DE102016210032A1

DE102016210032A1 - Verfahren Vorrichtung und System zur Falschfahrererkennung

Info

Publication number: DE102016210032A1
Application number: DE102016210032.7A
Authority: DE
Inventors: Simon Geisler
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2016-06-07
Filing date: 2016-06-07
Publication date: 2017-12-07
Also published as: WO2017211492A1; US10629073B2; JP6776373B2; JP2019519850A; US20190139404A1; EP3465656A1; CN109313850A

Abstract

Die Erfindung betrifft ein Verfahren zur Falschfahrererkennung. Das Verfahren umfasst einen Schritt des Einlesens von Kartendaten (116), die eine Menge von Straßenelementen eines von einem Fahrzeug (100) befahrbaren Straßennetz abbilden, einen Schritt des Bestimmens einer Mehrzahl von Partikeln unter Verwendung gemessener Positionsdaten (106) des Fahrzeugs (100), wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, einen Schritt des Bestimmens zumindest eines in Bezug auf eine Befahrung durch das Fahrzeug (100) plausiblen Straßenelements aus der Menge von Straßenelementen basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel-Filters, und einen Schritt des Überprüfens des zumindest einen plausiblen Straßenelements unter Verwendung eines Klassifikations-Verfahrens, um zumindest ein geprüftes Straßenelement zu erhalten.

Description

Stand der Technik
Falschfahrer („Geisterfahrer”) verursachen im Falle eines Unfalls zumindest erheblichen Sachschaden. Die Erkennung alleine auf Basis des Navigationsgerätes (Straßenklasse und -richtung) ist für die meisten Fälle zu spät, d. h. der Falschfahrer befindet sich bereits (mit hoher Fahrgeschwindigkeit und großer Wahrscheinlichkeit einer Kollision) auf der falschen Fahrbahn.
Offenbarung der Erfindung
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren, weiterhin eine Vorrichtung und ein System zur Falschfahrererkennung, sowie schließlich ein entsprechendes Computerprogramm gemäß den Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.
Eine beispielsweise cloud-basierte Falschfahrerwarnung kann vorteilhafterweise mit einer speziell auf den Anwendungsfall angepassten Erkennung mit einem Partikel-Filter realisiert werden.
Ein Verfahren zur Falschfahrererkennung umfasst die folgenden Schritte:
Einlesen von Kartendaten, die eine Menge von Straßenelementen eines von einem Fahrzeug befahrbaren Straßennetz abbilden;
Bestimmen einer Mehrzahl von Partikeln unter Verwendung gemessener Positionsdaten des Fahrzeugs, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert;
Bestimmen zumindest eines in Bezug auf eine Befahrung durch das Fahrzeug plausiblen Straßenelements aus der Menge von Straßenelementen basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel-Filters; und
Überprüfen des zumindest eines plausiblen Straßenelements unter Verwendung eines Klassifikations-Verahrens, um zumindest ein geprüftes Straßenelement zu erhalten.
Bei dem Fahrzeug kann es sich um ein Straßenfahrzeug handeln. Unter einer Falschfahrt kann eine Fahrt des Fahrzeugs auf einer Straße entgegen einer vorgeschriebenen Fahrtrichtung verstanden werden. Die Kartendaten können zudem Parameter des von dem Fahrzeug befahrbaren Straßennetz abbilden. Die gemessenen Positionsdaten des Fahrzeugs können eine unter Verwendung eines in dem Fahrzeug angeordneten Sensors gemessene Position repräsentieren. Die Mehrzahl von Partikeln können unter Verwendung eines mit bekannten Partikel-Filtern verwendeten Verfahrens bestimmt werden. Die Partikel können dabei unterschiedliche angenommene Positionen aufweisen, die beispielsweise um die gemessene Position gruppiert sind. Beispielsweise kann der Partikel-Filter verwendet werden, um eine Gewichtung bereits vorhandener Partikel zu ändern. Unter einem plausiblen Straßenelement kann ein Straßenelement verstanden werden, von dem nach Auswertung der Partikeldaten angenommen wird, dass sich das Fahrzeug darauf befindet. Das plausible Straßenelement kann unter Verwendung weiterer zur Verfügung stehender Daten überprüft werden, um sicherzustellen, dass sich das Fahrzeug tatsächlich auf dem geprüften Straßenelement befindet. Das geprüfte Straßenelement kann anstelle der gemessenen Position zur Erkennung einer Falschfahrt des Fahrzeugs verwendet werden.
Das Verfahren kann somit einen Schritt des Bestimmens eines Falschfahrtsignals unter Verwendung des geprüften Straßenelements umfassen. Dabei kann das Falschfahrtsignal anzeigen, ob eine Falschfahrt des Fahrzeugs vorliegt oder nicht vorliegt. Beispielsweise kann das Falschfahrtsignal nur dann bereitgestellt werden, wenn eine Falschfahrt angenommen wird.
Im Schritt des Überprüfens kann ein Klassifikations-Verfahren des maschinellen Lernens verwendet werden. Vorteilhafterweise kann somit auf bekannte Verfahren zurückgegriffen werden.
