DE102018008024A1 - Method for assessing a traffic situation - Google Patents

Method for assessing a traffic situation Download PDF

Info

Publication number
DE102018008024A1
DE102018008024A1 DE102018008024.3A DE102018008024A DE102018008024A1 DE 102018008024 A1 DE102018008024 A1 DE 102018008024A1 DE 102018008024 A DE102018008024 A DE 102018008024A DE 102018008024 A1 DE102018008024 A1 DE 102018008024A1
Authority
DE
Germany
Prior art keywords
traffic situation
vehicle
predicted
sensor system
neural network
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Withdrawn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
DE102018008024.3A
Other languages
German (de)
Inventor
Rene Wirtz
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 DE102018008024.3A priority Critical patent/DE102018008024A1/en
Publication of DE102018008024A1 publication Critical patent/DE102018008024A1/en
Priority to PCT/EP2019/074070 priority patent/WO2020074195A1/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Withdrawn legal-status Critical Current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
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0014—Adaptive controllers
    • 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
    • B60W2556/05—Big data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Bewertung einer Verkehrssituation für ein zumindest teilautonom betriebenes Fahrzeug. Erfindungsgemäß wird ein künstliches neuronales Netzwerk (2) mit während einer unkritischen Verkehrssituation (V), welche nicht zu einem Unfall des Fahrzeugs und/oder nicht zu einem manuellen Eingriff eines Fahrers während des zumindest teilautonomen Betriebs des Fahrzeugs geführt hat, mittels einer fahrzeugeigenen Umgebungssensorik (3) erfassten Daten (D) trainiert. Mittels des trainierten künstlichen neuronalen Netzwerks (2) wird eine zukünftige Verkehrssituation (V) prädiziert, wobei bei einer signifikanten Abweichung einer real auftretenden Verkehrssituation (V) von der prädizierten Verkehrssituation (V) auf eine kritische Verkehrssituation (V) geschlossen wird und bei Vorliegen einer kritischen Verkehrssituation (V) eine Intensität einer mittels der fahrzeugeigenen Umgebungssensorik (3) durchgeführten Überwachung zumindest eines Verkehrsteilnehmers, dessen Verhalten von einem prädizierten Verhalten signifikant abweicht, erhöht wird.The invention relates to a method for assessing a traffic situation for an at least partially autonomously operated vehicle. According to the invention, an artificial neural network (2) with during an uncritical traffic situation (V), which has not led to an accident of the vehicle and / or not a manual intervention of a driver during the at least partially autonomous operation of the vehicle, by means of an on-board environment sensor system ( 3) recorded data (D) trained. By means of the trained artificial neural network (2), a future traffic situation (V) is predicted, wherein in the case of a significant deviation of a traffic situation (V) occurring in reality from the predicted traffic situation (V) to a critical traffic situation (V) is concluded and if there is one Critical traffic situation (V) an intensity of a means of the vehicle's environmental sensor system (3) performed monitoring at least one road user whose behavior is significantly different from a predicted behavior, is increased.

Description

Die Erfindung betrifft ein Verfahren zur Bewertung einer Verkehrssituation gemäß dem Oberbegriff des Anspruchs 1.The invention relates to a method for evaluating a traffic situation according to the preamble of claim 1.

Aus der DE 10 2016 007 899 A1 ist ein Verfahren zum Betreiben einer Einrichtung zur Verkehrssituationsanalyse, welche auf ein teilautonom betreibbares Kraftfahrzeug bezogene Eingangsdaten verarbeitet, bekannt. Die Eingangsdaten umfassen eine Umgebung des Kraftfahrzeugs beschreibende geografische Kartendaten und Positionen und Bewegungsrichtungen weiterer Verkehrsteilnehmer in der Umgebung des Kraftfahrzeugs beschreibende Umgebungsdaten. Das Verfahren weist folgende Schritte auf:

  • - Ermitteln einer einen prädizierten Bewegungsraum des Kraftfahrzeugs beschreibenden Bewegungsrauminformation aus den Kartendaten;
  • - Ermitteln einer einen prädizierten Bewegungsweg eines Verkehrsteilnehmers beschreibenden Bewegungsweginformation durch Anwenden eines Bewegungsprädiktionsmodells auf die Umgebungsdaten;
  • - Ermitteln einer die Relevanz für eine Verkehrssituationsanalyse eines Teilbewegungsraums beschreibenden Bewertungsinformation in Abhängigkeit der Bewegungsrauminformation und der Bewegungsweginformation; und
  • - Durchführen der Verkehrssituationsanalyse für den Teilbewegungsraum in Abhängigkeit der Bewertungsinformation.
From the DE 10 2016 007 899 A1 is a method for operating a device for traffic situation analysis, which processes on a partially autonomously operable motor vehicle related input data, known. The input data comprise geographical data describing surroundings of the motor vehicle and environmental data describing positions and directions of movement of further road users in the environment of the motor vehicle. The method comprises the following steps:
  • Determining a movement space information describing a predicted movement space of the motor vehicle from the map data;
  • Determining motion path information describing a predicted motion path of a road user by applying a motion prediction model to the environment data;
  • Determining a rating information describing the relevance for a traffic situation analysis of a partial movement space as a function of the movement space information and the movement path information; and
  • - Carrying out the traffic situation analysis for the partial movement space as a function of the evaluation information.

Der Erfindung liegt die Aufgabe zu Grunde, ein gegenüber dem Stand der Technik verbessertes Verfahren zur Bewertung einer Verkehrssituation anzugeben.The invention is based on the object to provide a comparison with the prior art improved method for assessing a traffic situation.

Die Aufgabe wird erfindungsgemäß durch ein 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 Bewertung einer Verkehrssituation für ein zumindest teilautonom betriebenes Fahrzeug wird erfindungsgemäß ein künstliches neuronales Netzwerk mit während einer unkritischen Verkehrssituation, welche nicht zu einem Unfall des Fahrzeugs und/oder nicht zu einem manuellen Eingriff eines Fahrers während des zumindest teilautonomen Betriebs des Fahrzeugs geführt hat, mittels einer fahrzeugeigenen Umgebungssensorik erfassten Daten trainiert. Durch das Training wird das neuronale Netzwerk in die Lage versetzt, eine zukünftige Verkehrssituation zu prädizieren.In the method for assessing a traffic situation for an at least partially autonomously operated vehicle according to the invention an artificial neural network with during an uncritical traffic situation, which does not lead to an accident of the vehicle and / or not to a manual intervention of a driver during the at least partially autonomous operation of the vehicle has trained by means of an in-vehicle environmental sensor detected data. Through training, the neural network is able to predict a future traffic situation.

Mittels des trainierten künstlichen neuronalen Netzwerks wird die zukünftige Verkehrssituation prädiziert, wobei bei einer signifikanten Abweichung einer real auftretenden Verkehrssituation von der prädizierten Verkehrssituation auf eine kritische Verkehrssituation geschlossen wird und bei Vorliegen einer kritischen Verkehrssituation eine Intensität einer mittels der fahrzeugeigenen Umgebungssensorik durchgeführten Überwachung zumindest eines Verkehrsteilnehmers, dessen Verhalten von einem prädizierten Verhalten signifikant abweicht, erhöht wird.By means of the trained artificial neural network, the future traffic situation is predicted, with a significant deviation of a real traffic situation from the predicted traffic situation to a critical traffic situation is closed and in the presence of a critical traffic situation intensity of a carried out by the vehicle's environmental sensors monitoring at least one road user, whose behavior differs significantly from a predicated behavior is increased.

Vorteilhafterweise wird das Training des neuronalen Netzwerks zunächst anhand von generischen Daten durchgeführt, die von der Umgebungssensorik vorab in unkritischen Verkehrssituationen erfasst worden sind, und erst anschließend anhand der Daten durchgeführt, die während des Betriebs des Fahrzeugs von der Umgebungssensorik erfasst werden.Advantageously, the training of the neural network is first carried out on the basis of generic data, which have been detected by the environmental sensors in advance in uncritical traffic situations, and only then carried out on the basis of the data acquired during operation of the vehicle from the environmental sensor.

Das Verfahren ermöglicht eine Verbesserung der Bewertung einer Verkehrssituation aufgrund der Erhöhung der Intensität der Überwachung. Hieraus resultiert die Möglichkeit, eine Unfallgefahr frühzeitig zu erkennen und somit eine Verkehrssicherheit zu erhöhen.The method makes it possible to improve the evaluation of a traffic situation due to the increase in the intensity of the monitoring. This results in the possibility of detecting an accident risk at an early stage and thus increasing traffic safety.

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 ein Blockschaltbild einer Vorrichtung zur Bewertung einer Verkehrssituation.
Showing:
  • 1 schematically a block diagram of a device for evaluating a traffic situation.

In der einzigen 1 ist ein Blockschaltbild eines möglichen Ausführungsbeispiels einer Vorrichtung 1 zur Bewertung einer Verkehrssituation für ein zumindest teilautonom betriebenes Fahrzeug dargestellt.In the only one 1 is a block diagram of a possible embodiment of a device 1 for the evaluation of a traffic situation for an at least partially autonomously operated vehicle.

Die Vorrichtung 1 umfasst ein künstliches neuronales Netzwerk 2, eine fahrzeugeigene Umgebungssensorik 3 mit einer Anzahl von Sensoren 3.1 bis 3.n, beispielsweise einer Kamera, einem Radarsensor, einem Lidarsensor, einem Ultraschallsensor und/oder anderen Sensoren, eine Auswerteinheit 4 und eine Steuereinheit 5 zur Steuerung der Umgebungssensorik 3.The device 1 includes an artificial neural network 2 , an on-board environment sensor 3 with a number of sensors 3.1 to 3.n , For example, a camera, a radar sensor, a lidar sensor, an ultrasonic sensor and / or other sensors, an evaluation unit 4 and a control unit 5 for controlling the environmental sensor system 3 ,

Für einen zuverlässigen autonomen oder teilautonomen Betrieb des Fahrzeugs ist es förderlich, Kenntnis über zukünftig auftretende Verkehrssituationen V zu haben. Hierzu ist es erforderlich, eine künftige Verkehrssituation V zu prädizieren.For a reliable autonomous or semi-autonomous operation of the vehicle, it is beneficial to know about future traffic situations V to have. For this it is necessary to have a future traffic situation V to predict.

Dies erfolgt mittels eines trainierten künstlichen neuronalen Netzwerks 2, welches mit während einer unkritischen Verkehrssituation V, welche nicht zu einem Unfall des Fahrzeugs und/oder nicht zu einem manuellen Eingriff eines Fahrers während des zumindest teilautonomen Betriebs des Fahrzeugs geführt hat, mittels der fahrzeugeigenen Umgebungssensorik 3 erfassten Daten D trainiert wird. Dabei werden die Daten D der Sensoren 3.1 bis 3.n, welche als Input zur Ausführung des zumindest teilautonomen Fahrbetriebs erforderlich sind, von dem künstlichen neuronalen Netzwerk 2 dahingehend ausgewertet, das dieses eine Prädiktion einer Bewegung von in der Umgebung des Fahrzeugs detektierten Verkehrsteilnehmern in die Zukunft durchführen kann. Ergebnis dieser Prädiktion ist eine prädizierte zukünftige Verkehrssituation Vpraed .This is done by means of a trained artificial neural network 2 , which with during a uncritical traffic situation V , Which has not led to an accident of the vehicle and / or not to a manual intervention of a driver during the at least partially autonomous operation of the vehicle, by means of the vehicle's ambient sensor system 3 collected data D is trained. In doing so, the data becomes D the sensors 3.1 to 3.n , which are required as input to the execution of the at least partially autonomous driving operation, of the artificial neural network 2 evaluated so that it can perform a prediction of movement of detected in the vicinity of the vehicle road users in the future. The result of this prediction is a predicted future traffic situation V praed ,

Die prädizierte zukünftige Verkehrssituation Vpraed wird gemeinsam mit einer ebenfalls anhand der mittels der Umgebungssensorik 3 erfassten Daten D ermittelten realen Verkehrssituation V verglichen, wobei hierzu Informationen über die prädizierte zukünftige Verkehrssituation Vpraed und die reale Verkehrssituation V einer Auswerteeinheit 4 zugeführt werden. Dabei kann die Auswerteeinheit 4 in einer möglichen Ausgestaltung der Vorrichtung 1 Bestandteil des künstlichen neuronalen Netzwerks 2 sein. In diesem Vergleich wird ein reales Verhalten anderer Verkehrsteilnehmer kontinuierlich zu einem Zeitpunkt t + Δt, wobei Δt einem Prädiktionszeitraum bzw. Vorhersageintervall entspricht, mit einem zum Zeitpunkt t vorhergesagtem Verhalten verglichen.The predicted future traffic situation V praed is together with a likewise by means of the environmental sensors 3 collected data D determined real traffic situation V For this purpose, information about the predicted future traffic situation V praed and the real traffic situation V an evaluation unit 4 be supplied. In this case, the evaluation unit 4 in a possible embodiment of the device 1 Part of the artificial neural network 2 be. In this comparison, a real behavior of other road users is continuously at a time t + Δt, where .delta.t corresponds to a prediction period or prediction interval, with one at the time t predicted behavior.

Wird in dem Vergleich eine signifikante Abweichung der real auftretenden Verkehrssituation V von der prädizierten Verkehrssituation Vpraed ermittelt, wird auf eine kritische Verkehrssituation Vkrit geschlossen. Das heißt, kommt es zu einer signifikanten Abweichung zwischen dem realen Verhalten und dem vorhergesagtem Verhalten, welches vollständig auf Informationen der anhand von unkritischen Verkehrssituationen V prädizierten Verkehrssituation Vpraed basiert, dann wird von einem anormalen Verhalten des beobachteten Verkehrsteilnehmers ausgegangen und auf die kritische Verkehrssituation Vkrit geschlossen.Is in the comparison a significant deviation of the real traffic situation V from the predicted traffic situation V praed is determined to be on a critical traffic situation V crit closed. That is, there is a significant divergence between the real behavior and the predicted behavior, which is completely based on information from uncritical traffic situations V predicted traffic situation V praed based on an abnormal behavior of the observed road user and on the critical traffic situation V crit closed.

In diesem Fall wird eine Information über die kritische Verkehrssituation Vkrit an die Steuereinheit 5 gesendet, welche die Umgebungssensorik 3 derart ansteuert, dass eine Intensität einer mittels der Umgebungssensorik 3 durchgeführten Überwachung des zumindest einen Verkehrsteilnehmers, dessen Verhalten von dem prädizierten Verhalten signifikant abweicht, erhöht wird. Das heißt, die Umgebungssensorik 3 kann größere Rechenressourcen zur Beobachtung des Verkehrsteilnehmers verwenden, um eine Unfallgefahr möglichst schnell zu detektieren und um durch Ansteuerung von Fahrzeugfunktionen gegebenenfalls frühzeitig Sicherheitsmaßnahmen zur Reduzierung der Unfallgefahr und/oder von Unfallfolgen zu aktivieren. Hierbei kann beispielsweise zumindest ein beweglich am Fahrzeug angeordneter hochauflösender Sensor 3.1 bis 3.n mit geringem Öffnungswinkel, beispielsweise eine Kamera, ein Radarsensor oder Lidarsensor, der fahrzeugeigenen Umgebungssensorik 3 gezielt auf den Verkehrsteilnehmer gerichtet werden oder ein Rastermaß eines örtlichen und zeitlichen Rahmens in einer Berechnung einer Bewegung des Verkehrsteilnehmers verringert wird, d. h. ein feinerer örtlicher und zeitlicher Rahmen, auch als Grid bezeichnet, in der Berechnung der Bewegung des Verkehrsteilnehmers genutzt wird.In this case, information about the critical traffic situation V crit to the control unit 5 sent which the environmental sensors 3 such that an intensity of one by means of the ambient sensor 3 monitoring of the at least one road user whose behavior significantly deviates from the predicted behavior is increased. That is, the environmental sensors 3 can use larger computing resources to monitor the road user to detect a risk of an accident as quickly as possible and to activate by triggering vehicle functions if necessary early on safety measures to reduce the risk of accidents and / or consequences of accidents. In this case, for example, at least one movably arranged on the vehicle high-resolution sensor 3.1 to 3.n with a small opening angle, for example a camera, a radar sensor or Lidarsensor, the vehicle's ambient sensors 3 targeted to the road user or a grid of a local and temporal framework in a calculation of a movement of the road user is reduced, ie a finer local and temporal framework, also referred to as a grid, is used in the calculation of the movement of the road user.

Weiterhin wird ein optimaler Prädiktionszeitraum Δt ermittelt, der klein genug ist, um eine möglichst exakte Prädiktion zu erzeugen, jedoch nicht zu klein ist, um mögliche Abweichungen des realen Verhaltens von der Prädiktion zu erkennen. Die Größe des Prädiktionszeitraums Δt wird variabel in Abhängigkeit mittels der fahrzeugeigenen Umgebungssensorik 3 erfassten Umgebungsbedingungen eingestellt. Das heißt, der Prädiktionszeitraum Δt wird variabel ausgelegt, so dass dieser den äußeren Bedingungen, beispielsweise einer Geschwindigkeit des Fahrzeugs und/oder einer Sichtweite der Sensoren 3.1 bis 3.n, angepasst wird.Furthermore, it becomes an optimum prediction time .delta.t which is small enough to produce as exact a prediction as possible but not too small to detect possible deviations of the real behavior from the prediction. The size of the prediction period .delta.t becomes variable depending on the vehicle's environment sensor 3 adjusted ambient conditions. That is, the prediction period .delta.t is designed to be variable, so that this the external conditions, such as a speed of the vehicle and / or a range of the sensors 3.1 to 3.n , is adjusted.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

11
Vorrichtungcontraption
22
Netzwerknetwork
33
Umgebungssensorikambient sensor
3.1 bis 3.n3.1 to 3.n
Sensorsensor
44
Auswerteeinheitevaluation
55
Steuereinheit control unit
DD
Datendates
VV
Verkehrssituationtraffic situation
Vkrit V crit
Verkehrssituationtraffic situation
Vpraed V praed
Verkehrssituationtraffic situation

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 102016007899 A1 [0002]DE 102016007899 A1 [0002]

Claims (4)

Verfahren zur Bewertung einer Verkehrssituation für ein zumindest teilautonom betriebenes Fahrzeug, dadurch gekennzeichnet, dass - ein künstliches neuronales Netzwerk (2) mit während einer unkritischen Verkehrssituation (V), welche nicht zu einem Unfall des Fahrzeugs und/oder nicht zu einem manuellen Eingriff eines Fahrers während des zumindest teilautonomen Betriebs des Fahrzeugs geführt hat, mittels einer fahrzeugeigenen Umgebungssensorik (3) erfassten Daten (D) trainiert wird, - mittels des trainierten künstlichen neuronalen Netzwerks (2) eine zukünftige Verkehrssituation (Vpraed) prädiziert wird, - bei einer signifikanten Abweichung einer real auftretenden Verkehrssituation (V) von der prädizierten Verkehrssituation (Vpraed) auf eine kritische Verkehrssituation (Vkrit) geschlossen wird und - bei Vorliegen einer kritischen Verkehrssituation (Vkrit) eine Intensität einer mittels der fahrzeugeigenen Umgebungssensorik (3) durchgeführten Überwachung zumindest eines Verkehrsteilnehmers, dessen Verhalten von einem prädizierten Verhalten signifikant abweicht, erhöht wird.Method for assessing a traffic situation for an at least partially autonomously operated vehicle, characterized in that - an artificial neural network (2) with during an uncritical traffic situation (V), which does not lead to an accident of the vehicle and / or to a manual intervention of a driver is performed during the at least partially autonomous operation of the vehicle, by means of an on-vehicle environment sensor system (3) recorded data (D) is trained, - by the trained artificial neural network (2) a future traffic situation (V praed ) is predicted, - at a significant deviation a traffic situation actually occurring (V) of the predicted traffic situation (V praed) to a critical traffic situation (V crit) is closed and - in the presence of a critical traffic situation (V crit) an intensity of a means of the vehicle's surroundings sensor system (3) carried out monitoring at least one Road user whose behavior deviates significantly from a predicted behavior. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Intensität der Überwachung erhöht wird, indem zumindest ein beweglich am Fahrzeug angeordneter hochauflösender Sensor (3.1 bis 3.n) der fahrzeugeigenen Umgebungssensorik (3) auf den Verkehrsteilnehmer gerichtet wird.Method according to Claim 1 , characterized in that the intensity of the monitoring is increased by at least one movably arranged on the vehicle high-resolution sensor (3.1 to 3.n) of the vehicle's ambient sensor system (3) is directed to the road user. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Intensität der Überwachung erhöht wird, indem ein Rastermaß eines örtlichen und zeitlichen Rahmens in einer Berechnung einer Bewegung des Verkehrsteilnehmers verringert wird.Method according to Claim 1 or 2 characterized in that the intensity of the surveillance is increased by reducing a pitch of a local and temporal frame in a calculation of a movement of the road user. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Größe eines Prädiktionszeitraums variabel in Abhängigkeit mittels der fahrzeugeigenen Umgebungssensorik (3) erfassten Umgebungsbedingungen eingestellt wird.Method according to one of the preceding claims, characterized in that a variable of a prediction period is set variably in dependence on the environmental conditions detected by the vehicle's ambient sensor system (3).
DE102018008024.3A 2018-10-10 2018-10-10 Method for assessing a traffic situation Withdrawn DE102018008024A1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102018008024.3A DE102018008024A1 (en) 2018-10-10 2018-10-10 Method for assessing a traffic situation
PCT/EP2019/074070 WO2020074195A1 (en) 2018-10-10 2019-09-10 Method for assessing a traffic situation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102018008024.3A DE102018008024A1 (en) 2018-10-10 2018-10-10 Method for assessing a traffic situation

Publications (1)

Publication Number Publication Date
DE102018008024A1 true DE102018008024A1 (en) 2019-04-11

Family

ID=65817387

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102018008024.3A Withdrawn DE102018008024A1 (en) 2018-10-10 2018-10-10 Method for assessing a traffic situation

Country Status (2)

Country Link
DE (1) DE102018008024A1 (en)
WO (1) WO2020074195A1 (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110231820A (en) * 2019-05-31 2019-09-13 辽宁工业大学 A kind of vehicle travel control method based on Internet of Things
DE102019002790A1 (en) * 2019-04-16 2020-08-06 Daimler Ag Method for predicting a traffic situation for a vehicle
CN111775929A (en) * 2020-06-11 2020-10-16 南京邮电大学 Dynamic safety early warning method for dangerous liquid mobile vehicle-mounted device
WO2020224910A1 (en) * 2019-05-09 2020-11-12 LGN Innovations Limited Method and system for detecting edge cases for use in training a vehicle control system
DE102019114737A1 (en) * 2019-06-03 2020-12-03 Bayerische Motoren Werke Aktiengesellschaft Method and device for predicting the behavior of a road user
WO2021061180A1 (en) * 2019-09-27 2021-04-01 Gm Cruise Holdings Llc Intent-based dynamic change of resolution and region of interest of vehicle perception system
WO2021061181A1 (en) * 2019-09-27 2021-04-01 Gm Cruise Holdings Llc Intent-based dynamic change of compute resources of vehicle perception system
US20220227379A1 (en) * 2019-05-09 2022-07-21 LGN Innovations Limited Network for detecting edge cases for use in training autonomous vehicle control systems
WO2022184363A1 (en) * 2021-03-04 2022-09-09 Psa Automobiles Sa 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

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016007899A1 (en) 2016-06-28 2017-12-28 Audi Ag Method for operating a device for traffic situation analysis, motor vehicle and data processing device

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10065562B2 (en) * 2013-12-31 2018-09-04 International Business Mahcines Corporation Vehicle collision avoidance
US9764736B2 (en) * 2015-08-14 2017-09-19 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous vehicle operation relative to unexpected dynamic objects
US9889859B2 (en) * 2015-12-21 2018-02-13 Intel Corporation Dynamic sensor range in advanced driver assistance systems

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016007899A1 (en) 2016-06-28 2017-12-28 Audi Ag Method for operating a device for traffic situation analysis, motor vehicle and data processing device

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019002790A1 (en) * 2019-04-16 2020-08-06 Daimler Ag Method for predicting a traffic situation for a vehicle
US11945450B2 (en) 2019-04-16 2024-04-02 Mercedes-Benz Group AG Method for predicting a traffic situation for a vehicle
WO2020212061A1 (en) * 2019-04-16 2020-10-22 Daimler Ag Method for predicting a traffic situation for a vehicle
DE102019002790B4 (en) 2019-04-16 2023-05-04 Mercedes-Benz Group AG Method for predicting a traffic situation for a vehicle
US20220227379A1 (en) * 2019-05-09 2022-07-21 LGN Innovations Limited Network for detecting edge cases for use in training autonomous vehicle control systems
WO2020224910A1 (en) * 2019-05-09 2020-11-12 LGN Innovations Limited Method and system for detecting edge cases for use in training a vehicle control system
CN110231820B (en) * 2019-05-31 2022-08-05 江苏亿科达科技发展有限公司 Vehicle running control method based on Internet of things
CN110231820A (en) * 2019-05-31 2019-09-13 辽宁工业大学 A kind of vehicle travel control method based on Internet of Things
DE102019114737A1 (en) * 2019-06-03 2020-12-03 Bayerische Motoren Werke Aktiengesellschaft Method and device for predicting the behavior of a road user
WO2021061181A1 (en) * 2019-09-27 2021-04-01 Gm Cruise Holdings Llc Intent-based dynamic change of compute resources of vehicle perception system
US11037000B2 (en) 2019-09-27 2021-06-15 Gm Cruise Holdings Llc Intent-based dynamic change of resolution and region of interest of vehicle perception system
US11037001B2 (en) 2019-09-27 2021-06-15 Gm Cruise Holdings Llc Intent-based dynamic change of region of interest of vehicle perception system
US11070721B2 (en) 2019-09-27 2021-07-20 Gm Cruise Holdings Llc Intent-based dynamic change of compute resources of vehicle perception system
WO2021061180A1 (en) * 2019-09-27 2021-04-01 Gm Cruise Holdings Llc Intent-based dynamic change of resolution and region of interest of vehicle perception system
US11594039B2 (en) 2019-09-27 2023-02-28 Gm Cruise Holdings Llc Intent-based dynamic change of region of interest of vehicle perception system
CN111775929B (en) * 2020-06-11 2024-03-19 南京邮电大学 Dynamic safety early warning method for dangerous liquid mobile vehicle-mounted device
CN111775929A (en) * 2020-06-11 2020-10-16 南京邮电大学 Dynamic safety early warning method for dangerous liquid mobile vehicle-mounted device
WO2022184363A1 (en) * 2021-03-04 2022-09-09 Psa Automobiles Sa 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

Also Published As

Publication number Publication date
WO2020074195A1 (en) 2020-04-16

Similar Documents

Publication Publication Date Title
DE102018008024A1 (en) Method for assessing a traffic situation
DE102013019424B4 (en) Method for operating a vehicle system for monitoring a driver and motor vehicle
DE102017205093A1 (en) Method and system for predicting sensor signals of a vehicle
DE102009006336A1 (en) Method of monitoring a parking operation
DE102009046913A1 (en) Method for detecting fatigue of driver of e.g. lorry during driving, involves evaluating information about steering movement and surrounding information for determining whether information about steering movement indicates fatigue of driver
EP3616180B1 (en) Method for data collection
WO2014194898A1 (en) Method and driver assistance system for assessing and/or maintaining the alertness of a driver of a vehicle
DE102017205508A1 (en) Method for automatic movement control of a vehicle
DE102020113611A1 (en) Method and safety system for securing an automated vehicle function and motor vehicle
DE102016007899A1 (en) Method for operating a device for traffic situation analysis, motor vehicle and data processing device
EP3505414B1 (en) Motor vehicle control device and method for operating the control device for autonomous driving of a motor vehicle
DE102018126830A1 (en) Device and control unit for automating a change in state of a window pane of a vehicle
DE102018213600A1 (en) - gesture recognition device for a vehicle -
DE102021201539A1 (en) Generation of training data for a machine learning algorithm
DE102018213378B4 (en) Driver assistance system for a vehicle, vehicle with the same and driver assistance method for a vehicle
DE102017217986A1 (en) METHOD AND DEVICE FOR PREDICTING POTENTIAL COLLISIONS, DRIVER ASSISTANCE SYSTEM AND VEHICLE
DE102019217723A1 (en) DRIVING SAFETY CONTROL SYSTEM USING AMBIENT NOISE AND CONTROL METHOD THEREFOR
DE102018212266A1 (en) Adaptation of an evaluable scanning range of sensors and adapted evaluation of sensor data
WO2019120709A1 (en) Method and control unit for controlling a function of a vehicle driven at least partially in an automated manner
DE102018204883A1 (en) Method for operating a control device, motor vehicle and computer program
EP3727981B1 (en) Method for carrying out a self-diagnosis in an automated vehicle
DE102018119834A1 (en) Method for operating an autonomously driving vehicle
DE102020114609B4 (en) Method for providing an introspective error prediction model, assistance system and motor vehicle
DE102017004114A1 (en) Method and device for operating a fully autonomously or at least partially autonomously driving vehicle
DE102019130298B3 (en) Method for the detection of specific driving behavior and a system and a motor vehicle for this purpose

Legal Events

Date Code Title Description
R230 Request for early publication
R012 Request for examination validly filed
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