DE102018005778A1 - Method for determining an arrival time for a vehicle - Google Patents

Method for determining an arrival time for a vehicle Download PDF

Info

Publication number
DE102018005778A1
DE102018005778A1 DE102018005778.0A DE102018005778A DE102018005778A1 DE 102018005778 A1 DE102018005778 A1 DE 102018005778A1 DE 102018005778 A DE102018005778 A DE 102018005778A DE 102018005778 A1 DE102018005778 A1 DE 102018005778A1
Authority
DE
Germany
Prior art keywords
neural network
vehicle
arrival time
artificial neural
travel times
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Withdrawn
Application number
DE102018005778.0A
Other languages
German (de)
Inventor
Markus Auer
Sven-Eric Molzahn
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Daimler AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Daimler AG filed Critical Daimler AG
Priority to DE102018005778.0A priority Critical patent/DE102018005778A1/en
Publication of DE102018005778A1 publication Critical patent/DE102018005778A1/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station

Abstract

Die Erfindung betrifft ein Verfahren zur Ermittlung einer Ankunftszeit (tE) für ein Fahrzeug (2) anhand von prognostizierten Reisezeiten und statischen Kantengewichten für Streckenabschnitte eines Straßennetzes mittels zumindest eines künstlichen neuronalen Netzwerks (N). Erfindungsgemäß wird eine Prognose einer Verkehrslage in dynamischen Verkehrsinformationen anhand von mittels des zumindest einen künstlichen neuronalen Netzwerks (N) erlerntem Wissen in die Ermittlung der Ankunftszeit (tE) einbezogen.

Figure DE102018005778A1_0000
The invention relates to a method for determining an arrival time (t E ) for a vehicle (2) on the basis of predicted travel times and static edge weights for sections of a road network by means of at least one artificial neural network (N). According to the invention, a prognosis of a traffic situation in dynamic traffic information is included in the determination of the arrival time (t E ) on the basis of knowledge acquired by means of the at least one artificial neural network (N).
Figure DE102018005778A1_0000

Description

Die Erfindung betrifft ein Verfahren zur Ermittlung einer Ankunftszeit für ein Fahrzeug gemäß dem Oberbegriff des Anspruchs 1.The invention relates to a method for determining an arrival time for a vehicle according to the preamble of claim 1.

Aus der DE 10 2016 220 561 A1 ist ein Verfahren zur Ermittlung einer Fahrroute und einer Reisezeit von einem Anfangs-Knoten zu einem End-Knoten in einem Straßennetz bekannt. Das Straßennetz umfasst eine Vielzahl von Knoten, die durch Kanten miteinander verbunden sind. Mittels des Verfahrens wird eine Mehrzahl von möglichen Folge-Knoten ermittelt, die ausgehend von einem ersten Knoten auf der Fahrroute über jeweilige Kanten des Straßennetzes erreicht werden können. Dabei wird eine Wertefunktion verwendet, welche ein neuronales Netzwerk umfasst.From the DE 10 2016 220 561 A1 For example, there is known a method for determining a travel route and travel time from an initial node to an end node in a road network. The road network includes a plurality of nodes connected by edges. By means of the method, a plurality of possible follow-up nodes is determined, which can be reached from a first node on the travel route via respective edges of the road network. In this case, a value function is used which comprises a neural network.

Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Ermittlung einer Ankunftszeit für ein Fahrzeug anzugeben.The invention is based on the object to provide a novel method for determining an arrival time for a vehicle.

Die Aufgabe wird erfindungsgemäß mit einem Verfahren gelöst, welches die im Anspruch 1 angegebenen Merkmale aufweist.The object is achieved by a method having the features specified in claim 1.

Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous embodiments of the invention are the subject of the dependent claims.