Im Schritt des Überprüfens können gemessene Bewegungsdaten des Fahrzeugs und den Straßenelementen zugeordnete Parameter für das Klassifikations-Verfahren verwendet werden. Die gemessenen Bewegungsdaten können unter Verwendung eines Sensors gemessene Bewegungen des Fahrzeugs repräsentieren. Auf diese Weise kann überprüft werden, ob ein Straßenelement zu einer von dem Fahrzeug ausgeführten Bewegung passt.
Beispielsweise können die Bewegungsdaten eine Querbeschleunigung und/oder eine Fahrtrichtung des Fahrzeugs abbilden. Über die Querbeschleunigung kann überprüft werden, ob ein Straßenverlauf eines Straßenelements und über die Fahrtrichtung kann überprüft werden, ob eine Fahrtrichtungsvorgabe eines Straßenelements zu der gemessenen Bewegung des Fahrzeugs passt.
Entsprechend können die Parameter einen Krümmungsverlauf und/oder eine Fahrtrichtungsvorgabe eines durch die Kartendaten abgebildeten Straßenelements abbilden, der zumindest einem der Mehrzahl von Partikel zugeordnet oder zuordenbar ist.
Im Schritt des Überprüfens kann eine Zuordenbarkeit der Mehrzahl von Partikeln zu durch die Kartendaten abgebildeten Straßenelementen für das Klassifikations-Verfahren verwendet werden. Auf diese Weise kann in die Überprüfung eingehen, ob Partikel auf dem plausiblen Straßenelement liegen oder nicht.
Im Schritt des Überprüfens kann ein Abstand zwischen der Mehrzahl von Partikeln und einer durch die gemessenen Positionsdaten abgebildeten gemessenen Position des Fahrzeugs für das Klassifikations-Verfahren verwendet. Auf diese Weise kann in die Überprüfung eingehen, ob Partikel nahe bei oder entfernt zu einem plausiblen Straßenelement angeordnet sind.
Im Schritt des Einlesens können die gemessenen Positionsdaten über eine Schnittstelle einer Rechnerwolke, einer sogenannten Cloud, eingelesen werden. Dies ermöglicht eine cloud-basierte Lösung.
Eine entsprechende Vorrichtung zur Falschfahrererkennung ist eingerichtet, um Schritte des genannten Verfahrens in entsprechenden Einheiten auszuführen. Beispielsweise kann eine solche Vorrichtung eine Einleseeinrichtung aufweisen, die ausgebildet ist, um Kartendaten einzulesen, die eine Menge von Straßenelementen eines von einem Fahrzeug befahrbaren Straßennetz abbilden, eine Bestimmungseinrichtung aufweisen, die ausgebildet ist, um eine Mehrzahl von Partikeln unter Verwendung gemessener Positionsdaten des Fahrzeugs zu bestimmen, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, eine Bestimmungseinrichtung aufweisen, die ausgebildet ist, um zumindest ein in Bezug auf eine Befahrung durch das Fahrzeug plausiblen Straßenelements aus der Menge von Straßenelementen basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel-Filters zu bestimmen, und eine Überprüfungseinrichtung aufweisen, die ausgebildet ist, um das zumindest eine plausible Straßenelements unter Verwendung eines Klassifikations-Verahrens zu überprüfen, um zumindest ein geprüftes Straßenelement zu erhalten.
Ein entsprechendes System zur Falschfahrererkennung umfasst zumindest eine Sendeeinrichtung, die in einem Fahrzeug anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten auszusenden, sowie eine genannte Vorrichtung zur Falschfahrererkennung, die ausgebildet ist, um die von der zumindest einen Sendeeinrichtung ausgesendeten Positionsdaten zu empfangen, beispielsweise über eine drahtlose Verbindung.
Ein weiteres System zur Falschfahrererkennung umfasst zumindest eine Sendeeinrichtung, die in einem Fahrzeug anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten auszusenden, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren, und zumindest eine Empfangseinrichtung, die in dem Fahrzeug anordenbar oder angeordnet ist und ausgebildet ist, Daten einer Vorrichtung zu empfangen, welche gemäß dem hier beschriebenen Ansatz zur Falschfahrererkennung dazu ausgebildet ist, um die von der zumindest einen Sendeeinrichtung ausgesendeten Positionsdaten zu empfangen.
Das beschriebene Verfahren kann in Software oder Hardware oder in einer Mischform aus Software und Hardware implementiert sein, beispielsweise in einer Vorrichtung.
Hierzu kann die Vorrichtung zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, und/oder zumindest eine Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EPROM oder eine magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einlesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einlesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:
1 ein System zur Falschfahrererkennung gemäß einem Ausführungsbeispiel;
2 ein Ablaufdiagramm eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel;
3 ein Hidden Markov Chain Model;
4 einen Ablauf eines Partikel-Filter-Prozesses gemäß einem Ausführungsbeispiel
5 ein System zur Falschfahrererkennung gemäß einem Ausführungsbeispiel;
6 ein Fahrzeug gemäß einem Ausführungsbeispiel;
7 einen Programmablauf gemäß einem Ausführungsbeispiel;
8 einen Programmablauf eines Partikel-Filters gemäß einem Ausführungsbeispiel; und
9 ein System zur Falschfahrererkennung gemäß einem Ausführungsbeispiel.
In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung werden für die in den verschiedenen Figuren dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser Elemente verzichtet wird.
