-
Die Erfindung betrifft eine Prädiktionsvorrichtung und ein Prädiktionsverfahren zur Prädiktion eines zukünftigen Verhaltens eines Verkehrsteilnehmers.
-
Insbesondere im Kontext des automatisierten Fahrens von Kraftfahrzeugen wird die automatisierte Prädiktion des zukünftigen Verhaltens von Verkehrsteilnehmern immer wichtiger.
-
Unter dem Begriff „automatisiertes Fahren“ kann im Rahmen des Dokuments ein Fahren mit automatisierter Längs- oder Querführung oder ein autonomes Fahren mit automatisierter Längs- und Querführung verstanden werden. Der Begriff „automatisiertes Fahren“ umfasst ein automatisiertes Fahren mit einem beliebigen Automatisierungsgrad. Beispielhafte Automatisierungsgrade sind ein assistiertes, teilautomatisiertes, hochautomatisiertes oder vollautomatisiertes Fahren. Diese Automatisierungsgrade wurden von der Bundesanstalt für Straßenwesen (BASt) definiert (siehe BASt-Publikation „Forschung kompakt“, Ausgabe 11/2012). Beim assistierten Fahren führt der Fahrer dauerhaft die Längs- oder Querführung aus, während das System die jeweils andere Funktion in gewissen Grenzen übernimmt. Beim teilautomatisierten Fahren (TAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum und/oder in spezifischen Situationen, wobei der Fahrer das System wie beim assistierten Fahren dauerhaft überwachen muss. Beim hochautomatisierten Fahren (HAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum, ohne dass der Fahrer das System dauerhaft überwachen muss; der Fahrer muss aber in einer gewissen Zeit in der Lage sein, die Fahrzeugführung zu übernehmen. Beim vollautomatisierten Fahren (VAF) kann das System für einen spezifischen Anwendungsfall das Fahren in allen Situationen automatisch bewältigen; für diesen Anwendungsfall ist kein Fahrer mehr erforderlich. Die vorstehend genannten vier Automatisierungsgrade gemäß der Definition der BASt entsprechen den SAE-Level 1 bis 4 der Norm SAE J3016 (SAE - Society of Automotive Engineering). Beispielsweise entspricht das hochautomatisierte Fahren (HAF) gemäß der BASt dem Level 3 der Norm SAE J3016. Ferner ist in der SAE J3016 noch der SAE-Level 5 als höchster Automatisierungsgrad vorgesehen, der in der Definition der BASt nicht enthalten ist. Der SAE-Level 5 entspricht einem fahrerlosen Fahren, bei dem das System während der ganzen Fahrt alle Situationen wie ein menschlicher Fahrer automatisch bewältigen kann; ein Fahrer ist generell nicht mehr erforderlich.
-
Beispielsweise beschreibt die
WO 2008/053373 A2 ein Verfahren zur Prädiktion des zukünftigen Verhaltens eines Verkehrsteilnehmers.
-
Es ist Aufgabe der Erfindung, ein alternatives Verfahren und eine entsprechende Vorrichtung zur Prädiktion des zukünftigen Verhaltens eines Verkehrsteilnehmers anzugeben.
-
Die Aufgabe wird durch die Merkmale der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen sind in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
-
Ein erster Aspekt der Erfindung betrifft eine Prädiktionsvorrichtung für ein insbesondere automatisiertes Kraftfahrzeug zur Prädiktion eines zukünftigen Verhaltens eines Verkehrsteilnehmers im Umfeld des Kraftfahrzeugs. Bei dem Verkehrsteilnehmer kann es sich insbesondere um ein Kraftfahrzeug oder um einen Fußgänger handeln.
-
Die Prädiktionsvorrichtung ist eingerichtet, eine Verkehrsteilnehmerklasse des Verkehrsteilnehmers zu ermitteln.
-
Die Verkehrsteilnehmerklasse kann insbesondere von zumindest einem statischen Merkmal des Verkehrsteilnehmers abhängig sein. Beispielsweise kann die Verkehrsteilnehmerklasse von der Art des Verkehrsteilnehmers abhängig sein (z.B. PKW, LKW, Fußgänger, Kraftrad). Alternativ oder zusätzlich kann die Verkehrsteilnehmerklasse beispielsweise auch von den Ausmaßen oder dem (geschätzten) Gewicht des Verkehrsteilnehmers abhängig sein. Die Verkehrsteilnehmerklasse kann insbesondere auch von zumindest einem dynamischen Merkmal des Verkehrsteilnehmers abhängig sein. Beispielsweise kann die Verkehrsteilnehmerklasse von dem Beschleunigungsverhalten des Verkehrsteilnehmers, dem Pendelverhalten des Verkehrsteilnehmers in einer Fahrspur, dem Abbiegeverhalten des Verkehrsteilnehmers oder dem Verhalten des Verkehrsteilnehmers bei einem Fahrspurwechsel abhängig sein.
-
Außerdem ist die Prädiktionsvorrichtung eingerichtet, von einer fahrzeugexternen Lernvorrichtung ein von der Verkehrsteilnehmerklasse des Verkehrsteilnehmers abhängiges Bewegungsmodell entgegenzunehmen.
-
Die Kommunikation zwischen der Prädiktionsvorrichtung und der Lernvorrichtung kann dabei insbesondere über Mobilfunk oder drahtlose Nahbereichskommunikation erfolgen.
-
Bei der Lernvorrichtung kann es sich beispielsweise um eine Lernvorrichtung handeln, die ausschließlich mit genau einer Prädiktionsvorrichtung kommuniziert. Es kann sich alternativ dazu aber auch um eine Lernvorrichtung handeln, die mit zumindest zwei verschiedenen Prädiktionsvorrichtungen, die jeweils von verschiedenen Kraftfahrzeugen umfasst sind, kommuniziert.
-
Die Lernvorrichtung kann dabei insbesondere auf einer Methode des Maschinellen Lernens basieren, beispielsweise auf einer Methode des verstärkenden Lernens (z.B. „reinforcement learning“, „inverse reinforcement learning“).
-
Die Prädiktionsvorrichtung ist weiterhin eingerichtet, das entgegengenommene Bewegungsmodell in Abhängigkeit von einem beobachteten aktuellen Verhalten des Verkehrsteilnehmers anzupassen.
-
Insbesondere kann das Bewegungsmodell in Abhängigkeit eines beobachteten dynamischen Verhaltens angepasst werden.
-
Diese Anpassung des Bewegungsmodells kann insbesondere ebenfalls auf einer Methode des Maschinellen Lernens basieren, beispielsweise auf der gleichen Methode, auf der auch die fahrzeugexterne Lernvorrichtung basiert.
-
Das zukünftige Verhalten des Verkehrsteilnehmers wird in Abhängigkeit von dem angepassten Bewegungsmodell von der Prädiktionsvorrichtung prädiziert.
-
In einer vorteilhaften Ausführungsform ist die Prädiktionsvorrichtung eingerichtet, bei der Beobachtung des aktuellen Verhaltens des Verkehrsteilnehmers das dynamische Verhalten des Verkehrsteilnehmers zu erfassen.
-
Das dynamische Verhalten des Verkehrsteilnehmers kann insbesondere ein Verhalten sein, das nicht als Reaktion auf eine verkehrsteilnehmerexterne Aktion oder Situation erfolgt. Beispielsweise kann es sich dabei um das Beschleunigungsverhalten oder um das Pendelverhalten in einer Fahrspur handeln.
-
In einer weiteren vorteilhaften Ausführungsform ist die Prädiktionsvorrichtung eingerichtet, bei der Beobachtung des aktuellen Verhaltens des Verkehrsteilnehmers Reaktionen des Verkehrsteilnehmers auf statische und/oder dynamische Umfeldeinflüsse zu erfassen.
-
Das aktuelle Verhalten des Verkehrsteilnehmers kann insbesondere Verhalten sein, das als Reaktion auf eine verkehrsteilnehmerexterne Aktion oder Situation erfolgt. Beispielsweise kann es sich dabei um das Verhalten des Verkehrsteilnehmers bei Abfahren einer Kurve handeln oder um das Verhalten des Verkehrsteilnehmers beim Spurwechsel oder beim Abbiegen. Alternativ oder zusätzlich kann es sich auch um eine Reaktion des Verkehrsteilnehmers auf eine Aktion eines dritten Verkehrsteilnehmers handeln.
-
In einer weiteren vorteilhaften Ausführungsform ist die Prädiktionsvorrichtung eingerichtet, zumindest eine für das angepasste Bewegungsmodell charakteristische Parametergröße und die Verkehrsteilnehmerklasse des Verkehrsteilnehmers an die Lernvorrichtung zu übermitteln, so dass die Lernvorrichtung das von ihr vorgehaltene Bewegungsmodell für die übermittelte Verkehrsteilnehmerklasse in Abhängigkeit von der übermittelten Parametergröße anpassen kann.
-
Bei der für das angepasste Bewegungsmodell charakteristischen Parametergröße kann es sich beispielsweise um einen Gewichtungsfaktor für ein Neuron eines neuronalen Netzes handeln, um Parameter einer Wahrscheinlichkeitsdichteschätzung, oder aber Wichtungsfaktoren einer Kostenfunktion für eine Optimalsteuerung.
-
Durch die Möglichkeit der Anpassung des von der Lernvorrichtung vorgehaltenen Bewegungsmodells besteht die Möglichkeit, Wissen, das von einer ersten Prädiktionsvorrichtung in einem ersten Kraftfahrzeug gelernt wurde, an eine zweite Prädiktionsvorrichtung in einem zweiten Kraftfahrzeug zu übertragen.
-
In einer weiteren vorteilhaften Ausführungsform ist die Prädiktionsvorrichtung eingerichtet, mit einem Fahrerassistenzsystem des Kraftfahrzeugs gekoppelt zu werden.
-
Mittels des Fahrerassistenzsystems führt die Prädiktionsvorrichtung ein den Verkehrsteilnehmer beeinflussendes Fahrmanöver des Kraftfahrzeugs aus und beobachtet die Reaktion des Verkehrsteilnehmers auf das Fahrmanöver als aktuelles Verhalten des Verkehrsteilnehmers. Das Fahrmanöver kann beispielsweise die Längs- und/oder Querführung des Kraftfahrzeugs beeinflussen.
-
Die Prädiktionsvorrichtung ist eingerichtet, das Bewegungsmodell in Abhängigkeit von der Reaktion des Verkehrsteilnehmers auf das Fahrmanöver anzupassen.
-
In einer weiteren vorteilhaften Ausführungsform ist die Prädiktionsvorrichtung eingerichtet, eine hypothetische Trajektorie für das Kraftfahrzeug zu ermitteln, und das zukünftige Verhalten des Verkehrsteilnehmers zusätzlich in Abhängigkeit von der hypothetischen Trajektorie zu prädizieren.
-
In einer weiteren vorteilhaften Ausführungsform ist die Prädiktionsvorrichtung eingerichtet, zumindest zwei hypothetische Trajektorien für das Kraftfahrzeug zu ermitteln und das zukünftige Verhalten des Verkehrsteilnehmers für jede der hypothetischen Trajektorien zusätzlich in Abhängigkeit von der jeweiligen hypothetischen Trajektorie zu prädizieren.
-
In Abhängigkeit von den für die hypothetischen Trajektorien für das Kraftfahrzeug prädizierten zukünftigen Verhalten des Verkehrsteilnehmers wird eine der hypothetischen Trajektorien für einen automatisierten Betrieb des Kraftfahrzeugs ausgewählt. Dabei kann insbesondere diejenige hypothetische Trajektorie ausgewählt werden, die für den Fahrer des Kraftfahrzeugs den höchsten Fahrkomfort bietet.
-
Ein zweiter Aspekt der Erfindung betrifft ein Verfahren zur Prädiktion eines zukünftigen Verhaltens eines Verkehrsteilnehmers im Umfeld eines Kraftfahrzeugs.
-
In einem Schritt des Verfahrens wird eine Verkehrsteilnehmerklasse des Verkehrsteilnehmers ermittelt.
-
In einem weiteren Schritt wird ein von der Verkehrsteilnehmerklasse des Verkehrsteilnehmers abhängiges Bewegungsmodell von einer fahrzeugexternen Lernvorrichtung entgegengenommen.
-
In einem weiteren Schritt wird das entgegengenommene Bewegungsmodells in Abhängigkeit von einem beobachteten aktuellen Verhalten des Verkehrsteilnehmers angepasst und das zukünftige Verhalten des Verkehrsteilnehmers wird in Abhängigkeit von dem angepassten Bewegungsmodell prädiziert.
-
Die vorstehenden Ausführungen zur erfindungsgemäßen Prädiktionsvorrichtung nach dem ersten Aspekt der Erfindung gelten in entsprechender Weise auch für das erfindungsgemäße Prädiktionsverfahren nach dem zweiten Aspekt der Erfindung. An dieser Stelle und in den Patentansprüchen nicht explizit beschriebene vorteilhafte Ausführungsbeispiele des erfindungsgemäßen Prädiktionsverfahren entsprechen den vorstehend beschriebenen oder in den Patentansprüchen beschriebenen vorteilhaften Ausführungsbeispielen der erfindungsgemäßen Prädiktionsvorrichtung.
-
Die Erfindung wird nachfolgend anhand eines Ausführungsbeispiels unter Zuhilfenahme der beigefügten Zeichnung beschrieben. In dieser zeigt:
- 1 ein Ausführungsbeispiel der erfindungsgemäßen Prädiktionsvorrichtung.
-
1 zeigt eine Prädiktionsvorrichtung PV für ein Kraftfahrzeug KFZ zur Prädiktion eines zukünftigen Verhaltens eines Verkehrsteilnehmers VKTN im Umfeld des Kraftfahrzeugs KFZ. Bei dem Verkehrsteilnehmer kann es sich beispielsweise um einen Personenkraftwagen (PKW) handeln.
-
Die Prädiktionsvorrichtung PV ist eingerichtet, eine Verkehrsteilnehmerklasse des Verkehrsteilnehmers VKTN zu ermitteln 1. Dafür kann die Prädiktionsvorrichtung PV insbesondere auf die Sensorik des Kraftfahrzeugs KFZ zugreifen und beispielsweise Kamerabilder auswerten.
-
Die Verkehrsteilnehmerklasse des Verkehrsteilnehmers VKTN umfasst dabei beispielsweise die Information, dass es sich dabei um einen PKW handelt.
-
Die Prädiktionsvorrichtung PV fordert dann von einer fahrzeugexternen Lernvorrichtung LV ein von der Verkehrsteilnehmerklasse des Verkehrsteilnehmers VKTN abhängiges Bewegungsmodell BM1 an und nimmt dieses Bewegungsmodell BM1 entgegen 2.
-
Bei der Lernvorrichtung LV handelt es sich beispielsweise um einen vom Hersteller des Kraftfahrzeugs KFZ betriebenen zentralen Dienst, der Bewegungsmodelle BM1, BM2, BM3 für verschiedene Verkehrsteilnehmerklassen vorhält und zentral weiterentwickelt.
-
Das entgegengenommene Bewegungsmodell BM1' wird von der Prädiktionsvorrichtung PV in Abhängigkeit von einem beobachteten 3 aktuellen Verhalten des Verkehrsteilnehmers VKTN angepasst.
-
Zur Beobachtung 3 des Verhaltens des Verkehrsteilnehmers kann die Prädiktionsvorrichtung beispielsweise auf die gleichen Sensoren des Kraftfahrzeugs KFZ zugreifen, mit denen bereits die Verkehrsteilnehmerklasse des Verkehrsteilnehmers VKTN ermittelt wurde.
-
Die Beobachtung 3 kann dabei insbesondere kontinuierlich erfolgen, so dass mehrere Verhaltensweisen des Verkehrsteilnehmers VKTN erfasst werden.
-
Insbesondere kann dabei das dynamische Verhalten des Verkehrsteilnehmers beobachtet 3 werden. Beispielsweise kann das Beschleunigungsverhalten des Verkehrsteilnehmers VKTN oder dessen Pendeln in einer Fahrspur erfasst werden.
-
Zusätzlich kann auch die Reaktion des Verkehrsteilnehmers VKTN auf Umfeldeinflüsse erfasst werden. Beispielsweise kann das Abbiegeverhalten des Verkehrsteilnehmers VKTN an einer Kreuzung erfasst werden. Darüber hinaus kann auch eine Reaktion des Verkehrsteilnehmers VKTN auf eine Aktion eines dritten Verkehrsteilnehmers erfasst werden. Bei dem dritten Verkehrsteilnehmer kann es sich beispielsweise auch um das Kraftfahrzeug KFZ handeln und die Reaktion des Verkehrsteilnehmers VKTN auf ein Fahrmanöver des Kraftfahrzeugs KFZ kann erfasst werden.
-
Insbesondere kann hierfür die Prädiktionsvorrichtung mit einem Fahrerassistenzsystem FAS des Kraftfahrzeugs KFZ gekoppelt werden. Mittels des Fahrerassistenzsystems FAS kann ein den Verkehrsteilnehmer VKTN beeinflussendes Fahrmanöver des Kraftfahrzeugs KFZ ausgeführt werden (5), so dass eine Reaktion des Verkehrsteilnehmers (VKTN) aktiv herbeigeführt wird.
-
Die Anpassung des Bewegungsmodells BM1' kann insbesondere mittels einer Methode des Maschinellen Lernens erfolgen, wie beispielsweise der Methode des „inverse reinforcement learning“.
-
Das zukünftige Verhalten des Verkehrsteilnehmers VKTN wird dann von der Prädiktionsvorrichtung PV in Abhängigkeit von dem angepassten Bewegungsmodell BM1' prädiziert.
-
Zusätzlich ist die Prädiktionsvorrichtung PV insbesondere eingerichtet, eine für das angepasste Bewegungsmodell BM1' charakteristische Parametergröße und die Verkehrsteilnehmerklasse des Verkehrsteilnehmers VKTN an die Lernvorrichtung LV übermitteln 4.
-
Die Lernvorrichtung LV kann damit das von ihr vorgehaltene Bewegungsmodell BM1 für die übermittelte Verkehrsteilnehmerklasse in Abhängigkeit von der übermittelten Parametergröße anpassen und Dritten zur Verfügung stellen.
-
Bei der für das angepasste Bewegungsmodell BM1' charakteristischen Parametergröße kann es sich beispielsweise um eine Parametergröße eines neuronalen Netzes handeln, wie beispielsweise ein Gewichtungsfaktor für ein Neuron. Es kann sich alternativ dazu aber beispielsweise auch um Parameter einer Wahrscheinlichkeitsdichteschätzung, oder aber Wichtungsfaktoren einer Kostenfunktion für eine Optimalsteuerung handeln.
-
Die Prädiktionsvorrichtung PV kann insbesondere auch einen automatisierten Betrieb des Kraftfahrzeugs unterstützen. Dafür ist die Prädiktionsvorrichtung PV eingerichtet ist zumindest eine hypothetische Trajektorie für das Kraftfahrzeug KFZ zu ermitteln.
-
Für jede der hypothetischen Trajektorien wir zusätzlich zum Bewegungsmodell BM1' für den Verkehrsteilnehmer VKTN auch in Abhängigkeit von der jeweiligen hypothetischen Trajektorie das zukünftige Verhalten des Verkehrsteilnehmers VKTN für jede der hypothetischen Trajektorien zu prädizieren.
-
Wurde mehr als eine hypothetische Trajektorie für das Kraftfahrzeug KFZ ermittelt, so kann in Abhängigkeit von den für die hypothetischen Trajektorien für das Kraftfahrzeug KFZ prädizierten zukünftigen Verhalten des Verkehrsteilnehmers VKTN eine der hypothetischen Trajektorien für einen automatisierten Betrieb des Kraftfahrzeugs KFZ ausgewählt werden. Insbesondere kann dabei diejenige hypothetische Trajektorie für das Kraftfahrzeug KFZ ausgewählt werden, die einem Fahrer des Kraftfahrzeugs KFZ den höchsten Fahrkomfort bietet.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-