In dem Verfahren zur Ermittlung einer Ankunftszeit für ein Fahrzeug anhand von prognostizierten Reisezeiten und statischen Kantengewichten für Streckenabschnitte eines Straßennetzes mittels zumindest eines neuronalen Netzwerks wird erfindungsgemäß eine Prognose einer Verkehrslage in dynamischen Verkehrsinformationen anhand von mittels des zumindest einen neuronalen Netzwerks erlerntem Wissen in die Ermittlung der Ankunftszeit einbezogen.In the method for determining an arrival time for a vehicle on the basis of predicted travel times and static edge weights for sections of a road network by means of at least one neural network, a prediction of a traffic situation in dynamic traffic information is based on knowledge learned by means of the at least one neural network in the determination of the arrival time included.

Das Verfahren ermöglicht aufgrund der Einbeziehung der dynamischen Verkehrsinformationen in die Ermittlung der Ankunftszeit, kurz auch als ETA (englisch: Estimated Time of Arrival) bezeichnet, eine Verbesserung einer Genauigkeit von Ergebnissen der Ermittlung und somit eine für einen Fahrzeugnutzer verbesserte Fahrtroutenplanung.The method, due to the inclusion of the dynamic traffic information in the determination of the time of arrival, also referred to as ETA (Estimated Time of Arrival), enables an improvement in accuracy of results of the determination and thus improved route planning for a vehicle user.

Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.Embodiments of the invention will be explained in more detail below with reference to a drawing.

Dabei zeigt:

  • 1 schematisch eine Darstellung einer Vorrichtung zur Ermittlung einer Ankunftszeit für ein Fahrzeug.
Showing:
  • 1 schematically an illustration of a device for determining an arrival time for a vehicle.

In der einzigen 1 ist ein mögliches Ausführungsbeispiel einer Vorrichtung 1 zur Ermittlung einer Ankunftszeit tE für ein Fahrzeug 2 dargestellt, wobei die Vorrichtung 1 eine zentrale Recheneinheit 3, auch als Backend-Server bezeichnet, umfasst.In the only one 1 is a possible embodiment of a device 1 to determine an arrival time t E for a vehicle 2 shown, wherein the device 1 a central processing unit 3 , also referred to as the backend server, includes.

Zur Ermittlung einer Fahrzeit für das Fahrzeug 2 bei Befahrung einer Fahrtroute von einer Startposition zu einer Zielposition in einem Straßennetz wird eine erwartete Ankunftszeit tE des Fahrzeugs 2 an der Zielposition ermittelt.To determine a driving time for the vehicle 2 when driving a route from a start position to a destination position in a road network becomes an expected arrival time t E of the vehicle 2 determined at the target position.

Die erwartete Ankunftszeit tE in einem Verkehrsnetz wird dabei mit statischen Kantengewichten und zusätzlichen dynamischen Verkehrsinformationen im Fahrzeug 2 und/oder mittels der zentralen Recheneinheit 3 berechnet.The expected arrival time t E in a traffic network is doing so with static edge weights and additional dynamic traffic information in the vehicle 2 and / or by means of the central processing unit 3 calculated.

Dabei stellen Verkehrsnetze jeweils ein komplexes System mit nichtlinearem und scheinbar chaotischem Verhalten dar, so dass sich eine Verkehrslage in kurzer Zeit verändern kann. Dies beeinflusst die ermittelte erwartete Ankunftszeit tE deutlich. Das Problem wird jedoch durch eine Prognose der Verkehrslage anhand der dynamischen Verkehrsinformationen gelöst. Diese Prognose ist jedoch schwierig durchführbar und nicht durch fest vorgegebene Funktionen oder Bedingungen realisierbar.In each case, transport networks represent a complex system with non-linear and apparently chaotic behavior, so that a traffic situation can change in a short time. This affects the estimated expected time of arrival t E clear. However, the problem is solved by forecasting the traffic situation based on the dynamic traffic information. However, this prognosis is difficult to implement and can not be realized by fixed functions or conditions.

Viele Entwicklungen im Verkehrsnetz sind jedoch durch Erfahrung vorhersehbar. Beispielsweise ist eine Wahrscheinlichkeit viel höher, dass ein Stau durch Berufspendler bei Glätte im Winter zwischen 7:00 Uhr und 9:00 Uhr an einem Montag entstehen wird als an einem Sonntag.However, many developments in the transport network are foreseeable by experience. For example, there is a much higher likelihood that congestion by commuters in Smoothness in winter will occur between 7:00 am and 9:00 am on a Monday than on a Sunday.

