DE102017214053A1

DE102017214053A1 - Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn und Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs

Info

Publication number: DE102017214053A1
Application number: DE102017214053.4A
Authority: DE
Inventors: Simon Geisler; Christian Lellmann
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2017-08-11
Filing date: 2017-08-11
Publication date: 2019-02-14

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs (102) und einer Fahrbahn. Das Verfahren weist einen Schritt des Verarbeitens von Sensorsignalen (140) unter Verwendung eines rekurrenten neuronalen Netzes auf, um verarbeitete Sensorsignale zu erzeugen. Die Sensorsignale (140) repräsentieren mindestens von zumindest einer Erfassungseinrichtung (104, 106; 108) eingelesene, mit dem Reibwert korrelierbare Zustandsdaten. Dabei sind die Zustandsdaten in dem rekurrenten neuronalen Netz als Eingangsgrößen verwendbar. Das Verfahren weist auch einen Schritt des Ermittelns des Reibwerts unter Verwendung der verarbeiteten Sensorsignale auf.

Description

Stand der Technik
Die Erfindung geht von einer Vorrichtung oder einem Verfahren nach Gattung der unabhängigen Ansprüche aus. Gegenstand der vorliegenden Erfindung ist auch ein Computerprogramm.
Für Fahrzeugbewegungen kann unter anderem der Reibwert zwischen Fahrzeug und Fahrbahn von Bedeutung sein. Für eine direkte aktive Reibwertmessung in speziellen Situationen, wie beispielsweise einer Flugfeldreibwertbestimmung, können Messfahrzeuge mit Reibwertmesstechnik zum Einsatz kommen.
Die DE 10 2005 060 219 A1 beschreibt eine Abschätzung eines Reibkoeffizienten zwischen Straße und Reifen eines Kraftfahrzeuges.
Offenbarung der Erfindung
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren, weiterhin eine Vorrichtung, welche dieses Verfahren verwendet, sowie schließlich ein entsprechendes Computerprogramm gemäß den Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.
Gemäß Ausführungsformen kann ein Reibwert zwischen einer Fahrbahn und einem Fahrzeug insbesondere durch einen zeitfolgenbasierten statistischen Ansatz bestimmt werden. Hierbei kann der Reibwert beispielsweise unter Verwendung von Sensorikdaten bzw. Sensorsignalen als ein Schätzwert bzw. eine Wahrscheinlichkeitsverteilung von Reibwerten bestimmt werden. Hierzu können Sensorsignale insbesondere unter Verwendung eines rekurrenten neuronalen Netzes, beispielsweise eines Long Short-Term Memory Recurrent Neural Network (LSTM-RNN), verarbeitet werden. Der Reibwert kann zum Steuern einer Fahrzeugfunktion eines Fahrzeugs verwendet werden, insbesondere einer Assistenzfunktion. Insbesondere kann eine Cloud-basierte Reibwertschätzung unter Verwendung eines rekurrenten neuronalen Netzes, beispielsweise eines LSTM-RNN, realisiert werden.
Vorteilhafterweise kann gemäß Ausführungsformen insbesondere eine genaue und zuverlässige Einschätzung einer Reibung zwischen Fahrzeug und Fahrbahn ermöglicht werden. Hierbei können beispielsweise Daten aus einer Mehrzahl von Quellen verwendet werden und somit Schwarmwissen genutzt werden. So können insbesondere auch Auswirkungen etwaiger Sensorfehler verringert werden und Ergebnisse statistischer Auswertung für die Reibwertbestimmung verbessert werden. Des Weiteren kann beispielsweise ein großer Nutzerkreis angesprochen werden. Auch kann ein Einrichtungsaufwand zum Nutzen der Reibwertbestimmung gering und kostengünstig gehalten werden, insbesondere im Vergleich zu dedizierter Reibwert-Sensorik. Optional kann die Reibwertbestimmung mit anderen Connectivity-Funktionen kombiniert werden. Insbesondere kann die Reibwertbestimmung Ergebnisse über Straßenabschnitte auch für Fahrzeuge bereitstellen, die solche Straßenabschnitte noch nicht selbst befahren haben.
Es wird ein Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn vorgestellt, wobei das Verfahren folgende Schritte aufweist:

Verarbeiten von Sensorsignalen unter Verwendung eines rekurrenten neuronalen Netzes, um verarbeitete Sensorsignale zu erzeugen, wobei die Sensorsignale mindestens von zumindest einer Erfassungseinrichtung eingelesene, mit dem Reibwert korrelierbare Zustandsdaten repräsentieren, wobei die Zustandsdaten in dem rekurrenten neuronalen Netz als Eingangsgrößen verwendbar sind; und
Ermitteln des Reibwerts unter Verwendung der verarbeiteten Sensorsignale.

