DE102015202554B3

DE102015202554B3 - Method and device for estimating a real traffic condition by means of n sensors

Info

Publication number: DE102015202554B3
Application number: DE102015202554.3A
Authority: DE
Inventors: Thorsten Neumann
Original assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Current assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Priority date: 2015-02-12
Filing date: 2015-02-12
Publication date: 2016-06-09
Anticipated expiration: 2035-02-13

Abstract

Die Erfindung betrifft ein Verfahren zum Schätzen eines realen Verkehrszustandes mittels n Sensoren (3, 4, 5), umfassend die folgenden Schritte: Definieren und Kalibrieren eines Bayesschen Netzes (10) durch eine Steuereinrichtung (6), Erfassen jeweils mindestens eines Verkehrszustandes an den n Sensoren (3, 4, 5) und Übertragen an die Steuereinrichtung (6), Fusionieren der erfassten Verkehrszustände in der Steuereinrichtung (6) zu einem Fusionsergebnis mittels des Bayesschen Netzes (10) und Ausgabe des Fusionsergebnisses an einer Schnittstelle (7), wobei das Kalibrieren des Bayesschen Netzes (10) folgende Schritte umfasst: Bestimmen einer Verbundwahrscheinlichkeitsverteilung der Zustände der n Sensoren (3, 4, 5), Aufstellen eines Gleichungssystems zum Bestimmen der Parameter des Bayesschen Netzes (10) unter Ausnutzung der stochastischen Abhängigkeiten in den Eingangsdaten der n Sensoren (3, 4, 5), Bestimmen einer Anzahl von Referenzmessungen, welche notwendig ist, um das Gleichungssystem eindeutig zu machen, Durchführen der Referenzmessungen für die n Sensoren (3, 4, 5), wobei für mindestens einen der n Sensoren (3, 4, 5) eine Referenzmessung für jeden der möglichen Verkehrszustände durchgeführt wird und für mindestens einen der n Sensoren (3, 4, 5) nicht für jeden der möglichen Verkehrszustände eine Referenzmessung durchgeführt wird, Einsetzen der mit den Referenzmessungen bestimmten Parameter in das Gleichungssystem, Bestimmen der unbekannten Parameter im Bayesschen Netz (10) durch Lösen des Gleichungssystems unter Berücksichtigung der Referenzmessungen und Einsetzen der bestimmten Parameter in das Bayessche Netz (10). Die Erfindung betrifft ferner die zugehörige Vorrichtung (1).The invention relates to a method for estimating a real traffic condition by means of n sensors (3, 4, 5), comprising the following steps: Defining and calibrating a Bayesian network (10) by a control device (6), detecting at least one traffic condition at the n Sensors (3, 4, 5) and transmitted to the control device (6), merging the detected traffic conditions in the control device (6) to a fusion result using the Bayesian network (10) and output of the fusion result at an interface (7), wherein the Calibrating the Bayesian network (10) comprises the following steps: determining a composite probability distribution of the states of the n sensors (3, 4, 5), establishing a system of equations for determining the parameters of the Bayesian network (10) taking advantage of the stochastic dependencies in the input data of the n Sensors (3, 4, 5), determining a number of reference measurements necessary to satisfy the equation Performing the reference measurements for the n sensors (3, 4, 5), wherein for at least one of the n sensors (3, 4, 5) a reference measurement for each of the possible traffic conditions is performed and for at least one of the n sensors (3, 4, 5) a reference measurement is not performed for each of the possible traffic conditions, inserting the parameters determined by the reference measurements into the equation system, determining the unknown parameters in the Bayesian network (10) by solving the equation system taking into account the reference measurements and inserting the certain parameters into the Bayesian network (10). The invention further relates to the associated device (1).

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zum Schätzen eines realen Verkehrszustandes mittels n Sensoren.The invention relates to a method and an apparatus for estimating a real traffic condition by means of n sensors.

Aus der DE 10 2013 202 255 A1 ist ein Verfahren zur Bestimmung einer Verkehrsstärke mindestens eines Straßenabschnitts bekannt, wobei mindestens eine Reisegeschwindigkeit mindestens eines Verkehrsteilnehmers auf mindestens einem Straßenabschnitt in Abhängigkeit von Ausgangssignalen eines mobilen Erfassungssystems bestimmt wird. Dabei wird in Abhängigkeit der mindestens einen Reisegeschwindigkeit die mindestens eine abschnittsspezifische Verkehrsstärke modellbasiert bestimmt, wobei das Modell eine bedingte Abhängigkeit zwischen der mindestens einen abschnittsspezifischen Verkehrsstärke und der mindestens einen Reisegeschwindigkeit oder eine bedingte Abhängigkeit zwischen der mindestens einen abschnittsspezifischen Verkehrsstärke und mindestens einer abschnittsspezifischen, lokalen Passiergeschwindigkeit beschreibt. Vorzugsweise werden die mindestens eine Verkehrsstärke als Knoten und die mindestens eine Reisegeschwindigkeit oder die mindestens eine abschnittsspezifische, lokale Passiergeschwindigkeit als Knoten eines gerichteten Graphen modelliert, wobei die bedingte Abhängigkeit als Kante des Graphen modelliert wird, wobei die mindestens eine Verkehrsstärke durch Interferenz bestimmt wird. Insbesondere kann somit die Verkehrsstärke in Abhängigkeit eines Bayes'schen Netzes bestimmt werden. Hierbei bilden die Kanten kausale Beziehungen zwischen den Zufallsvariablen, die in diesem Fall durch die Verkehrsstärke und die mindestens eine Reisegeschwindigkeit gegeben sind. Durch sensorisch erfasste Verkehrsstärken in mindestens einem Straßenabschnitt kann dann das statische Modell kalibriert werden.From the DE 10 2013 202 255 A1 a method for determining a traffic volume of at least one road section is known, wherein at least one travel speed of at least one road user is determined on at least one road section in dependence on output signals of a mobile detection system. Depending on the at least one cruising speed, the at least one section-specific traffic volume is determined model-based, wherein the model has a conditional dependency between the at least one section-specific traffic volume and the at least one cruising speed or a conditional dependency between the at least one section-specific traffic volume and at least one section-specific local passing speed describes. Preferably, the at least one traffic volume is modeled as a node and the at least one cruising speed or the at least one section-specific local passing speed as nodes of a directed graph, wherein the conditional dependency is modeled as the edge of the graph, wherein the at least one traffic intensity is determined by interference. In particular, the traffic intensity can thus be determined as a function of a Bayesian network. Here, the edges form causal relationships between the random variables, which in this case are given by the traffic intensity and the at least one cruising speed. By sensory detected traffic levels in at least one road section then the static model can be calibrated.

Zur Erfassung der Qualität des Verkehrsablaufs im Straßenverkehrsmanagement stehen heutzutage eine Vielzahl von Sensoren zur Verfügung, beispielsweise Induktionsschleifen, Radarsensoren, Floating-Car-Daten, Kameradetektion oder Bluetooth. Allgemein ist ein Sensor dabei eine physisch ausgebildete Erfassungseinheit zum Messen eines Verkehrszustandes. Durch Kombination von Sensordaten im Wege einer Datenfusion kann dabei grundsätzlich eine verbesserte Bewertung des Verkehrsablaufs, das heißt der Verkehrsqualität, erfolgen. Die Genauigkeit bzw.To detect the quality of the traffic flow in road traffic management, a large number of sensors are available today, for example induction loops, radar sensors, floating car data, camera detection or Bluetooth. In general, a sensor is a physically formed detection unit for measuring a traffic condition. By combining sensor data by means of a data fusion, an improved assessment of the traffic flow, that is to say of the traffic quality, can take place in principle. The accuracy or

Verlässlichkeit der Fusionsergebnisse hängt in diesem Fall maßgeblich von der Qualität bzw. der Verlässlichkeit der einzelnen Sensoren ab.Reliability of the fusion results in this case largely depends on the quality or reliability of the individual sensors.

Aus dem Stand der Technik sind mehrere Fusionsansätze bekannt, welche darauf beruhen, die Qualität der Fusionsergebnisse – sofern diese überhaupt explizit betrachtet wird – grundsätzlich in Abhängigkeit von der Qualität der Eingangsdaten zu beschreiben bzw. abzuschätzen. Voraussetzung ist somit, dass die Qualität aller Sensoren für alle möglichen Verkehrszustände bekannt ist oder mindestens sinnvoll geschätzt werden kann.Several fusion approaches are known from the prior art, which are based on the quality of the fusion results - if this is considered at all explicitly - basically to describe or estimate depending on the quality of the input data. The prerequisite is therefore that the quality of all sensors for all possible traffic conditions is known or at least can be reasonably estimated.

