DE102017200580A1 - Method for optimizing a maneuver planning for autonomous vehicles - Google Patents
Method for optimizing a maneuver planning for autonomous vehicles Download PDFInfo
- Publication number
- DE102017200580A1 DE102017200580A1 DE102017200580.7A DE102017200580A DE102017200580A1 DE 102017200580 A1 DE102017200580 A1 DE 102017200580A1 DE 102017200580 A DE102017200580 A DE 102017200580A DE 102017200580 A1 DE102017200580 A1 DE 102017200580A1
- Authority
- DE
- Germany
- Prior art keywords
- level
- planning
- lane
- maneuver
- abstraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008859 change Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 11
- 238000013459 approach Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
Abstract
Vorgeschlagen wird deshalb ein Verfahren zur Optimierung einer Manöverplanung eines Fahrzeugs, umfassend eine Planungsebene, die in zumindest drei unterschiedliche Abstraktionsebenen für alle Planungsschichten der Planungsebene aufgeteilt wird, wobei eine Kombination aus kontinuierlichem Planen und semantischer Information erfolgt, indem mehrere ermittelte Manöveroptionen gruppiert werden und eine Erfolgsbewertung jeder Manöveroption unter Einbeziehung von Unbestimmtheiten im Verhalten anderer Verkehrsteilnehmer erfolgt, um die beste Strategie zur Durchführung auszuwählen.Therefore, a method is proposed for optimizing a maneuver planning of a vehicle, comprising a planning level which is divided into at least three different abstraction levels for all planning levels of the planning level, a combination of continuous planning and semantic information being grouped by grouping a plurality of maneuver options determined and a performance rating Each maneuver option incorporating uncertainty in the behavior of other road users is done to select the best strategy to perform.
Description
Die Erfindung betrifft ein Verfahren zur Optimierung einer Manöverplanung für autonom fahrende Fahrzeuge gemäß dem Oberbegriff des Patentanspruchs 1.The invention relates to a method for optimizing a maneuver planning for autonomously driving vehicles according to the preamble of
Das Interesse an autonom fahrenden Fahrzeugen und damit an Komfort- und Sicherheitsgewinn für den Fahrer wird bei der Bevölkerung immer größer. Deshalb entwickelt die Automobilindustrie verstärkt Systeme, um das Fahrzeug immer mehr in Richtung Autonomie zu treiben. Dazu sind bereits viele Systeme vorhanden, wie z.B. Systeme, welche die Fahrzeuggeschwindigkeit und den Abstand zum vorausfahrenden Fahrzeug adaptiv einstellen (ACC-adaptive cruise control), Warnsysteme, die vor einem Verlassen der Spur warnen, oder sogar Systeme, die automatisch die Spur halten.The interest in autonomous vehicles and thus in comfort and safety gains for the driver is growing in the population. Therefore, the automotive industry is increasingly developing systems to drive the vehicle more and more towards autonomy. There are already many systems available for this, e.g. Systems that adaptively adjust the vehicle speed and distance to the preceding vehicle (ACC-adaptive cruise control), warning systems that warn against leaving the lane, or even systems that automatically keep the lane.
Die große Herausforderung für autonome Systeme, auch für teilautonome Systeme, ist es, die Sicherheit der ausgewählten Manöver während der Phase des autonomen Fahrens zu gewährleisten. Es muss dabei sichergestellt werden, dass auf unerwartete Situationen reagiert werden kann. Im Fall, dass das System abgeschaltet werden muss, muss dies mindestens so lange sichergestellt werden, bis der Fahrer wieder die volle Kontrolle über das Fahrzeug hat. Hier ist wiederum die Herausforderung, dass basierend auf begrenzten Informationen über die Situation Entscheidungen getroffen und das Fahrverhalten entsprechend angepasst werden muss. Die Informationen sind begrenzt, da die Reichweite von Sensoren begrenzt ist, Messrauschen vorhanden ist und das Verhalten anderer Verkehrsteilnehmer nur begrenzt vorhersagbar ist. The big challenge for autonomous systems, even for semi-autonomous systems, is to ensure the safety of the selected maneuvers during the phase of autonomous driving. It must be ensured that it can respond to unexpected situations. In the event that the system must be shut down, it must be ensured at least until the driver has full control of the vehicle again. Here again, the challenge is to make decisions based on limited information about the situation and adjust driving behavior accordingly. The information is limited because the range of sensors is limited, measurement noise is present and the behavior of other road users is limited predictable.
Klassische Ansätze versuchen das Problem zu lösen, indem sie dieses Problem als globales Optimierungsproblem betrachten. Dies resultiert in unverhältnismäßig hohem Rechenaufwand und ist damit für Echtzeitanwendungen meistens nicht praktikabel. Andere Ansätze nutzen eine sogenannte Top-Down-Architektur, d.h. dass das ganz oben stehende übergeordnete Problem nach unten hin in immer mehr Details aufgeteilt wird. Bei diesem Ansatz kann es leicht passieren, dass Information in den Schichten von oben nach unten verloren gehen. Ansätze, welche eine Top-Down-Architektur verwenden, haben den Nachteil, dass diese Architektur Ebenen abhängig ist. Das heißt, wenn die höhere Ebene keine Entscheidung treffen kann, kann das untere Modul lediglich zurückgeben, dass keine Lösung gefunden wurde oder werden kann. Dies nötigt die obere Ebene dazu, nach einer anderen Lösung zu suchen. Da die obere Ebene das Problem aber global betrachtet müssen sehr viele Informationen verarbeitet werden, wodurch eine hohe Komplexität des zu lösenden Problems entsteht. Somit wird wiederum viel Rechenleistung und damit Zeit zur Lösungsfindung benötigt wird, was nicht nur in kritischen Situationen problematisch sein kann. Es kann auch problematisch sein, wenn die benötigte Rechenleistung nicht mehr bereitgestellt werden kann.Traditional approaches try to solve the problem by considering this problem as a global optimization problem. This results in disproportionately high computational effort and is therefore not practical for real-time applications. Other approaches use a so-called top-down architecture, i. that the very top-level problem is divided down into more and more details. With this approach, information in the layers from top to bottom can easily be lost. Approaches that use a top-down architecture have the disadvantage that this architecture is dependent on layers. That is, if the higher level can not make a decision, the bottom module can only return that no solution was or can be found. This forces the upper level to look for another solution. However, because the upper level addresses the problem globally, a great deal of information has to be processed, which results in a high complexity of the problem to be solved. This in turn requires a lot of computing power and thus time to find a solution, which can be problematic not only in critical situations. It can also be problematic if the required computing power can no longer be provided.
Des Weiteren sind Strategien bekannt, die beispielsweise eine Kombination von hybriden Automaten und Entscheidungsbäumen verwenden. Hier ist das Problem, dass keine mittelfristige Strategie bereitgestellt wird.Furthermore, strategies are known which use, for example, a combination of hybrid automata and decision trees. Here is the problem that no medium-term strategy is provided.
Bisher bekannte Ansätze zur Lösung des Problems, komplexe Entscheidungen basierend auf begrenzten verfügbaren Informationen zu treffen, verlieren also Informationen bei der Verarbeitung und beziehen unterschiedliche Abstraktionsebenen nur unzureichend in die Entscheidungsfindung mit ein. Außerdem besteht oft das Problem, dass die vorhandenen begrenzten Informationen nur unzureichend verarbeitet werden kann, sodass die getroffenen Entscheidungen für den Fahrer schwer oder nicht nachvollziehbar sind.Previously known approaches to solving the problem of making complex decisions based on limited information available thus lose information in processing and incorporate different levels of abstraction inadequate in decision-making. In addition, there is often the problem that the existing limited information can only be processed inadequately, so that the decisions made are difficult or unintelligible for the driver.
Deshalb ist es eine Aufgabe dieser Erfindung, ein Verfahren bereitzustellen, das eine Optimierung einer Manöverplanung ermöglicht. Dieses Verfahren soll vor allem die oben genannten Probleme lösen. Diese Aufgabe wird erfindungsgemäß durch die Merkmale der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.Therefore, it is an object of this invention to provide a method that enables optimization of maneuver planning. Above all, this method is intended to solve the above-mentioned problems. This object is achieved by the features of the independent claims. Advantageous embodiments are the subject of the dependent claims.
Basierend auf den Problemen des Stands der Technik wird ein neuartiges Verfahren zur Lösung der oben genannten Probleme der rechnerisch effizienten Manöverplanung mit möglichst wenig Informationsverlust sowie dem Umgang mit begrenzten Informationen basierend auf der Integration von semantischem und kontinuierlichem Planen bereitgestellt. Dabei wird dem autonom fahrenden Fahrzeug die Möglichkeit gegeben, die vorgegebenen Ziele aufrechtzuerhalten und dabei eine Robustheit über Sensorrauschen und das Verhalten anderer Verkehrsteilnehmer für einen weiteren Zeithorizont bereitzustellen.Based on the problems of the prior art, a novel method is provided for solving the above-mentioned problems of computationally efficient maneuvering planning with as little information loss as possible, as well as dealing with limited information based on the integration of semantic and continuous scheduling. In this case, the autonomously driving vehicle is given the opportunity to maintain the predetermined goals while providing robustness via sensor noise and the behavior of other road users for a further time horizon.
Nachfolgend wird zur Vereinfachung der Begriff autonom fahrendes Fahrzeug verwendet. Allerdings kann das Verfahren auch bei teilautonom fahrenden Fahrzeugen angewendet werden, wenn diese die entsprechende Funktionalität zum autonomen Fahren in den beschriebenen Situationen aufweisen.Hereinafter, for the sake of simplicity, the term autonomous vehicle is used. However, the method can also be applied to partially autonomously driving vehicles if they have the corresponding functionality for autonomous driving in the situations described.
Bei dem vorgeschlagenen Verfahren wird dieselbe Planungsebene auf unterschiedlichen Abstraktionsebenen für alle Planungsschichten definiert und der zur Umsetzung des vorgeschlagenen Verfahrens angewendete Algorithmus befasst sich mit der begrenzten vorhandenen Information in effizienter und nachvollziehbarer Weise. Dazu wird eine Mehrschichtarchitektur ähnlich dem menschlichen Denkprozess vorgeschlagen, welcher ein kontinuierliches Planen mit semantischer Information kombiniert, um mit der Komplexität des Problems in einer rechnerisch effizienten Art und Weise umzugehen und dabei für den Fahrer intuitiv zu bleiben. Das vorgeschlagene Verfahren clustert bzw. gruppiert die unterschiedlichen Manöveroptionen, bewertet sie und wählt die beste Strategie basierend auf dem erwarteten Ergebnis über die Zeit aus. Die Integration unterschiedlicher Abstraktionsebenen erlaubt es, mit dem wachsenden Zeithorizont und der wachsenden Unbestimmtheit bzw. Unsicherheit zurechtzukommen. Dieser Ansatz zieht nicht nur die durch die Umgebung bereitgestellten Informationen in Betracht, sondern auch beobachtete und gelernte Werte (im Sinne von Nutzen bzw. Bedeutung) aus vergangenen Situationen.In the proposed method, the same planning level is defined at different abstraction levels for all scheduling layers, and the algorithm used to implement the proposed method deals with the limited information available more efficiently and comprehensible way. To this end, a multi-layer architecture similar to the human thinking process is proposed, which combines continuous planning with semantic information to deal with the complexity of the problem in a computationally efficient manner while remaining intuitive to the driver. The proposed method clusters and classifies the different maneuver options, and selects the best strategy based on the expected result over time. The integration of different levels of abstraction makes it possible to cope with the growing time horizon and growing uncertainty. This approach considers not only the information provided by the environment, but also observed and learned values (in the sense of utility or meaning) from past situations.
Vorteilhaft kann das vorgeschlagene Verfahren, das auch als Planer oder Manöverplaner bezeichnet wird, zur Planung einer Fahrstrategie verwendet werden, welche die beste Strategie plant und ausführt, um eine gewünschte Fahrbahn und gewünschte Geschwindigkeit zu erreichen.Advantageously, the proposed method, also referred to as a scheduler or maneuver planner, may be used to plan a driving strategy that plans and executes the best strategy to achieve a desired lane and desired speed.
Vorgeschlagen wird deshalb ein Verfahren zur Optimierung einer Manöverplanung eines Fahrzeugs, umfassend eine Planungsebene, die in zumindest drei unterschiedliche Abstraktionsebenen für alle Planungsschichten der Planungsebene aufgeteilt wird, wobei eine Kombination aus kontinuierlichem Planen und semantischer Information erfolgt, indem mehrere ermittelte Manöveroptionen gruppiert werden und eine Erfolgsbewertung jeder Manöveroption unter Einbeziehung von Unbestimmtheiten im Verhalten anderer Verkehrsteilnehmer erfolgt, um die beste Strategie zur Durchführung auszuwählen.Therefore, a method is proposed for optimizing a maneuver planning of a vehicle, comprising a planning level which is divided into at least three different abstraction levels for all planning levels of the planning level, a combination of continuous planning and semantic information being grouped by grouping a plurality of maneuver options determined and a performance rating Each maneuver option incorporating uncertainty in the behavior of other road users is done to select the best strategy to perform.
Dabei kann zur Bewertung das Verhalten des vor dem Ego-Fahrzeug fahrenden Fahrzeugs und zumindest eines potentiell davor einscherenden Fahrzeugs analysiert, eine Spurführungsstrategie plausibilisiert und mit assoziierten Kosten und einer Erfolgsbewertung versehen werden. Durch die Kombination aus kontinuierlichem Planen und semantischer Information, also der Realisierung einer Mehrschichtarchitektur, die dem menschlichen Denken ähnelt, wird die komplexe Entscheidungsfindung vereinfacht und damit Rechenleistung eingespart. Außerdem kann so die Akzeptanz des Fahrers erhöht werden.In this case, the behavior of the vehicle driving in front of the ego vehicle and of at least one potentially collapsing vehicle can be analyzed, a plausibility check strategy can be made plausible and associated with associated costs and a performance evaluation. The combination of continuous planning and semantic information, ie the realization of a multi-layered architecture similar to human thinking, simplifies the complex decision-making process and thus saves computing power. In addition, the acceptance of the driver can be increased.
In einer Ausführung ergibt die Erfolgsbewertung basierend auf gelernten Werten aus früheren Situationen assoziierte Kosten für die Wahrscheinlichkeit, dass sich die Situation schlechter als erwartet entwickelt und dass das ausgewählte Manöver nicht durchgeführt werden kann.In one embodiment, the performance score based on learned values from past situations gives associated costs for the likelihood that the situation will develop worse than expected and that the selected maneuver can not be performed.
In einer Ausführung erfolgt eine Unterteilung in drei Abstraktionsebenen, wobei die erste Abstraktionsebene die höchste Ebene ist und eine generische Fahrspurwahl und Geschwindigkeitswahl basierend auf der aktuellen Verkehrslage durchführt, die zweite Abstraktionsebene eine longitudinale und laterale Strategie basierend auf der gewünschten Fahrspur und Geschwindigkeit ermittelt, umfassend die Erfolgsbewertung, und die dritte Abstraktionsebene basierend auf den Ergebnissen zumindest der zweiten Ebene eine Trajektorienplanung für die ermittelte Fahrstrategie durchführt.In one embodiment, a division into three levels of abstraction, where the first level of abstraction is the highest level and performs generic lane selection and speed selection based on the current traffic situation, the second level of abstraction determines a longitudinal and lateral strategy based on the desired lane and speed, comprising Performance evaluation, and the third level of abstraction based on the results of at least the second level trajectory planning for the determined driving strategy performs.
In einer Ausführung enthält die erste Ebene einen ersten Zeithorizont sowie vorgegebene Ziele, die zweite Ebene eine taktische Planung in einem zweiten Zeithorizont durchführt, der kürzer ist als der erste Zeithorizont, und die dritte Ebene die Trajektorienplanung in einem dritten Zeithorizont durchführt, der kürzer ist als der zweite Zeithorizont.In one embodiment, the first level includes a first time horizon and predetermined destinations, the second level performs tactical planning in a second time horizon that is shorter than the first time horizon, and the third level performs trajectory planning in a third time horizon that is shorter than the second time horizon.
In einer Ausführung wählt die erste Ebene eine Reihenfolge von Fahrspuren und Geschwindigkeiten als Ziele aus, die zweite Ebene führt eine Planung einer Fahrstrategie unter Einbeziehung von bekannten oder ermittelten Umgebungsbedingungen durch.In one embodiment, the first level selects an order of lanes and speeds as targets, the second level performs scheduling of a driving strategy involving known or determined environmental conditions.
Die Unterteilung in unterschiedliche Ebenen ermöglicht eine Aufspaltung der zu berechnenden Aufgaben in Unteraufgaben und eine Unterteilung je nach Abstraktionsgrad. Somit wird die Komplexität der Berechnungen verringert.The subdivision into different levels allows a splitting of the tasks to be calculated into sub-tasks and a subdivision depending on the level of abstraction. This reduces the complexity of the calculations.
In einer Ausführung werden bei der Planung in der zweiten Ebene unterschiedliche Manöveroptionen identifiziert, um auf der aktuellen Fahrspur zu bleiben oder einen Spurwechsel durchzuführen.In one embodiment, when planning in the second level, different maneuver options are identified to stay on the current lane or to make a lane change.
In einer Ausführung wird zur Ermittlung der Fahrstrategie bei der Planung in der zweiten Ebene eine Liste an aktuellen potentiellen Lücken für jede relevante Fahrspur erzeugt, relevante Agenten bezüglich ihres longitudinalen Abstands sortiert und daraus eine Lückeninformation ermittelt.In one embodiment, in order to determine the driving strategy during planning in the second level, a list of current potential gaps for each relevant traffic lane is generated, relevant agents are sorted with respect to their longitudinal distance, and gap information is determined therefrom.
In einer Ausführung werden eine Machbarkeitsbestimmung und eine Bewertung der ermittelten Lückeninformationen für jede relevante Fahrspur durchgeführt, umfassend die Bewertung der Erfolgswahrscheinlichkeit der unterschiedlichen ermittelten Manöveroptionen, sowie eine Gewichtung der ermittelten Information, um zu ermitteln, ob ein Fahrspurwechsel möglich istIn one embodiment, feasibility determination and evaluation of the determined gap information is performed for each relevant lane, including evaluating the likelihood of success of the different identified maneuver options, and weighting the determined information to determine if lane change is possible
Durch den taktischen Planer der zweiten Ebene können Informationen oder Vorgaben aus der höheren Ebene, also der globalen Ziele, mit Berechnungen der unteren Ebenen, also z.B. der Trajektorienplanung, kombiniert bzw. in Betracht gezogen werden. Dadurch kann auch bei nur begrenzt verfügbaren Informationen auf eine zukünftige Änderung der Situation rückgeschlossen bzw. diese vorhergesagt werden. Dadurch verbessert sich die Entscheidungsfindung für die optimale Fahrstrategie.Through the tactical planner of the second level, information or specifications from the higher level, ie the global goals, can be combined or taken into account with calculations of the lower levels, eg the trajectory planning. This can also be limited only available information is predicted or predicted to be a future change in the situation. This improves the decision-making process for the optimal driving strategy.
Ferner wird ein Computerprogrammprodukt vorgeschlagen, das dazu eingerichtet ist, das beschriebene Verfahren auszuführen.Furthermore, a computer program product is proposed, which is set up to carry out the described method.
Weitere Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, anhand der Figuren der Zeichnung, die erfindungsgemäße Einzelheiten zeigt, und aus den Ansprüchen. Die einzelnen Merkmale können je einzeln für sich oder zu mehreren in beliebiger Kombination bei einer Variante der Erfindung verwirklicht sein.Further features and advantages of the invention will become apparent from the following description of embodiments of the invention, with reference to the figures of the drawing, the inventive details shows, and from the claims. The individual features can be realized individually for themselves or for several in any combination in a variant of the invention.
Bevorzugte Ausführungsformen der Erfindung werden nachfolgend anhand der beigefügten Zeichnung näher erläutert.
-
1 zeigt eine Untermenge einer Straße als 2D- und 1D-Abstraktion gemäß einer Ausführung der vorliegenden Erfindung. -
2 zeigt eine Unterteilung in drei Abstraktionsebenen und den Ablaufplan der zweiten Ebene gemäß einer Ausführung der vorliegenden Erfindung.
-
1 shows a subset of a road as a 2D and 1D abstraction according to an embodiment of the present invention. -
2 Figure 12 shows a subdivision into three levels of abstraction and the second level flowchart according to an embodiment of the present invention.
In den nachfolgenden Figurenbeschreibungen sind gleiche Elemente bzw. Funktionen mit gleichen Bezugszeichen versehen.In the following description of the figures, the same elements or functions are provided with the same reference numerals.
Bei der Manöverplanung spielen viele Faktoren eine Rolle, um die richtige Entscheidung treffen zu können. Bei der Betrachtung des Zeithorizonts muss häufig ein Kompromiss zwischen der Exaktheit der Information und dem Zeithorizont geschlossen werden. Das heißt, je weiter der Zeithorizont angenommen wird, desto ungenauer wird die Vorhersage der Entwicklung der Szene. Für einen menschlichen Fahrer stellt dies eher kein großes Problem dar, da das menschliche Gehirn dazu ausgelegt ist, vorausschauendes Verhalten durch Evaluieren der aktuellen Situation und ihrer Entwicklung mit einem reaktiven Verhalten zu kombinieren, das abhängig von der aktuellen Situation ist. Beispielsweise möchte der Fahrer auf die linke Fahrspur wechseln, um schneller fahren zu können. Dazu wählt er eine Lücke zwischen zwei Fahrzeugen aus und fährt in Richtung dieser Lücke. Dabei ist er fähig, auf ein unerwartetes Ereignis, z.B. ein Fahrzeug, das vor ihm auftaucht bzw. einschert, zu reagieren. Er passt z.B. die Geschwindigkeit seines Fahrzeugs an, um nicht mit dem Fahrzeug zu kollidieren.In maneuver planning, many factors play a role in making the right decision. When looking at the time horizon, it is often necessary to make a compromise between the accuracy of the information and the time horizon. That is, the further the time horizon is assumed, the less accurate the prediction of the development of the scene. For a human driver, this is not much of a problem because the human brain is designed to combine predictive behavior by evaluating the current situation and its development with a reactive behavior that is dependent on the current situation. For example, the driver wants to change to the left lane in order to drive faster. He chooses a gap between two vehicles and drives towards this gap. He is capable of responding to an unexpected event, e.g. a vehicle that appears in front of him or einschert to react. He fits e.g. the speed of his vehicle so as not to collide with the vehicle.
Das vorgeschlagene Verfahren nutzt eine Mehrschichtarchitektur, um dieses Verhalten nachzubilden. Dabei interagieren mehrere unterschiedliche Ebenen miteinander in unterschiedlichen Abstraktionsgraden. Eine hohe bzw. höhere (Abstraktions-)Ebene arbeitet an der generischen Fahrspur und der Wahl der Geschwindigkeit entsprechend dem aktuellen Verkehrsfluss. Sie ermittelt also eine Reihenfolge von Fahrspuren und Geschwindigkeiten. Als Inputinformation geht z.B. der bekannte Straßenverlauf mit Verkehrszeichen, Topologie der Fahrspur etc., aber auch der geschätzte Verkehrsfluss in die Ermittlung ein.The proposed method uses a multilayer architecture to mimic this behavior. Several different levels interact with each other in different degrees of abstraction. A high or higher (abstraction) level works on the generic lane and the choice of speed according to the current traffic flow. So it determines a sequence of lanes and speeds. As input information is e.g. the well-known road with traffic signs, topology of the lane, etc., but also the estimated flow of traffic in the investigation.
Eine Zwischenebene stellt eine Lateral- und Longitudinalstrategie mit der gewünschten Fahrbahn und Geschwindigkeit bereit. Die unteren Ebenen implementieren einen kurzen Horizont und die geforderten Unterziele. Die Zwischenebene ist für die Planung und Durchführung der Fahraktivität in einem mittleren Zeithorizont verantwortlich, also der taktischen Planung.An intermediate level provides a lateral and longitudinal strategy with the desired lane and speed. The lower levels implement a short horizon and the required subgoals. The intermediate level is responsible for the planning and execution of the driving activity in a medium time horizon, ie the tactical planning.
Ähnlich zu bekannten Verfahren wird zuerst eine Planungsinstanz als Paar definiert, also I = (Dom; Prob), wobei der Bereich Dom, auch als Domain bezeichnet, das Modell der Welt und die generischen Aktionen beschreibt, und das Problem Prob die aktuelle Welt instantiiert. Die Planungsebene ist ein Tupel, Dom = (P; F;R;O), wobei P ein finiter Satz an Prädikatensymbolen, von denen jedes einer Arität zugeordnet ist, F ein finiter Satz an Funktionssymbolen, welche numerische Werte darstellen, R ein finiter Satz an Relationssymbolen und O ein finiter Satz an schematischen Operatoren ist. Ein schematischer Operator ist ein Tupel von (Φ, e, cost, R), wobei Φ eine Formel erster Ordnung, also die Vorbedingung, e ein Effekt und ,cost‘ eine Funktion ist, welche die Betriebskosten abbildet. Die Hauptoperatoren für die Fahraufgabe sind Halten der Fahrbahn‘ KL und ,Wechseln der Fahrbahn‘ CL.Similar to known methods, a planning instance is first defined as a pair, that is, I = (Dom; Prob), where the domain Dom, also referred to as a domain, describes the model of the world and the generic actions, and the problem Prob instantiates the current world. The planning plane is a tuple, Dom = (P; F; R; O), where P is a finite set of predicate symbols, each of which is assigned to an arity, F is a finite set of function symbols representing numeric values, R is a finite set at relation symbols and O is a finite set of schematic operators. A schematic operator is a tuple of (Φ, e, cost, R), where Φ is a first-order formula, that is, the precondition, e is an effect, and, cost 'is a function that maps the operating costs. The main operators for the driving task are holding the carriageway 'KL and' changing the carriageway 'CL.
Wie aus dem Stand der Technik bekannt kann die Topologieebene definiert werden, indem die Welt als eine 2D-Abstraktion betrachtet wird. Ein Bereich ist eine zweidimensionale Untergruppe der Umgebung, welche durch eine oder mehrere Grenzen definiert werden kann. Ein Pfad beschreibt einen Teil der Umgebung als einen eindimensionalen Unterraum und kann gerichtet sein. Ein Ort beschreibt einen Teil der Umgebung als einen Nulldimensionalen Unterraum. Dasselbe Element kann durch unterschiedlich dimensionale Unterräume definiert sein, abhängig von der vom Planer benötigten Abstraktionsebene. Beispielsweise ist eine Fahrspur als ein Bereich mit zumindest einer fahrbaren Grenze gekennzeichnet. Diese Grenze ist definiert durch einen Referenzpfad, zwei laterale und zwei longitudinal Grenzen.As known in the art, the topology level can be defined by considering the world as a 2D abstraction. An area is a two-dimensional subset of the environment that can be defined by one or more boundaries. A path describes a part of the environment as a one-dimensional subspace and can be directed. A place describes a part of the environment as a zero-dimensional subspace. The same element can be defined by different dimensional subspaces, depending on the abstraction level required by the planner. For example, a lane is characterized as an area with at least one drivable boundary. This limit is defined by a reference path, two lateral and two longitudinal boundaries.
Ein Planer niedrigerer Ebene stellt die lateralen and longitudinalen Trajektorien bereit, um innerhalb der definierten Grenzen zu fahren. Ferner berücksichtigt er die 2D-Beschreibung der Fahrbahn, wobei gewünscht ist, in Richtung der Mittellinie zu fahren und Abweichungen innerhalb der Fahrbahngrenzen akzeptiert, aber bestraft werden.A lower level planner provides the lateral and longitudinal trajectories to travel within the defined limits. Further it takes into account the 2D description of the roadway, where it is desired to drive in the direction of the center line and to accept deviations within the lane boundaries, but to be penalized.
Der Planer höherer Ebene beschäftigt sich mit der Fahrbahnauswahl über die Zeit, wodurch er über die eindimensionale Abstraktion der Fahrbahnen und über den Anschluss urteilt.The higher level planner deals with lane selection over time, judging by the one-dimensional abstraction of the lanes and the connection.
Das Problem Prob = (T; Obs; Ags; C; Goal) wird als ein 5-Tupel beschrieben, umfassend die aktuelle Topologie T, die Objekte Obs, die sogenannten Agenten Ags, den Kontext C und Zielzustandsspezifizierungen Goal. Objekte befinden sich auf der Straße. Einige können nicht befahren werden, z.B. Begrenzungen von Baustellen, womit die verfügbare Teilstrecke für das autonom fahrende Fahrzeug eingegrenzt wird. Auch können Objekte eine Veränderung der Straßenattribute wie maximal erlaubte Geschwindigkeit, Anschluss zwischen Fahrspuren etc. signalisieren, oder eine neue Grenze darstellen. Anders als Objekte sind Agenten proaktiv, zeitweise kontinuierlich, autonom und reaktiv. Sie sind auch nicht fahrbar und normalerweise dynamisch. Als autonome Entitäten folgen sie ihren eigenen Zielen. Für ihre Voraussage können unterschiedliche bekannte Verfahren angewendet werden, z.B. Manöver basierte oder interaktionsbasierte Verfahren. Die Voraussage ist ein nützlicher Beitrag zur Planung, aber hierfür muss trotzdem mit begrenzten Informationen umgegangen werden, wie vorher bereits beschrieben. Deshalb wird ein aus den Unbestimmtheiten abgeleiteter Bewertungsparameter in die Auswahlstrategie integriert, wie später beschrieben.The problem Prob = (T; Obs; Ags; C; Goal) is described as a 5-tuple comprising the current topology T, the objects Obs, the so-called agents Ags, the context C, and goal state specifications Goal. Objects are on the street. Some can not be driven, e.g. Limitations of construction sites, which limits the available distance for the autonomous vehicle. Also, objects may signal a change in road attributes such as maximum allowed speed, connection between lanes, etc., or represent a new boundary. Unlike objects, agents are proactive, at times continuous, autonomous, and reactive. They are also not mobile and usually dynamic. As autonomous entities they follow their own goals. For their prediction, various known methods can be used, e.g. Maneuver based or interaction based procedures. The prediction is a useful contribution to planning, but it still needs to be handled with limited information, as previously described. Therefore, an evaluation parameter derived from the indeterminacies is integrated into the selection strategy as described later.
Die Welt und ihre Entitäten sind vollständig und instanziiert mit der Definition des Bereichs und des Problems definiert. Die Fahraufgabe findet an einem definierten Ort basierend auf der Straßentopologie statt, wobei unterschiedliche Objekte dort platziert werden können, und einige davon auch die Attribute des Orts ändern können. Ferner sind unterschiedliche Agenten an dem Ort vorhanden bzw. bewegen und wiederholen sich dort, wie z.B. andere Verkehrsteilnehmer, welche der Straßentopologie folgen und Verkehrsregeln befolgen. Auch sind andere Nutzer vorhanden, welche die Straße nicht nutzen, wie z.B. Tiere oder Fußgänger. Das Fahrzeug verfolgt zwei unterschiedliche Ziele, das Erhaltungsziel, z.B. immer sicher zu fahren, und das Erfolgsziel, z.B. auf der gewählten Fahrbahn mit einer gewählten Geschwindigkeit zu fahren.The world and its entities are fully and instantiated with the definition of the realm and the problem defined. The driving task takes place at a defined location based on the road topology, where different objects can be placed there, and some of them can also change the attributes of the location. Further, different agents are present at the location and are repeating there, such as e.g. other road users who follow the road topology and follow traffic rules. There are also other users who do not use the road, such as Animals or pedestrians. The vehicle pursues two different goals, the conservation goal, e.g. always safe to drive, and the goal of success, e.g. to drive on the chosen lane at a chosen speed.
Viele klassische Planungsalgorithmen basieren auf einem diskretisierten Modell des kontinuierlichen Lösungsraums, wobei eine geführte Suche einen Plan nahe dem optimalen Plan erzeugt. Mit steigender Auflösung der Diskretisierung steigt die Komplexität der Lösung, wodurch ein Problem im Faktor der Verzweigungen auftritt, da der Satz an unterschiedlichen Lösungsmöglichkeiten gegen Unendlich geht.Many classical scheduling algorithms are based on a discretized continuous solution space model where a guided search produces a plan near the optimal plan. As the resolution of the discretization increases, the complexity of the solution increases, causing a problem in the branching factor, as the set of different possible solutions goes to infinity.
Um mit diesem Problem zurecht zu kommen stellt der erfindungsgemäße Planer eine Mehrschichtarchitektur bereit, bei der die ersten Ebenen
Der Hauptunterschied des vorgeschlagenen Verfahrens zu einer Top-Down-Architektur ist sein Parallelismus. Die Planung kombiniert einen abstrakten Entscheidungsprozess mit numerischen Mechanismen. Dies führt zu einer vollständigen und strukturierten Untersuchung, Identifikation und Bewertung der unterschiedlichen Manöveroptionen während der Planungsaufgabe. Die Abstraktion von Manövergruppen erlaubt es dem Planer, die Komplexität durch Ausschalten des unendlichen Verzweigungsfaktors der Planungsaufgabe zu reduzieren. Zusätzlich erlaubt die Abstraktionsebene eine bessere Verfügbarkeit des Planers und kann direkt als eine Schnittstelle verwendet werden, um mit dem Nutzer zu kommunizieren.The main difference of the proposed method to a top-down architecture is its parallelism. Planning combines an abstract decision-making process with numerical mechanisms. This leads to a complete and structured investigation, identification and evaluation of the different maneuver options during the planning task. The abstraction of maneuver groups allows the planner to reduce complexity by eliminating the infinite branching factor of the scheduling task. additionally The level of abstraction allows better availability of the scheduler and can be used directly as an interface to communicate with the user.
Die Hauptfunktionalität des taktischen Planers
Der taktische Planer
Sobald die Lücken erzeugt sind, wird eine Machbarkeits- und Bewertungsevaluierung durchgeführt. Die aktuelle Spur wird bezüglich der verfügbaren Entfernung nach vorne unter Berücksichtigung des Vorderfahrzeugs, potentiellen einscherenden Fahrzeugen und anderen Hindernissen evaluiert (Check Lane Keep Feasibility). Auf einem ähnlichen Weg wird dies für die Nachbarspuren durchgeführt und basierend auf der Liste der Lücken werden die erreichbaren Lücken für einen Spurwechsel identifiziert und assoziierte Brauchbarkeitskosten werden berechnet.Once the gaps are created, a feasibility and rating evaluation is performed. The current lane is evaluated for the available distance ahead, taking into account the vehicle in front, potential shunting vehicles and other obstacles (check lane keep feasibility). In a similar way, this is done for the neighbor lanes, and based on the list of gaps, the achievable gaps for a lane change are identified and associated usability costs are calculated.
Ein weiterer Block Strategiewahl
Die Operatoren für Spurwechsel- und Spurhaltestrategien
Eine Lücke wird für einen Spurwechsel akzeptiert, wenn zur betrachteten Zeit die vorhergesagte Entfernung nach vorne und nach hinten größer ist als eine definierte Sicherheitsentfernung ssafety. Die Sicherheitsentfernung nach vorne kann als Summe der Adaptionsentfernung Δsadaption definiert werden, die als die Entfernung definiert ist, die benötigt wird, um zu bremsen, und der Geschwindigkeit des Vorderfahrzeugs und der Folgeentfernung sfollow, die durch die minimale Zeit zwischen den Fahrzeugen und der Geschwindigkeit des Führungsfahrzeugs gegeben ist. Die Sicherheitsentfernung nach hinten ist auch als die Summe der Bremsentfernung und der minimalen Zeit zwischen den Fahrzeugen definiert. Die Differenz zwischen der Sicherheitsentfernung nach vorne und der Sicherheitsentfernung nach hinten liegt in der angenommenen Bremsverzögerung des hinteren Fahrzeugs, wobei
Basierend auf der aktuellen Spur werden das Vorderfahrzeug und das potentiell vorne einscherende Fahrzeug analysiert und die Spurführungsstrategien (also Spurhalten und/oder Spurwechsel) bezüglich Komfort- und Sicherheitsgrenzen werden plausibilisiert und mit den assoziierten Kosten und der Erfolgsbewertung, also der Bewertung der Erfolgswahrscheinlichkeit, in die Strategieliste eingefügt.Based on the current lane, the vehicle in front and the potentially collapsing vehicle are analyzed and the lane keeping strategies (ie lane departure and / or lane change) regarding plausibility and safety limits are checked for plausibility and the associated costs and the success rating, ie the probability of success Added strategy list.
Die nachfolgende Formel zeigt die Berechnung der Kosten.
Der erste Bewertungsausdruck cM berücksichtigt die aus dem Umgebungsmodell erhaltenen physikalischen Werte. Der Wert ist eine gewichtete Kombination aus der temporären Lückengröße cGap, der Differenzgeschwindigkeit cΔv und der minimalen Zeitspanne, um den Spurwechsel durchzuführen, cLCD, sowie der Erfolgsbewertung cSA. The first evaluation term c M takes into account the physical values obtained from the environment model. The value is a weighted combination of the temporary gap size c Gap , the differential speed c Δv and the minimum time to perform the lane change, c LCD , and the performance rating c SA .
In einer Ausführung ist ein Minimalkriterium für die Akzeptanz der Lücke als gapmin definiert. Dieser Wert repräsentiert die minimale Lückengröße zwischen zwei Fahrzeugen. Kleinere Lückengrößen gapsize können als unendliche Kosten (und damit als nicht akzeptiert), und größere Lückengrößen gapsize als eine normalisierte Kostenbewertung angenommen werden, wie in Formel 3 beispielhaft gezeigt. Andere Bewertungen sind ebenfalls möglich.
Ein weiteres Kriterium ist, dass das Ego-Fahrzeug versuchen sollte, mit einer Geschwindigkeit so nahe wie möglich an der gewünschten Geschwindigkeit vref zu fahren, wobei ein Sicherheitsabstand zu anderen Straßennutzern einzuhalten ist. Die nahfolgende Formel evaluiert die maximale Geschwindigkeitsabweichung von der gewünschten Geschwindigkeit während des Manövers.
Ferner stellt normalerweise die minimale geschätzte Zeit für die Ego-Spurwechsel tgapReach die relevanten Informationen zum Vergleich von zwei Strategien bereit. Spurwechsel, die später beendet werden, werden bestraft, da sie ein Risiko beinhalten, dass sich die Situation ändert. Für örtlich begrenzte Situationen wie Straßenenden, Ausfahrten etc. wird die verfügbare Entfernung in eine verfügbare Zeit tmax umgewandelt, für nicht begrenzte Situationen wird eine generische verfügbare Zeit berücksichtigt. Wie in Formel (5) gezeigt, werden die Kosten für die minimale Zeitspanne zum Spurwechsel cLCD mit einer Exponentialfunktion berechnet, so dass die Kosten schneller wachsen, wenn sich die geschätzte Zeit der Grenze tgapReach der verfügbaren Zeit tmax nähert.
Die Erfolgsbewertung cSA evaluiert Konsequenzen einer Szenenentwicklung, die sich von der vorhergesagten unterscheidet. Die wahrscheinlichste Entwicklung wird evaluiert und innerhalb der Kostenfunktionszeit simuliert. Die Erfolgsbewertung ergibt basierend auf gelernten Werten aus früheren Situationen assoziierte Kosten für die Wahrscheinlichkeit, dass sich die Situation schlechter als erwartet entwickelt und dass eine ausgewählte Lücke nicht erreicht werden kann. Dadurch sind Unbestimmtheiten im Verhalten anderer Verkehrsteilnehmer durch den Kostenwert cSA berücksichtigt, wobei cSA als die Wahrscheinlichkeit eines nicht erfolgreichen Spurwechsels mit einem ausgewählten Manöver ist, also cSA = 1- p (Erfolg | ausgewähltes Manöver). Die Erfolgsbewertung erfolgt also durch Lernen aus früheren Werten, z.B. über ein neuronales Netzwerk oder andere Maschinenlernmethoden und Integrieren dieser gelernten Parameter in die Entscheidungsfindung.The performance rating c SA evaluates consequences of a scene development that differs from the predicted ones. The most likely development is evaluated and simulated within the cost-function time. The performance score, based on learned values from past situations, gives associated costs for the likelihood that the situation will develop worse than expected and that a selected gap can not be reached. As a result, uncertainties in the behavior of other road users are taken into account by the cost value c SA , where c SA is the probability of an unsuccessful lane change with a selected maneuver, ie c SA = 1 p (success | selected maneuver). The evaluation of success therefore takes place by learning from previous values, eg via a neural network or other machine learning methods and integrating these learned parameters into the decision-making process.
In einer Ausführung wird für die Erfolgsbewertung ein Satz an Simulationen unter Änderung der Startbedingungen durchlaufen, wobei z.B. ein neuronales Netzwerk mit 2 Ebenen und 30 Knoten trainiert wird. Für jede Simulation wird, sobald ein Spurwechsel gestartet wurde, die Information der ausgewählten Lücke und das Ergebnis des Manövers, also ob der Spurwechsel innerhalb der ausgewählten Lücke erfolgreich war oder nicht, gespeichert und als Zielwert an das neuronale Netzwerk weitergegeben. Somit ist eine binäre Klassifizierung für eine Startsituation oder ein Merkmalsvektor für einen erfolgreichen Spurwechsel vorhanden. Der Merkmalsvektor ist als Eingangsvektor durch den Abstand zwischen den Fahrzeugen, der longitudinalen Distanz und der Time-to-Collision, also der Zeit bis zu einer Kollision, zwischen dem Ego-Fahrzeug und den in dem Manöver involvierten Hauptfahrzeugen definiert. Das heißt, dass sowohl die Fahrzeuge, welche die Ziellücke der gewünschten Spur definieren, als auch das Vorderfahrzeug des Ego-Fahrzeugs auf der aktuellen Fahrspur, den Merkmalsvektor definieren.In one embodiment, for success evaluation, a set of simulations is run under change of start conditions, e.g. a neural network with 2 levels and 30 knots is trained. For each simulation, once a lane change has been started, the information of the selected gap and the result of the maneuver, that is, whether the lane change within the selected gap was successful or not, is stored and passed as a target value to the neural network. Thus, there is a binary classification for a starting situation or a feature vector for a successful lane change. The feature vector is defined as the input vector by the distance between the vehicles, the longitudinal distance and the time-to-collision, ie the time to collision, between the ego vehicle and the main vehicles involved in the maneuver. That is, both the vehicles defining the destination lane of the desired lane and the front vehicle of the ego vehicle on the current lane define the feature vector.
Das Verfahren kann mit dynamischen Umgebungen umgehen, da die vorausschauende Planungsstruktur die wahrscheinlichste Entwicklung der Situation berücksichtigt, aber auch vergangene Erfahrungswerte integriert und die dynamischen Fahrzeuggrenzen unter Einbeziehung einer flexiblen und modularen Struktur enthält.The method can handle dynamic environments because the predictive planning structure takes into account the most likely evolution of the situation, but also integrates past experience and includes the dynamic vehicle boundaries, incorporating a flexible and modular structure.
Durch das Verfahren der vorliegenden Erfindung, welches als Computerprogrammprodukt ausgeführt sein kann, das wiederum auf einer Recheneinheit ausführbar ist, wird eine optimierte Manöverplanung mit geringer Rechenzeit und hoher Akzeptanz des Fahrers erreicht.By the method of the present invention, which may be embodied as a computer program product, which in turn is executable on a computing unit, an optimized maneuver planning with low computing time and high acceptance of the driver is achieved.
Claims (9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017200580.7A DE102017200580A1 (en) | 2017-01-16 | 2017-01-16 | Method for optimizing a maneuver planning for autonomous vehicles |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017200580.7A DE102017200580A1 (en) | 2017-01-16 | 2017-01-16 | Method for optimizing a maneuver planning for autonomous vehicles |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102017200580A1 true DE102017200580A1 (en) | 2018-07-19 |
Family
ID=62716474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017200580.7A Pending DE102017200580A1 (en) | 2017-01-16 | 2017-01-16 | Method for optimizing a maneuver planning for autonomous vehicles |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102017200580A1 (en) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019201800A1 (en) * | 2019-02-12 | 2020-08-13 | Continental Automotive Gmbh | Method for trajectory planning of an assistance system |
DE102020100641A1 (en) * | 2020-01-14 | 2021-07-15 | Bayerische Motoren Werke Aktiengesellschaft | System for planning tasks |
DE102020107282A1 (en) | 2020-03-17 | 2021-09-23 | Bayerische Motoren Werke Aktiengesellschaft | Method for decision-making for a driver assistance system for automated driving of a vehicle |
CN114450556A (en) * | 2019-08-31 | 2022-05-06 | 华为技术有限公司 | Path planning method and device |
DE102022111538A1 (en) | 2022-05-09 | 2023-11-09 | Daimler Truck AG | Method and device for planning a lane change of a vehicle |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202012101687U1 (en) | 2012-05-08 | 2012-05-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Lane change assistance system |
DE102013213006A1 (en) | 2013-07-03 | 2015-01-08 | Bayerische Motoren Werke Aktiengesellschaft | Driver assistance subsystem for a motor vehicle for determining the options of action of several road users |
DE102014213259A1 (en) | 2014-07-08 | 2016-01-14 | Bayerische Motoren Werke Aktiengesellschaft | Driver assistance subsystem for a motor vehicle for determining a control parameter for a driver assistance system |
DE102014216257A1 (en) | 2014-08-15 | 2016-02-18 | Conti Temic Microelectronic Gmbh | Method for determining a driving strategy |
-
2017
- 2017-01-16 DE DE102017200580.7A patent/DE102017200580A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202012101687U1 (en) | 2012-05-08 | 2012-05-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Lane change assistance system |
DE102013213006A1 (en) | 2013-07-03 | 2015-01-08 | Bayerische Motoren Werke Aktiengesellschaft | Driver assistance subsystem for a motor vehicle for determining the options of action of several road users |
DE102014213259A1 (en) | 2014-07-08 | 2016-01-14 | Bayerische Motoren Werke Aktiengesellschaft | Driver assistance subsystem for a motor vehicle for determining a control parameter for a driver assistance system |
DE102014216257A1 (en) | 2014-08-15 | 2016-02-18 | Conti Temic Microelectronic Gmbh | Method for determining a driving strategy |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019201800A1 (en) * | 2019-02-12 | 2020-08-13 | Continental Automotive Gmbh | Method for trajectory planning of an assistance system |
WO2020164670A1 (en) | 2019-02-12 | 2020-08-20 | Conti Temic Microelectronic Gmbh | Method for trajectory planning of an assistance system |
CN114450556A (en) * | 2019-08-31 | 2022-05-06 | 华为技术有限公司 | Path planning method and device |
DE102020100641A1 (en) * | 2020-01-14 | 2021-07-15 | Bayerische Motoren Werke Aktiengesellschaft | System for planning tasks |
DE102020107282A1 (en) | 2020-03-17 | 2021-09-23 | Bayerische Motoren Werke Aktiengesellschaft | Method for decision-making for a driver assistance system for automated driving of a vehicle |
DE102020107282B4 (en) | 2020-03-17 | 2021-10-14 | Bayerische Motoren Werke Aktiengesellschaft | Method for decision-making for a driver assistance system for automated driving of a vehicle |
DE102022111538A1 (en) | 2022-05-09 | 2023-11-09 | Daimler Truck AG | Method and device for planning a lane change of a vehicle |
WO2023217507A1 (en) | 2022-05-09 | 2023-11-16 | Daimler Truck AG | Method and device for planning a lane change of a vehicle |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102015223890B4 (en) | DEVICE AND METHOD FOR CONTROLLING AUTONOMOUS NAVIGATION | |
DE102019104974A1 (en) | Method and system for determining a driving maneuver | |
DE102018133576A1 (en) | TRAJEKTORIENPLANER WITH DYNAMIC COST LEARNING FOR AUTONOMOUS DRIVING | |
DE112018005774T5 (en) | Device for predicting the behavior of a moving body and method for predicting the behavior of a moving body | |
DE102017200580A1 (en) | Method for optimizing a maneuver planning for autonomous vehicles | |
DE102016113903A1 (en) | Vehicle route determination | |
DE102016212700A1 (en) | Method and system for controlling a vehicle | |
DE102013005362A1 (en) | Method for analyzing traffic conditions between vehicle and road user at e.g. road crossings, involves dynamically determining danger areas based on points of intersection of predicted movement trajectories | |
EP2881829A2 (en) | Method for automatically controlling a vehicle, device for generating control signals for a vehicle and vehicle | |
DE102018008624A1 (en) | Control system and control method for sampling-based planning of possible trajectories for motor vehicles | |
DE102018119867B4 (en) | Autonomous behavior control using policy triggering and execution | |
DE102019129232A1 (en) | VOICE PROCESSING FOR A VEHICLE | |
DE102019209736A1 (en) | Procedure for evaluating possible trajectories | |
AT14433U2 (en) | Automated lane change in dynamic traffic based on driving dynamics restrictions | |
EP4052178A1 (en) | Method for training at least one algorithm for a control device of a motor vehicle, computer program product, and motor vehicle | |
DE102019118366A1 (en) | Method and control device for a system for controlling a motor vehicle | |
DE102014003343A1 (en) | Method for determining a lane change requirement of a system vehicle | |
DE102020130831A1 (en) | Autonomous vehicle system for detecting the safety driving model conformity status of another vehicle and planning accordingly | |
DE102015221626A1 (en) | Method for determining a vehicle trajectory along a reference curve | |
DE102020131949A1 (en) | SYSTEM AND PROCEDURE FOR LEARNING DRIVER PREFERENCE AND ADAPTING LANE CENTERING CONTROL TO DRIVER BEHAVIOR | |
DE102015209974A1 (en) | Cross-longitudinal combined trajectory planning for a vehicle | |
DE102018111070A1 (en) | Method for operating a motor vehicle for improving working conditions of evaluation units of the motor vehicle, control system for carrying out such a method and motor vehicle with such a control system | |
WO2020002100A1 (en) | Method for operating an at least partially automated vehicle | |
DE102021111686A1 (en) | NAVIGATION TRAJECTORY WITH REINFORCEMENT LEARNING FOR AN EGO VEHICLE ON A NAVIGATION NETWORK | |
DE102019133970A1 (en) | Controlling a ego vehicle in a neighborhood of a plurality of passageways |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed |