DE102017214094A1 - Method and device for determining a coefficient of friction of a roadway - Google Patents
Method and device for determining a coefficient of friction of a roadway Download PDFInfo
- Publication number
- DE102017214094A1 DE102017214094A1 DE102017214094.1A DE102017214094A DE102017214094A1 DE 102017214094 A1 DE102017214094 A1 DE 102017214094A1 DE 102017214094 A DE102017214094 A DE 102017214094A DE 102017214094 A1 DE102017214094 A1 DE 102017214094A1
- Authority
- DE
- Germany
- Prior art keywords
- friction
- coefficient
- determined
- determining
- semivariogram
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005259 measurement Methods 0.000 claims abstract description 108
- 238000010801 machine learning Methods 0.000 claims abstract description 47
- 230000002123 temporal effect Effects 0.000 claims abstract description 28
- 230000002596 correlated effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000006854 communication Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- B60W40/02—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 related to ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- 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
- B60W40/02—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 related to ambient conditions
- B60W40/06—Road conditions
- B60W40/068—Road friction coefficient
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2210/00—Detection or estimation of road or environment conditions; Detection or estimation of road shapes
- B60T2210/10—Detection or estimation of road conditions
- B60T2210/12—Friction
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/40—Coefficient of friction
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/55—External transmission of data to or from the vehicle using telemetry
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/65—Data transmitted between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
Es wird ein Verfahren zum Ermitteln eines Reibwertes (µ̂) einer Fahrbahn, welches ein Bereitstellen eines Datensatzes (14) von Reibmesswerten (µ) der Fahrbahn aufweist, wobei jeder der Reibmesswerte (µ) einen Reibungskoeffizienten der Fahrbahn an einer Messposition (si) zu einem Messzeitpunkt (ti) angibt. Das Verfahren zeichnet sich insbesondere durch die folgenden Schritte aus: Modellieren eines räumlichen und/oder zeitlichen Zusammenhangs zwischen zumindest einer Teilmenge der Reibmesswerte (µ) basierend auf einem Semivariogramm; Ermitteln zumindest eines Teils des Semivariogramms unter Verwendung eines Machine-Learning-Systems (15); Ermitteln eines Wichtungsfaktors (wi) für jeden Reibmesswert (µ) relativ zum Zeitpunkt (t0) und Fahrbahnposition (s0) der Prädiktion der Teilmenge von Reibmesswerten (µ) basierend auf dem Semivariogramm; und Ermitteln eines Reibwertes (µ̂) für eine Fahrbahnposition (s0) und/oder für einen Zeitpunkt (t0) unter Bilden eines gewichteten Mittelwerts, wobei der gewichtete Mittelwert mit einer Summe der mit den jeweiligen Wichtungsfaktoren gewichteten Reibmesswerten (µ) der Teilmenge der Reibmesswerte (µ) korreliert. Dies erlaubt es, Reibwerte einer Fahrbahn zuverlässig, schnell und mit hoher Genauigkeit zu ermitteln. A method for determining a coefficient of friction (μ) of a roadway, which comprises providing a data set (14) of friction values (μ) of the roadway, wherein each of the friction measurement values (μ) admits a friction coefficient of the roadway at a measuring position (s i ) indicates a measuring time (t i ). The method is characterized in particular by the following steps: modeling a spatial and / or temporal relationship between at least a subset of the friction measurement values (μ) based on a semivariogram; Determining at least a portion of the semivariogram using a machine learning system (15); Determining a weighting factor (w i ) for each friction measurement value (μ) relative to the time point (t 0 ) and roadway position (s 0 ) of the prediction of the subset of friction measurement values (μ) based on the semivariogram; and determining a coefficient of friction (μ) for a roadway position (s 0 ) and / or for a point in time (t 0 ) to form a weighted average, wherein the weighted average value comprises a sum of the friction coefficients (μ) of the subset of weighted with the respective weighting factors Friction measurements (μ) correlated. This makes it possible to determine friction coefficients of a road reliably, quickly and with high accuracy.
Description
Gebiet der ErfindungField of the invention
Die vorliegende Erfindung betrifft allgemein das Gebiet der Ermittlung von Reibwerten einer Fahrbahn. Insbesondere betrifft die Erfindung ein Verfahren zum Ermitteln eines Reibwertes einer Fahrbahn und/oder ein Verfahren zum Erstellen einer Reibwertkarte. Ferner betrifft die Erfindung eine Vorrichtung, insbesondere eine Datenverarbeitungsvorrichtung, zum Ermitteln eines Reibwertes einer Fahrbahn.The present invention relates generally to the field of determining friction coefficients of a roadway. In particular, the invention relates to a method for determining a coefficient of friction of a road and / or a method for creating a friction coefficient map. Furthermore, the invention relates to a device, in particular a data processing device, for determining a coefficient of friction of a roadway.
Stand der TechnikState of the art
Reibwerte für Fahrbahnen, wie etwa Straßen, Parkplätze, Rollfelder und/oder Startbahnen auf Flughäfen, werden häufig basierend auf einer direkten und aktiven Reibwertmessung ermittelt und/oder gemessen. Zur aktiven Reibwertmessung werden in der Regel spezielle Messfahrzeuge mit einer Reibwertmesstechnik eingesetzt. Beispiele für derartige Messfahrzeuge sind der sogenannte „Surface Friction Tester“ sowie die „Sideway-force Coefficient Routine Investigation Machine“, bei welchen Reibmesswerte der Fahrbahn basierend auf einer Kraftmessung ermittelt werden. Beispielsweise kann das Messfahrzeug über einen Fahrzeuganhänger mit drei Rädern verfügen, wobei das dritte Rad in den physikalischen Grenzbereich, d.h. bis zum Reifenstillstand, abgebremst werden kann. Über die dazu nötige Bremskraft und/oder das dazu nötige Bremsmoment lässt sich die Reibkraft und mit Hilfe der bekannten Normalkraft der Reibwert zwischen Fahrbahn und dem dritten Rad bestimmen. Alternativ kann die Reibkraft beispielsweise über eine Seitenkraft eines fünften, um etwa 20° zur Fahrtrichtung geneigten Rades ermittelt werden. Auch in diesem Fall kann der Reibwert unter Kenntnis der Normalkraft bestimmt werden. Derartige Messverfahren können allerdings aufgrund der darin eingesetzten aufwändigen Messtechnik nicht ohne großen Aufwand in Serien-Fahrzeugen eingesetzt werden.Frictional coefficients for lanes, such as roads, parking lots, runways and / or airport runways, are often determined and / or measured based on a direct and active coefficient of friction measurement. For active friction value measurement special measuring vehicles are usually used with a Reibwertmesstechnik. Examples of such measuring vehicles are the so-called "Surface Friction Tester" and the "Sideway-force Coefficient Routine Investigation Machine" in which Reibmesswerte the roadway are determined based on a force measurement. For example, the measuring vehicle may have a three-wheeled vehicle trailer with the third wheel in the physical boundary area, i. until the tire stops, can be braked. About the required braking force and / or the necessary braking torque can be the friction force and determine with the help of the known normal force of the coefficient of friction between the road and the third wheel. Alternatively, the frictional force can be determined, for example, by a lateral force of a fifth wheel inclined at about 20 ° to the direction of travel. Also in this case, the coefficient of friction can be determined by knowing the normal force. However, such measuring methods can not be used without great effort in series vehicles because of the elaborate measuring technology used therein.
