-
Die Erfindung betrifft ein Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße mittels maschinellem Lernen (Machine Learning).
-
Viele Pendler sehen sich täglich mit der Problematik der Rush Hour beziehungsweise des Berufsverkehrs konfrontiert. Die Stoßzeiten zwingen Autofahrer häufig zu stundenlangen Stop-and-Go Fahrten. In der Regel ergeben sich durch die lokalen Gegebenheiten wie Zu- und Abfahrten der Straße schnellere Verkehrspuren, deren Nutzung für einen kontinuierlichen Verkehrsfluss sorgt.
-
Im Stand der Technik werden unterschiedlichste Entscheidungsmodelle zur Wahl der Verkehrsspur beschrieben. In der chinesischen Patentanmeldung
CN105912814A wird beispielsweise mit Machine Learning Algorithmen vorgegangen. Hier werden vorwiegend das automatisierte Fahren sowie die Ausführung des Fahrspurwechsels beschrieben. Die koreanische Patentanmeldung
KR20160131322A beschreibt ebenfalls ein Verkehrsspurenwechsel-System, welches die schnellste Spur ermittelt. Es zieht ausschließlich Radardaten der Front und des Hecks in die Entscheidung mit ein und setzt vor allem auf den Sicherheitsaspekt, ob ein Spurwechsel überhaupt möglich ist. Das deutsche Patent
DE 102005012269 B4 beschreibt ein Verfahren zur Auswahl der schnellsten Verkehrsspur. Die deutsche Patentanmeldung
DE102014019106 A1 beschreibt ein Verfahren zum Betrieb eines Fahrzeugsystems zur Auswahl einer Fahrspur und Kraftfahrzeug. Hier wird für jede Fahrspur der Straße wenigstens ein identifizierbarer Verkehrsteilnehmer aus den Umfelddaten ermittelt. Die Nachverfolgung der ermittelten identifizierbaren Verkehrsteilnehmer erfolgt anhand von zu weiteren Zeitpunkten ermittelten Umfelddaten.
-
Die bekannten Verfahren sind optimierbar, vor allem im Hinblick darauf, Stausituationen bzw. Situationen mit zähfließendem Verkehr zu entzerren. Deshalb ist es eine Aufgabe dieser Erfindung, ein optimiertes Verfahren bereitzustellen, durch welches eine optimale Fahrspur vor allem in stockendem Verkehr oder Stau bereitgestellt wird. Diese Aufgabe wird erfindungsgemäß durch die Merkmale der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.
-
Vorgeschlagen wird ein Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße durch ein trainiertes Machine Learning Modell, wobei die Prädiktion der optimalen Fahrspur erfolgt, indem in einem ersten Schritt zumindest die aktuelle Verkehrssituation und die spurgenaue Position des Fahrzeugs in Echtzeit als Eingangsdaten über fahrzeuginterne und fahrzeugexterne Erfassungseinrichtungen erfasst werden. In einem zweiten Schritt verarbeitet das Machine Learning Modell die Daten derart, dass für vorgegebene Streckenabschnitte für jede Spur der mehrspurigen Straße eine Zeit für das Zurücklegen jedes Streckenabschnitts bestimmt wird. In einem dritten Schritt wird die optimale prädizierte Spur abhängig von vorgegebenen Bedingungen für jeden Streckenabschnitt ausgegeben.
-
Durch Verwenden von fahrzeuginternen und fahrzeugexternen Daten in Kombination und Verwenden eines Modells, das über maschinelles Lernen die optimale Fahrspur ermittelt, kann eine deutlich verbesserte Fahrweise in Situationen mit zähfließendem Verkehr erzielt werden. Durch das permanente Anpassen und Lernen des Modells kann die Zeit, welche zum Abfahren einen vorgegebenen Streckenabschnitts benötigt wird, deutlich verringert werden, wobei dadurch Treibstoff gespart und Abgase verringert werden können.
-
Des Weiteren ist vorgesehen, dass die Positionserfassung zusätzlich über GPSgestützte und/oder Satelliten-gestützte Positionserfassungssysteme erfolgt. Vorteilhafterweise erfolgt die Übermittlung der spurgenauen Position des Fahrzeugs über zumindest ein Mobilfunknetz zwischen Positionserfassungssystem und Fahrzeug.
-
Durch zusätzliche Positionserfassung über externe Systeme kann eine noch genauere Position des Fahrzeugs bereitgestellt werden, so dass das Modell und damit die Prädiktion der optimalen Fahrspur verbessert wird.
-
Des Weiteren ist vorgesehen, dass vorgegebene Bedingungen zumindest umfassen: die kürzeste Zeit zum Abfahren des Streckenabschnitts und/oder eine minimale Anzahl an Spurwechseln und/oder eine maximale oder minimale Geschwindigkeit zum Abfahren des Streckenabschnitts und/oder eine Optimierung eines Ankunftszeitpunkts an einem vorgegebenen Ziel.
-
Durch das Bereitstellen des Machine Learning Modells können unterschiedliche Bedingungen erfüllt werden, um einen Streckenabschnitt abzufahren. Somit ist das Modell flexibel auf unterschiedliche Situationen und Fahrerwünsche anwendbar und erhöht damit zusätzlich den Komfort.
-
Des Weiteren ist vorgesehen, dass die Ausgabe als Anzeige für den Fahrer mit zumindest der Empfehlung erfolgt, auf der aktuellen Spur zu bleiben oder die Spur zu wechseln und auf welche Spur gewechselt werden soll, oder Ausgabe im Falle eines zumindest teilautonom geführten Fahrzeugs als Strategievorgabe erfolgt, auf der aktuellen Spur zu bleiben oder die Spur zu wechseln und auf welche Spur gewechselt werden soll und der Durchführung der Strategie.
-
Durch die Anzeige ist der Fahrer stets informiert und kann eigene Entscheidungen treffen, was die Akzeptanz und den Komfort erhöht. Beim automatisiert fahrenden Fahrzeug wird der Fahrer nicht durch eine Anzeige gestört, wobei auch hier eine Anzeige erfolgen kann, welche Strategie aus welchen Gründen ausgewählt wurde.
-
Des Weiteren ist vorgesehen, dass das Machine Learning Modell mit einem Datensatz, zumindest umfassend spurgenaue Position des Fahrzeugs und die erfasste Verkehrssituation, trainiert wird, wobei als Lernziel eine Minimierung des Unterschieds zwischen prädizierter und tatsächlich benötigter Zeit für jeden Streckenabschnitt ist. Vorteilhafterweise ist der Datensatz aus gespeicherten Daten über Verkehrssituationen und/oder spurgenaue Position des Fahrzeugs für vorgegebene Streckenabschnitte besteht und/oder vorverarbeitet.
-
Durch das Trainieren mit aktuell erfassten Daten und/oder simulierten bzw. gespeicherten Daten kann das Modell ständig verbessert werden, vor allem wenn große Datenmengen und viele unterschiedliche Informationen zum Trainieren zur Verfügung stehen.
-
Des Weiteren ist vorgesehen, dass fahrzeugextern bereitgestellte Informationen zumindest umfassen: von einem Kommunikationssystem an das Fahrzeug gesendete Daten zur erfassten Verkehrssituation und/oder Fahrbahninfrastruktur, und/oder von einer Person außerhalb des Fahrzeugs bereitgestellte Informationen, und fahrzeugintern bereitgestellte Informationen zumindest umfassend: optische Erfassung und/oder Erfassung mittels Sensoren und/oder abzufahrende Strecke und/oder hinterlegte Daten für zumindest Teile der Strecke, und/oder von einer Person innerhalb des Fahrzeugs bereitgestellte Informationen.
-
Durch das Bereitstellen unterschiedlichster Informationen durch unterschiedlichste Erfassungseinrichtungen kann ein umfassendes Bild der aktuellen Situation erfasst werden und damit die Prädiktion verbessert werden.
-
Ferner wird ein Steuergerät zur Bereitstellung in einem Fahrzeug vorgeschlagen, wobei das Steuergerät zur Durchführung des beschriebenen Verfahrens ausgebildet ist. Alternativ wird ein externes Kommunikationssystem vorgeschlagen, das zur Durchführung des beschriebenen Verfahrens ausgebildet ist und entsprechende Steuersignale an das Fahrzeug sendet.
-
Weitere Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, anhand der Figuren der Zeichnung, die erfindungsgemäße Einzelheiten zeigt, und aus den Ansprüchen. Die einzelnen Merkmale können je einzeln für sich oder zu mehreren in beliebiger Kombination bei einer Variante der Erfindung verwirklicht sein.
-
Bevorzugte Ausführungsformen der Erfindung werden nachfolgend anhand der beigefügten Zeichnung näher erläutert.
- 1 zeigt ein Ablaufdiagramm des Verfahrens gemäß einer Ausführung der vorliegenden Erfindung.
-
Das Konzept der Erfindung basiert auf der Erkenntnis, dass der Verkehrsfluss auf mehrspurigen Straßen vor allem zu Stoßzeiten, d.h. z.B. bei stockendem Verkehr bzw. Staugefahr, oder im Stadtverkehr, durch Implementierung eines geeigneten Fahrspurassistenten verbessert werden kann. Somit können sowohl die Fahrzeit verkürzt als auch Treibstoff bzw. Energie eingespart und Abgase verringert werden. Ziel ist es, dass der Fahrspurassistent in einer ersten Ausführung Vorschläge basierend auf den Geschwindigkeitsmustern der einzelnen Fahrspuren an den Fahrer ausgibt, ob die aktuelle Spur gehalten oder ein Spurwechsel erfolgen soll. Im Fall eines Fahrzeugs, das zumindest teilautonom geführt ist, d.h. zumindest automatisiert die Spur halten und Spurwechsel durchführen kann, kann die Ausgabe auch derart erfolgen, dass eine entsprechende Spurhalte- oder Spurwechsel-Strategie automatisiert geplant und durchgeführt wird. Diese kann dem Fahrer zusätzlich zu dessen Information angezeigt werden.
-
Im Gegensatz zu bekannten Verfahren bzw. Fahrspurassistenten erfolgt die Prädiktion der optimalen Fahrspur erfindungsgemäß basierend auf einem Machine Learning Modell, also über maschinelles Lernen. Hierzu muss das Modell zuerst trainiert werden, um anschließend eine Prädiktion durchführen zu können.
-
Die Eingangsgrößen für das Trainieren des Modells und die anschließende Prädiktion sind vorteilhafterweise die gleiche Art der Eingangsdaten, welche anschließend in Echtzeit zur Prädiktion verwendet werden, also fahrzeugextern und fahrzeugintern erfasste Daten bzw. Informationen zur Verkehrssituation und spurgenauen Position. Je mehr Eingangsdaten vorhanden sind, auch aus unterschiedlichen Quellen, desto besser kann das Modell trainiert werden und desto besser ist auch die nachfolgende Prädiktion der optimalen Spur.
-
Eingangsdaten können unterschiedlich erfasst werden. Eine grobe Einteilung ist die Einteilung in fahrzeugextern und fahrzeugintern erfasste Daten bzw. Informationen. Diese werden beide in Kombination erfindungsgemäß zum Trainieren des Machine Learning Modells, hier als Echtzeit-Datensatz oder gespeicherte oder simulierte Daten, und zur Prädiktion der optimalen Fahrspur, hier dann als Echtzeit-Daten, um das korrekte Modell anzuwenden, verwendet.
-
Eingangsdaten können fahrzeugextern erfasste Daten zur Infrastruktur sein, z.B. fahrbahnspurgenaue Messungen durch Messspulen und/oder Kameras und/oder Remote Traffic Microwave Sensoren und/oder andere Straßensensoren, was auch eine Geschwindigkeitsmessung umfassen kann.
-
Sowohl fahrzeugextern als auch fahrzeugintern können fahrbahnspurgenaue Bewegungsprofile von Fahrzeugen in den relevanten Streckenabschnitten, also den abzufahrenden Streckenabschnitten mit Stausituation oder zähfließendem Verkehr, erfasst und verarbeitet werden. Diese Daten können auch an eine zentrale Stelle geschickt werden, um anderen Fahrzeugen bereitgestellt zu werden.
-
Ebenfalls können als Eingangsdaten weitere Fahrzeugdaten fahrzeugextern und/oder fahrzeugintern erfasst werden, z.B. die aktuelle Geschwindigkeit, Beschleunigung oder auch typische Wellenbewegungen von Fahrzeugen, welche durch abwechselndes Bremsen und Beschleunigen vor allem in stockendem Verkehr entstehen.
-
Ebenso können Annotationen von Personen, z.B. über ein liegengebliebenes Fahrzeug, eine gesperrte Spur, Baustellen oder andere Hindernisse etc. verwendet werden.
-
Ferner können Informationen mittels (HD= hochauflösende) Karten bereitgestellt oder erfasst werden, z.B. Informationen über den Spurtyp, z.B. Auffahrt, Abfahrt, Linksabbieger, etc. Diese können fahrzeugintern hinterlegt sein oder fahrzeugextern gespeichert und an das Fahrzeug gesendet werden, z.B. auf Anforderung.
-
Fahrzeugintern sind vor allem Ego-Fahrzeug Daten wie die spurgenaue Position oder das Navigationsziel relevante Informationen. Die spurgenaue Position des Fahrzeugs wird dabei vorteilhafterweise über entsprechende Positionserfassungssysteme ermittelt. Diese Positionserfassungssysteme können GPS-basiert oder Satelliten-basiert sein. Ein GPS-basiertes System ist beispielsweise Glonass. Ein Satelliten-basiertes System ist z.B. Beidou oder GALILEO. Dabei kann der Datenaustausch, d.h. die Übermittlung der spurgenauen Position des Fahrzeugs, über ein Mobilfunknetz erfolgen. Die Daten können auch über mehrere Mobilfunknetze gesendet werden, so dass die Wahrscheinlichkeit, dass die Information schnellstmöglich ankommt, erhöht wird.
-
Grundsätzlich kann die Erfassung der Daten bzw. Informationen zu Verkehrssituation und spurgenauer Position des Fahrzeugs also z.B. über optische Erfassung mittels einer oder mehrerer Kameras erfolgen. Auch kann eine Erfassung mittels Sensoren erfolgen, z.B. über im Fahrzeug vorhandene Sensoren wie RADAR, LiDAR, Ultraschall oder über externe Sensoren wie Straßensensoren, Mess-Spulen und Remote Traffic Microwave Sensoren. Auch eine Kombination aus mehreren oben beschriebenen oder anderen geeigneten Erfassungseinrichtungen kann verwendet werden. Je nach verwendeter Erfassungseinrichtung kann sowohl eine aktuelle Verkehrssituation, also vorhandener Verkehr, Abstand zu z.B. vorausfahrenden oder hinterherfahrenden Fahrzeugen, als auch die Position inkl. der Spur des Fahrzeugs bestimmt werden. Ferner können Echtzeit-Verkehrsinformationen, welche über externe Anbieter verfügbar sind, verwendet werden, z.B. INRIX. Auch können Kommunikationssysteme zwischen Fahrzeugen oder anderen Kommunikationseinrichtungen verwendet werden, auch als Car-to-X-Kommunikation bezeichnet.
-
Zur genaueren Erfassung der Position können weitere Positionserfassungssysteme verwendet werden, welche z.B. GPS- oder Satelliten-gestützt sind. Sollte lediglich eine GPS-basierte Positionsermittlung möglich sein, muss dies beim Berechnen der optimalen Spur als relevante Unsicherheit miteinbezogen werden, um eine spurgenaue Position zu ermitteln.
-
Unter spurgenaue Position ist also zu verstehen, dass eine möglichst genaue Position des Fahrzeugs mit zugehöriger Spur bereitgestellt wird. Je nach vorhandenen Möglichkeiten zur Positionserfassung kann also eine hochgenaue Spurerfassung erfolgen oder eine weniger genaue Spurerfassung, wobei in dem letzteren Fall dann bei der Prädiktion der optimalen Spur die entsprechende Unsicherheit miteinberechnet werden muss. Für die spurgenaue (Selbst-)Lokalisierung von Fahrzeugen ist eine Kombination aus (HD-)Karten und Daten von Umfeldsensoren, sowie gegebenenfalls GPS, im Fahrzeug vorteilhaft. Für ein autonomes Fahrzeug muss jederzeit relativ genau bekannt sein, wo es sich befindet. Dies wird durch ein solches System bzw. eine Kombination aus mehreren Erfassungseinrichtungen ermöglicht. Ferner können zur hochgenauen Spurerfassung vorteilhafterweise zusätzlich oder ausschließlich Satelliten-gestützte Systeme wie GALILEO, welches eine genaue Lokalisierung auf ca. 1-2 m ermöglicht, herangezogen werden. Auch können in der Fahrbahn integrierte Spursensoren für eine hochgenaue Spurerfassung herangezogen werden oder eine Kombination aus mehreren Erfassungseinrichtungen, wobei durch Vergleich eine hohe Wahrscheinlichkeit der exakten Position resultiert.
-
Auch können Informationen von Personen außerhalb des Fahrzeugs übermittelt werden, z.B. über die aktuelle Situation auf einem bestimmten Streckenabschnitt, z.B. dass ein Fahrzeug liegen geblieben ist, eine Baustelle oder ein anderes Hindernis vorhanden ist etc..
-
Zum Trainieren des Modells werden die oben genannten Daten als Eingangs-Datensatz verwendet. Vorteilhafterweise werden Echtzeit-Daten verwendet. Es können aber auch gespeicherte Daten von anderen Fahrzeugen oder Daten aus Simulationen verwendet werden. Diese Daten können noch vorverarbeitet bzw. pre-processed sein, d.h. sie können von Messfehlern etc. bereinigt sein, fehlende Größen können geschätzt sein, es kann eine Transformation in eine geeignete Form, z.B. eine Normalisierung, Konvertierung oder Ähnliches, erfolgen etc. Dies geschieht möglichst automatisiert, kann aber auch manuell unterstützt werden.
-
Als geeignetes Machine Learning-Verfahren können unterschiedliche Verfahren verwendet werden. Wichtig ist lediglich, dass das verwendete Verfahren geeignet ist, Langzeit-Abhängigkeiten zu erfassen, welche für die Prädiktion, also die Vorhersage, der geeigneten bzw. optimalen Spur, relevant sind. Hierzu kann z.B. ein supervised machine learning Verfahren, bei dem Eingangsdaten mit Labels gekennzeichnet sind, verwendet werden. Ein solches Verfahren ist z.B. ein Neuronales Netz, insbesondere ein Long Short-Term Memory Neuronal Network.
-
Ziel des Machine Learning-Verfahrens und damit des erfindungsgemäßen Fahrspurassistenten ist es, die durchschnittliche Abweichung bzw. den Fehler, gegebenenfalls auch die quadratische Abweichung oder eine andere Transformation der Abweichung, zwischen prädizierter Zeit und realer Zeit, welche anhand erfasster Daten als benötigte Zeit zum Abfahrens des relevanten Streckenabschnitts der Berechnung zur Verfügung steht, zu reduzieren. Für das Machine Learning-Verfahren ist es wichtig, möglichst viele Datensätze und damit Trainingsiterationen bereitzustellen, da mit der Anzahl der Trainingsiterationen, d.h. mit zunehmender Menge an Trainingsdaten, der durchschnittliche Fehler sinkt.
-
Das vorgeschlagene Verfahren ist also unterteilt in mehrere Schritte, wie in 1 schematisch dargestellt. In einem ersten Schritt S1 werden zur Prädiktion der optimalen Fahrspur Echtzeit-Daten über die aktuelle Verkehrssituation und die spurgenaue Position, welche wie oben beschrieben durch unterschiedliche Erfassungseinrichtungen ermittelt werden, erfasst. Im zweiten Schritt S2 wird die optimale Spur durch das Machine Learning Modell, welches vorher wie beschrieben trainiert wurde, ermittelt. Ausgangsgröße des Machine Learning Modells ist hierbei die benötigte Zeit für das Zurücklegen eines vorgegebenen Streckenabschnitts auf einer bestimmten Spur. Es erfolgen mehrere Durchläufe für unterschiedliche Streckenabschnitte auf unterschiedlichen Spuren und danach folgt eine Evaluierung der jeweiligen Spurzeiten. Im dritten Schritt S3 erfolgt anschließend eine Ausgabe der optimalen Spur, welche als Empfehlung an den Fahrer ausgegeben werden kann oder als Strategie direkt vom zumindest teilautomatisiert fahrenden Fahrzeug durchgeführt werden kann.
-
Um die Prädiktion durchführen zu können wird ein trainiertes Machine Learning Modell verwendet. Das Trainingsziel ist die Minimierung des Fehlers, also des Unterschieds zwischen prädizierter Zeit und tatsächlich zurückgelegter Zeit für einen bestimmten Streckenabschnitt. Angewendet wird das Modell dann auf Echtzeit-Daten für die Prädiktion der optimalen Spur für die vorgegebene Bedingung, z.B. kürzeste Fahrzeit, geringe Anzahl an Spurwechseln etc., wie oben bereits beschrieben.
-
Vorteilhafterweise werden die Eingangsdaten an eine externe zentrale Recheneinheit, z.B. eine Cloud, geschickt. Diese sendet die Ausgabe, welche die Strategie zum Fahrspurwechsel oder Bleiben auf der aktuellen Fahrspur enthält, nach der Evaluierung an das Fahrzeug, bevorzugt an ein vorhandenes Navigationssystem. Alternativ kann ein im Fahrzeug vorhandenes Steuergerät die Daten empfangen und verarbeiten. Somit kann die Verarbeitung dezentral erfolgen, es werden lediglich die erfassten Umfelddaten, also Verkehrssituation und Position, zumindest teilweise von extern bereitgestellt.
-
Je nach Ausstattung des Fahrzeugs sind nun zwei verschiedene Anwendungsfälle zu unterscheiden, wie oben beschrieben. In einer ersten Ausführung erfolgt eine Anzeige im Anzeige- und Bedienkonzept ABK des Fahrers. Es werden Empfehlungen für ein Bleiben auf der aktuellen Spur oder für einen Spurwechsel im ABK an den Fahrer ausgegeben. Dabei ist eine farbliche Visualisierung der unterschiedlichen, prädizierten Verkehrsflüsse auf den jeweiligen Spuren möglich, so dass der Fahrer selbst entscheiden kann, ob er der Empfehlung folgt oder nicht. In einer zweiten Ausführung erfolgt die Anwendung im autonomen Fahrmodus, wobei hier eine Integration der berechneten optimalen Spur in die Komponente der Fahrstrategie beziehungsweise der Trajektorienplanung erfolgt.
-
In beiden Fällen erfolgt vorteilhafterweise die Empfehlung durch das System bzw. die Durchführung erst ab einer vorgegebenen minimalen prozentualen Sicherheit, dass das Ziel, also die vorgegebene Bedingung, erfüllt werden kann. Des Weiteren sind auch ein definiertes zeitliches Intervall zur Aktualisierung der Spurempfehlung möglich, sowie eine Empfehlung bzw. Durchführung ausschließlich ab einem vorgegebenen Verkehrsflussunterschied auf den verschiedenen Spuren. Hiermit wird ein ständiges hin und her Wechseln der Spuren vermieden.
-
Zur optimalen Durchführung des Verfahrens sind eine mehrspurige Straße sowie ein zumindest zähfließender Verkehr nötig. Auch ist vorteilhafterweise die Möglichkeit, Fahrzeuge sowohl links als auch rechts überholen zu können bzw. dürfen, vorteilhaft, aber nicht unbedingt nötig.
-
Vorteile des Verfahrens sind, wie oben bereits erwähnt, eine verkürzte Fahrzeit zu Stoßzeiten durch intelligente Nutzung der fahrzeugintern sowie fahrzeugextern bereitgestellten Daten, als auch Einsparung von Treibstoff und Reduzierung von Abgasen. Das Verfahren kann sowohl bei nicht-automatisierten Fahrzeugen als auch bis hin zu voll-automatisierten oder autonom fahrenden Fahrzeugen angewendet bzw. implementiert werden.
-
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
-
- CN 105912814 A [0003]
- KR 20160131322 A [0003]
- DE 102005012269 B4 [0003]
- DE 102014019106 A1 [0003]