Dieses Verfahren kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einer Vorrichtung oder einem Steuergerät implementiert sein. Hierbei kann der Reibwert als ein Schätzwert und zusätzlich oder alternativ als eine Wahrscheinlichkeitsverteilung einer Reibung an einer bestimmten Stelle oder Region der Fahrbahn und/oder mit Hilfe eines neuronalen Netzwerks bestimmt werden. Der Reibwert kann auch einen Wertebereich repräsentieren, wobei der Reibwert beispielsweise einen Mittelwert und ein Konfidenzintervall oder dergleichen repräsentiert. Der Reibwert kann zur Verwendung für eine Ansteuerung einer Fahrzeugfunktion eines Fahrzeugs bestimmt sein, insbesondere eine Assistenzfunktion oder ein Assistenzsystem eines Fahrzeugs. Die Zustandsdaten können durch die zumindest eine Erfassungsseinsrichtung gewonnene, physikalische Messwerte repräsentieren. Das Verfahren kann auch einen Schritt des Einlesens der Sensorsignale von einer Schnittstelle zu der zumindest einen Erfassungseinrichtung aufweisen. Auch kann das Verfahren einen Schritt des Bereitstellens des Reibwerts in Gestalt eines Steuersignals zur Ausgabe an eine Schnittstelle zu mindestens einem Fahrzeug aufweisen. Das rekurrente neuronale Netz kann als ein Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) oder dergleichen ausgeführt sein.
Gemäß einer Ausführungsform können im Schritt des Verarbeitens Sensorsignale verarbeitet werden, die zu unterschiedlichen Zeitpunkten eingelesene Zustandsdaten repräsentieren. Zusätzlich oder alternativ können im Schritt des Verarbeitens Sensorsignale verarbeitet werden, die Zustandsdaten bezüglich eines die Fahrbahn aufweisenden Umgebungsbereichs repräsentieren. Eine solche Ausführungsform bietet den Vorteil, dass eine zeitfolgenbasierte statistische Verarbeitung der Sensorsignale durchgeführt werden kann, um den Reibwert zuverlässig und präzise zu bestimmen. Hierbei kann insbesondere auch ein Verlauf der Zustandsdaten über die Zeit verfolgt werden. Zudem kann der Reibwert insbesondere auf Basis von aussagekräftigen Umgebungsdaten bestimmt werden.
Auch kann zumindest der Schritt des Verarbeitens in einem Lernbetriebsmodus unter Verwendung eines Backpropagation-Algorithmus und zusätzlich oder alternativ einer gradientenbasierten Anpassung ausgeführt werden. Dabei können als Referenzgrößen Sensorsignale verwendet werden, die von mindestens einem Fahrdatensensor des Fahrzeugs eingelesene Zustandsdaten und zusätzlich oder alternativ Fahrdaten des Fahrzeugs repräsentieren. Auch kann der Schritt des Verarbeitens in dem Lernbetriebsmodus unter Verwendung einer Mehrzahl von Eingangsgrößen wiederholt ausgeführt werden, um ein globales Fehlerminimum zu bestimmen. Eine solche Ausführungsform bietet den Vorteil, dass das rekurrente neuronale Netz somit trainiert werden kann, um eine zuverlässige und genaue Reibwertbestimmung zu ermöglichen.
Ferner kann im Schritt des Verarbeitens eine Mehrzahl von rekurrenten neuronalen Netzen verwendet werden. Hierbei kann für jede einer Mehrzahl von geografischen Regionen ein dediziertes rekurrentes neuronales Netz der Mehrzahl von rekurrenten neuronalen Netzen verwendet werden. Jede geografische Region kann einen Teilabschnitt der Fahrbahn bezogen auf eine Längserstreckung der Fahrbahn aufweisen. Eine solche Ausführungsform bietet den Vorteil, dass regionale Unterschiede der Geografie berücksichtigt werden können, um den Reibwert sicher und exakt bestimmen zu können.
Zudem kann im Schritt des Ermittelns der Reibwert für eine den Umgebungsbereich aufweisende geografische Region ermittelt werden. Hierbei kann im Schritt des Ermittelns der Reibwert unter Verwendung zumindest eines Reibwertes für mindestens eine zu der geografischen Region benachbarte, weitere geografische Region ermittelt werden. Jede geografische Region kann einen Teilabschnitt der Fahrbahn bezogen auf eine Längserstreckung der Fahrbahn aufweisen. Dabei kann im Schritt des Verarbeitens jedes Sensorsignal einer geografischen Region zugeordnet werden. Eine solche Ausführungsform bietet den Vorteil, dass auch eine Reibwertkarte oder dergleichen mit regional zuverlässig und genau ermittelten Reibwerten generiert werden kann.
Gemäß einer Ausführungsform können im Schritt des Verarbeitens Sensorsignale verarbeitet werden, die von einem Umgebungssensor zumindest eines Fahrzeugs, einem Infrastruktursensor für den Umgebungsbereich und zusätzlich oder alternativ mindestens einem Fahrdatensensor des Fahrzeugs eingelesene Zustandsdaten repräsentieren. Zusätzlich oder alternativ können im Schritt des Verarbeitens Sensorsignale verarbeitet werden, die Umgebungsdaten für den Umgebungsbereich, Infrastrukturdaten für den Umgebungsbereich und zusätzlich oder alternativ Fahrdaten des Fahrzeugs repräsentieren. Die Umgebungsdaten können Messwerte von zumindest einem Umgebungssensor repräsentieren, wie beispielsweise Wetterdaten, insbesondere Temperatur, Regen, Schnee, Luftfeuchtigkeit, Luftdruck, Sonneneinstrahlung etc., und zusätzlich oder alternativ Umfelddaten von einer fahrzeuginternen Umfeldsensorik, wie beispielsweise Kamera, Radar, Wärmebild, Lidar etc. Die Infrastrukturdaten können Messwerte von zumindest einem Infrastruktursensor repräsentieren, insbesondere mittels einer Straßensensorik erfasste Daten, wie beispielsweise eine Temperatur eines Fahrbahnbelags, eine Feuchte auf einer Fahrbahnoberfläche, eine Anzahl von Fahrzeugen etc. Die Fahrdaten können Messwerte von zumindest einem Fahrdatensensor repräsentieren, wie beispielsweise Inertialsensorik, Odometrie, Schlupferfassung, Sensorik eines Lenksystems und zusätzlich oder alternativ eines Assistenzsystems zumindest eines Fahrzeugs etc. Eine solche Ausführungsform bietet den Vorteil, dass vielfältige Möglichkeiten für eine Gewinnung von Zustandsdaten ausgenutzt werden können.
Es wird auch ein Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs vorgestellt, wobei das Verfahren folgende Schritte aufweist:

Empfangen eines Steuersignals, das unter Verwendung eines gemäß einer Ausführungsform des vorstehend genannten Verfahrens bestimmten Reibwertes erzeugt ist; und
Ansteuern der Fahrzeugfunktion unter Verwendung des empfangenen Steuersignals.

Dieses Verfahren kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einer Vorrichtung oder einem Steuergerät implementiert sein. Die Fahrzeugfunktion kann eine Assistenzfunktion eines Assistenzsystems des Fahrzeugs repräsentieren. Bei dem Fahrzeug kann es sich um ein Fahrzeug für hochautomatisiertes Fahren handeln.
Der hier vorgestellte Ansatz schafft ferner eine Vorrichtung, die ausgebildet ist, um die Schritte einer Variante eines hier vorgestellten Verfahrens in entsprechenden Einrichtungen durchzuführen, anzusteuern bzw. umzusetzen. Auch durch diese Ausführungsvariante der Erfindung in Form einer Vorrichtung kann die der Erfindung zugrunde liegende Aufgabe schnell und effizient gelöst werden.
Hierzu kann die Vorrichtung zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, zumindest eine Schnittstelle zu einem Sensor oder einem Aktor zum Einlesen von Sensorsignalen von dem Sensor oder zum Ausgeben von Daten- oder Steuersignalen an den Aktor und/oder zumindest eine Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EEPROM oder eine magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einlesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einlesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:

1 eine schematische Darstellung eines vernetzten Systems gemäß einem Ausführungsbeispiel;
2 eine schematische Darstellung von Teilen des Systems aus 1;
3 ein Ablaufdiagramm eines Verfahrens zum Bestimmen gemäß einem Ausführungsbeispiel;
4 ein Ablaufdiagramm eines Verfahrens zum Steuern gemäß einem Ausführungsbeispiel;
5 ein Ablaufdiagramm eines Bestimmungsprozesses gemäß einem Ausführungsbeispiel;
6 eine schematische Darstellung einer Reibwertkarte mit geografischen Regionen gemäß einem Ausführungsbeispiel; und
7 ein Reibwert-Zeit-Diagramm gemäß einem Ausführungsbeispiel.

Bevor Ausführungsbeispiele nachfolgend unter Bezugnahme auf die Figuren eingehender beschrieben sind, werden zunächst Hintergründe und Grundlagen von Ausführungsbeispielen kurz erläutert.
Entwicklungen im Bereich vernetzter Fahrzeuge ermöglichen beispielsweise mittels sogenannter Connectivity-Einheiten einen Austausch von Sensorik-Daten über aktuelle Fahrbahn, Geschwindigkeit, Verkehrssituation etc. Durch eine Verarbeitung solcher Daten und einen daraus resultierenden Informationsgewinn über Straßenabschnitte können beispielsweise hochautomatisiertes Fahren und prädiktive Fahrerassistenzsysteme mit einem Zugewinn an Sicherheit betrieben werden. Insbesondere können einem Fahrzeug Informationen über eine Umgebung bereitgestellt werden, die seitens des Fahrzeugs allein mit eigener Sensorik nicht generieren werden könnten.
In diesem Kontext ist auch der Reibwert einen Kontakt zwischen Straße bzw. Fahrbahn und Fahrzeug bedeutsam. In Personenkraftwagen und dergleichen sind üblicherweise keine dedizierten Reibwertsensoren verbaut. Insbesondere ist es durch serverseitige Verarbeitung vieler Sensorikdaten von vielen verschiedenen Fahrzeugen, z. B. Beschleunigungssensorik, in Kombination mit Wettersensorik und straßenseitiger Sensorik, z. B. Glättesensoren, gemäß Ausführungsformen möglich, einen Reibwert für Straßenabschnitte zu bestimmen bzw. zu schätzen. Solche Informationen über den Reibwert können dann zur weiteren Funktionsentwicklung mit dem Ziel der Erhöhung von Sicherheit und Komfort verwendet werden. Straßenreibwerte, in einer Reibwertkarte eingetragen, können zum Beispiel genutzt werden, um automatisiert Fahrzeuggeschwindigkeiten zum Beispiel vor Kurven zu setzen. So können gefährliche Situationen oder Unfälle durch Abkommen von der Fahrspur, insbesondere bei schwierigen Straßenverhältnissen wie Nässe oder Schnee, vermieden werden.
Für eine direkte aktive Reibwertmessung in speziellen Situationen, z. B. Flugfeldreibwertbestimmung, gibt es Messfahrzeuge mit Reibwertmesstechnik. Hier seien beispielsweise der sogenannte Surface Friction Tester sowie die sogenannte Sideway-force Coefficient Routine Investigation Machine genannt. Beide basieren auf einer Kraftmessung. Der Surface Friction Tester ist ein Fahrzeuganhänger mit drei Rädern. Das dritte Rad wird bis in den physikalischen Grenzbereich, bis zum Reifenstillstand, abgebremst. Über die dazu nötige Bremskraft bzw. das dazu nötige Bremsmoment lässt sich die Reibkraft und mit Hilfe der bekannten Normalkraft der Reibwert bestimmen. Die Sideway-force Coefficient Routine Investigation Machine bestimmt die Reibkraft über die Seitenkraft eines fünften, um 20 Grad zur Fahrtrichtung geneigten Rades. Der Reibwert kann wieder mit bekannter Normalkraft bestimmt werden.
In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung werden für die in den verschiedenen Figuren dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser Elemente verzichtet wird.
1 zeigt eine schematische Darstellung eines vernetzten Systems 100 gemäß einem Ausführungsbeispiel. Das System 100 ist ausgebildet, um einen Reibwert für Straßenverkehr zu bestimmen und verwendbar zu machen. Mindestens weist das System 100 hierzu eine erste Vorrichtung 110 und eine zweite Vorrichtung 120 auf. Ferner dem System 100 zugehörig und/oder zugeordnet sind lediglich beispielhaft vier Fahrzeuge 102, Fahrzeugsensoren 104 in Gestalt von Fahrdatensensoren und/oder fahrzeuggebundenen Umgebungssensoren, beispielhaft lediglich ein Umgebungssensor 106, beispielhaft lediglich ein Infrastruktursensor 108 sowie eine Server-Einrichtung 130, ein sogenanntes Server-Backend 130, eine Datenwolke 130 bzw. eine sogenannte Cloud 130. Eine signalübertragungsfähige Vernetzung innerhalb des Systems 100 kann beispielsweise über Funk oder eine andere Datenübertragungsart realisiert sein.
Dabei ist die erste Vorrichtung 110 als ein Teil der Server-Einrichtung 130 realisiert. Die zweite Vorrichtung 120 ist aus Darstellungsgründen in 1 lediglich beispielhaft in einem der Fahrzeuge 102 angeordnet, das hier als ein Empfängerfahrzeug 102 bezeichnet werden kann. Die Fahrdatensensoren 104 sind lediglich beispielhaft in drei der Fahrzeuge 102 angeordnet, die hier als Senderfahrzeuge 102 bezeichnet werden können. Auch das Empfängerfahrzeug 102 kann einen Fahrzeugsensor 104 aufweisen. Auch die Senderfahrzeuge 102 können jeweils eine zweite Vorrichtung 120 aufweisen.
Die erste Vorrichtung 110 ist ausgebildet, um einen Reibwert für einen Kontakt zwischen einem Reifen eines Fahrzeugs 102 und einer Fahrbahn zu bestimmen. Hierbei ist die erste Vorrichtung 110 ausgebildet, um Sensorsignale 140 von den Fahrzeugsensoren 104, dem Umgebungssensor 106 und dem Infrastruktursensor 108 einzulesen. Die Sensorsignale 140 repräsentieren Zustandsdaten bzw. physikalische Messwerte, beispielsweise Umgebungsdaten für einen Umgebungsbereich von dem Umgebungssensor 106, Infrastrukturdaten für den Umgebungsbereich von dem Infrastruktursensor 108 und/oder Fahrdaten und/oder Umgebungsdaten der Fahrzeuge 102 von den Fahrzeugsensoren 104. Ferner ist die erste Vorrichtung 110 ausgebildet, um unter Verwendung der Sensorsignale 140 den Reibwert zu bestimmen und ein den Reibwert repräsentierendes oder aufweisendes Steuersignal 150 bereitzustellen oder auszugeben. Die zweite Vorrichtung 120 ist ausgebildet, um unter Verwendung des Steuersignals 150 eine Fahrzeugfunktion des Fahrzeugs 102, hier des Empfängerfahrzeugs 102, zu steuern.
Das System 100 ist so aufgebaut, dass viele Fahrzeuge 102 beispielsweise über ein Mobilfunknetz die Sensorsignale 140 bzw. Sensorikdaten an das Server-Backend 130 bzw. die in demselben realisierte erste Vorrichtung 110 senden. Hinzu kommen Infrastrukturdaten, beispielsweise Straßensensorikdaten, sowie Umgebungsdaten, beispielsweise Wetterdaten, die abgefragt werden können. Mittels der ersten Vorrichtung 110 werden die Sensorsignale 140 gemäß einem Ausführungsbeispiel mittels eines rekurrenten neuronalen Netzes, beispielsweise eines Long Short-Term Memory Recurrent Neural Network (LSTM-RNN), in Zeitfolgen verarbeitet, um einen ortsabhängigen Reibwert zu aggregieren. Dieser aggregierte Reibwert kann in Form des Steuersignals 150 an weitere Fahrzeuge 102 ortsgenau weitergegeben werden, um teilnehmenden Fahrzeugen 102 so eine Information über den derzeitigen Reibwert in einer jeweiligen Region bzw. einem jeweiligen Umgebungsbereich zu geben.
2 zeigt eine schematische Darstellung von Teilen des Systems aus 1. Von dem System aus 1 sind hierbei in der Darstellung von 2 beispielhaft lediglich die erste Vorrichtung 110 und das Empfängerfahrzeug 102 mit der zweiten Vorrichtung 120 und einer Fahrzeugfunktion 260 gezeigt. Bei der Fahrzeugfunktion 260 handelt es sich beispielsweise um eine Assistenzfunktion eines Assistenzsystems des Empfängerfahrzeugs 102.
Die erste Vorrichtung 110 weist eine Verarbeitungseinrichtung 212 und eine Ermittlungseinrichtung 214 auf. Die Verarbeitungseinrichtung 212 ist ausgebildet, um die Sensorsignale 140 unter Verwendung eines rekurrenten neuronalen Netzes, beispielsweise eines LSTM-RNN, zu verarbeiten, um verarbeitete Sensorsignale 245 zu erzeugen. Die Sensorsignale 140 repräsentieren mindestens von zumindest einer Erfassungseinrichtung eingelesene, mit dem Reibwert korrelierbare Zustandsdaten. In dem rekurrenten neuronalen Netz sind die Zustandsdaten als Eingangsgrößen verwendbar. Die Ermittlungseinrichtung 214 ist ausgebildet, um unter Verwendung der verarbeiteten Sensorsignale 245 den Reibwert zu ermitteln. Die erste Vorrichtung 110 ist ausgebildet, um den ermittelten Reibwert in Gestalt des Steuersignals 150 auszugeben oder zur Ausgabe bereitzustellen.
Die zweite Vorrichtung 120 weist eine Empfangseinrichtung 222 und eine Ansteuereinrichtung 224 auf. Dabei ist die Empfangseinrichtung 222 ausgebildet, um das Steuersignal 150 von der ersten Vorrichtung 110 zu empfangen. Ferner ist die Empfangseinrichtung 222 ausgebildet, um ein empfangenes Steuersignal 255 an die Ansteuereinrichtung 224 auszugeben oder bereitzustellen. Die Ansteuereinrichtung 224 ist ausgebildet, um das empfangene Steuersignal 255 an die Fahrzeugfunktion 260 weiterzuleiten, um die Fahrzeugfunktion 260 unter Verwendung des empfangenen Steuersignals 255 anzusteuern.
Alternativ kann die Fahrzeugfunktion 260 direkt unter Verwendung des Steuersignals 150 ansteuerbar sein. Hierbei kann die erste Vorrichtung 110 ausgebildet sein, um ein geeignetes Ansteuersignal 150 für die Fahrzeugfunktion 260 bereitzustellen oder auszugeben. Dabei kann die zweite Vorrichtung weggelassen sein.
3 zeigt ein Ablaufdiagramm eines Verfahrens 300 zum Bestimmen gemäß einem Ausführungsbeispiel. Das Verfahren 300 ist ausführbar, um einen Reibwert für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn zu bestimmen. Dabei ist das Verfahren 300 zum Bestimmen in Verbindung mit dem System aus 1 bzw. 2 ausführbar. Auch ist das Verfahren 300 zum Bestimmen unter Verwendung bzw. mittels der ersten Vorrichtung aus 1 bzw. 2 ausführbar.
In einem Schritt 310 des Verarbeitens werden bei dem Verfahren 300 zum Bestimmen Sensorsignale unter Verwendung eines rekurrenten neuronalen Netzes, beispielsweise eines LSTM-RNN, verarbeitet, um verarbeitete Sensorsignale zu erzeugen. Die Sensorsignale repräsentieren mindestens von zumindest einer Erfassungseinrichtung eingelesene, mit dem Reibwert korrelierbare Zustandsdaten. Dabei sind die Zustandsdaten in dem rekurrenten neuronalen Netz als Eingangsgrößen verwendbar. Nachfolgend wird in einem Schritt 320 des Ermittelns der Reibwert unter Verwendung der verarbeiteten Sensorsignale ermittelt.
Gemäß einem Ausführungsbeispiel werden im Schritt 310 des Verarbeitens Sensorsignale verarbeitet, die zu unterschiedlichen Zeitpunkten eingelesene Zustandsdaten repräsentieren. Zusätzlich oder alternativ werden im Schritt 310 des Verarbeitens Sensorsignale verarbeitet, die Zustandsdaten bezüglich eines die Fahrbahn aufweisenden Umgebungsbereichs repräsentieren. Gemäß einem weiteren Ausführungsbeispiel wird zumindest der Schritt 310 des Verarbeitens in einem Lernbetriebsmodus unter Verwendung eines Backpropagation-Algorithmus und zusätzlich oder alternativ einer gradientenbasierten Anpassung ausgeführt. Dabei werden als Referenzgrößen Sensorsignale verwendet, die von mindestens einem Fahrdatensensor des Fahrzeugs eingelesene Zustandsdaten und/oder Fahrdaten des Fahrzeugs repräsentieren. Hierbei wird der Schritt 310 des Verarbeitens in dem Lernbetriebsmodus unter Verwendung einer Mehrzahl von Eingangsgrößen wiederholt ausgeführt, um ein globales Fehlerminimum zu bestimmen. Zusätzlich oder alternativ wird gemäß einem Ausführungsbeispiel im Schritt 310 des Verarbeitens eine Mehrzahl von rekurrenten neuronalen Netzen verwendet. Dabei wird für jede einer Mehrzahl von geografischen Regionen ein dediziertes rekurrentes neuronales Netz der Mehrzahl von rekurrenten neuronalen Netzen verwendet.
Gemäß einem Ausführungsbeispiel wird der Reibwert im Schritt 320 des Ermittelns für eine den Umgebungsbereich aufweisende geografische Region ermittelt. Hierbei wird ferner im Schritt 320 des Ermittelns der Reibwert unter Verwendung zumindest eines bereits ermittelten Reibwertes für mindestens eine zu der geografischen Region benachbarte, weitere geografische Region ermittelt.
Das Verfahren 300 zum Bestimmen weist gemäß einem Ausführungsbeispiel auch einen Schritt 330 des Einlesens der Sensorsignale von einer Schnittstelle zu der zumindest einen Erfassungseinrichtung auf. Auch weist das Verfahren 300 zum Bestimmen optional einen Schritt 340 des Bereitstellens des Reibwerts in Gestalt eines Steuersignals zur Ausgabe an eine Schnittstelle zu mindestens einem Fahrzeug auf.
4 zeigt ein Ablaufdiagramm eines Verfahrens 400 zum Steuern gemäß einem Ausführungsbeispiel. Das Verfahren 400 ist ausführbar, um eine Fahrzeugfunktion eines Fahrzeugs zu steuern. Dabei ist das Verfahren 400 zum Steuern in Verbindung mit dem System aus 1 bzw. 2 ausführbar. Auch ist das Verfahren 400 zum Steuern unter Verwendung bzw. mittels der zweiten Vorrichtung aus 1 bzw. 2 ausführbar.
In einem Schritt 410 des Empfangens wird bei dem Verfahren 400 ein Steuersignal empfangen, das unter Verwendung eines Reibwertes erzeugt ist, der durch Ausführen des Verfahrens zum Bestimmen aus 3 oder eines ähnlichen Verfahrens bestimmt ist. In einem nachfolgenden Schritt 420 des Ansteuerns wird unter Verwendung des im Schritt 410 des Empfangens empfangenen Steuersignals die Fahrzeugfunktion angesteuert.
5 zeigt ein Ablaufdiagramm eines Bestimmungsprozesses 500 gemäß einem Ausführungsbeispiel. Der Bestimmungsprozess 500 ist im Zusammenhang mit dem Verfahren zum Bestimmen aus 3 oder einem ähnlichen Verfahren ausführbar. Ferner ist der Bestimmungsprozess 500 in Verbindung mit dem System aus 1 bzw. 2, insbesondere in Verbindung mit der ersten Vorrichtung ausführbar.
In einem Block 502 werden Sensorsignale in Gestalt von Sensorikdaten von Fahrzeugen empfangen bzw. von Fahrzeugen gesendet. In einem Block 504 werden Sensorsignale von einer straßenseitigen Sensorik bzw. von Infrastruktursensoren empfangen bzw. gesendet. In einem Block 506 nimmt die Server-Einrichtung bzw. ein Serverinterface bzw. Backend nimmt die Sensorsignale entgegen und fragt beispielsweise Wetterdaten an. In einem Block 508 stellt ein Wetterdienst als Umgebungssensor Umgebungsdaten als Sensorsignale bereit. In einem Block 510 erfolgt eine Datenvorverarbeitung, beispielsweise eine Featureset-Anpassung. In einem Block 512 werden die vorverarbeiteten Daten unter Verwendung eines rekurrenten neuronalen Netzes, beispielsweise eines LSTM-RNN, zu einem Reibwert verarbeitet. In einem Block 514 werden die verarbeiteten Daten an Endpunkte weitergegeben, beispielsweise an zumindest ein Fahrzeug.
Diese zu einem Reibwert verarbeiteten Daten können in Gestalt eines Steuersignals zum Beispiel genutzt werden, um beispielsweise bei einem Fahrzeug für hochautomatisiertes Fahren insbesondere sichere Kurvengeschwindigkeiten nach aktuell vorherrschendem Reibwert einzustellen.
6 zeigt eine schematische Darstellung einer Reibwertkarte 600 mit geografischen Regionen gemäß einem Ausführungsbeispiel. Die Reibwertkarte 600 weist lediglich beispielhaft 16 geografische Regionen A bis P auf. Für jede der geografischen Regionen A bis P der Reibwertkarte 600 ist ein Reibwert gemäß dem Verfahren zum Bestimmen aus 3 oder einem ähnlichen Verfahren bzw. mittels der ersten Vorrichtung aus 1 bzw. 2 oder einer ähnlichen Vorrichtung bestimmt.
Die Reibwertkarte 600 repräsentiert eine Näherung für eine räumliche Modellierung der ortsabhängig bestimmten Reibwerte. Hierfür können verschiedene Ansätze gewählt werden. Zur Veranschaulichung ist in 6 ein Grid-Ansatz mit quadratischen und gleich großen geografischen Regionen A bis P bzw. Bereichen gewählt. Zur Berechnung des Reibwerts wird für jede dieser geografischen Regionen A bis P ein rekurrentes neuronales Netz, beispielsweise ein LSTM-RNN, verwendet. Wird beispielsweise der Reibwert für die geografische Region F bestimmt, so werden gemäß einem Ausführungsbeispiel auch umliegende bzw. benachbarte geografische Regionen 610 mit in die Bestimmung einbezogen. Bezüglich der geografischen Region F umfassen die benachbarten geografischen Regionen 610 hierbei insbesondere die geografischen Regionen A, B, C, E, G, I, J und K. Optional können die benachbarten geografischen Regionen 710 auch mehr oder weniger als die geografischen Regionen A, B, C, E, G, I, J und K umfassen.
7 zeigt ein Reibwert-Zeit-Diagramm 700 gemäß einem Ausführungsbeispiel. Hierbei ist an der Abszissenachse die Zeit t aufgetragen, wobei an der Ordinatenachse der Reibwert µ aufgetragen ist. In dem Reibwert-Zeit-Diagramm 700 ist ein zeitlicher Verlauf des gemäß dem Verfahren zum Bestimmen aus 3 oder einem ähnlichen Verfahren bzw. mittels der ersten Vorrichtung aus 1 bzw. 2 oder einer ähnlichen Vorrichtung bestimmten Reibwerts µ und dessen Standardabweichung bzw. Unsicherheit für eine der geografischen Regionen aus 6 veranschaulicht.
In das Reibwert-Zeit-Diagramm 700 sind ein erster Graph 710, ein zweiter Graph 720 und ein dritter Graph 730 eingetragen. Der erste Graph 710 repräsentiert den bestimmten Reibwert µ für die geografische Region. Dabei ist der erste Graph 710 zwischen dem zweiten Graphen 720 und dem dritten Graphen 730 angeordnet. Der zweite Graph 720 und der dritte Graph 730 begrenzen einen Toleranzbereich um den ersten Graphen 710 herum.
Unter Bezugnahme auf die vorstehend beschrieben Figuren wird nachfolgend ein Ausführungsbeispiel im Hinblick auf das rekurrente neuronale Netz noch detaillierter und mit anderen Worten erläutert.
Der Reibwert µ kann unter Verwendung eines sogenannten Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) mittels der ersten Vorrichtung 110 und/oder durch Ausführen des Verfahrens 300 bestimmt werden. Es handelt sich dabei um ein rekurrentes neuronales Netz mit LSTM-Zellen in den verdeckten Schichten (Hidden Layers), die Werte bzw. Eingangsgrößen über einen Zeitraum hinweg vorhalten können. So kann ein Zeitverlauf des Reibwertes µ nachgebildet werden. Die einzelnen Zellen sind wiederum über Synapsen vernetzt miteinander verbunden. Hierdurch kann jede beliebige Funktion dargestellt werden. Über Logistik-Eingangsfunktionen, insbesondere Sigmoid-Funktionen, welche über die gewichteten Synapsen mit Werten bzw. Eingangsgrößen angeregt werden, kann entschieden werden, ob ein Wert gespeichert, gelöscht oder ausgegeben wird. Eine Eingangsschicht bzw. Eingangs-Layer nimmt über Neuronen die Eingangsgrößen entgegen.
Als mögliche Eingangsgrößen sind von den Zustandsdaten beispielsweise Umgebungsdaten, insbesondere Wetterdaten, wie zum Beispiel Temperatur, Regen/Schnee, Luftfeuchtigkeit, Luftdruck, Sonneneinstrahlung, etc., Infrastrukturdaten von Straßensensorik, wie zum Beispiel Temperatur des Fahrbahnbelags, Feuchte auf Straßenoberfläche, Anzahl von Fahrzeugen etc., Fahrdaten, wie zum Beispiel eine Bestimmung des ausgenutzten Reibwerts durch Inertialsensorik/Odometrie, Schlupf, etc., eine Bestimmung des ausgenutzten Reibwerts durch ein Lenksystem, eine Bestimmung des ausnutzbaren Reibwerts durch ABS- (Antiblockiersystem) oder ESP-Eingriffe (elektronisches Stabilitätspaket), Infrastrukturdaten, wie zum Beispiel eine Bestimmung des ausnutzbaren Reibwerts durch Straßensensorik, insbesondere Temperatur des Fahrbahnbelags, Feuchte auf Straßenoberfläche, Anzahl von Fahrzeugen etc., Umgebungsdaten, wie beispielsweise eine Bestimmung des ausnutzbaren Reibwerts aus Umfeldsensorik, wie beispielsweise Kamera, Radar, Wärmebild, Lidar etc., und ein Reibwert bzw. Zustand an umliegenden Orten bzw. in umliegenden geografischen Regionen verwendbar.
Eine Ausgangsschicht bzw. Ausgangs-Layer bietet abhängig von einer Einteilung eines Reibwertfensters eine Anzahl an Ausgangsneuronen an, deren Wert einer Wahrscheinlichkeit dieses Reibwertes entspricht. Teilt man beispielsweise einen Reibwertbereich von 0,05 bis 1,5 in 0,05-Schritte ein, ergeben sich 30 Ausgangsneuronen. Zusätzlich zum Reibwert mit der höchsten Wahrscheinlichkeit, lassen sich hier auch die Verteilung und ein Genauigkeitsbereich angeben.
Um ein LSTM-Modell zuverlässiger nutzen zu können, kann es in einem Lernbetriebsmodus angelernt werden, insbesondere hinsichtlich Sigmoid-Bias und Synapsen-Gewichten. Hier werden Lern- und Testdaten verwendet, die ungefähr die gleiche Verteilung an Eingangswerten haben, wie im realen Betrieb. Dazu wird eine sogenannte Ground-Truth benötigt, mit dem ein Ergebnis des LSTM-RNN verglichen werden kann. Hier kann zum Beispiel ein über ESP-Eingriff geschätzter ausnutzbarer Reibwert mit einer Standardabweichung (Normalverteilung) oder eine andere Eingangsgröße genutzt werden.
Zunächst werden zufällige Werte für Sigmoid-Bias und Synapsengewichte gewählt. Anschließend werden Eingangsdaten auf das LSTM-RNN gegeben. Der quadratische Fehler der Ergebnisse wird dann z. B. per Backpropagation auf die einzelnen Parameter zurückgeführt, um dann mit gradientenbasierter Anpassung die Parameter zu verändern. Über viele Lernschritte bzw. Durchgänge kann so ein lokales Fehlerminimum gefunden werden. Um ein globales Minimum zu finden, werden die Lernschritte des Lernbetriebsmodus mit anderen Startparametern bzw. Eingangsgrößen wiederholt.
Umfasst ein Ausführungsbeispiel eine „und/oder“-Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.
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

DE 102005060219 A1 [0003]

Claims

Verfahren (300) zum Bestimmen eines Reibwerts (µ) für einen Kontakt zwischen einem Reifen eines Fahrzeugs (102) und einer Fahrbahn, wobei das Verfahren (300) folgende Schritte aufweist: Verarbeiten (310) von Sensorsignalen (140) unter Verwendung eines rekurrenten neuronalen Netzes, um verarbeitete Sensorsignale (245) zu erzeugen, wobei die Sensorsignale (140) von zumindest einer Erfassungseinrichtung (104, 106, 108) eingelesene, mit dem Reibwert (µ) korrelierbare Zustandsdaten repräsentieren, wobei die Zustandsdaten in dem rekurrenten neuronalen Netz als Eingangsgrößen verwendbar sind; und Ermitteln (320) des Reibwerts (µ) unter Verwendung der verarbeiteten Sensorsignale (245).
Verfahren (300) gemäß Anspruch 1, dadurch gekennzeichnet, dass im Schritt (310) des Verarbeitens Sensorsignale (140) verarbeitet werden, die zu unterschiedlichen Zeitpunkten eingelesene Zustandsdaten und/oder Zustandsdaten bezüglich eines die Fahrbahn aufweisenden Umgebungsbereichs repräsentieren.
Verfahren (300) gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass zumindest der Schritt (310) des Verarbeitens in einem Lernbetriebsmodus unter Verwendung eines Backpropagation-Algorithmus und/oder einer gradientenbasierten Anpassung ausgeführt wird, wobei als Referenzgrößen Sensorsignale (140) verwendet werden, die von mindestens einem Fahrdatensensor (104) des Fahrzeugs (102) eingelesene Zustandsdaten und/oder Fahrdaten des Fahrzeugs (102) repräsentieren, wobei der Schritt (310) des Verarbeitens in dem Lernbetriebsmodus unter Verwendung einer Mehrzahl von Eingangsgrößen wiederholt ausgeführt wird, um ein globales Fehlerminimum zu bestimmen.
Verfahren (300) gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass im Schritt (310) des Verarbeitens eine Mehrzahl von rekurrenten neuronalen Netzen verwendet wird, wobei für jede einer Mehrzahl von geografischen Regionen (A, B, C, D, E, F, G, H, I, J, K, L, M, N, O, P) ein dediziertes rekurrentes neuronales Netz der Mehrzahl von rekurrenten neuronalen Netzen verwendet wird.
Verfahren (300) gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass im Schritt (320) des Ermittelns der Reibwert für eine den Umgebungsbereich aufweisende geografische Region (A, B, C, D, E, F, G, H, I, J, K, L, M, N, O, P) ermittelt wird, wobei im Schritt (320) des Ermittelns der Reibwert (µ) unter Verwendung zumindest eines Reibwertes für mindestens eine zu der geografischen Region (A, B, C, D, E, F, G, H, I, J, K, L, M, N, O, P) benachbarte, weitere geografische Region (710) ermittelt wird.
Verfahren (300) gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass im Schritt (310) des Verarbeitens Sensorsignale (140) verarbeitet werden, die von einem Umgebungssensor (104) zumindest eines Fahrzeugs (102), einem Infrastruktursensor (108) für den Umgebungsbereich und/oder mindestens einem Fahrdatensensor (104) des Fahrzeugs (102) eingelesene Zustandsdaten repräsentieren und/oder Umgebungsdaten für den Umgebungsbereich, Infrastrukturdaten für den Umgebungsbereich und/oder Fahrdaten des Fahrzeugs (102) repräsentieren.
Verfahren (400) zum Steuern einer Fahrzeugfunktion (260) eines Fahrzeugs (102), wobei das Verfahren (400) folgende Schritte aufweist: Empfangen (410) eines Steuersignals (150), das unter Verwendung eines nach einem Verfahren (300) gemäß einem der vorangegangenen Ansprüche bestimmten Reibwertes (µ) erzeugt ist; und Ansteuern (420) der Fahrzeugfunktion (260) unter Verwendung des empfangenen Steuersignals (255).
Vorrichtung (110; 120), die eingerichtet ist, um Schritte eines Verfahrens (300; 400) gemäß einem der vorangegangenen Ansprüche in entsprechenden Einheiten auszuführen und/oder anzusteuern.
Computerprogramm, das dazu eingerichtet ist, ein Verfahren (300; 400) gemäß einem der vorangegangenen Ansprüche auszuführen und/oder anzusteuern.
Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 9 gespeichert ist.