit, longitudinale Beschleunigung, Drosselöffnung und Bremspedalkraft/Stellung können genutzt werden, um die longitudinale Steuerung des Fahrers festzustellen.
Die gesammelten Daten bestehen jedoch aus der Zeitspur der Signale, die gewöhnlich eine ziemliche Datenmenge zur Folge hat. Ein typisches Auf/Abfahrtmanöver dauert zum Beispiel mehr als 20 Sekunden. Bei einer Abtastrate von 10 Hz würden daher mehr als 200 Abtastungen jedes Signals aufgezeichnet werden. Somit ist eine Datenreduzierung notwendig, um die Klassifizierung effizient zu halten. Die komplette Zeitspur der Signale ist ferner für die Klassifizierung nicht effektiv. Tatsächlich besteht eine entscheidende Entwurfsaufgabe bei Klassifizierungsproblemen darin, Unterscheidungsmerkmale zu extrahieren, welche individuellen Klassen am besten repräsentieren. Als Folge kann der Stilcharakterisierungs-Prozessor 52 einen Merkmalprozessor und einen Stilklassifizierer wie oben diskutiert enthalten.
Wie oben diskutiert wurde, ist der Merkmalprozessor mit drei Verarbeitungsschritten verbunden, nämlich einer Ableitung originaler Merkmale, Merkmalextraktion und Merkmalauswahl. Die originalen Merkmale werden gewöhnlich unter Verwendung verschiedener Techniken abgeleitet, wie zum Beispiel einer Zeitreihenanalyse und Häufigkeitsdomänenanalyse, welche dem Fachmann gut bekannt sind. Die vorliegende Erfindung schlägt eine nicht beschränkende Technik vor, um die originalen Merkmale basierend auf technischen Erkenntnissen abzuleiten.
Für Auffahrtmanöver enthalten die originalen Merkmale die maximale laterale Beschleunigung, die maximale Gierrate, die durchschnittliche Beschleunigung, die maximale Drosselöffnung und ein Array von Drosselindizes TI_throttle = [TI₁ ... TI_i ... TI_N] basierend auf der Verteilung der Drosselöffnung. Jeder Drosselindex TI_i ist definiert als der Prozentbetrag der Zeit, in der die Drosselöffnung α größer als eine Schwelle α_thi ist. Das heißt, falls das Auffahrtmanöver T_total Sekunden benötigt und während dieser Zeitspanne die Drosselöffnung größer als α_thi(0 < α_thi < 100%) während T_i Sekunden ist, lautet dann der Drosselindex TI_i = T_i/T_total. Beispiele der Schwellen [α_th1 ... α_thi ... α_thN] können [20% 30% 40% 50% 60%] oder ein 10%-Zwischenintervall von 10% bis 90% einschließen. Alternativ dazu kann T_total als die Zeit definiert werden, in der α > α_th gilt, wobei α_th kleiner als α_thi oder i = 1, 2, ..., N sein sollte.
Für Abfahrtmanöver enthalten die originalen Merkmale die maximale laterale Beschleunigung, die maximale Gierrate, die durchschnittliche Abbremsung, die maximale Bremspedalstellung/kraft und ein Array von Bremsindizes BI_braking = [BI₁ ... BI₁ ... BI_N] basierend auf der Verteilung der Bremspedalstellung/kraft. Ähnlich dem Drosselindex TI_i ist der Bremsin dex BI_i definiert als der Prozentbetrag der Zeit, in der die Bremspedalstellung/kraft b größer als eine Schwelle b_thi ist.
Für jedes erkannte Auf/Abfahrtmanöver wird ein Satz der originalen Merkmale abgeleitet. Dieser Satz originaler Merkmale kann als ein Originalmerkmalvektor x dargestellt werden, ein Vektor mit einer Dimension n, wobei jede Dimension ein spezifisches Merkmal repräsentiert. Dieser Originalmerkmalvektor dient als die Eingabe für die weitere Verarbeitung zur Merkmalextraktion und Merkmalauswahl. Eine Merkmalextraktion versucht, basierend auf Transformationen oder einer Kombination der originalen Merkmale (Diskriminanten) neue Merkmale zu erzeugen, während eine Merkmalauswahl die beste Teilmenge der neuen Merkmale, die durch eine Merkmalextraktion abgeleitet wurden, auswählt.
Verschiedene Merkmalextraktionsverfahren können verwendet werden, wie zum Beispiel Principle Component Analysis (PCA), Linear Discriminant Analysis (LDA), Kernel PCA, Generalized Discriminant Analysis (GDA) etc. In einer nicht beschränkenden Ausführungsform wird LDA verwendet, die eine lineare Transformation ist, wobei y = U^Tx gilt und wobei U eine n × n-Matrix ist und y ein n × 1-Vektor ist, wobei jede Reihe den Wert des neuen Merkmals repräsentiert. Die Matrix U wird während der Entwurfsphase offline bestimmt. Da die originalen Merkmale für Autobahnauffahrt- und -abfahrtmanöver verschieden sind, wäre die Merkmalextraktion ebenfalls verschieden. Das heißt, die Matrix U für die Auffahrtmanöver wäre von der Matrix U für Abfahrtmanöver verschieden.
Um die Merkmaldimension für eine verbesserte Effizienz und Effektivität einer Klassifizierung weiter zu reduzieren, können Techniken zur Merkmalauswahl wie zum Beispiel eine Exhaustive Search verwendet werden. Die Teilmenge, die die beste Leistung ergibt, wird als die endgültigen Merkmale gewählt, um für eine Klassifizierung verwendet zu werden. Zum Beispiel kann die resultierende Teilmenge aus m Merkmalen entsprechend der {i₁ i₂ ... i_m}(1 ≤ i₁ ≤ i₂ ... ≤ i_m ≤ n) Reihe des Merkmalvektors y bestehen. Schreibt man die Matrix U als u = [u₁ u₂ ... u_n], wobei jeder Vektor ein n × 1-Vektor ist, und wählt dann nur die Vektoren entsprechend der besten Teilmenge aus, ergibt dies W = [u_i1 u_i2 ... u_im], eine M×N-Matrix. Kombiniert man die Merkmalextraktion und die Merkmalauswahl, können die dem Originalmerkmalvektor x entsprechenden endgültigen Merkmale abgeleitet werden als z = W^Tx. Abermals wäre die Matrix W für Auffahrtmanöver verschieden von derjenigen für Abfahrtmanöver.
Der Stilcharakterisierungs-Prozessor 52 klassifiziert dann den Fahrstil eines Fahrers basierend auf dem Unterscheidungsmerkmalvektor z. Klassifizierungstechniken wie zum Beispiel Fuzzy-Logik, Clustering, neuronale Netzwerke (NN), Support-Vektor-Maschinen (SVM) und eine einfache schwellenwertgestützte Logik können für eine Stilklassifizierung verwendet werden. In einer Ausführungsform wird ein SVM-gestützter Klassifizierer genutzt. Eine K-Klasse-SVM besteht aus K Hyperebenen: f_k(z) = w_kz + b_k, k = 1, 2, ..., k, wobei w_k und b_k während der Entwurfsphase basierend auf den Testdaten bestimmt werden. Das Klassenetikett c für beliebige Testdaten ist die Klasse, deren Entscheidungsfunktion die größte Ausgabe ergibt als:
Die SVM-Parameter für Auffahrtmanöver sind verschieden von jenen für Abfahrtmanöver.
Die Merkmalextraktion, Merkmalauswahl und die K-Klasse-SVM werden basierend auf Testdaten von Fahrzeugen offline entworfen. Mehrere Fahrer wurden gebeten, mehrere instrumentierte Fahrzeuge unter verschiedenen Verkehrsbedingungen zu fahren, und die Sensormessungen wurden für den Klassifizierungsentwurf gesammelt. Autobahnauf-/-abfahrtmanöver wurden unter Verwendung des oben diskutierten Algorithmus zur Manöveridentifizierung erkannt. Für jedes Auf/Abfahrtmanöver kann ein Originalmerkmalvektor x aufgestellt werden. Die Merkmalvektoren, die allen Auffahrtmanövern entsprechen, werden zusammengenommen, um eine Trainingsmatrix X_on = [X_1on x_2on ... x_Lon] zu bilden, wobei L_on die Gesamtzahl von Auffahrtmanövern ist. Jede Reihe der Matrix X_on repräsentiert die Werte einer Merkmalvariablen, während jede Spalte den Merkmalvektor eines Trainingsmusters repräsentiert. Ähnlich bilden die Merkmalvektoren, die allen Abfahrtmanövern entsprechen, die Trainingsmatrix X_off = [x_1off x_2off ... x_Loff]. Die Trainingmatrix X_on wird für den Entwurf der Stilklassifizierung basierend auf Auffahrtmanövern verwendet, während die Trainingsmatrix Xoff für den Entwurf basierend auf Abfahrtmanövern dient. Da der Entwurfprozess für beide Manöver der gleiche ist, wird X = [x₁ x₂ ... x_L] verwendet, um die Trainingsmatrix zu repräsentieren.
Für den Entwurf einer LDA-basierten Merkmalextraktion besteht das Ziel darin, die lineare Datenprojektion Y = U^TX so zu trainieren, dass das Verhältnis der Varianz zwischen Klassen zur Varianz innerhalb einer Klasse maximiert wird, wobei X eine N × L-Matrix ist, das heißt X_on für das Auffahrtmanöver und X_off für das Abfahrtmanöver, und die Transformationsmatrix U ist das Ergebnis des Trainings. Handelsübliche oder frei erhältliche Algorithmen, die die Matrix U berechnen, sind verfügbar und dem Fachmann gut bekannt. Die Eingaben in jene Algorithmen beinhalten die Trainingsmatrix X und die entsprechenden Klassenetiketten. In einer Ausführungsform können die Klassenetiketten 1–5 umfassen, wobei 1 einen konservativen Fahrer angibt, 3 einen typischen Fahrer und 5 ein sportlicher Fahrer ist. Außerdem kann ein Klassenetikett 0 hinzugefügt werden, um jene schwer zu entscheidenden Muster zu repräsentieren. Die Klassenetiketten werden basierend auf Expertenmeinungen durch Überwachen der Testdaten bestimmt. Die Ausgaben der LDA-Algorithmen beinhalten die Matrix U und die neue Merkmalmatrix Y.
Die Merkmalauswahl wird an der Merkmalmatrix Y durchgeführt. In einer Ausführungsform wird eine Exhaustive Search genutzt, um die Klassifizierungsleistung jeder möglichen Kombination der extrahierten Merkmale auszuwerten. Die neuen Merkmale bestehen noch aus n Merkmalen, und es gibt Σni-1 Ci n mögliche Kombinationen der n Merkmale. Die Exhaustive Search wertet die Klassifizierungsleistung jeder möglichen Kombination aus, indem eine SVM entworfen wird, die auf der Kombination basiert, und der entsprechende Klassifizierungsfehler abgeleitet wird. Die Kombination, die den kleinsten Klassifizierungsfehler ergibt, wird als die beste Kombination betrachtet, wobei die entsprechenden Merkmale {i_i i₂ ... i_m} die Matrix [u_i1 u_i2 ... u_im] bestimmen. Zweckmäßigerweise ist die der besten Merkmalkombination entsprechende SVM der SVM-Klassifizierer. Da handelsübliche oder frei verfügbare Algorithmen für SVM-Entwürfe dem Fachmann gut bekannt sind, ist eine ausführliche Diskussion hierin nicht notwendig.
Es wird besonders erwähnt, dass, obwohl SVM als die Klassifizierungstechnik genutzt wird, die vorliegende Erfindung leicht andere Techniken wie zum Beispiel Fuzzy-Logik, Clustering oder einfache schwellengestützte Logiken verwenden kann. Ähnlich können andere Techniken zur Merkmalextraktion und Merkmalauswahl anstelle der LDA und der Exhaustive Search leicht verwendet werden.
Gemäß einer anderen Ausführungsform der vorliegenden Erfindung identifiziert der Manöveridentifizierungs-Prozessor 46 ein Anfahrmanöver eines Fahrzeug, welches das Manöver ist, bei dem ein Fahrzeug von einer Geschwindigkeit nahe Null aus startet. Zuverlässige Indikatoren von Anfahrmanövern eines Fahrzeugs umfassen eine zunehmende Fahrzeuggeschwindigkeit und eine beständig positive longitudinale Beschleunigung. Daher können Messungen der Fahrzeuggeschwindigkeit und/oder der longitudinalen Beschleunigung eines Fahrzeugs verwenden werden, um ein Anfahrmanöver eines Fahrzeugs festzustellen oder zu identifizieren. Falls eine longitudinale Beschleunigung eines Fahrzeugs nicht direkt gemessen wird, kann die Beschleunigung berechnet werden, indem Messungen der Fahrzeuggeschwindigkeit abgeleitet bzw. differenziert werden. Der Manöveridentifizierungs-Prozessor 46 wird nur aktiviert, um ein Anfahrmanöver eines Fahrzeugs festzustellen, wenn der Gang auf Fahren geschaltet wird.
26 ist ein Flussdiagramm 510, das einen Prozess zum Identifizieren eines Anfahrmanövers eines Fahrzeugs gemäß einer Ausführungsform der vorliegenden Erfindung darstellt. Um die Integrität der mit einem identifizierten Manöver verbundenen Daten beizubehalten, zeichnet das System Daten auf und aktualisiert diese in einer bestimmten Periode wie zum Beispiel T = 2 s.
Der Manöver identifizierende Algorithmus beginnt bei Kasten 512, indem das gefilterte Fahrzeuggeschwindigkeitssignal v_x und das Signal der longitudinalen Beschleunigung des Fahrzeugs a_x von einem longitudinalen Beschleunigungsmesser gelesen werden oder indem die Messungen der Fahrzeuggeschwindigkeit abgeleitet werden. Der Manöver identifizierende Algorithmus geht dann gemäß seinen Betriebszuständen weiter, die durch die Booleschen Variablen Start_flag und End_flag bezeichnet sind, wobei Start_flag auf Null initialisiert ist und End_flag auf Eins initialisiert ist. Der Algorithmus, bestimmt dann bei Block 514, ob Start_flag Null ist, um zu bestimmen, ob sich das Fahrzeug in einem Anfahrmanöver eines Fahrzeugs befindet. Falls Start_flag Null ist, befindet sich dann das Fahrzeug 10 nicht in einem Anfahrmanöver für ein Fahrzeug.
Der Algorithmus bestimmt dann, ob das Fahrzeug ein Anfahrmanöver für ein Fahrzeug begonnen hat, indem bestimmt wird, ob die Bedingungen einer Entscheidungsraute 516 erfüllt wurden, nämlich v_x(t – t1 – Δt) < v_th, v_x(t – t₁:t) ≥ v_th und mean(a_x(t – t₁:t)) ≥ a_th1. In einer nicht beschränkenden Ausführungsform ist t₁ ein Zeitfenster von etwa 1 s, ist Δt die Abtastzeit der Geschwindigkeitsmessungen und v_th und a_th1 sind vorbestimmte Schwellen wie zum Beispiel v_th = 2 m/s und a_th1 = 0,05 m/s². Falls all die Bedingungen der Entscheidungsraute 516 erfüllt wurden, hat das Fahrzeug 10 dann ein Anfahren begonnen, so dass bei Kasten 518 der Algorithmus Start_flag auf Eins und End_flag auf Null setzt. Der Algorithmus bestimmt dann bei Kasten 520 eine Startzeit t_start und geht weiter, um bei Kasten 528 weitere Daten zu sammeln. Falls die Bedingungen der Entscheidungsraute 516 nicht erfüllt sind, ist das Fahrzeug 10 nicht in einem Anfahrmanöver, und der Prozess geht zum Kasten 528 zum Sammeln von Daten.
Falls beim Block 514 das Start_flag nicht Null ist, wobei identifiziert wurde, dass das Fahrzeug 10 in einem Anfahrmanöver für ein Fahrzeug ist, bestimmt der Algorithmus, ob das Anfahrmanöver für ein Fahrzeug abgeschlossen wurde, indem bestimmt wird, ob die longitudinale Beschleunigung während der letzten Zeit t₁s innerhalb einer kleinen Schwelle wie zum Beispiel a_th2 = 0,02 m/s² liegt. Um dies zu bestimmen, bestimmt bei einer Entscheidungsraute 522 der Algorithmus, ob mean(a_x(t – t₁:t)) < a_th2. Falls diese Bedingung bei der Entscheidungsraute 522 erfüllt ist, wurde dann das Anfahrmanöver für ein Fahrzeug abgeschlossen, und der Algorithmus setzt bei Kasten 524 Start_flag gleich Null und End_flag gleich Eins und setzt bei Kasten 526 die Zeit t_end = t – t₁. Falls die Bedingung der Entscheidungsraute 522 nicht erfüllt wurde, befindet sich das Fahrzeug 10 noch in dem Anfahrmanöver für ein Fahrzeug, so dass der Algorithmus zum Block 528 weitergeht, um mehr Daten zu sammeln. Während der Manöveralgorithmus den Beginn und das Ende des Anfahrmanövers für ein Fahrzeug bestimmt, speichert der Datenauswahlprozessor 48 ein entsprechendes Datensegment basierend auf Start_flag, End_flag, t_start und t_end.
27 ist ein Flussdiagramm 530, das einen Prozess zeigt, der vom Datenauswahlprozessor 48 genutzt wird, um die Daten entsprechend einem bestimmten Anfahrmanöver für ein Fahrzeug zu speichern. Das Flussdiagramm 530 ist dem Flussdiagramm 130, das oben diskutiert wurde, ähnlich, wobei gleiche Schritte durch die gleiche Bezugsziffer identifiziert sind. In dieser Ausführungsform wird das Anfahrmanöver für ein Fahrzeug bestimmt, falls das End_flag beim Block 142 Eins ist, weil das Anfahrmanöver für ein Fahrzeug abgeschlossen wurde, und die Variable old_Start_flag beim Kasten 144 auf Null gesetzt ist, der Algorithmus bei einer Entscheidungsraute 532, ob das Anfahrmanöver ein geradeaus gerichtetes Anfahrmanöver oder ein Anfahrmanöver war, das mit einer verhältnismäßig scharfen Kurve verbunden war. In einer Ausführungsform bestimmt der Algorithmus, ob das Anfahrmanöver auch ein Links- oder Rechtsabbiegen ist, basierend auf dem Gierratensignal ω und dessen Integration
Falls max(ω(t_start:t_end)) < ω_th oder φ < φ_th gilt, wobei φ_th eine vorbestimmte Schwelle wie zum Beispiel 60° ist, wird das Manöver als ein ge radeaus gerichtetes Anfahrmanöver betrachtet, und der Manöveridentifiziererwert M_id wird bei Kasten 534 auf Eins gesetzt. Falls diese Bedingungen bei der Entscheidungsraute 532 nicht erfüllt wurden, fährt das Fahrzeug 10 während des Anfahrmanövers um eine verhältnismäßig scharfe Kurve, wobei der Manöveridentifiziererwert M_id bei Kasten 536 auf Zwei gesetzt wird. Der Algorithmus gibt dann die aufgezeichneten Daten bei Kasten 538 aus, die den Manöveridentifiziererwert M_id, M_seq = M_seq+1 und data_ready = 1 enthalten. Der Algorithmus endet bei Kasten 540.
Je sportlicher der Fahrer ist, desto größer ist im Allgemeinen die Drosseleingabe und desto schneller beschleunigt das Fahrzeug während des Anfahrens eines Fahrzeugs. Daher sollten Fahrzeuggeschwindigkeit, longitudinale Beschleunigung und Prozentbetrag der Drossel einen Fahrstil eines Fahrers aufzeigen können. Eine Gaspedalkraft oder -stellung kann ebenfalls einbezogen werden, falls diese zur Verfügung steht. Die gesammelten Daten sind jedoch wegen der folgenden beiden Gründe nicht dafür geeignet, für die Klassifizierung direkt genutzt zu werden. Zuerst bestehen die gesammelten Daten aus der Zeitspur der Signale, welche gewöhnlich eine ziemliche Datenmenge zur Folge hat. Ein typisches Anfahrmanöver dauert zum Beispiel im Allgemeinen mehr als 5 Sekunden. Bei einer Abtastrate von 10 Hz würden daher mehr als 50 Abtastungen jedes Signals für ein typisches Anfahrmanöver für ein Fahrzeug aufgezeichnet werden. Eine Datenreduzierung ist notwendig, um die Klassifizierung effizient zu halten. Zweitens ist die komplette Zeitspur jener Signale für die Klassifizierung gewöhnlich nicht effektiv. Tatsächlich besteht eine entscheidende Entwurfsaufgabe bei Klassifizierungsproblemen darin, diskriminierende bzw. Unterscheidungsmerkmale abzuleiten, die individuelle Klassen am besten repräsentieren. Folglich enthält der Stilklassifizierungs-Prozessor 52 einen Merkmalprozessor und einen Stilklassifizierer wie oben diskutiert wurde.
Die folgenden originalen Unterscheidungsmerkmale werden basierend auf technischen Einsichten gewählt und umfassen eine Endgeschwindigkeit eines Fahrzeugs am Ende des Anfahrens des Fahrzeugs, die durchschnittliche Beschleunigung und ein Array von Drosselindizes I_throttle = [I_i ... I₂ ... I_N] basierend auf der Verteilung der Drosselöffnung α. Jeder Drosselindex I_i ist definiert als der Prozentbetrag der Zeit, in der die Drosselöffnung α größer als eine Schwelle α_thi ist. Das heißt, falls das Anfahrmanöver T_total Sekunden benötigt und während der Zeitspanne die Drosselöffnung α größer als α_thi (0 < α_thi < 100%) für T_i Sekunden ist, ist dann der Drosselindex I_i = T_i/T_total. Beispiele der Schwellen [α_th1 ... α_thi ... α_thN] können sein [20% 30% 40% 50% 60%] oder mit einem 10%-Zwischenintervall von 10% bis 90% reichen. Alternativ dazu kann eine Zeit T_total definiert werden als die Zeit, in der α > α_th gilt, und T_i ist definiert mit α_thi > α_th.
Diese originalen Merkmale werden in die Prozessoren zur Merkmalextraktion und anschließenden Merkmalauswahl eingegeben. In einer Ausführungsform sind der Einfachheit halber die Prozesse zur Merkmalextraktion und Merkmalauswahl entfernt. Der Stilklassifizierungs-Prozessor 52 klassifiziert dann einen Fahrstil eines Fahrers direkt basierend auf jenen originalen Diskriminanten. Klassifizierungstechniken wie zum Beispiel Fuzzy-Logik, Clustering, neuronale Netzwerke, eine selbstorganisierende Abbildung und schwellenwertgestützte Logik können für die Stilklassifizierung verwendet werden.
In 28 ist ein auf ein neuronales Netzwerk gestützter Klassifizierer 550 dargestellt, der für diesen Zweck geeignet ist. Der Klassifizierer 550 mit neuronalem Netzwerk enthält eine Eingabeschicht 552 mit sieben Eingabeneuronen 554 entsprechend den sieben Diskriminanten, nämlich Endgeschwindigkeit eines Fahrzeugs, durchschnittliche Beschleunigung und ein 5-dimensionales Drosselindex-Array. Der Klassifizierer 550 mit neuronalem Netzwerk enthält auch eine verborgene Schicht 556, die Neuronen 558 enthält, und eine Ausgabeschicht 562, die drei Neuronen 564 enthält, eine für einen konservativen Fahrer, eine für einen typischen Fahrer und eine für einen sportlichen Fahrer, wobei Zweige 560. die Neuronen 554 und 558 verbinden. Alternativ dazu kann die Ausgabeschicht 562 des Klassifizierers 550 mit neuronalem Netzwerk fünf Neuronen aufweisen, die je einem der fünf Niveaus entsprechen, die von konservativ bis sportlich reichen. Der Entwurf und das Training eines Klassifizierers 550 mit neuronalem Netzwerk basiert auf Fahrzeugtestdaten mit mehreren Fahrern, die unter verschiedenen Verkehrs- und Straßenbedingungen fahren.
Die oben diskutierte Ausführungsform liefert Anfahrmanöver für sowohl ein geradeaus gerichtetes Anfahren als auch Anfahren und Abbiegen, ohne zwischen diesen beiden zu unterscheiden. Alternativ dazu können Klassifizierer speziell für diese zwei Manövertypen entworfen werden, und Diskriminanten, die aus der Gierrate und lateralen Beschleunigung eines Fahrzeugs abgeleitet werden, können für die Klassifizierung basierend auf Anfahr- und Abbiegemanövern enthalten sein.
Gemäß einer anderen Ausführungsform der Erfindung kann die Entscheidungsverschmelzung im Entscheidungsverschmelzungs-Prozessor 56 in drei Niveaus geteilt werden, nämlich eine Niveau-1-Kombination, eine Niveau-2-Kombination und eine Niveau-3-Kombination. Die Niveau-1-Kombination kombiniert die Klassifizierungsergebnisse von verschiedenen Klassifizierern, die verschiedene Manöver basierend auf einem einzigen Manöver klassifizieren, und ist nicht notwendig für Manöver, die nur einen entsprechenden Klassifizierer aufweisen. Die Niveau-2-Kombination kombiniert die Klassifizierungsergebnisse basierend auf mehreren Manö vern, die vom gleichen Typ sind. Zum Beispiel kombiniert man die Klassifizierungsergebnisse des jüngsten Kurvenfahrmanövers mit jenen vorheriger Kurvenfahrmanöver. Die Niveau-3-Kombination kombiniert die Klassifizierungsergebnisse auf verschiedenen Typen von Manövern, insbesondere kombiniert sie die Ergebnisse von den einzelnen Niveau-2-Kombinierern. Die Niveau-2-Kombination und die Niveau-3-Kombination können in einen einzigen Schritt integriert werden oder können separate Schritte sein. Die Niveau-1-Kombination liegt im Stilcharakterisierungs-Prozessor 52, und die Niveau-2-Kombination und die Niveau-3-Kombination sind im Entscheidungsverschmelzungs-Prozessor 56 vorgesehen.
29 ist ein Blockdiagramm eines Stilcharakterisierungs-Prozessors 430, der als der Stilcharakterisierungs-Prozessor 52 verwendet werden kann, und schließt die Niveau-1-Kombination ein. Die Informationen vom Manöveridentifizierungs-Prozessor 46, dem Datenauswahlprozessor 48 und dem Prozessor 50 zur Erkennung von Verkehrs/Straßenbedingungen werden an mehrere Kanäle 432 im Prozessor 430 geliefert, wo jeder Kanal 432 eine unabhängige Klassifizierung für das gleiche spezifische Manöver darstellt. In jedem Kanal 432 werden originale Merkmale des Manövers in einem Prozessor 434 für originale Merkmale identifiziert, werden Merkmale in einem Merkmalextraktions-Prozessor 436 extrahiert, werden die Merkmale in einem Merkmalauswahlprozessor 458 ausgewählt, und die ausgewählten Merkmale werden in einem Klassifizierer 440 klassifiziert. Ein Prozessor 442 für eine Niveau-1-Kombination kombiniert alle Stile für verschiedene Manöver und gibt eine einzige Stilklassifizierung aus. Man nehme zum Beispiel an, dass zwei Klassifizierungskanäle für die Kurvenfahrmanöver ausgelegt sind. Ist einmal ein neues Kurvenfahrmanöver identifiziert und sind die mit diesem spezifischen Manöver verbundenen Daten gesammelt, werden die Daten zur gleichen Zeit in beide Kanäle eingegeben, und jeder Kanal gibt ein Ergebnis einer Stilklassifizierung aus.
Die Niveau-1-Kombination kombiniert dann diese beiden Ergebnisse und gibt eine einzige Stilklassifizierung aus.
Die Niveau-1-Kombination ist ein standardmäßiges Klassifizierer-Kombinationsproblem, das gelöst werden kann durch verschiedene Klassifiziererkombinationstechniken wie zum Beispiel Votieren, Summe, Mittel, Median, Produkt, Max/Min, Fuzzy-Integral, Dempster-Shafter, Mischung lokaler Experten (MLE), neuronale Netzwerke usw. Ein Kriterium zum Auswählen von Kombinationstechniken basiert auf dem Ausgabetyp der Klassifizierer 440. Typischerweise gibt es drei Typen von Klassifiziererausgaben, nämlich Vertrauen, Rang und Abstrakt. Bei dem Vertrauen-Niveau gibt der Klassifizierer einen numerischen Wert für jede Klasse aus, der seinen Glauben an eine Wahrscheinlichkeit anzeigt, dass das gegebene Eingabemuster zu dieser Klasse gehört. Bei dem Rang-Niveau weist der Klassifizierer jeder Klasse einen Rang zu, wobei der höchste Rang die erste Wahl ist. Bei dem Abstrakt-Niveau gibt der Klassifizierer nur das Klassenetikett als ein Ergebnis aus. Kombinationstechniken wie zum Beispiel Fuzzy-Integral, MLEs und neuronale Netzwerke erfordern Ausgaben bei der Vertrauens-Ebene, während Votieren und assoziatives Schalten nur Ausgaben der Abstrakt-Ebene erfordert. In einer Ausführungsform basiert die Niveau-1-Kombination der Erfindung auf Mehrheitsvotums- und Dempster-Shafter-Techniken.
Ein Mehrheitsvotum ist eines der populärsten Entscheidungsverschmelzungsverfahren. Es nimmt an, dass alle Voten, das heißt Klassifizierungsergebnisse von verschiedenen Klassifizierern, gleichermaßen genau sind. Der auf ein Mehrheitsvotum gestützte Kombinierer berechnet und vergleicht die Anzahl von Voten für jede Klasse, und die Klasse, die die größte. Anzahl Voten aufweist, wird die kombinierte Entscheidung. Zum Beispiel nehme man an, dass die Klassen des Fahrstils als i = 1, 2, ..., k etikettiert sind, wobei eine größere Zahl einen aggressiveren Fahrstil repräsentiert. Außerdem ist eine Klasse ”0” hinzugefügt, um die schwer zu entscheidenden Muster zu repräsentieren. Die Anzahl Voten V_i für jede Klasse i = 0, 1, ..., k ist:
wobei c_j die Ausgabe vom Klassifizierer j ist und N die Gesamtzahl vom Klassifizierer ist.
Die kombinierte Entscheidung ist c = argmaxi=0,1...k Vi. Außerdem kann der Kombinierer auch ein Vertrauens-Niveau basierend auf normierten Voten erzeugen,
und liefert einen Vertrauensvektor [conf(0) conf(1) ... conf(K)]^T.
Alternativ dazu kann ein gewichtetes Votum genutzt werden, um Ausgaben des Abstrakt-Niveaus zu kombinieren als: Vi = ΣNf=1 αi,jνi,j (39)wobei die Gewichtungen α_ij die korrekte Rate eines Klassifizierers j beim klassifizieren von Mustern, die zur Klasse i gehören, repräsentieren. Diese Gewichte können basierend auf einer Testleistung (Generalisierungsleistung) der entsprechenden Klassifizierer vorher bestimmt werden. Eine Ableitung der korrekten Rate aus der Testleistung ist dem Fachmann gut bekannt.
Falls die Klassifizierer Ausgaben bei dem Vertrauens-Niveau ausgeben, kann das Verfahren nach Dempster-Shafter verwendet werden, um den Kombinierer auszulegen. Die Einzelheiten der Theorie von Dempster-Shafter und der Algorithmen sind dem Fachmann gut bekannt. Sind die Klassenetiketten als i = 0, 1, ..., k gegeben, gibt jeder Klassifizierer einen K × 1-Vektor [b_j(O) b_j(1) ... b_j(K)]^T aus, wobei b_j(i) das Vertrauen (das heißt der Glaube) ist, den ein Klassifizierer j daran hat, dass das Eingabemuster zur Klasse i gehört. Die Vertrauenswerte sollten 0 ≤ b_j(i) ≤ i und ΣKi=0 bj(i) = 1 erfüllen.
Eine Anwendung der Theorie von Dempster-Shafter auf den Niveau-1-Kombinierer ergibt die folgende Kombinationsregel:
Als Folge gibt der Kombinierer auch einen Kx1-Vektor [conf(0) conf(1) ... conf(K)]^T, wobei conf(i) das Vertrauen darauf ist, dass das Muster zur Klasse i gehört. Ähnlich erfüllen conf(i) 0 ≤ conf(i) ≤ 1 und ΣKi=0 conf(i) = 1. Die Ausgabe des Kombinierers wird als die Klassifizierungsergebnisse basierend auf einem einzigen Manöver behandelt, die mit Ergebnissen, die auf früheren Manövern des gleichen Typs basieren, in der Niveau-2-Kombination kombiniert werden soll.
Die im Trip-Logger 54 gespeicherten Ergebnisse können verwendet werden, um die Genauigkeit und Robustheit der Charakterisierung zu verbessern. Um diese Aufgabe zu erfüllen, ist der Entscheidungsverschmelzungs-Prozessor 56 eingebaut. Wann immer ein neues Klassifizierungsergebnis zur Verfügung steht, integriert der Entscheidungsverschmelzungs- Prozessor 56 das neue Ergebnis mit früheren Ergebnissen im Trip-Logger 54 durch die Niveau-2- und Niveau-3-Kombination.
Im Unterschied zur Niveau-1-Kombination, bei der das Muster, das heißt irgendein ein einzelnes Manöver, das durch verschiedene Klassifizierer klassifiziert werden soll, das gleiche Muster ist, befassen sich die Niveau-2- und die Niveau-3-Kombinationen mit der Aufgabe, Klassifizierungsergebnisse entsprechend verschiedenen Mustern, das heißt mehrere Muster der gleichen oder verschiedenen Typen, zu kombinieren. Genauer gesagt ist die Niveau-1-Kombination ein Standardproblem der Klassifiziererkombination, während es die Niveau-2- und Niveau-3-Kombinationen nicht sind. Falls jedoch ein Fahrstil eines Fahrers als ein Muster betrachtet wird, kann die auf verschiedene Manövern gestützte Klassifizierung als die Klassifizierung des gleichen Musters mit verschiedenen Klassifizierern unter Verwendung verschiedener Merkmale betrachtet werden. Folglich können die Techniken zur Klassifiziererkombination noch angewendet werden. Auf der anderen Seite können die verschiedenen Manöver als verschiedene Beobachtungen zu verschiedenen Zeitpunkten betrachtet werden, und das Kombinationsproblem kann mit Datenverschmelzungstechniken behandelt werden. Um zu demonstrieren, wie dies funktioniert, zeigt die vorliegende Erfindung ein Beispiel für jeden der beiden Ansätze; nämlich eine auf einen Gewichtungsdurchschnitt gestützte Entscheidungsverschmelzung, die den Manövertyp und Zeitdifferenzen ignoriert, und auf Bayes-gestützte Niveau-2-Niveau-3-Kombinationen, die jene Differenzen berücksichtigen.
30 ist ein Blockdiagramm eines Entscheidungsverschmelzungs-Prozessors 450, der der Entscheidungsverschmelzungs-Prozessor 56 sein kann, der das Stilprofil vom Trip-Logger 54 empfängt. Das Stilklassifizierungsergebnis für das jüngste Manöver mit M_id = i ist im Stil-Trip-Logger 54 gespeichert. Basierend auf dem Manöveridentifiziererwert M_id gibt der Trip-Logger 54 für Stilprofile all die Ergebnisse der als M_id = 1 identifizierten Manöver für die Niveau-2-Kombination und das vorherige verschmolzene Stilergebnis von Manövern anderer Typen, wobei M_id ≠ i ist, aus. Ein Schalter 452 wählt in Abhängigkeit von dem Typ des bestimmten Manövers einen bestimmten Prozessor 545 für eine Niveau-2-Kombination aus. Ein Ausgabeprozessor 456 wählt die Niveau-2-Kombination von dem bestimmten Kanal aus und gibt sie an einen Prozessor 458 für eine Niveau-3-Kombination aus.
Da die Niveau-2-Kombination die Klassifizierungsergebnisse basierend auf Manövern des gleichen Typs kombiniert, sollte jeder Typ eines Manövers, das für eine Stilcharakterisierung verwendet wird, seinen entsprechenden Niveau-2-Kombinierer haben. Aus dem Gesichtspunkt einer Datenverschmelzung kann eine Niveau-2-Kombination als eine einzelne Sensorspurverfolgung (engl. tracking), auch bekannt als Filtern, betrachtet werden, die mit einem Kombinieren sukzessiver Messungen oder Verschmelzen von Daten von einem einzigen Sensor im Laufe der Zeit im Gegensatz zu einem Sensorsatz verbunden ist. Das Problem einer Niveau-2-Kombination besteht darin, den Fahrstil x m / n basierend auf den Klassifizierungsergebnissen einer Reihe von Manövern zu finden, die vom gleichen Typ sind: Ymn = {ym1 ym2 ... ymn }, wobei m den Manövertyp repräsentiert und das Klassenetikett ist, das vom Klassifizierer (oder dem Niveau-1-Kombinierer, falls mehrere Klassifizierer verwendet werden), basierend auf dem i-ten Manöver des Manövertyps beobachtet wurde.
Basierend auf dem Theorem von Bayes gilt:
wobei P die Wahrscheinlichkei des Ereignisses repräsentiert.
Ferner nehme man an, dass:

1. Die Klassifizierungsergebnisse voneinander unabhängig sind, das heißt P(ymn |xmn ,Ymn-1 ) = P(ymn |xmn ) gilt, und
2. der Fahrstil x m / n einer Markov-Entwicklung gehorcht, das heißt

Demgemäß kann P(xmn |Ymn ) vereinfacht werden als:
In Gleichung (41) repräsentiert P(ymn |xmn ) die Wahrscheinlichkeit, dass eine Klasse y m / n beobachtet wird, wenn die Hypothese gilt, dass das Manöver tatsächlich ein Manöver der Klasse x m / n ist. Da P(xmn = i) (mit i = 0, 1, ... K) gewöhnlich unbekannt ist, wird gewöhnlich eine gleiche Wahrscheinlichkeit angenommen: P(xmn = i) = 1/(K + 1). Folglich gelten P(ymn |xmn )αP(xmn , ymn ) = P(ymn = xmn ), wobei conf (xmn ) das Vertrauens-Niveau ist, das vom Klassifizierer (oder dem Niveau-1-Kombinierer) geliefert wird.
P(xmn |xmn-1 ) in Gleichung (41) repräsentiert die Wahrscheinlichkeit, dass ein Manöver der Klasse x m / n einem Manöver der Klasse x m / n-1 folgt.
In einer idealen Fahrumgebung wäre ein Fahrstil eines Fahrers ziemlich konsistent als:
Derartige Faktoren wie zum Beispiel Verkehr/Straßenbedingungen, Ermüdung und Unaufmerksamkeit können jedoch bewirken, dass ein Fahrer von seinem/ihrem ”normalen” Fahrstil abweicht. Solche Faktoren können in P(xmn |xmn-1 ) einbezogen werden als: P(xmn |xmn-1 ) = f(xmn |xmn-1 , Trafficindex(n), Roadindex(n), driverstate(n)) (44)
Falls die Verkehrs/Straßenbedingungen in der Klassifizierung schon berücksichtigt wurden, kann P(xmn |xmn-1 ) vereinfacht werden als:
wobei 0 ≤ ε ≤ 0,5 und 0 ≤ β ≤ K (d. h. β = 1).
P(xmn |Ymn-1 ) in Gleichung (42) sind die vorherigen Kombinationsergebnisse. Die Anfangsbedingung P(xm0 |Ym0 ) kann auf 1/(K + 1), das heißt für jede der Klassen ({10, 1, 2, ..., K}) gleich gesetzt werden. P(xmn |Ymn-1 ) im Nenner dient zur Normierung, so dass
Zusammengefasst wird die auf Bayes gestützte Niveau-2-Kombination wie folgt ausgeführt:

1. Initialisierung:
für xm0 = 0, 1, 2, ..., K;
2. Bei Klassifizierung des n-ten Manövers des Manövertyps m berechnen: P(xmn |Ymn-1 ) für xmn = 0, 1, 2, ..., K basierend auf Gleichung (42);
3. Berechnen des Zählers in Gleichung (42) (P(ymn |xmn )P(xmn |Ymn-1 )) für xmn = 0, 1, 2, ..., K;
4. Berechnen von:
und
5. Berechnen der Posterior-Wahrscheinlichkeit
für xmn = 0, 1, 2, ..., K.

Die Ausgabe des Niveau-2-Kombinierers ist ein Vektor [P(0|Ymn ) P(1|Ymn ) P(2|Ymn ) ... P(K|Ymn )]. Die dem größten P(xmn |Ymn ) entsprechende Klasse wird als der aktuelle Fahrstil betrachtet: cmn argmaxP(xmn |Ymn ) xmn = 0, 1, ... K (46)
Ähnlich kann das Theorem von Bayes angewendet werden, um den Niveau-3-Kombinierer zu entwickeln. Bei Einsetzen eines neuen Manövers gibt der Niveau-2-Kombinierer [P(0|Ymn )P(1|Ymn )P(2|Ymn ) ... P(K|Ymn )] aus. Der Niveau-3-Kombinierer berechnet dann P(xn|Y n), wobei Y n = {Y1n ... Y2n ... Yjn ... YMn } mit Ymn = {ymn Ymn-1 }, Yjn = {Yjn-1 } für j ≠ m gelten, und M die Anzahl von Manövertypen ist, die für die Klassifizierung genutzt werden.
Entsprechend lautet die Regel zur Berechnung von P(xn|Y n):
wobei P(xn-1|Y n-1) die vorherigen Ergebnisse des Niveau-2-Kombinierers sind.
Für j ≠ m, Yjn = Yjn-1 gilt:
wobei P(xjn-1 |Yjn-1 ) auf den vorherigen Ergebnissen für jeden einzelnen Niveau-2-Kombinierer basiert und P(xjn |xjn-1 ) auf Gleichung (44) basiert.
Zusammengefasst kann die Niveau-3-Kombination wie folgt ausgeführt werden:

1. Aktualisieren P(xjn |Yjn ) basierend auf Gleichung (48) für j ≠ m, das heißt für alle anderen Manövertypen als der Typ, der dem letzten Manöver entspricht, wird P(xmn |Ymn ) von dem Niveau-2-Kombinierer entsprechend Manövertyp m geliefert.
2. Berechnen
basierend auf den vorherigen Ergebnissen von individuellen Niveau-2-Kombinierern P(xjn-1 |Yjn-1 ) und dem vorherigen Ergebnis vom Niveau-3-Kombinierer P(xn-1|Yn-1);
3. Berechnen des Normierungsskalars:
4. Berechnen der Posterior-Wahrscheinlichkeit: P(xn|Y n) = B(xn|Y n) × normalization_scaler (50)

Die Ausgabe des Niveau-3-Kombinierers ist ebenfalls ein Vektor [P(0|Y n) P(1|Y n) P(2|Y n) ... P(K|Y n)]. Die dem größten P(xn|Y n) entsprechende Klasse wird als der aktuelle Fahrstil betrachtet: cn = arg max P(xn|Y n) xn = 0, 1, ..., K (51)
Das Theorem von Bayes kann ebenfalls verwendet werden, um eine integrierte Niveau-2- und Niveau-3-Kombinationen zu entwerfen, indem man Schritte ähnlich den oben beschriebenen verfolgt. Daher sind die Einzel heiten des Entwurfs und der Implementierung in dieser Erfindung nicht enthalten.
Es ist besonders zu erwähnen, dass, obwohl die in einer Ausführungsform der Erfindung offenbarte Kombination auf dem Theorem von Bayes basiert, anstelle des Theorems von Bayes auch andere Techniken zur Klassifiziererkombination und Datenverschmelzung einschließlich Votieren, Summe, Mittel, Median, Produkt, Max/Min, Fuzzy-Integrale, Dempster-Shafter, Mischung lokaler Experten (MLEs) und neuronale Netzwerke verwendet werden können.
Die vorhergehende Diskussion offenbart und beschreibt nur beispielhafte Ausführungsformen der vorliegenden Erfindung. Der Fachmann erkennt ohne weiteres aus einer solchen Diskussion und aus den beiliegenden Zeichnungen und Ansprüchen, dass verschiedene Änderungen, Modifikationen und Variationen darin vorgenommen werden können, ohne vom Geist und Umfang der Erfindung, wie sie in den folgenden Ansprüchen definiert wird, abzuweichen.

Claims

System zum Klassifizieren eines Fahrstils eines Fahrers eines Fahrzeugs, wobei das System umfasst: mehrere Fahrzeugsensoren, die Sensormesssignale liefern; einen Manöveridentifizierungs-Prozessor, der auf die Sensorsignale von den mehreren Sensoren anspricht, wobei der Manöveridentifizierungs-Prozessor charakteristische Manöver des Fahrzeugs identifiziert und Manöveridentifizierersignale liefert, die den Typ der charakteristischen Manöver identifizieren; einen Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen, der auf die Sensorsignale anspricht, wobei der Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen Verkehrs- und Straßenbedingungssignale liefert, die Verkehrsbedingungen und Straßenbedingungen identifizieren; einen Datenauswahlprozessor, der auf die Sensorsignale, die Manöveridentifizierersignale und die Verkehrs- und Straßenbedingungssignale anspricht, wobei der Datenauswahlprozessor Daten für die Manöver und die Verkehrs- und Straßenbedingungen speichert; und einen Stilcharakterisierungs-Prozessor, der auf die Manöveridentifizierersignale, die gespeicherten Daten vom Datenauswahlprozessor und die Verkehrs- und Straßenbedingungssignale von dem Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen anspricht, wobei der Stilcharaktersierungs-Prozessor einen Fahrstil basierend auf den Signalen klassifiziert und Fahrstilklassifizierungssignale liefert, die den Typ eines das Fahrzeug fahrenden Fahrers identifizieren.
System nach Anspruch 1, ferner mit: einem Trip-Logger für Stilprofile, der auf die Manöveridentifizierersignale und die Fahrstilsignale anspricht, wobei der Trip-Logger die Stilklassifizierungssignale speichert.
System nach Anspruch 2, ferner mit: einem Entscheidungsverschmelzungs-Prozessor, der auf die Stilklassifizierungssignale von dem Stilcharakterisierungs-Prozessor und die gespeicherten Fahrstilklassifizierungssignale von dem Trip-Logger anspricht, wobei der Entscheidungsverschmelzungs-Prozessor die jüngsten Stilklassifizierungssignale mit früheren Stilklassifizierungssignalen, die im Trip-Logger gespeichert sind, integriert und integrierte Fahrstilklassifizierungssignale liefert.
System nach Anspruch 3, wobei der Entscheidungsverschmelzungs-Prozessor eine Entscheidungsverschmelzungstechnik verwendet, die aus der Gruppe ausgewählt wird, die aus einer Bayes-Verschmelzung und Dempster-Shafer-Verschmelzung besteht.
System nach Anspruch 3, wobei der Entscheidungsverschmelzungs-Prozessor eine Niveau-1-Kombination verwendet, die Stilklassifizierungssignale von verschiedenen Klassifizierern basierend auf einem einzigen Manöver kombiniert.
System nach Anspruch 3, wobei der Entscheidungsverschmelzungs-Prozessor eine Niveau-2-Kombination verwendet, die Stilklassifizierungssignale basierend auf mehreren Manövern, die vom gleichen Typ sind, kombiniert.
System nach Anspruch 3, wobei der Entscheidungsverschmelzungs-Prozessor eine Niveau-3-Kombination verwendet, die Stilklassifizierungssignale basierend auf verschiedenen Typen von Manövern kombiniert.
System nach Anspruch 1, ferner mit: einem Fahrzeugpositions-Prozessor, der auf die Sensorsignale und Standortsignale anspricht, wobei der Fahrzeugpositionssensor Fahrzeugpositionssignale an den Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen ausgibt, um eine Fahrzeugposition in die Verkehrs- und Straßenbedingungssignale einzubeziehen.
System nach Anspruch 8, wobei der Fahrzeugpositions-Prozessor eine Information über eine Fahrzeugposition von einem globalen Positionsbestimmungssystem oder einer elektronischen digitalen Karte empfängt.
System nach Anspruch 1, ferner mit: einem rundum erfassenden Prozessor, der Rundum-Verschmelzungssignale an den Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen liefert, um die Verkehrs- und Straßenbedingungssignale zu verbessern.
System nach Anspruch 1, ferner mit: einem System zur Datenübertragung zwischen Fahrzeug und Infrastruktur, das Datenübertragungssignale an den Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen liefert, um die Verkehrs- und Straßenbedingungssignale zu verbessern.
System nach Anspruch 1, ferner mit: einem Signalprozessor, der auf die Sensorsignale anspricht und die Sensorsignale so verarbeitet, dass sie in einem Format vorliegen, das für den Manöveridentifizierungs-Prozessor, den Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen und den Datenauswahlprozessor geeignet ist.
System nach Anspruch 1, ferner mit: einem Fahreridentifizierungs-Prozessor, der einen bestimmten Fahrer des Fahrzeugs identifiziert, und einem Prozessor für eine Stilprofil-Datenbank, der ein Stilprofil eines bestimmten Fahrers basierend auf einem Fahreridentifizierungssignal und den Stilklassifizierungssignalen aktualisiert.
System nach Anspruch 13, ferner mit: einem Trendanalyse-Prozessor, der Stilprofilwerte von dem Prozessor für eine Stilprofil-Datenbank und die Stilklassifizierungssignale empfängt und bestimmt, ob es eine Änderung im Fahrstil gibt.
System nach Anspruch 1, wobei die charakteristischen Manöver Fahrzeugfolgemanöver, Fahrspurwechselmanöver, Kehrtwendemanöver, Links/Rechts-Abbiegemanöver, Autobahnauf-/-abfahrtmanöver, Überholmanöver, Anfahrmanöver für Fahrzeuge und Kurvenfahrmanöver einschließen.
System nach Anspruch 1, wobei die Verkehrsbedingungssignale basierend auf der Anzahl Fahrspuren in der Fahrbahn, der Anzahl überwachter Fahrzeugspurverfolgungen, der Entfernung vom Fahrzeug zu einem vorausfahrenden Fahrzeug und der Geschwindigkeit des Fahrzeugs bestimmt werden.
System nach Anspruch 16, wobei die Verkehrsbedingungssignale auch bestimmt werden basierend auf der Entfernung von dem Fahrzeug zu einem nachfolgenden Fahrzeug.
System nach Anspruch 1, wobei die Verkehrsbedingungssignale basierend auf der durchschnittlichen Distanz zwischen dem Fahrzeug und anderen Fahrzeugen, die in der gleichen Richtung fahren, bestimmt werden.
System nach Anspruch 1, wobei die Fahrbahnbedingungssignale Fahrbahnbedingungen für einen Fahrbahntyp, eine Fahrbahnoberfläche und Umgebungsbedingungen einschließen.
System nach Anspruch 19, wobei der Fahrbahntyp für jede einer städtischen Schnellstraße, einer Überlandschnellstraße, einer städtischen Ortsstraße, einer Landstraße und anderer Fahrbahntypen identifiziert wird.
System nach Anspruch 19, wobei die Fahrbahnoberfläche als Oberflächen mit verschiedenen Graden von Reibungskoeffizienten und verschiedenen Unebenheitsgraden identifiziert wird.
System nach Anspruch 19, wobei die Umgebungsbedingungen die Feststellung des Lichtpegels, von Regen oder Schnee und Nebel einschließen.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor Klassifizierungsprozesse nutzt, die aus der Gruppe ausgewählt wurden, die Fuzzy-Logik, Clustering, neuronale Netzwerke, selbst organisierende Abbildungen und schwellenwertgestützte Logik umfassen.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor einen Eingabeschalter enthält, der auf die Manöveridentifizierersignale, die gespeicherten Daten vom Datenauswahlprozessor, die Verkehrsbedingungssignale und die Straßenbedingungssignale anspricht, wobei der Stilcharakterisierungs-Prozessor ferner einen separaten Klassifizierungsprozessor für jeden verschiedenen Typ eines charakteristischen Manövers enthält, wobei der Eingabeschalter die gespeicherten Daten, die Verkehrsbedingungssignale und die Straßenbedingungssignale basierend auf dem Manöveridentifizierersignal zu dem richtigen Stilklassifizierungs-Prozessor leitet, wobei jeder Stilklassifizierungs-Prozessor die Stilklassifizierungssignale für den spezifischen Manövertyp liefert.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor Unterscheidungsmerkmale nutzt, um den Fahrstil zu klassifizieren.
System nach Anspruch 25, wobei die Unterscheidungsmerkmale aus der Gruppe abgeleitet oder erhalten werden, welche eine Fahrzeuggierrate, eine laterale Beschleunigung eines Fahrzeugs, Fahrzeuggeschwindigkeit, Bremspedalstellung, Bremspedalkraft, Drosselprozentbetrag, Distanz zu einem vorausfahrenden Fahrzeug und Distanz zu einem folgenden Fahrzeug und Signale umfasst, die verarbeitet und von diesen abgeleitet wurden.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor einen Prozess einer Merkmalextraktion und Merkmalauswahl verwendet, um den Fahrstil zu klassifizieren.
System nach Anspruch 27, wobei der Stilcharakterisierungs-Prozessor einen Prozessor für originale Merkmale, einen Merkmalextraktions-Prozessor, einen Merkmalauswahlprozessor und einen Klassifizierer-Prozessor für jeden verschiedenen Typ eines charakteristischen Manövers enthält, wobei der Prozessor für originale Merkmale auf die gespeicherten Daten anspricht und originale Merkmale der gespeicherten Daten an den Merkmalextraktions-Prozessor liefert, wobei der Merkmalextraktions-Prozessor ferner auf die Verkehrsbedingungssignale und die Straßenbedingungssignale anspricht, wobei der Merkmalextraktions-Prozessor Unterscheidungsmerkmale aus den originalen Merkmalen extrahiert und die extrahierten Merkmale an dem Merkmalauswahlprozessor liefert, der Merkmalauswahlprozessor bestimmte der extrahierten Unterscheidungsmerkmale auswählt und die ausgewählten Merkmale an den Klassifizierer-Prozessor liefert, wobei der Klassifizierer-Prozessor die Stilklassifizierungssignale liefert.
System nach Anspruch 27, wobei der Stilcharakterisierungs-Prozessor einen Prozessor für originale Merkmal, einen Merkmalextraktions-Prozessor, einen Merkmalauswahlprozessor und einen Klassifizierer-Prozessor für jedes separate charakteristische Manöver enthält, wobei der Prozessor für originale Merkmale auf die gespeicherten Daten anspricht und originale Merkmale der Speicherungsdaten an den Merkmalextraktions-Prozessor liefert, der Merkmalextraktions-Prozessor Unterscheidungsmerkmale aus den originalen Merkmalen extrahiert und die extrahierten Merkmale an den Merkmalauswahlprozessor liefert, der Klassifizierer-Prozessor auf die Verkehrsbedingungssignale und die Straßenbedingungssignale anspricht, wobei der Klassifizierer-Prozessor die Stilklassifizierungssignale liefert.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor einen Eingabeschalter enthält, der auf die Verkehrsbedingungssignale, die Straßenindexbedingungssignale und die gespeicherten Daten vom Datenauswahlprozessor anspricht, wobei das Verkehrsindexsignal entweder leichten Verkehr oder moderaten Verkehr identifiziert, und das Straßenindexsignal entweder gute Straßenbedingungen oder moderate Straßenbedingungen identifiziert, wobei der Charakterisierungsprozessor vier Kanäle enthält, einen für leichten Verkehr und gute Straßenbedingungen, einen für moderaten Verkehr und gute Straßenbedingungen, einen für leichten Verkehr und moderate Straßenbedingungen und einen für moderaten Verkehr und moderate Straßenbedingungen, wobei der Eingabeschalter die aufgezeichneten Daten basierend auf den Verkehrs- und Straßenbedingungen an den geeigneten Kanal sendet.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor einen Auswahl/Schalteinbau nutzt, um Verkehrs/Straßenbedingungen in die Klassifizierung des Fahrstils einzubeziehen.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor eine entkoppelte Skalierung nutzt, um Verkehrs/Straßenbedingungen in der Klassifizierung des Fahrstils einzubauen.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor eine Abstandsregelung eines Fahrers zwischen dem Fahrzeug und einem vorausfahrenden Fahrzeug nutzt, um den Fahrstil zu klassifizieren.
System nach Anspruch 1, wobei der Stilcharakterisierungs-Prozessor einen Prozessor zur Manöverqualifizierung und -identifizierung enthält, um Daten von dem Fahrzeug zu qualifizieren und zu identifizieren, einen Prozessor für Manöverindizes und -parameter, um einen Manöverindex zu erzeugen und irrelevante Fahrzeugparameter zu identifizieren, einen Wegrekonstruktions-Prozessor, der einen Fahrzeugweg für jedes Manöver reproduziert, einen Manövermodell-Prozessor zum Modellieren des Manövers und einen Prozessor zur Fahrstildiagnose, der basierend auf dem Manövermodell und den Eingabedaten des Fahrers die Fahrstilsignale liefert.
System nach Anspruch 34, wobei der Prozessor zur Fahrstildiagnose für Manövermodellsignale und Befehlseingabesignale des Fahrers in die Häufigkeitsdomäne umwandelt, wobei der Prozessor zur Fahrerstildiagnose eine Differenz zwischen der Häufigkeitsdomäne der Manövermodellsignale und den Befehlssignalen des Fahrers liefert, um eine Häufigkeitsinhalt-Diskrepanzanalyse zu liefern.
System nach Anspruch 1, wobei das System Teil eines Steuerungssystems für eine aktive Frontlenkung mit variabler Übersetzung am Fahrzeug ist.
System nach Anspruch 1, wobei die mehreren Sensoren einen Steuerradwinkelsensor, einen Gierratensensor, einen Fahrzeuggeschwindigkeitssensor, Radgeschwindigkeitssensoren, einen longitudinalen Beschleunigungsmesser, einen lateralen Beschleunigungsmesser, einen Sensor für die Distanz zum Vordermann, eine nach vorne gerichtete Radar/Lidar/Kameraeinrichtung, einen Drosselöffnungssensor und Sensoren für die Bremspedalstellung/kraft einschließen.
System zum Klassifizieren eines Fahrstils eines Fahrers eines Fahrzeugs, wobei das System umfasst: mehrere Fahrzeugsensoren, die Sensormesssignale liefern; einen Manöveridentifizierungs-Prozessor, der auf die Sensorsignale von den mehreren Fahrzeugsensoren anspricht, wobei der Manöveridentifizierungs-Prozessor charakteristische Manöver des Fahrzeugs identifiziert und Manöveridentifizierersignale liefert, die die charakteristischen Manöver identifizieren; und einen Stilcharakterisierungs-Prozessor, der auf die Manöveridentifizierersignale anspricht, wobei der Stilcharakterisierungs-Prozessor einen Fahrstil basierend auf den Manöveridentifizierersignalen unter Verwendung von Unterscheidungsmerkmalen klassifiziert.
System nach Anspruch 38, ferner mit: einem Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen, der auf die Sensorsignale anspricht, wobei der Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen Verkehrs- und Straßenbedingungssignale liefert, die Verkehrsbedingungen und Straßenbedingungen identifizieren, wobei der Stilcharakterisierungs-Prozessor die Verkehrs- und Straßenbedingungssignale empfängt, die zum Klassifizieren des Fahrstils verwendet werden sollen.
System nach Anspruch 38, wobei der Stilcharakterisierungs-Prozessor einen Prozess einer Merkmalextraktion und Merkmalauswahl verwendet, um den Fahrstil zu klassifizieren.
System nach Anspruch 38, wobei die mehreren Sensoren einen Steuerradwinkelsensor, einen Gierratensensor, einen Fahrzeuggeschwindigkeitssensor, Radgeschwindigkeitssensoren, einen longitudinalen Beschleunigungsmesser, einen lateralen Beschleunigungsmesser, einen Sensor für die Distanz zum Vordermann, eine nach vorne gerichtete Radar/Lidar/Kameraeinrichtung, einen Drosselöffnungssensor und Sensoren für die Bremspedalstellung/kraft einschließen.
System nach Anspruch 38, wobei das System Teil eines Steuerungssystems für eine aktive Frontlenkung mit variablem Übersetzungsverhältnis am Fahrzeug ist.
System nach Anspruch 38, wobei der Stilcharakterisierungs-Prozessor einen Auswahl/Schalteinbau nutzt, um Verkehrs/Straßenbedingungen in der Klassifizierung des Fahrstils einzubeziehen.
System nach Anspruch 38, wobei der Stilcharakterisierungs-Prozessor eine entkoppelte Skalierung nutzt, um Verkehrs/Straßenbedingungen in der Klassifizierung des Fahrstils einzubauen.
System nach Anspruch 38, wobei der Stilcharakterisierungs-Prozessor eine Abstandsregelung eines Fahrers zwischen dem Fahrzeug und einem vorausfahrenden Fahrzeug nutzt, um den Fahrstil zu klassifizieren.
System nach Anspruch 38, wobei der Stilcharakterisierungs-Prozessor Klassifizierungsprozesse nutzt, die aus der Gruppe ausgewählt werden, welche Fuzzy-Logik, Clustering, neuronale Netzwerke, selbst organisierende Abbildungen und schwellenwertgestützte Logik umfasst.
System zum Klassifizieren eines Fahrstils eines Fahrers eines Fahrzeugs, wobei das System umfasst: mehrere Fahrzeugsensoren, die Sensormessignale liefern; einen Signalprozessor, der auf die Sensorsignale anspricht und die Sensorsignale verarbeitet, so dass sie in einem für die Klassifizierung geeigneten Format vorliegen; einen Manöveridentifizierungs-Prozessor, der auf die Sensorsignale vom Signalprozessor anspricht, wobei der Manöveridentifizierungs-Prozessor charakteristische Manöver des Fahrzeugs identifiziert und Manöveridentifizierersignale liefert, die die charakteristischen Manöver identifizieren; einen Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen, der auf die Sensorsignale vom Signalprozessor anspricht, wobei der Prozessor zur Erkennung von Verkehrs- und Straßenbe dingungen Verkehrs- und Straßenbedingungssignale liefert, die Verkehrsbedingungen und Straßenbedingungen identifizieren; einen Fahrzeugpositions-Prozessor, der auf die Sensorsignale vom Signalprozessor und Standortsignale anspricht, wobei der Fahrzeugpositions-Prozessor Fahrzeugpositionssignale an den Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen abgibt, um eine Fahrzeugposition in den Verkehrs- und Straßenbedingungssignalen einzubauen; einen Datenauswahlprozessor, der auf die Sensorsignale vom Signalprozessor, die Manöveridentifizierersignale und die Verkehrs- und Straßenbedingungssignale anspricht, wobei der Datenauswahlprozessor Daten für die Manöver und die Verkehrs- und Straßenbedingungen speichert; einen Stilcharakterisierungs-Prozessor, der auf die Manöveridentifizierersignale, die gespeicherten Daten vom Datenauswahlprozessor und die Verkehrs- und Straßenbedingungssignale von dem Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen anspricht, wobei der Stilcharakterisierungs-Prozessor einen Fahrstil basierend auf den Signalen klassifiziert und Fahrstilklassifizierungssignale liefert, die den Typ eines das Fahrzeug fahrenden Fahrers identifizieren; einen Trip-Logger für Stilprofile, der auf die Manöveridentifizierersignale und Fahrerstilsignale anspricht, wobei der Trip-Logger die Stilklassifizierungssignale speichert; und einen Entscheidungsverschmelzungs-Prozessor, der auf die Stilklassifizierungssignale von dem Stilcharakterisierungs-Prozessor und die gespeicherten Fahrstilklassifizierungssignale von dem Trip-Logger anspricht, wobei der Entscheidungsverschmelzungs-Prozessor die jüngsten Stilklassifizierungssignale mit früheren Stilklas sifizierungssignalen, die im Trip-Logger gespeichert sind, integriert und integrierte Fahrstilklassifizierungssignale liefert.
System nach Anspruch 47, ferner mit: einem rundum erfassenden Prozessor, der Rundum-Verschmelzungssignale an den Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen liefert, um die Verkehrs- und Straßenbedingungssignale zu verbessern.
System nach Anspruch 47, ferner mit: einem System zur Datenübertragung zwischen einem Fahrzeug und Infrastruktur/Fahrzeugen, das Datenübertragungssignale an den Prozessor zur Erkennung von Verkehrs- und Straßenbedingungen liefert, um die Verkehrs- und Straßenbedingungssignale zu verbessern.
System nach Anspruch 47, ferner mit: einem Fahreridentifizierungs-Prozessor, der einen bestimmten Fahrer des Fahrzeugs identifiziert, und einem Prozessor für eine Stilprofil-Datenbank, der ein Stilprofil eines bestimmten Fahrers basierend auf einem Fahreridentifizierungssignal und den Stilklassifizierungssignalen aktualisiert.
System nach Anspruch 50, ferner mit: einem Trendanalyse-Prozessor, der Stilprofilwerte von dem Prozessor für eine Stilprofil-Datenbank und die Stilklassifizierungssignale empfängt und bestimmt, ob eine Änderung im Fahrstil vorliegt.
System nach Anspruch 47, wobei die charakteristischen Manöver Fahrzeugfolgemanöver, Fahrspurwechselmanöver, Kehrtwendemanöver, Links/Rechts-Abbiegemanöver, Autobahnauf-/-abfahrtmanöver, Überholmanöver, Anfahrmanöver für Fahrzeuge und Kurvenfahrmanöver einschließen.
System nach Anspruch 47, wobei der Stilcharakterisierungs-Prozessor einen Auswahl/Schalteinbau nutzt, um Verkehrs/Straßenbedingungen in die Klassifizierung des Fahrstils einzubeziehen.
System nach Anspruch 47, wobei der Stilcharakterisierungs-Prozessor eine entkoppelte Skalierung nutzt, um Verkehrs/Straßenbedingungen in der Klassifizierung des Fahrstils einzubauen.
System nach Anspruch 47, wobei das System Teil eines Steuerungssystems für eine aktive Frontlenkung mit variablem Übersetzungsverhältnis am Fahrzeug ist.
System nach Anspruch 47, wobei die mehreren Sensoren einen Steuerradwinkelsensor, einen Gierratensensor, einen Fahrzeuggeschwindigkeitssensor, Radgeschwindigkeitssensoren, einen longitudinalen Beschleunigungsmesser, einen lateralen Beschleunigungsmesser, einen Sensor für die Distanz zum Vordermann, eine nach vorne gerichtete Radar/Lidar/Kameraeinrichtung, einen Drosselöffnungssensor und Sensoren für die Bremspedalstellung/kraft einschließen.
System nach Anspruch 47, wobei der Stilcharakterisierungs-Prozessor einen Klassifizierungsprozess nutzt, der aus der Gruppe ausgewählt wird, welche Fuzzy-Logik, Clustering, neuronale Netzwerke, selbstorganisierende Abbildungen und schwellenwertgestützte Logik umfasst.
System nach Anspruch 47, wobei der Stilcharakterisierungs-Prozessor Unterscheidungsmerkmale nutzt, um den Fahrstil zu klassifizieren.
System nach Anspruch 58, wobei die Unterscheidungsmerkmale abgeleitet oder erhalten werden aus der Gruppe, welche eine Fahrzeuggierrate, eine laterale Beschleunigung des Fahrzeugs, Fahrzeuggeschwindigkeit, Bremspedalstellung, Bremspedalkraft, Prozentbetrag einer Drossel, Distanz zu einem vorausfahrenden Fahrzeug und Distanz zu einem folgenden Fahrzeug und die verarbeiteten und aus selbigen abgeleiteten Signale umfasst.