Einige Fahrzeuge arbeiten abhängig von verschiedenen Umständen in verschiedenen Modi. So können z. B. Antriebsschlupfregelungen unterschiedlich auf trockenen, relativ flachen Straßen arbeiten als auf nassen, hügeligen Straßen. Einige Fahrzeuge können in Reaktion auf eine Änderung der Straßenbedingungen automatisch Anpassungen vornehmen.Some vehicles operate in different modes depending on different circumstances. So z. B. traction control work differently on dry, relatively flat roads than on wet, hilly roads. Some vehicles may automatically make adjustments in response to a change in road conditions.
1 veranschaulicht ein beispielhaftes Fahrzeugsystem zur Vorhersage von Änderungen in der Straßencharakteristik. 1 illustrates an example vehicle system for predicting changes in road characteristics.
2A–2C veranschaulichen beispielhafte Straßencharakteristiken, die durch das Fahrzeugsystem vorhergesagt werden können. 2A - 2C illustrate exemplary road characteristics that may be predicted by the vehicle system.
3 ist ein Flussdiagramm eines beispielhaften Prozesses, der durch das Fahrzeugsystem implementiert werden kann. 3 FIG. 10 is a flowchart of an example process that may be implemented by the vehicle system.
4 ist ein Flussdiagramm eines anderen beispielhaften Prozesses, der durch das Fahrzeugsystem implementiert werden kann. 4 FIG. 10 is a flowchart of another example process that may be implemented by the vehicle system.
Ein beispielhaftes Fahrzeugsystem umfasst wenigstens einen Sensor, der Infrastrukturinformation in Echtzeit sammelt und Sensorsignale, die die gesammelte Infrastrukturinformation darstellen, ausgibt. Eine Verarbeitungsvorrichtung verarbeitet die Sensorsignale, sagt eine zukünftige Straßencharakteristik auf der Grundlage der Infrastrukturinformation vorher und steuert wenigstens ein Fahrzeug-Untersystem gemäß der vorhergesagten zukünftigen Straßencharakteristik. In einigen Implementierungen evaluiert die Verarbeitungsvorrichtung einen Vorhersagefehler und passt einen Vorhersagehorizont an, bis der Vorhersagefehler innerhalb eines vorbestimmten Genauigkeitsbereichs liegt.An exemplary vehicle system includes at least one sensor that collects infrastructure information in real time and outputs sensor signals representing the collected infrastructure information. A processing device processes the sensor signals, predicts future road characteristics based on the infrastructure information, and controls at least one vehicle subsystem according to the predicted future road characteristics. In some implementations, the processing device evaluates a prediction error and adjusts a prediction horizon until the prediction error is within a predetermined accuracy range.
1 veranschaulicht ein beispielhaftes Fahrzeugsystem 100 für die Vorhersage von Straßencharakteristiken. Das System kann verschiedene Formen annehmen und umfasst mehrere und/oder abwechselnde Komponenten und Einrichtungen. Während ein beispielhaftes System dargestellt ist, sollen die veranschaulichten beispielhaften Komponenten nicht beschränkend sein. Tatsächlich können zusätzliche oder alternative Komponenten und/oder Implementierungen verwendet werden. 1 illustrates an exemplary vehicle system 100 for the prediction of road characteristics. The system may take various forms and includes multiple and / or alternate components and devices. While an example system is illustrated, the illustrated example components are not intended to be limiting. In fact, additional or alternative components and / or implementations may be used.
Wie in 1 dargestellt ist, umfasst das System 100 Sensoren (kollektiv, 105), die Infrastruktursensoren 105A und Umgebungssensoren 105B umfassen, Fahrzeug-Untersysteme 110 und eine Verarbeitungsvorrichtung 115. Das System 100 kann in jedem Personenkraftwagen oder Nutzfahrzeug 120 wie einem Auto, einem Lastkraftwagen, einem Geländewagen, einem Bus, einem Zug, einem Boot oder einem Flugzeug aufgenommen sein.As in 1 is shown, the system includes 100 Sensors (collectively, 105 ), the infrastructure sensors 105A and environmental sensors 105B include, vehicle subsystems 110 and a processing device 115 , The system 100 can be in any passenger car or commercial vehicle 120 as a car, a truck, an off-road vehicle, a bus, a train, a boat or an airplane.
Die Sensoren 105 können eine Anzahl von Vorrichtungen umfassen, die ausgelegt sind, Signale, die den Betrieb des Fahrzeugs 120 gemäß unterschiedlicher Straßencharakteristiken unterstützen, zu erzeugen und auszugeben. So können die Infrastruktursensoren 105A z. B. Infrastrukturinformation sammeln, und die Umgebungssensoren 105B können Umgebungsinformation sammeln. Die Sensoren 105 können ausgelegt sein, Infrastrukturinformation und/oder Umgebungsinformation in Echtzeit zu sammeln und Signale, ebenfalls in Echtzeit, die die gesammelte Information darstellen, ausgeben. Beispiele für Infrastruktursensoren 105A können einen Radarsensor, einen Lidar-Sensor, eine Kamera, einen Höhenmesser, einen Kompass, ein Gyroskop oder dergleichen umfassen. Somit kann die Infrastrukturinformation Straßenrauigkeit, Straßenkrümmung und Straßensteigung umfassen. In einigen möglichen Implementierungen kann die Infrastrukturinformation drahtlos von einem Remote-Server empfangen werden. Demgemäß kann ein anderer Typ eines Infrastruktursensors 105A ein drahtloses Kommunikationsmodul umfassen. Beispielhafte Infrastrukturinformation, die durch das Kommunikationsmodul empfangen werden kann, kann z. B. Straßenbauvorgaben umfassen. Beispiele für Umgebungssensoren 105B können einen Sonnenlichtsensor, einen Regensensor, einen Temperatursensor etc. umfassen. Umgebungsinformation kann somit geologische Information, Klimainformation und Wetterinformation umfassen. Ein oder mehrere der Umgebungssensoren 105B können ein drahtloses Kommunikationsmodul umfassen, das ausgelegt ist, Umgebungsinformation drahtlos von einem Remote-Server zu empfangen. Einige Sensoren 105 können ausgelegt sein, sowohl Infrastrukturinformation als auch Umgebungsinformation in Echtzeit bereitzustellen. So kann z. B. ein Global Positioning System Sensor (GPS-Sensor) Signale ausgeben, die z. B. die Höhenlage des Fahrzeugs 120 wie auch geographische Information darstellen.The sensors 105 may include a number of devices that are configured to receive signals indicating the operation of the vehicle 120 support, generate and output according to different road characteristics. So can the infrastructure sensors 105A z. B. collect infrastructure information, and the environmental sensors 105B can collect environmental information. The sensors 105 may be configured to collect infrastructure information and / or environmental information in real time and to output signals, also in real time, that represent the collected information. Examples of infrastructure sensors 105A may include a radar sensor, a lidar sensor, a camera, an altimeter, a compass, a gyroscope, or the like. Thus, the infrastructure information may include road roughness, road curvature, and road grade. In some possible implementations, the infrastructure information may be received wirelessly from a remote server. Accordingly, another type of infrastructure sensor may be used 105A comprise a wireless communication module. Exemplary infrastructure information that may be received by the communication module may be e.g. B. road construction requirements include. Examples of environmental sensors 105B may include a sunlight sensor, a rain sensor, a temperature sensor, etc. Environmental information may thus include geological information, climate information, and weather information. One or more of the environmental sensors 105B may include a wireless communication module configured to receive environmental information wirelessly from a remote server. Some sensors 105 may be configured to provide both infrastructure information and environmental information in real time. So z. B. a Global Positioning System Sensor (GPS sensor) output signals that z. B. the altitude of the vehicle 120 as well as geographical information.
Die Verarbeitungsvorrichtung 115 kann ausgelegt sein, die Signale des Sensors 105 zu verarbeiten, eine zukünftige Straßencharakteristik auf der Grundlage von z. B. der Infrastrukturinformation, der Umgebungsinformation oder beiden vorherzusagen und wenigstens ein Untersystem 110 gemäß der vorhergesagten zukünftigen Straßencharakteristik zu steuern. Beispiele für Untersysteme 110, die durch die Verarbeitungsvorrichtung 115 gesteuert werden können, können ein Servolenkungs-Untersystem, ein Antriebsstrang-Untersystem, ein aktives Lärmsteuerungs-Untersystem, ein Antriebsschlupfregelungs-Untersystem, eine Stabilitätssteuerungs-Untersystem etc. umfassen. So kann die Verarbeitungsvorrichtung 115 z. B. u. a. das Antriebsschlupfregelungs-Untersystem und das Stabilitätssteuerungs-Untersystem veranlassen, auf flachen, trockenen Straßen anders zu arbeiten als auf hügeligen, nassen Straßen. The processing device 115 can be designed, the signals of the sensor 105 process a future road characteristic based on e.g. B. the infrastructure information, the environment information or both predict and at least one subsystem 110 according to the predicted future road characteristic. Examples of subsystems 110 passing through the processing device 115 can be controlled, may include a power steering subsystem, a powertrain subsystem, an active noise control subsystem, a traction control subsystem, a stability control subsystem, etc. So can the processing device 115 z. These include causing the traction control subsystem and the stability control subsystem to operate differently on flat, dry roads than on hilly, wet roads.
Wie nachfolgend im Detail ausgeführt ist, kann die Verarbeitungsvorrichtung 115 zukünftige Straßencharakteristiken dadurch hochrechnen, dass sie die Straßencharakteristiken über einen vorbestimmten Zeitraum beobachtet und die Frequenz jeder beobachteten Charakteristik zählt. Die Verarbeitungsvorrichtung 115 kann ferner jede beobachtete Charakteristik gewichten. Aktuellere Charakteristiken können höher gewichtet werden. Dies bedeutet, dass die Verarbeitungsvorrichtung 115 eine aktuelle Straßencharakteristik höher gewichtet und eine vorhergehende Straßencharakteristik geringer gewichtet. Anders gesagt wird über dem vorbestimmten Zeitraum die zuerst gemessene Charakteristik am wenigsten gewichtet, während die aktuelle Charakteristik (d. h. die zuletzt gemessene Charakteristik) am höchsten gewichtet wird. Das Zählen der Frequenz jeder beobachteten Charakteristik kann das Zählen davon umfassen, wie oft sich die beobachtete Charakteristik über den vorbestimmten Zeitraum ändert. In diesem beispielhaften Ansatz kann die Verarbeitungsvorrichtung 115 zukünftige Straßencharakteristiken auf der Grundlage davon vorhersagen, wie oft sich die beobachtete Charakteristik über den vorbestimmten Zeitraum ändert.As explained in detail below, the processing device 115 project future road characteristics by observing the road characteristics over a predetermined period of time and counting the frequency of each observed characteristic. The processing device 115 may also weight any observed characteristic. More recent characteristics can be weighted higher. This means that the processing device 115 a current road characteristic is weighted higher and a previous road characteristic is weighted less. In other words, over the predetermined time period, the characteristic measured first is least weighted while the current characteristic (ie, the last measured characteristic) is weighted the highest. Counting the frequency of each observed characteristic may include counting how many times the observed characteristic changes over the predetermined time period. In this exemplary approach, the processing device 115 predict future road characteristics based on how often the observed characteristic changes over the predetermined time period.
Diese Implementierung kann probabilistisches Online Lernen, z. B. Markov-Modelle, verwenden, um kontinuierlich Information über die zukünftigen Straßenbedingungen von dem Fahrzeug 120 auf der Grundlage der zuvor gemessenen Bedingungen zu aktualisieren. Die Markov-Modelle der Übergangswahrscheinlichkeiten können signifikant für unterschiedliche Fahrer, Fahrzeuge und Straßenbedingungen variieren. Damit die Markov-Modelle adäquat den stochastischen Prozess beschreiben, die für eine große Anzahl von Bedingungen, Fahrer und Betriebsmodi modelliert werden, ist eine On-Board-Schätzung der Übergangswahrscheinlichkeiten nachfolgend beschrieben.This implementation may include probabilistic online learning, e.g. As Markov models, use to continuously provide information about the future road conditions of the vehicle 120 to update based on the previously measured conditions. The Markov models of transition probabilities can vary significantly for different drivers, vehicles, and road conditions. In order for the Markov models to adequately describe the stochastic process modeled for a large number of conditions, drivers, and operating modes, an on-board estimation of the transition probabilities is described below.
Im herkömmlichen Markov-Kettenmodell der Übergangswahrscheinlichkeiten pij = P(wj = w(t + 1)|wi = w(t)), wobei wi, wj W durch die Frequenzen definiert sind, d. h. pij = Nij/Ni wobei Nij die Anzahl von Fällen mit w(t) = wi und w(t + 1) = wj ist und Ni die Anzahl von Fällen mit w(t) = wi und w(t + 1) ist, welche zur endlichen Anzahl von Zuständen J gehören. Für eine gegebene Gesamtanzahl an Beobachtungen N können die Übergangswahrscheinlichkeiten formal durch die gemittelten Frequenzen, d. h. pij = (Nij/N)/(Ni/N) ausgedrückt werden. In der On-Line-Lernen Version der Markov-Kette werden diese gemittelten Frequenzen durch ihre exponentiell gewichteten Entsprechungen, deren aktuellsten Beobachtungen am höchsten gewichtet werden, ersetzt. Numerisch kann der Prozess der Erzeugung einer gewichtungsgemittelten Alternative zu (Nij/N) mit exponentiell abnehmender Gewichtung dadurch erreicht werden, dass ein Niedrigpassfilter, der den exponentiellen Glättungsalgorithmus in der Zeitdomäne implementiert, angelegt wird: Fij,new (1) worin die konstante Lernrate 0 < α ≤ 1 die Rate der Aktualisierung des Fij kontrolliert, indem ein Satz von exponentiell abnehmenden Gewichtungen den älteren Beobachtungen zugewiesen wird. Für eine konstante Lernrate α erzeugt die Gleichung (1) rekursiv einen Vektor von positive Gewichtungen: W = [(1 – α)k α(1 – α)k-1 α(1 – α)k-2 ...α] (2) mit einer Einheitssumme. Der Vektor W beschreibt einen Aggregationsoperator vom gewichtungsgemittelten Typ mit exponentiell abnehmenden Gewichtungen, die durch die Lernrate α parametrisiert werden. Die Lernrate α definiert die Speichertiefe (d. h. die Länge des sich bewegenden Fensters) des gewichtungsgemittelten Aggregationsoperators. Die Speichertiefe K verhält sich etwa reziprok zur Lernrate, d. h. K ≈ 1/α. Somit stellt Fij in (1) den gewichteten Mittelwert der einzelnen Beobachtungen über die Gewichtungen w dar. Alternativ gilt für die gewichtete Version von (Nj/N): als Darstellung des gewichteten Mittelwerts aller Fälle mit w(t) = wj und w(t + 1), die zu einer der endlichen Anzahl von Zuständen J gehören.In the conventional Markov chain model, the transition probabilities p ij = P (w j = w (t + 1) | w i = w (t)) where w i , w j W are defined by the frequencies, ie, p ij = N ij / N i where N ij is the number of cases with w (t) = w i and w (t + 1) = w j and N i is the number of cases with w (t) = w i and w (t + 1 ), which belong to the finite number of states J. For a given total number of observations N, the transition probabilities can be formally expressed by the averaged frequencies, ie, p ij = (N ij / N) / (N i / N). In the on-line learning version of the Markov chain, these averaged frequencies are replaced by their exponentially weighted equivalents whose most recent observations are weighted the most. Numerically, the process of generating a weighted alternative to (N ij / N) with exponentially decreasing weighting can be achieved by applying a low pass filter that implements the exponential smoothing algorithm in the time domain: F ij, new (1) wherein the constant learning rate 0 <α ≤ 1 controls the rate of updating the F ij by assigning a set of exponentially decreasing weights to the older observations. For a constant learning rate α, equation (1) recursively generates a vector of positive weights: W = [(1-α) k α (1-α) k-1 α (1-α) k-2 ... α] (2) with a unit sum. The vector W describes a weighted average aggregation operator with exponentially decreasing weights parameterized by the learning rate α. The learning rate α defines the memory depth (ie, the length of the moving window) of the weighted aggregation operator. The memory depth K is approximately reciprocal to the learning rate, ie K ≈ 1 / α. Thus, Fij in (1) represents the weighted average of the individual observations over the weights w. Alternatively, for the weighted version of ( Nj / N): representing the weighted average of all cases with w (t) = w j and w (t + 1) belonging to one of the finite number of states J.
Die gewichteten Mittelwerte können über die Ereignisse, die zum weichen Intervall {t – K + 1, t] gehören, wobei das Symbol ”{” eine niedrigere Weichintervallgrenze anzeigt, welche Werte mit niedrigeren Indizes als (t – K umfasst, welche einen relativ geringen Beitrag leisten, berechnet werden. Folglich werden die exponentiell gewichteten Übergangswahrscheinlichkeiten aus den exponentiellen gewichteten Mittelwerten erhalten pij = Fij/Fi. (4) The weighted averages may be over the events associated with the soft interval {t - K + 1, t], where the symbol "{" indicates a lower soft - interval limit containing values with lower indices than (t - K) which is a relatively small Consequently, the exponentially weighted transition probabilities are obtained from the exponential weighted averages p ij = F ij / F i . (4)
Die Definition der Übergangswahrscheinlichkeiten durch die Gleichung (4) ermöglicht die kontinuierliche Anpassung an das sich ändernde Fahrzeug 120, Straße und Verkehrsbedingungen sowie Fahrstil. Darüber kann durch die Verwendung von vektorisiertem Lernen die Verarbeitungsvorrichtung 115 den Prozess der Aktualisierung der Übergangswahrscheinlichkeiten, die mit den verschiedenen Markov-Zuständen assoziiert sind, feineinstellen. Die gegenwärtigen und Ein-Schritt-Status-Wahrscheinlichkeitsvektoren x und x+ sind durch Übergangswahrscheinlichkeiten als (x+)T = xTP (5) verbunden.The definition of the transition probabilities by the equation (4) allows the continuous adaptation to the changing vehicle 120 , Road and traffic conditions as well as driving style. In addition, through the use of vectorized learning, the processing device 115 fine tune the process of updating the transition probabilities associated with the various Markov states. The current and one-step status probability vectors x and x + are represented by transition probabilities (x + ) T = x T P (5) connected.
Für t > 1 Schritte voraus ergibt die Chapman-Kolmogorov-Gleichung (x+t)T = xTPt (6) For t> 1 step ahead, the Chapman-Kolmogorov equation yields (x + t ) T = x T P t (6)
In einem anderen möglichen Ansatz kann die Verarbeitungsvorrichtung 115 Vorhersagen über die zukünftigen Straßencharakteristiken treffen, die einem Vorhersagefehler unterworfen sind. In dieser Implementierung kann die Verarbeitungsvorrichtung 115 den Vorhersagefehler evaluieren und einen Vorhersagehorizont anpassen, bis der Vorhersagefehler innerhalb eines vorbestimmten Genauigkeitsbereichs liegt. Der Vorhersagehorizont kann Vorhersagen über Straßencharakteristiken an einer Reihe von aufeinander folgenden Positionen im wahrscheinlichsten Weg des Fahrzeugs 120 umfassen. Das Anpassen des Vorhersagehorizonts kann das schrittweise Erhöhen des Vorhersagehorizonts (d. h. die Anzahl an zukünftigen Straßenvorhersagen an verschiedenen Positionen), bis der Vorhersagefehler den maximalen Schwellenwert überschreitet, und das Reduzieren des Vorhersagehorizonts, bis der Vorhersagefehler unter einen minimalen Schwellenwert gesunken ist, umfassen. Somit erhöht das Erhöhen der Anzahl von Positionen den Vorhersagehorizont, und das Reduzieren der Anzahl an Positionen reduziert den Vorhersagehorizont. Der maximale Schwellenwert und der minimale Schwellenwert können den vorbestimmten Genauigkeitsbereich definieren. Wie beim vorherigen Ansatz kann die Verarbeitungsvorrichtung 115 ein oder mehrere Fahrzeug-Untersysteme 110 gemäß der vorhergesagten zukünftigen Straßencharakteristik steuern.In another possible approach, the processing device 115 Make predictions about the future road characteristics that are subject to a prediction error. In this implementation, the processing device 115 evaluate the prediction error and adjust a prediction horizon until the prediction error is within a predetermined accuracy range. The forecast horizon may predict road characteristics at a number of consecutive positions in the most probable path of the vehicle 120 include. Adjusting the prediction horizon may include incrementally increasing the prediction horizon (ie, the number of future road forecasts at different locations) until the prediction error exceeds the maximum threshold and reducing the prediction horizon until the prediction error has dropped below a minimum threshold. Thus, increasing the number of positions increases the forecast horizon, and reducing the number of positions reduces the forecast horizon. The maximum threshold and the minimum threshold may define the predetermined accuracy range. As with the previous approach, the processing device 115 one or more vehicle subsystems 110 according to the predicted future road characteristic.
In diesem Ansatz soll ein Surrogat für entweder Straßenkrümmungs-, Steigungs- oder Rauigkeitsmessung zum Zeitpunkt k abhängig von den zu lösenden Problemen sein, und geht man davon aus, dass das Surrogat als eine endliche Summe von Sinusoiden modelliert werden kann, d. h. worin Ai, Bi, ωi, φi unbekannt sind, dann setzt sich das Surrogat fort durch γ(k + 1) = θ(k)ϕ(k) (8) worin ein Vektor von Modellparametern ist, und ein Vektor der gegenwärtigen und vergangenen Daten ist. Als nächstes soll r, eine positive, ganze Zahl, die Breite des Vorhersagehorizonts des Surrogats sein. Dann wird das Surrogat γ(k + r) durch die Gleichung (7), in der Zustandsraumform geschrieben, erhalten die Surrogat-Dynamiken sind und In this approach should be a surrogate for either road curvature, slope, or roughness measurement at time k depending on the problems to be solved, and assuming that the surrogate can be modeled as a finite sum of sinusoids, ie where A i , B i , ω i , φ i are unknown, then the surrogate continues γ (k + 1) = θ (k) φ (k) (8) wherein is a vector of model parameters, and is a vector of the current and past data. Next, let r, a positive integer, be the width of the surrogate's prediction horizon. Then, the surrogate γ (k + r) is obtained by the equation (7) written in the state space form the surrogate dynamics are and
Es folgt aus den Gleichungen (10)–(11), dass das Surrogat bei k + r ist: It follows from equations (10) - (11) that the surrogate is at k + r:
Unter der nächsten Annahme, dass sich A(k) langsam über die Zeit entwickelt, so ergibt sich für i = 1, ..., r, A(k + i) ≈ A(k) (15) und die Gleichung (14) kann neu geschrieben werden als Under the next assumption that A (k) evolves slowly over time, it follows for i = 1, ..., r, A (k + i) ≈ A (k) (15) and the equation (14) can be rewritten as
Da A(k) unbekannt ist, wird eine Schätzung von A(k), bezeichnet als Â(k), verwendet, um die r-Schritte des Surrogats in der Zukunft zu schätzen, so dass worin und eine Schätzung von θ(k) ist.Since A (k) is unknown, an estimate of A (k), denoted as (k), is used to estimate the r-steps of the surrogate in the future, so that wherein and is an estimate of θ (k).
Die Funktion θ ^(k) kann durch Formulierung der rekursiven Kostenfunktion der kleinsten Quadrate berechnet werden, worin positiv definit ist und λ ∊ (0, 1] der Vergessensfaktor ist. Der Minimierer der Gleichung (19) ist worin β(k) entweder 0 oder 1 ist. Ist β(k) = 1, wird das Modell aktualisiert, während, wenn β(k) = 0, das Modell feststehend ist. P(k) wird durch aktualisiert.The function θ ^ (k) can by formulating the recursive least squares cost function to be calculated, in which is positive definite and λ ε (0, 1) is the forgetting factor The minimizer of equation (19) is where β (k) is either 0 or 1. If β (k) = 1, the model is updated, while if β (k) = 0, the model is fixed. P (k) is through updated.
P(0) wird auf α/ initialisiert, worin α > 0.P (0) is initialized to α /, where α> 0.
Die Verarbeitungsvorrichtung 115 kann ferner ausgelegt sein, verstärkendes Lernen zu implementieren. Verstärkendes Lernen versucht, das Problem der Wahl eines Satzes von Zustandsübergängen zu lösen, so dass eine vordefinierte Leistungsmetrik maximiert wird, d. h. eine Belohnungsfunktion.The processing device 115 may further be configured to implement reinforcing learning. Enhanced learning attempts to solve the problem of choosing a set of state transitions so that a predefined performance metric is maximized, ie, a reward function.
Im Kontext der Surrogat-Vorhersage nimmt man r(k) = 0, ..., m, was der Vorhersagehorizont als eine Funktion der Zeit k ist, als den Satz von zulässigen Zuständen an, in welchen m die maximal zulässige Horizontgröße ist. In manchen Fällen wird ein Horizont so gewählt, so dass r so groß wie möglich ist. Wie aber obig erwähnt wurde, nimmt die Vorhersagegenauigkeit mit zunehmendem r ab. Somit kann die Belohnungsfunktion sein: worin 0 ≤ γ(k) < 1 ein Diskontierungsfaktor ist, und R (.) ist eine Funktion des Horizonts r und des Vorhersagefehlers e und wird durch den Nutzer definiert, um das erwünschte Gleichgewicht zwischen Horizontgröße und Vorhersagegenauigkeit bereitzustellen. Als Nächstes wird verstärkendes Lernen verwendet, um J(k) zu maximieren und somit den Horizont r(k) zu bestimmen, was im erwünschten Gleichgewicht zwischen Horizontgröße und erforderlicher Genauigkeit resultiert. In the context of surrogate prediction, r (k) = 0, ..., m, which is the predictive horizon as a function of time k, takes as the set of allowable states in which m is the maximum allowable horizon size. In some cases, a horizon is chosen so that r is as large as possible. But as mentioned above, the prediction accuracy decreases with increasing r. Thus, the reward function can be: where 0 ≦ γ (k) <1 is a discount factor, and R (.) is a function of the horizon r and the prediction error e and is defined by the user to provide the desired balance between horizon size and prediction accuracy. Next, reinforcing learning is used to maximize J (k) and thus determine the horizon r (k), resulting in the desired balance between horizon size and required accuracy.
Im Allgemeinen können Rechensysteme und/oder -vorrichtungen wie die Verarbeitungsvorrichtung 115 eine Reihe von Computerbetriebssystemen verwenden, dabei einschließend, aber nicht darauf beschränkt, Versionen und/oder Varianten des Ford SYNC® Betriebssystems, des Microsoft Windows® Betriebssystems, des Unix Betriebssystems (z. B. das Solaris® Betriebssystem, das von der Oracle Corporation of Redwood Shores, Kalifornien, vertrieben wird), das AIX UNIX Betriebssystem, im Vertrieb durch International Business Machines of Armonk, New York, das Linux Betriebssystem, das Mac OS X und iOS Betriebssystem, vertrieben durch Apple Inc. of Cupertino, Kalifornien, und das Android Betriebssystem, entwickelt durch die Open Handset Alliance. Beispiele für Rechenvorrichtungen umfassen, ohne Einschränkung, eine Fahrzeugcomputer- oder eine -steuereinheit, eine Computer-Arbeitsstation, einen Server, einen Desktop Computer, ein Notebook, einen Laptop oder einen Taschencomputer oder andere Rechensysteme und/oder -vorrichtungen.In general, computing systems and / or devices such as the processing device 115 use a variety of computer operating systems, thereby including but not limited to, versions and / or variants of the Ford SYNC ® operating system, Microsoft Windows ® operating system, the Unix operating system (z. B. the Solaris ® operating system of the Oracle Corporation of Redwood Shores, California), the AIX UNIX operating system, distributed by International Business Machines of Armonk, New York, the Linux operating system, the Mac OS X and iOS operating system, distributed by Apple Inc. of Cupertino, California, and the Android operating system, developed by the Open Handset Alliance. Examples of computing devices include, without limitation, a vehicle computer or control unit, a computer workstation, a server, a desktop computer, a notebook, a laptop or a pocket computer, or other computing systems and / or devices.
Rechenvorrichtungen umfassen im Allgemeinen vom Computer ausführbare Befehle, wobei die Befehle von einer oder mehreren Rechenvorrichtungen, wie sie obig aufgelistet sind, ausgeführt werden können. Vom Computer ausführbare Befehle können von Computerprogrammen zusammengestellt oder interpretiert werden, die unter Verwendung einer Vielzahl von Programmiersprachen und/oder -technologien, die, ohne Einschränkung, und entweder allein oder in Kombination, JavaTM, C, C++, Visual Basic, Java Script, Perl etc. umfassen, erzeugt werden. Im Allgemeinen empfängt ein Prozessor (z. B. ein Mikroprozessor) Befehle, z. B. von einem Speicher, einem computerlesbaren Medium etc., und führt diese Befehle aus, wobei ein oder mehrere Prozesse durchgeführt werden, die einen oder mehrere der hierin beschriebenen Prozesse umfassen. Solche Befehle und andere Daten können unter Verwendung einer Vielzahl von computerlesbaren Medien gespeichert und übertragen werden.Computing devices generally include computer-executable instructions, which instructions may be executed by one or more computing devices as listed above. Computer-executable instructions may be compiled or interpreted by computer programs using a variety of programming languages and / or technologies, including, but not limited to, and alone or in combination, Java ™ , C, C ++, Visual Basic, Java Script, Perl etc. include. In general, a processor (eg, a microprocessor) receives commands, e.g. A memory, a computer-readable medium, etc., and executes these instructions, performing one or more processes that include one or more of the processes described herein. Such instructions and other data may be stored and transmitted using a variety of computer-readable media.
Ein computerlesbares Medium (das auch als ein prozessorlesbares Medium bezeichnet wird) umfasst ein beliebiges nichtflüchtiges (z. B. greifbares) Medium, das an der Bereitstellung von Daten (z. B. Befehlen) teilnimmt, welche von einem Computer (z. B. einem Prozessor eines Computers) gelesen werden können. Ein solches Medium kann viele verschiedene Formen annehmen, die nichtflüchtige und flüchtige Medien umfassen, nicht aber darauf beschränkt sind. Nichtflüchtige Medien können z. B. optische oder magnetische Disks und andere persistente Speicher umfassen. Flüchtige Medien können z. B. Dynamic Random Access Memory (DRAM) umfassen, was typischerweise einen Hauptspeicher darstellt. Solche Befehle können durch ein oder mehrere Übertragungsmedien übertragen werden, welche Koaxialkabel, Kupferdraht und Faseroptik umfassen, einschließlich dabei Drähte, die einen an einen Prozessor eines Computers gekoppelten System-Bus umfassen. Herkömmliche Formen von computerlesbaren Medien umfassen z. B. eine Floppy Disk, eine Flexible Disk, Hard Disk, Magnetband, ein beliebiges anderes Magnetmedium, eine CD-ROM, DVD, ein beliebiges anderes optisches Medium, Lochkarten, Lochstreifen, ein beliebiges anderes physisches Medium mit Lochmustern, einen RAM, PROM, EPROM, FLASH-EEPROM, einen beliebigen anderen Speicher-Chip oder eine Speicherpatrone, oder ein beliebiges anderes Medium, das ein Computer lesen kann.A computer-readable medium (also referred to as a processor-readable medium) includes any nonvolatile (eg, tangible) medium that participates in the provision of data (eg, instructions) received from a computer (e.g. a processor of a computer) can be read. Such a medium may take many different forms, including, but not limited to, nonvolatile and volatile media. Non-volatile media can z. As optical or magnetic disks and other persistent storage. Volatile media can z. Dynamic Random Access Memory (DRAM), which is typically a main memory. Such instructions may be transmitted through one or more transmission media, including coaxial cable, copper wire, and fiber optics, including wires comprising a system bus coupled to a processor of a computer. Conventional forms of computer-readable media include e.g. A floppy disk, a flexible disk, hard disk, magnetic tape, any other magnetic media, a CD-ROM, DVD, any other optical media, punched cards, punched tape, any other physical media with hole patterns, a RAM, PROM, EPROM, FLASH EEPROM, any other memory chip or cartridge, or any other medium that a computer can read.
Datenbanken, Datenarchive oder andere Datenspeicher, die hierin beschrieben sind, können verschiedene Arten von Mechanismen zur Speicherung, für den Zugriff und das Abfragen verschiedener Arten von Daten umfassen, einschließlich eine hierarchische Datenbank, einen Satz aus Dateien in einem Dateisystem, eine Anwendungsdatenbank in einem proprietären Format, ein relationales Datenbankverwaltungssystem (RDBMS) etc. Jeder solche Datenspeicher ist im Allgemeinen innerhalb einer Rechenvorrichtung umfasst, die ein Computer-Betriebssystem wie eines der oben erwähnten umfasst, und auf welche über ein Netzwerk in einer beliebigen einer Vielzahl von Arten zugegriffen wird. Auf ein Dateisystem kann von einem Computer-Betriebssystem zugegriffen werden, und es kann Dateien umfassen, die in verschiedenen Formaten gespeichert sind. Ein RDBMS verwendet im Allgemeinen die Structured Query Language (SQL) zusätzlich zu einer Sprache zur Erzeugung, Speicherung, Bearbeitung und Ausführung von gespeicherten Verfahren, so z. B. die oben angesprochenen PL/SQL Sprachen.Databases, data archives or other data stores described herein may include various types of mechanisms for storing, accessing and querying various types of data, including a hierarchical database, a set of files in a file system, an application database in a proprietary one Format, a Relational Database Management System (RDBMS), etc. Each such data store is generally comprised within a computing device that includes a computer operating system such as one of those mentioned above and over which a network is accessed in any of a variety of ways. A file system may be accessed by a computer operating system and may include files stored in various formats. An RDBMS generally uses the Structured Query Language (SQL) in addition to a language for creating, storing, manipulating, and executing stored procedures, such as. Eg the PL / SQL languages mentioned above.
In einigen Beispielen können Systemelemente als computerlesbare Befehle (z. B. Software) auf einer oder mehreren Rechenvorrichtungen (z. B. Server, PCs etc.), gespeichert auf damit assoziierten computerlesbaren Medien (z. B. Disks, Speicher etc.) implementiert werden. Ein Computerprogrammprodukt kann solche auf einem computerlesbaren Medium gespeicherte Befehle umfassen, um die hierin beschriebenen Funktionen auszuführen.In some examples, system elements may be implemented as computer-readable instructions (eg, software) on one or more computing devices (eg, servers, personal computers, etc.) stored on computer-readable media (eg, disks, memory, etc.) associated therewith become. A computer program product may include such instructions stored on a computer readable medium to perform the functions described herein.
Die 2A–2C veranschaulichen beispielhafte Straßencharakteristiken, die durch die Verarbeitungsvorrichtung 115 evaluiert werden können. In diesen Figuren sammelt die Verarbeitungsvorrichtung 115 Infrastrukturinformation an einer Anzahl von Positionen und Straßenabschnitten, um zukünftige Straßencharakteristiken vorhersagen zu können. Während nur fünf Abschnitte zum Zwecke der Deutlichkeit und Einfachheit dargestellt sind, kann die Verarbeitungsvorrichtung 115 Infrastrukturinformation an beliebig vielen Abschnitten sammeln.The 2A - 2C illustrate exemplary road characteristics generated by the processing device 115 can be evaluated. In these figures, the processing device collects 115 Infrastructure information at a number of locations and road sections to predict future road characteristics. While only five sections are shown for the sake of clarity and simplicity, the processing device 115 Collect infrastructure information on as many sections as you like.
Wie in 2A dargestellt ist, kann die Verarbeitungsvorrichtung 115 Straßenkrümmungsinformation sammeln. Die Verarbeitungsvorrichtung 115 kann bestimmen, dass die Krümmung in den Abschnitten 1, 3 und 5 relativ gering und an den Abschnitten 2 und 4 relativ hoch ist. Somit kann die Verarbeitungsvorrichtung 115 die Straßenkrümmung vorhersagen, um zwischen hoher und geringer Krümmung auf dem Weg des Fahrzeugs 120 weiter zu wechseln und einen Betriebsmodus eines oder mehrerer Untersysteme 110 zu verschiedenen Zeitpunkten und an verschiedenen Positionen dementsprechend anzupassen. Die Verarbeitungsvorrichtung 115 kann die Länge jedes Abschnitts (d. h. eine Distanz zwischen den Positionen) aufzeichnen, um vorherzusagen, wo sich die Straßenkrümmung am wahrscheinlichsten ändert. Die Verarbeitungsvorrichtung 115 kann ferner die Geschwindigkeit des Fahrzeugs 120 berücksichtigen, um vorherzusagen, wann das Fahrzeug 120 den nächsten Abschnitt erreichen wird. In Implementierungen, in welchen die an jedem Abschnitt gesammelten Straßencharakteristiken gewichtet werden, und unter der Annahme, dass sich das Fahrzeug 120 vom Abschnitt 1 zum Abschnitt 5 bewegt, kann die am Abschnitt 5 gesammelte Charakteristik (die zuletzt gesammelte Charakteristik) höher gewichtet werden und eine am Abschnitt 1 gesammelte Charakteristik (die „älteste” gesammelte Charakteristik) kann weniger gewichtet werden. Zwischengewichtungen (d. h. Gewichtungen jener zwischen den Abschnitten 1 und 5) können auf die mit den Abschnitten 2, 3 und 4 assoziierten Charakteristiken angewendet werden.As in 2A is shown, the processing device 115 Collect road curvature information. The processing device 115 can determine that the curvature in the sections 1 . 3 and 5 relatively low and at the sections 2 and 4 is relatively high. Thus, the processing device 115 predict the curvature of the road to between high and low curvature on the way of the vehicle 120 continue to change and an operating mode of one or more subsystems 110 to adjust accordingly at different times and at different positions. The processing device 115 can record the length of each section (ie, a distance between positions) to predict where the road curvature is most likely to change. The processing device 115 can also increase the speed of the vehicle 120 Take into account to predict when the vehicle 120 will reach the next section. In implementations in which the road characteristics collected at each section are weighted, and assuming that the vehicle is 120 from the section 1 to the section 5 moved, can the section 5 collected characteristic (the last collected characteristic) are weighted higher and one at the section 1 Collected characteristic (the "oldest" collected characteristic) can be weighted less. Intermediate weights (ie weights of those between sections 1 and 5 ) on the sections 2 . 3 and 4 associated characteristics are applied.
Mit Bezug nun auf 2B kann die Verarbeitungsvorrichtung 115 Straßenrauigkeitsinformation sammeln. Die Verarbeitungsvorrichtung 115 kann bestimmen, dass die Rauigkeit an den Abschnitten 1, 3 und 5 relativ gering und an den Abschnitten 2 und 4 relativ hoch ist. Somit kann die Verarbeitungsvorrichtung eine Vorhersage über die Straßenrauigkeit treffen, um weiter zwischen hohen und niedrigen Rauigkeitsfaktoren auf dem Weg des Fahrzeugs 120 zu wechseln und einen Betriebsmodus eines oder mehrerer Untersysteme 110 zu verschiedenen Zeitpunkten und an verschiedenen Positionen dementsprechend anzupassen. Wie obig ausgeführt wurde, kann die Verarbeitungsvorrichtung 115 die Länge jedes Abschnitts (d. h. eine Distanz zwischen den Positionen) aufzeichnen, um vorherzusagen, wo sich die Straßenrauigkeit am wahrscheinlichsten ändert. Die Verarbeitungsvorrichtung kann ferner die Geschwindigkeit des Fahrzeugs 120 berücksichtigen, um vorherzusagen, wann das Fahrzeug 120 den nächsten Abschnitt erreichen wird. In Implementierungen, in welchen die an jedem Abschnitt gesammelten Straßencharakteristiken gewichtet werden, und unter der Annahme, dass sich das Fahrzeug 120 vom Abschnitt 1 zum Abschnitt 5 bewegt, kann der am Abschnitt 5 gesammelte Rauigkeitsfaktor (die zuletzt gesammelte Charakteristik) höher gewichtet werden, und ein am Abschnitt 1 gesammelter Rauigkeitsfaktor (die „älteste” gesammelte Charakteristik) kann weniger gewichtet werden. Zwischengewichtungen (d. h. Gewichtungen jener zwischen den Abschnitten 1 und 5) können auf die mit den Abschnitten 2, 3 und 4 assoziierten Rauigkeitsfaktoren angewendet werden.With reference now to 2 B can the processing device 115 Collect road roughness information. The processing device 115 can determine that the roughness on the sections 1 . 3 and 5 relatively low and at the sections 2 and 4 is relatively high. Thus, the processing device may make a prediction about the road roughness to further between high and low roughness factors on the way of the vehicle 120 to switch and an operating mode of one or more subsystems 110 to adjust accordingly at different times and at different positions. As stated above, the processing device 115 record the length of each section (ie, a distance between positions) to predict where the road roughness is most likely to change. The processing device may further control the speed of the vehicle 120 Take into account to predict when the vehicle 120 will reach the next section. In implementations in which the road characteristics collected at each section are weighted, and assuming that the vehicle is 120 from the section 1 to the section 5 moved, can the section 5 collected roughness factor (the last collected characteristic) are weighted higher, and one at the section 1 collected roughness factor (the "oldest" collected characteristic) can be weighted less. Intermediate weights (ie weights of those between sections 1 and 5 ) on the sections 2 . 3 and 4 associated roughness factors are applied.
Eine ähnliche Analyse kann auch auf die Straßensteigung angewendet werden, wie dies in 2C dargestellt ist. Dies bedeutet, dass die Verarbeitungsvorrichtung 115 bestimmen kann, dass der Steigungsfaktor an den Abschnitten 1, 3 und 5 relativ hoch und an den Abschnitten 2 und 4 relativ niedrig ist. Somit kann die Verarbeitungsvorrichtung 115 die Vorhersage treffen, dass die Straßensteigung weiter zwischen hohen und niedrigen Steigungsfaktoren wechselt, und sie passt einen Betriebsmodus eines oder mehrerer Untersysteme 110 zu verschiedenen Zeitpunkten und an verschiedenen Abschnitten dementsprechend an. Wie obig ausgeführt wurde, kann die Verarbeitungsvorrichtung 115 die Länge jedes Abschnitts (d. h. eine Distanz zwischen Positionen) aufzeichnen, um vorherzusagen, wann sich die Straßensteigung am wahrscheinlichsten ändert. Die Verarbeitungsvorrichtung 115 kann ferner topographische Information berücksichtigen, welche über einen GPS-Sensor oder einen anderen Umgebungssensor 105A verfügbar sein kann, wenn sie solche Vorhersagen trifft. Die Verarbeitungsvorrichtung 115 kann die Geschwindigkeit des Fahrzeugs 120 berücksichtigen, um vorherzusagen, wann das Fahrzeug 120 den nächsten Abschnitt erreichen wird. In Implementierungen, in welchen die an jedem Abschnitt gesammelten Straßencharakteristiken gewichtet werden, und unter der Annahme, dass sich das Fahrzeug 120 vom Abschnitt 1 zum Abschnitt 5 bewegt, kann der am Abschnitt 5 gesammelte Steigungsfaktor (die zuletzt gesammelte Charakteristik) höher gewichtet werden, und ein am Abschnitt 1 gesammelter Steigungsfaktor (die „älteste” gesammelte Charakteristik) kann weniger gewichtet werden. Zwischengewichtungen (d. h. Gewichtungen jener zwischen den Abschnitten 1 und 5) können auf die den Abschnitten 2, 3 und 4 zugeordneten Steigungsfaktoren angewendet werden.A similar analysis can also be applied to the road slope, as in 2C is shown. This means that the processing device 115 can determine that the slope factor at the sections 1 . 3 and 5 relatively high and at the sections 2 and 4 is relatively low. Thus, the processing device 115 predicting that the road grade will continue to switch between high and low slope factors, and will fit one mode of operation of one or more subsystems 110 at different times and at different stages accordingly. As stated above, the processing device 115 the length of each section (ie a distance between Positions) to predict when the road grade is most likely to change. The processing device 115 may also take into account topographic information transmitted via a GPS sensor or other environmental sensor 105A available when making such predictions. The processing device 115 can the speed of the vehicle 120 Take into account to predict when the vehicle 120 will reach the next section. In implementations in which the road characteristics collected at each section are weighted, and assuming that the vehicle is 120 from the section 1 to the section 5 moved, can the section 5 accumulated slope factor (the last collected characteristic) are weighted higher, and one at the section 1 accumulated slope factor (the "oldest" accumulated characteristic) can be weighted less. Intermediate weights (ie weights of those between sections 1 and 5 ) on the sections 2 . 3 and 4 associated slope factors are applied.
In einigen Fällen können die Abschnitte unterschiedliche Längen aufweisen. Die Verarbeitungsvorrichtung 115 kann somit ferner die Länge des nächsten Abschnitts vorhersagen und den Betrieb eines oder mehrere Untersysteme 110 demgemäß steuern. Darüber hinaus kann ein Abschnitt auch so kurz sein, dass die Verarbeitungsvorrichtung 115 entscheiden kann, ein oder mehrere Untersysteme 110 gemäß den aktuellen Charakteristiken anstelle der zukünftigen oder vorhergesagten Straßencharakteristik zu betreiben. So kann z. B. auf einer Straße mit langen Abschnitten mit hoher Krümmung gefolgt von kurzen, relativ geraden Abschnitten, die Verarbeitungsvorrichtung 115 bestimmen, dass die beste Vorgehensweise darin besteht, die Untersysteme 110 im Betriebsmodus, der mit der hohen Krümmung assoziiert ist, zu halten, selbst wenn durch die Abschnitte mit relativ geringer Krümmung gefahren wird. Anders gesagt kann die Verarbeitungsvorrichtung 115 ausgelegt sein, gewisse Vorhersagen zu ignorieren, wenn sie den Betriebsmodus eines oder mehrerer Untersysteme 110 steuert.In some cases, the sections may have different lengths. The processing device 115 Thus, it may further predict the length of the next section and the operation of one or more subsystems 110 accordingly control. In addition, a section may also be so short that the processing device 115 can decide one or more subsystems 110 operate according to the current characteristics instead of the future or predicted road characteristics. So z. On a road with long sections of high curvature followed by short, relatively straight sections, the processing device 115 determine that the best course of action is the subsystems 110 in the operating mode associated with the high curvature, even when passing through the relatively low-curvature sections. In other words, the processing device 115 be designed to ignore certain predictions when changing the operating mode of one or more subsystems 110 controls.
3 ist ein Flussdiagramm eines beispielhaften Prozesses 300, der durch die Verarbeitungsvorrichtung 115 implementiert werden kann, um z. B. zukünftige Straßencharakteristiken vorherzusagen. 3 is a flowchart of an example process 300 passing through the processing device 115 can be implemented to B. predict future road characteristics.
Im Block 305 kann die Verarbeitungsvorrichtung 115 Infrastrukturinformation, Umgebungsinformation oder beides, in Echtzeit gesammelt durch einen oder mehrere Sensoren 105, empfangen. Infrastrukturinformation kann eines oder mehrere von Straßenrauigkeit, Straßenkrümmung, Straßensteigung und Straßenbauvorgaben umfassen. Beispiele für Umgebungsinformation können geologische Information, Klimainformation und Wetterinformation umfassen.In the block 305 can the processing device 115 Infrastructure information, environmental information, or both, collected in real time by one or more sensors 105 , received. Infrastructure information may include one or more of road roughness, road curvature, road grade, and road construction specifications. Examples of environmental information may include geological information, climate information and weather information.
Im Block 310 kann die Verarbeitungsvorrichtung 115 die Infrastrukturinformation und/oder Umgebungsinformation verarbeiten, die im Block 305 empfangen wurde. Die Verarbeitung der Infrastrukturinformation und/oder Umgebungsinformation kann das Dekodieren von Signalen umfassen, die von den Infrastruktursensoren 105A und/oder den Umgebungssensoren 105B empfangen wurden.In the block 310 can the processing device 115 process the infrastructure information and / or environment information contained in the block 305 was received. The processing of the infrastructure information and / or environment information may involve the decoding of signals received from the infrastructure sensors 105A and / or the environmental sensors 105B were received.
Im Block 315 kann die Verarbeitungsvorrichtung 115 Vorhersagen über zukünftige Straßencharakteristiken auf der Grundlage der Infrastrukturinformation und/oder der Umgebungsinformation treffen. In einer möglichen Implementierung kann das Vorhersagen der zukünftigen Straßencharakteristiken das Beobachten wenigstens einer von einer Vielzahl von Straßencharakteristiken über einen vorbestimmten Zeitraum und das Zählen jeder beobachteten Charakteristik umfassen. Das Zählen der Frequenz der beobachteten Charakteristik kann das Zählen davon umfassen, wie oft sich die beobachtete Charakteristik über den vorbestimmten Zeitraum ändert. Demgemäß kann die zukünftige Straßencharakteristik auf der Grundlage davon vorhergesagt werden, wie oft sich die beobachtete Charakteristik über den vorbestimmten Zeitraum ändert. Darüber hinaus kann die Verarbeitungsvorrichtung 115 jede der beobachteten Charakteristiken unterschiedlich gewichten, wenn sie Vorhersagen für die zukünftigen Straßencharakteristiken trifft. Wie obig ausgeführt wurde, kann die aktuelle Straßencharakteristik höher gewichtet werden, und die vorhergehenden Straßencharakteristiken können geringer gewichtet werden.In the block 315 can the processing device 115 Make predictions about future road characteristics based on the infrastructure information and / or the environment information. In one possible implementation, predicting the future road characteristics may include observing at least one of a plurality of road characteristics over a predetermined time period and counting each observed characteristic. Counting the frequency of the observed characteristic may include counting how many times the observed characteristic changes over the predetermined time period. Accordingly, the future road characteristic can be predicted based on how many times the observed characteristic changes over the predetermined time period. In addition, the processing device 115 Each of the observed characteristics weights differently when making predictions for future road characteristics. As stated above, the current road characteristic can be weighted higher, and the previous road characteristics can be weighted less.
Im Block 320 kann die Verarbeitungsvorrichtung 115 wenigstens ein Untersystem 110 gemäß der vorhergesagten zukünftigen Straßencharakteristik steuern, einschließlich dabei das Ignorieren der vorhergesagten zukünftigen Straßencharakteristik, wenn die Verarbeitungsvorrichtung 115 bestimmt, dass die vorhergesagte zukünftige Straßencharakteristik nur für eine relative kurze Zeitspanne gegeben ist. Der Prozess 300 kann nach dem Block 320 zum Block 305 zurückkehren.In the block 320 can the processing device 115 at least one subsystem 110 controlling the predicted future road characteristic, including ignoring the predicted future road characteristic when the processing device 115 determines that the predicted future road characteristic is given only for a relatively short period of time. The process 300 can after the block 320 to the block 305 to return.
4 ist ein Flussdiagramm eines anderen beispielhaften Prozesses 400, der durch die Verarbeitungsvorrichtung 115 implementiert werden kann, um z. B. zukünftige Straßencharakteristiken vorherzusagen. 4 FIG. 10 is a flowchart of another example process. FIG 400 passing through the processing device 115 can be implemented to B. predict future road characteristics.
Im Block 405 kann die Verarbeitungsvorrichtung 115 Infrastrukturinformation, Umgebungsinformation oder beides, gesammelt in Echtzeit von einem oder mehreren Sensoren 105, empfangen. Infrastrukturinformation kann eines oder mehrere von Straßenrauigkeit, Straßenkrümmung, Straßensteigung und Straßenbauvorgaben umfassen. Beispiele für Umgebungsinformation können geologische Information, Klimainformation und Wetterinformation umfassen. In the block 405 can the processing device 115 Infrastructure information, environment information, or both, collected in real time from one or more sensors 105 , received. Infrastructure information may include one or more of road roughness, road curvature, road grade, and road construction specifications. Examples of environmental information may include geological information, climate information and weather information.
Im Block 410 kann die Verarbeitungsvorrichtung 115 die Infrastrukturinformation und/oder die Umgebungsinformation verarbeiten, die im Block 405 empfangen wurde. Das Verarbeiten der Infrastrukturinformation und/oder Umgebungsinformation kann das Dekodieren von Signalen umfassen, die von den Infrastruktursensoren 105A bzw. den Umgebungssensoren 105B empfangen wurden.In the block 410 can the processing device 115 process the infrastructure information and / or the environment information contained in the block 405 was received. The processing of the infrastructure information and / or environment information may include decoding signals received from the infrastructure sensors 105A or the environmental sensors 105B were received.
Im Block 415 kann die Verarbeitungsvorrichtung 115 zukünftige Straßencharakteristiken auf der Grundlage der Infrastrukturinformation und/oder der Umgebungsinformation vorhersagen. Die Vorhersage im Block 415 kann auf einem Vorhersagehorizont basieren, der sich auf einen Vorhersagefehler bezieht. Der Vorhersagehorizont kann eine Anzahl von Vorhersagen von Straßencharakteristiken an aufeinander folgenden Positionen im wahrscheinlichsten Weg des Fahrzeugs 120 umfassen.In the block 415 can the processing device 115 predict future road characteristics based on the infrastructure information and / or the environment information. The prediction in the block 415 may be based on a forecast horizon related to a prediction error. The prediction horizon may include a number of forecasts of road characteristics at successive positions in the vehicle's most probable path 120 include.
Im Block 420 kann die Verarbeitungsvorrichtung 115 den Vorhersagefehler evaluieren. Ein Weg, den Vorhersagefehler zu evaluieren, kann das Bestimmen der Genauigkeit der zuvor getroffenen Vorhersagen umfassen. So kann die Verarbeitungsvorrichtung 115 z. B. vorhergesagte Straßencharakteristiken für bestimmte Positionen mit den tatsächlichen Straßencharakteristiken an diesen Positionen vergleichen. Der Vorhersagefehler kann für jede Position unterschiedlich sein, und der Vorhersagefehler kann sich erhöhen, wenn sich die Position vom Fahrzeug 120 weiter entfernt. Demgemäß kann die Verarbeitungsvorrichtung 115 den Vorhersagefehler aus der am wenigsten genauen Vorhersage (d. h. die Vorhersage der Straßencharakteristiken an der vom Fahrzeug 120 am weitesten entfernten Position) bestimmen.In the block 420 can the processing device 115 evaluate the prediction error. One way to evaluate the prediction error may involve determining the accuracy of the predictions made previously. So can the processing device 115 z. For example, compare predicted road characteristics for particular locations with the actual road characteristics at those locations. The prediction error may be different for each position, and the prediction error may increase as the position of the vehicle 120 further away. Accordingly, the processing device 115 the prediction error from the least accurate prediction (ie the prediction of the road characteristics at the vehicle 120 furthest away).
Im Entscheidungsblock 425 kann die Verarbeitungsvorrichtung 115 bestimmen, ob die Vorhersage einen Schwellenwert übersteigt. Ist dies der Fall, kann der Prozess 400 mit Block 430 fortsetzen. Überschreitet der Vorhersagefehler den Schwellenwert nicht, kann der Prozess 400 mit Block 435 fortsetzen.In the decision block 425 can the processing device 115 determine if the prediction exceeds a threshold. If this is the case, the process can 400 with block 430 continue. If the prediction error does not exceed the threshold, the process can 400 with block 435 continue.
Im Block 430 kann die Verarbeitungsvorrichtung 115 den Vorhersagehorizont reduzieren. Ein Weg, den Vorhersagehorizont zu reduzieren, besteht darin, die Anzahl an Vorhersagen zu reduzieren, die durch die Verarbeitungsvorrichtung 115 getroffen werden. So kann die Verarbeitungsvorrichtung 115 z. B. aufhören, Vorhersagen der Straßencharakteristiken an der Position oder den Positionen zu treffen, die vom Fahrzeug 120 am weitesten entfernt sind, da diese Vorhersagen am wahrscheinlichsten einen Vorhersagefehler aufweisen. Der Prozess 400 kann zum Block 405 zurückkehren, nachdem der Vorhersagehorizont reduziert wurde.In the block 430 can the processing device 115 reduce the forecast horizon. One way to reduce the forecast horizon is to reduce the number of predictions made by the processing device 115 to be hit. So can the processing device 115 z. B. stop predicting the road characteristics at the position or positions taken by the vehicle 120 farthest away as these predictions are most likely to have a prediction error. The process 400 can to the block 405 return after the forecast horizon has been reduced.
Im Entscheidungsblock 435 kann die Verarbeitungsvorrichtung 115 bestimmen, ob der Vorhersagefehler unter einem Minimalwert liegt. Liegt der Vorhersagefehler unter einem Minimalwert, so kann der Prozess 400 am Block 440 fortsetzen. Liegt der Vorhersagefehler aber nicht unterhalb des Minimalwerts, kann der Prozess 400 mit Block 445 fortsetzen.In the decision block 435 can the processing device 115 determine if the prediction error is below a minimum value. If the prediction error is below a minimum value, then the process can 400 at the block 440 continue. But if the prediction error is not below the minimum value, the process can 400 with block 445 continue.
Im Block 440 kann die Verarbeitungsvorrichtung 115 den Vorhersagehorizont erhöhen. Das Erhöhen des Vorhersagehorizonts kann das Erhöhen der Anzahl an Vorhersagen, die von der Verarbeitungsvorrichtung 115 getroffen werden, umfassen. So kann z. B. die Verarbeitungsvorrichtung 115, um den Vorhersagehorizont zu erhöhen, Vorhersagen über die Straßencharakteristiken an entfernteren Positionen als die aktuellen Vorhersagen treffen. Der Prozess 400 kann zum Block 405 zurückkehren, nachdem der Vorhersagehorizont erhöht wurde.In the block 440 can the processing device 115 increase the forecast horizon. Increasing the prediction horizon may increase the number of predictions made by the processing device 115 to be taken. So z. B. the processing device 115 To increase the forecast horizon, make predictions about the road characteristics at more distant positions than the current forecasts. The process 400 can to the block 405 return after the forecast horizon has been increased.
Im Block 445 kann die Verarbeitungsvorrichtung 115 wenigstens ein Untersystem 110 gemäß der vorhergesagten zukünftigen Straßencharakteristik steuern, einschließlich das Ignorieren der vorhergesagten zukünftigen Straßencharakteristik, wenn die Verarbeitungsvorrichtung 115 bestimmt, dass die vorhergesagte zukünftige Straßencharakteristik nur für eine relative kurze Zeitspanne gegeben sein wird. Der Prozess 400 kann nach dem Block 445 zum Block 405 zurückkehren.In the block 445 can the processing device 115 at least one subsystem 110 in accordance with the predicted future road characteristic, including ignoring the predicted future road characteristic when the processing device 115 determines that the predicted future road characteristic will only be for a relatively short period of time. The process 400 can after the block 445 to the block 405 to return.
Mit Bezug auf die Prozesse, Systeme, Verfahren, Heuristik etc., die hierin beschrieben sind, ist zu verstehen, dass, obwohl die Schritte solcher Prozesse etc. als gemäß einer gewissen geordneten Sequenz abfolgend beschrieben sind, solche Prozesse mit den beschriebenen Schritten, die auch in einer anderen Ordnung als der hierin beschriebenen durchgeführt werden, umgesetzt werden könnten. Es ist ferner zu verstehen, dass gewisse Schritte gleichzeitig durchgeführt werden könnten, dass andere Schritte hinzugefügt werden könnten, oder dass gewisse hierin beschriebene Schritte ausgelassen werden könnten. Anders gesagt, die Beschreibungen der Prozesse hierin sind zum Zwecke der Veranschaulichung gewisser Ausführungsformen bereitgestellt und sollten in keiner Weise als die Ansprüche beschränkend ausgelegt werden.With respect to the processes, systems, methods, heuristics, etc. described herein, it is to be understood that while the steps of such processes, etc. are described as being sequential according to a certain ordered sequence, such processes include the steps described herein could also be implemented in a different order than that described herein. It is further understood that certain steps could be performed concurrently, that other steps could be added, or that certain steps described herein could be omitted. In other words, the descriptions of the processes herein are provided for the purpose of illustrating certain embodiments, and should in no way be construed as limiting the claims.
Demgemäß ist zu verstehen, dass die obige Beschreibung veranschaulichend und nicht einschränkend sein soll. Viele andere Ausführungsformen und Anwendungen als die bereitgestellten Beispiele werden nach dem Lesen der obigen Beschreibung offensichtlich. Der Schutzumfang sollte nicht mit Verweis auf die obige Beschreibung bestimmt werden, sondern sollte stattdessen mit Bezug auf die angehängten Ansprüche, gemeinsam mit dem vollen Umfang von Äquivalenten, auf welche solche Ansprüche anspruchsberechtigt sind, bestimmt werden. Es wird erwartet und ist beabsichtigt, dass zukünftige Entwicklungen in den hierin ausgeführten Technologien erfolgen werden und dass die geoffenbarten Systeme und Verfahren in solchen zukünftigen Ausführungsformen aufgenommen sein werden. Zusammengefasst ist zu verstehen, dass die Anwendung modifiziert und variiert werden kann.Accordingly, it is to be understood that the above description is intended to be illustrative and not restrictive. Many other embodiments and applications than the examples provided will become apparent upon reading the above description. The scope of protection should not be determined with reference to the above description, but should instead be determined with reference to the appended claims, along with the full scope of equivalents to which such claims are entitled. It is anticipated and intended that future developments will be made in the technologies embodied herein and that the disclosed systems and methods will be included in such future embodiments. In summary, it should be understood that the application can be modified and varied.
Alle in den Ansprüchen verwendeten Begriffe sollen ihre umfassendsten vernünftigen Konstruktionen und ihre allgemeinen Bedeutungen haben, wie dies von Personen mit Kenntnis der hierin beschriebenen Technologien verstanden wird, sofern nicht eine ausdrückliche Angabe des Gegenteils hierin getätigt wurde. Insbesondere sollte die Verwendung der Einzahlartikel „ein, eine, eines”, „der, die das”, „diese” etc. so zu verstehen sein, dass ein oder mehrere der angezeigten Elemente rezitiert werden, solang ein Anspruch nicht eine explizite Einschränkung zum Gegenteil hin tätigt.All terms used in the claims are intended to have their broadest reasonable constructions and their general meanings, as understood by persons skilled in the art of the technologies described herein, unless expressly stated to the contrary herein. In particular, the use of the single item "one, one, one", "the one", "this", etc., should be construed as reciting one or more of the displayed items, as long as one claim is not an explicit restriction to the contrary made.
Die Zusammenfassung der Offenbarung ist bereitgestellt, um es dem Leser zu ermöglichen, die Natur der technischen Offenbarung rasch festzustellen. Dies wird mit dem Verständnis eingereicht, dass dies nicht dazu verwendet wird, den Schutzumfang oder die Bedeutung der Ansprüche zu interpretieren oder zu beschränken. Zusätzlich dazu ist in der vorangehenden Detaillierten Beschreibung zu sehen, dass verschiedene Merkmale in verschiedenen Ausführungsformen zum Zweck der Vereinheitlichung der Offenbarung zusammengruppiert sind. Dieses Verfahren der Offenbarung ist nicht dahingehend zu interpretieren, dass es eine Absicht widerspiegelt, dass die beanspruchten Ausführungsformen mehr Merkmale benötigen, als sie ausdrücklich in jedem Anspruch rezitiert sind. Vielmehr liegt, wie dies die folgenden Ansprüche widerspiegeln, der erfindungsgemäße vorliegende Gegenstand in weniger als allen Merkmalen einer einzelnen geoffenbarten Ausführungsform. Somit sind die folgenden Ansprüche in der Detaillierten Beschreibung hierdurch aufgenommen, wobei jeder Anspruch als ein separat beanspruchter Gegenstand für sich selbst steht.The summary of the disclosure is provided to enable the reader to quickly ascertain the nature of the technical disclosure. This is submitted with the understanding that this will not be used to interpret or limit the scope or meaning of the claims. In addition, in the foregoing Detailed Description, it should be understood that various features are grouped together in various embodiments for purposes of standardizing the disclosure. This method of disclosure is not to be interpreted as reflecting an intent that the claimed embodiments require more features than are expressly recited in each claim. Rather, as the following claims reflect, the present subject matter of the present invention lies in less than all features of a single disclosed embodiment. Thus, the following claims are hereby incorporated by reference in the Detailed Description, with each claim standing on its own as a separate claimed subject matter.