1 zeigt ein System zur Falschfahrererkennung gemäß einem Ausführungsbeispiel. Das System umfasst ein Fahrzeug 100, das eine Übertragungseinrichtung 102 aufweist, die ausgebildet ist, um unter Verwendung zumindest einer in dem Fahrzeug 100 angeordneten Sensoreinrichtung 104 erfasste Messdaten 106 drahtlos an eine eine Vorrichtung 110 zur Falschfahrererkennung auszusenden. Die Vorrichtung 110 ist ausgebildet, um die Messdaten 106 zu aufbereiteten Daten aufzubereiten und die aufbereiteten Daten unter Verwendung eines Partikel-Filters weiterzuverarbeiten, um ein Falschfahrtsignal 112 zu erzeugen und auszusenden. Das Falschfahrtsignal 112 zeigt gemäß einem Ausführungsbeispiel an, dass das Fahrzeug 100 dessen Messdaten 106 verarbeitet wurden, aktuell eine Falschfahrt ausführt. Gemäß diesem Ausführungsbeispiel ist sowohl die Übertragungseinrichtung 102 des Fahrzeugs 100 als auch eine Übertragungseinrichtung 102 eines weiteren Fahrzeugs 100 ausgebildet, um das Falschfahrtsignal 112 zu empfangen und ansprechend auf einen Empfang des Falschfahrtsignals 112 eine Warneinrichtung des jeweiligen Fahrzeugs 100, 114 zu aktiveren, die beispielsweise einen Fahrer des jeweiligen Fahrzeugs 100, 114 vor der Falschfahrt warnt oder gemäß einem Ausführungsbeispiel in eine zumindest teilautomatische Steuerung, beispielsweise einer Bremsanlage oder Lenkanlage, des jeweiligen Fahrzeugs 100, 114 eingreift. Gemäß unterschiedlicher Ausführungsbeispiele kann die Übertragungseinrichtung 102 nur als Sendeeinrichtung oder aber als Sende-Empfangseinrichtung ausgeführt sein.
Gemäß einem Ausführungsbeispiel umfassen die Messdaten 106 Positionsdaten, die unter Verwendung einer Positionsbestimmungseinrichtung des Fahrzeugs 100 erfasst wurden und eine aktuelle Position des Fahrzeugs 100 abbilden. Gemäß einem weiteren Ausführungsbeispiel umfassen die Messdaten 106 ferner Bewegungsdaten, die beispielsweise unter Verwendung zumindest eines Beschleunigungssensors des Fahrzeugs 100 erfasst wurden und Informationen über eine aktuelle Bewegung des Fahrzeugs 100, beispielsweise Informationen über eine Fahrtrichtung, eine Längsbeschleunigung, eine Querbeschleunigung oder über eine Drehung des Fahrzeugs um eine Fahrzeugachse umfassen.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um Kartendaten 116 einzulesen, die ein von dem Fahrzeug 100 befahrbares Straßennetz abbilden. Gemäß einem Ausführungsbeispiel umfassen die Kartendaten 116 Informationen über Straßenelemente des Straßennetzes. Gemäß einem Ausführungsbeispiel umfassen die Kartendaten 116 bezüglich jedes Straßenelements ferner zumindest einen Parameter, der beispielsweise eine Fahrtrichtungsvorgabe für das jeweilige Straßenelement oder einen Verlauf des jeweiligen Straßenelements definiert. Beispielsweise kann über den Parameter definiert sein, ob der Straßenelement geradlinig verläuft oder eine Kurve beschreibt. Gemäß einer Ausführungsform weist die Vorrichtung 110 eine Speichereinrichtung auf, in der die Kartendaten 116 gespeichert sind.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 oder sind Funktionsblöcke der Vorrichtung 110 in einer Cloud 118 angeordnet oder realisiert.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um das Falschfahrersignal 112 unter Verwendung eines geprüften Straßenelements zu bestimmen. Unter dem geprüften Straßenelement kann ein von den Kartendaten umfasstes Straßenelement, auch Straßenabschnitt genannt, verstanden werden, von dem angenommen wird, dass sich das Fahrzeug 100 darauf befindet. Die Vorrichtung 110 ist in diesem Fall ausgebildet, um aus den von den Kartendaten umfassten Straßenelementen unter Verwendung eines Partikel-Filters zunächst zumindest ein plausibles Straßenelement zu bestimmen und anschließend unter Verwendung eines Klassifikations-Verfahrens zu überprüfen, ob das zumindest eine plausible Straßenelement tatsächlich als ein Straßenelement angenommen werden kann, auf dem sich das Fahrzeug mit hoher Wahrscheinlichkeit befindet. Die von dem Partikel-Filter verarbeiteten Partikel werden von der Vorrichtung 110 unter Verwendung der über das Messsignal 106 übertragenen Positionsdaten und/oder bereits vorhandener Partikel bestimmt. Durch das Klassifikations-Verfahren ist somit eine zusätzliche Absicherung gegeben, durch die sichergestellt werden kann, dass die Falschfahrerwarnung nicht fälschlicherweise herausgegeben wird, weil das Fahrzeug einem falschen Straßenelement zugeordnet wurde. Somit kann die Vorrichtung 110 ausgebildet sein, um das Falschfahrtsignal 112 unter Verwendung eines geprüften Straßenelements bereitzustellen.
Der beschriebene Ansatz kann ergänzend oder anstelle vielfältige Verfahren zur Detektion eines Falschfahrers verwendet werden, bei denen z. B. der Einsatz einer Videosensorik erfolgt, um das Passieren eines „Einfahrt verboten” Schildes zu detektieren oder der Einsatz einer digitalen Karte in Verbindung mit einer Navigation genutzt wird, um ein Detektieren einer falschen Fahrtrichtung auf einem Straßenelement zu erkennen, der nur in einer Richtung befahrbar ist. Weiterhin bekannt sind. Weiterhin kann der Ansatz mit drahtlosen Verfahren kombiniert werden, die mittels Infrastruktur wie z. B. Baken in der Fahrbahn oder am Fahrbahnrand Falschfahrer detektieren.
Neben der Detektion eines Falschfahrers bietet der beschriebene Ansatz viele Möglichkeiten der Reaktion auf einen Falschfahrer. Beispiele hierfür sind die Warnung des Falschfahrers selbst über ein Display oder akustische Hinweise. Auch können Verfahren angewendet werden, mit denen andere Fahrer in der Nähe eines Falschfahrers gewarnt werden, z. B. über Fahrzeug-Fahrzeug-Kommunikation oder mittels Mobilfunk. Weiterhin ist die Warnung anderer Verkehrsteilnehmer über am Straßenrand aufgestellte Wechselverkehrszeichen möglich. Auch kann ein Eingriff in die Motorsteuerung oder Bremse des falsch fahrenden Fahrzeugs 100 erfolgen.
Der beschriebene Ansatz ermöglicht es, einen Falschfahrer zu detektieren und andere Verkehrsteilnehmer in dessen Nähe noch rechtzeitig zu warnen, wofür nur sehr wenig Zeit zur Verfügung steht.
Der beschriebenen Ansatz greift für eine Falschfahrererkennung (Wrong-Way-Driver-Detection) mit einer Client-Server-Lösung. Als Client ist ein Gerät zu sehen, befindlich an oder in einem Kraftfahrzeug, welches über eine Internetanbindung verfügt und mindestens Zugriff auf Positionskoordinaten hat. Beispielsweise kann es sich dabei um die Übertragungseinrichtung 102 handeln. Bei der Übertragungseinrichtung 102 kann es sich beispielsweise um ein Smartphone handeln. In der Übertragungseinrichtung 102 kann die Sensoreinrichtung 104 integriert sein. Somit kann eine falschfahrerspezifische Server-Client-Kommunikation mit einem Smartphone als beispielhaften Client umgesetzt werden. Das Smartphone kann über ein Mobilfunknetz mit einem Gateway (PDN_GW) an das Internet angeschlossen sein, in dem die Vorrichtung 110, beispielsweise in Form eines Servers, angeordnet sein kann.
Es ergeben sich aus den möglichen Funktionsweisen einer Falschfahrerwarnung mit einer Client-Server-Lösung folgende Schlüsselproblemfelder für diese Technologie, welche durch den hier beschriebenen Ansatz angegangen werden:
a) False-Positive-Reduktion
False-Positives, also Fehldetektionen bei richtiger Fahrweise, müssen bei einer Eigenwarnung und/oder eines aktiven Eingreifens so weit wie möglich vermindert beziehungsweise komplett vermieden werden. Je nach Warnungskonzept müssen die Standards bis zu ASIL-A erfüllen.
b) Zeitkritische Ausführung der Auslösekette
Um die Gefährdung anderer Verkehrsteilnehmer ausgehend von einem Falschfahrer so gering wie möglich zu halten, soll ein Eingreifen bzw. Warnen so schnell wie möglich erfolgen. D. h. die komplette Funktionskette von Detektion einer kritischen Situation über das Erkennen eines Falschfahrers bis zum Eingriff bzw. Warnung soll in einer möglichst geringen Zeitspanne durchlaufen werden. Die Auslastung und somit die nötige Leistungsfähigkeit des Servers, beispielsweise der Vorrichtung 110, bei einem flächendeckenden Einsatz dieser Funktion spielt dabei eine sehr wichtige Rolle. Neben der Auslösezeit stellt auch noch die Wirtschaftlichkeit einen wichtigen Teilaspekt dar.
c) Kommunikation, Dateneffizienz und Stromverbrauch
Die Kommunikation und der Stromverbrauch müssen besonders für mobile Geräte so effizient bzw. gering wie möglich sein, um eine akzeptable Akkulaufzeit zu erreichen. Auch die Überlastung einer Mobilfunkzelle oder anderweitigen drahtlosen Kommunikationseinheit muss durch eine dateneffiziente Kommunikation unterbunden werden. Auch das Datenvolumen und die damit verbunden Kosten sind, soweit es möglich ist einzugrenzen. Die Effizienz der Kommunikation ist aus Rechenleistungsgründen auch serverseitig ein äußerst wichtiger Faktor.
Der beschriebene Ansatz greift vor allem für die Schlüsselfelder a) „False-Positive-Reduktion” und b) „Zeitkritische Ausführung der Auslösekette”, aber auch c) „Kommunikation, Dateneffizienz und Stromverbrauch” wird gegebenenfalls davon beeinflusst. Die Erkennung von Falschfahrern in der Cloud 118, basierend auf handelsüblicher Smartphone- und Connectivity-Control-Unit-Sensorik ist kein triviales Unterfangen.
2 zeigt ein Ablaufdiagramm eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel. Das Verfahren kann beispielsweise unter Verwendung von Einrichtungen der anhand von 1 gezeigten Vorrichtung zur Falschfahrererkennung ausgeführt werden.
Das Verfahren umfasst einen Schritt 201, in dem Kartendaten über eine Schnittstelle eingelesen werden. Die Kartendaten bilden ein von einem Fahrzeug befahrbaren Straßennetz ab. In einem Schritt 203 wird eine Mehrzahl von Partikeln unter Verwendung von Positionsdaten bestimmt. Dabei repräsentiert jeder der Partikel je eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung. Dabei verteilen sich die angenommenen Positionen gemäß einem Ausführungsbeispiel um die gemessene Position. In einem Schritt 205 wird basierend auf der Mehrzahl von Partikeln zumindest ein in Bezug auf eine Befahrung durch das Fahrzeug plausibles Straßenelement aus der Menge von Straßenelementen bestimmt. Zumindest der Schritt 205 wird unter Verwendung eines Partikel-Filters ausgeführt. Beispielsweise kann ein Straßenelement abhängig von einer örtlichen Verteilung der Partikel oder den Gewichtungen der Partikel als ein plausibles Straßenelement bestimmt werden. Dazu kann beispielsweise überprüft werden, ob sich auf dem Straßenelement eine vorbestimmte Menge von Partikeln befindet oder sich auf dem Straßenelement Partikel mit einer vorbestimmten Gewichtung befinden. In einem Schritt 207 wird überprüft, ob es sich bei dem zumindest einen plausiblen Straßenelement tatsächlich um ein Straßenelement handelt, von dem mit ausreichend großer Sicherheit angenommen werden kann, dass sich das Fahrzeug darauf befindet. Dazu wird das zumindest eine plausible Straßenelement unter Verwendung eines Klassifikations-Verahrens überprüft. Gemäß einem Ausführungsbeispiel wird ein durch das Klassifikations-Verfahren überprüfte Straßenelement abhängig von einem Ergebnis der durch das Klassifikations-Verfahren durchgeführten Klassierung entweder als geprüftes Straßenelement bezeichnet oder als unplausibles Straßenelement verworfen. Somit kann das Klassifikations-Verfahren dazu verwendet werden, um unter Verwendung des Partikel-Filters als plausible Straßenelemente herausgefilterte Straßenelemente entweder als geprüfte Straßenelemente zu klassieren oder als unplausible Straßenelemente zu klassieren.
In das Klassifikations-Verfahren können beispielsweise Bewegungsdaten des Fahrzeugs sowie den plausiblen Straßenelementen zugeordnete Parameter einfließen. Auch können Werte einfließen, die auf einer Auswertung der Partikel basieren. Bei der Auswertung kann beispielsweise eine örtliche Anordnung und/oder Gewichtung der Partikel berücksichtigt werden. Solche Werte können beispielsweise anzeigen, wie viele der Partikel einem plausiblen Straßenelement zugeordnet werden können. Wenn die Anzahl der Partikel, die einem einem plausiblen Straßenelement beispielsweise größer als ein Schwellenwert ist, kann das plausible Straßenelement als geprüftes Straßenelement klassiert werden.
In einem weiteren Schritt wird gemäß einem Ausführungsbeispiel ein Falschfahrersignal bereitgestellt. Beispielsweise wird das Falschfahrersignal bereitgestellt, wenn eine aktuelle Fahrtrichtung des Fahrzeugs nicht mit einer Fahrtrichtungsvorgabe des geprüften Straßenelements übereinstimmt.
Für die Falschfahrererkennung ist es nicht ausschlaggebend, welche Route der Falschfahrer gefahren ist. Die benötigte Information ist vor allem, wo sich der Falschfahrer aktuell befindet und ob dieser einen Straße entgegen der Fahrtrichtung befährt. Für diese Ermittlung wird selbstverständlich die Historie benötigt, doch diese ist nicht Teil der Fragestellung, sondern vielmehr der Weg zum Ergebnis.
Aufgrund dieser Umstände wird ein Verfahren basierend auf einem Partikel-Filter vorgestellt. Der Partikel-Filter ist ähnlich wie der Kalman-Filter auf Systeme anwendbar, die einer Hidden-Markov-Chain-Charakteristik, also einer Markow-Kette mit unbeobachteten Zuständen, unterliegen:
3 zeigt ein Hidden Markov Chain Model 320 mit Zustand x und Beobachtung z zur Zeit k und k – 1.
Das heißt, der Zustand eines Systems kann nicht direkt gemessen werden, jedoch aufgrund von anderen Observierungen geschätzt werden. In diesem Fall gilt es, die Position und somit die aktuelle Straße zu schätzen. Dafür muss folgende Gleichung gelöst werden: p(x_k|z_0:k, u_0:k) = η·g(z_k|x_k, z_0:k-1, u_0:k)π(x_k|z_0:k-1, u_0:k)
Der Zustand zum Zeitpunkt k wird im Folgenden mit x_k beschrieben, die vorherigen Zustände werden mit x_0:k-1 = (x₀, ..., x_k-1) zusammengefasst. Analog zu x gilt diese Konvention auch für die Steuergrößen u und Observierungen u. η beschreibt einen Normalisierungsterm, der im Folgenden allerdings keine große Bedeutung hat. Diese Gleichung kann zu folgender Gleichung vereinfacht werden:
Und diese in zwei Schritten beschrieben werden: der Vorhersageschritt
und der Gewichtungsterm:
Bei einem Partikel-Filter wird das Integral über die Wahrscheinlichkeitsverteilungen mit einer numerischen Näherung
und Monte-Carlo-Methoden gelöst. w^[j] beschreibt hierbei das Gewicht/die Wahrscheinlichkeit des j-ten Partikels. Eine Menge von Partikeln wird mit
beschrieben. Somit hat jeder Partikel das Gewicht w^[j] und den Zustand x^[j].
4 zeigt den Ablauf eines Partikel-Filter-Prozesses gemäß einem Ausführungsbeispiel. Dazu ist in 4 ein Hidden Markov Chain Model mit dem Zustand x und der Beobachtung z zur Zeit k und k – 1 gezeigt.
Ein großer Teil der Arbeit ist eine geeignete Funktion für
zu finden, die das Problem optimal abbilden. Grundlegen hierfür ist es, die zu schätzenden Zustände x zu definieren.
Der Block 401 steht für den Partikel-Filter (X_k-1), u_k, ) Von dem Block 403 wird solange zu dem Block 405 gesprungen, bis alle Werte j = 1:J durchlaufen sind.
In dem Block 405 wird ein neuer Zustand berechnet:
In dem Block 407 wird das Gewicht berechnet: w [j] / k = g(z_k, m_j|X_k, u_k)
Wenn in dem Block 403 alle Werte durchlaufen sind, wird zum Block 409 gesprungen. Von dem Block 409 wird solange zu dem Block 411 gesprungen, bis alle Werte i = 1:J durchlaufen sind.
In dem Block 411 wird ein ein Wert gemäß w [i] / k gezeichnet.
In dem Block 413 wird zu dem Partikelsatz hinzuaddiert gemäß x [i] / k → X_k.
Wenn in dem Block 409 alle Werte durchlaufen sind, wird zum Block 415 gesprungen der das Ende X_k darstellt.
5 zeigt ein System zur Falschfahrererkennung gemäß einem Ausführungsbeispiel. Das System umfasst Geräte 102, beispielsweise in Form der anhand von 1 genannten Übertragungseinrichtungen und eine Vorrichtung 110 zur Falschfahrererkennung, die gemäß diesem Ausführungsbeispiel als ein sogenannter WDW-Server ausgeführt ist. Die Vorrichtung 110 ist ausgebildet, um von dem Gerät 102 Daten 106, beispielsweise die anhand von 1 beschriebenen Messdaten zu empfangen und basierend auf den Daten 106 eine Warnung 112 bereitstellen und beispielsweise in Form des anhand von 1 beschriebenen Falschfahrtsignals zurück an die Geräte 102 zu senden.
Die Vorrichtung weist eine Einrichtung 530 zur Vorverarbeitung, einen Partikel-Filter 532 und ein Warnungsmodul 534 auf.
In einer vereinfachten Architektur einer cloud-basierten Falschfahrerwarnung bettet sich der Partikel-Filter 532 wie in 5 gezeigt ein.
Mit dem Partikel-Filter 532 kann die Wahrscheinlichkeitsverteilung der Position des Autos näherungsweise bestimmt werden.
6 zeigt anhand eines Fahrzeugs 100 Werte, die in das anhand von 5 gezeigte Modell einfließen können. Bei den Werten kann es sich beispielsweise um Zustände in Richtung der Längsachse x, der Querachse y, der Hochachse z sowie ein Rollen p um die Längsachse, ein Nicken q um die Querachse und ein Gieren r um die Hochachse handeln.
Bezüglich eines Kartenabgleichs unter Verwendung des Partikel-Filters gilt für den Bayes-Filter p(x_k|z_0:k, u_0:k). Hierbei kann unter Bezugnahme auf 3 x_k dafür stehen, was der Zustand (nicht gemessen) ist, beispielsweise die geografische Länge, Breite und Höhe, u_k+1 dafür stehen, wie sich das Auto 100 bewegt, beispielsweise hinsichtlich der Geschwindigkeit und Drehraten und z_k dafür stehen, was observiert werden kann, beispielsweise ein GPS-Signal oder ein das Umfeld des Fahrzeugs 100 betreffendes Signal (Kamera, etc.)
7 zeigt einen Programmablauf gemäß einem Ausführungsbeispiel. Der Ablauf startet mit einem Block 701. In einem Block 530 wird eine Datenvorverarbeitung durchgeführt, wie es beispielsweise anhand von 5 beschrieben ist. In einem Block 703 wird, falls vorhanden, der Zustand vom vorherigen Punkt geladen. In einem Block 705 findet ein Kartenabgleich (mapmatching) mit dem Partikel-Filter statt. In einem Block 707 erfolgt eine Interpretation der Ergebnisse. In einem Block 709 wird geprüft, ob eine Falschfahrt vorliegt. Wenn dies der Fall ist, wird in einem Block 534 eine Warnung versendet, wie es beispielsweise anhand von 5 beschrieben ist. Wenn keine Falschfahrt vorliegt, erfolgt das Ende des Programmablaufs mit einem Block 711.
