DE102016224576A1

DE102016224576A1 - Behavior model of road users for a driver assistance system comprising statistics on deviations from standard behavior

Info

Publication number: DE102016224576A1
Application number: DE102016224576.7A
Authority: DE
Inventors: Rujiao Yan; Stephan Kirstein; Ralph Grewe; Thomas Grotendorst; Matthias Schreier; Nicolai Glatz; Matthias Komar
Original assignee: Continental Teves AG and Co OHG
Current assignee: Continental Autonomous Mobility Germany GmbH
Priority date: 2016-12-09
Filing date: 2016-12-09
Publication date: 2018-06-14
Anticipated expiration: 2036-12-10
Also published as: DE102016224576B4

Abstract

Die Erfindung betrifft eine Recheneinheit sowie ein Verfahren zur verbesserten Prädiktion des Verhaltens anderer Verkehrsteilnehmer für ein Fahrerassistenzsystem. Dazu wird ein Verhaltensmodell verwendet, welches Statistiken zu Abweichungen von Normverhalten der Verkehrsteilnehmer umfasst. Unter Verwendung von Sensordaten werden die Statistiken zu Abweichungen vom Normverhalten laufend aktualisiert. Weiterhin können die Statistiken zu Abweichungen vom Normverhalten basierend auf Daten aktualisiert werden, die über eine Kommunikationseinheit von einem Remote-Server empfangen wurden. Die Statistiken zu Abweichungen vom Normverhalten hängen insbesondere von dem aktuellen Ort, der Ortsansässigkeit des Verkehrsteilnehmers, der Uhrzeit, dem Datum, dem Fahrzeugtyp und/oder dem Wetter ab.The invention relates to a computing unit and to a method for improved prediction of the behavior of other road users for a driver assistance system. For this purpose, a behavioral model is used, which includes statistics on deviations from standard behavior of road users. Using sensor data, statistics on deviations from standard behavior are constantly updated. Furthermore, deviance statistics may be updated based on data received via a communication unit from a remote server. The statistics on deviations from standard behavior depend in particular on the current location, the locality of the road user, the time of day, the date, the vehicle type and / or the weather.

Description

Gebiet der ErfindungField of the invention

Die Erfindung betrifft die Prädiktion des Verhaltens von Verkehrsteilnehmern für ein Fahrerassistenzsystem unter Verwendung eines Verhaltensmodells. Insbesondere betrifft die Erfindung eine Recheneinheit zum Lernen eines Verhaltensmodells von Verkehrsteilnehmern für ein Fahrerassistenzsystem, ein Fahrerassistenzsystem zur Unterstützung eines Fahrers eines Kraftfahrzeugs, sowie ein Verfahren zum Lernen eines Verhaltensmodells von Verkehrsteilnehmern für ein Fahrerassistenzsystem.The invention relates to the prediction of the behavior of road users for a driver assistance system using a behavioral model. In particular, the invention relates to a computing unit for learning a behavioral model of road users for a driver assistance system, a driver assistance system for assisting a driver of a motor vehicle, and a method for learning a behavioral model of road users for a driver assistance system.

Hintergrundbackground

Fahrerassistenzsysteme spielen eine wichtige Rolle zur Verbesserung der Sicherheit im Straßenverkehr. In der Regel verfügen heutige Kraftfahrzeuge bereits standardmäßig über eine Vielzahl von Fahrerassistenzsystemen. Diese Systeme werden laufend weiterentwickelt, während gleichzeitig neue Fahrerassistenzsysteme hinzukommen.Driver assistance systems play an important role in improving road safety. As a rule, today's motor vehicles already have a large number of driver assistance systems as standard. These systems are constantly evolving while new driver assistance systems are added.

Im Allgemeinen verwenden Fahrerassistenzsysteme Sensoren, um physikalische Kenngrößen des Kraftfahrzeugs oder seines Umfelds zu erfassen. Beispielsweise können Kamera-, Radar-, Lidar- oder Ultraschallsysteme verwendet werden, um das Umfeld des Kraftfahrzeugs zu erfassen. Die Sensorrohdaten werden vorzugsweise in einem Signalverarbeitungsschritt aufbereitet und analysiert. Dabei kann zum Beispiel aus Radardaten die Distanz und Richtung eines Objekts ermittelt werden. In general, driver assistance systems use sensors to detect physical characteristics of the motor vehicle or its environment. For example, camera, radar, lidar or ultrasound systems can be used to detect the environment of the motor vehicle. The sensor raw data are preferably processed and analyzed in a signal processing step. In this case, for example, the distance and direction of an object can be determined from radar data.

Anschließend können Daten verschiedener Sensorsysteme miteinander fusioniert werden. Nach der Sensordatenfusion liegen insbesondere Daten zu stationären und dynamischen Objekten, Freiräumen, Bodenmarkierungen wie zum Beispiel Fahrspurmarkierungen, Verkehrszeichen, Bodenunebenheiten etc. vor. Diese Daten werden in der nachfolgenden Szeneninterpretation weiterverarbeitet. Dabei kann überprüft werden, ob die Daten inhärente Widersprüche aufweisen. Außerdem kann eine momentane oder prädiktive Situationsanalyse erfolgen. Bei einer momentanen Situationsanalyse wird beispielsweise detektiert, ob Verkehrsteilnehmer sich auf einer bestimmten Fahrspur bewegen. Demgegenüber handelt es sich bei der Erkennung des Einscherens auf eine andere Fahrspur um eine prädiktive Situationsanalyse. Die Ergebnisse der Szeneninterpretation werden den einzelnen Fahrerassistenzfunktionen zur Verfügung gestellt, um eine Gesamtsituationsbewertung sowie Verhaltensentscheidungen zu treffen. Basierend auf den Verhaltensentscheidungen kann die Aktorik sowie die Mensch-Maschine-Schnittstelle des Kraftfahrzeugs beeinflusst werden.Subsequently, data from different sensor systems can be fused together. After the sensor data fusion in particular are data on stationary and dynamic objects, open spaces, floor markings such as lane markings, traffic signs, uneven floors, etc. These data are processed further in the subsequent scene interpretation. It can be checked whether the data have inherent contradictions. In addition, a momentary or predictive situation analysis can take place. In a current situation analysis, it is detected, for example, whether road users are moving in a specific traffic lane. On the other hand, detecting the shearing on another lane is a predictive situation analysis. The results of the scene interpretation are provided to the individual driver assistance functions to make an overall situation assessment as well as behavioral decisions. Based on the behavioral decisions, the actuation and the man-machine interface of the motor vehicle can be influenced.

Insbesondere bei der prädiktiven Situationsanalyse spielen Verhaltensmodelle zur Voraussage des Verhaltens von Verkehrsteilnehmern eine bedeutsame Rolle. Die Voraussagen können beispielsweise für Abstandsregeltempomate, Spurwechselassistenten, Stauassistenten oder Sicherheitssysteme zur Realisierung eines Notausweichens verwendet werden. Dabei stellt die Prädiktion des Verhaltens anderer Verkehrsteilnehmer ein nicht zu unterschätzendes technisches Problem dar. Bisherige Verhaltensmodelle benutzen kürzlich erhaltene Statusinformationen der Fahrzeuge (insbesondere Positions- und Geschwindigkeitsschätzwerte), Lichtsignale der Fahrzeuge (insbesondere Bremslicht- oder Blinklichtsignale) sowie aktuelle Verkehrs- und Lichtzeicheninformationen, um das Verhalten der Verkehrsteilnehmer vorherzusagen. Dabei wird angenommen, dass sich die Verkehrsteilnehmer regelkonform verhalten. Allerdings kann es vorkommen, dass Verkehrsteilnehmer die Verkehrsregeln nicht einhalten.Behavioral models for predicting the behavior of road users play an important role, especially in predictive situation analysis. The predictions may be used, for example, for adaptive cruise control, lane change assistants, congestion assistants, or safety systems to implement emergency evasion. Predicting the behavior of other road users represents a technical problem that should not be underestimated. Previous behavioral models use recently obtained status information of the vehicles (in particular position and speed estimates), vehicle light signals (in particular brake light or flashing light signals), and up-to-date traffic and traffic signal information to predict the behavior of road users. It is assumed that road users behave in conformity with the rules. However, it may happen that road users do not comply with the traffic rules.

Zusammenfassung der ErfindungSummary of the invention

Eine Aufgabe der Erfindung besteht darin, die Prädiktion des Verhaltens anderer Verkehrsteilnehmer zu verbessern. Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Weiterbildungen der Erfindung ergeben sich aus den Unteransprüchen und der folgenden Beschreibung.An object of the invention is to improve the prediction of the behavior of other road users. This object is solved by the subject matters of the independent claims. Further developments of the invention will become apparent from the dependent claims and the description below.

Die beschriebenen Ausführungsbeispiele betreffen gleichermaßen die Recheneinheit zum Lernen des Verhaltensmodells von Verkehrsteilnehmers für ein Fahrerassistenzsystem, das Fahrerassistenzsystem sowie das Verfahren zum Lernen des Verhaltensmodells. Mit anderen Worten können Merkmale, die im Folgenden in Bezug auf die Recheneinheit beschrieben werden, ebenso in das Fahrerassistenzsystem implementiert werden und als Merkmale des Verfahrens angesehen werden, und umgekehrt.The exemplary embodiments described likewise relate to the arithmetic unit for learning the behavior model of the road user for a driver assistance system, the driver assistance system and the method for learning the behavioral model. In other words, features that will be described below with respect to the computing unit may also be implemented in the driver assistance system and be considered as features of the method, and vice versa.

Aus unterschiedlichen Kombinationen der Ausführungsbeispiele können sich Synergieeffekte ergeben, auch wenn sich nicht im Detail beschrieben sind.Synergy effects can result from different combinations of the exemplary embodiments, even if they are not described in detail.

Ein erster Aspekt der Erfindung betrifft eine Recheneinheit zum Lernen eines Verhaltensmodells von Verkehrsteilnehmern für ein Fahrerassistenzsystem. Die Recheneinheit ist dazu ausgelegt, Sensordaten zu empfangen und aus den Sensordaten den aktuellen Status eines Verkehrsteilnehmers zu erfassen, wobei der Status insbesondere Position und Geschwindigkeit umfasst. Ferner ist die Recheneinheit dazu ausgelegt, den aktuellen Status des Verkehrsteilnehmers unter Verwendung des Verhaltensmodells und mindestens einem zu einem früheren Zeitpunkt erfassten Status des Verkehrsteilnehmers zu prädizieren. Dabei umfasst das Verhaltensmodell Statistiken zu Abweichungen von einem Normverhalten von Verkehrsteilnehmern und die Recheneinheit ist dazu ausgelegt, den aktuellen Status des Verkehrsteilnehmers unter Berücksichtigung der Statistiken zu Abweichungen von dem Normverhalten zu prädizieren. Weiterhin ist die Recheneinheit dazu ausgelegt, den prädizierten und den erfassten aktuellen Status des Verkehrsteilnehmers zu vergleichen und das Verhaltensmodell sowie die Statistiken zu Abweichungen von dem Normverhalten von Verkehrsteilnehmern basierend auf dem Ergebnis des Vergleichs des prädizierten und des erfassten aktuellen Status des Verkehrsteilnehmers zu aktualisieren.A first aspect of the invention relates to a computing unit for learning a behavioral model of road users for a driver assistance system. The arithmetic unit is designed to receive sensor data and to capture the current status of a road user from the sensor data, wherein the status includes, in particular, position and speed. Furthermore, the arithmetic unit is designed to predict the current status of the road user using the behavioral model and at least one status of the road user detected at an earlier point in time. It includes the Behavior Model Statistics on deviations from a standard behavior of road users and the computing unit are designed to predict the current status of the road user taking into account the statistics on deviations from the standard behavior. Furthermore, the arithmetic unit is designed to compare the predicted and the detected current status of the road user and to update the behavioral model and the statistics on deviations from the standard behavior of road users based on the result of the comparison of the predicted and the detected current status of the road user.

Die erfindungsgemäße Recheneinheit dient dem Lernen eines Verhaltensmodells von Verkehrsteilnehmern, wobei das Verhaltensmodell insbesondere zur Prädiktion des Verhaltens von Verkehrsteilnehmern verwendet wird. Die Informationen über das prädizierte Verhalten der Verkehrsteilnehmer kann verschiedenen Fahrerassistenzsystemen wie zum Beispiel adaptiven Geschwindigkeitsregelanlagen, Spurwechselassistenten, Stauassistenten oder Sicherheitssystemen zur Realisierung eines Notausweichens zur Verfügung gestellt werden. Die einzelnen Fahrerassistenzsysteme können die Informationen über das prädizierte Verhalten der Verkehrsteilnehmer verwenden, um die Gesamtsituation zu analysieren und geeignete Verhaltensentscheidungen zu treffen. Mit den Verhaltensentscheidungen wird üblicherweise die Aktorik und/oder die Mensch-Maschine-Schnittstelle des Kraftfahrzeugs beeinflusst.The arithmetic unit according to the invention serves to learn a behavioral model of road users, the behavioral model being used in particular for predicting the behavior of road users. The information about the predicted behavior of the road users can be made available to various driver assistance systems such as adaptive cruise control systems, lane change assistants, congestion assistants or safety systems for realizing an emergency evasion. The individual driver assistance systems can use the information about the predicted behavior of the road users to analyze the overall situation and make appropriate behavioral decisions. The behavioral decisions usually influence the actuators and / or the man-machine interface of the motor vehicle.

Fahrerassistenzsysteme umfassen in der Regel Sensoren, um physikalische Kenngrößen des Kraftfahrzeugs sowie dessen Umfelds zu erfassen. Die Erfassung des Umfelds kann beispielsweise mittels Kamera-, Radar-, Lidar- oder Ultraschallsystemen erfolgen. Die Sensorrohdaten werden in der Regel mit geeigneten Signalverarbeitungsverfahren aufbereitet. Beispielsweise können die von den Radarantennen empfangenen Wellenformen verstärkt, gefiltert, ins Basisband verschoben, abgetastet und digitalisiert werden. Weiterhin können mit digitalen Signalverarbeitungsverfahren die Distanzen, Relativgeschwindigkeiten und Richtungen anderer Verkehrsteilnehmer geschätzt werden. Die Recheneinheit kann dazu ausgeführt sein, die aufbereiteten Sensordaten wie beispielsweise Distanzen, Richtungen und Relativgeschwindigkeiten von Objekten zu empfangen und entsprechend weiter zu verarbeiten. Ferner kann die Recheneinheit dazu ausgelegt sein, Bilddaten einer Kamera zu empfangen.Driver assistance systems usually include sensors to detect physical characteristics of the motor vehicle and its environment. The detection of the environment can be done for example by means of camera, radar, lidar or ultrasound systems. The sensor raw data are usually processed with suitable signal processing methods. For example, the waveforms received by the radar antennas can be amplified, filtered, shifted to baseband, sampled, and digitized. Furthermore, with digital signal processing methods, the distances, relative speeds and directions of other road users can be estimated. The arithmetic unit can be designed to receive the processed sensor data such as distances, directions and relative velocities of objects and to process them accordingly. Furthermore, the arithmetic unit can be designed to receive image data of a camera.

Weiterhin kann die Recheneinheit aus den Sensordaten den aktuellen Status eines Verkehrsteilnehmers erfassen, wobei der Status eines Verkehrsteilnehmers insbesondere seine Position und Geschwindigkeit umfasst.Furthermore, the arithmetic unit can detect the current status of a road user from the sensor data, wherein the status of a road user includes in particular its position and speed.

Darüber hinaus ist die Recheneinheit dazu ausgelegt, den aktuellen Status des Verkehrsteilnehmers zu prädizieren, wobei das Verhaltensmodell und mindestens ein zu einem früheren Zeitpunkt erfasster Status des Verkehrsteilnehmers verwendet werden. Da der erfasste Status des Verkehrsteilnehmers Schätzfehler umfasst, kann die Genauigkeit der Prädiktion des Verhaltens der Verkehrsteilnehmer verbessert werden, indem Statusdaten mehrerer früherer Zeitpunkte berücksichtigt werden. Außerdem ist die Prädiktion des Verhaltens des Verkehrsteilnehmers in der Regel umso genauer, je kürzer die Zeitspanne ist, über die prädiziert wird. Des Weiteren kann die Recheneinheit dazu ausgeführt sein, das Verhalten der Verkehrsteilnehmer unter Berücksichtigung von Informationen zu Lichtsignalen wie Brems- oder Blinklichtsignalen sowie aktuellen Verkehrs- und Lichtzeicheninformationen zu prädizieren.In addition, the arithmetic unit is designed to predict the current status of the road user, using the behavioral model and at least one of the road user's status acquired at an earlier point in time. Since the detected status of the road user includes estimation errors, the accuracy of the prediction of the behavior of the road users can be improved by considering status data of several earlier times. In addition, the shorter the time span over which prediction is made, the more accurate the prediction of the behavior of the road user. Furthermore, the arithmetic unit can be designed to predict the behavior of the road users taking into account information about light signals such as brake or flashing light signals as well as current traffic and traffic light information.

Darüber hinaus umfasst das Verhaltensmodell Statistiken zu Abweichungen vom Normverhalten von Verkehrsteilnehmern. Als Normverhalten eines Verkehrsteilnehmers kann beispielsweise definiert werden, dass die Geschwindigkeit der momentan zulässigen Höchstgeschwindigkeit oder der empfohlenen Richtgeschwindigkeit entspricht. Abweichungen von diesem Normverhalten können insbesondere mittels einer Wahrscheinlichkeitsverteilung der Geschwindigkeit der Verkehrsteilnehmer beschrieben werden. Weiterhin kann als Normverhalten von Verkehrsteilnehmern definiert werden, dass die Verkehrsteilnehmer vor und während des Wechselns einer Fahrspur blinken. Da diesem Normverhalten nicht alle Verkehrsteilnehmer jederzeit entsprechen, umfasst das Verhaltensmodell vorteilhafterweise eine Statistik dafür, dass Verkehrsteilnehmer die Fahrspur wechseln ohne zu blinken. Die Statistiken zu Abweichungen vom Normverhalten können verwendet werden, um das Verhalten von Verkehrsteilnehmern unter Berücksichtigung von Abweichungen vom Normverhalten zu prädizieren. Die erfindungsgemäße Recheneinheit kann also dazu ausgelegt sein, Wahrscheinlichkeiten für vom Normverhalten abweichende Verhaltensweisen von Verkehrsteilnehmern zu berechnen und die Konsequenzen dieser Verhaltensweisen den Fahrerassistenzfunktionen anzuzeigen. Unter Kenntnis der prädizieren Verhaltensweisen der Verkehrsteilnehmer und ihrer Wahrscheinlichkeiten können die Fahrerassistenzfunktionen geeignete Verhaltensentscheidungen treffen. Beispielsweise kann die Recheneinheit dazu ausgelegt sein, die Wahrscheinlichkeit zu berechnen, dass ein Verkehrsteilnehmer die Fahrspur wechselt, ohne vorher zu blinken. Unter Kenntnis dieser Wahrscheinlichkeit und des zugehörigen prädizierten Status des Verkehrsteilnehmers kann zum Beispiel ein Abstandsregeltempomat eine Reduktion der Geschwindigkeit bewirken, um eine Gefahrensituation zu vermeiden, obwohl das Nichtblinken des Verkehrsteilnehmers darauf hindeutet, dass er die Fahrspur nicht wechseln und die Gefahrensituation nicht eintreten wird.In addition, the behavioral model includes statistics on deviations from the standard behavior of road users. For example, it can be defined as the standard behavior of a road user that the speed corresponds to the currently permissible maximum speed or the recommended directional speed. Deviations from this standard behavior can be described in particular by means of a probability distribution of the speed of the road users. Furthermore, it can be defined as standard behavior of road users that the road users flash before and during the change of a traffic lane. Since not all road users comply with this standard behavior at all times, the behavior model advantageously includes statistics for the fact that road users change the lane without flashing. The statistics on deviations from standard behavior can be used to predict the behavior of road users taking into account deviations from standard behavior. The arithmetic unit according to the invention can thus be designed to calculate probabilities for behaviors deviating from standard behavior of road users and to indicate the consequences of these behaviors to the driver assistance functions. Knowing the predicted behaviors of the road users and their probabilities, the driver assistance functions may make appropriate behavioral decisions. For example, the arithmetic unit may be configured to calculate the probability that a road user changes the lane without first flashing. Knowing this probability and the associated predicted status of the road user, for example, an adaptive cruise control can cause a reduction of the speed in order to avoid a dangerous situation, although the non-flashing of the road user suggesting that he will not change the lane and the danger situation will not occur.

Der Vergleich des erfassten aktuellen Status des Verkehrsteilnehmers und des unter Verwendung des Verhaltensmodells prädizierten Status erlaubt Rückschlüsse auf die Qualität des Verhaltensmodells. Insbesondere sollte der erfasste aktuelle Status des Verkehrsteilnehmers in Anbetracht des Verhaltensmodells plausibel erscheinen. Daher ist die erfindungsgemäße Recheneinheit dazu ausgelegt, den erfassten aktuellen Status des Verkehrsteilnehmers mit dem prädizierten Status zu vergleichen und Parameter des Verhaltensmodells basierend auf dem Ergebnis des Vergleichs zu aktualisieren. Bei diesen Parametern des Verhaltensmodells handelt es sich insbesondere um die Statistiken zu Abweichungen vom Normverhalten. Dabei können verschiedene Algorithmen des maschinellen Lernens verwendet werden, um die Parameter des Verhaltensmodells basierend auf dem Ergebnis des Vergleichs des erfassten aktuellen Status des Verkehrsteilnehmers und des prädizierten Status des Verkehrsteilnehmers zu aktualisieren.The comparison of the detected current status of the road user and the status predicted using the behavioral model allows conclusions to be drawn about the quality of the behavioral model. In particular, the detected current status of the road user should appear plausible in view of the behavioral model. Therefore, the calculation unit according to the invention is designed to compare the detected current status of the road user with the predicted status and to update parameters of the behavioral model based on the result of the comparison. These parameters of the behavioral model are in particular the statistics for deviations from standard behavior. Various algorithms of machine learning may be used to update the parameters of the behavioral model based on the result of the comparison of the detected current status of the road user and the predicted status of the road user.

Gemäß einer weiteren Ausführungsform ist die Recheneinheit dazu ausgelegt, aus den Sensordaten mindestens eine der Kenngrößen aktueller Ort, Ortsansässigkeit des Verkehrsteilnehmers, Ortskunde des Verkehrsteilnehmers, Fahrzeugtyp, Uhrzeit, Datum und Wetter zu erfassen. Weiterhin ist die Recheneinheit dazu ausgelegt, Statistiken zu Abweichungen von dem Normverhalten in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Ortsansässigkeit des Verkehrsteilnehmers, Ortskunde des Verkehrsteilnehmers, Fahrzeugtyp, Uhrzeit, Datum und Wetter zu berechnen und zu aktualisieren.According to a further embodiment, the arithmetic unit is designed to record from the sensor data at least one of the parameters current location, locality of the road user, local customer of the road user, vehicle type, time, date and weather. Furthermore, the arithmetic unit is designed to calculate and update statistics on deviations from the standard behavior as a function of at least one of the parameters current location, resident of the road user, local customer of the road user, vehicle type, time, date and weather.

Die Recheneinheit kann Informationen über den aktuellen Ort, die Ortsansässigkeit des Verkehrsteilnehmers, die Ortskunde des Verkehrsteilnehmers, den Fahrzeugtyp, die Uhrzeit, das Datum sowie das Wetter aus Daten unterschiedlicher Sensorsysteme gewinnen. Insbesondere kann die Recheneinheit dazu ausgelegt sein, Informationen über den aktuellen Ort von einem Navigationsempfänger zu empfangen und weiter zu verarbeiten. Dabei handelt es sich beispielsweise um einen GPS-, GLONASS-, Galileo- oder Beidou-Empfänger. Ferner kann die Recheneinheit dazu ausgeführt sein, Bilddaten einer Kamera zu empfangen und aus den Bilddaten Informationen über den aktuellen Ort zu gewinnen. Zur Erfassung der Ortsansässigkeit des Verkehrsteilnehmers kann die Recheneinheit dazu ausgeführt sein, Bilddaten einer Kamera zu empfangen und in den Bilddaten das Kennzeichen des Verkehrsteilnehmers und insbesondere das Unterscheidungszeichen zu detektieren. Dabei besteht das Unterscheidungszeichen aus bis zu drei Buchstaben, die den Verwaltungsbezirk der Zulassungsbehörde des Kraftfahrzeugs kennzeichnen. Aus datenschutzrechtlichen Gründen kann die Recheneinheit dazu ausgeführt sein, einen Hash-Wert des Unterscheidungszeichens zu berechnen und neben dem Status für das Kraftfahrzeug zu speichern. Darüber hinaus kann die Recheneinheit dazu ausgeführt sein, den aktuellen Ort und die Ortsansässigkeit des Verkehrsteilnehmers zu vergleichen und so einen Hinweis auf die Ortskunde des Verkehrsteilnehmers zu gewinnen. Außerdem kann die Recheneinheit dazu ausgeführt sein, Bilddaten einer Kamera zu empfangen und aus den Bilddaten den Fahrzeugtyp zu bestimmen. Insbesondere kann die Recheneinheit dazu ausgeführt sein, Pkw von Lkw zu unterscheiden. Ferner kann die Recheneinheit dazu ausgeführt sein, die Fahrzeuge der Verkehrsteilnehmer entsprechend ihrer Geschwindigkeit zu klassifizieren. Beispielsweise kann ein Nissan Micra einer anderen Geschwindigkeitsklasse zugeordnet werden als ein Porsche 911. The arithmetic unit can obtain information about the current location, the residency of the road user, the local customer of the road user, the vehicle type, the time, the date and the weather from data from different sensor systems. In particular, the arithmetic unit can be designed to receive information about the current location from a navigation receiver and to process it further. These are, for example, a GPS, GLONASS, Galileo or Beidou receiver. Furthermore, the arithmetic unit can be designed to receive image data from a camera and to obtain information about the current location from the image data. In order to detect the locality of the road user, the arithmetic unit can be designed to receive image data of a camera and to detect in the image data the license plate of the road user and in particular the distinguishing sign. The distinguishing sign consists of up to three letters identifying the administrative district of the vehicle registration office. For reasons of data protection law, the arithmetic unit can be designed to calculate a hash value of the distinguishing sign and store it next to the status for the motor vehicle. In addition, the arithmetic unit can be designed to compare the current location and the residency of the road user and to gain an indication of the local customer of the road user. In addition, the arithmetic unit may be designed to receive image data from a camera and to determine the vehicle type from the image data. In particular, the computing unit may be designed to distinguish cars from trucks. Furthermore, the arithmetic unit can be designed to classify the vehicles of the road users according to their speed. For example, a Nissan Micra can be assigned to a different speed class than a Porsche 911.

Die Recheneinheit kann auch dazu ausgelegt sein, Uhrzeit und Datum von einem GPS-Empfänger zu empfangen. Alternativ kann die Recheneinheit dazu ausgelegt sein, Informationen über Uhrzeit und Datum von einem Zeitgeber des Kraftfahrzeugs zu empfangen. Ferner kann die Recheneinheit dazu ausgelegt sein, Bilddaten einer Kamera sowie weiterer Sensoren zu empfangen, um Informationen über das Wetter zu gewinnen.The computing unit may also be configured to receive time and date from a GPS receiver. Alternatively, the arithmetic unit may be configured to receive information about the time and date from a timer of the motor vehicle. Furthermore, the arithmetic unit can be designed to receive image data from a camera and from other sensors in order to obtain information about the weather.

Gemäß einer weiteren Ausführungsform ist die Recheneinheit dazu ausgeführt, über eine Kommunikationseinheit statistische Daten zu Abweichungen von dem Normverhalten von Verkehrsteilnehmern an einen Remote-Server zu senden.According to a further embodiment, the arithmetic unit is designed to send statistical data about deviations from the standard behavior of road users to a remote server via a communication unit.

Die Recheneinheit kann dazu ausgeführt sein, die Statistiken zu Abweichungen vom Normverhalten laufend unter Verwendung des Ergebnisses des Vergleichs des aktuellen Status eines Verkehrsteilnehmers und des prädizierten Status des Verkehrsteilnehmers zu aktualisieren. Um die so gewonnenen statistischen Daten auch anderen Verkehrsteilnehmern mit einer erfindungsgemäßen Recheneinheit zur Verfügung zu stellen, kann die Recheneinheit dazu ausgeführt sein, in regelmäßigen oder unregelmäßigen Zeitabständen die statistischen Daten zu Abweichungen vom Normverhalten über eine Kommunikationseinheit an einen Remote-Server zu senden. Dabei kann die Recheneinheit die Übertragung der statistischen Daten zu Abweichungen vom Normverhalten an den Remote-Server selbst initiieren. Alternativ kann der Remote-Server die statistischen Daten zu Abweichungen vom Normverhalten bei der Recheneinheit abfragen. Der Remote-Server ist vorzugsweise dazu ausgeführt, statistische Daten zu Abweichungen vom Normverhalten von einer Vielzahl von Verkehrsteilnehmern mit einer erfindungsgemäßen Recheneinheit zu empfangen und die statistischen Daten zu fusionieren. Dem Remote-Server steht also eine große Wissensbasis zur Verfügung, sodass der Remote-Server die Statistiken zu Abweichungen vom Normverhalten der Verkehrsteilnehmer präzise berechnen kann.The arithmetic unit may be configured to continuously update the deviations from standard behavior statistics using the result of the comparison of the current status of a road user and the predicted status of the road user. In order to make the statistical data thus obtained available to other road users with a computing unit according to the invention, the computing unit can be designed to transmit the statistical data on deviations from standard behavior via a communication unit to a remote server at regular or irregular intervals. In this case, the arithmetic unit can initiate the transmission of the statistical data to deviations from the standard behavior to the remote server itself. Alternatively, the remote server can query the statistical data for deviations from the standard behavior in the arithmetic unit. The remote server is preferably designed to receive statistical data on deviations from the standard behavior of a plurality of road users with a computing unit according to the invention and the to merge statistical data. The remote server thus has a large knowledge base available, so that the remote server can calculate the statistics for deviations from the standard behavior of road users precisely.

Gemäß einer weiteren Ausführungsform ist die Recheneinheit dazu ausgelegt, über die Kommunikationseinheit statistische Daten zu Abweichungen von dem Normverhalten von Verkehrsteilnehmern von dem Remote-Server zu empfangen, und die in dem Verhaltensmodell verwendeten Statistiken zu Abweichungen vom Normverhalten basierend auf den von dem Remote-Server empfangenen statistischen Daten zu Abweichungen von dem Normverhalten zu aktualisieren.According to a further embodiment, the arithmetic unit is adapted to receive statistical data on deviations from the standard behavior of road users from the remote server via the communication unit, and the statistics used in the behavior model to deviations from the standard behavior based on those received from the remote server update statistical data on deviations from standard behavior.

Wie zuvor erläutert, kann der Remote-Server dazu ausgelegt sein, statistische Daten zu Abweichungen vom Normverhalten von einer Vielzahl von Verkehrsteilnehmern mit einer erfindungsgemäßen Recheneinheit zu empfangen und zu fusionieren. Ferner kann der Remote-Server dazu ausgelegt sein, die fusionierten statistischen Daten zu Abweichungen vom Normverhalten an Verkehrsteilnehmer mit einer erfindungsgemäßen Recheneinheit zu senden. Dementsprechend ist die Recheneinheit zum Lernen eines Verhaltensmodells vorzugsweise dazu ausgelegt, über die Kommunikationseinheit statistische Daten zu Abweichungen vom Normverhalten von dem Remote-Server zu empfangen und die in dem Verhaltensmodell verwendeten Statistiken zu Abweichungen vom Normverhalten basierend auf den von dem Remote-Server empfangenen statistischen Daten zu aktualisieren. Insbesondere kann die Recheneinheit dazu ausgelegt sein, die bisherigen statistischen Daten zu Abweichungen vom Normverhalten durch die von dem Remote Server empfangenen statistischen Daten zu Abweichungen vom Normverhalten zu ersetzen. Alternativ kann die Recheneinheit dazu ausgelegt sein, die bisherigen statistischen Daten zu Abweichungen vom Normverhalten des Verhaltensmodells und die von dem Remote-Server empfangenen statistischen Daten zu Abweichungen vom Normverhalten zu kombinieren.As explained above, the remote server can be designed to receive and fuse statistical data on deviations from the standard behavior of a large number of road users with a computing unit according to the invention. Furthermore, the remote server can be designed to send the fused statistical data for deviations from the standard behavior to road users with a computing unit according to the invention. Accordingly, the arithmetic unit for learning a behavioral model is preferably adapted to receive statistical data on deviations from the standard behavior from the remote server via the communication unit and the statistics used in the behavioral model for deviations from the standard behavior based on the statistical data received from the remote server to update. In particular, the arithmetic unit can be designed to replace the previous statistical data on deviations from the standard behavior by the statistical data received from the remote server to deviations from the standard behavior. Alternatively, the arithmetic unit can be designed to combine the previous statistical data on deviations from the standard behavior of the behavioral model and the statistical data received from the remote server to deviations from the standard behavior.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum Wechseln der Fahrspur ohne Blinken auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum Wechseln der Fahrspur ohne Blinken in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Ortsansässigkeit des Verkehrsteilnehmers, Ortskunde des Verkehrsteilnehmers und Fahrzeugtyp zu berechnen und zu aktualisieren.According to a further embodiment, the behavioral model has a statistic for changing the traffic lane without flashing, and the arithmetic unit is designed to change the traffic lane statistics without flashing as a function of at least one of the parameters current location, location of the road user, local customer of the road user and Vehicle type to calculate and update.

Das Wechseln der Fahrspur von Verkehrsteilnehmern spielt unter anderem für Abstandsregeltempomate eine wichtige Rolle. Dabei wird detektiert, ob andere Verkehrsteilnehmer auf die eigene Fahrspur schwenken. Das Blinken eines Verkehrsteilnehmers kann hierfür wertvolle Informationen bereitstellen. Allerdings können Verkehrsteilnehmer die Fahrspur auch wechseln, ohne zu blinken. Um gefährliche Situationen oder gar Unfälle zu vermeiden, wird bei der Prädiktion des Verhaltens von Verkehrsteilnehmern vorteilhafterweise berücksichtigt, dass diese die Fahrspur wechseln können, ohne zu blinken. Das erfindungsgemäße Verhaltensmodell weist dazu eine Statistik zum Wechseln der Fahrspur ohne Blinken auf. Diese Statistik kann Wahrscheinlichkeiten zum Wechseln der Fahrspur ohne Blinken umfassen, die von dem aktuellen Ort, der Ortsansässigkeit des Verkehrsteilnehmers, der Ortskunde des Verkehrsteilnehmers sowie dem Fahrzeugtyp abhängen.Switching the lane of road users plays an important role, among other things, for adaptive cruise control. It is detected whether other road users pan to their own lane. The flashing of a road user can provide valuable information for this purpose. However, road users can change the lane without flashing. In order to avoid dangerous situations or even accidents, it is advantageously taken into account in the prediction of the behavior of road users that they can change the lane without flashing. The behavioral model according to the invention has statistics for changing lanes without flashing. This statistic may include lane-changing likelihoods that depend on the current location, location of the road user, locality of the road user, and vehicle type.

Beispielsweise kann die Recheneinheit dazu ausgeführt sein, basierend auf dem aktuellen Ort und der Ortsansässigkeit des Verkehrsteilnehmers zu detektieren, ob der Verkehrsteilnehmer auf eine andere Fahrspur wechseln müsste, um in die Richtung seiner Ortsansässigkeit zu fahren. Ferner kann die Recheneinheit dazu ausgeführt sein, basierend auf dem Ergebnis dieser Detektion unterschiedliche Wahrscheinlichkeiten für das Wechseln der Fahrspur ohne Blinken zu lernen und zur Prädiktion des Verhaltens der Verkehrsteilnehmer zu verwenden.For example, the arithmetic unit may be designed to detect, based on the current location and the locality of the road user, whether the road user would have to change to another lane in order to drive in the direction of his residency. Furthermore, the arithmetic unit may be designed to learn different lane change likelihoods without flashing based on the result of this detection and to use it to predict the behavior of the road users.

Wie oben bereits dargelegt kann aufgrund eines Vergleichs des aktuellen Orts und der Ortsansässigkeit des Verkehrsteilnehmers ein Hinweis auf dessen Ortskunde gewonnen werden. Ortsfremde Verkehrsteilnehmer brauchen in der Regel einige Zeit, um sich zu orientieren. Aufgrund dieser zusätzlichen Belastung können ortsfremde Verkehrsteilnehmer vermehrt Fehler machen, also zum Beispiel die Fahrspur wechseln, ohne zu blinken. Aus diesem Grund kann die Recheneinheit dazu ausgeführt sein, unterschiedliche Wahrscheinlichkeiten für das Wechseln der Fahrspur ohne Blinken für ortsfremde und ortskundige Verkehrsteilnehmer zu lernen und zu verwenden, um das Verhaltens der Verkehrsteilnehmer zu prädizieren.As already explained above, based on a comparison of the current location and the locality of the road user, an indication of their local customer can be obtained. Non-local road users usually need some time to get their bearings. Due to this additional burden non-local road users can make more mistakes, so for example change the lane without flashing. For this reason, the arithmetic unit can be designed to learn and use different lane-changing likelihoods without flashing for non-local and local road users in order to predict the behavior of the road users.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum Überschreiten einer zulässigen Höchstgeschwindigkeit auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum Überschreiten der zulässigen Höchstgeschwindigkeit in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Ortsansässigkeit des Verkehrsteilnehmers, Ortskunde des Verkehrsteilnehmers und Fahrzeugtyp zu berechnen und zu aktualisieren.According to a further embodiment, the behavioral model has a statistic for exceeding a permissible maximum speed, and the arithmetic unit is configured to transmit the statistics for exceeding the permissible maximum speed as a function of at least one of the parameters current location, locality of the road user, local customer of the road user and vehicle type calculate and update.

Das Überschreiten der zulässigen Höchstgeschwindigkeit ist eine weitere Ausprägungsform eines von der Norm abweichenden Verhaltens. Ein Verhaltensmodell, das regelkonformes Verhalten aller Verkehrsteilnehmer voraussetzt, führt bei einer Überschreitung der zulässigen Höchstgeschwindigkeit zu falschen Voraussagen über das Verhalten der Verkehrsteilnehmer. Um diese Modellfehler zu vermeiden, weist das erfindungsgemäße Verhaltensmodell eine Statistik zum Überschreiten der zulässigen Höchstgeschwindigkeit auf. Diese Statistik kann Wahrscheinlichkeitsverteilungen für die Geschwindigkeit oder eine normierte Geschwindigkeit umfassen, wobei die Geschwindigkeit zum Beispiel auf die zulässige Höchstgeschwindigkeit normiert ist.Exceeding the maximum permissible speed is another characteristic of a behavior deviating from the norm. A behavioral model, which presupposes rules-compliant behavior of all road users, leads to a Exceeding the maximum speed allowed for incorrect predictions about the behavior of road users. In order to avoid these model errors, the behavioral model according to the invention has a statistic for exceeding the permissible maximum speed. This statistic may include probability distributions for the velocity or a normalized velocity, the velocity being normalized to the maximum permissible velocity, for example.

Ortskundige Verkehrsteilnehmer neigen eventuell eher zu überhöhten Geschwindigkeiten als ortsfremde Verkehrsteilnehmer. Aus diesem Grund kann die erfindungsgemäße Recheneinheit dazu ausgeführt sein, für ortskundige und ortsfremde Verkehrsteilnehmer unterschiedliche Wahrscheinlichkeitsverteilung für das Überschreiten der Höchstgeschwindigkeit zu lernen und bei der Prädiktion des Verhaltens der Verkehrsteilnehmer zu verwenden.Local road users tend to be more likely to excessive speeds than non-local road users. For this reason, the arithmetic unit according to the invention can be designed to learn different probability distribution for exceeding the maximum speed for local knowledge and non-local road users and to use it in the prediction of the behavior of the road users.

Weiterhin neigen Fahrer schneller Pkws eventuell eher zu einer Überschreitung der Höchstgeschwindigkeit als zum Beispiel Fahrer eines langsamen Pkws oder eines Lkws. Aus diesem Grund kann die erfindungsgemäße Recheneinheit dazu ausgeführt sein, für schnelle Pkws bzw. Pkws eines ersten Typs eine unterschiedliche Wahrscheinlichkeitsverteilung für das Überschreiten der Höchstgeschwindigkeit bei der Prädiktion des Verhaltens zu verwenden als für langsame Pkws bzw. Pkws eines zweiten Typs oder Lkws. Die Recheneinheit kann auch detektieren, ob es sich um einen Pkw ersten oder zweiten Typs handelt.Furthermore, drivers of faster cars may be more likely to exceed the maximum speed than, for example, drivers of a slow car or a truck. For this reason, the computing unit according to the invention can be designed to use a different probability distribution for exceeding the maximum speed in the prediction of behavior for fast cars of a first type than for slow cars of a second type or truck. The arithmetic unit can also detect whether it is a car of the first or second type.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum Nichteinhalten des Sicherheitsabstandes zu einem vorausfahrenden Fahrzeug auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum Nichteinhalten des Sicherheitsabstandes zu einem vorausfahrenden Fahrzeug in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Ortsansässigkeit des Verkehrsteilnehmers, Ortskunde des Verkehrsteilnehmers, Uhrzeit und Fahrzeugtyp zu berechnen und zu aktualisieren.According to a further embodiment, the behavioral model has a statistic for non-compliance with the safety distance to a preceding vehicle, and the arithmetic unit is configured to display the statistics for non-compliance with the safety distance to a preceding vehicle as a function of at least one of the parameters current location, locality of the road user, Local customer of the road user, time and vehicle type to calculate and update.

Das Nichteinhalten des Sicherheitsabstandes zu einem vorausfahrenden Fahrzeug hat ein erhebliches Gefährdungspotenzial. Daher ist es bedeutsam, diese Verhalten bei der Prädiktion des Verhaltens der Verkehrsteilnehmer zu berücksichtigen. Das erfindungsgemäße Verhaltensmodell kann aus diesem Grund eine Statistik zum Nichteinhalten des Sicherheitsabstandes zu einem vorausfahrenden Fahrzeug aufweisen. Demgemäß kann die Recheneinheit dazu ausgeführt sein, die Statistik zum Nichteinhalten des Sicherheitsabstandes zu einem vorausfahrenden Fahrzeug zu lernen und für die Prädiktion des Verkehrsteilnehmerverhaltens zu verwenden.Non-compliance with the safety distance to a vehicle in front has a significant potential hazard. Therefore, it is important to consider these behaviors when predicting the behavior of road users. For this reason, the behavioral model according to the invention can have statistics for non-compliance with the safety distance to a vehicle in front. Accordingly, the arithmetic unit may be configured to learn the statistics for not following the safe distance to a preceding vehicle and to use it for the prediction of the road user behavior.

Fahrer schneller Pkws neigen eventuell eher dazu, den Sicherheitsabstand zu vorausfahrenden Pkws nicht einzuhalten wie Fahrer langsamer Pkws. Aus diesem Grund kann die erfindungsgemäße Recheneinheit dazu ausgelegt sein, Bilddaten einer Kamera zu empfangen und den Fahrzeugtyp anderer Verkehrsteilnehmer in den Bilddaten zu detektieren. Ferner kann die Recheneinheit dazu ausgelegt sein, für Fahrer schneller und langsamer Fahrzeuge unterschiedliche Wahrscheinlichkeiten für das Nichteinhalten des Sicherheitsabstandes zu einem vorausfahrenden Fahrzeug zu lernen und bei der Prädiktion des Verkehrsteilnehmerverhaltens zu verwenden.Drivers of fast cars may be more likely to avoid the safety distance to cars in front than drivers of slow cars. For this reason, the arithmetic unit according to the invention can be designed to receive image data from a camera and to detect the vehicle type of other road users in the image data. Furthermore, the arithmetic unit can be designed to learn different probabilities for the driver of fast and slow vehicles for non-compliance with the safety distance to a preceding vehicle and to use in the prediction of the road user behavior.

Darüber hinaus neigen Lkw-Fahrer insbesondere auf Autobahnen aufgrund von Zeitdruck zur Nichteinhaltung des Sicherheitsabstands zu vorausfahrenden Fahrzeugen. Die erfindungsgemäße Recheneinheit kann daher dazu ausgelegt sein, Lkws in den Bilddaten einer Kamera zu detektieren. Weiterhin kann die Recheneinheit dazu ausgelegt sein, aus den Bilddaten oder aus Daten anderer Sensoren das Fahren auf einer Autobahn zu detektieren. Dementsprechend kann die Recheneinheit dazu ausgelegt sein, für Lkws auf Autobahnen eine dedizierte Wahrscheinlichkeit für das Nichteinhalten des Sicherheitsabstandes zu einem vorausfahrenden Fahrzeug zu lernen und bei der Prädiktion des Verkehrsteilnehmerverhaltens zu verwenden.In addition, truck drivers, especially on motorways, are prone to failing to maintain a safe distance to vehicles in front due to time pressure. The computing unit according to the invention can therefore be designed to detect trucks in the image data of a camera. Furthermore, the arithmetic unit can be designed to detect driving on a motorway from the image data or from data from other sensors. Accordingly, the arithmetic unit may be adapted to learn for lorries on highways a dedicated probability for not keeping the safe distance to a preceding vehicle and to use in the prediction of road user behavior.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum verspäteten Blinken vor dem Abbiegen auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum verspäteten Blinken vor dem Abbiegen in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Ortsansässigkeit des Verkehrsteilnehmers, Ortskunde des Verkehrsteilnehmers und Fahrzeugtyp zu berechnen und zu aktualisieren.According to a further embodiment, the behavioral model has a statistic for the delayed flashing before turning off, and the arithmetic unit is designed to display the delayed flashing statistics depending on at least one of the current location, local resident of the road user, local customer of the road user and Vehicle type to calculate and update.

Wie oben bereits erläutert stellen Lichtsignale wichtige Informationen zur Prädiktion des Verhaltens von Verkehrsteilnehmern dar. Allerdings können Verkehrsteilnehmer beispielsweise nicht oder zu spät vor dem Abbiegen blinken. Die erfindungsgemäße Recheneinheit kann dazu ausgeführt sein, ein Verhaltensmodell mit einer Statistik zum verspäteten Blinken vor dem Abbiegen zu lernen und für die Prädiktion des Verhaltens der Verkehrsteilnehmer zu verwenden. Dabei kann die Statistik zum verspäteten Blinken vor dem Abbiegen vom aktuellen Ort, der Ortsansässigkeit des Verkehrsteilnehmers, der Ortskunde des Verkehrsteilnehmers und/oder dem Fahrzeugtyp abhängen.As already explained above, light signals represent important information for predicting the behavior of road users. However, road users, for example, can not blink or blink too late before turning. The arithmetic unit according to the invention can be designed to learn a behavioral model with a delayed flash statistic before turning and to use it for the prediction of the behavior of the road users. In this case, the delayed flashing statistics before turning off may depend on the current location, the locality of the road user, the local customer of the road user and / or the type of vehicle.

Beispielsweise kann die Recheneinheit dazu ausgeführt sein, den aktuellen Ort und die Ortsansässigkeit des Verkehrsteilnehmers zu vergleichen und so einen Hinweis auf die Ortskunde des Verkehrsteilnehmers zu gewinnen. Ortsfremde Verkehrsteilnehmer benötigen einige Zeit, um sich zu orientieren und die lokalen Begebenheiten zu erfassen. Aufgrund dieser zusätzlichen Belastung unterlaufen ortsfremden Verkehrsteilnehmern in der Regel mehr Fehler als ortskundigen Verkehrsteilnehmern. Aus diesem Grund neigen ortsfremde Verkehrsteilnehmer möglicherweise zu verspätetem Blinken vor dem Abbiegen. Das Verhaltensmodell kann daher unterschiedliche Wahrscheinlichkeiten für verspätetes Blinken vor dem Abbiegen für ortskundige und ortsfremde Verkehrsteilnehmer umfassen.For example, the arithmetic unit may be adapted to the current location and the Resident of the road user to compare and so gain an indication of the local customer of the road user. Non-local road users need some time to orient themselves and to grasp the local circumstances. As a result of this additional burden, non-local road users generally make more mistakes than local road users. For this reason, non-local road users may be prone to late blinking before turning. The behavioral model may therefore include different late blinking probabilities for off-highway and off-highway users.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum unerwarteten Bremsen oder Anhalten auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum unerwarteten Bremsen oder Anhalten in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Ortsansässigkeit des Verkehrsteilnehmers, Ortskunde des Verkehrsteilnehmers und Fahrzeugtyp zu berechnen und zu aktualisieren.According to a further embodiment, the behavioral model has statistics for unexpected braking or stopping, and the computing unit is configured to provide the statistics for unexpected braking or stopping depending on at least one of the current location, locality of the road user, local customer of the road user, and vehicle type calculate and update.

Zum Beispiel neigen ortsfremde Verkehrsteilnehmer zu unerwartetem Bremsen oder Anhalten, um nach dem Weg zu fragen. Um dieses von der Norm abweichende Verhalten bei der Prädiktion des Verhaltens von Verkehrsteilnehmern berücksichtigen zu können, kann die erfindungsgemäße Recheneinheit dazu ausgeführt sein, ein Verhaltensmodell mit einer Statistik zum unerwarteten Bremsen oder Anhalten zu lernen. Dabei können für ortsfremde und ortskundige Verkehrsteilnehmer unterschiedliche Wahrscheinlichkeiten für unerwartetes Bremsen oder Anhalten gelernt und für die Prädiktion des Verkehrsteilnehmerverhaltens verwendet werden.For example, non-local road users tend to unexpectedly brake or stop to ask for directions. In order to be able to take this deviant behavior into account in the prediction of the behavior of road users, the arithmetic unit according to the invention can be designed to learn a behavioral model with statistics for unexpected braking or stopping. In this case, different probabilities for unexpected braking or stopping can be learned and used for the prediction of road user behavior for non-local and local road users.

Die Statistik zum unerwarteten Bremsen oder Anhalten kann auch von dem aktuellen Ort und dem Fahrzeugtyp abhängen. Beispielsweise neigen Lieferwagen in Wohn- und Gewerbegebieten zu unerwartetem Bremsen oder Anhalten, um Lieferungen zuzustellen. Demgemäß kann die Recheneinheit dazu ausgeführt sein, Bilddaten einer Kamera zu empfangen und mittels der Bilddaten Lieferwagen zu detektieren. Ferner kann die Recheneinheit dazu ausgelegt sein, mittels der Bilddaten einer Kamera oder mittels Positionsdaten eines Navigationsempfängers zu bestimmen, ob sich der aktuelle Ort in einem Wohn- oder Gewerbegebiet befindet. Die Recheneinheit kann daher dazu ausgelegt sein, in Abhängigkeit von dem aktuellen Ort und dem Fahrzeugtyp unterschiedliche Wahrscheinlichkeiten für unerwartetes Bremsen oder Anhalten zu lernen und für die Prädiktion des Verkehrsteilnehmerverhaltens zu verwenden.The unexpected braking or stopping statistics may also depend on the current location and type of vehicle. For example, vans in residential and commercial areas are prone to unexpected braking or stopping to deliver. Accordingly, the arithmetic unit may be configured to receive image data from a camera and to detect delivery trucks by means of the image data. Furthermore, the arithmetic unit can be designed to determine, by means of the image data of a camera or by means of position data of a navigation receiver, whether the current location is located in a residential or commercial area. The arithmetic unit may therefore be designed to learn different probabilities for unexpected braking or stopping, depending on the current location and the vehicle type, and to use them for the prediction of the road user behavior.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum Überfahren einer gelben oder roten Ampel auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum Überfahren einer gelben oder roten Ampel in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Ortsansässigkeit des Verkehrsteilnehmers, Ortskunde des Verkehrsteilnehmers und Fahrzeugtyp zu berechnen und zu aktualisieren.According to a further embodiment, the behavioral model has a statistic for driving over a yellow or red traffic light, and the arithmetic unit is designed to display the statistics for driving over a yellow or red traffic light as a function of at least one of the parameters current location, locality of the road user, local customer of Road user and vehicle type to calculate and update.

Das Überfahren einer gelben oder roten Ampel kann erhebliche Gefahren für andere Verkehrsteilnehmer zur Folge haben. Daher ist es wichtig, dass bei der Prädiktion des Verhaltens von Verkehrsteilnehmern die Möglichkeit des Überfahrens einer gelben oder roten Ampel berücksichtigt wird. Daher ist die erfindungsgemäße Recheneinheit dazu ausgelegt, ein Verhaltensmodell mit einer Statistik für das Überfahren einer gelben oder roten Ampel zu lernen und für die Prädiktion des Verkehrsteilnehmerverhaltens zu verwenden. Dabei kann die Statistik zum Überfahren einer gelben oder roten Ampel von dem aktuellen Ort, der Ortsansässigkeit des Verkehrsteilnehmers, der Ortskunde des Verkehrsteilnehmers und dem Fahrzeugtyp abhängen.Driving over a yellow or red traffic light can result in considerable danger for other road users. Therefore, it is important that the prediction of the behavior of road users takes into account the possibility of crossing a yellow or red traffic light. Therefore, the arithmetic unit according to the invention is designed to learn a behavioral model with a statistic for crossing a yellow or red traffic light and to use it for the prediction of road user behavior. The statistics for driving over a yellow or red traffic light may depend on the current location, the locality of the road user, the local customer of the road user and the type of vehicle.

Ortsfremde Verkehrsteilnehmer neigen möglicherweise zu häufigeren Fehlern wie dem Überfahren einer gelben oder roten Ampel als ortskundige Verkehrsteilnehmer. Daher kann die erfindungsgemäße Recheneinheit dazu ausgeführt sein, für ortsfremde und ortskundige Verkehrsteilnehmer unterschiedliche Wahrscheinlichkeiten für das Überfahren einer gelben oder roten Ampel zu lernen und für die Prädiktion des Verhaltens der Verkehrsteilnehmer zu verwenden.Non-local road users may be prone to more common mistakes such as driving over a yellow or red traffic light as a local road user. Therefore, the arithmetic unit according to the invention can be designed to learn for non-local and local road users different probabilities for driving over a yellow or red traffic light and to use for the prediction of the behavior of road users.

Weiterhin kann die Statistik zum Überfahren einer gelben oder roten Ampel unter anderem von der Uhrzeit abhängen. Während der Hauptverkehrszeit am Morgen neigen Verkehrsteilnehmer eventuell dazu, gelbe oder rote Ampeln zu überfahren, um rechtzeitig ihren Arbeitsplatz zu erreichen. Demgemäß kann die Recheneinheit dazu ausgeführt sein, unterschiedliche Wahrscheinlichkeiten für das Überfahren einer gelben oder roten Ampel in Abhängigkeit von der Uhrzeit zu lernen und für die Prädiktion des Verkehrsteilnehmerverhaltens basieren auf dem Verhaltensmodell zu verwenden.Furthermore, the statistics for driving over a yellow or red traffic light may depend, among other things, on the time of day. During rush hours in the morning, road users may be prone to driving over yellow or red lights to get to work in time. Accordingly, the arithmetic unit may be configured to learn different probabilities for crossing a yellow or red traffic light depending on the time of day and to use it for the prediction of road user behavior based on the behavioral model.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum Vorliegen eines Staus auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum Vorliegen eines Staus in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Uhrzeit und Datum zu berechnen und zu aktualisieren.In accordance with a further embodiment, the behavioral model has statistics on the existence of a congestion, and the arithmetic unit is designed to calculate and update the statistics for the presence of a congestion as a function of at least one of the parameters current location, time and date.

Bei Vorliegen eines Staus weicht das Verhalten der Verkehrsteilnehmer deutlich von dem Normverhalten ab. Insbesondere fahren bei einem Stau die Kraftfahrzeuge mit geringem Abstand und niedriger Geschwindigkeit hintereinander her. Um dieses Verhalten der Verkehrsteilnehmer voraussagen zu können, kann das Verhaltensmodell eine Statistik zum Vorliegen eines Staus aufweisen. Die erfindungsgemäße Recheneinheit kann beispielsweise dazu ausgelegt sein, Bilddaten einer Kamera zu empfangen und aus den Bilddaten das Vorliegen eines Staus zu detektieren. Insbesondere kann die Recheneinheit dazu ausgeführt sein, das Vorliegen eines Staus zu erkennen, indem basierend auf den Bilddaten der Kamera detektiert wird, ob die anderen Verkehrsteilnehmer mit geringem Abstand und niedriger Geschwindigkeit hintereinander herfahren.If there is a traffic jam, the behavior of road users deviates significantly from the standard behavior. In particular, drive in a traffic jam, the vehicles with a small distance and lower Speed in a row. In order to predict this behavior of the road users, the behavioral model may have statistics on the existence of a traffic jam. The computing unit according to the invention can be designed, for example, to receive image data from a camera and to detect the presence of a jam from the image data. In particular, the arithmetic unit may be designed to detect the presence of a jam by detecting, based on the image data of the camera, whether the other road users travel in succession at a small distance and low speed.

Das Auftreten von Staus weist eine signifikante Korrelation mit bestimmten Orten, Uhrzeiten und Tagen auf. Beispielsweise treten Staus an Wochentagen vermehrt zu den Hauptverkehrszeiten am Morgen und Abend auf. Daher kann die erfindungsgemäße Recheneinheit dazu ausgelegt sein, bei erstmaligem Auftreten eines Staus an dem aktuellen Ort und/oder in dem momentanen Zeitfenster ein neues Stauereignis zu generieren, welches in statistischer Weise das Vorliegen eines Staus an dem aktuellen Ort und/oder in dem momentanen Zeitfenster beschreibt. Dabei kann ein Zeitfenster beispielsweise auf einen Uhrzeitbereich und/oder bestimmte Wochentage beschränkt sein. Das Verhaltensmodell kann dieses Stauereignis umfassen und langfristig speichern. Ferner kann die Recheneinheit dazu ausgelegt sein, die Existenz eines Stauereignisses für den aktuellen Ort und/oder das momentane Zeitfenster abzufragen sowie bei Existenz eines Stauereignisses für den aktuellen Ort und/oder das momentane Zeitfenster die Wahrscheinlichkeit für das Vorliegen eines Staus des Stauereignisses zu aktualisieren. Insbesondere kann die Recheneinheit dazu ausgelegt sein, bei Detektion eines Staus die Wahrscheinlichkeit für das Vorliegen eines Staus des Stauereignisses zu erhöhen bzw., wenn kein Stau detektiert wurde, die Wahrscheinlichkeit für das Vorliegen eines Staus des Stauereignisses zu erniedrigen.The occurrence of congestion has a significant correlation with certain locations, times and days. For example, congestion on weekdays increasingly occurs at peak hours in the morning and evening. Therefore, the calculation unit according to the invention can be designed to generate a new congestion event when a congestion occurs at the current location and / or in the current time window for the first time, which statistically indicates the presence of a congestion at the current location and / or in the current time window describes. In this case, a time window may be limited to, for example, a time range and / or specific days of the week. The behavioral model can include and store this congestion event in the long run. Furthermore, the arithmetic unit can be designed to query the existence of a congestion event for the current location and / or the current time window, and to update the probability of the presence of a congestion event in the presence of a congestion event for the current location and / or the current time window. In particular, the arithmetic unit can be designed to increase the probability of the occurrence of congestion of the congestion event upon detection of a congestion or, if no congestion was detected, to decrease the probability of the congestion event congestion occurring.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum Vorliegen einer Baustelle auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum Vorliegen einer Baustelle in Abhängigkeit von mindestens einer der Kenngrößen aktueller Ort, Uhrzeit und Datum zu berechnen und zu aktualisieren.According to a further embodiment, the behavioral model has a statistic for the existence of a construction site, and the arithmetic unit is designed to calculate and update the statistics for the existence of a construction site as a function of at least one of the parameters current location, time and date.

Bei Auftreten einer Fahrbahnsperrung aufgrund einer Baustelle müssen Verkehrsteilnehmer die Baustelle umfahren. Das Verhalten der Verkehrsteilnehmer weicht in diesem Fall also deutlich von dem Normverhalten ab. Um dieses Verhalten der Verkehrsteilnehmer voraussagen zu können, kann das Verhaltensmodell Statistiken zum Vorliegen einer Baustelle aufweisen. Die erfindungsgemäße Recheneinheit kann beispielsweise dazu ausgelegt sein, Bilddaten einer Kamera zu empfangen und aus den Bilddaten das Vorliegen einer Fahrbahnsperrung aufgrund einer Baustelle zu detektieren.When a road closure due to a construction site road users must bypass the site. In this case, the behavior of the road users deviates significantly from the standard behavior. In order to predict this behavior of the road users, the behavioral model can have statistics on the existence of a construction site. The computing unit according to the invention can be designed, for example, to receive image data from a camera and to detect from the image data the presence of a road closure on the basis of a construction site.

Ferner kann die Recheneinheit dazu ausgelegt sein, bei erstmaligem Auftreten einer Fahrbahnsperrung aufgrund einer Baustelle an dem aktuellen Ort ein Baustellenereignis zu generieren, welches in statistischer Weise das Vorliegen einer Fahrbahnsperrung aufgrund einer Baustelle an dem aktuellen Ort beschreibt. Dabei wird die Wahrscheinlichkeit für das Vorliegen einer Fahrbahnsperrung des Baustellenereignisses vorzugsweise mit eins initialisiert. Das Verhaltensmodell kann dieses Baustellenereignis umfassen und langfristig speichern. Ferner kann die Recheneinheit dazu ausgelegt sein, die Existenz eines Baustellenereignisses für den aktuellen Ort abzufragen sowie bei Existenz eines Baustellenereignisses für den aktuellen Ort die Wahrscheinlichkeit für das Vorliegen einer Fahrbahnsperrung des Baustellenereignisses zu aktualisieren. Insbesondere kann die Recheneinheit dazu ausgelegt sein, die Wahrscheinlichkeit für das Vorliegen einer Fahrbahnsperrung des Baustellenereignisses mit fortschreitender Zeit zu reduzieren bzw., wenn erneut eine Fahrbahnsperrung aufgrund einer Baustelle detektiert wird, die Wahrscheinlichkeit für das Vorliegen einer Fahrbahnsperrung des Baustellenereignisses auf eins zurückzusetzen. Daher ist die Recheneinheit vorzugsweise dazu ausgelegt, die Statistik für das Vorliegen einer Baustelle in Abhängigkeit von insbesondere dem Ort, der Uhrzeit sowie dem Datum zu berechnen und zu aktualisieren.Furthermore, the arithmetic unit can be designed to generate a construction site event at the first occurrence of a road blockage due to a construction site at the current location, which statistically describes the presence of a road blockage due to a construction site at the current location. In this case, the probability of the existence of a road closure of the construction site event is preferably initialized to one. The behavioral model can include this construction site event and save it in the long run. Furthermore, the arithmetic unit can be designed to query the existence of a construction site event for the current location and to update the probability of the existence of a road closure of the construction site event in the presence of a construction site event for the current location. In particular, the arithmetic unit can be designed to reduce the likelihood of the occurrence of a lane closure of the construction site event as time progresses, or, if lane closure due to a construction site is detected again, to reset the probability of the occurrence of a lane closure of the construction site event to one. Therefore, the arithmetic unit is preferably designed to calculate and update the statistics for the presence of a construction site as a function of, in particular, the location, the time and the date.

Gemäß einer weiteren Ausführungsform weist das Verhaltensmodell eine Statistik zum Unterschreiten der zulässigen Höchstgeschwindigkeit auf, und die Recheneinheit ist dazu ausgeführt, die Statistik zum Unterschreiten der zulässigen Höchstgeschwindigkeit in Abhängigkeit von mindestens einer der Kenngrößen Uhrzeit und Wetter zu berechnen und zu aktualisieren.According to a further embodiment, the behavioral model has a statistic for undershooting the permissible maximum speed, and the arithmetic unit is designed to calculate and update the statistics for the undershooting of the permissible maximum speed as a function of at least one of the parameters time and weather.

Während der Nacht sowie bei schlechtem Wetter fahren Verkehrsteilnehmer eventuell deutlich langsamer als die zulässige Höchstgeschwindigkeit bzw. die Regelgeschwindigkeit auf Autobahnen. Um dieses Verhalten der Verkehrsteilnehmer prädizieren zu können, weist das erfindungsgemäße Verhaltensmodell eine Statistik zum Unterschreiten der zulässigen Höchstgeschwindigkeit auf. Die Statistik zum Unterschreiten der zulässigen Höchstgeschwindigkeit kann Wahrscheinlichkeitsverteilungen für die Geschwindigkeit oder eine normierte Geschwindigkeit umfassen, wobei die Geschwindigkeit insbesondere auf die zulässige Höchstgeschwindigkeit normiert sein kann.During the night, as well as in bad weather, road users may drive much slower than the maximum speed or the speed limit on highways. In order to be able to predict this behavior of the road users, the behavioral model according to the invention has a statistic for falling below the permissible maximum speed. The maximum speed limit statistics may include probability distributions for the speed or a normalized speed, wherein the speed may be normalized to the maximum permissible speed, in particular.

Die Recheneinheit kann dazu ausgelegt sein, Bilddaten einer Kamera sowie andere Sensordaten zu empfangen und aus diesen Daten Informationen über das Wetter zu gewinnen. Insbesondere kann die Recheneinheit unterschiedliche Wetterbedingungen detektieren wie zum Beispiel Sonnenschein, Regen, Nebel oder Schneefall. Ferner kann die Recheneinheit dazu ausgeführt sein, für unterschiedliche Wetterbedingungen unterschiedliche Geschwindigkeitsverteilungen zu lernen und für die Prädiktion des Verhaltens der Verkehrsteilnehmer zu verwenden.The arithmetic unit may be adapted to image data of a camera as well as other sensor data to receive and gain information about the weather from these data. In particular, the computing unit can detect different weather conditions such as sunshine, rain, fog or snowfall. Furthermore, the arithmetic unit may be designed to learn different speed distributions for different weather conditions and to use them for the prediction of the behavior of the road users.

Ein zweiter Aspekt der Erfindung betrifft ein Fahrerassistenzsystem zur Unterstützung eines Fahrers eines Kraftfahrzeugs, wobei das Fahrerassistenzsystem Sensoren sowie eine Recheneinheit zum Lernen eines Verhaltensmodells von Verkehrsteilnehmern gemäß einem der vorhergehenden Ansprüche aufweist.A second aspect of the invention relates to a driver assistance system for assisting a driver of a motor vehicle, wherein the driver assistance system has sensors and a computing unit for learning a behavioral model of road users according to one of the preceding claims.

Das Fahrerassistenzsystem kann beispielsweise einen oder mehrere Sensoren aufweisen, wie sie bereits zuvor und im Folgenden beschrieben sind. Fahrerassistenzsysteme verfügen standardmäßig über Sensoren, um physikalische Kenngrößen des Kraftfahrzeugs oder dessen Umfelds zu erfassen. Die erfindungsgemäße Recheneinheit zeichnet sich dadurch aus, dass sie ein Verhaltensmodell lernt und bei der Prädiktion des Verhaltens der Verkehrsteilnehmer verwendet, welches Statistiken zu Abweichungen vom Normverhalten der Verkehrsteilnehmer umfasst. Daher kann das erfindungsgemäße Fahrerassistenzsystem dazu ausgelegt sein, eventuelle Abweichungen vom Normverhalten der Verkehrsteilnehmer zu prädizieren. Insbesondere kann das Fahrerassistenzsystem dazu ausgelegt sein, Wahrscheinlichkeiten für verschiedene Verhaltensweisen der Verkehrsteilnehmer zu berechnen, die Status der Verkehrsteilnehmer entsprechend der verschiedenen Verhaltensweisen zu prädizieren, die Gesamtsituation unter Berücksichtigung der wahrscheinlichen Verhaltensweisen der Verkehrsteilnehmer zu analysieren und aus der Gesamtsituationsanalyse geeignete Verhaltensentscheidungen zu treffen, die die Aktorik und/oder die Mensch-Maschine-Schnittstelle des Kraftfahrzeugs beeinflussen.The driver assistance system may, for example, have one or more sensors, as described previously and below. Driver assistance systems have sensors as standard to detect physical characteristics of the motor vehicle or its surroundings. The computing unit according to the invention is characterized in that it learns a behavioral model and uses it in the prediction of the behavior of road users, which includes statistics on deviations from the standard behavior of road users. Therefore, the driver assistance system according to the invention can be designed to predict any deviations from the standard behavior of road users. In particular, the driver assistance system may be designed to calculate probabilities for different behaviors of the road users, to predict the status of the road users according to the different behaviors, to analyze the overall situation taking into account the likely behaviors of the road users and to make the appropriate behavioral decisions from the overall situation analysis Actuators and / or affect the man-machine interface of the motor vehicle.

Ein dritter Aspekt der Erfindung betrifft ein Verfahren zum Lernen eines Verhaltensmodells von Verkehrsteilnehmern für ein Fahrerassistenzsystem. Dabei weist das Verfahren die folgenden Schritte auf: Zum einen werden Sensordaten empfangen und ein aktueller Status eines Verkehrsteilnehmers aus den Sensordaten erfasst. Dabei umfasst der Status insbesondere Position und Geschwindigkeit. Zum anderen wird der aktuelle Status des Verkehrsteilnehmers unter Verwendung des Verhaltensmodells und mindestens einem zu einem früheren Zeitpunkt erfassten Status des Verkehrsteilnehmers prädiziert. Dabei umfasst das Verhaltensmodell Statistiken zu Abweichungen von einem Normverhalten von Verkehrsteilnehmern und der aktuelle Status des Verkehrsteilnehmers wird unter Berücksichtigung der Statistiken zu Abweichungen von dem Normverhalten prädiziert. Ferner werden der prädizierte und der erfasste aktuelle Status des Verkehrsteilnehmers verglichen. Des Weiteren werden das Verhaltensmodells und die Statistiken zu Abweichungen von einem Normverhalten basierend auf dem Ergebnis des Vergleichs des prädizierten und des erfassten aktuellen Status des Verkehrsteilnehmers aktualisiert.A third aspect of the invention relates to a method for learning a behavioral model of road users for a driver assistance system. In this case, the method comprises the following steps: On the one hand, sensor data are received and a current status of a road user is recorded from the sensor data. The status includes position and speed in particular. On the other hand, the current status of the road user is predicted using the behavioral model and at least one status of the road user detected at an earlier point in time. The behavioral model includes statistics on deviations from a standard behavior of road users and the current status of the road user is predicated on deviations from standard behavior taking into account the statistics. Furthermore, the predicted and the detected current status of the road user are compared. Furthermore, the behavioral model and statistics on deviations from standard behavior are updated based on the result of the comparison of the predicted and the detected current status of the road user.

Das Verfahren zum Lernen eines Verhaltensmodells von Verkehrsteilnehmern für ein Fahrerassistenzsystem kann als Programmcode implementiert, auf verschiedenen Speichermedien gespeichert und von verschiedenen Prozessoren ausgeführt werden.The method for learning a behavioral model of road users for a driver assistance system can be implemented as program code, stored on different storage media and executed by different processors.

Im Folgenden werden Ausführungsbeispiele der Erfindung unter Bezugnahme auf die Figuren beschrieben.In the following, embodiments of the invention will be described with reference to the figures.

Figurenlistelist of figures

1 shows a structure of a driver assistance system according to an embodiment of the invention.
2 shows a concept for learning the behavior of road users according to another embodiment of the invention.

Ähnliche oder gleiche Elemente in den Figuren werden mit ähnlichen oder gleichen Bezugszeichen beschrieben. Die Figuren sind schematische Darstellungen.Similar or similar elements in the figures are described with similar or identical reference numerals. The figures are schematic representations.

Detaillierte Beschreibung von AusführungsbeispielenDetailed description of embodiments

1 zeigt die Struktur eines Fahrerassistenzsystems 100. Das Fahrerassistenzsystem umfasst Sensoren 101 zur Messung physikalischer Kenngrößen des Kraftfahrzeugs oder dessen Umfelds. Die Erfassung des Umfelds des Kraftfahrzeugs kann beispielsweise mittels Kamera-, Radar-, Lidar- sowie Ultraschallsystemen erfolgen. Die von den Sensoren erfassten Rohdaten werden in einem Signalverarbeitungsschritt 102 aufbereitet. Beispielsweise werden die von Radarantennen empfangenen Wellenformen verstärkt, gefiltert, ins Basisband verschoben, abgetastet und digitalisiert. Weiterhin können Signalverarbeitungsalgorithmen verwendet werden, um die Distanzen, Richtungen und Relativgeschwindigkeiten anderer Verkehrsteilnehmer zu schätzen. In einem Datenfusionsschritt 103 können die Daten unterschiedlicher Sensorsysteme miteinander fusioniert werden. Beispielsweise erlauben sowohl Kamera- als auch Radarsysteme die Schätzung der Distanzen, Richtungen und Relativgeschwindigkeiten anderer Verkehrsteilnehmer. In dem Schritt 103 können daher unter anderem die Daten von Radar- und Kamerasystemen miteinander fusioniert werden. Nach der Sensordatenfusion liegen insbesondere Daten zu stationären und dynamischen Objekten, Freiräumen, Fahrspurmarkierungen, Verkehrszeichen, Bodenunebenheiten etc. vor. Diese Daten werden in der nachfolgenden Szeneninterpretation 104 weiterverarbeitet. Dabei kann eine momentane oder prädiktive Situationsanalyse erfolgen. Bei einer momentanen Situationsanalyse wird beispielsweise detektiert, ob Verkehrsteilnehmer sich auf einer bestimmten Fahrspur bewegen. Demgegenüber handelt es sich bei der Erkennung des Einscherens auf eine andere Fahrspur um eine prädiktive Situationsanalyse. Die Ergebnisse der Szeneninterpretation werden den einzelnen Fahrerassistenzfunktionen zur Verfügung gestellt, um in Schritt 105 die Gesamtsituation zu bewerten sowie Verhaltensentscheidungen zu treffen. Basierend auf den Verhaltensentscheidungen kann in einem letzten Schritt 106 die Aktorik und/oder die Mensch-Maschine-Schnittstelle des Kraftfahrzeugs beeinflusst werden. 1 shows the structure of a driver assistance system 100 , The driver assistance system includes sensors 101 for measuring physical characteristics of the motor vehicle or its environment. The detection of the environment of the motor vehicle can be done for example by means of camera, radar, lidar and ultrasound systems. The raw data acquired by the sensors is in a signal processing step 102 edited. For example, the waveforms received by radar antennas are amplified, filtered, shifted to baseband, sampled, and digitized. Furthermore, signal processing algorithms can be used to estimate the distances, directions and relative speeds of other road users. In a data fusion step 103 The data from different sensor systems can be fused together. For example, both camera and radar systems allow the estimation of the distances, directions and relative speeds of other road users. In the step 103 Therefore, among other things, the data from radar and camera systems can be fused together. After the sensor data fusion in particular data on stationary and dynamic objects, open spaces, lane markings, traffic signs, bumps, etc. are available. These data are used in the following scene interpretation 104 further processed. In this case, a momentary or predictive situation analysis can take place. In a current situation analysis, it is detected, for example, whether road users are moving in a specific traffic lane. On the other hand, detecting the shearing on another lane is a predictive situation analysis. The results of the scene interpretation are provided to the individual driver assistance functions in order to evaluate the overall situation and to make behavioral decisions in step 105. Based on the behavioral choices can be in a final step 106 the actuators and / or the man-machine interface of the motor vehicle are influenced.

In 2 ist ein Grundkonzept zum Lernen des Verhaltens anderer Verkehrsteilnehmer gemäß einem Ausführungsbeispiel der Erfindung dargestellt. Nach der Signalverarbeitung und Datenfusion 203 liegt insbesondere eine Liste der detektierten anderen Fahrzeuge mit Statusdaten vor. Dabei umfasst der Status der Fahrzeuge insbesondere Position und Geschwindigkeit. Darüber hinaus kann der Status der Fahrzeuge Informationen über Lichtsignale, insbesondere Brems- und Blinklichtsignale, umfassen. Weiterhin können Daten zu stationären Objekten, Freiräumen, Fahrspurmarkierungen, Verkehrszeichen, Bodenunebenheiten etc. vorliegen. In dem Schritte 210 wird der aktuelle Status eines Fahrzeugs erfasst. Bei dem Block 211 handelt es sich um ein Verzögerungselement, sodass die nachfolgende Prädiktion 212 den aktuellen Status des Verkehrsteilnehmers unter Verwendung verzögerter Daten prädiziert. Ferner wird für die Prädiktion 212 ein Verhaltensmodell verwendet, welches Statistiken zu Abweichungen vom Normverhalten der Verkehrsteilnehmer umfasst. Es werden dann der aktuelle und der unter Verwendung des Verhaltensmodells sowie früherer Daten prädizierte Status des Verkehrsteilnehmers verglichen. In Schritt 213 wird das Ergebnis des Vergleichs des aktuellen und des prädizierten Status des Verkehrsteilnehmers verwendet, um das Verhalten der Verkehrsteilnehmer zu lernen. Dabei wird das Verhaltensmodell aktualisiert, wobei insbesondere die Statistiken zu Abweichungen vom Normverhalten der Verkehrsteilnehmer angepasst werden können.In 2 a basic concept for learning the behavior of other road users according to an embodiment of the invention is shown. After signal processing and data fusion 203 In particular, there is a list of detected other vehicles with status data. The status of the vehicles includes in particular position and speed. In addition, the status of the vehicles may include information about light signals, in particular brake and flashing light signals. Furthermore, there may be data on stationary objects, free spaces, lane markings, traffic signs, uneven floors, etc. In the steps 210 the current status of a vehicle is recorded. At the block 211 it is a delay element, so the following prediction 212 predicts the current status of the road user using delayed data. Further, for the prediction 212 a behavioral model is used, which includes statistics on deviations from the standard behavior of road users. The current and predicted status of the road user using the behavioral model as well as previous data are then compared. In step 213 the result of the comparison of the current and the predicted status of the road user is used to learn the behavior of the road users. In doing so, the behavioral model is updated, whereby in particular the statistics on deviations from the standard behavior of the road users can be adapted.

Ergänzend sei darauf hingewiesen, dass „umfassend“ und „aufweisend“ keine anderen Elemente oder Schritte ausschließt und die unbestimmten Artikel „eine“ oder „ein“ keine Vielzahl ausschließen. Ferner sei darauf hingewiesen, dass Merkmale oder Schritte, die mit Verweis auf eines der obigen Ausführungsbeispiele beschrieben worden sind, auch in Kombination mit anderen Merkmalen oder Schritten anderer oben beschriebener Ausführungsbeispiele verwendet werden können. Bezugszeichen in den Ansprüchen sind nicht als Einschränkungen anzusehen.In addition, it should be noted that "comprising" and "having" does not exclude other elements or steps, and the indefinite articles "a" or "an" exclude no plurality. It should also be appreciated that features or steps described with reference to any of the above embodiments may also be used in combination with other features or steps of other embodiments described above. Reference signs in the claims are not to be considered as limitations.

Claims

Arithmetic unit for learning a behavioral model of road users for a driver assistance system (100), wherein the arithmetic unit is adapted to receive sensor data and to capture the current status of a road user from the sensor data, wherein the status comprises in particular position and speed, wherein the computing unit is further configured to predict the current status of the road user using the behavioral model and at least one status of the road user detected at an earlier time, wherein the behavioral model comprises statistics on deviations from a standard behavior of road users and the arithmetic unit is designed to predict the current status of the road user taking into account the statistics for deviations from the standard behavior, wherein the arithmetic unit is further adapted to compare the predicted and the detected current status of the road user, and wherein the arithmetic unit is further adapted to update the behavioral model and statistics on deviations from the standard behavior of road users based on the result of the comparison of the predicted and the detected current status of the road user.

Arithmetic unit to Claim 1 , wherein the arithmetic unit is adapted to capture from the sensor data at least one of the characteristics current location, residency of the road user, local customer of the road user, vehicle type, time, date and weather, and wherein the arithmetic unit is further adapted to statistics on deviations from the Standard behavior as a function of at least one of the parameters current location, resident of the road user, local customer of the road user, vehicle type, time, date and weather to calculate and update.

Computing unit according to one of the preceding claims, wherein the computing unit is adapted to send via a communication unit statistical data on deviations from the standard behavior of road users to a remote server.

Arithmetic unit to Claim 3 wherein the arithmetic unit is adapted to receive statistical data on deviations from the standard behavior of road users from the remote server via the communication unit, and wherein the arithmetic unit is adapted to derive the statistics for deviations from the standard behavior of the behavioral model based on the Remote server received statistical data to update deviation from the standard behavior.

Computing unit according to one of the preceding claims, wherein the behavioral model has a statistic for changing lane without flashing, and wherein the arithmetic unit is designed to calculate and update the traffic lane change statistics without flashing as a function of at least one of the parameters current location, locality of the road user, local customer of the road user and vehicle type.

Computing unit according to one of the preceding claims, wherein the behavioral model has statistics for exceeding a maximum permissible speed, and wherein the arithmetic unit is designed to calculate and update the statistics for exceeding the maximum speed as a function of at least one of the parameters current location, resident of the road user, local customer of the road user and vehicle type.

Computing unit according to one of the preceding claims, wherein the behavioral model has a statistic for disregarding the safety distance to a preceding vehicle, and wherein the arithmetic unit is designed to calculate and update the statistics for non-compliance with the safety distance to a vehicle in front in dependence on at least one of the characteristics current location, resident of the road user, local customer of the road user, time and vehicle type.

Computing unit according to one of the preceding claims, the behavioral model having a late blinking statistic, and wherein the arithmetic unit is designed to calculate and update the delayed flashing statistics before turning off in dependence on at least one of the parameters current location, locality of the road user, local knowledge of the road user and vehicle type.

Computing unit according to one of the preceding claims, the behavioral model having statistics for unexpected braking or stopping, and wherein the arithmetic unit is designed to calculate and update the statistics for unexpected braking or stopping as a function of at least one of the parameters current location, locality of the road user, local customer of the road user and vehicle type.

Computing unit according to one of the preceding claims, wherein the behavioral model has statistics for crossing a yellow or red traffic light, and wherein the arithmetic unit is designed to calculate and update the statistics for driving over a yellow or red traffic light in dependence on at least one of the parameters current location, locality of the road user, local customer of the road user, time and vehicle type.

Computing unit according to one of the preceding claims, wherein the behavioral model has statistics for the presence of congestion, and wherein the arithmetic unit is designed to calculate and update the statistics for the presence of a jam as a function of at least one of the parameters current location, time and date.

Computing unit according to one of the preceding claims, wherein the behavioral model has a statistic for the existence of a construction site, and wherein the arithmetic unit is designed to calculate and update the statistics for the presence of a construction site as a function of at least one of the parameters current location, time and date.

Computing unit according to one of the preceding claims, wherein the behavioral model has a statistic to fall below the maximum permissible speed, and wherein the arithmetic unit is designed to calculate and update the statistics for falling below the maximum permissible speed as a function of at least one of the parameters time and weather.

Driver assistance system (100) for assisting a driver of a motor vehicle, wherein the driver assistance system has sensors, and wherein the driver assistance system has a computing unit for learning a behavioral model of road users according to one of the preceding claims.

A method for learning a behavioral model of road users for a driver assistance system (100), the method comprising the following steps: receiving sensor data (101) and detecting a current status (210) of a road user from the sensor data, wherein the status comprises in particular position and speed, Predicating the current status (212) of the road user using the behavioral model and at least one status of the road user detected at an earlier time, the behavioral model comprising statistics on deviations from a norm behavior of road users and the current status of the road user taking into account the deviations from Predicting the behavior of the standard, comparing the predicted and the detected current status of the road user and updating the behavioral model and the statistics on deviations from a standard behavior based on de m Result of the comparison of the predicted and the recorded current status of the road user.