Um diese Erfahrungen abzubilden, ist zumindest ein künstliches neuronales Netzwerk N auf der zentralen Recheneinheit 3 vorgesehen, welches für die Prognose der erwarteten Ankunftszeit tE verwendet wird.To represent these experiences is at least an artificial neural network N on the central processing unit 3 provided for the forecast of the expected arrival time t E is used.

Dabei erfolgt die Prognose der Verkehrslage in dynamischen Verkehrsinformationen, wobei diese anhand von mittels des zumindest einen künstlichen neuronalen Netzwerks N erlerntem Wissen in die Ermittlung der erwarteten Ankunftszeit tE einbezogen wird.In this case, the prediction of the traffic situation is carried out in dynamic traffic information, this being based on by means of the at least one artificial neural network N learned knowledge in the determination of the expected time of arrival t E is included.

Hierzu sind das Fahrzeug 2 und weitere nicht näher dargestellte Fahrzeuge mit einer Ortungseinheit, beispielsweise einem so genannten GPS-Empfänger, ausgestattet und umfassen eine Kommunikationseinheit, mittels welcher Informationen I, wie beispielsweise Positionsdaten oder eine aktuelle Fahrtroute, an die zentrale Recheneinheit 3 übertragen sowie Informationen I, wie beispielsweise die erwartete Ankunftszeit tE , von der zentralen Recheneinheit 3 empfangen werden können. Dabei ist die zentrale Recheneinheit 3 ausgebildet, die an sie übertragenen Informationen I zu speichern, zu verwalten, zu vervollständigen, zu kombinieren, weiterzuverarbeiten und/oder Fahrzeugen bereitzustellen.This is the vehicle 2 and further vehicles not shown in detail with a tracking unit, for example a so-called GPS receiver, equipped and include a communication unit, by means of which information I , such as position data or a current route, to the central processing unit 3 transmit as well as information I , such as the expected time of arrival t E , from the central processing unit 3 can be received. Here is the central processing unit 3 trained, the information transmitted to them I to store, manage, to complete, combine, process and / or provide vehicles.

Das neuronale Netzwerk N wird auf der zentralen Recheneinheit 3 mit den statischen Kantengewichten, insbesondere archivierten Positionsdaten, Wetterdaten, BaustellenInformationen, kalendarischen Daten und/oder weiteren Informationen als Eingangsgrößen, trainiert. Weiterhin wird das neuronale Netzwerk N mit prognostizierten Reisezeiten der Streckenabschnitte als Ausgangsgrößen trainiert und ermittelte Daten werden archiviert.The neural network N is on the central processing unit 3 with the static edge weights, in particular archived position data, weather data, construction site information, calendar data and / or other information as input variables, trained. Furthermore, the neural network becomes N trained with predicted travel times of the route sections as output variables and determined data is archived.

Anhand der archivierten Daten werden Trainingssätze für ein überwachtes Lernen mit vergangenen und zukünftigen Zuständen für die Streckenabschnitte erstellt, wobei das zumindest eine künstliche neuronale Netzwerk N durch überwachtes Lernen trainiert wird.Based on the archived data, training sets for supervised learning with past and future states for the links are created, the at least one artificial neural network N is trained through supervised learning.

Beispielsweise wird dabei das Verkehrsnetz durch Clusterverfahren in Substreckennetze unterteilt, wobei nur Streckenabschnitte mit Staubelastung betrachtet werden und so ein Umfang der jeweiligen Streckennetze reduziert werden kann.For example, in this case the traffic network is subdivided by cluster methods into trunk networks, whereby only sections of the route with a load of dust are considered and thus a scope of the respective route networks can be reduced.

Bei einer Routenanfrage durch einen Nutzer berücksichtigt das Fahrzeug 2 die vom neuronalen Netzwerk N berechnete erwartete Ankunftszeit tE . Beispielsweise werden fahrzeugintern Fahrtzeiten mit statischen Kantengewichten und dynamischen Streckeninformationen auf jedem einzelnen Streckenabschnitt der Fahrtroute mit aus der erwarteten Ankunftszeit tE resultierenden Fahrtzeiten des neuronalen Netzwerks N verglichen und angepasst, wobei Abweichungen A zwischen prognostizierten Reisezeiten und realen Reisezeiten von dem Fahrzeug 2 an die zentrale Recheneinheit 3 übermittelt werden und für ein rückgekoppeltes Lernen des neuronalen Netzwerks N verwendet werden.In a route request by a user, the vehicle takes into account 2 those from the neural network N calculated expected arrival time t E , For example, in-vehicle driving times with static edge weights and dynamic route information on each individual route section of the route with the expected arrival time t E resulting travel times of the neural network N compared and adjusted, with deviations A between predicted travel times and real travel times of the vehicle 2 to the central processing unit 3 and for feedback learning of the neural network N be used.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

11
Vorrichtungcontraption
22
Fahrzeugvehicle
33
Recheneinheit computer unit
AA
Abweichungdeviation
II
Informationinformation
NN
neuronales Netzwerkneural network
tE t E
Ankunftszeitarrival time

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

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.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

  • DE 102016220561 A1 [0002]DE 102016220561 A1 [0002]

Claims (4)

Verfahren zur Ermittlung einer Ankunftszeit (tE) für ein Fahrzeug (2) anhand von prognostizierten Reisezeiten und statischen Kantengewichten für Streckenabschnitte eines Straßennetzes mittels zumindest eines künstlichen neuronalen Netzwerks (N), dadurch gekennzeichnet, dass eine Prognose einer Verkehrslage in dynamischen Verkehrsinformationen anhand von mittels des zumindest einen künstlichen neuronalen Netzwerks (N) erlerntem Wissen in die Ermittlung der Ankunftszeit (tE) einbezogen wird.Method for determining an arrival time (t E ) for a vehicle (2) on the basis of predicted travel times and static edge weights for sections of a road network by means of at least one artificial neural network (N), characterized in that a prediction of a traffic situation in dynamic traffic information by means of of the at least one artificial neural network (N) learned knowledge in the determination of the arrival time (t E ) is included. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das zumindest eine künstliche neuronale Netzwerk (N) auf zumindest einer fahrzeugexternen zentralen Recheneinheit (3) - mit den statischen Kantengewichten, insbesondere archivierten Positionsdaten, Wetterdaten, Baustelleninformationen und/oder kalendarischen Daten als Eingangsgrößen und - mit den prognostizierten Reisezeiten der Streckenabschnitte als Ausgangsgrößen trainiert wird und ermittelte Daten archiviert werden.Method according to Claim 1 , characterized in that the at least one artificial neural network (N) on at least one vehicle external central processing unit (3) - with the static edge weights, in particular archived position data, weather data, construction site information and / or calendar data as input variables and - with the predicted travel times of Track sections are trained as output variables and determined data is archived. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass anhand der archivierten Daten Trainingssätze für ein überwachtes Lernen mit vergangenen und zukünftigen Zuständen für die Streckenabschnitte erstellt werden, wobei das zumindest eine künstliche neuronale Netzwerk (N) durch überwachtes Lernen trainiert wird.Method according to Claim 2 characterized in that training records for supervised learning with past and future conditions for the links are generated from the archived data, wherein the at least one artificial neural network (N) is trained by supervised learning. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass Abweichungen A zwischen prognostizierten Reisezeiten und realen Reisezeiten von dem Fahrzeug (2) an die zentrale Recheneinheit (3) übermittelt werden und für ein rückgekoppeltes Lernen des neuronalen Netzwerks (N) verwendet werden.Method according to Claim 2 or 3 , characterized in that deviations A between predicted travel times and real travel times of the vehicle (2) to the central processing unit (3) are transmitted and used for a feedback learning of the neural network (N).
DE102018005778.0A 2018-07-23 2018-07-23 Method for determining an arrival time for a vehicle Withdrawn DE102018005778A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102018005778.0A DE102018005778A1 (en) 2018-07-23 2018-07-23 Method for determining an arrival time for a vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102018005778.0A DE102018005778A1 (en) 2018-07-23 2018-07-23 Method for determining an arrival time for a vehicle

Publications (1)

Publication Number Publication Date
DE102018005778A1 true DE102018005778A1 (en) 2019-01-03

Family

ID=64662123

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102018005778.0A Withdrawn DE102018005778A1 (en) 2018-07-23 2018-07-23 Method for determining an arrival time for a vehicle

Country Status (1)

Country Link
DE (1) DE102018005778A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021051329A1 (en) * 2019-09-19 2021-03-25 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining estimated time of arrival in online to offline services

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016220561A1 (en) 2016-10-20 2018-04-26 Bayerische Motoren Werke Aktiengesellschaft Method for determining driving routes for land vehicles

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016220561A1 (en) 2016-10-20 2018-04-26 Bayerische Motoren Werke Aktiengesellschaft Method for determining driving routes for land vehicles

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021051329A1 (en) * 2019-09-19 2021-03-25 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining estimated time of arrival in online to offline services

Similar Documents

Publication Publication Date Title
DE102013211632A1 (en) Method for providing parking information about free parking spaces
DE102017209667A1 (en) Storage of velocity information for the prediction of the future velocity trajectory
DE102018202712A1 (en) Swarm-based trajectories for motor vehicles
DE102019002790B4 (en) Method for predicting a traffic situation for a vehicle
DE102016007563A1 (en) Method for trajectory planning
DE102013000385A1 (en) Method for determining travel route proposal for upcoming trip, involves providing description of particular traffic event together with typical environment feature given during particular traffic event
DE102017213350A1 (en) Method for predicting a switching time of a signal group of a signaling system
DE102018005778A1 (en) Method for determining an arrival time for a vehicle
DE102012210454A1 (en) Method for providing data for electronic horizon for e.g. navigation apparatus of motor car, involves merging parameters from group of vehicles to data packet for electronic horizon when group of vehicles, comprises two other vehicles
DE102017203983A1 (en) Method for operating a motor vehicle during a maneuvering operation
WO2020094323A1 (en) Method for classifying objects by means of an automatically driving motor vehicle, and automatically driving motor vehicle
EP3437958A1 (en) Estimation of expected journey times of a rail vehicle
DE102015115237A1 (en) CONTROL DEVICE AND CONTROL METHOD FOR A TRANSPORT CONTROL SYSTEM, AND CONTROL SYSTEM
DE102018203994A1 (en) System and method for the decentralized execution of transactions
DE102008046777A1 (en) Method and device for determining mileage-related data of one or more vehicles
DE102014008467A1 (en) Method for operating a navigation system and a navigation device
DE102012024144A1 (en) Method for assisting driver of motor car during route guidance in road transportation network, involves providing route information and prognosis of traffic jam formation probability in driver assistance system of motor car
EP3398828B1 (en) Driver assistance system and method for supporting a driver of a rail vehicle
DE102019002594A1 (en) Method for updating an optimal route guidance
DE102018008323A1 (en) Method for determining a route for a motor vehicle
DE102018217610A1 (en) Air quality optimization method, controller, vehicle and system for performing the method
DE102019000617A1 (en) Method for automatically detecting at least one traffic incident on a route of a vehicle, navigation system for carrying out such a method, and vehicle having such a navigation system
EP3672287A1 (en) Method, computer program and system for predicting availability of a mobile radio network
DE102016008470A1 (en) Procedure for updating a road map
DE102013007867A1 (en) Method for determining vehicle traffic generation probability in traffic stream direction of road network, involves determining traffic generation probability based on determined local traffic flow, traffic influx and traffic outflow

Legal Events

Date Code Title Description
R230 Request for early publication
R081 Change of applicant/patentee

Owner name: DAIMLER AG, DE

Free format text: FORMER OWNER: DAIMLER AG, 70327 STUTTGART, DE

R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee