DE102011101359A1

DE102011101359A1 - Verfahren und Vorrichtung zur Klassifikation von Daten

Info

Publication number: DE102011101359A1
Application number: DE102011101359A
Authority: DE
Inventors: Hagen STUEBING; Jonas FIRL
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2011-05-12
Filing date: 2011-05-12
Publication date: 2012-11-15
Also published as: GB2490773A; GB201207566D0; GB2490773B; US20120290198A1; US8897997B2

Abstract

Ein Gegenstand der Anmeldung betrifft ein Verfahren zur Klassifikation von Daten, wobei das Verfahren folgende Schritte aufweist. Es erfolgt ein Empfangen einer ersten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, wobei die erste Nachricht erste Mobilitätsdaten zumindest eines Fahrzeugs (2) beinhaltet. Zudem erfolgt ein Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend zumindest auf den ersten Mobilitätsdaten. Weiterhin erfolgt ein Empfangen einer zweiten Nachricht, wobei die zweite Nachricht zweite Mobilitätsdaten des zumindest einen Fahrzeugs (2) beinhaltet. Darüber hinaus erfolgt ein Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend zumindest auf den zweiten Mobilitätsdaten. Ferner erfolgt ein Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht. Falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, erfolgt ein Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs (2) und ein Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers.

Description

Die Anmeldung betrifft ein Verfahren und eine Vorrichtung zur Klassifikation von Daten, ein Computerprogrammprodukt und ein computerlesbares Medium.
Aus der DE 10 2010 002 092 A1 ist eine Datenverarbeitung von Fahrzeug-zu-X-Botschaften bekannt. Es findet eine Datenvorverarbeitung statt, bevor die vorverarbeiteten Daten an die entsprechenden Anwendungen im Fahrzeug übergeben werden. Bei der Vorverarbeitung kann eine Datenreduktion durchgeführt werden. Auch ist es möglich, eine Plausibilisierung und gegebenenfalls eine Korrektur der Daten durchzuführen, bevor diese beispielsweise an eine Sicherheitsanwendung weitergegeben werden. Insbesondere können die empfangenen Daten in verschiedene Datenklassen eingeteilt werden, die unterschiedlich behandelt werden.
Aufgabe der Anmeldung ist es, ein Verfahren und eine Vorrichtung zur Klassifikation von Daten, ein Computerprogrammprodukt und ein computerlesbares Medium anzugeben, welche eine weiter verbesserte Datenverifikation ermöglichen.
Diese Aufgabe wird mit dem Gegenstand der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen ergeben sich aus den abhängigen Ansprüchen.
Ein Verfahren zur Klassifikation von Daten weist gemäß einem Aspekt der Anmeldung folgende Schritte auf. Es erfolgt ein Empfangen einer ersten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht. Die erste Nachricht beinhaltet dabei erste Mobilitätsdaten zumindest eines Fahrzeugs. Weiterhin erfolgt ein Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den ersten Mobilitätsdaten. Zudem erfolgt ein Empfangen einer zweiten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht. Die zweite Nachricht beinhaltet dabei zweite Mobilitätsdaten des zumindest einen Fahrzeugs. Darüber hinaus erfolgt ein Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den zweiten Mobilitätsdaten. Ferner erfolgt ein Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht. Falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, erfolgt ein Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs und ein Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers.
Das Verfahren gemäß der Anmeldung ermöglicht in vorteilhafter Weise eine weiter verbesserte Datenverifikation. Dies erfolgt durch das Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs und das Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten basierend auf der ermittelten Art des Fahrmanövers für den Fall, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht. Die Anmeldung geht dabei von der Überlegung aus, dass insbesondere bei hochdynamischen Fahrmanövern des Fahrzeugs ein alleiniges Ermitteln des voraussichtlichen Fahrverlaufs des Fahrzeugs, das heißt eine Fahrverlaufs-Prädiktion, basierend auf den empfangenen Mobilitätsdaten nicht hinreichend präzise ist. Dies kann in Einzelfällen zu einer Falschbewertung der erhaltenen Nachricht führen. Das Verfahren gemäß der Anmeldung ermöglicht hingegen, auch hochdynamische Fahrsituationen zu erkennen und richtig zu bewerten.
Die ersten und/oder die zweiten Mobilitätsdaten beinhalten beispielsweise eine momentane Position, eine momentane Geschwindigkeit und/oder eine momentane Richtung des zumindest einen Fahrzeugs.
Das Ermitteln der Art des momentanen Fahrmanövers des zumindest einen Fahrzeugs erfolgt bevorzugt basierend zumindest auf den ersten Mobilitätsdaten und den zweiten Mobilitätsdaten. Dadurch werden in vorteilhafter Weise die vorliegenden Daten zur Ermittlung des Fahrmanövers herangezogen, wodurch die Zahl an benötigten Komponenten für das Verfahren möglichst gering gehalten werden kann.
In einer bevorzugten Ausführungsform erfolgt das Ermitteln der Art des momentanen Fahrmanövers des zumindest einen Fahrzeugs dabei basierend auf einem Hidden Markov Modell. Diese Art von stochastischem Modell ist besonders für eine entsprechende Fahrmanövererkennung geeignet.
In einer weiteren Ausführungsform erfolgt das Ermitteln des voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend auf einem Kalman-Filter-Verfahren. Ein derartiges Verfahren ist besonders für den Einsatz in Echtzeitsystemen geeignet, insbesondere zur Fahrverlaufs-Prädiktion bei sich bewegenden Objekten.
Das Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten beinhaltet bevorzugt folgende Schritte. Es erfolgt ein Anpassen des vorbestimmten Schwellenwertes basierend auf der ermittelten Art des momentanen Fahrmanövers. Weiterhin erfolgt ein Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht.
Falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, werden die ersten Mobilitätsdaten und die zweiten Mobilitätsdaten in einer weiteren Ausgestaltung des Verfahrens als fehlerhaft klassifiziert. Falls hingegen ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf nicht mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, werden die ersten Mobilitätsdaten und die zweiten Mobilitätsdaten als fehlerfrei klassifiziert.
Weiterhin kann, falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf nicht mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, ein Anpassen eines Kalman Gain-Wertes erfolgen.
Die letztgenannten Ausführungsformen ermöglichen in vorteilhafter Weise eine verbesserte Klassifikation bzw. Verifikation der empfangenen Mobilitätsdaten. Zudem wird eine weiter verbesserte Prädiktion durch das Anpassen des Kalman Gain-Wertes ermöglicht.
Das Ermitteln des tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs und/oder das Ermitteln der Art des momentanen Fahrmanövers des zumindest einen Fahrzeugs kann zudem basierend auf von zumindest einem Sensor ermittelter Daten erfolgen, wobei der zumindest eine Sensor ausgewählt ist aus der Gruppe, bestehend aus einem elektromagnetischen Sensor, insbesondere einem Laufzeit basierten Sensor, beispielsweise einem Radarsensor oder einem Lidarsensor, einem akustischen Sensor, insbesondere einem Ultraschallsensor, und einer optischen Kamera. Dadurch kann eine Datenfusion bzw. eine gegenseitige Plausibilisierung der entsprechenden Daten erfolgen, wodurch eine weiter verbesserte Ermittlung der genannten Parameter ermöglicht wird.
Die erste Nachricht und/oder die zweite Nachricht ist bevorzugt Bestandteil von periodisch gesendeten Nachrichten. Derartige periodisch gesendete Nachrichten, die auch als CAMs (Cooperative Awareness Messages) bezeichnet werden, beinhalten typischerweise bereits Mobilitätsdaten des entsprechenden Fahrzeugs, beispielsweise Position, Geschwindigkeit und Richtung des Fahrzeugs, wodurch diese Art von Nachrichten besonders zur Fahrverlaufs-Prädiktion geeignet sind. Die genannten Nachrichten werden beispielsweise in einem Intervall von einer Sekunde (1 s) gesendet, wobei das Intervall bei einer starken Änderung der Geschwindigkeit des entsprechenden Fahrzeugs auf bis zu 100 Millisekunden (100 ms) verringert werden kann.
In einer weiteren Ausführungsform des Verfahrens erfolgt zumindest nach dem Empfangen der ersten Nachricht eine Plausibilitätsprüfung der ersten Mobilitätsdaten. Das Ermitteln des voraussichtlichen Fahrverlaufs, das Ermitteln des tatsächlichen Fahrverlaufs und das Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, erfolgt in dieser Ausführungsform, falls die ersten Mobilitätsdaten als plausibel ermittelt werden. Dies führt in vorteilhafter Weise zu einer Datenreduktion bzw. einem geringeren Rechenaufwand, indem Mobilitätsdaten, die nicht als plausibel ermittelt werden, nicht für die genannten Schritte herangezogen werden. Beispielsweise kann ermittelt werden, ob eine in den Mobilitätsdaten enthaltene Geschwindigkeit des Fahrzeugs einen vorbestimmten Maximalwert überschreitet. Weiterhin kann ermittelt werden, ob eine übermittelte Position des Fahrzeugs außerhalb der Kommunikationsreichweite der Empfangsvorrichtung liegt, die die Nachrichten empfängt.
