DE102015109270A1 - Strassenbelagszustandsdetektion mit rekursivem adaptivem lernen und validierung - Google Patents
Strassenbelagszustandsdetektion mit rekursivem adaptivem lernen und validierung Download PDFInfo
- Publication number
- DE102015109270A1 DE102015109270A1 DE102015109270.0A DE102015109270A DE102015109270A1 DE 102015109270 A1 DE102015109270 A1 DE 102015109270A1 DE 102015109270 A DE102015109270 A DE 102015109270A DE 102015109270 A1 DE102015109270 A1 DE 102015109270A1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- road
- probabilities
- data
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 230000000306 recurrent effect Effects 0.000 title 1
- 238000010200 validation analysis Methods 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 14
- 238000013459 approach Methods 0.000 description 11
- 238000001556 precipitation Methods 0.000 description 10
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000012880 independent component analysis Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 239000002244 precipitate Substances 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/068—Road friction coefficient
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3822—Road feature data, e.g. slope data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
- B60W2050/0088—Adaptive recalibration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/62—Hybrid vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
Es wird ein Verfahren zum Ermitteln eines Straßenbelagszustands für ein Fahrzeug, das auf einer Straße fährt, bereitgestellt. Es werden mehreren Straßenbelagszuständen zugehörige Wahrscheinlichkeiten basierend auf einem Bild einer Erfassungsszene durch ein erstes Wahrscheinlichkeitsmodul ermittelt. Es werden den mehreren Straßenbelagszuständen zugehörige Wahrscheinlichkeiten basierend auf Fahrzeugbetriebsdaten durch ein zweites Wahrscheinlichkeitsmodul ermittelt. Die durch das erste und zweite Wahrscheinlichkeitsmodul ermittelten Wahrscheinlichkeiten werden in eine Datenvereinigungseinheit eingegeben, um die Wahrscheinlichkeiten zu vereinigen und einen Straßenbelagszustand zu ermitteln. Es wird eine verfeinerte Wahrscheinlichkeit von der Datenvereinigungseinheit ausgegeben, welche eine Funktion der vereinigten ersten und zweiten Wahrscheinlichkeit ist. Die verfeinerte Wahrscheinlichkeit von der Datenvereinigungseinheit wird an eine Einheit eines adaptiven Lernens geliefert. Die Einheit eines adaptiven Lernens erzeugt Ausgangsbefehle, die abstimmbare Parameter von zumindest dem ersten Wahrscheinlichkeitsmodul und dem zweiten Wahrscheinlichkeitsmodul zum Ermitteln der jeweiligen Wahrscheinlichkeiten verfeinern.
Description
- HINTERGRUND DER ERFINDUNG
- Eine Ausführungsform bezieht sich auf eine Detektion eines Straßenbelagszustands unter Verwendung von Techniken eines adaptiven Lernens.
- Niederschlag auf einer Fahrbahn verursacht für ein Fahrzeug mehrere verschiedene Probleme. Beispielsweise reduzieren Wasser oder Schnee auf einer Straße den Reibungskoeffizienten zwischen den Reifen des Fahrzeugs und der Oberfläche der Straße, was zu Fahrzeugstabilitätsproblemen führt.
- Es sind verschiedene Techniken bekannt, um zu versuchen, die Umgebungsbedingungen des Straßenbelags zu ermitteln. Ein Beispiel einer solchen Technik ist ein Fahrzeugmodell, das Fahrzeugbetriebszustände erfasst, um Daten zu erhalten, um einen Straßenbelagszustand zu klassifizieren. Das Modell weist eingestellte Parameter auf, und ohne Aktualisierungen würde das Modell für einen gegebenen Eingang die gleichen Ergebnisse liefern. Daher wird, wenn das Modell den Straßenbelagszustand fehl diagnostiziert, der Ausgang kontinuierlich das gleiche inkorrekte Ergebnis erzeugen.
- Andere Ansätze, wie beispielsweise ein bildbasierter Ansatz, verwenden einen Klassifizierer, um den Straßenbelagszustand zu ermitteln. Wenn der Klassifizierer jedoch nicht aktualisiert wird, gibt der Klassifizierer das gleiche Ergebnis aus, auch wenn es inkorrekt ist.
- In solchen Fällen ist das Straßenbelagsdetektionssystem vollständig abhängig von dem Klassifizierer oder Modell, der oder das bei der Herstellung oder einer Wartungsaktualisierung des Fahrzeugs in dem Fahrzeug gespeichert wurde.
- ZUSAMMENFASSUNG DER ERFINDUNG
- Ein Vorteil einer Ausführungsform ist die kooperative Verwendung von Daten von zwei jeweiligen Schätzungstechniken zum Ausgeben einer Wahrscheinlichkeit des Straßenbelagszustands. Ein weiterer Vorteil ist eine Online-Technik eines adaptiven Lernens, wobei der Ausgang der Online-Technik eines adaptiven Lernens als Rückmeldung für die beiden jeweiligen Schätzungstechniken bereitgestellt wird, um Parameter in jeder Technik zu verfeinern. Dies ermöglicht jeder Schätzungstechnik, aus jeder Analyse hinsichtlich Parametern, die durch jede Technik verwendet werden, adaptiv zu lernen. Als ein Ergebnis können die erzeugten Schätzungen validiert werden, was identifiziert, ob die Techniken die Daten korrekt analysieren, oder ob Anpassungen erforderlich sind.
- Eine Ausführungsform zieht ein Verfahren zum Ermitteln eines Straßenbelagszustands für ein Fahrzeug, das auf einer Straße fährt, in Betracht. Es werden mehreren Straßenbelagszuständen zugehörige Wahrscheinlichkeiten basierend auf einem Bild einer Erfassungsszene der Straße durch ein erstes Wahrscheinlichkeitsmodul ermittelt. Es werden den mehreren Straßenbelagszuständen zugehörige Wahrscheinlichkeiten basierend auf Fahrzeugbetriebsdaten durch ein zweites Wahrscheinlichkeitsmodul ermittelt. Die durch das erste und zweite Wahrscheinlichkeitsmodul ermittelten Wahrscheinlichkeiten werden in eine Datenvereinigungs- und Entscheidungseinheit eingegeben, um die durch das erste und zweite Wahrscheinlichkeitsmodul ermittelten Wahrscheinlichkeiten zu vereinigen. Es erfolgt ein Ermitteln eines Straßenbelagszustands basierend auf vereinigten Ergebnissen von der Datenvereinigungs- und Entscheidungseinheit. Es wird eine dem identifizierten Straßenbelagszustand zugehörige verfeinerte Wahrscheinlichkeit von der Datenvereinigungs- und Entscheidungseinheit ausgegeben, welche eine Funktion der vereinigten ersten und zweiten Wahrscheinlichkeit ist. Die verfeinerte Wahrscheinlichkeit von der Datenvereinigungs- und Entscheidungseinheit wird an eine Einheit eines adaptiven Lernens geliefert. Die Einheit eines adaptiven Lernens erzeugt Ausgangsbefehle, die abstimmbare Parameter von zumindest dem ersten Wahrscheinlichkeitsmodul und dem zweiten Wahrscheinlichkeitsmodul zum Ermitteln der jeweiligen Wahrscheinlichkeiten verfeinern.
- KURZBESCHREIBUNG DER ZEICHNUNGEN
-
1 ist ein beispielhaftes durch eine Bilderfassungseinrichtung erfasstes Bild. -
2 ist eine bildliche Darstellung eines Fahrzeugs, das einen Zustand eines nassen Straßenbelags erfasst. -
3 zeigt ein Fahrzeug, das bei einem Zustand eines nassen Straßenbelags fährt. -
4 ist ein Blockdiagramm eines allgemeinen Überblicks über einen Online-Ansatz eines adaptiven Lernens. -
5 ist ein Blockdiagramm eines beispielhaften Online-Ansatzes eines adaptiven Lernens. - DETAILLIERTE BESCHREIBUNG
- In
1 ist ein Bild gezeigt, erfasst außerhalb des Fahrzeugs, das entlang einer Straße12 für Fahrzeuge fährt. An der Straße12 ist Niederschlag14 gezeigt, der oftmals durch Fahrzeugreifen verteilt wird, wenn sich Fahrzeugreifen über der nassen Straße12 für Fahrzeuge drehen. Es ist oftmals vorteilhaft, vorab zu wissen, wann das Fahrzeug entlang der nassen Straße12 für Fahrzeuge fährt, so dass Probleme, die sich aus dem Niederschlag ergeben, wie beispielsweise ein Traktionsverlust, beseitigt oder zumindest vermindert werden können. - Der Niederschlag
14 an der Straße12 für Fahrzeuge kann zu einer Reduzierung der Traktion beim Fahren auf der nassen Oberfläche führen. Es ist zu verstehen, dass der Begriff Niederschlag, wie er hierin verwendet wird, Wasser, Eis oder Schnee umfassen kann, jedoch nicht darauf beschränkt ist. Der sich auf der Straße12 für Fahrzeuge befindende Niederschlag verringert den Reibungskoeffizienten zwischen den Fahrzeugreifen und der Straße12 für Fahrzeuge. Folglich wird die Traktion zwischen den Fahrzeugreifen und der Straße12 für Fahrzeuge verringert. Der Traktionsverlust kann durch Warnen des Fahrers, um die Fahrzeuggeschwindigkeit auf eine zu verringern, die den Umgebungsbedingungen entspricht; Auslösen eines automatischen Betätigens der Fahrzeugbremsen unter Verwendung einer variablen Bremskraft, um den Niederschlag, der sich an den Bremsflächen der Bremskomponenten gebildet hat, zu minimieren; Deaktivieren oder Beschränken der Aktivierung einer Tempomatfunktionalität, während Niederschlag detektiert wird; oder Benachrichtigen des Fahrers, um einen größeren Bremsabstand zu einem vorausfahrenden Fahrzeug aufrechtzuerhalten, vermindert werden. -
2 zeigt eine bildliche Darstellung bezüglich dessen, wie die Reflexionseigenschaften verwendet werden können, um zu ermitteln, ob Niederschlag in Form von Wasser, Eis oder Schnee auf der Oberfläche der befahrenen Straße vorhanden ist, wobei verschiedene Bildanalysetechniken verwendet werden. Zu Erläuterungszwecken wird hierin Niederschlag in Form von Wasser erörtert. Wie es in2 gezeigt ist, erfasst eine Bilderfassungseinrichtung20 die Fahrstraße12 . Wasser auf dem Straßenbelag kann durch eine Spiegelbildtechnik unter Verwendung eines erfassten Bilds detektiert werden. Es ist stillstehendes Wasser22 auf dem Straßenbelag12 vorhanden, und eine Reflexion in dem stillstehenden Wasser22 kann durch die Bilderfassungseinrichtung20 erfasst werden. Das stillstehende Wasser22 auf der Straße fungiert als Oberfläche vom Spiegeltyp mit Reflexionseigenschaften. Um zu ermitteln, ob Wasser auf der Fahrstraße vorhanden ist, können reale Objekte, die in dem Bild erfasst werden, mit einem virtuellen Objekt in der Reflexion verglichen werden. Wenn das reale Objekt und das virtuelle Objekt im Wesentlichen identisch sind, kann ermittelt werden, dass die Oberfläche der Straße nass ist. Es können verschiedene Vergleichstechniken verwendet werden, um die Ähnlichkeiten und Unterschiede zwischen dem realen Objekt in dem virtuellen Objekt zu ermitteln. - Eine weitere Technik zum Ermitteln eines nassen Straßenbelags in
2 umfasst eine Straßenbelagsstrukturanalyse. Beim Verwenden dieser Technik wird ein Teilabschnitt der Straße zu aufeinanderfolgenden Zeitpunkten erfasst und analysiert. Die Struktur der Straße zum ersten Zeitpunkt wird mit der Struktur der Straße zum zweiten Zeitpunkt verglichen. Wenn sich die Struktur des Straßenbelags zwischen dem ersten Zeitpunkt und dem zweiten Zeitpunkt ziemlich stark verändert, wird ermittelt, dass Wasser, dass sich auf der Straße befindet, von Fahrzeugen, die auf der Straße fahren, aufgewirbelt wurde. In diesem Fall wird ermittelt, dass der Straßenbelag nass ist. -
3 zeigt ein weiteres Beispiel zum Ermitteln eines Straßenbelagszustands unter Verwendung eines Fahrzeugdynamikansatzes. Das Fahrzeug ist als auf der Straße12 für Fahrzeuge über einen nassen Straßenbelag22 fahrend gezeigt. Die Fahrzeugdynamik kann Referenzmodelle verwenden, die ein Modell eines trockenen Straßenbelags, ein Modell eines nassen Straßenbelags, ein Modell eines schneebedeckten Straßenbelags und ein Modell eines eisigen Straßenbelags umfassen. Die Referenzmodelle sind vorzugsweise vorab kategorisierte Referenzmodelle. Der Fahrzeugdynamikansatz verwendet Fahrzeugbetriebsdaten, um einen Reifen-Straße-Reibungskoeffizienten zu schätzen. Unter dem Fahrzeugdynamikansatz erzeugt das Fahrzeug eine Anregung (z. B. Lenkeingang, Geschwindigkeitseingang), um eine Fahrzeugbetriebsreaktion zu erhalten. Basierend auf der Reaktion des Fahrzeugs wird die Reaktion mit gegebener Anregung mit jeder der erwarteten Reaktionen, die von allen Referenzmodellen ausgegeben werden, verglichen, um zu ermitteln, ob das Fahrzeug auf einem der folgenden Straßenbelagszustände gefahren wird, welche einen nassen Straßenbelag, einen trockenen Straßenbelag, einen schneebedeckten Straßenbelag und einen eisigen Straßenbelag umfassen, jedoch nicht darauf beschränkt sind. - Während die Beispiele in
2 und3 Verfahren zum Identifizieren des Straßenbelagszustands zeigen, basieren beide Techniken auf einem vorbestimmten und festen Klassifizierer oder eingestellten Parametern. Das heißt, beide Techniken sind, während sie innerhalb ihres eindeutigen Prozesses Vorteile bieten, durch die vorbestimmten Parameter, dargelegt durch das Fahrzeugmodell hinsichtlich des vorab existierenden Klassifizierers für den bildbasierten Ansatz gebunden. -
4 zeigt einen allgemeinen Überblick über einen Ansatz eines adaptiven Lernens, bei dem eine Online-Anpassung eines erfassungsbasierten Moduls30 und eines Fahrzeugdynamikmodellmoduls32 verwendet werden. Ausgänge von dem erfassungsbasierten Modul30 und dem Fahrzeugdynamikmodellmodul32 identifizieren jeweils unabhängig Wahrscheinlichkeiten, die mehreren Straßenbelagszuständen zugehörig sind, basierend auf Fahrzeugbetriebsdaten bzw. einem Bild einer Erfassungsszene der Straße. Das heißt, jedes Modul gibt jeweilige Wahrscheinlichkeiten für jeden der mehreren möglichen Straßenbelagszustände aus, wobei die Wahrscheinlichkeiten auf einem Vergleich zwischen einem Referenzmodell und erfassten Daten von Fahrzeuganregungen oder analysierten Daten von erfassten Bildern basieren. Die mehreren Straßenbelagszustände für die Wahrscheinlichkeiten erzeugt werden, umfassen einen Zustand einer trockenen Oberfläche, einen Zustand einer nassen Oberfläche, einen Zustand einer schneebedeckten Oberfläche und einen Zustand einer eisigen Oberfläche, sind jedoch nicht darauf beschränkt. Die Ausgänge von dem erfassungsbasierten Modul30 und dem Fahrzeugdynamikmodellmodul32 werden durch ein Datenvereinigungs- und Entscheidungsmodul34 vereinigt, um eine verbesserte Wahrscheinlichkeit des identifizierten Straßenbelagszustands zu erzeugen. Die verbesserte Wahrscheinlichkeit, die durch das Datenvereinigungs- und Entscheidungsmodul34 erzeugt wird, wird zu einem Modul36 eines adaptiven Lernens zurückgeführt, das das erfassungsbasierte Modul30 und das Fahrzeugdynamikmodellmodul32 adaptiv aktualisiert. Als Ergebnis werden das erfassungsbasierte Modul30 und das Fahrzeugdynamikmodellmodul32 jedes Mal, wenn ein Straßenbelagszustand analysiert wird, konstant aktualisiert. Ferner wird die verbesserte Wahrscheinlichkeit von dem Datenvereinigungs- und Entscheidungsmodul34 einer Ausgabeeinrichtung38 bereitgestellt, die entweder ein Sicherheitsmerkmal freigeben oder den Fahrer warnen kann. -
5 zeigt einen beispielhaften Ansatz eines adaptiven Lernens, bei dem eine Online-Anpassung des erfassungsbasierten Moduls30 und des Fahrzeugdynamikmodellmoduls32 verwendet wird. Die in5 gezeigte beispielhafte Darstellung zeigt Details der jeweiligen in4 gezeigten Module; es ist jedoch zu verstehen, dass die Einrichtungen, Prozesse und Modelle nicht auf die hierin offenbarten spezifischen Module und Einrichtungen beschränkt sind, und dass das hierin gezeigte Modell beispielhaft ist, so dass andere Module und Einrichtungen verwendet werden können. Das erfassungsbasierte Modul30 umfasst eine Erfassungseinrichtung40 , ein Merkmalsauswahlmodul42 und einen Klassifizierer44 . Die Erfassungseinrichtung40 ist an dem Fahrzeug angebracht, um ein Objekt vor dem Fahrzeug zu erfassen, und/oder kann Bilder auf den Seiten des oder hinter dem Fahrzeug(s) umfassen, die verwendet werden können, um zu ermitteln, wann eine Form von Niederschlag auf der Straße vorhanden ist, oder ob der Straßenbelagszustand trocken ist. Der Ausgang von dem erfassungsbasierten Modul30 stellt einen vorausschauenden oder vorausblickenden Zustand der Straße für einen Fahrer bereit. Die Erfassungseinrichtung40 kann eine Kamera zum Erfassen von Bildern auf der Straße umfassen, ist jedoch nicht darauf beschränkt. Die Funktion der Bilderfassungseinrichtung ist, ein Bild zu erfassen, das die Straße umfasst, um entweder das Reflexionsbild auf der Straße zu analysieren oder um die Struktur des Straßenbelags zu analysieren, um das Vorhandensein von Wasser, Eis oder Schnee auf der Fahrstraße zu ermitteln. Das System kann auch das Vorhandensein eines Zustands einer trockenen Straße ermitteln. Die durch die Bilderfassungseinrichtung erfassten Bilder werden analysiert, um den Straßenbelagszustand darin zu detektieren. Beispiele anderer Erfassungseinrichtungen können Kameras, Infrarotsensoren, Lidar-Erfassungseinrichtungen und Radarerfassungseinrichtungen umfassen, sind jedoch nicht darauf beschränkt. Das Merkmalsauswahlmodul42 umfasst einen Prozessor zum Verarbeiten von Bildern, die durch die Bilderfassungseinrichtung40 erfasst werden. Es werden Merkmale in dem Bild identifiziert (z. B. Helligkeit, Farbe, Struktur, Polarisationsgrad). Die identifizierten Merkmale werden aus dem Bild extrahiert und werden einem Klassifizierer bereitgestellt, um das Vorhandensein einer Form von Niederschlag auf dem Straßenbelag zu ermitteln. Es können verschiedene Techniken wie beschrieben, wie beispielsweise eine Reflexionseigenschafts- oder Strukturanalyse, hinsichtlich der ausgewählten Merkmale in dem Bild verwendet werden. - Jeder segmentierte Abschnitt kann in einen Klassifizierer
44 eingegeben werden, um jedes jeweilige Segment zu analysieren und zu ermitteln, ob das jeweilige Segment Teil des freien Pfads ist. Der Klassifizierer44 wird anfänglich durch ein Trainingsprogramm trainiert. Sobald das Training abgeschlossen ist, wird der Klassifizierer erhalten. Während zu verstehen ist, dass Klassifizierer fahrzeugbasierte Klassifizierer oder ein Klassifizierer, der von einem Fahrzeug entfernt ist und mit dem Fahrzeug durch Übertragen von Daten an eine entfernte Überwachungszentrale zum Verarbeiten und zur Klassifizierung kommuniziert, sein können, ist der hierin verwendete Klassifizierer44 ein fahrzeugbasierter Klassifizierer. Der Klassifizierer44 kann einen Stützvektormaschinenklassifizierer oder einen Bayes'schen Klassifizierer umfassen, ist jedoch nicht darauf beschränkt. Diese Klassifizierer klassifizieren den Zustand des Straßenbelags und geben einen Wahrscheinlichkeitsprozentsatz46 aus, der die Wahrscheinlichkeit jedes der möglichen Straßenbelagszustände darstellt. Derartige Prozentsätze umfassen Wahrscheinlichkeitsprozentsätze von einem Zustand eines trockenen Straßenbelags, einem Zustand eines nassen Straßenbelags, einem Zustand eines schneebedeckten Straßenbelags und einem Zustand eines eisigen Straßenbelags. Es ist auch zu verstehen, dass ein einzelner Klassifizierer die Daten analysieren und ermitteln kann, ob der Straßenbelag einen Zustand eines trockenen, nassen, schneebedeckten oder eisigen Straßenbelags umfasst. Alternativ können mehrere Klassifizierer verwendet werden, wobei jeder Klassifizierer identifiziert, ob ein jeweiliger Straßenbelagszustand vorhanden ist oder nicht. Beispielsweise kann ein erster Klassifizierer ermitteln, ob der Straßenbelag Wasser oder kein Wasser umfasst; ermittelt ein zweiter Klassifizierer, ob der Straßenbelag Eis oder kein Eis umfasst; kann ein dritter Klassifizierer ermitteln, ob der Straßenbelag Schnee oder keinen Schnee umfasst; und kann ein vierter Klassifizierer ermitteln, ob der Straßenbelag trocken oder nicht trocken ist. Die mehreren Klassifizierer umfassen eine beliebige Anzahl von Klassifizierern, die für eine gegebene Anzahl von Straßenbelagszuständen, die zu analysieren sind, erforderlich sind. Die Analyse von jedem Klassifizierer kann gleichzeitig oder sequentiell durchgeführt werden. - Die Stützvektormaschinen-Klassifizierer (SVM-Klassifizierer von support vector machine classifiers) umfassen einen Satz von in Beziehung stehenden Lernalgorithmen, die zur Klassifizierung und Regression verwendet werden. Die Lernalgorithmen sind Trainingsverfahren, die Modelle aufbauen, die verwendet werden, um vorherzusagen, ob ein neuer Abtastwert in eine der jeweiligen Kategorien fällt. Das SVM-Modell ist eine Darstellung von Kategorien von Punkten im Merkmalsraum und ist derart abgebildet, dass die separaten Kategorien durch einen deutlichen Abstand unterteilt sind. Die Stützvektormaschine bildet Eingangsdaten auf einen höherdimensionalen Raum ab, in dem eine maximal trennende Hyperebene konstruiert wird. Die Stützvektormaschine konstruiert die Daten in Hyperebenen. Die Hyperebenen werden auf jeder Seite der trennenden Hyperebene konstruiert, um die Daten zu trennen. Die trennende Hyperebene maximiert die Distanz zwischen den beiden jeweiligen Hyperebenen. Es ist eine gute Trennung zwischen den jeweiligen Hyperebenen gewünscht, die die größte räumliche Distanz zu den nächsten Trainingsdatenpunkten jeder Klasse aufweisen. Das Grundkonzept ist, dass, je größer die Distanz zwischen den beiden jeweiligen Hyperebenen ist, desto geringer die Fehlklassifizierungsrate beim Klassifizieren der Daten in eine jeweilige Klasse sein wird.
- Ein Bayes'scher Klassifizierer ist ein allgemeiner wahrscheinlichkeitstheoretischer Ansatz zum rekursiven Schätzen einer Funktion einer unbekannten Wahrscheinlichkeitsdichte über der Zeit unter Verwendung von eingehenden Messungen und eines Modells eines mathematischen Prozesses.
- Das Fahrzeugdynamikmodellmodul
32 stellt eine Wahrscheinlichkeit bezüglich des Grads an Straßenreibung zwischen der Straße und dem Reifen des Fahrzeugs bereit. Das Fahrzeugdynamikmodell stellt einen Grad an Straßenglätte bereit, den das Fahrzeug aktuell erfährt. Das fahrzeugmodellbasierte Modul32 verwendet einen Fahrzeugbetriebseingang48 , ein Modell50 einer trockenen Referenz, ein Modell51 einer nassen Referenz, ein Modell52 einer schneebedeckten Referenz und ein Modell53 einer eisigen Referenz, eine Messungserfassungsindexeinrichtung54 , ein Standardabweichungsmodul56 und einen Wahrscheinlichkeitsprozentsatzausgang58 . Von jedem der jeweiligen Referenzmodelle werden Indizes erhalten. Die Messungserfassungsindexeinrichtung54 vergleicht ihren Wert mit jedem der Indizes, die aus allen Referenzmodellen trocken, nass, schneebedeckt und eisig berechnet werden. Es werden vier Fehler, die vier verschiedenen Oberflächen zugehörig sind, erzeugt. Die vier Fehler werden an die RMSD-Analyse ausgegeben und erzeugen vier Wahrscheinlichkeiten P(trocken), P(nass), P(schneebedeckt), P(eisig), die in das Datenvereinigungs- und Entscheidungsmodul eingegeben werden. - Um einen Ausgang von dem Fahrzeugdynamikmodellmodul
32 zu erhalten, ist der Fahrzeugbetriebseingang48 , wie beispielsweise eine Fahrzeuganregung, als Eingang erforderlich. Beispiele für Fahrzeuganregungen umfassen Bremsen, Beschleunigung und Lenkung, sind jedoch nicht darauf beschränkt. Der Zweck des Verwendens der Fahrzeuganregung ist, dass für einen bekannten Eingang eine Ausgangsreaktion erhalten und analysiert werden kann, um den Straßenbelagszustand zu identifizieren. Der Fahrzeugbetriebseingang48 wird dem Modell50 einer trockenen Referenz, dem Modell51 einer nassen Referenz, dem Modell52 einer schneebedeckten Referenz, dem Modell53 einer eisigen Referenz und der Messungserfassungsindexeinrichtung54 bereitgestellt. - Das Modell
50 einer trockenen Referenz verwendet den Fahrzeugbetriebseingang48 und wendet ihn auf dessen Modell an, wobei angenommen wird, dass der Straßenbelagszustand trocken ist. Ähnlich verwendet das Modell52 einer nassen Referenz den Fahrzeugbetriebseingang48 und wendet ihn auf dessen Modell an, wobei angenommen wird, dass der Straßenbelagszustand nass ist. Die Messungserfassungsindexeinrichtung54 misst die tatsächliche Reaktion, die das Fahrzeug mit dem gegebenen Fahrzeugbetriebseingang erfährt. Jeder der Ausgänge wird dem Standardabweichungsanalysemodul56 bereitgestellt, um einen jeweiligen jedem der Straßenbelagszustände zugehörigen Wahrscheinlichkeitsprozentsatz zu berechnen. Der Ausgang von dem Standardabweichungsanalysemodul56 , der die jeweiligen Wahrscheinlichkeiten hinsichtlich jedes der Straßenbelagszustände umfasst, wird an das Datenvereinigungs- und Entscheidungsmodul34 ausgegeben, an dem der jeweilige Straßenbelagszustand mit der größten Wahrscheinlichkeit mit der berechneten Wahrscheinlichkeit identifiziert wird. Beispielsweise kann durch das Datenvereinigungs- und Entscheidungsmodul34 eine nasse Oberfläche mit ihrer berechneten Wahrscheinlichkeit identifiziert werden, wenn nach einer Datenvereinigung ermittelt wird, dass eine nasse Oberfläche die größte Wahrscheinlichkeit aufweist. - Der Wahrscheinlichkeitsprozentsatz
46 , der durch das sensorbasierte Modul30 ausgegeben wird, umfasst vier Wahrscheinlichkeiten PS(trocken), PS(nass), PS(schneebedeckt), PS(eisig), und die Summe der jeweiligen Wahrscheinlichkeitsausgänge ist 1. Ähnlich umfasst der durch das Fahrzeugdynamikmodellmodul32 ausgegebene Wahrscheinlichkeitsprozentsatz58 vier Wahrscheinlichkeiten Pd(trocken), Pd(nass), Pd(schneebedeckt), Pd(eisig) und ist die Summe der jeweiligen Wahrscheinlichkeitsausgänge1 . Die Wahrscheinlichkeitsprozentsätze46 von dem sensorbasierten Modul30 und die Wahrscheinlichkeitsprozentsätze58 von dem Fahrzeugdynamikmodellmodul32 werden in das Datenvereinigungsmodul34 eingegeben. Das Datenvereinigungs- und Entscheidungsmodul34 ist ein Entscheidungsmodul, das Techniken verwendet, die die Evidenztechnik von Dempster und Shafer, eine Regressionsanalyse und eine Bayes'sche Analyse umfassen, jedoch nicht darauf beschränkt sind. Das Datenvereinigungs- und Entscheidungsmodul34 kann Details, wie beispielsweise einen Oberflächenstatusschätzwert, bereitstellen, der ein Vertrauensniveau/eine Wahrscheinlichkeit dessen Entscheidung umfasst und auch dessen Entscheidung basierend auf den kooperativen Daten validiert, die durch das sensorbasierte Modul30 und das Fahrzeugdynamikmodellmodul32 bereitgestellt werden. - Das Datenvereinigungs- und Entscheidungsmodul
34 kann eine zusätzliche Information von anderen Erfassungseinrichtungen59 verwenden, die eine Information umfasst, die sich auf eine Information einer globalen Positionsbestimmung, eine saisonale Information, eine Tageszeit, eine Wetterinformation, eine Beleuchtungsinformation, Feuchtigkeit, Temperatur, Niederschlag, Taupunkt und Luftdruck bezieht, jedoch nicht darauf beschränkt ist. - Das Datenvereinigungs- und Entscheidungsmodul
34 gib das Wahrscheinlichkeitsergebnis eines identifizierten Straßenbelagszustands an verschiedene andere Systeme zur Verwendung beim Freigeben von Sicherheitsmerkmalen60 aus. Derartige Sicherheitsmerkmale können Fahrzeugsubsysteme umfassen, um den Effekten des Wassers entgegenzuwirken. Beispielsweise kann in Ansprechen auf eine Ermittlung, dass die Straße nass ist, ein Controller ein elektrisches oder elektrohydraulisches Bremssystem freigeben, bei dem eine Bremsstrategie in dem Fall bereitsteht, dass ein Traktionsverlust erfolgt. Zusätzlich zu einem Vorbereiten einer Bremsstrategie kann das Bremssystem autonom eine geringe Bremskraft aufbringen, ohne dass dies der Fahrer bemerkt, um den Niederschlag von den Fahrzeugbremsen zu entfernen, sobald sich das Fahrzeug in den Niederschlag begibt. Ein Entfernen des Niederschlags, der sich an den Rädern/Bremsen gebildet hat, hält einen erwarteten Reibungskoeffizienten zwischen den Fahrzeugbremsaktoren und der Bremsfläche der Räder aufrecht, wenn ein Bremsen durch den Fahrer manuell betätigt wird. Andere Einrichtungen, die freigegeben oder gesperrt werden können, umfassen Geschwindigkeitssteuersysteme, Traktionssteuersysteme, Tempomatsysteme, Fahrerinformationswarnsysteme, Lufteinlasssysteme und Kommunikationssysteme. Zusätzlich zu dem Freigeben von Sicherheitsmerkmalen kann der Straßenbelagszustand auch verwendet werden, um Warnungen oder Alarme über eine Ausgabeeinrichtung, wie beispielsweise ein Anzeigebildschirmnachrichtenübermittlungssystem oder eine andere Mensch-Maschine-Schnittstelle, die visuelle, audio- oder haptische Ausgänge umfassen kann, jedoch nicht darauf beschränkt ist, auszugeben. - Um die kooperative Datenvereinigung von dem erfassungsbasierten Modul
30 und dem Fahrzeugdynamikmodellmodul32 zu verbessern, werden Datenvereinigungsergebnisse zu dem Online-Modul36 eines adaptiven Lernens zurückgeführt. Das Online-Modul36 eines adaptiven Lernens validiert die Ergebnisse durch Verbessern der Systemfähigkeiten, um eine Straßenbelagszustandszuverlässigkeit über eine Anpassungsrückmeldung vorherzusagen. Das heißt, das System lernt konstant über Rückmeldungsergebnisse. Beispielsweise kann ein Fahrzeug ein Bild des Straßenbelags vor dem Fahrzeug detektieren und den Straßenbelagszustand schützen. Wenn das Fahrzeug über den identifizierten Teilabschnitt der Straße fährt, verwendet das Fahrzeug das fahrzeugbasierte Modell, um den aktuellen Straßenbelagszustand über eine Anregung-Reaktion-Technik vorherzusagen. Wenn sich das Fahrzeug über den identifizierten Teilabschnitt der Straße hinaus bewegt, kann eine nach hinten gewandte Bildgebungseinrichtung den jeweiligen Teilabschnitt der Straße hinter dem Fahrzeug erfassen. Das Bild wird analysiert, um den Straßenbelagszustand zu ermitteln, beispielsweise, indem die Struktur des durch die nach vorn gerichtete Kamera erfassten Straßenbelagsbilds in dem durch die nach hinten gerichtete Kamera erfassten Bild verglichen wird, um zu ermitteln, ob sich die Struktur des Straßenbelags verändert hat. Dies validiert ferner die ursprünglichen vorhergesagten Ergebnisse. In Ansprechen auf sein adaptives Lernen stellt das Online-Modul36 eines adaptiven Lernens eine Rückmeldung bereit, um das erfassungsbasierte Modul30 in dem Fahrzeugdynamikmodellmodul32 zu verfeinern. - Verfeinerungen der jeweiligen Module können ein Merkmalsabstimmungssubmodul
62 umfassen. Das Merkmalsabstimmungssubmodul62 verfeinert Merkmalsauswahlkriterien, die in dem Merkmalsauswahlmodul42 verwendet werden. Die Ermittlung, welche Merkmale durch das Merkmalsabstimmungssubmodul62 verfeinert werden sollen, kann durch Verwenden von AdaBoost, der Hauptkomponentenanalyse (PCA von principal component analysis), der Unabhängigkeitsanalyse (ICA von independent component analysis) und der rekursiven Merkmalsbeseitigung (RFE von recursive feature elimination) identifiziert werden. - AdaBoost ist ein Maschinenlernalgorithmus, der in Kooperation mit verschiedenen anderen Lernalgorithmen verwendet wird, um deren Leistungsvermögen zu verbessern. AdaBoost ist in dem Sinne adaptiv, dass ein nächster nachfolgender Klassifizierer angesichts jener Fälle, die durch vorherige Klassifizierer fehlklassifiziert wurden, modifiziert wird. Die durch AdaBoost verwendeten vorherigen Klassifizierer können schwache Klassifizierer sein (z. B. eine erhebliche Fehlerrate anzeigen), solange das Leistungsvermögen des Klassifizierers jedoch nicht zufällig ist, verbessert er das gesamte Klassifizierermodell.
- Die Hauptkomponentenanalyse (PCA) und die Unabhängigkeitsanalyse (ICA) zum Reduzieren der Datengröße und Finden einer Kohärenz zwischen PID-Werten.
- Die PCA identifiziert eine Linearkombination von Variablen, die die Veränderlichkeit in dem Datensatz am besten beschreiben. Die Linearkombination von Variablen wird durch eine Eigenvektorzerlegung einer Kovarianzmatrix der Daten berechnet. Die Linearkombination von Variablen, die die größte Veränderlichkeit beschreibt (z. B. 90% der gesamten Varianz in dem Datensatz), wird als Basisvektoren zum Transformieren der Daten in einen neuen Raum mit reduzierter Dimension verwendet. Es wird eine Information bezüglich der Redundanz in dem Datensatz extrahiert. Ferner ist die PCA nur unter der Annahme effektiv, dass die Daten eine Gauß'sche Verteilung aufweisen, was für Kraftfahrzeugsysteme möglicherweise nicht gilt, da es mehrere nichtlineare Prozesse gibt, die nicht-Gauß'sche Daten erzeugen könnten.
- Die ICA ist eine nichtlineare Technik zum Schätzen von statistisch unabhängigen Komponenten von einer Datenmatrix. Die ICA wird für eine lineare Darstellung nicht-Gauß'scher Daten verwendet, so dass die Komponenten statistisch unabhängig, oder so unabhängig wie möglich, sind. Die ICA ist in Systemen am effektivsten, die stark nichtlinear sind, bei denen es wahrscheinlicher ist, dass die Daten nicht-Gauß'sch sind. Da eine Datenreduzierung bereits unter Verwendung der PCA erfolgte, wird die ICA auf den PCA-Datenausgang angewandt, um zu prüfen, ob eine weitere Reduzierung möglich ist.
- Die RFE ist ein Prozess, durch den Modelle wiederholt konstruiert werden und Merkmale, die als weniger Gewicht aufweisend oder weniger signifikant bei der Merkmalsextraktion identifiziert werden, entfernt oder verworfen werden. Beispielsweise können die Helligkeit oder Schatten von einem Bild verworfen werden.
- Verfeinerungen des Klassifizierers
44 können durch ein Klassifiziererabstimmungssubmodul64 bereitgestellt werden. Das Klassifiziererabstimmungssubmodul64 verfeinert das Muster einer nassen Oberfläche in dem Klassifizierer44 mit neuen Bildtrainingsdaten. Es kann das Konzept des Wählens oder Verstärkens in Bezug auf den Klassifizierer verwendet werden. Ein Verstärken betrifft ein Gebiet eines vorhersagen Data-Mining zum Erzeugen mehrerer Modelle oder Klassifizierer (zur Vorhersage oder Klassifizierung), und um Gewichte zum Kombinieren der Vorhersagen von jenen Modellen zu einer einzelnen Vorhersageklassifizierung abzuleiten. Das Wählen verwendet mehrere Klassifizierer, wobei die Ergebnisse der verschiedenen Klassifizierer für vorhersagende verbesserte Ergebnisse kombiniert werden. Die Ergebnisse von den verschiedenen Klassifizierern können gemittelt oder gewichtet werden. - Es können Verfeinerungen an dem fahrzeugbasierten Modell
32 durch ein Fahrzeugmodellparameterabstimmungssubmodul66 durchgeführt werden. Das Fahrzeugparameterabstimmungssubmodul66 identifiziert Möglichkeiten und wie Parameter in den verschiedenen Modellen aktualisiert werden können, um das Gesamtmodell zu verbessern. Wenn beispielsweise ein Fahrerlenkeingang verwendet wird, kann das Fahrzeugparameterabstimmungssubmodul66 empfehlen, dass ein Lenkanregungsschwellenwert reduziert wird. Ein weiteres Beispiel kann das Aktualisieren von Parametern einer nassen Oberfläche über eine Online-Parameterabschätzung rekursiver kleinster Quadrate sein. Solche Parameter einer nassen Oberfläche können eine Quersteifigkeit (Cf und Cr) für die Vorderachse und die Hinterachse für eine nasse Oberfläche umfassen, sind jedoch nicht darauf beschränkt. - Es können ferner Daten von den anderen Erfassungseinrichtungen
59 für das erfassungsbasierte Modul30 und das Fahrzeugdynamikmodellmodul32 bereitgestellt werden. Die Daten können kooperativ durch jedes jeweilige Modul beim Ermitteln der jeweiligen Wahrscheinlichkeiten in Bezug auf den Zustand einer nassen Oberfläche verwendet werden. - Während bestimmte Ausführungsformen der vorliegenden Erfindung ausführlich beschrieben wurden, werden Fachleute, die diese Erfindung betrifft, verschiedene alternative Entwürfe und Ausführungsformen zum Ausführen der Erfindung, wie durch die folgenden Ansprüche definiert, erkennen.
Claims (10)
- Verfahren zum Ermitteln eines Straßenbelagszustands für ein Fahrzeug, das auf einer Straße fährt, wobei das Verfahren die Schritte umfasst, dass: durch ein erstes Wahrscheinlichkeitsmodul mehreren Straßenbelagszuständen zugehörige Wahrscheinlichkeiten basierend auf einem Bild einer Erfassungsszene der Straße ermittelt werden; durch ein zweites Wahrscheinlichkeitsmodul den mehreren Straßenbelagszuständen zugehörige Wahrscheinlichkeiten basierend auf Fahrzeugbetriebsdaten ermittelt werden; die durch das erste Wahrscheinlichkeitsmodul ermittelten Wahrscheinlichkeiten und die durch das zweite Wahrscheinlichkeitsmodul ermittelten Wahrscheinlichkeiten in eine Datenvereinigungs- und Entscheidungseinheit eingegeben werden, um die durch das erste und zweite Wahrscheinlichkeitsmodul ermittelten Wahrscheinlichkeiten zu vereinigen; basierend auf vereinigten Ergebnissen durch die Datenvereinigungs- und Entscheidungseinheit ein Straßenbelagszustand ermittelt wird; eine dem identifizierten Straßenbelagszustand zugehörige verfeinerte Wahrscheinlichkeit von der Datenvereinigungs- und Entscheidungseinheit ausgegeben wird, die eine Funktion der vereinigten ersten und zweiten Wahrscheinlichkeit ist; und die verfeinerte Wahrscheinlichkeit von der Datenvereinigungs- und Entscheidungseinheit einer Einheit eines adaptiven Lernens bereitgestellt wird, wobei die Einheit eines adaptiven Lernens Ausgangsbefehle erzeugt, die abstimmbare Parameter von zumindest dem ersten Wahrscheinlichkeitsmodul und dem zweiten Wahrscheinlichkeitsmodul zum Ermitteln der jeweiligen Wahrscheinlichkeiten verfeinern.
- Verfahren nach Anspruch 1, wobei das Ermitteln der Wahrscheinlichkeiten durch das erste Wahrscheinlichkeitsmodul die Schritte umfasst, dass: eine Szene außerhalb des Fahrzeugs durch eine Bilderfassungseinrichtung detektiert wird; ein Teilabschnitt der Straße in dem ersten erfassten Bild durch eine Verarbeitungseinheit identifiziert wird; der Teilabschnitt der Straße zum Ermitteln der Wahrscheinlichkeiten jedes der mehreren Straßenbelagszustände durch den Prozessor analysiert wird.
- Verfahren nach Anspruch 2, wobei das Analysieren des Teilabschnitts der Straße zum Ermitteln der Wahrscheinlichkeiten jedes der mehreren Straßenbelagszustände die Schritte umfasst, dass: Merkmale aus Teilabschnitten der Straße in dem Bild zur Analyse durch den Prozessor extrahiert werden; die extrahierten Merkmale in einen Klassifizierer eingegeben werden, um die Wahrscheinlichkeiten für jeden Straßenbelagszustand zu ermitteln.
- Verfahren nach Anspruch 3, wobei das Erzeugen von Ausgangsbefehlen, die abstimmbare Parameter des ersten Wahrscheinlichkeitsmoduls verfeinern, durch die Einheit eines adaptiven Lernens umfasst, dass Befehle zum Verfeinern eines Merkmalsauswahlprozesses erzeugt werden.
- Verfahren nach Anspruch 1, wobei das Ermitteln der Wahrscheinlichkeiten durch das zweite Wahrscheinlichkeitsmodul die Schritte umfasst, dass: Fahrzeugbetriebszustände durch eine Fahrzeugerfassungseinrichtung überwacht werden; eine Anregung erzeugt wird, die den Fahrzeugbetriebszustand ändert, um eine Fahrzeugreaktion zu erhalten; die Anregung und die Fahrzeugreaktion in das Fahrzeugreferenzmodell eingegeben werden; und die Wahrscheinlichkeiten jedes der mehreren Straßenbelagszustände basierend auf einem Ausgang von dem Fahrzeugreferenzmodell ermittelt werden.
- Verfahren nach Anspruch 1, das ferner den Schritt umfasst, dass äußere Klimabedingungen von einer entfernten Quelle erhalten werden, wobei die äußeren Klimabedingungen in die Datenvereinigungseinheit eingegeben werden, um die verfeinerte Wahrscheinlichkeit des Straßenbelagszustands zu ermitteln.
- Verfahren nach Anspruch 1, das ferner den Schritt umfasst, dass Regensensordaten von einem Fahrzeugregensensor erhalten werden, wobei die Regensensordaten in die Datenvereinigungseinheit eingegeben werden, um die verfeinerte Wahrscheinlichkeit des Straßenbelagszustands zu ermitteln.
- Verfahren nach Anspruch 1, das ferner den Schritt umfasst, dass Daten einer globalen Positionsbestimmung von einer Einrichtung einer globalen Positionsbestimmung erhalten werden, wobei die Daten einer globalen Positionsbestimmung in die Datenvereinigungseinheit eingegeben werden, um die Wahrscheinlichkeit des Straßenbelagszustands zu ermitteln.
- Verfahren nach Anspruch 1, das ferner den Schritt umfasst, dass Temperaturdaten von einem fahrzeugbasierten Temperatursensor erhalten werden, wobei die Regentemperatursensordaten in die Datenvereinigungseinheit eingegeben werden, um die verfeinerte Wahrscheinlichkeit des Straßenbelagszustands zu ermitteln.
- Verfahren nach Anspruch 1, das ferner den Schritt umfasst, dass Straßenbelagstemperaturdaten von einem fahrzeugbasierten Straßentemperatursensor erhalten werden, wobei die Straßenbelagstemperatur Sensordaten in die Datenvereinigungseinheit eingegeben werden, um die Wahrscheinlichkeit zu ermitteln, dass das Fahrzeug auf jedem Straßenbelagszustand fährt.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/302,642 | 2014-06-12 | ||
US14/302,642 US9139204B1 (en) | 2014-06-12 | 2014-06-12 | Road surface condition detection with recursive adaptive learning and validation |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102015109270A1 true DE102015109270A1 (de) | 2015-12-17 |
DE102015109270B4 DE102015109270B4 (de) | 2022-09-08 |
Family
ID=54106934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102015109270.0A Active DE102015109270B4 (de) | 2014-06-12 | 2015-06-11 | Verfahren zum Ermitteln eines Straßenbelagszustands für ein Fahrzeug |
Country Status (3)
Country | Link |
---|---|
US (1) | US9139204B1 (de) |
CN (1) | CN105184262B (de) |
DE (1) | DE102015109270B4 (de) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016209984A1 (de) * | 2016-06-07 | 2017-12-07 | Lucas Automotive Gmbh | Verfahren zur Schätzung einer Wahrscheinlichkeitsverteilung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs |
DE102018209595A1 (de) * | 2018-06-14 | 2019-12-19 | Robert Bosch Gmbh | Verfahren zum automatischen Bestimmen eines Straßenzustands |
DE102019212567A1 (de) * | 2019-08-22 | 2021-02-25 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Straßenzustands mit einem Computersystem |
DE102019128451A1 (de) * | 2019-10-22 | 2021-04-22 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zur Ermittlung einer Fahrbahnnässe, System |
EP3885219A1 (de) * | 2020-03-26 | 2021-09-29 | INTEL Corporation | Sicherheitssystem für ein fahrzeug, fahrzeug und computerprogramm |
DE102020215551A1 (de) | 2020-12-09 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Minimieren einer Latenzzeit einer Wirkkette |
DE102020215544A1 (de) | 2020-12-09 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Minimieren einer Latenzzeit einer Wirkkette |
EP4128073A4 (de) * | 2020-06-05 | 2024-04-10 | Waymo LLC | Tiefenlernmodell für strassenzustand |
Families Citing this family (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013002333A1 (de) * | 2013-02-12 | 2014-08-14 | Continental Teves Ag & Co. Ohg | Verfahren und Strahlensensormodul zur vorausschauenden Straßenzustandsbestimmung in einem Fahrzeug |
KR101618551B1 (ko) * | 2014-07-02 | 2016-05-09 | 엘지전자 주식회사 | 차량 운전 보조 장치 및 이를 구비한 차량 |
JP2017187812A (ja) * | 2014-08-21 | 2017-10-12 | ヤマハ発動機株式会社 | 運転支援方法、運転支援装置および運転支援システム |
US9387851B2 (en) * | 2014-08-28 | 2016-07-12 | Robert Bosch Gmbh | Adaptive electronic stability control |
US9598087B2 (en) * | 2014-12-12 | 2017-03-21 | GM Global Technology Operations LLC | Systems and methods for determining a condition of a road surface |
US9453941B2 (en) * | 2014-12-22 | 2016-09-27 | GM Global Technology Operations LLC | Road surface reflectivity detection by lidar sensor |
US9875576B2 (en) * | 2015-01-06 | 2018-01-23 | Clearag, Inc. | Three-dimensional visualization model of roadway information in a pavement condition analysis |
US9616773B2 (en) | 2015-05-11 | 2017-04-11 | Uber Technologies, Inc. | Detecting objects within a vehicle in connection with a service |
US20170166216A1 (en) * | 2015-12-10 | 2017-06-15 | Uber Technologies, Inc. | Motion planning for a vehicle using traction information |
US10712160B2 (en) | 2015-12-10 | 2020-07-14 | Uatc, Llc | Vehicle traction map for autonomous vehicles |
US9841763B1 (en) | 2015-12-16 | 2017-12-12 | Uber Technologies, Inc. | Predictive sensor array configuration system for an autonomous vehicle |
US9840256B1 (en) | 2015-12-16 | 2017-12-12 | Uber Technologies, Inc. | Predictive sensor array configuration system for an autonomous vehicle |
CN107092920A (zh) | 2016-02-17 | 2017-08-25 | 福特全球技术公司 | 评估其上行驶有车辆的路面的方法和装置 |
DE102016104044A1 (de) * | 2016-03-07 | 2017-09-07 | Connaught Electronics Ltd. | Verfahren zum Erkennen einer Ablagerung auf einem optischen Element einer Kamera durch einen Merkmalsraum und eine Hyperebene, sowie Kamerasystem und Kraftfahrzeug |
US9990548B2 (en) | 2016-03-09 | 2018-06-05 | Uber Technologies, Inc. | Traffic signal analysis system |
US9950700B2 (en) * | 2016-03-30 | 2018-04-24 | GM Global Technology Operations LLC | Road surface condition detection with multi-scale fusion |
CN107341428B (zh) * | 2016-04-28 | 2020-11-06 | 财团法人车辆研究测试中心 | 影像辨识系统及自适应学习方法 |
DE102016207436A1 (de) * | 2016-04-29 | 2017-11-02 | Ford Global Technologies, Llc | System und Verfahren zum Steuern- und/oder Regeln eines Lenksystems eines Fahrzeugs sowie Fahrzeug |
US10035510B2 (en) | 2016-05-27 | 2018-07-31 | Ford Global Technologies, Llc | Adaptive drive control low-traction detection and mode selection |
DE102016210632A1 (de) * | 2016-06-15 | 2017-12-21 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Überprüfen eines Medienverlustes eines Kraftfahrzeuges sowie Kraftfahrzeug und System zum Ausführen eines solchen Verfahrens |
US10852744B2 (en) | 2016-07-01 | 2020-12-01 | Uatc, Llc | Detecting deviations in driving behavior for autonomous vehicles |
US10310298B2 (en) | 2016-10-25 | 2019-06-04 | GM Global Technology Operations LLC | Smart sensor-cover apparatus and methods and computer products for implementing same |
US10315649B2 (en) | 2016-11-29 | 2019-06-11 | Ford Global Technologies, Llc | Multi-sensor probabilistic object detection and automated braking |
US10814846B2 (en) * | 2017-08-11 | 2020-10-27 | Ford Global Technologies, Llc | Traction control based on friction coefficient estimation |
US10773725B1 (en) | 2017-08-25 | 2020-09-15 | Apple Inc. | Tire-road friction estimation and mapping |
US11541893B2 (en) | 2017-09-26 | 2023-01-03 | Nira Dynamics Ab | Friction estimation |
WO2019113022A1 (en) * | 2017-12-04 | 2019-06-13 | University Of Massachusetts | Method to measure road roughness characteristics and pavement induced vehicle fuel consumption |
DE102017222568A1 (de) * | 2017-12-13 | 2019-06-13 | Robert Bosch Gmbh | Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn und Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs |
US20210012119A1 (en) * | 2018-03-01 | 2021-01-14 | Jaguar Land Rover Limited | Methods and apparatus for acquisition and tracking, object classification and terrain inference |
US10641391B2 (en) | 2018-04-23 | 2020-05-05 | GM Global Technology Operations LLC | System and method for CVT clamp control based on oncoming conditions in a vehicle propulsion system |
US11334753B2 (en) | 2018-04-30 | 2022-05-17 | Uatc, Llc | Traffic signal state classification for autonomous vehicles |
US11592566B2 (en) | 2019-08-15 | 2023-02-28 | Volvo Car Corporation | Vehicle systems and methods utilizing LIDAR data for road condition estimation |
US11124193B2 (en) | 2018-05-03 | 2021-09-21 | Volvo Car Corporation | System and method for providing vehicle safety distance and speed alerts under slippery road conditions |
US10706294B2 (en) | 2018-05-03 | 2020-07-07 | Volvo Car Corporation | Methods and systems for generating and using a road friction estimate based on camera image signal processing |
US11036999B2 (en) * | 2018-07-30 | 2021-06-15 | GM Global Technology Operations LLC | Autonomous vehicle that is controlled based upon output of a Bayesian object classifier system |
US10872419B2 (en) * | 2018-09-04 | 2020-12-22 | GM Global Technology Operations LLC | Method and apparatus for evaluating a vehicle travel surface |
US10627823B1 (en) * | 2019-01-30 | 2020-04-21 | StradVision, Inc. | Method and device for performing multiple agent sensor fusion in cooperative driving based on reinforcement learning |
US11226620B2 (en) | 2019-02-08 | 2022-01-18 | GM Global Technology Operations LLC | Automated driving systems and control logic with enhanced longitudinal control for transitional surface friction conditions |
US11052914B2 (en) | 2019-03-14 | 2021-07-06 | GM Global Technology Operations LLC | Automated driving systems and control logic using maneuver criticality for vehicle routing and mode adaptation |
JP7348302B2 (ja) * | 2019-04-05 | 2023-09-20 | ボルボトラックコーポレーション | 車両を支持する道路部分の道路能力を示すパラメータを決定する方法及び制御ユニット |
CN110263844B (zh) * | 2019-06-18 | 2021-04-06 | 北京中科原动力科技有限公司 | 一种在线学习和实时估计路面状态的方法 |
EP3991089A1 (de) * | 2019-06-27 | 2022-05-04 | Zenuity AB | Verfahren und system zur schätzung einer antreibbaren oberfläche |
US11300677B2 (en) | 2019-07-08 | 2022-04-12 | GM Global Technology Operations LLC | Automated driving systems and control logic for host vehicle velocity estimation using wide aperture radar |
CN111650940B (zh) * | 2020-06-09 | 2023-04-07 | 中国人民解放军32023部队 | 一种三维地形可通行性分析方法 |
US20210402980A1 (en) * | 2020-06-26 | 2021-12-30 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Data-Driven Reference Generation |
US11380093B2 (en) * | 2020-07-30 | 2022-07-05 | GM Global Technology Operations LLC | Detecting road edges by fusing aerial image and telemetry evidences |
KR102464641B1 (ko) * | 2020-09-25 | 2022-11-09 | 아신씨엔티 주식회사 | 결빙 알람 시스템 |
JP7021798B1 (ja) * | 2020-12-04 | 2022-02-17 | 国立研究開発法人土木研究所 | 学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法 |
CN113869241B (zh) * | 2021-09-30 | 2022-09-27 | 西安理工大学 | 一种融合人脸多属性的在线学习状态分析与报警方法 |
US12014552B2 (en) | 2021-12-07 | 2024-06-18 | GM Global Technology Operations LLC | Intelligent vehicle systems and control logic for incident prediction and assistance in off-road driving situations |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7376499B2 (en) * | 2005-09-16 | 2008-05-20 | Gm Global Technology Operations, Inc. | State-of-health monitoring and fault diagnosis with adaptive thresholds for integrated vehicle stability system |
JP4241834B2 (ja) | 2007-01-11 | 2009-03-18 | 株式会社デンソー | 車載霧判定装置 |
CN102254161B (zh) * | 2011-07-15 | 2012-12-19 | 王世峰 | 基于路面轮廓及路面图像特征的路面类型识别方法及装置 |
EP2852831A4 (de) | 2012-05-23 | 2016-04-20 | Raqib Omer | Verfahren und system zur klassifizierung des strassenoberflächenzustandes |
CN103034862B (zh) * | 2012-12-14 | 2015-07-15 | 北京诚达交通科技有限公司 | 基于特征信息分类的道路雨雪状态自动识别方法 |
CN103413441B (zh) * | 2013-06-26 | 2015-12-23 | 广东惠利普路桥信息工程有限公司 | 道路天气状况监控方法 |
WO2015020687A1 (en) * | 2013-08-08 | 2015-02-12 | Iteris, Inc. | Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions |
-
2014
- 2014-06-12 US US14/302,642 patent/US9139204B1/en active Active
-
2015
- 2015-06-11 DE DE102015109270.0A patent/DE102015109270B4/de active Active
- 2015-06-12 CN CN201510579931.6A patent/CN105184262B/zh active Active
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016209984A1 (de) * | 2016-06-07 | 2017-12-07 | Lucas Automotive Gmbh | Verfahren zur Schätzung einer Wahrscheinlichkeitsverteilung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs |
US11091165B2 (en) | 2016-06-07 | 2021-08-17 | Zf Friedrichshafen Ag | Method for estimating a probability distribution of the maximum coefficient of friction at a current and/or future waypoint of a vehicle |
DE102018209595A1 (de) * | 2018-06-14 | 2019-12-19 | Robert Bosch Gmbh | Verfahren zum automatischen Bestimmen eines Straßenzustands |
DE102019212567A1 (de) * | 2019-08-22 | 2021-02-25 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Straßenzustands mit einem Computersystem |
DE102019128451A1 (de) * | 2019-10-22 | 2021-04-22 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zur Ermittlung einer Fahrbahnnässe, System |
EP3885219A1 (de) * | 2020-03-26 | 2021-09-29 | INTEL Corporation | Sicherheitssystem für ein fahrzeug, fahrzeug und computerprogramm |
US11472414B2 (en) | 2020-03-26 | 2022-10-18 | Intel Corporation | Safety system for a vehicle |
EP4128073A4 (de) * | 2020-06-05 | 2024-04-10 | Waymo LLC | Tiefenlernmodell für strassenzustand |
DE102020215551A1 (de) | 2020-12-09 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Minimieren einer Latenzzeit einer Wirkkette |
DE102020215544A1 (de) | 2020-12-09 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Minimieren einer Latenzzeit einer Wirkkette |
Also Published As
Publication number | Publication date |
---|---|
CN105184262B (zh) | 2019-01-04 |
DE102015109270B4 (de) | 2022-09-08 |
CN105184262A (zh) | 2015-12-23 |
US9139204B1 (en) | 2015-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015109270B4 (de) | Verfahren zum Ermitteln eines Straßenbelagszustands für ein Fahrzeug | |
DE102017106535B4 (de) | Verfahren zur Feststellung eines Oberflächenzustandes eines Bewegungsweges | |
DE102011086512B4 (de) | Nebeldetektion | |
DE102014210820B4 (de) | Verfahren zum Nachweis von großen und Passagierfahrzeugen von festen Kameras | |
US11164013B2 (en) | Methods and systems for generating and using a road friction estimate based on camera image signal processing | |
DE102018132525A1 (de) | Verfahren und Vorrichtung zur Bewertung einer Fahrzeugfahrfläche | |
DE102018213364A1 (de) | Auf Deep Learning basierendes selbstfahrendes Fahrzeug, auf Deep Learning basierende Selbstfahr-Steuervorrichtung und auf Deep Learning basierendes Selbstfahr-Steuerverfahren | |
WO2019174682A1 (de) | Verfahren und vorrichtung zur erkennung und bewertung von fahrbahnzuständen und witterungsbedingten umwelteinflüssen | |
DE102011119767A1 (de) | Erscheinungsbild-gestützte vereinigung von kamera- undentfernungssensordaten für mehrere objekte | |
DE102019102216A1 (de) | Fusion von Frontfahrzeugsensordaten zur Erkennung und zur Bestimmung der Entfernung von vorausfahrenden Objekten | |
DE102017102506B4 (de) | Verfahren zum erfassen anderer fahrzeuge relativ zu einem trägerfahrzeug mittels raderfassung | |
DE102017127592A1 (de) | Verfahren zum Klassifizieren von Bildszenen in einem Fahrunterstützungssystem | |
DE102019127229A1 (de) | System und verfahren zum bestimmen einer vertrautheit eines fahrzeugdatensatzes | |
DE102010005290A1 (de) | Vereinigungsmodul für mehrere Objekte für ein Kollisionsvorbereitungssystem | |
DE102019113928A1 (de) | Mikrodoppler-vorrichtung und verfahren zur anhängererkennung und -verfolgung | |
DE112018000448T5 (de) | System und Verfahren zur automatischen Anhängererfassung | |
DE112013003276T5 (de) | Objekterkennungseinrichtung | |
DE102019127190A1 (de) | System und verfahren zum beurteilen des bekanntseins eines gelernten fahrzeugdatensatzes eines fahrerassistenzsystems | |
DE102015009849A1 (de) | Radarsystem vom Typ für ein Fahrzeug und Verfahren zum Entfernen eines nicht interessierenden Ziels | |
WO2020061603A1 (de) | Verfahren und vorrichtung zur analyse eines sensordatenstroms sowie verfahren zum führen eines fahrzeugs | |
DE102019200849A1 (de) | Verfahren zum Erfassen einer Bewegung eines Objekts | |
DE102021003567A1 (de) | Verfahren zur Erkennung von Objektbeziehungen und Attributierungen aus Sensordaten | |
DE102022205744A1 (de) | Ultraschallsystem und Verfahren zum Rekonfigurieren eines in einem Fahrzeug verwendeten Maschinenlernmodells | |
DE102017119317A1 (de) | Klassifizierung von Umgebungs-Fahrzeugen für eine Abstandsregeltempomat-Vorrichtung in einem Kraftfahrzeug | |
EP4053593A1 (de) | Verarbeitung von sensordaten in einem fortbewegungsmittel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06K0009620000 Ipc: G06V0030190000 |
|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06V0030190000 Ipc: G06V0020560000 |
|
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final |