8 zeigt einen Programmablauf eines Partikel-Filters gemäß einem Ausführungsbeispiel. Ein Block 801 steht für einen Beginn des Partikel-Filters. In einem Block 803 erfolgt ein Verschieben der Partikel unter Berücksichtigung der Sensorungenauigkeit, beispielsweise der anhand von 1 beschriebenen Sensoreinrichtung. In einem Block 805 erfolgt eine Ermittlung der kartenbezogenen Parameter. Ein solcher Parameter gibt beispielsweise an, ob ein Partikel auf einer Straße liegt oder wie der Titel derselben ist. In einem Block 807 erfolgt eine Berechnung der neuen Partikel-Gewichte. In einem Block 809 erfolgt ein sogenanntes Resampling, bei dem ein Eliminieren der irrelevanten Bereiche und/oder Partikel erfolgt. In einem Block 811 erfolgt eine Interpretation der einzelnen Partikel und in einem Block 813 eine Rückgabe der möglichen Straßen.
Durch die Verwendung des Partikel-Filters werden die im Folgenden genannten Aspekte verbessert. Zum einen wird ein sequenziell (in Echtzeit möglich) arbeitendes Verfahren geschaffen, welches primär die aktuelle Position auf dem Straßennetzwerk ermittelt. Ferner ist eine robuste Schätzung der aktuellen Position auf dem Straßennetzwerk möglich. Eine Unsicherheit über die aktuelle Schätzung ist ermittelbar. Dies ermöglicht es, die Entscheidung über eine potenzielle Falschfahrt zuverlässig, auf ein sinnvolles Maß, verzögern zu können.
9 zeigt ein System zur Falschfahrererkennung gemäß einem Ausführungsbeispiel. Das System entspricht dem anhand von 5 beschriebenen System, mit dem Unterschied, dass zwischen den Partikel-Filter 532 und dem Warnungsmodul 534 eine Einrichtung 933 zur Durchführung einer Nachbearbeitung vorgesehen ist. Die Einrichtung 933 ist ausgebildet, um ein Klassifikations-Verfahren, hier beispielsweise des maschinellen Lernens, umzusetzen.
Gemäß einem Ausführungsbeispiel ist der Partikel-Filter 532 ausgebildet, um Partikel 940 zu verarbeiten und basierend auf den Partikeln 940 zumindest ein plausibles Straßenelement 942 zu bestimmen, von dem ausgehend von dem durch den Partikel-Filter 532 bereitgestellten Daten davon ausgegangen wird, dass sich ein Fahrzeug darauf befindet. Die Einrichtung 933 ist ausgebildet, um zu überprüfen, ob es sich bei dem plausiblen Straßenelement 942 tatsächlich um ein Straßenelement handelt, von dem mit ausreichend hoher Sicherheit davon ausgegangen werden kann, dass sich das Fahrzeug darauf befindet. Wenn dies der Fall ist, ist die Einrichtung 933 ausgebildet, um das überprüfte plausible Straßenelement 942 als geprüftes Straßenelement 944 an das Warnungsmodul 534 bereitzustellen. Das Warnungsmodul 534 ist ausgebildet, um die Warnung in Form eines Falschfahrtsignals 112 unter Verwendung des geprüften Straßenelements 944 bereitzustellen.
Die typische Anwendung des Partikel-Filters 532 unterscheidet sich dahingehend, dass in diesem Anwendungsfall nicht die bestmögliche Lokalisierungsgenauigkeit erreicht werden soll, sondern in allen Fällen die richtigen Straßenelemente, hier die geprüften Straßenelemente 944, ermittelt werden sollen. Das heißt, auch wenn die Sensordaten 106 darauf hindeuten, dass eine Falschfahrt vorliegt, sollte eine Warnung des gefährdeten Verkehrs nur erfolgen, wenn man sich wirklich sicher sein kann, dass auch wirklich eine Falschfahrt vorliegt. Um die Fehldetektionsrate zu verringern, wird noch ein Klassifikationsverfahren 933, beispielsweise aus dem Bereich des maschinellen Lernens verwendet. Dadurch ändert sich die in 5 gezeigte Struktur des Systems wie in 9 gezeigt.
Anstatt alleinig aufgrund der errechneten Wahrscheinlichkeiten auszulösen, werden die Fälle noch über ein Klassifikations-Verfahren 933 des maschinellen Lernens gegengeprüft.
Mögliche Parameter (Features) für das Klassifikations-Verfahren 933, inklusive des zeitlichen Verhaltes/Änderung dieser sind die folgenden:
Der Abstand einer Straße auf denen sich Partikel entgegen der Fahrtrichtung befinden zur räumlich am nahesten liegenden Straße, auf der sich Partikel in Fahrtrichtung bewegen.
Die Wahrscheinlichkeiten der möglichen Straßen, auf denen sich Partikel befinden.
Die Differenz zwischen der Krümmung der Straße auf dem Partikel liegen und den Sensordaten 106.
Die Differenz zwischen der Fahrtrichtungsvorgabe der Straße auf dem Partikel liegen und Sensordaten 106 bzw. Partikel 940.
Es werden sehr viele Partikel so verschoben, dass sie nicht auf einer Straße landen (Off-road probability).
Der Median/Mittelwert/Minimalwert/Maximalwert des Abstands zwischen Partikel und der gemessenen Fahrzeugposition (GPS) ist außergewöhnlich groß.
Eine geschätzte Konvergenz des Partikel-Filters 532 zur Abschätzung des Gesamtfehlers.
Als mögliche Verfahren für das Klassifikations-Verfahren 933 bieten sich beispielsweise Regressionen, K-Nearest-Neighbor, Entscheidungsbäume, Entscheidungsbaum-Ensemble bzw. Random Forest, Support-Vector-Machine (SVL) oder neuronale Netze an.
Der beschriebene Ansatz kann im Zusammenhang mit einer cloudbasierten Falschfahrerwarnung mit einer speziell auf den Anwendungsfall angepassten Erkennung mit einem Partikel-Filter eingesetzt werden. Besonders vorteilhaft sind dabei die Bedingungen für die beiden beschriebenen Rückfallebenen und der Ansatz, wenn Straßen wieder gefunden werden.
Umfasst ein Ausführungsbeispiel eine „und/oder”-Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.

Claims

Verfahren zur Falschfahrererkennung, wobei das Verfahren die folgenden Schritte umfasst: Einlesen (201) von Kartendaten (116), die eine Menge von Straßenelementen eines von einem Fahrzeug (100) befahrbaren Straßennetz abbilden; Bestimmen (203) einer Mehrzahl (940) von Partikeln unter Verwendung gemessener Positionsdaten (106) des Fahrzeugs (100), wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert; Bestimmen (205) zumindest eines in Bezug auf eine Befahrung durch das Fahrzeug (100) plausiblen Straßenelements (942) aus der Menge von Straßenelementen basierend auf der Mehrzahl (940) von Partikeln unter Verwendung eines Partikel-Filters (532); und Überprüfen (207) des zumindest einen plausiblen Straßenelements (942) unter Verwendung eines Klassifikations-Verfahrens (933), um zumindest ein geprüftes Straßenelement (944) zu erhalten.
Verfahren gemäß Anspruch 1, mit einem Schritt des Bereitstellens eines Falschfahrtsignals (112) unter Verwendung des zumindest einen geprüften Straßenelements (944), wobei das Falschfahrtsignal (112) anzeigt, ob eine Falschfahrt des Fahrzeugs (100) vorliegt oder nicht vorliegt.
Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Überprüfens (207) ein Klassifikations-Verfahren (933) des maschinellen Lernens verwendet wird.
Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Überprüfens (207) gemessene Bewegungsdaten (107) des Fahrzeugs (100) und den Straßenelementen zugeordnete Parameter für das Klassifikations-Verfahren (933) verwendet werden.
Verfahren gemäß Anspruch 4, bei dem die Bewegungsdaten (107) eine Querbeschleunigung und/oder eine Fahrtrichtung des Fahrzeugs (100) abbilden.
Verfahren gemäß Anspruch 4 oder 5 bei der die Parameter einen Krümmungsverlauf und/oder eine Fahrtrichtungsvorgabe eines durch die Kartendaten (116) abgebildeten Straßenelements abbilden, der zumindest einem der Mehrzahl (940) von Partikel zugeordnet oder zuordenbar ist.
Verfahren gemäß einem der Ansprüche 5 bis 9, bei dem im Schritt des Überprüfens (207) einer Zuordenbarkeit der Mehrzahl (940) von Partikeln zu durch die Kartendaten (116) abgebildeten Straßenelementen für das Klassifikations-Verfahren (933) verwendet wird.
Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Überprüfens (207) eines Abstands zwischen der Mehrzahl (940) von Partikeln und einer durch die gemessenen Positionsdaten (106) abgebildeten gemessenen Position des Fahrzeugs (100) für das Klassifikations-Verfahren (933) verwendet wird.
Verfahren gemäß einem der vorangegangenen Ansprüche, mit einem Schritt des Einlesens der gemessenen Positionsdaten (106) über eine Schnittstelle einer Rechnerwolke (118).
Vorrichtung (110) zur Falschfahrererkennung, die eingerichtet ist, um Schritte des Verfahrens gemäß einem der vorangegangenen Ansprüche in entsprechenden Einheiten auszuführen.
System zur Falschfahrererkennung, wobei das System die folgenden Merkmale umfasst: zumindest eine Sendeeinrichtung (102), die in einem Fahrzeug (100) anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten (106) auszusenden, wobei die Positionsdaten (106) eine gemessene Position eines Fahrzeugs (100) repräsentieren; und eine Vorrichtung (110) gemäß Anspruch 10 zur Falschfahrererkennung, die ausgebildet ist, um die von der zumindest einen Sendeeinrichtung (102) ausgesendeten Positionsdaten (106) zu empfangen.
Computerprogramm, das dazu eingerichtet ist, das Verfahren gemäß einem der vorangegangenen Ansprüche auszuführen.
Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 12 gespeichert ist.