Zudem kann eine Plausibilitätsprüfung weiterer, zumindest in der ersten Nachricht enthaltener Daten erfolgen. Beispielsweise kann ermittelt werden, ob ein in der Nachricht enthaltener Zeitstempel nicht mit der momentanen Zeit übereinstimmt, da er beispielsweise bereits zu weit in der Vergangenheit zurückliegt oder auf einen zukünftigen Zeitpunkt verweist. Weiterhin kann bei einem Empfang mehrerer Nachrichten die Häufigkeit der gesendeten Nachrichten für eine Plausibilitätsprüfung herangezogen werden.
In einer weiteren Ausgestaltung des Verfahrens, in der zumindest die erste Nachricht zudem eine Kennung der die Nachricht sendenden Sendevorrichtung beinhaltet, erfolgt das Ermitteln des voraussichtlichen Fahrverlaufs, das Ermitteln des tatsächlichen Fahrverlaufs und das Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, falls bereits mindestens eine weitere Nachricht von der Sendevorrichtung empfangen worden ist. In dieser Ausgestaltung wird somit basierend auf einer Senderkennung ermittelt, ob es sich um eine bekannte bzw. als vertrauenswürdig eingestufte Sendevorrichtung handelt.
Die klassifizierten ersten Mobilitätsdaten und/oder die klassifizierten zweiten Mobilitätsdaten werden bevorzugt an zumindest ein Fahrerassistenzsystem und/oder an zumindest eine Infrastruktureinrichtung übermittelt. Beispielsweise werden die genannten Mobilitätsdaten an ein Kollisionswarnsystem bzw. einen Notbremsassistenten und/oder an einen Kreuzungsassistenten übermittelt. Weiterhin können die klassifizierten Mobilitätsdaten an eine mit einer Ampelanlage in Wirkverbindung stehende, straßenseitige Infrastruktureinrichtung, die auch als RSU (Road Side Unit) bezeichnet wird, übermittelt werden. Dadurch stehen den genannten Empfängern Mobilitätsdaten zur Verfügung, die mittels des Verfahrens gemäß der Anmeldung in weiter verbessertem Maße klassifiziert bzw. verifiziert worden sind.
Die Anmeldung betrifft zudem eine Vorrichtung zur Klassifikation von Daten. Die Vorrichtung weist eine Empfangsvorrichtung auf, die ausgebildet ist zum Empfangen einer Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht. Die Nachricht beinhaltet dabei Mobilitätsdaten zumindest eines Fahrzeugs. Weiterhin weist die Vorrichtung eine erste Ermittlungsvorrichtung auf, ausgebildet zum Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den Mobilitätsdaten. Darüber hinaus weist die Vorrichtung eine zweite Ermittlungsvorrichtung auf, die zum Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den Mobilitätsdaten ausgebildet ist. Ferner weist die Vorrichtung eine dritte Ermittlungsvorrichtung auf, ausgebildet zum Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht. Weiterhin weist die Vorrichtung eine vierte Ermittlungsvorrichtung auf, die zum Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs ausgebildet ist, falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht. Des Weiteren weist die Vorrichtung eine Klassifikationsvorrichtung auf, die zum Klassifizieren zumindest der Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers ausgebildet ist.
Die Vorrichtung gemäß der Anmeldung weist die bereits im Zusammenhang mit dem Verfahren zur Klassifikation von Daten gemäß der Anmeldung genannten Vorteile auf, welche an dieser Stelle zur Vermeidung von Wiederholungen nicht nochmals aufgeführt werden.
Ferner betrifft die Anmeldung ein Computerprogrammprodukt, das, wenn es auf einer Recheneinheit einer Vorrichtung zur Klassifikation von Daten ausgeführt wird, die Recheneinheit anleitet, folgende Schritte auszuführen. Die Recheneinheit wird zum Empfangen einer ersten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, angeleitet.
Die erste Nachricht beinhaltet dabei erste Mobilitätsdaten zumindest eines Fahrzeugs. Zudem wird die Recheneinheit angeleitet zum Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den ersten Mobilitätsdaten. Weiterhin wird die Recheneinheit angeleitet zum Empfangen einer zweiten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht. Die zweite Nachricht beinhaltet dabei zweite Mobilitätsdaten des zumindest einen Fahrzeugs. Ferner wird die Recheneinheit angeleitet zum Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den zweiten Mobilitätsdaten. Weiterhin wird die Recheneinheit zum Ermitteln angeleitet, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht. Falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, wird die Recheneinheit zum Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs und zum Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers angeleitet.
Die Anmeldung betrifft des Weiteren ein computerlesbares Medium, auf dem ein Computerprogrammprodukt gemäß der genannten Ausführungsform gespeichert ist.
Das Computerprogrammprodukt und das computerlesbare Medium gemäß der Anmeldung weisen die bereits im Zusammenhang mit dem Verfahren gemäß der Anmeldung genannten Vorteile auf, welche an dieser Stelle zur Vermeidung von Wiederholungen nicht nochmals aufgeführt werden.
Das zumindest eine Fahrzeug ist in den oben genannten Ausführungsformen beispielsweise ein Kraftfahrzeug, insbesondere ein Personenkraftwagen oder ein Lastkraftwagen.
Ausführungsformen der Anmeldung werden nun anhand der beigefügten Figuren näher erläutert.
1 zeigt Flussdiagramm eines Verfahrens zur Klassifikation von Daten gemäß einer ersten Ausführungsform der Anmeldung;
2 zeigt ein Flussdiagramm eines Verfahrens zur Klassifikation von Daten gemäß einer zweiten Ausführungsform der Anmeldung;
3 zeigt ein Flussdiagramm eines Verfahrens zur Klassifikation von Daten gemäß einer dritten Ausführungsform der Anmeldung;
4 zeigt ein Verfahren zur Fahrverlaufs-Prädiktion;
5 zeigt eine Vorrichtung zur Klassifikation von Daten gemäß einer Ausführungsform der Anmeldung;
6A bis 6E zeigen Beispiele von Verkehrssituationen, in denen das Verfahren gemäß der Anmeldung eingesetzt werden kann.
1 zeigt Flussdiagramm eines Verfahrens zur Klassifikation von Daten gemäß einer ersten Ausführungsform der Anmeldung.
In einem Schritt 60 erfolgt ein Empfangen einer ersten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht. Die genannten Nachrichten werden auch als Car-to-Car (C2C) oder Car-to-Infrastructure (C2I) Nachrichten bzw. zusammenfassend als C2X Nachrichten bezeichnet. Die erste Nachricht enthält dabei erste Mobilitätsdaten zumindest eines Fahrzeugs, beispielsweise Position, Geschwindigkeit und Richtung des Fahrzeugs. Das Fahrzeug ist beispielsweise ein Personenkraftwagen.
In einem Schritt 70 erfolgt ein Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den ersten Mobilitätsdaten. Das Ermitteln des voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs erfolgt bevorzugt basierend auf einem Kalman-Filter-Verfahren. Beispielsweise kann das Ermitteln des voraussichtlichen Fahrverlaufs ein Ermitteln von voraussichtlichen Mobilitätsdaten des zumindest einen Fahrzeugs beinhalten.
In einem Schritt 80 erfolgt ein Empfangen einer zweiten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht. Die zweite Nachricht beinhaltet dabei zweite Mobilitätsdaten des zumindest einen Fahrzeugs, das heißt Mobilitätsdaten des zumindest einen Fahrzeugs, die zu einem späteren Zeitpunkt als die ersten Mobilitätsdaten ermittelt bzw. bereitgestellt wurden.
In einem Schritt 90 erfolgt ein Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den zweiten Mobilitätsdaten.
In einem Schritt 100 wird ermittelt, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem ermittelten tatsächlichen Fahrverlauf abweicht. Beispielsweise kann, falls das Ermitteln des voraussichtlichen Fahrverlaufs ein Ermitteln von voraussichtlichen Mobilitätsdaten des zumindest einen Fahrzeugs beinhaltet, ermittelt werden, ob diese ermittelten voraussichtlichen Mobilitätsdaten mindestens um einen vorbestimmten Schwellenwert von den empfangenen zweiten Mobilitätsdaten abweichen.
Weicht der ermittelte voraussichtliche Fahrverlauf nicht mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf ab, werden in einem Schritt 110 zumindest die ersten Mobilitätsdaten und die zweiten Mobilitätsdaten als fehlerfrei klassifiziert.
Weicht hingegen der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf ab, erfolgt in einem Schritt 120 ein Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs. Das Ermitteln der Art des momentanen Fahrmanövers erfolgt dabei bevorzugt basierend zumindest auf den ersten Mobilitätsdaten und den zweiten Mobilitätsdaten. Insbesondere kann das Ermitteln der Art des momentanen Fahrmanövers basierend auf einem Hidden Markov Modell erfolgen. Weiterhin kann das Ermitteln der Art des momentanen Fahrmanövers basierend auf von zumindest einem Sensor ermittelten Daten erfolgen, wobei der zumindest eine Sensor ausgewählt ist aus der Gruppe, bestehend aus einem elektromagnetischen Sensor, einem akustischen Sensor und einer optischen Kamera.
Zudem erfolgt in einem Schritt 130 ein Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers.
2 zeigt ein Flussdiagramm eines Verfahrens zur Klassifikation von Daten gemäß einer zweiten Ausführungsform der Anmeldung.
In dieser Ausführungsform erfolgt ebenfalls ein Empfangen einer ersten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, ein Ermitteln eines voraussichtlichen Fahrverlaufs, ein Empfangen einer zweiten Nachricht und ein Ermitteln eines tatsächlichen Fahrverlaufs entsprechend der Schritte 60, 70, 80 und 90 der in 1 gezeigten ersten Ausführungsform. Die genannten Schritte sind in 2 nicht nochmals dargestellt.
In einem Schritt 100 wird wiederum ermittelt, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem ermittelten tatsächlichen Fahrverlauf abweicht.
Weicht der ermittelte voraussichtliche Fahrverlauf nicht mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf ab, werden in einem Schritt 110 zumindest die ersten Mobilitätsdaten und die zweiten Mobilitätsdaten als fehlerfrei klassifiziert, das heißt die genannten Mobilitätsdaten werden bestätigt.
Weicht der ermittelte voraussichtliche Fahrverlauf hingegen mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf ab, erfolgt in einem Schritt 120 ein Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs entsprechend dem Schritt 120 der in 1 gezeigten ersten Ausführungsform.
Weiterhin erfolgt in der gezeigten Ausführungsform in einem Schritt 130a ein Anpassen des vorbestimmten Schwellenwertes basierend auf der ermittelten Art des momentanen Fahrmanövers.
In einem Schritt 130b wird ermittelt, ob der ermittelte voraussichtliche Fahrverlauf mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht.
Weicht der ermittelte voraussichtliche Fahrverlauf mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf ab, das heißt, ist die Abweichung zwischen voraussichtlichem und tatsächlichen Fahrverlauf mindestens so groß wie der angepasste Schwellenwert, werden die ersten Mobilitätsdaten und die zweiten Mobilitätsdaten in einem Schritt 130c als fehlerhaft klassifiziert.
Falls hingegen ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf nicht mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, erfolgt in einem Schritt 130d ein Anpassen eines Kalman Gain-Wertes.
Zudem erfolgt in einem Schritt 130e eine Klassifikation der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten als fehlerfrei, entsprechend dem Schritt 110.
3 zeigt ein Flussdiagramm eines Verfahrens zur Klassifikation von Daten gemäß einer dritten Ausführungsform der Anmeldung.
In einem Schritt 140 wird dabei wiederum eine Nachricht empfangen, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht. Die Nachricht beinhaltet Mobilitätsdaten zumindest eines Fahrzeugs sowie eine Sender- bzw. Fahrzeugkennung, die auch als ID bezeichnet wird.
In einem Schritt 150 erfolgt eine Plausibilitätsprüfung der empfangenen Nachricht, insbesondere der empfangenen Mobilitätsdaten. Dazu werden in der gezeigten Ausführungsform mehrere Schwellwert-Tests durchgeführt. Eine derartige Schwellenwert-Verifikation ermöglicht es zu verhindern, dass inkonsistente Daten eine bereits ablaufende Mobilitäts-Prädiktion beeinträchtigen. In der gezeigten Ausführungsform werden dabei Mobilitätsdaten ausgefiltert, die spezielle physikalische Grenz- bzw. Schwellenwerte überschreiten. So können beispielsweise Fahrzeuge aufgrund von physikalischen Gegebenheiten selbst auf Autobahnen lediglich mit einer maximalen Geschwindigkeit fahren. Weiterhin kann eine Nachricht, die eine Senderposition aufweist, die außerhalb der Kommunikationsreichweite der Empfangsvorrichtung, beispielsweise eines empfangenden Fahrzeugs, liegt, als nicht vertrauenswürdig angesehen werden. Um die erhaltenen Mobilitätsdaten zudem in den Kontext der Bewegung des eigenen Fahrzeugs, das auch als Host Vehicle bezeichnet wird, zu bringen, werden eigene Positionsdaten, beispielsweise GPS-Positionsinformationen, Geschwindigkeit und Richtung des Eigenfahrzeugs regelmäßig aktualisiert.
Weiterhin wird in der gezeigten Ausführungsform eine Überprüfung eines in der empfangenen Nachricht enthaltenen Zeitstempels durchgeführt, um Nachrichten herauszufiltern, deren Zeitstempel entweder bereits abgelaufen oder auf einen zukünftigen Zeitpunkt datiert ist. Ein weiterer Schwellwert-Test überwacht die Wiederholungs-Frequenz der empfangenen Nachrichten, beispielsweise die Wiederholungsrate von CAM-Nachrichten. Um so genannte Denial-of-Service-Angriffe zu verhindern, werden insbesondere CAM-Nachrichten, die mit einer Wiederholungsfrequenz gesendet werden, die einen vorbestimmten Schwellenwert überschreitet, beispielsweise einen durch das ETSI (European Telecommunications Standards Institute) festgelegten Schwellenwert, verworfen.
Die genannten Tests stellen sehr grundlegende Überprüfungen dar, weshalb in der gezeigten Ausführungsform die Anforderung besteht, dass jeder der Tests erfolgreich absolviert wird, um die Verifikation bzw. Klassifikation der Daten weiterzuführen. Falls einer der genannten Tests nicht erfolgreich bestanden wird, wird die gesamte Nachricht als fehlerhaft klassifiziert. Dazu wird in einem Schritt 160 ermittelt, ob die Tests bestanden worden sind und, falls dies nicht der Fall ist, in einem Schritt 170 die Nachricht entsprechend als fehlerhaft gekennzeichnet.
Werden die Tests hingegen bestanden, wird in einem Schritt 180 ermittelt, ob die Sender- bzw. Fahrzeug-ID bereits bekannt ist, das heißt, ob bereits mindestens eine weitere Nachricht von der gleichen Sendevorrichtung empfangen worden ist.
Ist die entsprechende ID nicht bekannt, wird in einem Schritt 190 eine Reichweiten-Überprüfung durchgeführt. Die gezeigte Ausführungsform geht dabei von der Überlegung aus, dass bei einem neuen Sender bzw. einem neuen Fahrzeug dieses im Allgemeinen zuerst im Bereich der Grenze der momentanen Kommunikationsreichweite erscheint. Daher wird in der gezeigten Ausführungsform eine Toleranz-Bandbreite festgelegt. Diese ist gegeben durch einen Bereich, der sich zwischen einer maximalen Kommunikationsreichweite r_max und einer vorbestimmten Bandbreite d_B erstreckt. Entsprechend werden nur Nachrichten als bestätigt gekennzeichnet, die auf ein Fahrzeug schließen lassen, das innerhalb des Bereiches r_max – d_B bis r_max erscheint.
Jedoch können startende Fahrzeuge auch plötzlich in der Nähe des Eigenfahrzeugs erscheinen. Um derartige Fahrzeuge von dem Bandbreiten- bzw. Akzeptanzreichweiten-Test auszunehmen, wird in der gezeigten Ausführungsform eine Mindestgeschwindigkeit berücksichtigt.
In einem Schritt 200 wird ermittelt, ob sich das neu erscheinende Fahrzeug bzw. der neu hinzutretende Sender innerhalb der vorbestimmten Bandbreite befindet.
Ist dies nicht der Fall, wird die Nachricht als fehlerhaft klassifiziert, wie dies wiederum mit dem Schritt 170 gezeigt ist.
Befindet sich der neu hinzugekommene Sender hingegen innerhalb der Bandbreite, wird in einem Schritt 210 eine neue Nachverfolgung des Senders, die auch als Tracking bezeichnet wird, instanziiert. Weiterhin wird die empfangene Nachricht in einem Schritt 220 als neutral gekennzeichnet, das heißt, es kann keine verlässliche und aussagekräftige Aussage über die Nachricht getroffen werden.
Wird in dem Schritt 180 ermittelt, dass es sich um eine bekannte Sender- bzw. Fahrzeug-ID handelt, wird der dem Fahrzeug bereits zugeordnete, so genannte Tracker verwendet, um die empfangenen Mobilitätsdaten mittels eines eingesetzten Mobilitäts-Modells zu vergleichen. Basierend auf einem in der Nachricht enthaltenen Zeitstempel wird ein voraussichtlicher Fahrverlauf in Form von voraussichtlichen Mobilitätsdaten prognostiziert. Dies erfolgt durch Auslösen der so genannten Kalman-Prädiktionsphase, die nachfolgend weiter erläutert wird. Während einer Kalman-Filter-Korrekturphase wird die Abweichung zwischen vorhergesagtem Zustand und erhaltenen Mobilitätsdaten berechnet. Dies ist in einem Schritt 230 dargestellt.
In einem Schritt 240 wird die Kalman-Prädiktion mit den empfangenen Mobilitätsdaten verglichen. Dabei wird in einem Schritt 250 ermittelt, ob die Abweichung zwischen den genannten Größen mindestens einem vorbestimmten Schwellenwert entspricht. Der vorbestimmte Schwellenwert ist in der gezeigten Ausführungsform als eine Maximalabweichung in x- und y-Richtung festgelegt. Start- bzw. Anfangswerte basieren in der gezeigten Ausführungsform auf GPS-Fehlern, die beispielweise in einem Bereich von drei bis fünf Metern liegen.
Überschreitet die Abweichung den vorbestimmten Schwellenwert nicht, wird die empfangene Nachricht in einem Schritt 260 als fehlerfrei klassifiziert und damit bestätigt.
Überschreitet die Abweichung hingegen den vorbestimmten Schwellenwert, wird in einem Schritt 270 eine Art eines momentanen Fahrmanövers des Fahrzeugs ermittelt. Dabei werden die Fahr- bzw. Verkehrssituationen von Fahrzeugen in Kommunikationsreichweite ausgewertet und damit eine Abschätzung bereitgestellt.
Falls ermittelt wird, dass das Fahrzeug momentan ein hochdynamisches Fahrmanöver ausführt, wird in einem Schritt 280 der vorbestimmte Schwellenwert entsprechend angepasst, das heißt vergrößert.
In einem Schritt 290 wird ermittelt, ob der ermittelte voraussichtliche Fahrverlauf mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht.
Falls die ermittelte Abweichung auch den angepassten Schwellenwert überschreitet, wird die Nachricht als mit hoher Wahrscheinlichkeit fehlerhaft klassifiziert. Dies ist wiederum mit dem Schritt 170 dargestellt.
Falls der Schwellwert-Test hingegen bestanden wird, wird eine verbesserte Prädiktion durchgeführt. Dazu wird in einem Schritt 300 der Kalman Gain-Wert, der eine Gewichtung zwischen Messung und Prädiktion darstellt, derart angepasst, dass die gemessenen Daten gegenüber den vorhergesagten Daten stärker gewichtet werden.
Weiterhin wird nach dieser Anpassung die Kalman-Korrektur in einem Schritt 310 neu berechnet. Zudem wird die empfangene Nachricht als fehlerfrei klassifiziert, wie dies wiederum mit dem Schritt 260 dargestellt ist.
Die gezeigte Ausführungsform ermöglich somit eine Nachrichten-Plausibilisierung, insbesondere in der Car-to-Car-Kommunikation, basierend auf einem Vergleich von erhaltener Nachricht und prädizierten Daten, die aufgrund zuvor erhaltener Nachrichten berechnet werden. Dabei wird von der Überlegung ausgegangen, dass Prädiktionsverfahren, die lediglich auf einer Kalman-Filterung basieren, bei hochdynamischen Fahrmanövern, beispielsweise abrupt durchgeführten Überholvorgängen, nicht hinreichend präzise sind. Dies kann zu einer Falschbewertung der erhaltenen Nachrichten führen. Das Verfahren gemäß der Anmeldung fusioniert das genannte Verfahren zusätzlich mit Verkehrssituationen erkennenden Verfahren. Dadurch können auch hochdynamische Situationen erkannt und zuverlässig bewertet werden.
Dabei kommt eine Plausibilisierung zum Einsatz, die eingehende Mobilitätsdaten zunächst auf physikalische Schwellenwerte untersucht und anschließend die Daten an ein Kalman-Modul weiterreicht. Dieses prädiziert Mobilitätsdaten basierend auf zuvor erhaltenen Daten, einem gewählten Systemmodell und den in C2C-Nachrichten enthaltenen GPS-Fehlern. Die Differenz aus prädizierten und erhaltenen Mobilitätsdaten wird schwellwertgefiltert und die erhaltenen Daten gegebenenfalls als unplausibel markiert. Die Verlässlichkeit der Bewertung wird durch die Prädiktionsgüte des Kaiman-Filters eingeschränkt. Der Kalman-Filter kann in hochdynamischen Situationen fehlerbehaftet sein. Daher wird bei dem Verfahren gemäß der Anmeldung zusätzlich eine nachgeschaltete Plausibilisierung vorgenommen. Wird eine Nachricht als unplausibel markiert, wird eine situationsabhängige Schwellwertanpassung vorgenommen. Diese basiert auf einer probabilistischen Manövererkennung mithilfe von Hidden-Markov-Modellen, welche aus erhaltenen Mobilitätsdaten bedingte Wahrscheinlichkeiten für einzelne Manöver, wie beispielsweise Überholvorgänge oder Folgefahrten berechnet. Dadurch können einzelne Mobilitätsdaten zusätzlich plausibilisiert werden, was durch eine Anpassung des entsprechenden Schwellenwertes realisiert wird. Durch eine erneute Prüfung der eingegangenen Nachricht kann diese im Anschluss gegebenenfalls neu bewertet werden. Um den aktuellen Zustand im Nachhinein zu korrigieren, wird der Kalman Gain-Wert adaptiert und der Prädiktionsschritt neu ausgeführt.
Das Verfahren gemäß der gezeigten Ausführungsform ermöglicht somit eine verbesserte Plausibilisierung insbesondere von eingehenden C2C-Nachrichten. Dabei können neben gleichförmigen Bewegungen auch hochdynamische, abrupte Vorgänge, wie beispielsweise schnell ausgeführte Spurwechselvorgänge, nachvollzogen werden. Dadurch lassen sich in der C2C-Kommunikation Nachrichten zuverlässiger zuordnen bzw. Unregelmäßigkeiten innerhalb von Nachrichtensequenzen besser detektieren. Dies ermöglicht eine Verbesserung der Sicherheit in Kommunikationsnetzwerken. Zudem kann das Verfahren in weiteren Tracking-Applikationen eingesetzt werden.
4 zeigt ein Verfahren zur Fahrverlaufs-Prädiktion.
Um den Zustand eines linearen Systems vorherzusagen, wiederholt ein Kalman-Filter zwei aufeinanderfolgende Phasen für jeden Zeitschritt k.
Die erste Phase ist die Prädiktion, wobei eine Prädiktion x ^_k, des Systemzustands durch Multiplizieren des letzten vorausgesagten Zustands x ^ + / k-1 , mit der Zustands-Übergangs-Matrix F_k erfolgt. Die Zustands-Übergangs-Matrix ist die mathematische Repräsentation des zugrunde liegenden Systemmodells. Somit gilt: x ^_k = F_k·x ^ + / k-1 (1)
Um eine genauere Prädiktion zu ermöglichen, stellt der Kalman-Filter die Möglichkeit bereit, zusätzliche Kontrollwerte u_k mittels einer Kontroll-Matrix B_k zu dem Systemzustand hinzuzuaddieren, bevor die Zustands-Übergangs-Matrix angewendet wird. Auf diesem Weg können zusätzliche Informationen, die nicht Teil des Systemmodells sind, berücksichtigt werden. Dies ergibt: x ^ + / k-1 = x ^ + / k-1 + B_k·u_k (2)
Zudem wird ein Prädiktions-Fehler P_k basierend auf der Übergangs-Matrix, dem zuletzt ermittelten Prädiktions-Fehler und der System-Fehler-Matrix Q_k ermittelt. Die System-Fehler-Matrix repräsentiert Fehler, die inhärent in dem verwendeten Systemmodell vorhanden sind. Dies ergibt: P_k = F_k·P + / k-1·F T / k + Q_k (3)
Auf die Prädiktionsphase folgt die Korrekturphase. Der vorausgesagte Zustand wird dabei mittels Messwerten korrigiert, um einen genaueren Systemzustand zu erreichen. Dazu wird zunächst die Differenz Δy_k zwischen gemessenen Messwerten ỹ_k, und vorausgesagten Messwerten berechnet. Basierend auf dem momentanen Systemzustand werden vorausgesagte Messwerte durch Anwenden einer Messungs-Matrix H_k auf den Systemzustand transformiert. Somit erhält man: Δy_k = ỹ_k – H_k·x ^_k (4)
Zudem wird der Kalman Gain K_k basierend auf dem Prädiktions-Fehler unter Berücksichtigung von Mess-Varianzen R_k ermittelt. Dies ergibt: K_k = P_k·H T / k·(H_k·P_k·H T / k + R_k)^–1 (5)
Der korrigierte Systemzustand x ^ + / k wird durch Gewichten der Differenz Δy_k mit dem Kalman Gain und Addieren zu dem Systemzustand bereitgestellt. Die Matrix K_k stellt dabei ein Maß für die Gewichtung dar, falls der korrigierte Zustand näher an der Messung bzw. der Prädiktion liegt. Dadurch ergibt sich: x ^ + / k = x ^_k + K_k·Δy_k (6)
Weiterhin wird der Prädiktions-Fehler korrigiert, um einen genaueren Prädiktions-Fehler P + / k bereitzustellen. Dabei gilt: P + / k = P_k – K_k·H_k·P_k (7)
Der korrigierte Systemzustand und der Prädiktions-Fehler werden in der darauffolgenden Prädiktionsphase zum Zeitpunkt k + 1 verwendet.
4 zeigt schematisch die genannten Kalman-Filterphasen. Dabei bezeichnet z^–1 die Zeitverschiebung zwischen dem Schritt k – 1 und dem Schritt k.
Zur Anwendung des Kalman-Filter-Verfahrens zur Fahrverlaufs-Prädiktion bzw. der Fahrzeugnachverfolgung werden in der gezeigten Ausführungsform die empfangenen Mobilitätsdaten wie folgt transformiert. Die Position wird in ein so genanntes Universal Transverse Mercator (UTM) Koordinaten-System konvertiert, das eine zweidimensionale Ebene mit einer orthonormalen Basis bildet. UTM Koordinaten werden als nordwärts gerichtete (y-Achse) und ostwärts gerichtete (x-Achse) Werte in Metern angegeben.
Geschwindigkeit und Richtung werden kombiniert und in Geschwindigkeit bezogen auf jede dieser Achsen in Meter pro Sekunde (m/s) konvertiert.
Der Zustandsvektor des Kalman-Filters besteht damit aus der Position des Fahrzeugs (p_x, p_y) und der Geschwindigkeit (v_x, v_y) in der x-y-Ebene. Dies ergibt:
Für die Vorhersage von Position und Geschwindigkeit wird ein Fahrzeug-Mobilitätsmodell angewendet, das in der gezeigten Ausführungsform auf einer Gleichung linearer Bewegung basiert. Dabei ist Δt_k die Zeitdifferenz zu dem Zeitpunkt k – 1, P_k bezeichnet die Position, v_k die Geschwindigkeit und a_k die Beschleunigung, jeweils zum Zeitpunkt k. Dies ergibt:
Gemäß dieser Gleichung und der Form des gewählten Systemzustands ist die System-Übergangs-Matrix F_k eine Vier-mal-Vier-Matrix in der Form:
Zudem wird die Beschleunigung in x- und y-Richtung als ein Kontrollfaktor u_k zu dem Systemzustand addiert. Dabei gilt:
Da die Nachrichten in variablen Intervallen gesendet werden können, beispielsweise zwischen 100 ms und 1000 ms, kann Δt_k in der gezeigten Ausführungsform nicht als konstant angenommen werden.
Als Mess-Eingangswert ỹ_k, der verwendet wird, um die Prädiktion zu korrigieren, wird in der gezeigten Ausführungsform die Information, die in der empfangenen C2X-Nachricht enthalten ist, verwendet. Die enthaltenen Positions-, Geschwindigkeits- und Richtungsdaten werden bei Erhalt der Nachrichten entsprechend der für den Systemzustand beschriebenen Art konvertiert. Dies ergibt:
Entsprechend sind in der gezeigten Ausführungsform der Zustands- und der Mess-Vektor von identischer Form und die Mess-Matrix H_k besteht lediglich aus der Einheitsmatrix, wodurch die Gleichungen (4), (5) und (7) durch Eleminieren von H_k signifikant vereinfacht werden können.
Da die Fahrzeug-Mobilitäts-Prädiktion wesentlich von der entsprechenden Fahrbahn-Situation abhängt, wird die System-Fehler-Matrix Q_k in der gezeigten Ausführungsform dynamisch entsprechend des jeweiligen Fahrbahn-Typs gewählt. Analog dazu wird die Messungs-Varianzen-Matrix R_k dynamisch ausgewählt, basierend auf den GPS-Genauigkeitsdaten, die in den entsprechenden Nachrichten geliefert werden.
Mittels der vorgenannten Anpassungen und gewählten Matrizen kann das Kalman-Filter-Verfahren zur Fahrzeug-Nachverfolgung bzw. zur Ermittlung des voraussichtlichen Fahrverlaufs eingesetzt werden.
Von besonderer Bedeutung für das Verfahren zur Klassifikation von Daten gemäß der Anmeldung ist das Ermitteln einer Art eines momentanen Fahrmanövers. Dadurch kann eine genauere Vorhersage des Fahrverlaufs der entsprechenden Verkehrsteilnehmer ermöglicht werden. In der gezeigten Ausführungsform erfolgt das Ermitteln der Art des momentanen Fahrmanövers basierend auf Hidden Markov Modellen, die im Folgenden näher erläutert werden.
Ein Hidden Markov Modell (HMM) ist ein stochastisches Verfahren zum Modellieren dynamischer Systeme mit unbekannten (verborgenen) Zuständen. Es wird festgelegt durch:

– Einen Satz von verborgenen System-Zuständen X = (X₁, ..., X_N), wobei q_t der Zustand zur Zeit t ist.
– Einen Satz von möglichen Beobachtungen Y = (Y₁, ..., Y_M), wobei o_t die Beobachtung zur Zeit t ist.
– Eine Zustands-Übergangs-Matrix A = {a_i,j}, wobei i, j = 1, ..., N, mit a_i,j = P(q_t+1 = X_j|q_t = X_i).
– Eine Beobachtungs-Wahrscheinlichkeits-Verteilung B = {b_j(k)} im Zustand j, mit b_j(k) = P(o_t = Y_k)|q_t = S_j), k = 1, ..., M.
– Eine anfängliche Wahrscheinlichkeitsverteilung π = (π_i), wobei i = 1, ..., N, mit π_i = P(q₁ = X_i)

Die Annahme eines diskreten Sets von Beobachtungs-Symbolen ist in tatsächlichen Anwendungen oftmals ungenau bzw. unzutreffend, weshalb typischerweise so genannte Mischungs-Modelle (mixture models), typischerweise so genannte Gauß'sche Mischungs-Modelle (Gaussian mixture models, GMMs), verwendet werden, um die Festlegung auf einen kontinuierlichen Beobachtungs-Raum auszudehnen. Dies ergibt:
Zwei wesentliche Annahmen des HMM-Verfahrens sind direkt aus der Definition für alle i, j, t ableitbar:

1. Markov-property: P(q_t+1 = X_j|q_t, ..., q₁) = P(q_t+1 = X_j|q_t).
2. Zeit-Invarianz: P(q_t+1 = X_i|q_t = X_j) = ... = P(q₂ = X_i|g₁ = X_j).

Im Folgenden wird ein Hidden Markov Modell durch λ := (A, B, π) bezeichnet.
Für Hidden Markov Modelle sind dabei folgende Problemstellungen gegeben:

– Evaluations-Problem: Wie kann die Wahrscheinlichkeit P(o|λ) ermittelt werden, wenn die Oberservations-Sequenz o = (o₁, ..., o_T) und die Modell-Parameter λ = (A, B, π) gegeben sind? Dieses Problem wird mit der rekursiven Vorwärts-Prozedur gelöst, wobei die Vorwärts-Variablen definiert sind als: a_t(i) := P,(o₁, ...o_t, t_q = X_i|λ].
– Trainings-Problem: Wie können die Modell-Parameter λ = (A, B, π) angepasst werden, wenn eine Observations-Sequenz o gegeben ist, um die Wahrscheinlichkeit P(o|λ) zu maximieren? Dazu werden iterative Algorithmen angewendet, typischerweise der so genannte EM-Algorithmus, speziell die Implementierung von Baum-Welsh.

Zur Ermittlung einer Art des momentanen Fahrmanövers wird in der gezeigten Ausführungsform der Ansatz der Verwendung einer Vorwärts-Prozedur verwendet. Dabei wird ein HMM λ_i für jedes zu erkennende bzw. zu ermittelnde Manöver verwendet und charakteristische Daten als Eingangsdaten o in Form von Relativgeschwindigkeit, Geschwindigkeit und Beschleunigung zwischen zwei Verkehrsteilnehmern ausgewählt. Dabei werden in der gezeigten Ausführungsform als Manöver zwischen zwei Fahrzeugen Überhol-, Nachfolge- und Flankierungs-Manöver unterschieden.
Es können folgende zwei Stufen unterschieden werden:

– Offline-Modell-Training mittels eines EM-Algorithmus,
– Online-Evaluation; für jedes trainierte Modell λ_i Berechnung von • P(o|λ_i)
(Bayes-Theorem), wobei P(o) auf 1 gesetzt werden kann und die a priori Wahrscheinlichkeit P(λ_i) in Abhängigkeit des Fahrbahn-Typs festgelegt wird.

Die Zustände der Modelle entsprechen dabei den Stufen des jeweiligen Fahrmanövers, wie im Zusammenhang mit 6A näher erläutert wird.
In der gezeigten Ausführungsform werden die Eingangs-Daten o durch die erhaltenen Nachrichten des Fahrzeugs bereitgestellt. Durch den oben beschriebenen Online-Evaluationsschritt wird die Wahrscheinlichkeit für ein Manöver bei einer gegebenen Observations-Sequenz ermittelt. Weitere Details werden im Zusammenhang mit den folgenden Figuren näher erläutert.
5 zeigt eine Vorrichtung 1 zur Klassifikation von Daten gemäß einer Ausführungsform der Anmeldung.
Die Vorrichtung 1 weist eine Empfangsvorrichtung 7 auf, die zum Empfangen einer Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, ausgebildet ist. Die Nachricht beinhaltet dabei Mobilitätsdaten zumindest eine Fahrzeugs.
Zudem weist die Vorrichtung 1 eine erste Ermittlungsvorrichtung 8 auf, die zum Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den Mobilitätsdaten ausgebildet ist. Die erste Ermittlungsvorrichtung 8 ist dazu über eine Signalleitung 15 mit der Empfangsvorrichtung 7 verbunden.
Weiterhin weist die Vorrichtung 1 eine zweite Ermittlungsvorrichtung 9 auf, die zum Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs basierend zumindest auf den Mobilitätsdaten ausgebildet ist. Die zweite Ermittlungsvorrichtung 9 ist dazu über eine Signalleitung 16 mit der Empfangsvorrichtung 7 verbunden.
Die Vorrichtung 1 weist weiterhin eine dritte Ermittlungsvorrichtung 10 auf, ausgebildet zum Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem ermittelten tatsächlichen Fahrverlauf abweicht. Dazu ist die dritte Ermittlungsvorrichtung 10 über eine Signalleitung 17 mit der ersten Ermittlungsvorrichtung 8 und über eine Signalleitung 18 mit der zweiten Ermittlungsvorrichtung 9 verbunden.
Zudem weist die Vorrichtung 1 eine vierte Ermittlungsvorrichtung 11 auf, die zum Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs ausgebildet ist, falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht. Die vierte Ermittlungsvorrichtung 11 ist dabei über eine Signalleitung 19 mit der dritten Ermittlungsvorrichtung 10 verbunden.
In der gezeigten Ausführungsform ist die vierte Ermittlungsvorrichtung 11 ausgebildet zum Ermitteln einer Art eines momentanen Fahrmanövers basierend auf den Mobilitätsdaten sowie zudem basierend auf von zumindest einem Sensor 3 ermittelter Daten. Der zumindest eine Sensor 3 ist dabei ausgewählt aus der Gruppe, bestehend aus einem elektromagnetischen Sensor, beispielsweise einem Radarsensor oder einem Lidarsensor, einem akustischen Sensor, beispielsweise einem Ultraschallsensor, und einer optischen Kamera. Die vierte Ermittlungsvorrichtung 11 ist dazu über eine Signalleitung 21 mit dem Sensor 3 und über eine Signalleitung 20 mit der Empfangsvorrichtung 7 verbunden.
Darüber hinaus weist die Vorrichtung 1 eine Klassifikationsvorrichtung 12 auf, die zum Klassifizieren zumindest der Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers ausgebildet ist. Die Klassifikationsvorrichtung 12 ist dazu über eine Signalleitung 22 mit der vierten Ermittlungsvorrichtung 11 verbunden.
In der gezeigten Ausführungsform werden die klassifizierten Mobilitätsdaten dabei an zumindest ein Fahrerassistenzsystem 5 und/oder an eine nicht näher dargestellte Infrastruktureinrichtung übermittelt. Das Fahrerassistenzsystem 5 ist beispielsweise als Bremsassistent oder als Kreuzungsassistent ausgebildet. Die Klassifikationsvorrichtung 12 ist dazu über eine Signalleitung 23 mit dem Fahrerassistenzsystem 5 und über eine Signalleitung 24 mit einer Sendevorrichtung 4 verbunden. Die Sendevorrichtung 4 und die Empfangsvorrichtung 7 können dabei eine gemeinsame Sende- und Empfangseinheit bilden.
Die Vorrichtung 1 weist in der gezeigten Ausführungsform zudem eine Recheneinheit 13 und ein computerlesbares Medium 14 auf, wobei auf dem computerlesbaren Medium 14 ein Computerprogrammprodukt gespeichert ist, das, wenn es auf der Recheneinheit 13 ausgeführt wird, die Recheneinheit 13 anleitet, die im Zusammenhang mit den Ausführungsformen des Verfahrens gemäß der Anmeldung genannte Schritte, insbesondere die Schritte der Verfahren gemäß den 1 bis 3, mittels den dabei genannten Elementen auszuführen. Dazu ist die Recheneinheit 13 in einer nicht näher dargestellten Weise direkt oder indirekt mit den entsprechenden Elementen verbunden.
6A bis 6E zeigen Beispiele von Verkehrssituationen, in denen das Verfahren gemäß den Ausführungsformen der Anmeldung, insbesondere die Verfahren gemäß den in den 1 bis 3 gezeigten Ausführungsformen eingesetzt werden können.
Komponenten mit den gleichen Funktionen werden im Folgenden mit den gleichen Bezugszeichen gekennzeichnet.
6A zeigt drei Zeitpunkte eines Überholmanövers eines Fahrzeugs 2. Dabei fährt in der in 6A dargestellten Verkehrssituation das erste Fahrzeug 2, das in der gezeigten Ausführungsform ein Personenkraftwagen ist, zunächst in einer schematisch mittels eines Pfeils A dargestellten Fahrtrichtung auf einer ersten Fahrspur 26 einer Fahrbahn 27. Die Fahrbahn 27 weist neben der ersten Fahrspur 26 eine weitere Fahrspur 28 auf. In Fahrtrichtung des ersten Fahrzeugs 2 befindet sich ein weiteres Fahrzeug 25, das in der gezeigten Ausführungsform ebenfalls ein Personenkraftwagen ist, vor dem ersten Fahrzeug 2.
Mittels einer Sendevorrichtung 4 übermittelt das erste Fahrzeug 2 Fahrzeug-zu-Fahrzeug-Nachrichten an das zweite Fahrzeug 25, das diese mittels einer Empfangsvorrichtung 7 empfängt.
Mittels der in den Fahrzeug-zu-Fahrzeug-Nachricht enthaltenen Mobilitätsdaten des ersten Fahrzeugs 2 ermittelt eine nicht näher dargestellte Vorrichtung zur Klassifikation von Daten des zweiten Fahrzeugs 25 einen voraussichtlichen Fahrverlauf des ersten Fahrzeugs 2. Übermittelt das erste Fahrzeug 2 eine Fahrzeug-zu-Fahrzeug-Nachricht zu dem gezeigten ersten Zeitpunkt, in dem es sich noch geradlinig auf der ersten Fahrspur 26 bewegt, wird ein voraussichtlicher Fahrverlauf ermittelt, der ebenfalls entlang der ersten Fahrspur 26 ausgerichtet und schematisch mittels eines Pfeils A' dargestellt ist.
In dem zweiten dargestellten Zeitpunkt befindet sich das erste Fahrzeug 2 bereits auf der weiteren Fahrspur 28 auf Höhe des zweiten Fahrzeugs 25. Wird zu diesem Zeitpunkt eine weitere Fahrzeug-zu-Fahrzeug-Nachricht von dem ersten Fahrzeug 2 an das zweite Fahrzeug 25 übermittelt, wird daraus der tatsächliche Fahrverlauf des ersten Fahrzeugs 2 basierend auf den dabei übermittelten Mobilitätsdaten ermittelt. Der tatsächliche Fahrverlauf ist in 6A schematisch mittels eines Pfeils B dargestellt.
In der gezeigten Verkehrssituation weicht der ermittelte voraussichtliche Fahrverlauf dabei deutlich von dem tatsächlichen Fahrverlauf ab, weshalb ein Ermitteln einer Art eines momentanen Fahrmanövers des ersten Fahrzeugs 2 und ein Klassifizieren der Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers entsprechend eines Verfahrens gemäß der Anmeldung erfolgt. Dadurch kann das ermittelte Überholmanöver für die Klassifikation der Mobilitätsdaten herangezogen und somit ein weiter verbessertes Verfahren zur Klassifikation bereitgestellt werden.
Anschließend wechselt das erste Fahrzeug 2 wieder von der weiteren Fahrspur 28 auf die erste Fahrspur 26. Dies ist schematisch mittels eines Pfeils C gezeigt. In dem weiterhin dargestellten dritten Zeitpunkt hat das erste Fahrzeug 2 den Überholvorgang beendet und befindet sich somit wiederum auf der ersten Fahrspur 26.
In der in der 6B dargestellten Verkehrssituation fährt ein Fahrzeug 25 in einer schematisch mittels eines Pfeils A dargestellten Fahrtrichtung auf einer ersten Fahrspur 26 einer Fahrbahn 27. In Fahrtrichtung des Fahrzeugs 25 befindet sich ein weiteres Fahrzeug 2 auf der ersten Fahrspur 26. Zudem befinden sich weitere Fahrzeuge 46 und 47 auf einer benachbart zu der ersten Fahrspur 26 angeordneten Fahrspur 28 der Fahrbahn 27.
Empfängt das Fahrzeug 25 eine Fahrzeug-zu-Fahrzeug-Nachricht von dem Fahrzeug 2 und wird dabei ermittelt, dass zuvor keine Nachricht von diesem Fahrzeug 2 empfangen wurde, wird ermittelt, ob sich das Fahrzeug 2 innerhalb eines ringförmigen Bereichs 48 befindet. Der Bereich 48 bildet einen Toleranzbereich, der sich aus der maximalen Kommunikations-Reichweite, die schematisch als Radius r_max dargestellt ist, und einer Bandbreite d_B ergibt.
In der gezeigten Verkehrssituation befindet sich das Fahrzeug 2 innerhalb dieses Bereichs 48. Damit wird eine von dem Fahrzeug 2 empfangene Nachricht nicht als fehlerhaft klassifiziert.
In der in 6C dargestellten Verkehrssituation fährt ein Fahrzeug 25 in einer schematisch mittels eines Pfeils A dargestellten Fahrtrichtung auf einer ersten Fahrspur 26 einer Fahrbahn 27. Die Fahrbahn 27 weist neben der ersten Fahrspur 26 eine weitere Fahrspur 28 auf.
In Fahrtrichtung des Fahrzeugs 25 befinden sich hinter diesem weitere Fahrzeuge 30 und 31 auf der ersten Fahrspur 26. Zudem befindet sich ein Fahrzeug 32 auf der zweiten Fahrspur 28.
Eine Sendevorrichtung 4, die einen potentiellen Angreifer darstellt, befindet sich benachbart zu der Fahrbahn 27. Die Sendevorrichtung 4 sendet eine vorgetäuschte Fahrzeug-zu-Fahrzeug-Nachricht zumindest an das Fahrzeug 25. Die Nachricht enthält dabei in der gezeigten Situation eine Warnung vor einer Vollbremsung eines fingierten Fahrzeugs, das in einem schematisch dargestellten Bereich 29, der sich unmittelbar vor dem Fahrzeug 25 befindet, fahren soll. Eine derartig gefälschte Nachricht kann die Verkehrssicherheit signifikant beeinträchtigen, da das Fahrzeug 25 zu einem Brems- bzw. Ausweichmanöver verleitet werden kann. Mittels der genannten Verfahren gemäß der Anmeldung können von einem potentiellen Angreifer gesendete Nachrichten als fehlerhaft klassifiziert und damit die Verkehrssicherheit in vorteilhafter Weise gesteigert werden.
In der in 6D dargestellten Verkehrssituation fährt ein Fahrzeug 25 in einer schematisch mittels eines Pfeils A dargestellten Fahrtrichtung auf einer Fahrspur 26 einer Fahrbahn 27 auf eine Kreuzung 33 zu. In Fahrtrichtung des Fahrzeugs 25 befindet sich ein weiteres Fahrzeug 30 hinter diesem auf der ersten Fahrspur 26. Eine Fahrbahn 34 mit Fahrspuren 36 und 37 kreuzt die Fahrbahn 27.
Eine Sendevorrichtung 4, die benachbart zu der Kreuzung 33 angeordnet ist und einen möglichen Angreifer darstellt, sendet in der gezeigten Situation eine vorgetäuschte Fahrzeug-zu-Fahrzeug-Nachricht zumindest an das Fahrzeug 25, die ein sich mit hoher Geschwindigkeit in einer schematisch mittels eines Pfeils D dargestellten Fahrtrichtung näherndes Fahrzeug in einem Bereich 35 auf der Fahrspur 36 fingiert.
Basierend auf diesen empfangenen Mobilitätsdaten könnte eine Kreuzungs-Kollisions-Warnung in dem Fahrzeug 25 ausgegeben werden und der Fahrer zu einem Brems- bzw. Ausweichmanöver verleitet werden. Mittels der genannten Verfahren gemäß der Anmeldung können entsprechende, von der Sendevorrichtung 4 gesendete Nachrichten als fehlerhaft klassifiziert und damit die Verkehrssicherheit erhöht werden.
In der in 6E dargestellten Verkehrssituation befindet sich ein Fahrzeug 32 auf einer Fahrspur 26 einer Fahrbahn 27 vor einer Ampel 45. Zudem befindet sich ein weiteres Fahrzeug 39 auf einer Fahrspur 36 einer die Fahrbahn 27 kreuzenden Fahrbahn 34 vor einer Ampel 44 an einer Kreuzung 33. Weiterhin befindet sich ein Fahrzeug 38 auf einer zweiten Fahrspur 28 der Fahrbahn 27 vor einer weiteren Ampel 45.
Mittels einer Sendevorrichtung 4 kann das Fahrzeug 38 in der gezeigten Situation gefälschte Fahrzeug-zu-Infrastruktur-Nachrichten an eine Empfangsvorrichtung 7 einer Infrastruktureinrichtung 6 übermitteln. Die Infrastruktureinrichtung 6 ist dabei mit den Ampeln 44 und 45 der Ampelanlage verbunden, um eine so genannte GLOSA-Funktion (GLOSA, Green Light Optimum Speed Advisory) bereitzustellen, mittels derer der Rückstau vor jeder Ampel ermittelt wird, um den Verkehrsfluss durch eine entsprechende Schaltung der Ampelanlage basierend auf der Fahrzeugdichte auf jeder Spur zu erhöhen. Mittels der Fahrzeug-zu-Infrastruktur-Nachricht kann das Fahrzeug 38 weitere Fahrzeuge in Bereichen 40 und 41 auf der eigenen Fahrspur 28 sowie Bereichen 42 und 43 auf der weiteren Fahrspur 27 fingieren und damit dessen Wartezeit an der Ampelanlage auf Kosten anderer Verkehrsteilnehmer reduzieren. Mittels der Verfahren gemäß der Anmeldung können diese Nachrichten als fehlerhaft klassifiziert und damit verworfen werden.
Obwohl zumindest eine beispielhafte Ausführungsform in der vorhergehenden Beschreibung gezeigt wurde, können verschiedene Änderungen und Modifikationen vorgenommen werden. Die genannten Ausführungsformen sind lediglich Beispiele und nicht dazu vorgesehen, den Gültigkeitsbereich, die Anwendbarkeit oder die Konfiguration in irgendeiner Weise zu beschränken.
Vielmehr stellt die vorhergehende Beschreibung dem Fachmann einen Plan zur Umsetzung zumindest einer beispielhaften Ausführungsform zur Verfügung, wobei zahlreiche Änderungen in der Funktion und der Anordnung von in einer beispielhaften Ausführungsform beschriebenen Elementen gemacht werden können, ohne den Schutzbereich der angefügten Ansprüche und ihrer rechtlichen Äquivalente zu verlassen.
Bezugszeichenliste

1: Vorrichtung
2: Fahrzeug
3: Sensor
4: Sendevorrichtung
5: Fahrerassistenzsystem
6: Infrastruktureinrichtung
7: Empfangsvorrichtung
8: Ermittlungsvorrichtung
9: Ermittlungsvorrichtung
10: Ermittlungsvorrichtung
11: Ermittlungsvorrichtung
12: Klassifikationsvorrichtung
13: Recheneinheit
14: Medium
15: Signalleitung
16: Signalleitung
17: Signalleitung
18: Signalleitung
19: Signalleitung
20: Signalleitung
21: Signalleitung
22: Signalleitung
23: Signalleitung
24: Signalleitung
25: Fahrzeug
26: Fahrspur
27: Fahrbahn
28: Fahrspur
29: Bereich
30: Fahrzeug
31: Fahrzeug
32: Fahrzeug
33: Kreuzung
34: Fahrbahn
35: Bereich
36: Fahrspur
37: Fahrspur
38: Fahrzeug
39: Fahrzeug
40: Bereich
41: Bereich
42: Bereich
43: Bereich
44: Ampel
45: Ampel
46: Fahrzeug
47: Fahrzeug
48: Bereich
60: Schritt
70: Schritt
80: Schritt
90: Schritt
100: Schritt
110: Schritt
120: Schritt
130: Schritt
130a: Schritt
130b: Schritt
130c: Schritt
130d: Schritt
130e: Schritt
140: Schritt
150: Schritt
160: Schritt
170: Schritt
180: Schritt
190: Schritt
200: Schritt
210: Schritt
220: Schritt
230: Schritt
240: Schritt
250: Schritt
260: Schritt
270: Schritt
280: Schritt
290: Schritt
300: Schritt
310: Schritt
A: Pfeil
A': Pfeil
B: Pfeil
C: Pfeil
D: Pfeil
r_max: Radius
d_B: Bandbreite

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102010002092 A1 [0002]

Claims

Verfahren zur Klassifikation von Daten, wobei das Verfahren folgende Schritte aufweist: – Empfangen einer ersten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, wobei die erste Nachricht erste Mobilitätsdaten zumindest eines Fahrzeugs (2) beinhaltet, – Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend zumindest auf den ersten Mobilitätsdaten, – Empfangen einer zweiten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, wobei die zweite Nachricht zweite Mobilitätsdaten des zumindest einen Fahrzeugs (2) beinhaltet, – Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend zumindest auf den zweiten Mobilitätsdaten, – Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, – falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs (2) und Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers.
Verfahren nach Anspruch 1, wobei das Ermitteln der Art des momentanen Fahrmanövers des zumindest einen Fahrzeugs (2) basierend zumindest auf den ersten Mobilitätsdaten und den zweiten Mobilitätsdaten erfolgt.
Verfahren nach Anspruch 2, wobei das Ermitteln der Art des momentanen Fahrmanövers des zumindest einen Fahrzeugs (2) basierend auf einem Hidden Markov Modell erfolgt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Ermitteln des voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend auf einem Kalman-Filter-Verfahren erfolgt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten folgende Schritte beinhaltet: – Anpassen des vorbestimmten Schwellenwertes basierend auf der ermittelten Art des momentanen Fahrmanövers, – Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht.
Verfahren nach Anspruch 5, wobei, falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, die ersten Mobilitätsdaten und die zweiten Mobilitätsdaten als fehlerhaft klassifiziert werden und wobei, falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf nicht mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, die ersten Mobilitätsdaten und die zweiten Mobilitätsdaten als fehlerfrei klassifiziert werden.
Verfahren nach Anspruch 5 oder Anspruch 6, wobei, falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf nicht mindestens um den angepassten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, ein Anpassen eines Kalman Gain-Wertes erfolgt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Ermitteln des tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) und/oder das Ermitteln der Art des momentanen Fahrmanövers des zumindest einen Fahrzeugs (2) zudem basierend auf von zumindest einem Sensor (3) ermittelter Daten erfolgt, wobei der zumindest eine Sensor (3) ausgewählt ist aus der Gruppe, bestehend aus einem elektromagnetischen Sensor, einem akustischen Sensor und einer optischen Kamera.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die erste Nachricht und/oder die zweite Nachricht Bestandteil von periodisch gesendeten Nachrichten ist.
Verfahren nach einem der vorhergehenden Ansprüche, wobei zumindest nach dem Empfangen der ersten Nachricht eine Plausibilitätsprüfung der ersten Mobilitätsdaten erfolgt und wobei das Ermitteln des voraussichtlichen Fahrverlaufs, das Ermitteln des tatsächlichen Fahrverlaufs und das Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, erfolgt, falls die ersten Mobilitätsdaten als plausibel ermittelt werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei zumindest die erste Nachricht zudem eine Kennung der die Nachricht sendenden Sendevorrichtung (4) beinhaltet und wobei das Ermitteln des voraussichtlichen Fahrverlaufs, das Ermitteln des tatsächlichen Fahrverlaufs und das Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht erfolgt, falls bereits mindestens eine weitere Nachricht von der Sendevorrichtung (4) empfangen worden ist.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die klassifizierten ersten Mobilitätsdaten und/oder die klassifizierten zweiten Mobilitätsdaten an ein Fahrerassistenzsystem (5) und/oder an eine Infrastruktureinrichtung (6) übermittelt werden.
Vorrichtung zur Klassifikation von Daten aufweisend – eine Empfangsvorrichtung (7) ausgebildet zum Empfangen einer Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, wobei die Nachricht Mobilitätsdaten zumindest eines Fahrzeugs (2) beinhaltet, – eine erste Ermittlungsvorrichtung (8) ausgebildet zum Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend zumindest auf den Mobilitätsdaten, – eine zweite Ermittlungsvorrichtung (9) ausgebildet zum Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend zumindest auf den Mobilitätsdaten, – eine dritte Ermittlungsvorrichtung (10) ausgebildet zum Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, – eine vierte Ermittlungsvorrichtung (11) ausgebildet zum Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs (2), falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, – eine Klassifikationsvorrichtung (12) ausgebildet zum Klassifizieren zumindest der Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers.
Computerprogrammprodukt, das, wenn es auf einer Recheneinheit (13) einer Vorrichtung (1) zur Klassifikation von Daten ausgeführt wird, die Recheneinheit (13) anleitet, folgende Schritte auszuführen: – Empfangen einer ersten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, wobei die erste Nachricht erste Mobilitätsdaten zumindest eines Fahrzeugs (2) beinhaltet, – Ermitteln eines voraussichtlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend zumindest auf den ersten Mobilitätsdaten, – Empfangen einer zweiten Nachricht, ausgewählt aus der Gruppe, bestehend aus einer Fahrzeug-zu-Fahrzeug-Nachricht und einer Fahrzeug-zu-Infrastruktur-Nachricht, wobei die zweite Nachricht zweite Mobilitätsdaten des zumindest einen Fahrzeugs (2) beinhaltet, – Ermitteln eines tatsächlichen Fahrverlaufs des zumindest einen Fahrzeugs (2) basierend zumindest auf den zweiten Mobilitätsdaten, – Ermitteln, ob der ermittelte voraussichtliche Fahrverlauf mindestens um einen vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, – falls ermittelt wird, dass der ermittelte voraussichtliche Fahrverlauf mindestens um den vorbestimmten Schwellenwert von dem tatsächlichen Fahrverlauf abweicht, Ermitteln einer Art eines momentanen Fahrmanövers des zumindest einen Fahrzeugs (2) und Klassifizieren zumindest der ersten Mobilitätsdaten und der zweiten Mobilitätsdaten basierend auf der ermittelten Art des momentanen Fahrmanövers.
Computerlesbares Medium, auf dem ein Computerprogrammprodukt gemäß Anspruch 14 gespeichert ist.