DE102016224576B4

DE102016224576B4 - Behavioral model of road users for a driver assistance system including statistics on deviations from normal behavior

Info

Publication number: DE102016224576B4
Application number: DE102016224576.7A
Authority: DE
Inventors: Rujiao Yan; Stephan Kirstein; Ralph Grewe; Thomas Grotendorst; Matthias Schreier; Nicolai Glatz; Matthias Komar
Original assignee: Continental Autonomous Mobility Germany GmbH
Current assignee: Continental Autonomous Mobility Germany GmbH
Priority date: 2016-12-09
Filing date: 2016-12-09
Publication date: 2023-11-30
Anticipated expiration: 2036-12-10
Also published as: DE102016224576A1

Abstract

Recheneinheit zum Lernen eines Verhaltensmodells von Verkehrsteilnehmern für ein Fahrerassistenzsystem (100),wobei die Recheneinheit dazu ausgelegt ist, Sensordaten zu empfangen und aus den Sensordaten den aktuellen Status eines Verkehrsteilnehmers zu erfassen, wobei der Status insbesondere Position und Geschwindigkeit umfasst,wobei die Recheneinheit weiterhin dazu ausgelegt ist, den aktuellen Status des Verkehrsteilnehmers unter Verwendung des Verhaltensmodells und mindestens einem zu einem früheren Zeitpunkt erfassten Status des Verkehrsteilnehmers zu prädizieren,wobei das Verhaltensmodell Statistiken zu Abweichungen von einem Normverhalten von Verkehrsteilnehmern umfasst und die Recheneinheit dazu ausgelegt ist, den aktuellen Status des Verkehrsteilnehmers unter Berücksichtigung der Statistiken zu Abweichungen von dem Normverhalten zu prädizieren,wobei die Recheneinheit weiterhin dazu ausgelegt ist, den prädizierten und den erfassten aktuellen Status des Verkehrsteilnehmers zu vergleichen,wobei die Recheneinheit weiterhin dazu ausgelegt ist, das Verhaltensmodell und 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, undwobei die Recheneinheit weiterhin dazu ausgelegt ist, basierend auf den Statistiken zu Abweichungen vom Normverhalten Wahrscheinlichkeiten für vom Normverhalten abweichende Verhaltensweisen von Verkehrsteilnehmern zu berechnen und die Konsequenzen dieser Verhaltensweisen Fahrerassistenzfunktionen anzuzeigen.Computing unit for learning a behavioral model of road users for a driver assistance system (100), the computing unit being designed to receive sensor data and to record the current status of a road user from the sensor data, the status in particular including position and speed, the computing unit furthermore doing so is designed to predict the current status of the road user using the behavior model and at least one status of the road user recorded at an earlier point in time, the behavior model comprising statistics on deviations from normal behavior of road users and the computing unit is designed to predict the current status of the road user taking into account the statistics on deviations from the norm behavior, the computing unit being further designed to compare the predicted and the recorded current status of the road user, the arithmetic unit being further designed to predict the behavior model and the statistics on deviations from the norm behavior of road users based on the result of the comparison of the predicted and the recorded current status of the road user, and wherein the computing unit is further designed to calculate, based on the statistics on deviations from normal behavior, probabilities for behavior of road users that deviate from normal behavior and the consequences of this Behavior to display driver assistance functions.

Description

Gebiet der ErfindungField of 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 behavior model. In particular, the invention relates to a computing unit for learning a behavior model of road users for a driver assistance system, a driver assistance system for supporting a driver of a motor vehicle, and a method for learning a behavior 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 variety of driver assistance systems as standard. These systems are constantly being developed further, while new driver assistance systems are being added at the same time.

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 record physical parameters of the motor vehicle or its surroundings. For example, camera, radar, lidar or ultrasound systems can be used to record the surroundings of the motor vehicle. The raw sensor data is preferably prepared and analyzed in a signal processing step. 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.Data from different sensor systems can then be merged with each other. After sensor data fusion, data on stationary and dynamic objects, open spaces, ground markings such as lane markings, traffic signs, uneven ground, etc. are available. This data is further processed in the subsequent scene interpretation. It can be checked whether the data has inherent contradictions. In addition, a momentary or predictive situation analysis can be carried out. During a current situation analysis, for example, it is detected whether road users are moving in a specific lane. In contrast, detecting a move into another lane is a predictive situation analysis. The results of the scene interpretation are made available to the individual driver assistance functions in order to make an overall situation assessment and behavioral decisions. Based on the behavioral decisions, the actuators and the human-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 play an important role in predicting the behavior of road users, particularly in predictive situation analysis. The predictions can be used, for example, for adaptive cruise control, lane change assistants, traffic jam assistants or safety systems to implement emergency avoidance. Predicting the behavior of other road users represents a technical problem that should not be underestimated. Previous behavioral models use recently received vehicle status information (in particular position and speed estimates), vehicle light signals (in particular brake light or flashing light signals) as well as current traffic and light signal information predict the behavior of road users. It is assumed that road users behave in accordance with the rules. However, it can happen that road users do not comply with traffic rules.

Die US-Patentanmeldung US 2007/0027583 A1 beschreibt ein Verfahren zur Evaluierung des Fahrverhaltens eines Fahrzeugs. Dabei werden mehrere das Fahrverhalten charakterisierende Parameter bestimmt. Basierend auf diesen Parametern wird das Fahrverhalten mit dem Fahrverhalten anderer Verkehrsteilnehmer auf der gleichen oder einer ähnlichen Wegstrecke verglichen. Der Vergleich mit dem Fahrverhalten anderer Verkehrsteilnehmer erlaubt es zu bestimmen, ob das Fahrverhalten gefährlich ist.The US patent application US 2007/0027583 A1 describes a procedure for evaluating the driving behavior of a vehicle. Several parameters that characterize driving behavior are determined. Based on these parameters, driving behavior is compared with the driving behavior of other road users on the same or similar route. Comparison with the driving behavior of other road users makes it possible to determine whether the driving behavior is dangerous.

Die US-Patentschrift US 9 495 874 B1 betrifft ein Verfahren zum Bestimmen eines oder mehrerer Verhaltensmodelle, die von einem autonomen Fahrzeug verwendet werden, um das Verhalten von Objekten in seiner Umgebung vorherzusagen. Das autonome Fahrzeug erfasst das Verhalten eines Objekts mittels Sensoren. Das erfasste Objektverhalten wird an einen Server gesendet, der die Verhaltensmodelle bestimmt. Der Server kann die Verhaltensmodelle gemäß einer Objektklassifikation, relevanten Aktionen des Objekts und der wahrgenommenen Umgebung des Objekts bestimmen.The US patent specification US 9,495,874 B1 relates to a method for determining one or more behavioral models used by an autonomous vehicle to predict the behavior of objects in its environment. The autonomous vehicle records the behavior of an object using sensors. The captured object behavior is sent to a server that determines the behavior models. The server can determine the behavioral models according to an object classification, relevant actions of the object, and the perceived environment of the object.

Die US-Patentanmeldung US 6 064 970 A beschreibt ein Verfahren und ein System zur Bestimmung der Kosten einer Äutoversicherung, basierend auf dem Überwachen, Aufzeichnen und Kommunizieren von Daten, die repräsentativ für Eigenschaften von Fahrer und Fahrzeug sind.The US patent application US 6,064,970 A describes a method and system for determining the cost of auto insurance based on monitoring, recording and communicating data representative of driver and vehicle characteristics.

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.One object of the invention is to improve the prediction of the behavior of other road users. This task is carried out by the subjects of the independent patent claims che solved. Further developments of the invention result from the subclaims and the following description.

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 equally relate to the computing unit for learning the behavior model of road users for a driver assistance system, the driver assistance system and the method for learning the behavior model. In other words, features that are described below in relation to the computing unit can also be implemented in the driver assistance system and viewed 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 arise 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 behavior model of road users for a driver assistance system. The computing unit is designed to receive sensor data and to record the current status of a road user from the sensor data, the status in particular including position and speed. Furthermore, the computing unit is designed to predict the current status of the road user using the behavior model and at least one status of the road user recorded at an earlier point in time. The behavior model includes statistics on deviations from normal behavior of road users and the computing unit is designed to predict the current status of the road user, taking into account the statistics on deviations from normal behavior. Furthermore, the computing unit is designed to compare the predicted and recorded current status of the road user and to update the behavior model and the statistics on deviations from the normal behavior of road users based on the result of the comparison of the predicted and recorded 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 computing unit according to the invention is used to learn a behavior model of road users, the behavior model being used in particular to predict the behavior of road users. The information about the predicted behavior of road users can be made available to various driver assistance systems such as adaptive cruise control systems, lane change assistants, traffic jam assistants or safety systems to implement emergency avoidance. The individual driver assistance systems can use the information about the predicted behavior of road users to analyze the overall situation and make appropriate behavioral decisions. The behavioral decisions usually influence the actuators and/or the human-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 record physical parameters of the motor vehicle and its surroundings. The surroundings can be captured, for example, using camera, radar, lidar or ultrasound systems. The raw sensor data is usually processed using suitable signal processing methods. For example, the waveforms received by the radar antennas can be amplified, filtered, shifted to baseband, sampled and digitized. Furthermore, digital signal processing methods can be used to estimate the distances, relative speeds and directions of other road users. The computing unit can be designed to receive the processed sensor data such as distances, directions and relative speeds of objects and to process them accordingly. Furthermore, the computing unit can be designed to receive image data from 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 computing unit can record the current status of a road user from the sensor data, the status of a road user particularly including his 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 computing unit is designed to predict the current status of the road user, using the behavior model and at least one status of the road user recorded at an earlier point in time. Since the detected status of the road user includes estimation errors, the accuracy of predicting the behavior of the road users can be improved by taking into account status data from several previous points in time. In addition, the shorter the period of time over which the prediction is made, the more accurate the prediction of the road user's behavior is usually. Furthermore, the computing unit can be designed to predict the behavior of road users, taking into account information about light signals such as brake or flashing light signals as well as current traffic and light signal 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 behavior model includes statistics on deviations from the normal behavior of road users. For example, the standard behavior of a road user can be defined as the speed of the moment tan corresponds to the maximum permissible speed or the recommended recommended speed. Deviations from this normal behavior can be described in particular using a probability distribution of the speed of the road users. Furthermore, the normal behavior of road users can be defined as flashing before and while changing lanes. Since not all road users conform to this standard behavior at all times, the behavior model advantageously includes statistics for road users changing lanes without signaling. The statistics on deviations from norm behavior can be used to predict the behavior of road users taking deviations from norm behavior into account. The computing unit according to the invention can therefore be designed to calculate probabilities for road users' behavior that deviates from normal behavior and to display the consequences of these behaviors to the driver assistance functions. Knowing the predicted behavior of road users and their probabilities, the driver assistance functions can make appropriate behavioral decisions. For example, the computing unit can be designed to calculate the probability that a road user will change lanes without first flashing. Knowing this probability and the associated predicted status of the road user, an adaptive cruise control system can, for example, reduce the speed in order to avoid a dangerous situation, although the road user's failure to blink indicates that he or she will not change lanes and the dangerous 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 recorded current status of the road user and the status predicted using the behavior model allows conclusions to be drawn about the quality of the behavior model. In particular, the recorded current status of the road user should appear plausible in view of the behavior model. Therefore, the computing unit according to the invention is designed to compare the recorded current status of the road user with the predicted status and to update parameters of the behavior model based on the result of the comparison. These parameters of the behavior model are, in particular, the statistics on deviations from normal behavior. Various machine learning algorithms can be used to update the parameters of the behavioral model based on the result of the comparison of the recorded 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 computing unit is designed to record at least one of the parameters current location, location of the road user, local knowledge of the road user, vehicle type, time, date and weather from the sensor data. Furthermore, the computing unit is designed to calculate and update statistics on deviations from standard behavior depending on at least one of the parameters current location, location of the road user, local knowledge 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. The computing unit can obtain information about the current location, the location of the road user, the road user's local knowledge, the vehicle type, the time, the date and the weather from data from different sensor systems. In particular, the computing unit can be designed to receive and further process information about the current location from a navigation receiver.

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. 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.This is, for example, a GPS, GLONASS, Galileo or Beidou receiver. Furthermore, the computing unit can be designed to receive image data from a camera and to obtain information about the current location from the image data. To record the location of the road user, the computing unit can be designed to receive image data from a camera and to detect the road user's license plate number and in particular the distinguishing symbol in the image data. The distinctive symbol consists of up to three letters that identify the administrative district of the motor vehicle registration authority. For data protection reasons, the computing unit can be designed to calculate a hash value of the distinguishing symbol and store it alongside the status for the motor vehicle. In addition, the computing unit can be designed to compare the current location and the local residence of the road user and thus obtain an indication of the road user's local knowledge. In addition, the computing unit can be designed to receive image data from a camera and to determine the vehicle type from the image data. In particular, the computing unit can be designed to distinguish cars from trucks. Furthermore, the computing unit can be designed to classify the road users' vehicles according to their speed. For example, a Nissan Micra can be assigned a different speed class than a Porsche 911. The computing unit can also be designed to receive the time and date from a GPS receiver. Alternatively, the computing unit can be designed for this purpose be to receive information about time and date from a timer of the motor vehicle. Furthermore, the computing unit can be designed to receive image data from a camera and 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 computing unit is designed for this purpose; to send statistical data on deviations from the normal 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 Recherieinheit 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 zuempfangen 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 computing unit can be designed to continuously update the statistics on deviations from normal behavior 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 obtained in this way available to other road users with a computing unit according to the invention, the computing unit can be designed to send the statistical data on deviations from standard behavior to a remote server via a communication unit at regular or irregular time intervals. The computing unit can itself initiate the transmission of statistical data on deviations from standard behavior to the remote server. Alternatively, the remote server can query the statistical data on deviations from standard behavior from the computing unit. The remote server is preferably designed to receive statistical data on deviations from normal behavior from a large number of road users using a computing unit according to the invention and to fuse the statistical data. The remote server therefore has a large knowledge base at its disposal, so that the remote server can precisely calculate statistics on deviations from the normal behavior of road users.

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 computing unit is designed to receive statistical data on deviations from the standard behavior of road users from the remote server via the communication unit, and the statistics on deviations from the standard behavior used in the behavior model are based on those received from the remote server to update statistical data on deviations from normal 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 standard behavior from a large number of road users with a computing unit according to the invention. Furthermore, the remote server can be designed to send the merged statistical data on deviations from standard behavior to road users using a computing unit according to the invention. Accordingly, the computing unit for learning a behavior model is preferably designed to receive statistical data on deviations from normal behavior from the remote server via the communication unit and the statistics on deviations from normal behavior used in the behavior model based on the statistical data received from the remote server to update. In particular, the computing unit can be designed to replace the previous statistical data on deviations from standard behavior with the statistical data on deviations from standard behavior received from the remote server. Alternatively, the computing unit can be designed to combine the previous statistical data on deviations from the standard behavior of the behavior model and the statistical data on deviations from the standard behavior received from the remote server.

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 behavior model has statistics for changing lanes without blinking, and the computing unit is designed to generate the statistics for changing lanes without blinking depending on at least one of the parameters current location, location of the road user, local knowledge of the road user and Calculate and update vehicle type.

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.Road users changing lanes plays an important role, among other things, in adaptive cruise control. This detects whether other road users are moving into your own lane. The blinking of a road user can provide valuable information. However, road users can also change lanes without signaling. In order to avoid dangerous situations or even accidents, when predicting the behavior of road users, it is advantageous to take into account the fact that they can change lanes without signaling. The behavior model according to the invention has statistics for changing lanes without signaling. These statistics may include probabilities of changing lanes without signaling, which depend on the current location, the location of the road user, the road user's local knowledge and the 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 computing unit can be designed to detect, based on the current location and the local residence of the road user, whether the road user would have to change to another lane in order to drive in the direction of his local residence. Furthermore, can the computing unit can be designed to learn different probabilities for changing lanes without blinking based on the result of this detection and to use them to predict the behavior of 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, an indication of the road user's local knowledge can be obtained based on a comparison of the current location and the local location of the road user. Non-local road users usually need some time to orientate themselves. Due to this additional burden, non-local road users can make more mistakes, such as changing lanes without signaling. For this reason, the computing unit can be designed to learn and use different probabilities for changing lanes without signaling for road users who are unfamiliar with the area and those who are familiar with the area, 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 behavior model has statistics for exceeding a maximum permissible speed, and the computing unit is designed to assign the statistics for exceeding the maximum permissible speed depending on at least one of the parameters current location, location of the road user, local knowledge 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 form of behavior that deviates from the norm. A behavioral model that assumes that all road users behave in accordance with the rules leads to incorrect predictions about the behavior of road users when the maximum permissible speed is exceeded. In order to avoid these model errors, the behavior model according to the invention has statistics for exceeding the maximum permissible speed. These statistics may include probability distributions for speed or a normalized speed, for example the speed is normalized to the maximum permitted speed.

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.Road users who are familiar with the area may be more likely to drive at excessive speeds than road users who are unfamiliar with the area. For this reason, the computing unit according to the invention can be designed to learn different probability distributions for exceeding the maximum speed for local and non-local road users and to use them in predicting 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 fast cars may be more likely to exceed the speed limit than drivers of slow cars or trucks, for example. For this reason, the computing unit according to the invention can be designed to use a different probability distribution for exceeding the maximum speed when predicting behavior for fast cars or cars of a first type than for slow cars or cars of a second type or trucks. The computing unit can also detect whether it is a first or second type car.

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 Statistikzum 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 behavior model has statistics for not maintaining the safety distance from a vehicle in front, and the computing unit is designed to generate the statistics for not maintaining the safety distance from a vehicle in front depending on at least one of the parameters current location, location of the road user, local knowledge 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.Failure to maintain a safe distance from a vehicle in front poses a significant risk. It is therefore important to take these behaviors into account when predicting the behavior of road users. For this reason, the behavioral model according to the invention can have statistics for failure to maintain the safety distance from a vehicle in front. Accordingly, the computing unit can be designed to learn the statistics for failure to maintain the safety distance from a vehicle in front and to use them to predict 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 not maintain a safe distance from the cars in front than drivers of slow cars. For this reason, the computing 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 computing unit can be designed to learn different probabilities for drivers of fast and slow vehicles for not maintaining the safety distance from a vehicle in front and to use this in predicting 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, tend not to maintain a safe distance from vehicles in front due to time pressure. The inventive A suitable computing unit can therefore be designed to detect trucks in the image data from a camera. Furthermore, the computing unit can be designed to detect driving on a highway from the image data or from data from other sensors. Accordingly, the computing unit can be designed to learn a dedicated probability for trucks on highways for not maintaining the safe distance from a vehicle in front and to use it in predicting 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 behavior model has statistics for late blinking before turning, and the computing unit is designed to calculate the statistics for late blinking before turning as a function of at least one of the parameters current location, location of the road user, local knowledge of the road user and Calculate and update vehicle type.

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 explained above, light signals provide important information for predicting the behavior of road users. However, road users may, for example, not blink or blink too late before turning. The computing unit according to the invention can be designed to learn a behavior model with statistics for late blinking before turning and to use it to predict the behavior of road users. The statistics for delayed flashing before turning can depend on the current location, the location of the road user, the road user's local knowledge and/or the vehicle type.

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 computing unit can be designed to compare the current location and the local residence of the road user and thus obtain an indication of the road user's local knowledge. Road users who are unfamiliar with the area need some time to orient themselves and understand the local conditions. Due to this additional burden, road users who are unfamiliar with the area generally make more mistakes than road users who are familiar with the area. For this reason, unfamiliar road users may tend to signal late before turning. The behavioral model can therefore include different probabilities of late blinking before turning for local and non-local road 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 behavior model has statistics for unexpected braking or stopping, and the computing unit is designed to assign the statistics for unexpected braking or stopping depending on at least one of the parameters current location, location of the road user, local knowledge 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, unfamiliar road users tend to brake unexpectedly or stop to ask for directions. In order to be able to take this behavior that deviates from the norm into account when predicting the behavior of road users, the computing unit according to the invention can be designed to learn a behavior model with statistics for unexpected braking or stopping. Different probabilities for unexpected braking or stopping can be learned for road users who are unfamiliar with the area and those who are familiar with the area and can be used to predict road user behavior.

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 vehicle type. For example, delivery trucks in residential and commercial areas are prone to unexpected braking or stopping to deliver deliveries. Accordingly, the computing unit can be designed to receive image data from a camera and to detect delivery trucks using the image data. Furthermore, the computing unit can be designed to determine whether the current location is in a residential or commercial area using the image data from a camera or using position data from a navigation receiver. The computing unit can 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 to predict 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 behavior model has statistics for driving through a yellow or red traffic light, and the computing unit is designed to generate the statistics for driving through a yellow or red traffic light depending on at least one of the parameters current location, location of the road user, local knowledge of the road user and vehicle type to be calculated and updated.

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 through a yellow or red light can pose significant risks to other road users. It is therefore important that the possibility of running a yellow or red light is taken into account when predicting the behavior of road users. Therefore, the computing unit according to the invention is designed to learn a behavior model with statistics for running a yellow or red traffic light and to use it to predict road user behavior. The can Statistics for running a yellow or red traffic light depend on the current location, the location of the road user, the road user's local knowledge and the vehicle type.

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.Road users who are unfamiliar with the area may be more likely to make mistakes such as running a yellow or red light than road users who are familiar with the area. Therefore, the computing unit according to the invention can be designed to learn different probabilities of driving through a yellow or red traffic light for road users who are unfamiliar with the area and those who are familiar with the area and to use them to predict the behavior of the 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 running a yellow or red traffic light can depend, among other things, on the time. During morning rush hour, road users may tend to run yellow or red lights to get to work on time. Accordingly, the computing unit can be designed to learn different probabilities for running over a yellow or red traffic light depending on the time and to use the behavior model to predict road user behavior.

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.According to a further embodiment, the behavior model has statistics on the presence of a traffic jam, and the computing unit is designed to calculate and update the statistics on the presence of a traffic jam depending on 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.When there is a traffic jam, the behavior of road users deviates significantly from normal behavior. In particular, in a traffic jam, motor vehicles drive behind each other at a short distance and at low speed. In order to be able to predict this behavior of road users, the behavior model can have statistics on the presence of a traffic jam. The computing unit according to the invention can, for example, be designed to receive image data from a camera and to detect the presence of a traffic jam from the image data. In particular, the computing unit can be designed to detect the presence of a traffic jam by detecting, based on the image data from the camera, whether the other road users are driving behind one another at a short distance and at 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 erstmaligemAuftreten 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 traffic jams has a significant correlation with specific locations, times and days. For example, traffic jams on weekdays are more common during morning and evening rush hours. Therefore, the computing unit according to the invention can be designed to generate a new traffic jam event when a traffic jam occurs for the first time at the current location and/or in the current time window, which statistically describes the presence of a traffic jam at the current location and/or in the current time window . A time window can, for example, be limited to a time range and/or certain days of the week. The behavioral model can include this congestion event and store it in the long term. Furthermore, the computing unit can be designed to query the existence of a traffic jam event for the current location and/or the current time window and, if a traffic jam event exists for the current location and/or the current time window, to update the probability of the existence of a traffic jam of the traffic jam event. In particular, the computing unit can be designed to increase the probability of the presence of a traffic jam of the traffic jam event when a traffic jam is detected or, if no traffic jam has been detected, to reduce the probability of the existence of a traffic jam of the traffic jam event.

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 behavior model has statistics on the presence of a construction site, and the computing unit is designed to calculate and update the statistics on the presence of a construction site depending on 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.If a road closure occurs due to a construction site, road users must avoid the construction site. In this case, the behavior of road users deviates significantly from normal behavior. In order to be able to predict this behavior of road users, the behavior model can have statistics on the presence of a construction site. The computing unit according to the invention can, for example, be designed to receive image data from a camera and to detect the presence of a road closure due to a construction site from the image data.

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 computing unit can be designed to generate a construction site event when a road closure occurs for the first time due to a construction site at the current location, which statistically describes the existence of a road closure due to a construction site at the current location. The probability of the presence of a road closure due to the construction site event is preferably initialized with one. The behavior model can include this construction site event and save it for the long term. Furthermore, the computing unit can be designed to query the existence of a construction site event for the current location as well as the existence of a construction site worker event for the current location to update the probability of the road closure of the construction site event. In particular, the computing unit can be designed to reduce the probability of the presence of a road closure of the construction site event as time progresses or, if a road closure due to a construction site is detected again, to reset the probability of the existence of a road closure of the construction site event to one. Therefore, the computing unit is preferably designed to calculate and update the statistics for the presence of a construction site depending in particular on the location, time and 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 behavior model has statistics for falling below the maximum permissible speed, and the computing 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 time and weather parameters.

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 and in bad weather, road users may drive significantly slower than the maximum permissible speed or the standard speed on motorways. In order to be able to predict this behavior of road users, the behavior model according to the invention has statistics for falling below the maximum permissible speed. The statistics for falling below the maximum permissible speed can include probability distributions for the speed or a standardized speed, whereby the speed can in particular be normalized to the maximum permissible speed.

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 computing unit can be designed to receive image data from a camera and other sensor data and to obtain information about the weather from this data. In particular, the computing unit can detect different weather conditions such as sunshine, rain, fog or snowfall. Furthermore, the computing unit can be designed to learn different speed distributions for different weather conditions and to use them to predict the behavior of 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 supporting a driver of a motor vehicle, wherein the driver assistance system has sensors and a computing unit for learning a behavior 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 can, for example, have one or more sensors, as described previously and below. As standard, driver assistance systems have sensors to record physical parameters of the motor vehicle or its surroundings. The computing unit according to the invention is characterized in that it learns a behavior model and uses it to predict the behavior of road users, which includes statistics on deviations from the normal behavior of road users. Therefore, the driver assistance system according to the invention can be designed to predict possible deviations from the normal behavior of road users. In particular, the driver assistance system can be designed to calculate probabilities for various behaviors of the road users, to predict the status of the road users according to the various behaviors, to analyze the overall situation taking into account the likely behaviors of the road users and to make appropriate behavioral decisions from the overall situation analysis Actuators and/or the human-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 behavior model of road users for a driver assistance system. The method has the following steps: On the one hand, sensor data is received and a current status of a road user is recorded from the sensor data. The status particularly includes position and speed. On the other hand, the current status of the road user is predicted using the behavior model and at least one status of the road user recorded at an earlier point in time. The behavior model includes statistics on deviations from normal behavior of road users and the current status of the road user is predicted taking into account the statistics on deviations from normal behavior. Furthermore, the predicted and recorded current status of the road user are compared. Furthermore, the behavior model and the statistics on deviations from normal behavior are updated based on the result of the comparison of the predicted and recorded 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 behavior 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.Exemplary embodiments of the invention are described below with reference to the figures.

Kurze Beschreibung der FigurenShort description of the characters

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 a further exemplary 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 identical elements in the figures are described with similar or identical reference numerals. The figures are schematic representations:

Detaillierte Beschreibung von AusführungsbeispielenDetailed description of exemplary 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 parameters of the motor vehicle or its surroundings. The surroundings of the motor vehicle can be detected, for example, using camera, radar, lidar and ultrasound systems. The raw data recorded by the sensors is processed in a signal processing step 102. 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 with one another. For example, both camera and radar systems allow the estimation of the distances, directions and relative speeds of other road users. In step 103, the data from radar and camera systems can therefore be merged with one another. After sensor data fusion, data on stationary and dynamic objects, open spaces, lane markings, traffic signs, uneven ground, etc. are available. This data is further processed in the subsequent scene interpretation 104. A momentary or predictive situation analysis can be carried out. During a current situation analysis, for example, it is detected whether road users are moving in a specific lane. In contrast, detecting a move into another lane is a predictive situation analysis. The results of the scene interpretation are made available to the individual driver assistance functions in order to evaluate the overall situation in step 105. making behavioral decisions. Based on the behavioral decisions, the actuators and/or the human-machine interface of the motor vehicle can be influenced in a final step 106.

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 is shown according to an exemplary embodiment of the invention. After signal processing and data fusion 203, there is in particular a list of the other detected vehicles with status data. The status of the vehicles includes position and speed in particular. In addition, the status of the vehicles may include information about light signals, in particular brake and turn signal signals. Data on stationary objects, open spaces, lane markings, traffic signs, uneven ground, etc. may also be available. In step 210, the current status of a vehicle is recorded. Block 211 is a delay element, so that subsequent prediction 212 predicts the current status of the road user using delayed data. Furthermore, a behavior model is used for the prediction 212, which includes statistics on deviations from the normal behavior of road users. The current status of the road user and that predicted using the behavioral model and previous data are then compared. In step 213, the result of comparing the current and predicted status of the road user is used to learn the behavior of the road users. The behavior model is updated, and in particular the statistics on deviations from the normal behavior of road users can be adjusted.

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” do not exclude other elements or steps and the indefinite articles “a” or “an” do not exclude a plurality. Furthermore, it should be noted that features or steps that have been described with reference to one of the above-described exemplary embodiments can also be used in combination with other features or steps of other above-described embodiments. Reference symbols in the claims are not to be regarded as limitations.

Claims

Computing unit for learning a behavior model of road users for a driver assistance system (100), wherein the computing unit is designed to receive sensor data and to determine the current status of a road user from the sensor data capture, wherein the status includes in particular position and speed, wherein the computing unit is further designed to predict the current status of the road user using the behavioral model and at least one status of the road user recorded at an earlier point in time, the behavioral model providing statistics on deviations from one includes standard behavior of road users and the computing unit is designed to predict the current status of the road user taking into account the statistics on deviations from the standard behavior, wherein the computing unit is further designed to compare the predicted and the recorded current status of the road user, whereby the Computing unit is further designed to update the behavior model and the statistics on deviations from the normal behavior of road users based on the result of the comparison of the predicted and recorded current status of the road user, and wherein the arithmetic unit is further designed to do so based on the statistics Deviations from normal behavior Calculate probabilities for road users to behave deviating from normal behavior and display the consequences of these behaviors to driver assistance functions.

Calculation unit according to Claim 1 , wherein the computing unit is designed to record at least one of the parameters current location, location of the road user, local knowledge of the road user, vehicle type, time, date and weather from the sensor data, and wherein the computing unit is further designed to generate statistics on deviations from that To calculate and update standard behavior depending on at least one of the parameters current location, location of the road user, local knowledge of the road user, vehicle type, time, date and weather.

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

Calculation unit according to Claim 3 , wherein the computing unit is designed to receive statistical data on deviations from the normal behavior of road users from the remote server via the communication unit, and wherein the computing unit is designed to receive the statistics on deviations from the normal behavior of the behavior model based on the Remote server to update statistical data received on deviation from normal behavior.

Computing unit according to one of the preceding claims, wherein the behavioral model has statistics for changing lanes without signaling, and wherein the computing unit is designed to calculate and update the statistics for changing lanes without flashing depending on at least one of the parameters current location, location of the road user, local knowledge of the road user and vehicle type.

Computing unit according to one of the preceding claims, wherein the behavior model has statistics for exceeding a maximum permissible speed, and wherein the computing unit is designed to calculate and update the statistics for exceeding the maximum permissible speed depending on at least one of the parameters current location, location of the road user, local knowledge of the road user and vehicle type.

Computing unit according to one of the preceding claims, wherein the behavioral model has statistics for failure to maintain the safety distance from a vehicle in front, and wherein the computing unit is designed to calculate and update the statistics for failure to maintain the safety distance from a vehicle in front depending on at least one of the parameters current location, location of the road user, local knowledge of the road user, time and vehicle type.

Computing unit according to one of the preceding claims, where the behavioral model has statistics for late blinking before turning, and wherein the computing unit is designed to calculate and update the statistics for delayed flashing before turning depending on at least one of the parameters current location, location of the road user, local knowledge of the road user and vehicle type.

Computing unit according to one of the preceding claims, wherein the behavior model has statistics for unexpected braking or stopping, and wherein the computing unit is designed to calculate and update the statistics for unexpected braking or stopping depending on at least one of the parameters current location, location of the road user, local knowledge of the road user and vehicle type.

Computing unit according to one of the preceding claims, where the behavior model has statistics for running a yellow or red light, and wherein the computing unit is designed to calculate and update the statistics for driving through a yellow or red traffic light depending on at least one of the parameters current location, location of the road user, local knowledge of the road user, time and vehicle type.

Computing unit according to one of the preceding claims, wherein the behavioral model has statistics on the presence of a traffic jam, and wherein the computing unit is designed to calculate and update the statistics on the presence of a traffic jam depending on 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 statistics on the presence of a construction site, and wherein the computing unit is designed to calculate and update the statistics on the presence of a construction site depending on at least one of the parameters current location, time and date.

Computing unit according to one of the preceding claims, where the behavior model has statistics for falling below the maximum permissible speed, and wherein the computing unit is designed to calculate and update the statistics for falling below the maximum permissible speed depending on at least one of the time and weather parameters.

Driver assistance system (100) to support 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 behavior model of road users according to one of the preceding claims.

Method for learning a behavior model of road users for a driver assistance system (100), the method comprising the following steps: Receiving sensor data (101) and recording a current status (210) of a road user from the sensor data, the status in particular including position and speed, Predicting the current status (212) of the road user using the behavioral model and at least one status of the road user recorded at an earlier point in time, wherein the behavior model includes statistics on deviations from normal behavior of road users and the current status of the road user is predicted taking into account the statistics on deviations from normal behavior, Comparing the predicted and recorded current status of the road user, Updating the behavior model and the statistics on deviations from normal behavior based on the result of the comparison of the predicted and recorded current status of the road user, Calculation of probabilities of behavior of road users that deviate from normal behavior, based on the statistics on deviations from normal behavior, and Display the consequences of these behaviors on driver assistance functions.