Aus M. Junghans and H.-J. Jentschel (2007), Qualification of Traffic Data by Bayesian Network Data Fusion, FUSION 2007, 9.–12. Juli 2007, Quebec, ist ein Verfahren bekannt, bei dem die Datenfusion mit Hilfe eines Bayesschen Netzes erfolgt. Ein Bayessches Netz ist ein gerichteter azyklischer Graph, in dem die Knoten Zufallsvariablen und die Kanten bedingte Abhängigkeiten zwischen den Zufallsvariablen beschreiben. Dabei können Knoten mit übergeordneten Elternknoten verbunden sein. Jedem Knoten des Netzes ist eine bedingte Wahrscheinlichkeitsverteilung für die repräsentierte Zufallsvariable in Abhängigkeit des Zustands der Elternknoten gegeben. Die bedingten Wahrscheinlichkeitsverteilungen werden durch Wahrscheinlichkeitstabellen beschrieben. Eine Übersicht über Bayessche Netze findet sich beispielsweise in E. Charniak (1991), Bayesian Networks without Tears, Al Magazine 12(4), S. 50–63. In M. Junghans et al. (2007) gehen in das Fusionsergebnis Qualitätsdaten der Sensoren mit ein, welche separat auf Basis der Daten der Sensoren abgeschätzt werden. Die Parameter des Bayesschen Netzes werden mit Hilfe von adaptiven heuristischen Lernmethoden angelernt.From M. Junghans and H.-J. Jentschel (2007), Qualification of Traffic Data by Bayesian Network Data Fusion, FUSION 2007, 9.-12. July 2007, Quebec, a method is known in which the data fusion takes place with the aid of a Bayesian network. A Bayesian mesh is a directed acyclic graph in which the nodes describe random variables and the edge-related dependencies between the random variables. In this case, nodes can be connected to parent parent nodes. Each node of the network is given a conditional probability distribution for the represented random variable as a function of the state of the parent nodes. The conditional probability distributions are described by probability tables. An overview of Bayesian networks can be found, for example, in E. Charniak (1991), Bayesian Networks without Tears, Al Magazine 12 (4), pp. 50-63. In M. Junghans et al. (2007) include in the fusion result quality data of the sensors, which are estimated separately on the basis of the data of the sensors. The parameters of the Bayesian network are taught using adaptive heuristic learning methods.

Ein Nachteil des Stands der Technik ist, dass die Qualität aller Datenquellen für alle möglichen Verkehrszustände bekannt sein oder zumindest sinnvoll geschätzt werden muss. Sowohl bei kommerziellen als auch bei nicht-kommerziellen Anbietern von Verkehrsinformationen, aber auch bei noch in der Entwicklung stehenden Erfassungsmethoden, stehen in der Praxis jedoch oftmals nur unzureichende oder unvollständige Informationen über die Datenqualität zur Verfügung. Ein Hauptgrund dafür ist, dass explizite Referenzmessungen zur Bestimmung der Qualität einzelner Sensoren, wie sie nach dem Stand der Technik in Bezug auf qualitätsgesicherte Fusionsergebnisse unumgänglich sind, in aller Regel mit einem hohen Aufwand verbunden sind.A disadvantage of the prior art is that the quality of all data sources for all possible traffic conditions must be known or at least sensibly estimated. In both commercial and non-commercial traffic information providers, but also in the case of detection methods still under development, there is often insufficient or incomplete data quality information in practice. One major reason for this is that explicit reference measurements for determining the quality of individual sensors, which are unavoidable in the prior art with regard to quality-assured fusion results, are generally associated with a high outlay.

Es ist somit wünschenswert, ein Verfahren und eine Vorrichtung zur Verfügung zu haben, bei denen der Aufwand bei der Bestimmung der Qualität der Sensoren reduziert werden kann. It is therefore desirable to have a method and an apparatus available in which the effort in determining the quality of the sensors can be reduced.

Der Erfindung liegt somit das Problem zugrunde, ein Verfahren und eine Vorrichtung zu schaffen, welche es ermöglichen, den Aufwand bei der Bestimmung der Qualität der Sensoren zu verringern.The invention is therefore based on the problem to provide a method and an apparatus which make it possible to reduce the effort in determining the quality of the sensors.

Die technische Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 und eine Vorrichtung mit den Merkmalen des Patentanspruchs 8 gelöst. Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.The technical problem is solved by a method with the features of claim 1 and a device having the features of claim 8. Advantageous embodiments of the invention will become apparent from the dependent claims.

Der Erfindung liegt der Gedanke zugrunde, die stochastischen Abhängigkeiten, die sich im Rahmen der Datenfusion aus der Kombination der Daten der verschiedenen zur Verfügung stehenden Sensoren ergeben, zu nutzen. Dies ermöglicht es, den Aufwand zur Bewertung der Qualität der Sensoren sowie des Fusionsergebnisses systematisch zu reduzieren, indem nur noch für einen Teil der Sensoren bzw. für einzelne Verkehrszustände explizite Referenzmessungen durchgeführt werden müssen. Dadurch verringert sich der Aufwand beim Kalibrieren des Verfahrens bzw. der Vorrichtung.The invention is based on the idea to use the stochastic dependencies that result in the context of data fusion from the combination of the data of the various sensors available. This makes it possible to systematically reduce the effort required to assess the quality of the sensors as well as of the fusion result by making explicit reference measurements only for a part of the sensors or for individual traffic conditions. This reduces the effort when calibrating the method or the device.

Definitionendefinitions

Ein Verkehrszustand charakterisiert eine aktuelle Situation eines Verkehrs. Der Verkehrszustand nimmt dabei mindestens zwei Werte an. So kann der Verkehrszustand binär kodiert sein, beispielsweise als „Stau” und „kein Stau” oder er kann mehrere Werte annehmen, beispielsweise, wenn wie im Verkehrsmanagement üblich, eine Angebotsqualität (Level of Service) definiert wird, die die Situation über eine Abstufung der Zustände A bis F kodiert.A traffic condition characterizes a current situation of traffic. The traffic condition assumes at least two values. Thus, the traffic condition can be binary coded, for example as a "traffic jam" and "no congestion" or it can take on several values, for example, if, as usual in traffic management, a quality of service (Level of Service) is defined, the situation on a gradation of States A to F coded.

Die Qualität eines Sensors beschreibt seine Fähigkeit, den realen Zustand in seinem Erfassungsbereich korrekt abzubilden. Beispielsweise wird die Qualität als prozentualer Wert ausgedrückt, wobei der Wert dann den Anteil korrekter Messergebnisse darstellt. Bei einem Wert von 100% entspricht der gemessene Verkehrszustand bei jeder Messung dem realen Verkehrszustand, bei einem Wert von 50% nur bei der Hälfte aller Messungen. Die Fehlerrate ist dann die Differenz zwischen der Gesamtzahl der Messungen und dem Anteil korrekter Messungen.The quality of a sensor describes its ability to correctly represent the real state in its detection range. For example, the quality is expressed as a percentage value, the value representing the proportion of correct measurement results. At a value of 100%, the measured traffic condition at each measurement corresponds to the real traffic condition, at a value of 50% only half of all measurements. The error rate is then the difference between the total number of measurements and the proportion of correct measurements.

Eine Referenzmessung ist eine Messung, welche die Qualität eines Sensors für einen Verkehrszustand bestimmt. Beispielsweise kann dies mit einem Referenzsensor erfolgen, bei dem die Qualität bekannt und vorzugsweise sehr hoch ist. Ein Vergleich mit den vom Sensor gemessenen Verkehrszustand mit dem vom Referenzsensor gemessenen Verkehrszustand ergibt dann die Qualität des Sensors.A reference measurement is a measurement that determines the quality of a sensor for a traffic condition. For example, this can be done with a reference sensor in which the quality is known and preferably very high. A comparison with the traffic condition measured by the sensor with the traffic condition measured by the reference sensor then yields the quality of the sensor.

Insbesondere wird somit ein Verfahren zum Schätzen eines realen Verkehrszustandes mittels n Sensoren geschaffen, umfassend die folgenden Schritte: Erfassen und Übertragen jeweils mindestens eines Verkehrszustandes an den n Sensoren an eine Steuereinrichtung, wobei die Steuereinrichtung ein Bayessches Netz definiert und kalibriert, Fusionieren der erfassten Verkehrszustände in der Steuereinrichtung zu einem Fusionsergebnis mittels des Bayesschen Netzes und Ausgabe des Fusionsergebnisses an mindestens einer Schnittstelle, wobei das Kalibrieren des Bayesschen Netzes folgende Schritte umfasst: Bestimmen einer Verbundwahrscheinlichkeitsverteilung der Zustände der n Sensoren, Aufstellen eines Gleichungssystems zum Bestimmen der Parameter des Bayesschen Netzes unter Ausnutzung der stochastischen Abhängigkeiten in den Eingangsdaten der n Sensoren, Bestimmen einer Anzahl von Referenzmessungen, welche notwendig ist, um das Gleichungssystem eindeutig zu machen, Durchführen der Referenzmessungen für die n Sensoren, wobei für mindestens einen der n Sensoren eine Referenzmessung für jeden der möglichen Verkehrszustände durchgeführt wird und für mindestens einen der n Sensoren nicht für jeden der möglichen Verkehrszustände eine Referenzmessung durchgeführt wird, Einsetzen der mit den Referenzmessungen bestimmten Parameter in das Gleichungssystem, Bestimmen der unbekannten Parameter im Bayesschen Netz durch Lösen des Gleichungssystems unter Berücksichtigung der Referenzmessungen und Einsetzen der bestimmten Parameter in das Bayessche Netz.In particular, a method is thus provided for estimating a real traffic condition by means of n sensors, comprising the following steps: detecting and transmitting in each case at least one traffic state at the n sensors to a control device, wherein the control device defines and calibrates a Bayesian network, merging the detected traffic conditions the control device for a fusion result by means of the Bayesian network and output of the fusion result at at least one interface, wherein the calibration of the Bayesian network comprises the following steps: Determining a composite probability distribution of the states of the n sensors, establishing a system of equations for determining the parameters of the Bayesian network, taking advantage of the stochastic dependencies in the input data of the n sensors, determining a number of reference measurements necessary to make the system of equations unambiguous, performing the Reference measurements for the n sensors, wherein for at least one of the n sensors a reference measurement is performed for each of the possible traffic conditions and for at least one of the n sensors not a reference measurement is performed for each of the possible traffic conditions, inserting the parameters determined by the reference measurements into the equation system , Determining the unknown parameters in the Bayesian network by solving the equation system taking into account the reference measurements and inserting the specific parameters in the Bayesian network.

Ferner wird vorteilhafterweise eine Vorrichtung zum Schätzen eines realen Verkehrszustandes mittels n Sensoren geschaffen, welche eine Steuereinrichtung und mindestens eine Schnittstelle umfasst, wobei die Steuereinrichtung ausgebildet ist, ein Bayessches Netz zu definieren und zu kalibrieren und die von den n Sensoren erfassten Verkehrszustände zu empfangen und mittels des Bayesschen Netzes zu einem Fusionsergebnis zu fusionieren und das Fusionsergebnis an der mindestens einen Schnittstelle auszugeben, wobei die Steuereinrichtung ausgebildet ist, das Kalibrieren des Bayesschen Netzes wie folgt durchzuführen: Bestimmen einer Verbundwahrscheinlichkeitsverteilung der Zustände der n Sensoren, Aufstellen eines Gleichungssystems zum Bestimmen der Parameter des Bayesschen Netzes unter Ausnutzung der stochastischen Abhängigkeiten in den Eingangsdaten der n Sensoren, Bestimmen einer Anzahl von Referenzmessungen, welche notwendig ist, um das Gleichungssystem eindeutig zu machen, Veranlassen der Referenzmessungen für die n Sensoren, wobei für mindestens einen der n Sensoren eine Referenzmessung für jeden der möglichen Verkehrszustände durchgeführt wird und für mindestens einen der n Sensoren nicht für jeden der möglichen Verkehrszustände eine Referenzmessung durchgeführt wird, Einsetzen der mit den Referenzmessungen bestimmten Parameter in das Gleichungssystem, Bestimmen der unbekannten Parameter im Bayesschen Netz durch Lösen des Gleichungssystems unter Berücksichtigung der Referenzmessungen und Einsetzen der bestimmten Parameter in das Bayessche Netz.Furthermore, an apparatus for estimating a real traffic condition by means of n sensors is advantageously provided, which comprises a control device and at least one interface, wherein the control device is designed to define and calibrate a Bayesian network and to receive the traffic conditions detected by the n sensors and of the Bayesian network to merge to a fusion result and output the fusion result at the at least one interface, wherein the control device is designed to perform the calibration of the Bayesian network as follows: determining a composite probability distribution of the states of the n sensors, establishing a system of equations for determining the parameters of Bayesian network taking advantage of the stochastic dependencies in the input data of the n sensors, determining a number of reference measurements necessary to make the system of equations unambiguous n of the reference measurements for the n sensors, wherein for at least one of the n sensors a reference measurement is performed for each of the possible traffic conditions and for at least one of the n sensors a reference measurement is not performed for each of the possible traffic conditions, inserting the parameters determined in the reference measurements the equation system, determining the unknown parameters in the Bayesian network by solving the equation system taking into account the reference measurements and inserting the specific parameters in the Bayesian network.

In einer Ausführungsform ist mindestens einer der n Sensoren Bestandteil der Vorrichtung. Dabei können auch alle n Sensoren Bestandteil der Vorrichtung sein.In one embodiment, at least one of the n sensors is part of the device. In this case, all n sensors may be part of the device.

Der Vorteil der Erfindung liegt darin, dass die Anzahl aufwändiger Referenzmessungen an den Sensoren reduziert werden kann. Nur für einen einzigen Sensor muss eine vollständige Referenzmessung für alle möglichen Verkehrszustände durchgeführt werden, bei den restlichen Sensoren genügt jeweils eine teilweise Referenzmessung, so dass insgesamt der Aufwand und damit die Kosten einer Kalibrierung verringert werden. Allerdings kann die Anzahl der vollständig kalibrierten Sensoren auch größer als eins sein, muss dabei aber nicht n sein.The advantage of the invention is that the number of complex reference measurements on the sensors can be reduced. Only for a single sensor, a complete reference measurement for all possible traffic conditions must be carried out, with the remaining sensors is sufficient in each case a partial reference measurement, so that the total cost and thus the cost of a calibration can be reduced. However, the number of fully calibrated sensors may be greater than one, but need not be n.

Für Verkehrsmanagementsysteme ist die Kenntnis der Qualität der Eingangsdaten unerlässlich, um eine Aussage über die Qualität des Fusionsergebnisses machen zu können. Liegen jedoch nur unvollständige Informationen zur Qualität eines Sensors vor, so kann es wünschenswert sein, diese zu schätzen. Eine besonders vorteilhafte Ausführungsform sieht deshalb vor, dass durch virtuelle Vorgabe eines realen Verkehrszustandes als Evidenz im Bayesschen Netz der Zustand eines der n Sensoren im Sinne einer Wahrscheinlichkeitsverteilung berechnet wird. Damit liegt eine Schätzung über den Zustand des Sensors vor, woraus eine Qualität und eine Fehlerrate abgeleitet werden können. Der Vorteil ist, dass auf diese Weise für den Sensor eine Aussage basierend auf den in dem Bayesschen Netz kodierten stochastischen Abhängigkeiten der einzelnen Zustandsvariablen an den Sensorknoten und dem Ergebnisknoten getroffen werden kann. Eine Referenzmessung ist folglich nicht mehr nötig, wodurch sich der Aufwand und die Kosten reduzieren. Umfasst die Vorrichtung in einer weiteren Ausführungsform beispielsweise drei Sensoren, deren Eingangssignale von einer Steuereinrichtung zu einem Fusionsergebnis fusioniert werden, und liegen beispielsweise an zwei Sensoren Messungen des aktuellen Verkehrszustandes vor, für den dritten Sensor jedoch nicht, so kann bei einem mit dem erfindungsgemäßen Verfahren vollständig kalibrierten Bayesschen Netz dennoch ein Fusionsergebnis ausgegeben werden. Von dem dritten Sensor kann der gemessene Verkehrszustand auch in diesem Fall abgeschätzt werden.For traffic management systems, the knowledge of the quality of the input data is essential in order to be able to make a statement about the quality of the fusion result. However, if only incomplete information on the quality of a sensor before, it may be desirable to estimate these. A particularly advantageous embodiment therefore provides that the state of one of the n sensors is calculated in the sense of a probability distribution by virtual specification of a real traffic condition as evidence in the Bayesian network. This provides an estimate of the condition of the sensor, from which a quality and error rate can be derived. The advantage is that in this way a statement can be made for the sensor based on the coded in the Bayesian network stochastic dependencies of the individual state variables at the sensor node and the result node. A reference measurement is therefore no longer necessary, which reduces the effort and costs. In a further embodiment, the device comprises, for example, three sensors whose input signals are fused by a control device into a fusion result, and if, for example, measurements of the current traffic state are present at two sensors, but not for the third sensor, then the method according to the invention can be carried out completely calibrated Bayesian network nevertheless a fusion result be spent. The measured traffic condition can also be estimated by the third sensor in this case.

In Verkehrsmanagement oder -informationssystemen kann es immer wieder zu Ausfällen einzelner oder mehrerer Sensoren kommen. Da die Sensoren sich hinsichtlich ihrer Qualität jedoch unterscheiden, können die Ausfälle je nach Sensor unterschiedliche Auswirkungen auf die Qualität des Fusionsergebnisses haben. Deshalb kann es wünschenswert sein, die Sensitivität des Verkehrsinformationssystems gegenüber dem Ausfall einzelner Sensoren zu bestimmen. Besonders bevorzugt wird deshalb eine Ausführungsform realisiert, bei der die Sensitivität des Fusionsergebnisses in Hinblick auf den Ausfall eines oder mehrerer der n Sensoren bestimmt wird. Dazu werden schrittweise einzelne der n Sensoren abgeschaltet oder von der Steuereinrichtung abgetrennt, so dass sie keine Messdaten liefern und nur für die restlichen der n Sensoren Evidenzen vorliegen, die die Steuereinrichtung verarbeiten kann. Anschließend wird durch die Steuereinrichtung das Fusionsergebnis bei abgeschaltetem und zugeschaltetem Sensor miteinander verglichen. Die Differenz dieser beiden Werte ist dann ein Maß für die Sensitivität des Fusionsergebnisses bezüglich eines Ausfalls des entsprechenden Sensors. Wird dies für alle Sensoren durchgeführt, so liegt eine vollständige Sensitivitätsanalyse der Vorrichtung vor.In traffic management or information systems, it can always come back to failure of individual or multiple sensors. However, since the sensors differ in terms of their quality, the failures can have different effects on the quality of the fusion result depending on the sensor. Therefore, it may be desirable to determine the sensitivity of the traffic information system to the failure of individual sensors. An embodiment is therefore particularly preferably realized in which the sensitivity of the fusion result is determined with regard to the failure of one or more of the n sensors. For this step by step, individual of the n sensors are switched off or disconnected from the control device, so that they do not provide measurement data and evidence exists only for the remaining of the n sensors that the control device can process. Subsequently, the fusion result is compared with switched off and switched sensor with each other by the control device. The difference between these two values is then a measure of the sensitivity of the fusion result with respect to a failure of the corresponding sensor. If this is done for all sensors, then a complete sensitivity analysis of the device is available.

Eine weitere mögliche Quelle, welche zur Verbesserung bei einer Bestimmung eines aktuellen Verkehrszustandes herangezogen werden kann, sind gemessene oder fusionierte Verkehrszustände der Vergangenheit. Beispielsweise kann das Stauverhalten während des Berufsverkehrs am Morgen und am Abend ein anderes sein als beim Verkehr um die Mittagszeit. Um dies zu berücksichtigen, ist die Steuereinrichtung beispielsweise ausgebildet, dass Bayessche Netz als dynamisches Bayessches Netz zu definieren und zu kalibrieren. Dadurch werden vergangene Verkehrszustände und/oder gegebenenfalls vergangene stochastische Abhängigkeiten bei der Schätzung des aktuellen Verkehrszustandes mit berücksichtigt. So lässt sich die Schätzung des aktuellen Verkehrszustandes durch die Steuereinrichtung verbessern.Another possible source that can be used for improvement in determining a current traffic condition is past measured or merged traffic conditions. For example, the traffic jam behavior during morning and evening rush hour traffic may be different from traffic around lunchtime. To take this into account, the control device is designed, for example, to define and calibrate Bayesian network as a dynamic Bayesian network. As a result, past traffic conditions and / or possibly past stochastic dependencies are taken into account in the estimation of the current traffic condition. Thus, the estimation of the current traffic condition by the controller can be improved.

Vorzugsweise wird dabei ein Zeitfenster verwendet, welches einen bestimmten Zeitraum definiert, für den vergangene Werte von der Steuereinrichtung gespeichert und bei der Berechnung des Fusionsergebnisses berücksichtigt werden. Möglich ist auch eine Definition einer bestimmten Anzahl von vergangenen Messungen, welche bei der Fusionierung berücksichtigt werden. Preferably, a time window is used which defines a specific period for which past values are stored by the control device and taken into account in the calculation of the fusion result. It is also possible to define a certain number of past measurements, which are taken into account in the merger.

Basierend auf den vergangenen und/oder aktuellen Verkehrszuständen an den n Sensoren und/oder den vergangenen und/oder aktuellen Fusionsergebnissen kann es wünschenswert sein, einen zukünftigen Verkehrszustand zu schätzen. Deshalb ist vorzugsweise eine Ausführungsform realisiert, in der die Steuereinrichtung so ausgebildet ist, auf Basis des von ihr definierten und kalibrierten dynamischen Bayesschen Netzes eine Prognose über einen zukünftigen Verkehrszustand zu berechnen und diese Prognose an der Schnittstelle auszugeben, so dass der geschätzte zukünftige Verkehrszustand beispielsweise von einem Verkehrsleitsystem oder einem Verkehrsinformationssystem weiterverarbeitet werden kann. Der Vorteil ist, dass so an der Schnittstelle Signale bereitgestellt werden können, die es erlauben, den zukünftigen Verkehr zu regeln und beispielsweise Staus zu vermeiden oder schnell wieder aufzulösen.Based on the past and / or current traffic conditions on the n sensors and / or past and / or current fusion results, it may be desirable to estimate a future traffic condition. Therefore, an embodiment is preferably implemented, in which the control device is designed to calculate a prognosis about a future traffic state on the basis of its defined and calibrated dynamic Bayesian network and to output this prognosis at the interface, such that the estimated future traffic state is, for example, a traffic control system or a traffic information system can be further processed. The advantage is that signals can be provided at the interface that allow the future traffic to be regulated and, for example, to avoid congestion or to be quickly resolved.

Eine Qualität bzw. eine Fehlerrate eines Sensors kann durch Umwelteinflüsse schwanken. Beispielsweise erhöht sich die Fehlerrate eines Kamerasensors, wenn es regnet oder neblig ist, da die Sicht im Erfassungsbereich dadurch beeinträchtigt wird. Es kann also wünschenswert sein, einen aktuellen Umweltzustand zu erfassen und zur Beurteilung der aktuellen Qualität bzw. Fehlerrate des Sensors heranzuziehen. Eine weitere Ausführungsform sieht deshalb vor, zur Bestimmung der aktuellen Fehlerrate von mindestens einem der n Sensoren einen aktuellen Umweltzustand durch mindestens einen weiteren Sensor zu bestimmen. Das Signal des in unmittelbarer Nähe eines der n Sensoren positionierten weiteren Sensors wird dann von einer Steuereinrichtung erfasst und bei der Kalibrierung des Bayesschen Netzes berücksichtigt. Auf diese Weise kann die Steuereinrichtung die aktuelle Qualität bzw. Fehlerrate beim Berechnen eines Fusionsergebnisses berücksichtigen. Beispielsweise kann so das Signal eines Kamerasensors bei regnerischem Wetter und schlechter Sicht mit einer hohen Fehlerrate versehen werden. Da die hohe Fehlerrate berücksichtigt wird, hat der vom Kamerasensor gemessene Verkehrszustand anschließend auf das Fusionsergebnis einen geringeren Einfluss.A quality or an error rate of a sensor can fluctuate due to environmental influences. For example, the error rate of a camera sensor increases when it is raining or foggy, as it affects the visibility in the detection area. It may therefore be desirable to detect a current environmental condition and to use it to assess the current quality or error rate of the sensor. A further embodiment therefore provides for determining the current error rate of at least one of the n sensors to determine a current environmental condition by means of at least one further sensor. The signal of the further sensor positioned in the immediate vicinity of one of the n sensors is then detected by a control device and taken into account in the calibration of the Bayesian network. In this way, the control device can take into account the current quality or error rate when calculating a fusion result. For example, the signal of a camera sensor can be provided with a high error rate in rainy weather and poor visibility. Since the high error rate is taken into account, the traffic condition measured by the camera sensor then has less influence on the fusion result.

Systeme zur Erfassung eines Verkehrszustandes sind in der Regel modular ausgebildet, so dass sich ihre einzelnen Bestandteile in ihren Eigenschaften gleichen. Ebenfalls werden in der Regel mehrere Sensoren des gleichen Typs verwendet, so dass sich auch die Qualität bzw. Fehlerrate dieser Sensoren gleichen werden. Es kann deshalb von Vorteil sein, nicht für jeden der Sensoren gleichen Typs eine vollständige oder teilweise Referenzmessung durchführen zu müssen. Eine weitere Ausführungsform sieht deshalb vor, dass die Ergebnisse einer Referenzmessung für einen Sensor als Referenzmessung für baugleiche weitere Sensoren verwendet werden. Die Daten werden dann von der Steuereinrichtung zur Kalibrierung der zu dem einen oder mehreren Sensoren gehörenden Sensorknoten in dem Bayesschen Netz verwendet. Der Vorteil ist eine Aufwands-, Zeit- und Kostenersparnis bei der Verwendung von Sensoren gleichen oder bekannten Typs.Systems for detecting a traffic condition are generally modular, so that their individual components are similar in their properties. Likewise, several sensors of the same type are usually used, so that the quality or error rate of these sensors will be the same. It may therefore be advantageous not to have to perform a full or partial reference measurement for each of the sensors of the same type. Another embodiment therefore provides that the results of a reference measurement for a sensor are used as a reference measurement for identically constructed further sensors. The data is then used by the controller to calibrate the sensor nodes associated with the one or more sensors in the Bayesian network. The advantage is an effort, time and cost savings when using sensors of the same or known type.

Nachfolgend wird die Erfindung anhand bevorzugter Ausführungsbeispiele unter Bezugnahme auf die Figuren näher erläutert. Hierbei zeigen:The invention will be explained in more detail with reference to preferred embodiments with reference to the figures. Hereby show:

1 eine schematische Darstellung einer Ausführungsform der Vorrichtung mit n Sensoren; 1 a schematic representation of an embodiment of the device with n sensors;

2 eine schematische Darstellung eines Bayesschen Netzes zur Fusion von Eingangsdaten mit den Sensorknoten X₁, ..., X_n zu einem Ergebnisknoten Z, welches mit der in 1 gezeigten Vorrichtung korrespondiert; 2 a schematic representation of a Bayesian network for the fusion of input data with the sensor nodes X ₁ , ..., X _n to a result node Z, which with the in 1 shown device corresponds;

3 eine schematische Darstellung einer Ausführungsform der Vorrichtung mit nur drei Sensoren zur Erläuterung einer beispielhaften Kalibrierung des Bayesschen Netzes; 3 a schematic representation of an embodiment of the device with only three sensors for explaining an exemplary calibration of the Bayesian network;

4 eine schematische Darstellung eines Bayesschen Netzes zur Fusion von Eingangsdaten mit drei Sensorknoten X₁, X₂ und X₃ und einem Ergebnisknoten Z, welches mit der in 3 gezeigten Vorrichtung korrespondiert; 4 a schematic representation of a Bayesian network for the fusion of input data with three sensor nodes X ₁ , X ₂ and X ₃ and a result node Z, which with the in 3 shown device corresponds;

5 eine Tabelle mit beispielhaften Verbundwahrscheinlichkeiten zur Erläuterung der Kalibrierung; 5 a table with exemplary compound probabilities to explain the calibration;

6 eine Tabelle mit den Parametern des beispielhaft kalibrierten Bayesschen Netzes; 6 a table with the parameters of the exemplary calibrated Bayesian network;

7 eine schematische Darstellung des kalibrierten Bayesschen Netzes mit den entsprechenden Wahrscheinlichkeitstabellen, wobei Evidenzen an zwei Sensoren vorliegen und ein Sensor keine Daten liefert; 7 a schematic representation of the calibrated Bayesian network with the corresponding probability tables, where evidences are present at two sensors and a sensor provides no data;

8 eine schematische Darstellung des kalibrierten Bayesschen Netzes mit den entsprechenden Wahrscheinlichkeitstabellen, wobei Evidenzen an allen drei Sensoren vorliegen; 8th a schematic representation of the calibrated Bayesian network with the corresponding probability tables, where evidence is present at all three sensors;

9 ein schematisches Ablaufdiagramm des Verfahrens zum Schätzen eines realen Verkehrszustandes mittels n Sensoren. 9 a schematic flow diagram of the method for estimating a real traffic condition by n sensors.

1 zeigt schematisch eine Ausführungsform einer Vorrichtung 1 zum Schätzen eines realen Verkehrszustandes mittels n Sensoren 3, 4. Die Vorrichtung 1 umfasst n Sensoren 3, 4 an einem Straßenabschnitt 2, wobei drei der n Sensoren 3, 4 zur Veranschaulichung explizit dargestellt sind und die beiden Sensoren 3 dabei gleiche Technologie und Sensor 4 eine unterschiedliche Technologie aufweisen. Die n Sensoren 3, 4 liefern Daten, beispielsweise über eine Datenleitung, an mindestens eine geeignete Schnittstelle einer Steuereinrichtung 6, wobei exemplarisch einzelne Schnittstellen für die n Sensoren 3, 4 dargestellt sind. Es kann aber auch eine einzige Schnittstelle sein. Die Vorrichtung 1 umfasst weiterhin mindestens eine Schnittstelle 7, welche mit der Steuereinrichtung 6 verbunden ist, und über die ein Fusionsergebnis als Signal ausgeben werden kann, beispielsweise an ein Verkehrsleitsystem 8 oder ein Verkehrsinformationssystem 17, welches das Fusionsergebnis aufbereitet und beispielsweise an einen Verkehrsteilnehmer 9 weiterleitet. Die Vorrichtung 1 kann zusätzlich einen Referenzsensor 14 und einen Umweltsensor 16 umfassen. 1 schematically shows an embodiment of a device 1 for estimating a real traffic condition by means of n sensors 3 . 4 , The device 1 includes n sensors 3 . 4 on a street section 2 where three of the n sensors 3 . 4 are shown explicitly for illustration and the two sensors 3 the same technology and sensor 4 have a different technology. The n sensors 3 . 4 provide data, for example via a data line, to at least one suitable interface of a control device 6 , where exemplarily individual interfaces for the n sensors 3 . 4 are shown. It can also be a single interface. The device 1 furthermore comprises at least one interface 7 connected to the control device 6 connected via which a fusion result can be output as a signal, for example, to a traffic control system 8th or a traffic information system 17 which prepares the fusion result and, for example, to a road user 9 forwards. The device 1 can also have a reference sensor 14 and an environmental sensor 16 include.

Bevor die Steuereinrichtung 6 ein Fusionsergebnis berechnen und an der Schnittstelle 7 ausgeben kann, definiert sie ein Bayessches Netz 10, welches schematisch in 2 dargestellt ist. Dabei stellen X₁, ..., X_n die Sensorknoten 12', 12'', 12''' der n Sensoren 3, 4 dar, welche mit dem Ergebnisknoten 13 verbunden sind. Die Sensorknoten 12', 12'', 12''' beschreiben dabei bedingte Wahrscheinlichkeitsverteilungen für die einzelnen Verkehrszustände, beispielsweise die Wahrscheinlichkeit für den gemessenen Verkehrszustand „kein Stau” oder „Stau” in Abhängigkeit des realen, im Ergebnisknoten 13 codierten Verkehrszustandes. Nach der Definition des Bayesschen Netzes 10 nimmt die Steuereinrichtung 6 die Kalibrierung des Bayesschen Netzes 10 vor. Dazu bestimmt die Steuereinrichtung 6 zuerst mit Hilfe einer hinreichend großen Stichprobe aus den Datensignalen der Sensoren 3, 4 eine Verbundwahrscheinlichkeitsverteilung für alle Zustände der n Sensoren 3, 4. Ist die Verbundwahrscheinlichkeitsverteilung bekannt, so stellt die Steuereinrichtung 6 ein Gleichungssystem auf, um die Parameter des Bayesschen Netzes 10, also die bedingten Wahrscheinlichkeiten zwischen den Sensor- und dem Ergebnisknoten, zu bestimmen. Dieses Gleichungssystem kann über- oder unterbestimmt sein. Bei einer Überbestimmung, die zur Nicht-Lösbarkeit des Gleichungssystems führt, weitet die Steuereinrichtung 6 die Anzahl der Fusionszustände soweit auf, bis das Gleichungssystem eindeutig lösbar oder mindestens unterbestimmt wird. Bei Unterbestimmung sind Referenzmessungen notwendig. Die Steuereinrichtung 6 bestimmt dann die Anzahl der notwendigen Referenzmessungen und veranlasst die Durchführung der Referenzmessungen, beispielsweise indem ein Referenzsensor 14 direkt angesprochen wird. Ein solcher Referenzsensor 14 kann als festinstallierte oder als mobile Einheit, welche nur bedarfsweise für die Kalibrierung zur Anwendung kommt, ausgeführt sein. Ein Durchführen der Referenzmessungen per Hand ist prinzipiell auch möglich. Dabei wird für mindestens einen der n Sensoren eine vollständige Referenzmessung, also für alle möglichen Verkehrszustände des Sensors, durchgeführt, wohingegen für mindestens einen der n Sensoren keine vollständige Referenzmessung durchgeführt wird, sondern nur für einen Teil der möglichen Verkehrszustände. Liegen die Referenzmessungen vor, so berechnet die Steuereinrichtung 6 die fehlenden Parameter im Bayesschen Netz 10 durch Lösen des Gleichungssystems, beispielsweise mittels numerischer Verfahren. Anschließend ist das Bayessche Netz 10 vollständig kalibriert.Before the controller 6 calculate a fusion result and at the interface 7 can define, she defines a Bayesian network 10 which is shown schematically in FIG 2 is shown. X ₁ , ..., X _{n represent} the sensor nodes 12 ' . 12 '' . 12 ''' the n sensors 3 . 4 which results with the result node 13 are connected. The sensor nodes 12 ' . 12 '' . 12 ''' describe conditional probability distributions for the individual traffic conditions, for example the probability for the measured traffic condition "no congestion" or "congestion" depending on the real, in the result node 13 coded traffic condition. After the definition of the Bayesian network 10 takes the control device 6 Calibration of the Bayesian network 10 in front. For this purpose, the controller determines 6 first with the help of a sufficiently large sample of the data signals of the sensors 3 . 4 a compound probability distribution for all states of the n sensors 3 . 4 , If the compound probability distribution is known, then the control device 6 a system of equations to the parameters of the Bayesian network 10 , that is, to determine the conditional probabilities between the sensor and result nodes. This system of equations can be over- or under-determined. In an over-determination, which leads to the non-solvability of the equation system, the control device expands 6 the number of fusion states so far until the equation system is clearly solvable or at least under-determined. Under-determination requires reference measurements. The control device 6 then determines the number of required reference measurements and causes the execution of the reference measurements, for example by a reference sensor 14 is addressed directly. Such a reference sensor 14 may be implemented as a permanently installed or as a mobile unit, which only applies as needed for the calibration. Performing the reference measurements by hand is also possible in principle. In this case, a complete reference measurement, ie for all possible traffic states of the sensor, is performed for at least one of the n sensors, whereas for at least one of the n sensors no complete reference measurement is performed, but only for a part of the possible traffic conditions. If the reference measurements are available, the controller calculates 6 the missing parameters in the Bayesian network 10 by solving the equation system, for example by means of numerical methods. Then the Bayesian network 10 completely calibrated.

Um einen aktuellen Verkehrszustand zu schätzen, erfassen die n Sensoren 3, 4 anschließend jeweils mindestens einen Verkehrszustand und stellen das Signal der Steuereinrichtung 6 zur Verfügung. Die Steuereinrichtung 6 verwendet die gemessenen Verkehrszustände als Evidenzen im Bayesschen Netz 10 und berechnet daraus ein Fusionsergebnis, welches eine Schätzung des aktuellen Verkehrszustandes darstellt. Das Fusionsergebnis wird anschließend von der Steuereinrichtung 6 an der Schnittstelle 7 ausgegeben und beispielsweise von dort an das Verkehrsleitsystem 8 oder das Verkehrsinformationssystem 17 weitergeleitet. Das Verkehrsinformationssystem 17 stellt dann beispielsweise den aktuellen Verkehrszustand einem Verkehrsteilnehmer 9 zur Verfügung.To estimate a current traffic condition, the n sensors detect 3 . 4 then each at least one traffic condition and provide the signal to the controller 6 to disposal. The control device 6 uses the measured traffic conditions as evidences in the Bayesian network 10 and calculates therefrom a fusion result which represents an estimate of the current traffic condition. The fusion result is subsequently sent by the control device 6 at the interface 7 output and, for example, from there to the traffic control system 8th or the traffic information system 17 forwarded. The traffic information system 17 then, for example, sets the current traffic condition to a road user 9 to disposal.

Umfasst die Vorrichtung 1 einen Umweltsensor 16, welcher die Umweltbedingungen, beispielsweise einen Wetterzustand wie Nebel, Regen, Schnee usw. erfasst und der Steuereinrichtung 6 zur Verfügung stellt, so lässt sich je nach Art der n Sensoren 3, 4 damit eine Aussage über die aktuelle, ggf. abweichende Qualität bzw. Fehlerrate eines Sensors treffen. So ist die Qualität eines Kamerasensors zur Erfassung eines aktuellen Verkehrszustandes bei Nebel stark verringert und die Fehlerrate steigt an. Über das Erfassen eines Umweltzustandes mittels des Umweltsensors 16 kann dies bei der Berechnung des Fusionsergebnisses durch die Steuereinrichtung 6 berücksichtigt werden, wobei hierzu das Bayessche Netz 10 von der Steuereinrichtung 6 entsprechend angepasst wird.Includes the device 1 an environmental sensor 16 which detects environmental conditions, such as a weather condition such as fog, rain, snow, etc., and the controller 6 so it can be depending on the type of n sensors 3 . 4 thus make a statement about the current, possibly deviating quality or error rate of a sensor. Thus, the quality of a camera sensor for detecting a current traffic condition in fog is greatly reduced and the error rate increases. About detecting an environmental condition by means of the environmental sensor 16 this can be done in the calculation of the fusion result by the control device 6 be taken into account, with the Bayesian network 10 from the controller 6 is adjusted accordingly.

Im Folgenden wird zur Erläuterung des Verfahrens eine Ausführungsform der Erfindung mit einer auf drei verringerten Anzahl von Sensoren gewählt und das Verfahren detailliert für eine beispielhafte Kalibrierung dargestellt.In the following, to explain the method, an embodiment of the invention is selected with one of three reduced number of sensors and the method is illustrated in detail for an exemplary calibration.

In 3 ist schematisch eine solche Ausführungsform der Vorrichtung 1 abgebildet. Die Vorrichtung 1 umfasst beispielsweise drei Sensoren 3, 4, 5, welche einen Verkehrszustand auf einem Straßenabschnitt 2 zur Vereinfachung lediglich binär erfassen, wobei die Zustände 0 = „kein Stau” und 1 = „Stau” unterschieden werden. Weiterhin umfasst die Vorrichtung 1 eine Steuereinrichtung 6 und eine Schnittstelle 7, welche miteinander verbunden sind. Auf dem Straßenabschnitt 2 befindet sich außerdem beispielsweise ein Verkehrsteilnehmer 9. Der Sensor 3 kann beispielsweise eine Bluetooth-Bake sein, Sensor 4 ein Floating Car Data Fahrzeug und Sensor 5 eine in die Fahrbahn eingelassene Induktionsschleife. Die Sensoren 3, 4, 5 erfassen jeweils einen aktuellen Verkehrszustand und liefern die Daten an die Steuereinrichtung 6, welche daraus ein Fusionsergebnis fusioniert.In 3 is schematically such an embodiment of the device 1 displayed. The device 1 includes, for example, three sensors 3 . 4 . 5 representing a traffic condition on a road section 2 For simplicity, only binary capture, the states 0 = "no congestion" and 1 = "congestion" are distinguished. Furthermore, the device comprises 1 a control device 6 and an interface 7 which are interconnected. On the street section 2 For example, there is also a road user 9 , The sensor 3 can be for example a Bluetooth beacon, sensor 4 a floating car data vehicle and sensor 5 an induction loop embedded in the roadway. The sensors 3 . 4 . 5 each capture a current traffic condition and deliver the data to the controller 6 which fuses a fusion result.

Dazu stellt die Steuereinrichtung 6 ein Bayessches Netz 10 auf, welches schematisch in 4 gezeigt ist. Das Bayessche Netz 10 besteht aus drei Sensorknoten 12', 12'', 12''' für die Sensoren 3, 4, 5 und einem Ergebnisknoten 13 für das Fusionsergebnis. Um das Bayessche Netz 10 zu kalibrieren, führt die Steuereinrichtung nun folgende Schritte aus:
Als erstes bestimmt die Steuereinrichtung 6 aus den erfassten Sensordaten eine Verbundwahrscheinlichkeitsverteilung, das heißt die Wahrscheinlichkeit aller Zustandskombinationen

an den drei Sensoren 3, 4, 5 wird bestimmt, wobei die x₁, x₂ und x₃ jeweils einem Zustand an den Sensoren 3, 4, 5 entsprechen. Zur Veranschaulichung sei hier beispielhaft eine gemessene Verteilung angenommen, welche als Tabelle in 5 dargestellt ist. Für n Sensoren und einen Fusionsknoten mit k Zuständen gilt allgemein auf Grund der Kettenregel für Bayessche Netze:

For this purpose, the control device 6 a Bayesian network 10 on, which is schematically in 4 is shown. The Bayesian network 10 consists of three sensor nodes 12 ' . 12 '' . 12 ''' for the sensors 3 . 4 . 5 and a result node 13 for the merger result. To the Bayesian network 10 To calibrate, the controller now performs the following steps:
First, the controller determines 6 from the collected sensor data a compound probability distribution, that is, the probability of all state combinations

at the three sensors 3 . 4 . 5 is determined, where the x ₁ , x ₂ and x _{3 are} each a state at the sensors 3 . 4 . 5 correspond. By way of example, a measured distribution is assumed here as an example, which is shown as a table in FIG 5 is shown. For n sensors and a fusion node with k states, the following generally applies to Bayesian networks:

Dies vereinfacht sich auf Grund nur dreier Sensoren 3, 4, 5 mit jeweils zwei Zuständen und einem Fusionsknoten mit ebenfalls nur zwei Zuständen zu folgendem Gleichungssystem:

wobei sich die einzelnen Gleichungen ergeben, wenn man jeweils die Werte für x₁, x₂, x₃ aus der in 5 gezeigten Tabelle einsetzt. Insgesamt müssen nun folgende Randwahrscheinlichkeiten bzw. bedingten Wahrscheinlichkeiten bestimmt werden: Für den Ergebnisknoten 13: P(z = 0) und P(z = 1), den Sensorknoten 12': P(x₁ = 0|z = 0), P(x₁ = 0|z = 1), P(x₁ = 1|z = 0), P(x₁ = 1|z = 1), den Sensorknoten 12'': P(x₂ = 0|z = 0), P(x₂ = 0|z = 1), P(x₂ = 1|z = 0), P(x₂ = 1|z = 1), den Sensorknoten 12''': P(x₃ = 0|z = 0), P(x₃ = 0|z = 1), P(x₃ = 1|z = 0), P(x₃ = 1|z = 1). Dabei ist zu beachten, dass auf Grund von Normierungsbedingungen die Wahrscheinlichkeiten teilweise redundant sind. So bleiben insgesamt sieben Parameter α_i übrig, welche von der Steuereinrichtung 6 bestimmt werden müssen, um das Bayessche Netz 10 zu kalibrieren:

This is simplified due to only three sensors 3 . 4 . 5 with two states each and a fusion node with likewise only two states for the following equation system:

where the individual equations are obtained by taking the values for x ₁ , x ₂ , x ₃ from the in 5 shown table uses. Overall, the following edge probabilities or conditional probabilities must now be determined: For the result node 13 : P (z = 0) and P (z = 1), the sensor node 12 ' : P (x ₁ = 0 | z = 0), P (x ₁ = 0 | z = 1), P (x ₁ = 1 | z = 0), P (x ₁ = 1 | z = 1), the sensor nodes 12 '' : P (x ₂ = 0 | z = 0), P (x ₂ = 0 | z = 1), P (x ₂ = 1 | z = 0), P (x ₂ = 1 | z = 1), the sensor nodes 12 ''' : P (x ₃ = 0 | z = 0), P (x ₃ = 0 | z = 1), P (x ₃ = 1 | z = 0), P (x ₃ = 1 | z = 1). It should be noted that due to normalization conditions, the probabilities are partially redundant. Thus, a total of seven parameters α _i remain, which are provided by the control device 6 must be determined to the Bayesian network 10 to calibrate:

Sind m_i die Anzahl der möglichen Zustände eines Sensors i und k die Anzahl der Zustände des Fusionsknotens, dann müssen generell

Referenzmessungen durchgeführt werden, damit das Gleichungssystem eindeutig lösbar ist. Das bedeutet, dass für einen Sensor die bedingten Wahrscheinlichkeiten zu allen möglichen Verkehrszuständen in einer Referenzmessung bestimmt werden müssen, für die restlichen Sensoren müssen nicht alle Verkehrszustände in Referenzmessungen erfasst werden. Für das Beispiel bedeutet dies, dass insgesamt vier Referenzmessungen, zwei für einen Sensor und jeweils eine für die anderen beiden Sensoren, durchgeführt werden müssen. Die Steuereinrichtung 6 veranlasst dies beispielsweise durch direktes Ansprechen eines Referenzsensors 14, der ebenfalls an dem Straßenabschnitt 2 positioniert ist und der eine hohe Qualität aufweist bzw. von dem die Qualität bekannt ist.If m _{i is} the number of possible states of a sensor i and k is the number of states of the fusion node, then in general

Reference measurements are performed so that the equation system is clearly solvable. This means that for a sensor the conditional probabilities for all possible traffic conditions must be determined in a reference measurement, for the remaining sensors not all traffic conditions must be recorded in reference measurements. For the example, this means that a total of four reference measurements, two for one sensor and one for the other two sensors, must be performed. The control device 6 causes this, for example, by direct response of a reference sensor 14 who is also on the road section 2 is positioned and has a high quality or of which the quality is known.

Prinzipiell kann das Durchführen der Referenzmessungen natürlich auch auf andere Weise erfolgen.In principle, the reference measurements can of course also be made in other ways.

Mit Hilfe des Referenzsensors 14 oder einer manuellen Verkehrszählung werden dann die Werte beispielsweise für die vier Parameter α₂, α₄, α₅ und α₆ in Referenzmessungen bestimmt, welche hier vorgegeben werden. Anschließend kann das Gleichungssystem gelöst werden. Die vorgegebenen und berechneten Parameter des Bayesschen Netzes 10 sind in 6 dargestellt.With the help of the reference sensor 14 or a manual traffic count then the values are determined, for example, for the four parameters α ₂ , α ₄ , α ₅ and α ₆ in reference measurements, which are specified here. Subsequently, the equation system can be solved. The given and calculated parameters of the Bayesian network 10 are in 6 shown.

Damit hat die Steuereinrichtung 6 das Bayessche Netz 10 vollständig kalibriert. Nach dem Kalibrieren kann ein realer Verkehrszustand von der Steuereinrichtung 6 geschätzt werden. Dazu erfassen die Sensoren 3, 4, 5 jeweils einen Verkehrszustand auf dem Straßenabschnitt 2. Die Steuereinrichtung 6 behandelt die gemessenen Verkehrszustände als Evidenzen für die Sensorknoten 12', 12'', 12'''. Danach schließt sie im Bayesschen Netz 10 auf das Fusionsergebnis, welches an der Schnittstelle 7 als Signal ausgegeben wird und dort, beispielsweise von einem Verkehrsleitsystem 8 abgegriffen wird und zum automatischen Verkehrsmanagement ausgewertet wird oder einem Verkehrsinformationssystem 17, das die Information aufbereitet an Verkehrsteilnehmer 9 weiterleitet.This has the controller 6 the Bayesian network 10 completely calibrated. After calibration, a real traffic condition may be determined by the controller 6 to be appreciated. The sensors detect this 3 . 4 . 5 each a traffic condition on the road section 2 , The control device 6 treats the measured traffic conditions as evidences for the sensor nodes 12 ' . 12 '' . 12 ''' , After that she joins the Bayesian network 10 on the fusion result, which is at the interface 7 is output as a signal and there, for example, from a traffic control system 8th is tapped and evaluated for automatic traffic management or a traffic information system 17 , which processes the information to road users 9 forwards.

Die 7 und 8 zeigen beispielhaft mögliche Ausprägungen des kalibrierten Bayesschen Netzes 10. Dabei sind für den Ergebnisknoten 13 die a-priori-Randwahrscheinlichkeiten gezeigt, welche den Wahrscheinlichkeiten für das Vorliegen der beiden Verkehrszustände „kein Stau” und „Stau” entsprechen. Zu den Sensorknoten 12', 12'', 12''' sind jeweils die bedingten Wahrscheinlichkeiten für die Verkehrszustände gezeigt.The 7 and 8th show exemplary possible versions of the calibrated Bayesian network 10 , These are for the result node 13 the a-priori edge probabilities corresponding to the probabilities for the presence of the two traffic conditions "no traffic jam" and "traffic jam" are shown. To the sensor nodes 12 ' . 12 '' . 12 ''' In each case the conditional probabilities for the traffic conditions are shown.

Liegen beispielsweise keine Daten für einen Sensor 3 vor, so wird dies von der Steuereinrichtung 6 erkannt und im Fusionsergebnis berücksichtigt. Ein solcher Fall ist beispielhaft in 7 dargestellt. Dabei messen zwei 4, 5 der Sensoren den Zustand „Stau”. Von dem ersten 3 Sensor liegen jedoch keine Daten vor. Die Steuereinrichtung 6 bestimmt dann auf Grund der an den Sensorknoten 12'', 12''' vorliegenden Evidenzen für die beiden 3, 4 Sensoren im Ergebnisknoten 13 eine Wahrscheinlichkeitsverteilung für den realen Verkehrszustand. Mit einer Wahrscheinlichkeit von 9% liegt der reale Verkehrszustand „kein Stau” vor, mit einer Wahrscheinlichkeit von 91 der reale Verkehrszustand „Stau”. Darüber hinaus kann die Steuereinrichtung 6 durch Schließen im Bayesschen Netz 10 die Wahrscheinlichkeit berechnen, mit der der erste 3 Sensor einen bestimmten Verkehrszustand messen würde. So kann für den Sensorknoten 12' geschätzt werden, dass der Sensor 3 mit einer Wahrscheinlichkeit von 22% den Verkehrszustand „kein Stau” und mit einer Wahrscheinlichkeit von 78% den Zustand „Stau” messen würde. Ein weiteres Beispiel für eine Schätzung des realen Verkehrszustandes mit den für die Beispieldaten von der Steuereinrichtung 6 bestimmten Parametern für das Bayessche Netz 10 ist in 8 dargestellt. Dies ist die Idealsituation, in der alle Sensoren 3, 4, 5 einen Verkehrszustand erfassen und als Datensignale an die Steuereinrichtung 6 liefern, welche die Daten als Evidenz in den Sensorknoten 12', 12'', 12''' behandelt. Hier haben alle Sensoren 3, 4, 5 den Verkehrszustand „Stau” gemessen. Die Steuereinrichtung 6 fusioniert diese Daten dann und ermittelt ein Fusionsergebnis am Ergebnisknoten 13. Auf Grund der im Bayesschen Netz 10 enthaltenen bedingten Wahrscheinlichkeiten wird trotz des von allen drei Sensoren gemessenen Verkehrszustands „Stau” nur mit einer Wahrscheinlichkeit von 99% der reale Verkehrszustand „Stau” ermittelt und mit einer Wahrscheinlichkeit von 1% der reale Verkehrszustand „kein Stau”. Damit liegt ein qualifiziertes Fusionsergebnis vor.For example, if there is no data for a sensor 3 This is done by the control device 6 recognized and included in the merger result. Such a case is exemplary in 7 shown. Two measure 4 . 5 the sensors the state "traffic jam". From the first 3 Sensor, however, there are no data. The control device 6 then determines based on the at the sensor node 12 '' . 12 ''' Evidence available for the two 3 . 4 Sensors in the result node 13 a probability distribution for the real traffic condition. With a probability of 9%, the real traffic condition is "no congestion", with a probability of 91 the real traffic condition "congestion". In addition, the control device 6 by closing in the Bayesian network 10 calculate the probability with which the first 3 Sensor would measure a specific traffic condition. So can for the sensor node 12 ' be appreciated that the sensor 3 with a probability of 22% the traffic condition "no traffic jam" and with a probability of 78% the state "traffic jam" would measure. Another example of an estimate of the real traffic condition with that for the example data from the controller 6 certain parameters for the Bayesian network 10 is in 8th shown. This is the ideal situation in which all sensors 3 . 4 . 5 detect a traffic condition and as data signals to the controller 6 provide the data as evidence in the sensor node 12 ' . 12 '' . 12 ''' treated. Here are all the sensors 3 . 4 . 5 measured the traffic condition "traffic jam". The control device 6 then this data fuses and determines a fusion result at the result node 13 , Due to the Bayesian network 10 Contained conditional probabilities are determined in spite of the measured by all three sensors traffic condition "traffic jam" only with a probability of 99% of the real traffic condition "congestion" and with a probability of 1% of the real traffic condition "no traffic jam". This is a qualified merger result.

9 zeigt ein schematisches Ablaufdiagramm des Verfahrens 100 zum Schätzen eines realen Verkehrszustandes mittels n Sensoren. Im allerersten Schritt definiert die Steuereinrichtung ein Bayessches Netz 101. Anschließend wird das Bayessche Netz durch die Steuereinrichtung kalibriert 200. Die Kalibrierung 200 umfasst dabei folgende Schritte: Bestimmen 201 einer Verbundwahrscheinlichkeitsverteilung für die Zustände der n Sensoren. Als Nächstes stellt die Steuereinrichtung ein Gleichungssystem auf 202 und bestimmt eine Anzahl von Referenzmessungen 203, welche notwendig ist, um das Gleichungssystem eindeutig zu machen. Ist die Anzahl bestimmt, veranlasst die Steuereinrichtung, beispielsweise durch Ansteuern eines zusätzlichen Referenzsensors, das Durchführen 204 der Referenzmessungen. Dabei wird an mindestens einem Sensor eine Referenzmessung für jeden möglichen Verkehrszustand durchgeführt 205 und für mindestens einen Sensor eine Referenzmessung für weniger als jeden der möglichen Verkehrszustände durchgeführt 206. Die Ergebnisse der Referenzmessungen werden dann in das Gleichungssystem eingesetzt 207 und das Gleichungssystem wird von der Steuereinrichtung gelöst 208, beispielsweise mittels numerischer Verfahren. Die bestimmten Parameter werden im letzten Schritt in das Bayessche Netz eingesetzt 209, womit die Kalibrierung abgeschlossen ist. 9 shows a schematic flow diagram of the method 100 for estimating a real traffic condition by means of n sensors. In the very first step, the controller defines a Bayesian network 101 , Subsequently, the Bayesian network is calibrated by the control device 200 , The calibration 200 includes the following steps: Determine 201 a compound probability distribution for the states of the n sensors. Next, the controller sets up a system of equations 202 and determines a number of reference measurements 203 which is necessary to make the system of equations clear. If the number is determined, the control device causes, for example by driving an additional reference sensor, the performing 204 the reference measurements. In this case, a reference measurement is carried out on at least one sensor for each possible traffic condition 205 and performing a reference measurement for at least one sensor for less than each of the possible traffic conditions 206 , The results of the reference measurements are then used in the equation system 207 and the equation system is solved by the control device 208 , for example by numerical methods. The specific parameters are used in the last step in the Bayesian network 209 , with which the calibration is completed.

Mit dem vollständig kalibrierten Bayesschen Netz schätzt die Steuereinrichtung nun den aktuellen Verkehrszustand auf Grundlage der Sensordaten. Dazu erfasst 102 sie mit den n Sensoren jeweils mindestens einen Verkehrszustand, fusioniert 103 die erfassten Verkehrszustände mittels des Bayesschen Netzes und gibt anschließend das Fusionsergebnis an der Schnittstelle aus 104, von wo es weiterverarbeitet werden kann, beispielsweise in einem Verkehrsleit- oder Verkehrsinformationssystem.With the fully calibrated Bayesian network, the controller now estimates the current traffic condition based on the sensor data. To do so 102 they fused with the n sensors each at least one traffic condition 103 the detected traffic conditions using the Bayesian network and then outputs the fusion result at the interface 104 from where it can be further processed, for example in a traffic control or traffic information system.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

11: Vorrichtungcontraption
22: Straßenabschnittroad section
33: Sensorsensor
44: Sensorsensor
55: Sensorsensor
66: Steuereinrichtungcontrol device
77: Schnittstelleinterface
88th: Verkehrsleitsystemtraffic Management System
99: Verkehrsteilnehmerroad users
1010: Bayessches NetzBayesian network
12'12 ': Sensorknotensensor nodes
12''12 '': Sensorknotensensor nodes
12'''12 '' ': Sensorknotensensor nodes
1313: Ergebnisknotenresult node
1414: Referenzsensorreference sensor
1616: Umweltsensorenvironmental sensor
1717: VerkehrsinformationssystemTraffic Information System
100–104100-104: Verfahrensschrittesteps
200–209200-209: Verfahrensschrittesteps

Claims

Method for estimating a real traffic condition by means of n sensors ( 3 . 4 . 5 ), comprising the following steps: defining and calibrating a Bayesian network ( 10 ) by a control device ( 6 ) Detecting at least one traffic condition at the n sensors ( 3 . 4 . 5 ) and transmitting to the control device ( 6 ), Merging the detected traffic conditions in the control device ( 6 ) to a fusion result using the Bayesian network ( 10 ) and output of the fusion result at an interface ( 7 ), characterized in that the calibration of the Bayesian network ( 10 ) comprises the following steps: determining a compound probability distribution of the states of the n sensors ( 3 . 4 . 5 ), Establishing a system of equations for determining the parameters of the Bayesian network ( 10 ) taking advantage of the stochastic dependencies in the input data of the n sensors ( 3 . 4 . 5 ), Determining a number of reference measurements necessary to make the equation system unique, performing the reference measurements for the n sensors ( 3 . 4 . 5 ), wherein for at least one of the n sensors ( 3 . 4 . 5 ) a reference measurement is carried out for each of the possible traffic conditions and for at least one of the n sensors ( 3 . 4 . 5 ) a reference measurement is not carried out for each of the possible traffic conditions, inserting the parameters determined by the reference measurements into the equation system, determining the unknown parameters in the Bayesian network ( 10 ) by solving the equation system taking into account the reference measurements and inserting the specific parameters into the Bayesian network ( 10 ).

A method according to claim 1, characterized in that by virtual specification of a real traffic condition as evidence in the Bayesian network ( 10 ) a state of one of the n sensors ( 3 . 4 . 5 ) is estimated and thus a theoretical error rate of the sensor is determined.

Method according to one of the preceding claims, characterized in that a sensitivity of the fusion result with respect to possible data gaps, ie a failure of one or more of the n sensors ( 3 . 4 . 5 ).

Method according to one of the preceding claims, characterized in that the Bayesian network ( 10 ) and the statistical influence of earlier measurements on the n sensors ( 3 . 4 . 5 ) and / or an earlier fusion result in the estimation of the current fusion result.

Method according to claim 4, characterized in that the control device ( 6 ) based on the previous and / or current measurements on the n sensors ( 3 . 4 . 5 ) and / or the past and / or current fusion result predicts a future traffic condition.

Method according to one of the preceding claims, characterized in that for determining the current error rate of at least one of the n sensors ( 3 . 4 . 5 ) an actual environmental condition is determined by at least one further sensor.

Method according to one of the preceding claims, characterized in that all or part of the data of the reference measurements of the control device ( 6 ) are provided via at least one interface.

Contraption ( 1 ) for estimating a real traffic condition by means of n sensors, comprising: a control device ( 6 ) and at least one interface ( 7 ), wherein the control device ( 6 ), a Bayesian network ( 10 ) and to calibrate those of the n sensors ( 3 . 4 . 5 ) received traffic conditions and by means of the Bayesian network ( 10 ) to fuse to a fusion result and the fusion result at the at least one interface ( 7 ), characterized in that the control device ( 6 ), the calibration of the Bayesian network ( 10 ): determining a composite probability distribution of the states of the n sensors ( 3 . 4 . 5 ) Setting up a system of equations for determining the parameters of the Bayesian network ( 10 ) taking advantage of the stochastic dependencies in the input data of the n sensors ( 3 . 4 . 5 ), Determining a number of reference measurements necessary to make the equation system unique, causing the reference measurements for the n sensors ( 3 . 4 . 5 ), wherein for at least one of the n sensors ( 3 . 4 . 5 ) a reference measurement is carried out for each of the possible traffic conditions and for at least one of the n sensors ( 3 . 4 . 5 ) a reference measurement is not carried out for each of the possible traffic conditions, inserting the parameters determined by the reference measurements into the equation system, determining the unknown parameters in the Bayesian network ( 10 ) by solving the equation system taking into account the reference measurements and inserting the specific parameters into the Bayesian network ( 10 ).

Contraption ( 1 ) according to claim 8, characterized in that the device ( 1 ) at least one of the n sensors ( 3 . 4 . 5 ).

Contraption ( 1 ) according to claim 8 or 9, characterized in that the device ( 1 ) at least one reference sensor ( 14 ), wherein the reference sensor ( 14 ) is designed such that it simultaneously and at the same location with one of the n sensors ( 3 . 4 . 5 ) detects at least one traffic condition.

Contraption ( 1 ) according to one of claims 8 to 10, characterized in that the device ( 1 ) an environmental sensor ( 16 ), wherein the environmental sensor ( 16 ) is designed such that it detects at least one environmental condition and the environmental condition of the control device ( 6 ) is taken into account in the calculation of the fusion result.

A computer program comprising program code means for performing all the steps of any one of claims 1 to 7 when the program is run on a computer.

A computer program product having program code means stored on a computer readable medium for carrying out the method of any one of claims 1 to 7 when the program product is executed on a computer.