Auch finden zunehmend passive Messverfahren zur Ermittlung von Reibwerten Einsatz. In derartigen Messverfahren kann basierend auf Sensordaten von Fahrzeugen, wie etwa Daten von Beschleunigungssensoren, Gyrosensoren, ESP-Sensoren, Drehratensensoren oder dergleichen, sowie Wetterdaten und/oder Straßensensordaten, wie beispielsweise Glättesensoren, Feuchtigkeitssensoren und/oder Temperatursensoren, ein Reibwert für eine Position und/oder einen Abschnitt der Fahrbahn ermittelt werden.Also increasingly passive measuring methods for determining coefficients of friction are used. In such measuring methods based on sensor data of vehicles, such as data from acceleration sensors, gyro sensors, ESP sensors, yaw rate sensors or the like, as well as weather data and / or road sensor data, such as smoothness sensors, humidity sensors and / or temperature sensors, a friction value for a position and / or a section of the roadway.
Offenbarung der ErfindungDisclosure of the invention
Mit Ausführungsformen der Erfindung können in vorteilhafter Weise Reibwerte einer Fahrbahn zuverlässig, schnell und mit hoher Genauigkeit ermittelt werden.With embodiments of the invention, coefficients of friction of a roadway can advantageously be determined reliably, quickly and with high accuracy.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Ermitteln eines Reibwertes einer Fahrbahn und/oder eines Reibwertes zwischen einem Fahrzeug, etwa einem Reifen des Fahrzeugs, und der Fahrbahn. Der Reibwert kann dabei einen Reibungskoeffizienten zwischen der Fahrbahn und dem Fahrzeug bezeichnen. Die Fahrbahn kann dabei eine Straße, einen Parkplatz, ein Rollfeld, eine Startbahn und/oder jede andere von einem Fahrzeug befahrbare Fläche bezeichnen. Das Verfahren weist dabei den Schritt des Bereitstellens eines Datensatzes, etwa in einer Speichervorrichtung und/oder einem Datenspeicher einer Datenverarbeitungsvorrichtung, mit Reibmesswerten der Fahrbahn auf, wobei jeder der Reibmesswerte einen Reibungskoeffizienten der Fahrbahn, insbesondere einen Reibungskoeffizienten zwischen der Fahrbahn und dem Fahrzeug, an einer Messposition zu einem Messzeitpunkt angibt. Das Verfahren zeichnet sich insbesondere dadurch aus, dass es die folgenden Schritte aufweist:
- - Modellieren, Darstellen, Abbilden und/oder Ermitteln eines räumlichen und/oder zeitlichen Zusammenhangs zwischen zumindest einer Teilmenge der Reibmesswerte basierend auf einem Semivariogramm;
- - Ermitteln, Bestimmen und/oder Berechnen zumindest eines Teils des Semivariogramms, insbesondere von Semivarianzen und/oder Kovarianzen des Semivariogramms, unter Verwendung eines Machine-Learning Systems;
- - Ermitteln, Bestimmen und/oder Berechnen eines Wichtungsfaktors für jeden Reibmesswert der Teilmenge von Reibmesswerten basierend auf dem Semivariogramm; und
- - Ermitteln, Bestimmen und/oder Berechnen eines Reibwertes für eine Fahrbahnposition und/oder für einen Zeitpunkt unter Bilden eines gewichteten Mittelwerts, wobei der gewichtete Mittelwert mit einer Summe von mit den jeweiligen Wichtungsfaktoren gewichteten Reibmesswerten der Teilmenge der Reibmesswerte korreliert.
- Modeling, displaying, mapping and / or determining a spatial and / or temporal relationship between at least a subset of the friction measurement values based on a semivariogram;
- Determining, determining and / or calculating at least part of the semivariogram, in particular of semivariances and / or covariances of the semivariogram, using a machine-learning system;
- Determining, determining and / or calculating a weighting factor for each friction measurement of the subset of friction measurements based on the semivariogram; and
- Determining, determining and / or calculating a coefficient of friction for a roadway position and / or for a time while forming a weighted average value, wherein the weighted average value is correlated with a sum of friction values weighted with the respective weighting factors of the subset of the friction measurement values.
Das Semivariogramm, auch Variogramm genannt, kann etwa gemäß der allgemein üblichen Definition, eine räumliche und/oder zeitliche Beziehung und/oder Korrelation jedes der Reibmesswerte der Teilmenge der Reibmesswerte zu den weiteren Reibmesswerten der Teilmenge bezeichnen. Im Allgemeinen kann das Semivariogramm und/oder das Variogramm Semivarianzen der Reibmesswerte der Teilmenge von Reibmesswerten als Funktion des Ortes und/oder als Funktion der Zeit beinhalten. Unter Verwendung des Semivariogramms und/oder des Variogramms kann in vorteilhafter Weise die räumliche und/oder zeitliche Beziehung bzw. die räumliche und/oder zeitliche Korrelation zwischen den Reibmesswerten der Teilmenge modelliert werden. Gleichsam kann der Schritt des Modellierens des räumlichen und/oder zeitlichen Zusammenhangs zwischen zumindest einer Teilmenge der Reibmesswerte basierend auf einem Semivariogramm ein Modellieren des Semivariogramms aufweisen und/oder bezeichnen. The semivariogram, also called a variogram, may, for example, in accordance with the generally customary definition, designate a spatial and / or temporal relationship and / or correlation of each of the friction measurement values of the subset of the friction measurement values to the further friction measurement values of the subset. In general, the semivariogram and / or the variogram may include semivariances of the friction measurements of the subset of friction measurements as a function of location and / or as a function of time. Using the semivariogram and / or the variogram, the spatial and / or temporal relationship or the spatial and / or temporal correlation between the friction measurement values of the subset can be modeled in an advantageous manner. Similarly, the step of modeling the spatial and / or temporal relationship between at least a subset of the friction measurements based on a semivariogram may include and / or denote modeling the semivariogram.
Der gewichtete Mittelwert kann insbesondere eine Summe der Reibmesswerte der Teilmenge bezeichnen, wobei jeder der Reibmesswerte mit dem für den jeweiligen Reibmesswert ermittelten Wichtungsfaktor gewichtet und/oder multipliziert sein kann. Mit anderen Worten kann der gewichtete Mittelwert die Summe der Reibmesswerte der Teilmenge, jeweils multipliziert mit dem zugehörigen Wichtungsfaktor, bezeichnen. Die Wichtungsfaktoren können dabei jeweils relativ zu dem Zeitpunkt und/oder der Fahrbahnposition ermittelt werden, für welchen und/oder für welche der Reibwert bestimmt wird.The weighted mean value may in particular denote a sum of the friction measurement values of the subset, wherein each of the friction measurement values may be weighted and / or multiplied by the weighting factor determined for the respective friction measurement value. In other words, the weighted average may denote the sum of the friction measurements of the subset, each multiplied by the associated weighting factor. The weighting factors can be determined in each case relative to the time and / or the roadway position for which and / or for which the coefficient of friction is determined.
Das Verfahren kann als auf den nachfolgend beschriebenen Erkenntnissen beruhend angesehen werden. Mittels aktiver Messverfahren und/oder mittels passiver Verfahren zur Bestimmung von Reibmesswerten einer Fahrbahn können Reibmesswerte an bestimmten Messpositionen für bestimmte Messzeitpunkte ermittelt werden. Beispielsweise können im Rahmen passiver Verfahren basierend auf Fahrzeugdaten, Wetterdaten und/oder Straßensensordaten räumlich verteilte Reibmesswerte, gegebenenfalls mit einer zugehörigen Messunsicherheit, zum jeweiligen Messzeitpunkt ermittelt werden. Diese Reibmesswerte können etwa in dem Datensatz zusammengefasst werden, wobei räumlich und/oder zeitlich zwischen den Reibmesswerten des Datensatzes keine Reibmesswerte vorliegen können. In gewissen räumlichen und/oder zeitlichen Bereichen können sich daher die Reibmesswerte des Datensatzes häufen, wohingegen in anderen Bereichen nur wenige oder gar keine Reibmesswerte vorhanden sein können. Zudem können die Reibmesswerte des Datensatzes auch zu unterschiedlichen Zeiten ermittelt sein und sich aus diesem Grund zumindest teilweise voneinander unterscheiden. Um basierend auf einem solchen Datensatz von Reibmesswerten einen Reibwert für die räumlichen und/oder zeitlichen Zwischenräume zu ermitteln, ist erfindungsgemäß vorgesehen, zumindest für eine Teilmenge des Datensatzes den räumlichen und/oder zeitlichen Zusammenhang der Reibmesswerte der Teilmenge basierend auf dem Semivariogramm zu ermitteln. Basierend auf dem Semivariogramm kann in vorteilhafter Weise die räumliche und/oder zeitliche Beziehung und/oder Korrelation der Reibmesswerte der Teilmenge ermittelt werden. Dies wiederum kann es erlauben, mit hoher Präzision und/oder Genauigkeit einen Reibwert zu ermitteln, welcher räumlich zwischen den Reibmesswerten liegt. Zudem kann mit hoher Präzision und/oder Genauigkeit ein Reibwert für einen beliebigen Zeitpunkt ermittelt werden, wobei dieser Zeitpunkt relativ zu den Messzeitpunkten der Reibmesswerte in der Gegenwart, der Zukunft oder der Vergangenheit liegen kann. Basierend auf dem Semivariogramm kann daher ein Reibwert in zeitlicher Hinsicht präzise prädiziert werden.The method may be considered to be based on the findings described below. By means of active measuring methods and / or by means of passive methods for the determination of friction measuring values of a roadway, friction measuring values can be determined at certain measuring positions for specific measuring times. For example, in the context of passive methods based on vehicle data, weather data and / or road sensor data, spatially distributed friction measurement values, optionally with an associated measurement uncertainty, can be determined at the respective measurement time. These friction measurement values can be summarized in the data record, for example, wherein spatially and / or temporally there can be no friction measurement values between the friction measurement values of the data set. In certain spatial and / or temporal regions, therefore, the friction measurement values of the data set may pile up, whereas in other areas only a few or no friction measurement values may be present. In addition, the Reibmesswerte the data set can also be determined at different times and for this reason at least partially different from each other. In order to determine a coefficient of friction for the spatial and / or time intervals on the basis of such a set of friction measurement values, it is provided to determine the spatial and / or temporal relationship of the friction measurement values of the subset based on the semivariogram, at least for a subset of the data set. Based on the semivariogram, it is advantageously possible to determine the spatial and / or temporal relationship and / or correlation of the friction measurement values of the subset. This, in turn, may allow a coefficient of friction to be determined with high precision and / or accuracy, which lies spatially between the friction measured values. In addition, a friction value for any desired time can be determined with high precision and / or accuracy, wherein this time may be relative to the measurement times of the friction measurements in the present, the future or the past. Based on the semivariogram, a coefficient of friction can therefore be precisely predicted in terms of time.
Das Verfahren erlaubt es somit, eine beliebige Anzahl von Reibwerten für beliebige Fahrbahnpositionen und/oder für beliebige Zeitpunkte basierend auf dem Datensatz von Reibmesswerten zu ermitteln. Somit kann in vorteilhafter Weise eine Reibwertkarte, welche eine Straßenkarte mit den zugehörigen Reibwerten der Straßen der Straßenkarte bezeichnen kann, ermittelt werden. Gleichsam kann das erfindungsgemäße Verfahren ein Verfahren zum Ermitteln und/oder Erstellen einer Reibwertkarte bezeichnen. Zudem kann das Verfahren ein Verfahren zum Ermitteln eines Reibwertes und/oder Erstellen einer Reibwertkarte basierend auf einem Kriging, insbesondere einem spatiotemporalen Kriging, bezeichnen.The method thus makes it possible to determine an arbitrary number of coefficients of friction for arbitrary roadway positions and / or for any time points based on the data record of friction measurement values. Thus, advantageously, a friction coefficient map, which can designate a road map with the associated coefficients of friction of the roads of the road map, can be determined. Similarly, the method according to the invention may designate a method for determining and / or creating a friction coefficient map. In addition, the method may designate a method for determining a coefficient of friction and / or creating a friction coefficient map based on a kriging, in particular a spatiotemporal kriging.
Das Verfahren ermöglicht somit in vorteilhafter Weise, dass neben der räumlichen Modellierung eine beliebige Anzahl von Reibmesswerten, analog einem Schwarmwissen, genutzt werden können. So können Einflüsse einzelner Messfehler und/oder Unsicherheiten der Reibmesswerte auf die Genauigkeit der ermittelten Reibwerte geringgehalten werden, da eine statistische Auswertung der Reibmesswerte basierend auf dem Semivariogramm eine hohe Genauigkeit erlaubt. Zudem können auch in räumlichen und/oder zeitlichen Bereichen, in welchen nur wenig Reibmesswerte vorliegen, zuverlässige und präzise Reibwerte ermittelt und/oder prädiziert werden. Damit kann in vorteilhafter Weise eine flächendeckende Reibwertkarte erstellt werden. Auch wird eine Genauigkeit des ermittelten Reibwertes nicht dadurch negativ beeinflusst, dass die Reibmesswerte zu verschiedenen Messzeitpunkten ermittelt wurden, jedoch die Prädiktion des Reibwertes nur zu einem gewissen Zeitpunkt erfolgen soll. Ein weiterer Vorteil ist, dass dieser Zeitpunkt in der Gegenwart, Vergangenheit oder auch in der Zukunft liegen kann. Auch kann das erfindungsgemäße Verfahren kosteneffizient einer beliebigen Anzahl von Nutzern, beispielsweise Verkehrsteilnehmern, zur Verfügung gestellt werden, wobei das Verfahren auch mit anderen Connectivity-Funktionen von Fahrzeugen kombiniert werden kann. Damit können zusätzliche Informationen über Fahrbahnen und/oder Straßenabschnitte bereitgestellt werden, obwohl die Fahrbahn beispielsweise noch nicht mit dem eigenen Fahrzeug befahren wurde.The method thus advantageously makes it possible to use, in addition to the spatial modeling, any desired number of friction measurement values, analogously to a swarming knowledge. Thus, influences of individual measurement errors and / or uncertainties of the friction measurement values on the accuracy of the determined friction values can be kept low, since a statistical evaluation of the friction measurement values based on the semivariogram permits a high degree of accuracy. In addition, reliable and precise coefficients of friction can also be determined and / or predicted in spatial and / or temporal regions in which there are only few friction measurement values. This can be created in an advantageous manner, a nationwide friction coefficient. Also, an accuracy of the determined coefficient of friction is not adversely affected by the fact that the Reibmesswerte were determined at different measuring times, but the prediction of the coefficient of friction should take place only at a certain time. Another advantage is that this time can be in the present, the past or in the future. Also, the inventive method can be cost effective one any number of users, such as road users, provided, the method can also be combined with other connectivity functions of vehicles. Thus, additional information about roadways and / or road sections can be provided, although the road has not been used, for example, with your own vehicle.
Das Machine-Learning-System kann ein System mit künstlicher Intelligenz bezeichnen und/oder aufweisen. Beispielsweise kann in dem Machine-Learning-System eine Regressionsmethode zur Bestimmung zumindest eines Teils des Semivariogramms implementiert sein. Alternativ oder zusätzlich kann das Machine-Learning-System ein neuronales Netz, insbesondere ein vielschichtiges, neuronales Netz und/oder ein Multilayer-Neuronales-Netz, aufweisen. Das neuronale Netz kann dabei in einem Feed-Forward-Modus betrieben werden, wobei als Eingangsdaten die Reibmesswerte der Teilmenge von Reibmesswerten, Wetterdaten und/oder Fahrzeugsensordaten verwendet werden können. Das Machine-Learning-System kann insbesondere zur Ermittlung von Semivarianzen, von Kovarianzen und/oder von mit den Semivarianzen korrelierenden Größen basierend auf den Reibmesswerten eingerichtet sein. Das Machine-Learning-System kann etwa in einer Datenverarbeitungsvorrichtung implementiert und/oder realisiert sein. Durch Verwendung des Machine-Learning-Systems kann in vorteilhafter Weise das Semivariogramm für jede Fahrbahnposition präzise und schnell ermittelt werden. So kann eine erhöhte Flexibilität und Genauigkeit der Reibwertermittlung sowie eine bessere lokale Anpassung erreicht werden. Auch ist es möglich, das Machine-Learning-System kontinuierlich durch Onlinelernen zu adaptieren und/oder zu verbessern, so dass eine Präzision der Reibwertermittlung weiter gesteigert sein kann.The machine learning system may designate and / or include an artificial intelligence system. For example, a regression method for determining at least part of the semivariogram may be implemented in the machine learning system. Alternatively or additionally, the machine-learning system may comprise a neural network, in particular a multi-layered neural network and / or a multilayer neural network. The neural network can be operated in a feed-forward mode, wherein the friction measurement values of the subset of friction measurements, weather data and / or vehicle sensor data can be used as input data. The machine learning system can be set up, in particular, for determining semivariances, covariances and / or variables correlated with the semivariances, based on the friction measurement values. The machine learning system can be implemented and / or realized in a data processing device, for example. By using the machine-learning system, the semivariogram for each roadway position can be determined precisely and quickly in an advantageous manner. Thus, increased flexibility and accuracy of Reibwertermittlung and a better local adaptation can be achieved. It is also possible to continuously adapt and / or improve the machine-learning system by means of online learning, so that a precision of the friction value determination can be further increased.
Gemäß einer Ausführungsform der Erfindung weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln einer Semivarianz und/oder einer Kovarianz zwischen jeweils zwei Reibmesswerten der Teilmenge der Reibmesswerte auf. Mit anderen Worten kann für jeden Reibmesswert der Teilmenge eine Semivarianz und/oder eine Kovarianz zu jedem weiteren Reibmesswert der Teilmenge ermittelt werden. Allgemein können die ermittelten Semivarianzen und/oder Kovarianzen ein zuverlässiges Maß für eine räumliche und/oder zeitliche Streuung und/oder Korrelation der Reibmesswerte darstellen, so dass basierend auf den Semivarianzen und/oder den Kovarianzen ein Semivariogramm erstellt werden kann, welches den räumlichen und/oder zeitlichen Zusammenhang zwischen den Reibmesswerten der Teilmenge umfassend abbilden kann.According to one embodiment of the invention, the step of modeling based on the semivariogram comprises determining a semivariance and / or a covariance between in each case two friction measurement values of the subset of the friction measurement values. In other words, a semivariance and / or a covariance for each additional friction measurement value of the subset can be determined for each friction measurement value of the subset. In general, the determined semivariances and / or covariances can represent a reliable measure for a spatial and / or temporal scattering and / or correlation of the friction measurement values, so that a semivariogram can be created based on the semivariances and / or the covariances, which determines the spatial and / or or can comprehensively map the temporal relationship between the friction measurement values of the subset.
Gemäß einer Ausführungsform der Erfindung werden die Semivarianzen und/oder die Kovarianzen jeweils in Abhängigkeit eines räumlichen Abstands zwischen den Positionen der zwei Reibmesswerte ermittelt. Alternativ oder zusätzlich können die Semivarianzen und/oder die Kovarianzen jeweils in Abhängigkeit eines zeitlichen Abstands der Messzeitpunkte der zwei Reibmesswerte ermittelt werden. Eine Darstellung und/oder Modellierung der Semivarianzen und/oder Kovarianzen als Funktion der räumlichen und/oder zeitlichen Abstände kann insbesondere einen Rechenaufwand und/oder eine Rechenzeit zur Ermittlung des Semivariogramms reduzieren.According to one embodiment of the invention, the semivariances and / or the covariances are respectively determined as a function of a spatial distance between the positions of the two friction measurement values. Alternatively or additionally, the semivariances and / or the covariances can each be determined as a function of a time interval of the measurement times of the two friction measurement values. A representation and / or modeling of the semivariances and / or covariances as a function of the spatial and / or temporal distances can in particular reduce a computational effort and / or a computing time for determining the semivariogram.
Gemäß einer Ausführungsform der Erfindung weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Erstellen einer Semivarianzmatrix basierend auf den ermittelten Semivarianzen auf. Alternativ oder zusätzlich weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Erstellen einer Kovarianzmatrix basierend auf den ermittelten Kovarianzen auf. Das Erstellen einer Semivarianzmatrix und/oder einer Kovarianzmatrix kann in vorteilhafter Weise eine kompakte und umfassende Darstellung der ermittelten Semivarianzen und/oder Kovarianzen erlauben, welche zeiteffizient weiterverarbeitet werden kann.According to an embodiment of the invention, the step of modeling based on the semivariogram comprises creating a semivariance matrix based on the determined semivariances. Alternatively or additionally, the step of modeling based on the semivariogram comprises creating a covariance matrix based on the determined covariances. The creation of a semivariance matrix and / or a covariance matrix can advantageously permit a compact and comprehensive representation of the determined semivariances and / or covariances, which can be further processed in a time-efficient manner.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren ferner einen Schritt des Anlernens des Machine-Learning-Systems basierend auf einem Lerndatensatz von Reibmesswerten auf. Der Lerndatensatz kann dabei aktuell und/oder in der Vergangenheit ermittelte Reibmesswerte umfassen. Auch kann der Lerndatensatz synthetisch generierte Reibmesswerte aufweisen. Basierend auf dem Lerndatensatz können beispielsweise Gewichte für Knotenpunkte eines neuronalen Netzes ermittelt werden.According to an embodiment of the invention, the method further comprises a step of training the machine learning system based on a learning data set of friction measurements. The learning data record can include actual and / or friction measurement values determined in the past. The learning data set can also have synthetically generated friction measurement values. For example, weights for nodal points of a neural network can be determined based on the learning data set.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren einen Schritt des Anpassens von angelernten Parameterwerten des Machine-Learning-Systems basierend auf aktuell ermittelten Reibmesswerten auf. Die Parameterwerte des Machine-Learning-Systems können beispielsweise die Gewichte von Knotenpunkten des neuronalen Netzes sein. Beim Anlernen des Machine-Learning-Systems kann allgemein zwischen Offlinelernen und Onlinelernen unterscheiden werden. Beim Offlinelernen wird das Machine-Learning im Vorhinein mit einem Lerndatensatz angelernt. Anschließend kann das Machine-Learning-System mit einem festem Parametersatz zur Bestimmung der Semivariogramme verwendet werden. Beim Onlinelernen wird das Machine-Learning-System während des Betriebes angelernt und mit aktuellen, angepassten Lerndaten bestimmter Orte, etwa mit aktuell ermittelten Reibmesswerten, immer wieder angepasst. Somit kann zu jedem Berechnungszeitschritt ein neues Semivariogramm für jede Fahrbahnposition mit hoher Präzision bestimmt werden.According to one embodiment of the invention, the method has a step of adapting learned parameter values of the machine learning system based on currently determined friction measurement values. The parameter values of the machine learning system can be, for example, the weights of nodes of the neural network. Learning the machine-learning system can generally differentiate between offline and online learning. In offline learning, machine learning is taught in advance with a learning data record. Subsequently, the machine-learning system can be used with a fixed parameter set to determine the semivariograms. When learning online, the machine learning system is taught during operation and adjusted with current, adapted learning data of specific places, such as currently measured Reibmesswerten again and again. Thus, to everyone Calculation time step a new semivariogram for each lane position can be determined with high precision.
Gemäß einer Ausführungsform der Erfindung gibt jeder der Wichtungsfaktoren einen räumlichen und/oder zeitlichen Zusammenhang zwischen dem zugehörigen Reibmesswert und dem Reibwert an, wobei eine Summe der Wichtungsfaktoren eins sein kann. Mit anderen Worten kann der basierend auf dem Semivariogramm modellierte räumliche und/oder zeitliche Zusammenhang zwischen den Reibmesswerten in die ermittelten Wichtungsfaktoren einfließen, so dass basierend auf den für jeden Reibmesswert ermittelten Wichtungsfaktoren der Reibwert präzise für beliebige Fahrbahnpositionen und/oder für beliebige Zeitpunkte ermittelt werden kann.According to one embodiment of the invention, each of the weighting factors indicates a spatial and / or temporal relationship between the associated friction coefficient and the coefficient of friction, wherein a sum of the weighting factors may be one. In other words, the spatial and / or temporal relationship between the friction measurement values modeled based on the semivariogram can be included in the determined weighting factors, so that based on the weighting factors determined for each friction measurement value, the coefficient of friction can be determined precisely for any roadway positions and / or for any desired times ,
Gemäß einer Ausführungsform der Erfindung weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Ermitteln eines funktionellen Zusammenhangs zwischen den Semivarianzen und/oder zwischen mit den Semivarianzen korrelierenden Größen, wie beispielsweise Kovarianzen, auf. Mit anderen Worten kann eine Semivarianz für alle Reibmesswerte der Teilmenge als Funktion des Ortes und/oder der Zeit ermittelt werden. Alternativ oder zusätzlich weist der Schritt des Modellierens basierend auf dem Semivariogramm ein Fitten einer Funktion an die Semivarianzen und/oder an mit den Semivarianzen korrelierenden Größen, beispielsweise Kovarianzen, auf. Durch das Fitten der Funktion kann in vorteilhafter Weise eine geschlossene analytische Funktion für die Semivarianzen in Abhängigkeit des Ortes und/oder der Zeit ermittelt werden, welche ohne großen Rechenaufwand weiterverarbeitet werden kann.According to one embodiment of the invention, the step of modeling based on the semivariogram comprises determining a functional relationship between the semivariances and / or between variables that correlate with the semivariances, such as covariances. In other words, a semivariance for all the friction measurements of the subset as a function of location and / or time can be determined. Alternatively or additionally, the step of modeling based on the semivariogram comprises fitting a function to the semivariances and / or to variables that correlate with the semivariances, for example covariances. By fitting the function, it is advantageously possible to determine a closed analytical function for the semivariances as a function of the location and / or time, which can be further processed without great computational effort.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren weiter den Schritt des Ermitteins einer Varianz und/oder einer Unsicherheit des ermittelten Reibwertes basierend auf den ermittelten Wichtungsfaktoren auf. Insbesondere zur Erstellung einer Reibwertkarte kann es vorteilhaft sein, eine Unsicherheit des Reibwertes zu bestimmen, so dass beispielsweise unter Berücksichtigung der Unsicherheit eine Geschwindigkeit des Fahrzeugs angepasst werden kann.According to one embodiment of the invention, the method further comprises the step of determining a variance and / or an uncertainty of the determined coefficient of friction based on the determined weighting factors. In particular, for creating a friction coefficient map, it may be advantageous to determine an uncertainty of the coefficient of friction, so that, for example, taking into account the uncertainty, a speed of the vehicle can be adjusted.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren ferner den Schritt des Ermittelns einer Mehrzahl von Reibwerten an einer Mehrzahl von Fahrbahnpositionen und/oder für eine Mehrzahl von Zeitpunkten, sowie den Schritt des Erstellens einer Reibwertkarte basierend auf der Mehrzahl von ermittelten Reibwerten auf, etwa durch Eintragen der ermittelten Reibwerte in eine Straßenkarte. Eine derartige Reibwertkarte kann insbesondere im Hinblick auf ein autonomes Fahren von Fahrzeugen vorteilhaft sein, da basierend auf einer solchen Reibwertkarte beispielsweise automatisch eine Geschwindigkeit eines Fahrzeuges an den aktuell vorliegenden Reibwert angepasst werden kann. According to one embodiment of the invention, the method further comprises the step of determining a plurality of friction coefficients at a plurality of roadway positions and / or for a plurality of points in time, and the step of creating a friction map based on the plurality of determined friction values, such as by entry the determined coefficients of friction in a road map. Such a coefficient map may be advantageous in particular with regard to an autonomous driving of vehicles, since based on such a coefficient map, for example, a speed of a vehicle can be automatically adapted to the currently existing coefficient of friction.
Entwicklungen im Bereich vernetzter Fahrzeuge und/oder im Bereich autonomen Fahrens können etwa mittels Connectivity-Einheiten einen Austausch von Sensorik-Daten über eine aktuelle Fahrbahn, eine Geschwindigkeit, eine Verkehrssituation oder Ähnliches erlauben. Durch die Verarbeitung solcher Daten und den daraus resultierenden Informationsgewinn über die Fahrbahn können automatisiertes Fahren und prädiktive Fahrerassistenzsysteme mit einem Zugewinn an Sicherheit vorangetrieben werden. Dem Fahrzeug können so Informationen über die Umgebung breitgestellt werden, die es mit fahrzeugeigener Sensorik nicht generieren könnte. Da es üblicherweise keine Reibwertsensoren für Fahrzeuge, insbesondere nicht für Personenkraftwagen, gibt, kann das Erstellen und Bereitstellen der Reibwertkarte einen zusätzlichen Informationsgewinn liefern. Eine solche Reibwertkarte kann dann zur weiteren Funktionsentwicklung mit dem Ziel der Erhöhung von Sicherheit und Komfort verwendet werden. Reibwerte in einer Reibwertkarte eingetragen können hier zum Beispiel genutzt werden, um automatisiert Fahrzeuggeschwindigkeiten zum Beispiel vor Kurven zu setzen. So können gefährliche Situationen oder Unfälle durch Abkommen von der Fahrspur, vor allem bei schwierigen Straßenverhältnissen wie Nässe oder Schnee, vermieden werden.Developments in the field of networked vehicles and / or in the field of autonomous driving may allow, for example by means of connectivity units, an exchange of sensor data about a current lane, a speed, a traffic situation or the like. Through the processing of such data and the resulting information gain on the road, automated driving and predictive driver assistance systems can be driven forward with an increase in safety. The vehicle can thus be distributed information about the environment, which it could not generate with on-board sensors. Since there is usually no coefficient of friction sensors for vehicles, in particular not for passenger cars, the creation and provision of the friction coefficient map can provide additional information. Such a friction coefficient map can then be used for further functional development with the aim of increasing safety and comfort. Friction values entered in a friction coefficient map can be used here, for example, to automatically set vehicle speeds, for example, before curves. This avoids dangerous situations or accidents due to lane departure, especially in difficult road conditions such as wet or snowy conditions.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren ferner den Schritt des Empfangens, von einem Verkehrsteilnehmer, einer Anfrage für einen Reibwert an einer Anfrageposition und/oder für einen Anfragezeitpunkt auf. Weiter weist das Verfahren den Schritt des Ermittelns des Reibwertes an der Anfrageposition und/oder für den Anfragezeitpunkt auf. Der Anfragezeitpunkt kann dabei in der Gegenwart, der Vergangenheit oder der Zukunft liegen. Ferner weist das Verfahren den Schritt des Bereitstellens des ermittelten Reibwertes an den Verkehrsteilnehmer auf. Mit anderen Worten kann das erfindungsgemäße Verfahren beispielsweise in einem Server und/oder einer serverbasierten Datenverarbeitungsvorrichtung implementiert sein. Verkehrsteilnehmer können dabei für beliebige Anfragepositionen und/oder zu beliebigen Anfragezeitpunkten in Echtzeit einen Reibwert anfragen und entsprechend den ermittelten Reibwerten beispielsweise ein Fahrverhalten, wie etwa eine Geschwindigkeit, anpassen. Auch kann so eine Funktionalität des erfindungsgemäßen Verfahrens einer beliebigen Anzahl von Verkehrsteilnehmern zur Verfügung gestellt werden, ohne dass etwa eine kostenintensive Aufrüstung der Fahrzeuge notwendig wäre. According to an embodiment of the invention, the method further comprises the step of receiving, from a road user, a request for a coefficient of friction at a request position and / or for a request time. Furthermore, the method has the step of determining the coefficient of friction at the request position and / or for the request time. The request time can be in the present, the past or the future. Furthermore, the method has the step of providing the determined coefficient of friction to the road user. In other words, the inventive method can be implemented, for example, in a server and / or a server-based data processing device. In this case, road users can request a friction value in real time for any request positions and / or at any request times and, for example, adapt a driving behavior, such as a speed, in accordance with the determined friction values. Also, such a functionality of the invention Be provided to any number of road users, without about a costly upgrade of the vehicles would be necessary.
Ein weiterer Aspekt der Erfindung betrifft eine Datenverarbeitungsvorrichtung zum Ermitteln eines Reibwertes einer Fahrbahn, wobei die Datenverarbeitungsvorrichtung dazu eingerichtet ist, das Verfahren, so wie voranstehend und nachfolgend beschrieben, auszuführen. Die Datenverarbeitungsvorrichtung kann dabei auch ein Netzwerk von Datenverarbeitungseinrichtungen, etwa eine Cloud-Umgebung, bezeichnen.A further aspect of the invention relates to a data processing device for determining a coefficient of friction of a road, wherein the data processing device is adapted to carry out the method as described above and below. The data processing device can also designate a network of data processing devices, such as a cloud environment.
Merkmale, Elemente, Funktionen und/oder Schritte des Verfahrens, so wie voranstehend und nachfolgend beschrieben, können Merkmale, Elemente und/oder Funktionen der Datenverarbeitungsvorrichtung, so wie voranstehend und nachfolgend beschrieben, sein, und umgekehrt.Features, elements, functions and / or steps of the method as described above and below may be features, elements and / or functions of the data processing device as described above and below, and vice versa.
Gemäß einer Ausführungsform der Erfindung weist die Datenverarbeitungsvorrichtung einen Datenspeicher zur Speicherung eines Datensatzes von Reibmesswerten der Fahrbahn, einen Prozessor und eine Schnittstelle zum Übertragen eines Reibwertes auf. In dem Datenspeicher kann ein Programmelement hinterlegt sein, das, wen es auf dem Prozessor ausgeführt wird, die Datenverarbeitungsvorrichtung anleitet, Schritte des Verfahrens, so wie voranstehend und nachfolgend beschrieben, auszuführen. Die Schnittstelle kann insbesondere eine drahtlose Schnittstelle zur bidirektionalen Kommunikation zwischen einem Fahrzeug und der Datenverarbeitungsvorrichtung sein. Die Kommunikation kann etwa über Internet, ein Mobilfunknetz und/oder ein Telefonnetz erfolgen. Über die Schnittstelle kann etwa die Anfrage des Reibwertes von dem Fahrzeug empfangen und der daraufhin ermittelte Reibwert an das Fahrzeug gesendet werden.According to one embodiment of the invention, the data processing device has a data memory for storing a data record of friction readings of the road, a processor and an interface for transmitting a coefficient of friction. A program element may be stored in the data store which, when executed on the processor, instructs the data processing device to carry out steps of the method as described above and below. In particular, the interface may be a wireless interface for bidirectional communication between a vehicle and the data processing device. The communication can take place, for example, via the Internet, a mobile radio network and / or a telephone network. About the interface can receive about the request of the coefficient of friction of the vehicle and the friction coefficient then determined to be sent to the vehicle.
In der Datenverarbeitungsvorrichtung kann ferner das Machine-Learning-System integriert und/oder implementiert sein. Auch kann die Datenverarbeitungsvorrichtung mit einem externen Machine-Learning-System, etwa über eine geeignete Datenschnittstelle, gekoppelt sein.In the data processing device, furthermore, the machine learning system can be integrated and / or implemented. The data processing device can also be coupled to an external machine learning system, for example via a suitable data interface.
Figurenlistelist of figures
Im Folgenden werden Ausführungsbeispiele der Erfindung mit Bezug auf die beiliegenden Figuren detailliert beschrieben.
-
1 zeigt eine Datenverarbeitungsvorrichtung gemäß einem Ausführungsbeispiel der Erfindung. -
2 zeigt ein System mit einer Datenverarbeitungsvorrichtung gemäß einem Ausführungsbeispiel der Erfindung. -
3 zeigt ein Flussdiagramm zur Illustration von Schritten eines Verfahrens zum Ermitteln eines Reibwerts gemäß einem Ausführungsbeispiel der Erfindung. -
4 zeigt ein Flussdiagramm zur Illustration von Schritten eines Verfahrens zum Ermitteln eines Reibwerts gemäß einem Ausführungsbeispiel der Erfindung.
-
1 shows a data processing apparatus according to an embodiment of the invention. -
2 shows a system with a data processing device according to an embodiment of the invention. -
3 shows a flowchart for illustrating steps of a method for determining a coefficient of friction according to an embodiment of the invention. -
4 shows a flowchart for illustrating steps of a method for determining a coefficient of friction according to an embodiment of the invention.
Die Figuren sind lediglich schematisch und nicht maßstabsgetreu. In den Figuren sind gleiche, gleich wirkende oder ähnliche Elemente mit gleichen Bezugszeichen versehen.The figures are only schematic and not to scale. In the figures, the same, the same or similar elements are provided with the same reference numerals.
Ausführungsformen der ErfindungEmbodiments of the invention
Die Datenverarbeitungsvorrichtung
Ferner weist die Datenverarbeitungsvorrichtung
Des Weiteren weist die Datenverarbeitungsvorrichtung
Die Datenverarbeitungsvorrichtung
Des Weiteren weist die Datenverarbeitungsvorrichtung
Das System
Weiter weist das System
Der Datenverarbeitungsvorrichtung
Optional weist das System
Basierend auf den Wetterdaten, den Straßensensorikdaten, den Fahrzeugsensordaten und/oder den weiteren Daten kann die Datenverarbeitungsvorrichtung
Alternativ oder zusätzlich können die Reibmesswerte
Des Weiteren kann die Datenverarbeitungsvorrichtung
In einem Schritt
In einem Schritt
Hierzu kann eine Semivarianz und/oder eine Kovarianz zwischen jeweils zwei Reibmesswerten µ(si, ti) der Teilmenge (i=1...N) von Reibmesswerten ermittelt werden. Mit anderen Worten kann für jeden Reibmesswert µ(si, ti) der Teilmenge die Semivarianz und/oder die Kovarianz zu allen weiteren Reibmesswerten µ(sj, tj) der Teilmenge ermittelt werden, wobei j ungleich i ist. Die ermittelten Semivarianzen können anschließend in einer Semivarianzmatrix zusammengefasst werden. Alternativ oder zusätzlich können die Kovarianzen in einer Kovarianzmatrix zusammengefasst werden.For this purpose, a semivariance and / or a covariance between in each case two friction measured values μ (s i , t i ) of the subset (i = 1... N) of friction measured values can be determined. In other words, for each friction measurement value μ (s i , t i ) of the subset, the semivariance and / or the covariance can be determined for all further friction measurement values μ (s j , t j ) of the subset, where j is not equal to i. The determined semivariances can then be summarized in a semivariance matrix. Alternatively or additionally, the covariances can be combined in a covariance matrix.
Die Semivarianz y kann für eine Variable Z an den Orten s und s+h zu den Zeiten t und t+Δ beispielsweise in folgender mathematischen Formel beschrieben werden:
Die Semivarianz und die Kovarianz können somit als Maß für eine Streuung und/oder Korrelation der Reibmesswerte µ(si, ti) herangezogen werden.The semivariance and the covariance can thus be used as a measure of a scattering and / or correlation of the friction measurements μ (s i , t i ).
Die Semivarianz und/oder die Kovarianz kann für jeden Reibmesswert µ(si, ti) der Teilmenge i=l...N ermittelt werden. Etwa können die Semivarianzen γi,j zwischen den Reibmesswerten µi und µj für alle Reibmesswerte der Teilmenge ermittelt werden. Zur mathematischen Vereinfachung können die Semivarianzen und/oder die Kovarianzen dabei in Abhängigkeit des räumlichen Abstandes Δsi,j = si - sj und/oder in Abhängigkeit des zeitlichen Abstandes Δti,j = ti - tj bestimmt werden.The semivariance and / or the covariance can be determined for each friction measurement μ (s i , t i ) of the subset i = 1... N. For example, the semivariances γ i, j between the friction measurement values μ i and μ j can be determined for all friction measurement values of the subset. For mathematical simplification, the semivariances and / or the covariances can be determined as a function of the spatial distance Δs i, j = s i -s j and / or as a function of the time interval Δt i, j = t i -t j .
Ferner kann in Schritt
In einem weiteren Schritt
In einem weiteren Schritt
Mit anderen Worten kann der Reibwert µ̂ an der Fahrbahnposition s0 und/oder zu dem Zeitpunkt t0 durch die Summe der Reibwerte µ(si, ti) der Teilmenge i=1...N, jeweils multipliziert mit dem zugehörigen Wichtungsfaktor wi, welcher den räumlichen und/oder zeitlichen Zusammenhang zwischen dem zu bestimmenden Reibwert und dem jeweiligen Reibmesswert µ(si, ti) angibt, berechnet werden.In other words, the friction coefficient μ at the roadway position s 0 and / or at the time t 0 can be multiplied by the sum of the coefficients of friction μ (s i , t i ) of the subset i = 1... N, in each case multiplied by the associated weighting factor w i , which indicates the spatial and / or temporal relationship between the coefficient of friction to be determined and the respective friction measurement value μ (s i , t i ).
Unter Verwendung des „Ordinary Krigings“ ergibt sich somit der folgende mathematische Zusammenhang für den Reibwert µ̂ an der Fahrbahnposition s0 und/oder zu dem Zeitpunkt t0:
Dies erlaubt somit eine Berechnung des Reibwertes µ̂ basierend auf der Semivarianzmatrix, basierend auf der Kovarianzmatrix und/oder basierend auf dem Semivariogramm.This thus allows a calculation of the coefficient of friction μ based on the semivariance matrix, based on the covariance matrix and / or based on the semivariogram.
Zudem kann die Varianz und/oder die Unsicherheit des derart ermittelten Reibwertes µ̂ über nachfolgende Formel berechnet werden:
Die voranstehend beschriebenen Schritte
Des Weiteren kann in Schritt
Zusammenfassend kann das Semivariogramm auch durch eine Methode des maschinellen Lernens unter Verwendung des Machine-Learning-Systems
Analog dem Schritt
In einem Schritt
Die erste Komponente kann eine Linearkombination aus einer Mehrzahl von deterministischen Funktionen, beispielsweise über Ort und/oder Zeit, und einer Mehrzahl von Koeffizienten aufweisen. Mit anderen Worten kann die erste Komponente als Linearkombination
Dabei kann der in der ersten Komponente modellierte Trend mit wenigstens einer die Reibmesswerte der Teilmenge beeinflussenden Einflussgröße korrelieren, wobei die wenigstens eine Einflussgröße Wetterdaten, geographische Daten und/oder eine zeitliche Abhängigkeit umfassen kann. Die Modellierung des Trends kann somit in vorteilhafter Weise eine Flexibilität des Verfahrens erhöhen, da gewisse Abhängigkeiten, Einflussgrößen und/oder Einflüsse berücksichtigt werden können. Beispielsweise kann in dem Trend berücksichtigt werden, dass etwa bei niedrigen geographischen Breiten ein höherer Reibwert zu erwarten ist als bei hohen geographischen Breiten. Auch kann Berücksichtigung finden, dass etwa bei Regen oder Schnee ein geringerer Reibwert zu erwarten ist als bei trockenem Wetter. Ebenso kann berücksichtigt werden, dass etwa im Sommer ein höherer Reibwert als im Winter zu erwarten ist.In this case, the trend modeled in the first component can correlate with at least one influencing variable influencing the friction measured values of the subset, wherein the at least one influencing variable can include weather data, geographical data and / or a temporal dependency. The modeling of the trend can thus advantageously increase the flexibility of the method, since certain dependencies, influencing variables and / or influences can be taken into account. For example, it can be taken into account in the trend that, for example, at lower latitudes, a higher coefficient of friction is to be expected than at high latitudes. It can also be taken into account that, for example, in rain or snow, a lower coefficient of friction is to be expected than in dry weather. It can also be taken into account that a higher coefficient of friction is expected in summer than in winter.
Des Weiteren kann optional in Schritt
Mit anderen Worten kann voranstehend erläuterte Linearkombination der ersten Komponente und/oder die deterministischen Funktionen der Linearkombination des lokalen Trends durch ein angelerntes Machine-Learning-System
Durch die Modellierung eines räumlichen Trends können weitere Informationen mitberücksichtigt werden. Zum Beispiel ist es in Schweden wahrscheinlicher einen niedrigen Reibwert µ zu erhalten, als es der Fall in Spanien ist. Dieser Zusammenhang kann durch Berücksichtigung weiterer Größen wie beispielsweise Wetterdaten und/oder Geografie dargestellt werden. Des Weiteren bietet das Lernen mittels Machine-Learning-System
Des Weiteren wird, analog der Beschreibung der
Hierzu kann eine Semivarianz und/oder eine Kovarianz zwischen jeweils zwei Reibmesswerten µ(si) der Teilmenge (i=1...N) von Reibmesswerten ermittelt werden. Mit anderen Worten kann für jeden Reibmesswert µ(si) der Teilmenge die Semivarianz und/oder die Kovarianz zu allen weiteren Reibmesswerten µ(sj) ermittelt werden, wobei j ungleich i ist. Die ermittelten Semivarianzen können anschließend in einer Semivarianzmatrix zusammengefasst werden. Alternativ oder zusätzlich können die Kovarianzen in einer Kovarianzmatrix zusammengefasst werden.For this purpose, a semivariance and / or a covariance between in each case two friction measured values μ (s i ) of the subset (i = 1... N) of friction measured values can be determined. In other words, for each friction measurement value μ (s i ) of the subset, the semivariance and / or the covariance can be determined for all other friction measurement values μ (s j ), where j is not equal to i. The determined semivariances can then be summarized in a semivariance matrix. Alternatively or additionally, the covariances can be combined in a covariance matrix.
Allgemein kann die Semivarianz y für eine Variable Z an den Orten s und s+h in folgender mathematischen Formel beschrieben werden:
Die Semivarianz und/oder die Kovarianz kann für jeden Reibmesswert µ(si) der Teilmenge i=1...N ermittelt werden. Etwa können die Semivarianzen γi,j zwischen den Reibmesswerten µi und µj für alle Reibmesswerte ermittelt werden. Zur mathematischen Vereinfachung können die Semivarianzen und/oder die Kovarianzen dabei in Abhängigkeit des räumlichen Abstandes Δsi,j = si - sj und/oder in Abhängigkeit des zeitlichen Abstandes Δti,j = ti - tj bestimmt werden.The semivariance and / or the covariance can be determined for each friction measurement μ (s i ) of the subset i = 1... N. For example, the semivariances γ i, j between the friction measurement values μ i and μ j can be determined for all friction measurement values. For mathematical simplification, the semivariances and / or the covariances can be determined as a function of the spatial distance Δs i, j = s i -s j and / or as a function of the time interval Δt i, j = t i -t j .
Ferner kann in Schritt
In einem weiteren Schritt
In einem weiteren Schritt
Unter Verwendung des „Universal Krigings“ sowie unter der Modellierung des lokalen Trends ergibt sich somit der folgende mathematische Zusammenhang für den Reibwert µ̂ an der Fahrbahnposition s0:
Dies erlaubt somit eine Berechnung des Reibwertes µ̂ basierend auf der Semivarianzmatrix, basierend auf der Kovarianzmatrix und/oder basierend auf dem Semivariogramm.This thus allows a calculation of the coefficient of friction μ based on the semivariance matrix, based on the covariance matrix and / or based on the semivariogram.
Zudem kann die Varianz und/oder die Unsicherheit des derart ermittelten Reibwertes µ̂ über nachfolgende Formel berechnet werden:
Die voranstehend beschriebenen Schritte
Ergänzend ist darauf hinzuweisen, dass „umfassend“ keine anderen Elemente ausschließt und „eine“ oder „ein“ keine Vielzahl ausschließt. Ferner sei darauf hingewiesen, dass Merkmale, die mit Verweis auf eines der obigen Ausführungsbeispiele beschrieben worden sind, auch in Kombination mit anderen Merkmalen anderer oben beschriebener Ausführungsbeispiele verwendet werden können. Bezugszeichen in den Ansprüchen sind nicht als Einschränkung anzusehen.In addition, it should be noted that "inclusive" does not exclude other elements and "a" or "an" does not exclude a multitude. It should also be appreciated that features described with reference to any of the above embodiments may also be used in combination with other features of other embodiments described above. Reference signs in the claims are not to be considered as limiting.
Claims (12)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017214094.1A DE102017214094A1 (en) | 2017-08-11 | 2017-08-11 | Method and device for determining a coefficient of friction of a roadway |
PCT/EP2018/066763 WO2019029889A1 (en) | 2017-08-11 | 2018-06-22 | Method and device for ascertaining a frictional value of a roadway |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017214094.1A DE102017214094A1 (en) | 2017-08-11 | 2017-08-11 | Method and device for determining a coefficient of friction of a roadway |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102017214094A1 true DE102017214094A1 (en) | 2019-02-14 |
Family
ID=62842063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017214094.1A Withdrawn DE102017214094A1 (en) | 2017-08-11 | 2017-08-11 | Method and device for determining a coefficient of friction of a roadway |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102017214094A1 (en) |
WO (1) | WO2019029889A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020208860A1 (en) | 2020-07-15 | 2022-01-20 | Volkswagen Aktiengesellschaft | Module and method for estimating a road surface friction coefficient for a motor vehicle |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013226631A1 (en) * | 2013-12-19 | 2015-06-25 | Continental Teves Ag & Co. Ohg | Method and device for determining local weather conditions and a local road condition |
US20150356867A1 (en) * | 2013-01-22 | 2015-12-10 | Roadit Ab | Method and an arrangement for collecting and processing data related to road status |
DE102015216483A1 (en) * | 2015-01-29 | 2016-08-04 | Robert Bosch Gmbh | Method for operating a coefficient of friction database and coefficient of friction database |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016014547A1 (en) * | 2016-12-07 | 2017-07-06 | Daimler Ag | Method for operating a coefficient of friction database |
-
2017
- 2017-08-11 DE DE102017214094.1A patent/DE102017214094A1/en not_active Withdrawn
-
2018
- 2018-06-22 WO PCT/EP2018/066763 patent/WO2019029889A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150356867A1 (en) * | 2013-01-22 | 2015-12-10 | Roadit Ab | Method and an arrangement for collecting and processing data related to road status |
DE102013226631A1 (en) * | 2013-12-19 | 2015-06-25 | Continental Teves Ag & Co. Ohg | Method and device for determining local weather conditions and a local road condition |
DE102015216483A1 (en) * | 2015-01-29 | 2016-08-04 | Robert Bosch Gmbh | Method for operating a coefficient of friction database and coefficient of friction database |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020208860A1 (en) | 2020-07-15 | 2022-01-20 | Volkswagen Aktiengesellschaft | Module and method for estimating a road surface friction coefficient for a motor vehicle |
Also Published As
Publication number | Publication date |
---|---|
WO2019029889A1 (en) | 2019-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112014004990B4 (en) | Method for generating exact lane level maps | |
DE102017218383A1 (en) | Method and device for determining a coefficient of friction of a roadway | |
DE102015116882A1 (en) | Link probability modeling and conclusion of the crossing structure | |
DE102013114928B4 (en) | Device and method for processing road data | |
DE102018107867B4 (en) | Systems for estimating road surface friction coefficient and vehicle lateral velocity using a decoupled dynamic model | |
DE102018221265B4 (en) | Method and system for detecting wind acting on a vehicle | |
DE102017214030A1 (en) | A method for determining a coefficient of friction for a contact between a tire of a vehicle and a road and method for controlling a vehicle function of a vehicle | |
DE102020135094A1 (en) | SYSTEM AND PROCEDURE FOR UPDATING MAP DATA | |
DE102016207276A1 (en) | Method for releasing a driving function in a vehicle | |
DE102017222568A1 (en) | A method for determining a coefficient of friction for a contact between a tire of a vehicle and a road and method for controlling a vehicle function of a vehicle | |
EP1736932B1 (en) | Method and system for determining a distance travelled by a vehicle | |
WO2021175821A1 (en) | Computer-implemented method for route calculation for an autonomously driving motor vehicle, method for driving an autonomously driving motor vehicle, computer program product and motor vehicle | |
EP3665057B1 (en) | Method and device for ascertaining a frictional value of a roadway | |
DE102017214094A1 (en) | Method and device for determining a coefficient of friction of a roadway | |
DE102017207441A1 (en) | Method for checking a digital environment map for a driver assistance system of a motor vehicle, computing device, driver assistance system and motor vehicle | |
DE102019135751A1 (en) | Methods, devices, systems and computer program products for estimating a road surface temperature | |
EP3665059B1 (en) | Method and device for determining the friction coefficient of a road surface | |
DE102017214090A1 (en) | Method and device for determining a coefficient of friction of a roadway | |
WO2022184363A1 (en) | Computer-implemented method for training at least one algorithm for a control unit of a motor vehicle, computer program product, control unit, and motor vehicle | |
WO2020074559A1 (en) | Method and system for providing a friction coefficient to a vehicle | |
DE102017218386A1 (en) | Method and device for determining a coefficient of friction of a roadway | |
DE102013202255B4 (en) | Method and device for determining traffic volumes | |
DE102021206233B4 (en) | Method for determining a comfort value for an operated motor vehicle | |
DE102018215179A1 (en) | Method and system for providing friction coefficient information for a traffic area section | |
DE102019213471A1 (en) | Method for estimating a coefficient of friction µ for a motor vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |