DE102018130004B3

DE102018130004B3 - Auf einer support vector machine basierende intelligente fahrweise zum passieren von kreuzungen und intelligentes fahrsystem dafür

Info

Publication number: DE102018130004B3
Application number: DE102018130004.2A
Authority: DE
Inventors: Tsung-Ming Hsu; Cheng-Hsien Wang
Original assignee: Automotive Research and Testing Center
Current assignee: Automotive Research and Testing Center
Priority date: 2018-10-17
Filing date: 2018-11-27
Publication date: 2019-09-12
Anticipated expiration: 2038-11-28
Also published as: JP6755291B2; TW202015947A; TWI690440B; US20200125994A1; US10878346B2; JP2020064584A

Abstract

Die intelligente Fahrweise findet bei einem Fahrzeug Anwendung und beinhaltet einen Support-Vector-Machine-Bereitstellungsschritt, in welchem die Support Vector Machine bereitgestellt wird. Die Support Vector Machine ist durch einen Trainingsprozess trainiert worden. Im Trainingsprozess wird der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt. Der Trainingsdatensatz wird erhalten, nachdem ein Originaldatensatz durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul verarbeitet wurde. Die intelligente Fahrweise beinhaltet einen Datensatz-Verarbeitungsschritt, in welchem p Merkmale von einer Umgebungserfassungseinheit durch das Dimensionalitätsreduktionsmodul und das Zeitskalierungsmodul verarbeitet werden und der verarbeitete Datensatz der Support Vector Machine zur Verfügung gestellt wird. Die intelligente Fahrweise beinhaltet ferner einen Entscheidungsschritt, um dem Fahrzeug gemäß einem klassifizierten Ergebnis der Support Vector Machine eine Fahrentscheidung zur Verfügung zu stellen.

Description

HINTERGRUND
Technisches Gebiet
Die vorliegende Offenbarung betrifft eine intelligente Fahrweise zum Passieren von Kreuzungen und ein intelligentes System dafür. Insbesondere betrifft die vorliegende Offenbarung eine auf einer Support Vector Machine (Stützvektormaschine) basierende intelligente Fahrweise zum Passieren von Kreuzungen und ein intelligentes System dafür.
Beschreibung des Standes der Technik
Im Allgemeinen biegen an Kreuzungen und Einmündungen viele Fahrzeuge ab oder kommen einander entgegen. Ein Fahrer muss entscheiden, wann er beschleunigen, abbremsen oder mit konstanter Geschwindigkeit weiterfahren soll, während er die Kreuzungen passiert. Wenn die Einschätzung des Fahrers falsch ist, ereignen sich Verkehrsunfälle. Gemäß den Statistiken der Vereinigten Staaten ereigneten sich 2008 40 % der Verkehrsunfälle an Kreuzungen oder Einmündungen. Gemäß dem Statistischen Bundesamt von Deutschland ereigneten sich 2013 47,5 % der Verkehrsunfälle an Kreuzungen oder Einmündungen. Außerdem ereigneten sich in manchen Ländern mehr als 98 % der Verkehrsunfälle an Kreuzungen oder Einmündungen.
Um den Fahrer beim Passieren von Kreuzungen bei seiner Entscheidung zu unterstützen, haben einige Fachleute hochautomatisierte Fahrzeuge mit Paradigmen der künstlichen Intelligenz (KI) entwickelt, und eine Support Vector Machine ist einer der Maschinenlernalgorithmen. Durch Ausführung von Modellen zur Vorhersage oder Schätzung können die Fahrentscheidungen, wie Beschleunigung, Verlangsamung oder Beibehaltung einer konstanten Geschwindigkeit beim Passieren von Kreuzungen, bereitgestellt werden.
In einer realen Situation trifft der Fahrer eine Fahrentscheidung, die auf den Vergangenheitsinformationen der Umgebung basiert. Anders ausgedrückt, die reale Fahrentscheidung hat einen Zeitbezug. Beim herkömmlichen Trainingsprozess der Support Vector Machine werden jedoch, obwohl der Datensatz für das Training beobachtet und in zeitlicher Reihenfolge indiziert wird, die beobachteten Datensätze an jedem Datenpunkt unabhängig betrachtet, und das Zeitreihenproblem wird nicht betrachtet, was eine ungenügende Genauigkeit der Fahrentscheidung zur Folge hat.
Aufgrund des oben genannten Problems besteht ein von Fachleuten verfolgtes Ziel darin, Wege zu finden, wie die Genauigkeit der Fahrentscheidung effizient verbessert werden kann.
KURZDARSTELLUNG
Die vorliegende Offenbarung stellt eine intelligente Fahrweise zum Passieren von Kreuzungen bereit, die auf einer Support Vector Machine basiert. Die intelligente Fahrweise findet bei einem Fahrzeug Anwendung und beinhaltet einen Support-Vector-Machine-Bereitstellungsschritt zum Bereitstellen der Support Vector Machine. Die Support Vector Machine wird durch einen Trainingsprozess trainiert. Im Trainingsprozess wird der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt. Der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben. Jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und p Merkmale und eine Entscheidung jedes von mehreren Datenpunkten innerhalb der Durchfahrtszeit. Die p Merkmale werden von dem Dimensionalitätsreduktionsmodul verarbeitet, so dass sie in k neue Merkmale umgewandelt werden, wobei p und k ganze Zahlen sind und p > k ist. Das Zeitskalierungsmodul liefert eine vorhergesagte Zeit. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, wird ein Schätzwert in die zu skalierende Folge eingefügt, um eine neue zu skalierende Folge zu bilden. Eine bedingte Verteilung des Schätzwertes wird unter Verwendung einer gemeinsamen Verteilung der zu skalierenden Folge und einer Randverteilung der neuen Merkmale erhalten. Die neue zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Die intelligente Fahrweise beinhaltet einen Datensatz-Verarbeitungsschritt. Die p Merkmale, die von einer am Fahrzeug angeordneten Umgebungserfassungseinheit gewonnen werden, werden von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet und werden danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt. Die intelligente Fahrweise beinhaltet ferner einen Entscheidungsschritt, um dem Fahrzeug eine Fahrentscheidung zur Verfügung zu stellen, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
In einem Beispiel wird im Dimensionalitätsreduktionsmodul eine Hauptkomponentenanalyse durchgeführt.
In einem Beispiel wird im Zeitskalierungsmodul eine einheitliche Skalierung durchgeführt.
In einem Beispiel ist die vorhergesagte Zeit gleich einer längsten der Durchfahrtszeiten.
In einem Beispiel beinhalten die p Merkmale eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug und einem sich nähernden Fahrzeug, eine relative horizontale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und der Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs.
In einem Beispiel werden die p Merkmale des Originaldatensatzes von der Umgebungserfassungseinheit gewonnen, und die Umgebungserfassungseinheit weist ein Radar, eine Kamera und/oder eine GPS-Vorrichtung auf.
Die vorliegende Offenbarung stellt eine weitere intelligente Fahrweise zum Passieren von Kreuzungen bereit, die auf einer Support Vector Machine basiert. Die intelligente Fahrweise findet bei einem Fahrzeug Anwendung und beinhaltet einen Support-Vector-Machine-Bereitstellungsschritt zum Bereitstellen der Support Vector Machine. Die Support Vector Machine wird durch einen Trainingsprozess trainiert. Im Trainingsprozess wird der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt. Der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben, und jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und p Merkmale und eine Entscheidung jedes von mehreren Datenpunkten innerhalb der Durchfahrtszeit. Die p Merkmale werden von dem Dimensionalitätsreduktionsmodul verarbeitet, so dass sie in k neue Merkmale umgewandelt werden, wobei p und k ganze Zahlen sind und p > k ist. Das Zeitskalierungsmodul liefert eine vorhergesagte Zeit. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, wird ein Schätzwert in die zu skalierende Folge eingefügt, um eine neue zu skalierende Folge zu bilden. Die neue zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Die intelligente Fahrweise beinhaltet einen Datensatz-Verarbeitungsschritt. Die p Merkmale, die von einer am Fahrzeug angeordneten Umgebungserfassungseinheit gewonnen werden, werden von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet und werden danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt. Die intelligente Fahrweise beinhaltet ferner einen Entscheidungsschritt, um dem Fahrzeug eine Fahrentscheidung zur Verfügung zu stellen, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
In einem Beispiel wird im Dimensionalitätsreduktionsmodul eine Hauptkomponentenanalyse durchgeführt.
In einem Beispiel wird im Zeitskalierungsmodul eine einheitliche Skalierung durchgeführt.
Die vorliegende Offenbarung stellt ein intelligentes Fahrsystem zum Passieren von Kreuzungen bereit, das auf einer Support Vector Machine basiert. Das intelligente Fahrsystem findet in einem Fahrzeug Anwendung und weist eine Verarbeitungseinheit und eine Umgebungserfassungseinheit auf. Die Verarbeitungseinheit ist am Fahrzeug angeordnet und weist ein Dimensionalitätsreduktionsmodul, ein Zeitskalierungsmodul und die Support Vector Machine auf. Das Dimensionalitätsreduktionsmodul ist zum Umwandeln von p Merkmalen jedes von mehreren Datenpunkten in k neue Merkmale bestimmt, wobei p und k ganze Zahlen sind und p > k ist. Eine vorhergesagte Zeit wird von dem Zeitskalierungsmodul geliefert. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, wird ein Schätzwert in die zu skalierende Folge eingefügt, um eine neue zu skalierende Folge zu bilden, die neue zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, eine Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Die Support Vector Machine wird durch einen Trainingsdatensatz trainiert, und der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch das Dimensionalitätsreduktionsmodul und das Zeitskalierungsmodul gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben, und jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und die p Merkmale und eine Entscheidung jedes der Datenpunkte innerhalb der Durchfahrtszeit. Die Umgebungserfassungseinheit ist am Fahrzeug angeordnet und ist mit der Verarbeitungseinheit signaltechnisch verbunden. Die p Merkmale, die von der Umgebungserfassungseinheit gewonnen werden, werden von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet und werden danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt, und dem Fahrzeug wird eine Fahrentscheidung zur Verfügung gestellt, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
In einem Beispiel beinhalten die p Merkmale eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug und einem sich nähernden Fahrzeug, eine relative horizontale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und der Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs.
In einem Beispiel weist die Umgebungserfassungseinheit ein Radar, eine Kamera und/oder eine GPS-Vorrichtung auf.
In einem Beispiel beinhaltet die Fahrentscheidung eine Beschleunigung, eine Verlangsamung oder eine Beibehaltung einer konstanten Geschwindigkeit.
Figurenliste
Die vorliegende Offenbarung wird beim Studium der nachfolgenden ausführlichen Beschreibung der Ausführungsform besser verständlich, wobei auf die beigefügten Zeichnungen Bezug genommen wird, wobei gilt:

1 ist ein Flussdiagramm einer auf einer Support Vector Machine basierenden intelligenten Fahrweise zum Passieren von Kreuzungen gemäß einer ersten Ausführungsform der vorliegenden Offenbarung.
2 zeigt eine erste Simulation gemäß der auf der Support Vector Machine basierenden intelligenten Fahrweise zum Passieren von Kreuzungen von 1.
3 zeigt eine zweite Simulation gemäß der auf der Support Vector Machine basierenden intelligenten Fahrweise zum Passieren von Kreuzungen von 1.
4 zeigt eine dritte Simulation gemäß der auf der Support Vector Machine basierenden intelligenten Fahrweise zum Passieren von Kreuzungen von 1.
5 zeigt eine erste kumulative Rate der ersten Simulation von 2.
6 zeigt eine erste kumulative Rate der zweiten Simulation von 3.
7 zeigt eine erste kumulative Rate der dritten Simulation von 4.
8 ist ein Blockschaltbild eines intelligenten Fahrsystems zum Passieren von Kreuzungen, das auf einer Support Vector Machine basiert, gemäß einer dritten Ausführungsform der vorliegenden Offenbarung.

AUSFÜHRLICHE BESCHREIBUNG
Es wird auf 1 Bezug genommen. 1 ist ein Flussdiagramm einer auf einer Support Vector Machine basierenden intelligenten Fahrweise 100 zum Passieren von Kreuzungen gemäß einer ersten Ausführungsform der vorliegenden Offenbarung. Die intelligente Fahrweise 100 findet bei einem Fahrzeug Anwendung und beinhaltet einen Support-Vector-Machine-Bereitstellungsschritt 110, einen Datensatz-Verarbeitungsschritt 120 und einen Entscheidungsschritt 130.
Im Support-Vector-Machine-Bereitstellungsschritt 110 wird die Support Vector Machine bereitgestellt. Die Support Vector Machine wird durch einen Trainingsprozess trainiert. Im Trainingsprozess wird der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt. Der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben. Jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und p Merkmale und eine Entscheidung jedes von mehreren Datenpunkten innerhalb der Durchfahrtszeit. Die p Merkmale werden von dem Dimensionalitätsreduktionsmodul verarbeitet, so dass sie in k neue Merkmale umgewandelt werden, wobei p und k ganze Zahlen sind und p > k ist. Das Zeitskalierungsmodul liefert eine vorhergesagte Zeit. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Die zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich einer Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit.
Im Datensatz-Verarbeitungsschritt 120 werden die p Merkmale, die von einer am Fahrzeug angeordneten Umgebungserfassungseinheit gewonnen werden, von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet und werden danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt.
Im Entscheidungsschritt 130 wird dem Fahrzeug eine Fahrentscheidung zur Verfügung gestellt, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
Daher sind die Daten des Trainingsdatensatzes zeitunabhängig, und die Daten der während der Fahrt gewonnenen Merkmale, die vom Dimensionalitätsreduktionsmodul und vom Zeitskalierungsmodul verarbeitet werden, sind zeitabhängig, was eine verbesserte Genauigkeit des vorhergesagten Ergebnisses zur Folge hat. Die Einzelheiten der intelligenten Fahrweise 100 werden in den folgenden Absätzen beschrieben.
Die Support Vector Machine ist ein Klassifikator von überwachtem Lernen, welcher klassifizierte Ergebnisse liefern kann, um das Fahren zu unterstützen. Im Support-Vector-Machine-Bereitstellungsschritt 110 wird die bereitgestellte Support Vector Machine durch den Trainingsprozess trainiert und kann klassifizierte Ergebnisse für Fahrentscheidungen liefern, wie Verlangsamung, Beschleunigung und Beibehaltung der konstanten Geschwindigkeit, wenn das Fahrzeug die Kreuzung passiert.
Im Trainingsprozess können die Trainingsstichproben des Trainingsdatensatzes durch Simulieren der Situation des Fahrzeugs, das die Kreuzung passiert, gebildet werden. Bei der ersten Ausführungsform kann die Simulationsplattform PreScan für die Entwicklung von Fahrerassistenzsystemen (Advanced Driver Assistance Systems, ADAS) sein, welche von Tass International hergestellt wird und Informationen von zusammenhängenden Kreuzungen erstellen kann, um Fahrzeuge zu simulieren, welche die Kreuzungen passieren. Bei einer anderen Ausführungsform können die Trainingsstichproben unter anderem von realen Straßen oder mit einer anderen Simulationssoftware gewonnen werden.
Jedes Mal, wenn das Fahrzeug die Kreuzung passiert, können die daraus gewonnenen Daten als eine Trainingsstichprobe angesehen werden. Anders ausgedrückt, wenn das Fahrzeug zehnmal die Kreuzung passiert, werden zehn Trainingsstichproben erhalten. Jede der Trainingsstichproben beinhaltet die Durchfahrtszeit für das Passieren einer Kreuzung und die p Merkmale und die Entscheidung jedes der mehreren Datenpunkte innerhalb der Durchfahrtszeit. Falls zum Beispiel in einer ersten Trainingsstichprobe die Durchfahrtszeit 2 Sekunden beträgt und die Sampling-Frequenz (Abtastfrequenz) 2,5 mal pro Sekunde beträgt, erhält man innerhalb der Durchfahrtszeit fünf Datenpunkte. An jedem Datenpunkt werden p Merkmale und eine Entscheidung, z. B. Beschleunigung, Verlangsamung oder Beibehaltung einer konstanten Geschwindigkeit, erfasst. Die p Merkmale können eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug und einem sich nähernden Fahrzeug, eine relative horizontale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und der Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs beinhalten.

Die Daten der ersten Trainingsstichprobe können in Tabelle 1 angegeben werden. In einer einzelnen Trainingsstichprobe können die p Merkmale jedes der q Datenpunkte als ein Original-Merkmalsarray X angesehen werden, wobei X=(x₁, ... , x_p) und x_i = (x_il, ... x_iq)^T. Wie leicht einzusehen ist, sind, wenn n Trainingsstichproben vorhanden sind, n Original-Merkmalsarrays X_l vorhanden, und q wird dann in q_l umbenannt. n und q sind positive ganze Zahlen. / ist eine positive ganze Zahl von 1 bis n, und i ist eine positive ganze Zahl von 1 bis p. Alle Entscheidungen von n Trainingsstichproben können als ein Entscheidungsarray ZZ angesehen werden, wobei ZZ=(z₁, ... , z_n). In den folgenden Absätzen bezeichnet T_lw den w-ten Datenpunkt der l-ten Trainingsstichprobe. w ist eine positive ganze Zahl von 1 bis q_l. x_lwi bezeichnet das am Datenpunkt T_lw erhaltene l-te Merkmal. Demzufolge bezeichnet in Tabelle 1 T₁₁ den ersten Datenpunkt der ersten Trainingsstichprobe, welcher bei der ersten Ausführungsform 0,4 Sekunden ist. T₁₂ bezeichnet den zweiten Datenpunkt der ersten Trainingsstichprobe, welcher bei der ersten Ausführungsform 0,8 Sekunden ist. x₁₁₁ bezeichnet das erste Merkmal des ersten Datenpunktes T₁₁ der ersten Trainingsstichprobe. x₁₂₂ bezeichnet das zweite Merkmal des zweiten Datenpunktes T₁₂ der ersten Trainingsstichprobe. z₁₃ bezeichnet die Entscheidung des dritten Datenpunktes T₁₃ der ersten Trainingsstichprobe. Die Bezeichnungsregeln anderer Symbole in Tabelle 1 sind dieselben und werden nicht nochmals beschrieben. Tabelle 1

Datenpunkt	X₁							z₁
T₁₁	x₁₁₁	x₁₁₂	x₁₁₃	x₁₁₄	x₁₁₅	x₁₁₆	x₁₁₇	z₁₁
T₁₂	x₁₂₁	x₁₂₂	x₁₂₃	x₁₂₄	x₁₂₅	x₁₂₆	x₁₂₇	z₁₂
T₁₃	x₁₃₁	x₁₃₂	x₁₃₃	x₁₃₄	x₁₃₅	x₁₃₆	x₁₃₇	z₁₃
T₁₄	x₁₄₁	x₁₄₂	x₁₄₃	x₁₄₄	x₁₄₅	x₁₄₆	x₁₄₇	z₁₄
T₁₅	x₁₅₁	x₁₅₂	x₁₅₃	x₁₅₄	x₁₅₅	x₁₅₆	x₁₅₇	z₁₅

In einer zweiten Trainingsstichprobe erhält man, falls die Durchfahrtszeit 2,4 Sekunden beträgt und die Sampling-Frequenz 2,5 mal pro Sekunde beträgt, 6 Datenpunkte. Die Daten der zweiten Trainingsstichprobe können in Tabelle 2 angegeben werden. Tabelle 2

Datenpunkt	X₂							z₂
T₂₁	x₂₁₁	x₂₁₂	x₂₁₃	x₂₁₄	x₂₁₅	x₂₁₆	x₂₁₇	z₂₁
T₂₂	x₂₂₁	x₂₂₂	x₂₂₃	x₂₂₄	x₂₂₅	x₂₂₆	x₂₂₇	z₂₂
T₂₃	x₂₃₁	x₂₃₂	x₂₃₃	x₂₃₄	x₂₃₅	x₂₃₆	x₂₃₇	z₂₃
T₂₄	x₂₄₁	x₂₄₂	x₂₄₃	x₂₄₄	x₂₄₅	x₂₄₆	x₂₄₇	z₂₄
T₂₅	x₂₅₁	x₂₅₂	x₂₅₃	x₂₅₄	x₂₅₅	x₂₅₆	x₂₅₇	z₂₅
T₂₆	x₂₆₁	x₂₆₂	x₂₆₃	x₂₆₄	x₂₆₅	x₂₆₆	x₂₆₇	z₂₆

Falls zwei Trainingsstichproben vorhanden sind, besteht der Originaldatensatz aus den Daten von Tabelle 1 und Tabelle 2.
Der Originaldatensatz kann durch Verarbeitung durch das Dimensionalitätsreduktionsmodul und das Zeitskalierungsmodul in den Trainingsdatensatz umgewandelt werden. Im Dimensionalitätsreduktionsmodul wird eine Hauptkomponentenanalyse (Principal Component Analysis, PCA), eine Regression mit partiellen kleinsten Quadraten (Partial Least Squares Regression, PLSR), eine mehrdimensionale Skalierung (MDS), ein Projektionsverfolgungsverfahren, eine Hauptkomponentenregression (Principal Component Regression, PCR), eine quadratische Diskriminanzanalyse (QDA), eine regularisierte Diskriminanzanalyse (RDA) oder eine lineare Diskriminanzanalyse (LDA) durchgeführt. Vorzugsweise wird im Dimensionalitätsreduktionsmodul die Hauptkomponentenanalyse durchgeführt. Die Gleichungen der Hauptkomponentenanalyse sind als Gleichung (1), Gleichung (2) und Gleichung (3) angegeben.
$Y = a^{T} X$

$y_{j} = \sum_{i = 1}^{p} a_{j i} x_{i}, \forall j$

$\sum_{i = 1}^{p} a_{j i} = 1, \forall j$
Die obigen Gleichungen sind basierend auf Daten eines Datenpunktes einer Trainingsstichprobe ausgedrückt, und die Variable / der Trainingsstichproben sowie die Variable w der Datenpunkte sind nicht angegeben. Hierin bezeichnet Y das neue Merkmalsarray, das k neue Merkmale enthält, das heißt Y=(y₁, ...., y_k), wobei y_j das j-te neue Merkmal bezeichnet. Wenn die jeweils einer der n Trainingsstichproben entsprechenden q_l berücksichtigt werden, ist Y_l=(y₁₁, ... .,y_lk) und Y_lj=(y_lj1, ...., _Yljql), wobei a ein Koeffizientenarray bezeichnet und a_ji den Koeffizienten bezeichnet, der dem i-ten Merkmal x_i entspricht. Bei der ersten Ausführungsform werden die p Merkmale jeder Trainingsstichprobe durch das Dimensionalitätsreduktionsmodul in ein neues Merkmal umgewandelt, das heißt k=1. Daher ist die verarbeitete erste Trainingsstichprobe in Tabelle 3 angegeben, und die verarbeitete zweite Trainingsstichprobe ist in Tabelle 4 angegeben. Hierbei bezeichnet y_ljw das verarbeitete j-te Merkmal des Datenpunktes T_lw, und die Daten sind, nachdem sie durch das Dimensionalitätsreduktionsmodul verarbeitet wurden, mit (Y₁, z₁) bezeichnet. Tabelle 3

Datenpunkt Y₁ z₁

T₁₁ y₁₁₁ z₁₁

T₁₂ y₁₁₂ z₁₂

T₁₃ y₁₁₃ z₁₃

T₁₄ y₁₁₄ z₁₄

T₁₅ y₁₁₅ z₁₅

Tabelle 4

Datenpunkt Y₂ z₂

T₂₁ y₂₁₁ z₂₁

T₂₂ y₂₁₂ z₂₂

T₂₃ y₂₁₃ z₂₃

T₂₄ y₂₁₄ z₂₄

T₂₅ y₂₁₅ z₂₅

T₂₆ y₂₁₆ z₂₆
Anschließend werden die durch das Dimensionalitätsreduktionsmodul verarbeiteten Daten durch das Zeitskalierungsmodul verarbeitet. Da Datensätze, die in einen Klassifikator bei überwachtem Lernen eingegeben werden, von gleicher Länge sein sollten, sind dann die kumulativen Daten an jedem Datenpunkt von gleicher Länge.
Im Zeitskalierungsmodul kann eine dynamische Zeitnormierung (Dynamic Time Warping, DWT) oder eine einheitliche Skalierung durchgeführt werden. Vorzugsweise kann im Zeitskalierungsmodul die einheitliche Skalierung durchgeführt werden.
Wenn die einheitliche Skalierung durchgeführt wird, kann die vorhergesagte Zeit vom Zeitskalierungsmodul bereitgestellt werden. Die vorhergesagte Zeit kann gleich einer längsten der Durchfahrtszeiten sein. Im konkreten Beispiel beträgt bei der ersten Ausführungsform die Durchfahrtszeit der ersten Trainingsstichprobe 2 Sekunden, und die Durchfahrtszeit der zweiten Trainingsstichprobe beträgt 2,4 Sekunden. Die längste der Durchfahrtszeiten ist 2,4 Sekunden, so dass die vorhergesagte Zeit auf 2,4 Sekunden gesetzt werden kann und eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit 6 beträgt.

Vor dem Skalieren werden die neuen Merkmale eines der Datenpunkte einer der Trainingsstichproben und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, als zu skalierende Folge angesehen. In Tabelle 5 ist die zu skalierende Folge angegeben. L_ljw bezeichnet die zu skalierende Folge, wobei L_ijw = (y_lj1, ... , y_ljw). Falls die p Merkmale, die durch das Dimensionalitätsreduktionsmodul verarbeitet werden, in ein neues Merkmal umgewandelt werden, wird j von jedem der Symbole in Tabelle 5 auf 1 gesetzt. Tabelle 5

akkumulierter Datenpunkt	L_ljw
0 - T₁₁	y_1j1
0 - T₁₂	y_1j1	y_1j2
0 - T₁₃	y_1j1	y_1j2	y_1j3
0 - T₁₄	y_1j1	y_1j2	y_1j3	y_1j4
0 - T₁₅	y_1j1	y_1j2	y_1j3	y_1j4	y_1j5
0 - T₂₁	y_2j1
0 - T₂₂	y_2j1	y_2j2
0 - T₂₃	y_2j1	y_2j2	y_2j3
0 - T₂₄	y_2j1	y_2j2	y_2j3	y_2j4
0 - T₂₅	y_2j1	y_2j2	y_2j3	y_2j4	y_2j5

Genauer, in Tabelle 5 enthält die zu skalierende Folge L_ljw alle j-ten neuen Merkmale y_lj1-y_ljw des ersten bis w-ten Datenpunktes T_l1-T_lw der l-ten Trainingsstichprobe. Zum Beispiel enthält die zu skalierende Folge L₁₁₁ mit w=1 und j=1 das erste neue Merkmal y₁₁₁ des Datenpunktes T₁₁ der ersten Trainingsstichprobe, und die Länge der zu skalierenden Folge L₁₁₁ ist gleich 1, das heißt, die zu skalierende Folge L₁₁₁ besteht aus einem Wert. Die zu skalierende Folge L₂₁₃ mit w=3 und j=1 enthält die ersten neuen Merkmale y₂₁₁- y₂₁₃ der Datenpunkte T₂₁- T₂₃ der zweiten Trainingsstichprobe, und die Länge der zu skalierenden Folge L₁₁₁ ist gleich 3, das heißt, die zu skalierende Folge L₁₁₁ besteht aus drei Werten. Daher wird die zu skalierende Folge durch Skalieren in eine skalierte Folge umgewandelt, und die Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Da die Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit bei der ersten Ausführungsform gleich 6 ist, ist die Länge der skalierten Folge gleich 6. Daher ist, nachdem die Verarbeitung durch das Zeitskalierungsmodul erfolgt ist, die Länge jeder der skalierten Folgen gleich 6. Die skalierten Folgen sind in Tabelle 6 angegeben, in welcher L*_ljw die skalierte Folge bezeichnet. Falls die p Merkmale, die durch das Dimensionalitätsreduktionsmodul verarbeitet werden, in ein neues Merkmal umgewandelt werden, wird j von jedem der Symbole in Tabelle 6 auf 1 gesetzt. Tabelle 6

akkumulierter Datenpunkt	L*_ljW
0 - T₁₁	L*_1j11	L*_1j12	L*_1j13	L*_1j14	L*_1j15	L*_1j16
0 - T₁₂	L*_1j21	L*_1j22	L*_1j23	L*_1j24	L*_1j25	L*_1j26
0 - T₁₃	L*_1j31	L*_1j32	L*_1j33	L*_1j34	L*_1j35	L*_1j36
0 - T₁₄	L*_1j41	L*_1j42	L*_1j43	L*_1j44	L*_1j45	L*_1j46
0 - T₁₅	L*_1j51	L*_1j52	L*_1j53	L*_1j54	L*_1j55	L*_1j56
0 - T₂₁	L*_2j11	L*_2j12	L*_2j13	L*_2j14	L*_2j15	L*_2j16
0 - T₂₂	L*_2j21	L*_2j22	L*_2j23	L*_2j24	L*_2j25	L*_2j26
0 - T₂₃	L*_2j31	L*_2j32	L*_2j33	L*_2j34	L*_2j35	L*_2j36
0 - T₂₄	L*_2j41	L*_2j42	L*_2j43	L*_2j44	L*_2j45	L*_2j46
0 - T₂₅	L*_2j51	L*_2j52	L*_2j53	L*_2j54	L*_2j55	L*_2j56

Die zu skalierende Folge L_ljw wird durch Gleichung (4) und Gleichung (5) in die skalierte Folge L*_ljw, umgewandelt, wobei L*_ljw = (L*_ljw1, ..., L*_ljwr).
$L_{l j w r}^{*} = y_{l j 1}, falls ⌊ r \times w / q_{s} ⌋ = 0, f ü r r = 1, \dots, q_{s}$

$L_{l j w r}^{*} = y_{l j ⌊ r \times w / q_{s} ⌋}, falls ⌊ r \times w / q_{s} ⌋ \neq 0$
Hierbei bezeichnet q_s die Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit, und q_s ist kleiner oder gleich q_l. Die vorhergesagte Zeit kann gleich einer längsten der Durchfahrtszeiten sein, das heißt q_s=max(q_l). $⌊ t \times w / q_{s} ⌋$
bezeichnet die Abrundungsfunktion, wobei $⌊ r \times w / q_{s} ⌋ = max (m \in ℤ | m ≦ r \times w / q_{s})$
und Z in der Mathematik die ganzen Zahlen bezeichnet. Anders ausgedrückt, das Ergebnis von r × w/q_s wird abgerundet, und nur der ganzzahlige Anteil wird berücksichtigt.
Wenn zum Beispiel die zu skalierende Folge L₁₁₃=(y₁₁₁, y₁₁₂, y₁₁₃) in L*₁₁₃=( L*₁₁₃₁, L*₁₁₃₂, L*₁₁₃₃, L*₁₁₃₄, L*₁₁₃₅, L*₁₁₃₆) skaliert wird, wird das Datenelement der ersten Position der zu skalierenden Folge L₁₁₃ auf die erste Position der skalierten Folge L*₁₁₃ gesetzt, das heißt L*₁₁₃₁=y₁₁₁. Das Datenelement der ersten Position der zu skalierenden Folge L₁₁₃ wird auf die zweite Position der skalierten Folge L*₁₁₃ gesetzt, das heißt L*₁₁₃₂=y₁₁₁, da das Ergebnis von 2x3/6 gleich 1 ist. Das Datenelement der ersten Position der zu skalierenden Folge L₁₁₃ wird auf die dritte Position der skalierten Folge L*₁₁₃ gesetzt, das heißt L*₁₁₃₃=y₁₁₁, da das Ergebnis von 3x3/6, welches gleich 1,5 ist, auf 1 abgerundet wird. Das Datenelement der zweiten Position der zu skalierenden Folge L₁₁₃ wird auf die vierte Position der skalierten Folge L*₁₁₃ gesetzt, das heißt L*₁₁₃₄=y₁₁₂ , da das Ergebnis von 4x3/6 gleich 2 ist. Das Datenelement der zweiten Position der zu skalierenden Folge L₁₁₃ wird auf die fünfte Position der skalierten Folge L*₁₁₃ gesetzt, das heißt L*₁₁₃₅=y₁₁₂, da das Ergebnis von 5x3/6, welches gleich 2,5 ist, auf 2 abgerundet wird. Das Datenelement der dritten Position der zu skalierenden Folge L₁₁₃ wird auf die sechste Position der skalierten Folge L*₁₁₃ gesetzt, das heißt L*₁₁₃₆=y₁₁₃, da das Ergebnis von 6x3/6 gleich 3 ist. Es ist anzumerken, dass, wenn die Länge der zu skalierenden Folge größer als die Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, das heißt die Länge der zu skalierenden Folge größer als die Länge der skalierten Folge ist, die zu skalierende Folge auch herunterskaliert werden kann, um den Zweck der vorliegenden Offenbarung zu erreichen.

(Y_l, z_l) bezeichnet den verarbeiteten Originaldatensatz vom Dimensionalitätsreduktionsmodul und wird dann durch das Zeitskalierungsmodul verarbeitet, zur Umwandlung in den Trainingsdatensatz (L*_l,z_l), wobei L*_l = (L*_l1,... , L*,_lk), L*_lj = {L*_lj1, ... , L*_ljq
1) und L*_ljw= (L*_ljw1,... , L*_ljwq
s). Der Trainingsdatensatz ist in Tabelle 7 angegeben. Es ist anzumerken, dass die letzte Zeile in Tabelle 7 eine Zeile ist, welche nicht skaliert zu werden braucht und in der die ursprünglichen Daten erhalten bleiben; um jedoch den Zusammenhang zwischen dem Trainingsdatensatz und der Support Vector Machine klar aufzuzeigen, wird die letzte Zeile in Tabelle 7 trotzdem mit L*_ljwr bezeichnet. Falls die p Merkmale, die durch das Dimensionalitätsreduktionsmodul verarbeitet werden, in ein neues Merkmal umgewandelt werden, wird j von jedem der Symbole in Tabelle 7 auf 1 gesetzt. Tabelle 7

akkumulierter Datenpunkt	L*_ljW						z_l
0 - T₁₁	L*_1j11	L*_1j12	L*_1j13	L*_1j14	L*_1j15	L*_1j16	z₁₁
0 - T₁₂	L*_1j21	L*_1j22	L*_1j23	L*_1j24	L*_1j25	L*_1j26	z₁₂
0 - T₁₃	L*_1j31	L*_1j32	L*_1j33	L*_1j34	L*_1j35	L*_1j36	z₁₃
0 - T₁₄	L*_1j41	L*_1j42	L*_1j43	L*_1j44	L*_1j45	L*_1j46	z₁₄
0 - T₁₅	L*_1j51	L*_1j52	L*_1j53	L*_1j54	L*_1j55	L*_1j56	z₁₅
0 - T₂₁	L*_2j11	L*_2j12	L*_2j13	L*_2j14	L*_2j15	L*_2j16	z₂₁
0 - T₂₂	L*_2i21	L*_2j22	L*_2j23	L*_2j24	L*_2j25	L*_2j26	z₂₂
0 - T₂₃	L*_2j31	L*_2j32	L*_2j33	L*_2j34	L*_2j35	L*_2j36	z₂₃
0 - T₂₄	L*_2j41	L* _2j42	L*_2j43	L*_2j44	L*_2j45	L*_2j46	z₂₄
0 - T₂₅	L*_2j51	L*_2j52	L*_2j53	L*_2j54	L*_2j55	L*_2j56	z₂₅
0 - T₂₆	L*_2j61	L*_2j62	L*_2j63	L*_2j64	L*_2j65	L*_2j66	z₂₆

Der Trainingsdatensatz kann der Support Vector Machine zur Verfügung gestellt werden, so dass eine Hyperebene gefunden werden kann. Die Gleichungen (6) bis (9) können in der Support Vector Machine verwendet werden. Die Hyperebene realisiert die beste Trennung des Trainingsdatensatzes durch die Minimierung der Gleichung (6) unter der Nebenbedingung von Gleichung (7). Außerdem werden die Lagrange-Multiplikatoren für das duale Problem gelöst, welches als Gleichung (8) unter den Nebenbedingungen a_i>0 und $\sum_{l = 1}^{n} α_{l} z_{l} = 0$
ausgedrückt ist.
$min_{W, ξ} J (W, ξ) = \frac{1}{2} {‖ W ‖}^{2} + C \sum_{l = 1}^{n} ξ_{l}$

$z_{l} (W^{T} Φ (L_{l}^{*}) + b) \geq 1 - ξ_{l}, ξ_{l} \geq 0, l = 1, \dots, n$

$max_{α_{d}, d = 1, \dots, n} {\sum_{d = 1}^{n} α_{d} - \frac{1}{2} {\sum_{d = 1}^{n} \sum_{e = 1}^{n} α_{d} (d_{d} z_{e} K (L_{d}^{*}, L_{e}^{*})) α_{e}}$

$K (L_{d}^{*}, L_{e}^{*}) = Φ^{T} (L_{d}^{*}) Φ (L_{e}^{*})$
Hierbei bezeichnet C eine Kostenvariable und ist größer als null. W bezeichnet Eingabeparameter. ξ_l bezeichnet eine Schlupfvariable. b bezeichnet einen Intercept-Term. α_d und α_e sind Lagrange-Multiplikatoren. Φ ist eine radiale Bias-Funktion, welche die Support Vector Machine erweitert, um den nichtlinearen trennbaren Trainingsdatensatz zu handhaben. L*_l, L*_d und L*_e bezeichnen die skalierte Folge L*_ljwr, und um der klaren Darstellung willen ist nur eine Variable angegeben. d und e sind Variablen.
Die Support Vector Machine kann die Hyperebene finden, zur Unterstützung beim Liefern von Fahrentscheidungen nach dem Trainieren durch den Trainingsdatensatz.
Im Datensatz-Verarbeitungsprozess 120 werden, während das Fahrzeug die Kreuzung passiert, die p Merkmale von der Umgebungserfassungseinheit gewonnen. Die Umgebungserfassungseinheit kann Erfassungsvorrichtungen aufweisen, wie etwa Radare, Kameras und GPS-Vorrichtungen, zum Erfassen der p Merkmale, darunter Entfernungen, Geschwindigkeiten usw. Die Arten und Anzahlen der Erfassungsvorrichtungen sind nicht hierauf beschränkt. Die p Merkmale jedes Datenpunktes werden von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet. Anschließend, im Entscheidungsschritt 130, kann der verarbeitete Datensatz in die Support Vector Machine eingegeben werden. Da die Support Vector Machine im Voraus durch den Trainingsdatensatz trainiert wurde und bereits die Hyperebene gefunden hat, können die p Merkmale des Echtzeit-Datenpunktes verarbeitet und in die Support Vector Machine eingegeben werden, um das klassifizierte Ergebnis für die Fahrentscheidungen auszugeben, d. h. Beschleunigung, Verlangsamung und Beibehaltung einer konstanten Geschwindigkeit.
Es wird auf 2, 3 und 4 Bezug genommen. 2 zeigt eine Situationsbedingung einer ersten Simulation gemäß der intelligenten Fahrweise 100 zum Passieren von Kreuzungen, die auf der Support Vector Machine von 1 basiert. 3 zeigt eine Situationsbedingung einer zweiten Simulation gemäß der intelligenten Fahrweise 100 zum Passieren von Kreuzungen, die auf der Support Vector Machine von 1 basiert. 4 zeigt eine Situationsbedingung einer dritten Simulation gemäß der intelligenten Fahrweise 100 zum Passieren von Kreuzungen, die auf der Support Vector Machine von 1 basiert. Ein Fahrzeug V1 passiert eine T-Kreuzung und befindet sich bei der ersten Simulation, der zweiten Simulation und der dritten Simulation jeweils auf der vertikalen Linie. Bei der ersten Simulation befindet sich kein anderes Fahrzeug auf der horizontalen Linie R1. Bei der zweiten Simulation nähert sich ein sich näherndes Fahrzeug V2 auf der horizontalen Linie R1 von einer linken Seite. Bei der dritten Simulation nähert sich das sich nähernde Fahrzeug V2 auf der horizontalen Linie R1 von einer rechten Seite.
Das Fahrzeug V1 hat eine Geschwindigkeit von 40 km/h, und das sich nähernde Fahrzeug V2 hat eine Geschwindigkeit im Bereich von 15 km/h bis 40 km/h. Die p Merkmale beinhalten eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine relative horizontale Beschleunigung zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine relative vertikale Beschleunigung zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine Entfernung zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine Entfernung zwischen dem Fahrzeug V1 und der T-Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs V2. Die Originaldaten bei der ersten Simulation, der zweiten Simulation und der dritten Simulation umfassen jeweils 20 Trainingsstichproben. Die Entscheidung beinhaltet Beschleunigung, Verlangsamung und Beibehaltung einer konstanten Geschwindigkeit. Die Originaldatensätze der ersten Simulation, der zweiten Simulation und der dritten Simulation werden jeweils von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet. Die vorhergesagten Zeiten des Zeitskalierungsmoduls bei der ersten Simulation, der zweiten Simulation und der dritten Simulation sind auf 16,9 Sekunden, 28,8 Sekunden bzw. 21,7 Sekunden eingestellt.
Es wird auf 5, 6 und 7 Bezug genommen. 5 zeigt eine erste kumulative Rate der ersten Simulation von 2. 6 zeigt eine erste kumulative Rate der zweiten Simulation von 3. 7 zeigt eine erste kumulative Rate der dritten Simulation von 4. Bei der ersten Simulation, der zweiten Simulation und der dritten Simulation wird jeweils im Dimensionalitätsreduktionsmodul eine Hauptkomponentenanalyse durchgeführt, und nur ein neues Merkmal wird zurückbehalten, das heißt, nur die erste Hauptkomponente wird zurückbehalten. Die erste kumulative Rate ist der Anteil der Varianz, der durch die erste Hauptkomponente berücksichtigt wird. Da die Mittelwerte der ersten kumulativen Raten der ersten Simulation, der zweiten Simulation und der dritten Simulation 0,9619, 0,7588 bzw. 0,8014 sind, welche höher als 0,7 sind, können die vom Dimensionalitätsreduktionsmodul verarbeiteten Originaldaten erklärt werden und haben die Anforderung erfüllt.
Ein Vergleich der Genauigkeit (Accuracy, AC) zwischen der ersten Simulation und einem ersten Vergleichsbeispiel unter derselben Situationsbedingung wie bei der ersten Simulation (kein anderes Fahrzeug auf der horizontalen Linie R1) ist in Tabelle 8 dargestellt. Das erste Vergleichsbeispiel verwendet ebenfalls die Support Vector Machine, der Unterschied ist jedoch, dass die Support Vector Machine des ersten Vergleichsbeispiels nur durch den Originaldatensatz trainiert ist. Aus dem Ergebnis des Vergleichs ist klar ersichtlich, dass die Genauigkeit der ersten Simulation höher als die Genauigkeit des ersten Vergleichsbeispiels ist.
Ein Genauigkeitsvergleich zwischen der zweiten Simulation und einem zweiten Vergleichsbeispiel unter derselben Situationsbedingung wie bei der zweiten Simulation (das sich nähernde Fahrzeug auf der horizontalen Linie R1 nähert sich von der linken Seite) ist in Tabelle 9 dargestellt. Das zweite Vergleichsbeispiel verwendet ebenfalls die Support Vector Machine, der Unterschied ist jedoch, dass die Support Vector Machine des zweiten Vergleichsbeispiels nur durch den Originaldatensatz trainiert ist. Aus dem Ergebnis des Vergleichs ist klar ersichtlich, dass die Genauigkeit der zweiten Simulation höher als die Genauigkeit des zweiten Vergleichsbeispiels ist.
Ein Genauigkeitsvergleich zwischen der dritten Simulation und einem dritten Vergleichsbeispiel unter derselben Situationsbedingung wie bei der dritten Simulation (das sich nähernde Fahrzeug auf der horizontalen Linie R1 nähert sich von der rechten Seite) ist in Tabelle 10 dargestellt. Das dritte Vergleichsbeispiel verwendet ebenfalls die Support Vector Machine, der Unterschied ist jedoch, dass die Support Vector Machine des dritten Vergleichsbeispiels nur durch den Originaldatensatz trainiert ist. Aus dem Ergebnis des Vergleichs ist klar ersichtlich, dass die Genauigkeit der dritten Simulation höher als die Genauigkeit des dritten Vergleichsbeispiels ist.
Es ist anzumerken, dass alle Tests durch PreScan simuliert werden, der Test in anderen Beispielen jedoch auch auf einer realen Straße durchgeführt werden kann.
In einem Support-Vector-Machine-Bereitstellungsschritt einer zweiten Ausführungsform der vorliegenden Offenbarung liefert das Zeitskalierungsmodul eine vorhergesagte Zeit. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, wird ein Schätzwert in die zu skalierende Folge eingefügt, um eine neue zu skalierende Folge zu bilden. Die neue zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit.

Genauer, für den Fall, dass der Originaldatensatz die Daten von Tabelle 1 und Tabelle 2 enthält und die vorhergesagte Zeit auf 2,4 gesetzt ist, ist die zu skalierende Folge in Tabelle 5 angegeben. Da die Länge der dem akkumulierten Datenpunkt 0-T₁₁ entsprechenden zu skalierenden Folge, welche gleich 1 ist, kleiner als die Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, welche gleich 6 ist, und die Merkmale des nächsten Datenpunktes T₁₂ nicht an den akkumulierten Datenpunkten 0-T₁₁ erhalten werden, wird ein Schätzwert y'_1j2 hinzugefügt, der dem Datenpunkt T₁₂ entsprechen soll. In ähnlicher Weise müssen, da, wie in Tabelle 5 angegeben, alle Längen der zu skalierenden Folgen kleiner als 6 sind, Schätzwerte in jede der zu skalierenden Folgen eingefügt werden. Die neuen zu skalierenden Folgen sind in Tabelle 11 angegeben, und y'_ljw bezeichnet den Schätzwert. Es ist anzumerken, dass die zwei Zeilen in Tabelle 11, die den akkumulierten Datenpunkten 0-T₁₅ bzw. den akkumulierten Datenpunkten 0-T₂₅ entsprechen, Zeilen sind, welche nach dem Hinzufügen des Schätzwertes eine Länge von 6 haben und nicht skaliert zu werden brauchen; um jedoch den Unterschied zwischen der zu skalierenden Folge und der neuen zu skalierenden Folge zu verdeutlichen, sind die zwei Zeilen trotzdem in Tabelle 11 aufgelistet. Tabelle 11

akkumulierter Datenpunkt	L_ljw
0-T₁₁	y_1j1	y'_1j2
0-T₁₂	y_1j1	y_1j2	y'_1j3
0-T₁₃	y_1j1	y_1j2	y_1j3	y'_1j4
0-T₁₄	y_1j1	y_1j2	y_1j3	y_1j4	y'_1j5
0-T₁₅	y_1j1	y_1j2	y_1j3	y_1j4	y_1j5	y'_1j6
0-T₂₁	y_2j1	y'_2j2
0-T₂₂	y_2j1	y_2j2	y'_2j3
0-T₂₃	y_2j1	y_2j2	y_2j3	y'_2j4
0-T₂₄	y_2j1	y_2j2	y_2j3	y_2j4	y'_2j5
0-T₂₅	y_2j1	y_2j2	y_2j3	y_2j4	y_2j5	y'_2j6

Bei der zweiten Ausführungsform kann eine bedingte Verteilung des Schätzwertes unter Verwendung einer gemeinsamen Verteilung der zu skalierenden Folgen und einer Randverteilung des neuen Merkmals y_ljw erhalten werden, so dass der Schätzwert erhalten werden kann. Das neue Merkmal y_ljw ist an die Randverteilung (oder den Gaußschen Zufallsprozess) angepasst, das heißt y_ljw∼GP(µ_jw, ∑_jw), und (µ_jw, ∑_jw) kann durch Gleichung (10) und Gleichung (11) geschätzt werden. Außerdem kann die gemeinsame Verteilung der neuen Merkmale y_ljw, die dem Schätzwert vorangehen, aus Gleichung (12) erhalten werden, wobei w größer als 2 ist. In Gleichung (15) bezeichnet c die c-te Trainingsstichprobe, und m bezeichnet die m-te Trainingsstichprobe.
${\hat{μ}}_{j w} = \frac{\sum_{l = 1}^{n} y_{l j w}}{n}$

${\hat{Σ}}_{j w} = \frac{\sum_{l = 1}^{n} {(y_{l j w} - {\hat{μ}}_{j w})}^{2}}{n - 1}$

$y_{l j [1 : (w - 1)]} \equiv (y_{l j 1}, \dots y_{l j (w - 1)}) \sim G P (μ_{l j [1 : (w - 1)]}, Σ_{j [1 : (w - 1)]})$
Weiterhin kann (µ_j[1:(t-1)], ∑_j[1:(t-1)]) durch Gleichung (13), Gleichung (14) und Gleichung (15) geschätzt werden.
${\hat{μ}}_{j [1 : (w - 1)]} = ({\hat{μ}}_{j 1}, \dots, {\hat{μ}}_{j (w - 1)})$

${\hat{Σ}}_{j [1 : (w - 1)]} = {[{\hat{σ}}_{f g}]}_{(w - 1) \times (w - 1)}$

${\hat{σ}}_{f g} = \frac{\sum_{c = 1}^{n} \sum_{m = 1}^{n} (y_{c j f} - {\hat{μ}}_{j f}) (y_{m j g} - {\hat{μ}}_{j g})}{n - 1}, f, g = 1, \dots, w - 1$
Schließlich kann die bedingte Verteilung der Schätzung des nächsten Zeitpunktes basierend auf den vorhergehenden Zeitpunkten erhalten werden, das heißt die Schätzung des Datenpunktes T₁₂ basierend auf den akkumulierten Datenpunkten 0-T₁₁. Die bedingten Verteilungen sind als Gleichung (16) und Gleichung (17) angegeben.
$μ_{j t}^{*} = μ_{j t} + \sum_{y_{l j t} y_{_{l j [1 : t - 1]}}} \sum_{j [1 : t - 1]}^{- 1} (y_{l j [1 : t - 1]} - μ_{j [1 : t - 1]})$

$Σ_{j t}^{*} = Σ_{j t} + \sum_{y_{l j t} y_{l j [1 : t - 1]}} \sum_{j [1 : t - 1]}^{- 1} Σ_{y_{l j [1 : t - 1]} y_{l j t}}$
$(μ_{j t}^{*}, Σ_{j t}^{*})$
kann durch (µ̂_j[1:(t-1)], ∑̂_j[1:(t-1)]) geschätzt werden. Nachdem die bedingte Verteilung erhalten wurde, kann der Schätzwert basierend auf der bedingten Verteilung geschätzt werden (der Schätzwert kann basierend auf der Monte-Carlo-Methode bestimmt werden).
∑_{y
ljwy
lj[1:w-1]} bezeichnet eine Kovarianzmatrix von y_ljw, y_lj[1:w-1]. GP(_‚,_'‘) bezeichnet einen Gaußschen Zufallsprozess. µ bezeichnet einen Mittelwertvektor des Gaußschen Zufallsprozesses. Σ bezeichnet eine Varianz-Kovarianz-Matrix des Gaußschen Zufallsprozesses. σ̂_fg bezeichnet eine Schätzfunktion eines Elements des Gaußschen Zufallsprozesses.
Die Genauigkeit der modifizierten ersten Simulation, bei der die Schätzwerte im Support-Vector-Machine-Bereitstellungsschritt enthalten sind, ist in Tabelle 12 angegeben. Die Genauigkeit der modifizierten zweiten Simulation, bei der die Schätzwerte im Support-Vector-Machine-Bereitstellungsschritt enthalten sind, ist in Tabelle 13 angegeben. Die Genauigkeit der modifizierten dritten Simulation, bei der die Schätzwerte im Support-Vector-Machine-Bereitstellungsschritt enthalten sind, ist in Tabelle 14 angegeben. Aus den Ergebnissen von Tabelle 12, Tabelle 13 und Tabelle 14 ist ersichtlich, dass die Genauigkeit erhöht wird, wenn die Schätzwerte in den Support-Vector-Machine-Bereitstellungsschritt einbezogen werden.
8 ist ein Blockschaltbild eines intelligenten Fahrsystems 200 zum Passieren von Kreuzungen, das auf einer Support Vector Machine basiert, gemäß einer dritten Ausführungsform der vorliegenden Offenbarung. Das intelligente Fahrsystem 200 findet in einem Fahrzeug Anwendung und weist eine Verarbeitungseinheit 210 und eine Umgebungserfassungseinheit 220 auf. Die Verarbeitungseinheit 210 ist am Fahrzeug angeordnet und weist ein Dimensionalitätsreduktionsmodul 211, ein Zeitskalierungsmodul 212 und die Support Vector Machine 213 auf. Das Dimensionalitätsreduktionsmodul 211 ist zum Integrieren von p Merkmalen jedes von mehreren Datenpunkten in k neue Merkmale bestimmt, wobei p und k ganze Zahlen sind und p > k ist. Eine vorhergesagte Zeit wird von dem Zeitskalierungsmodul 212 geliefert. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Die zu skalierende Folge wird durch das Zeitskalierungsmodul 212 umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich einer Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Die Support Vector Machine 213 wird durch einen Trainingsprozess trainiert, und der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch das Dimensionalitätsreduktionsmodul 211 und das Zeitskalierungsmodul 212 gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben. Jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und die p Merkmale und eine Entscheidung jedes der mehreren Datenpunkte innerhalb der Durchfahrtszeit.
Die Umgebungserfassungseinheit 220 ist am Fahrzeug angeordnet und ist mit der Verarbeitungseinheit 210 signaltechnisch verbunden. Die p Merkmale, die von der Umgebungserfassungseinheit 220 gewonnen werden, werden von dem Dimensionalitätsreduktionsmodul 211 und dem Zeitskalierungsmodul 212 verarbeitet und werden danach der Support Vector Machine 213 zur Klassifikation zur Verfügung gestellt, und dem Fahrzeug wird eine Fahrentscheidung zur Verfügung gestellt, basierend auf einem klassifizierten Ergebnis der Support Vector Machine 213.
Daher kann das intelligente Fahrsystem 200 den Fahrer unterstützen, indem es die Fahrentscheidungen liefert, wie Beschleunigung, Verlangsamung und Beibehaltung einer konstanten Geschwindigkeit. Die Beziehungen zwischen dem Dimensionalitätsreduktionsmodul 211, dem Zeitskalierungsmodul 212 und der Support Vector Machine 213 entsprechen der obigen Beschreibung und werden nicht nochmals erwähnt. Die Umgebungserfassungseinheit 220 kann ein Radar, eine Kamera und/oder eine GPS-Vorrichtung aufweisen.
Die Umgebungserfassungseinheit kann Erfassungsvorrichtungen aufweisen, wie etwa Radare, Kameras und GPS-Vorrichtungen, zum Erfassen der p Merkmale, darunter Entfernungen, Geschwindigkeiten usw. Die Arten und Anzahlen der Erfassungsvorrichtungen sind nicht hierauf beschränkt.

Claims

Intelligente Fahrweise zum Passieren von Kreuzungen, die auf einer Support Vector Machine basiert, wobei die intelligente Fahrweise bei einem Fahrzeug Anwendung findet und umfasst: einen Support-Vector-Machine-Bereitstellungsschritt zum Bereitstellen der Support Vector Machine, wobei die Support Vector Machine durch einen Trainingsprozess trainiert wird, im Trainingsprozess der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt wird, der Trainingsdatensatz durch Verarbeitung eines Originaldatensatzes durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul gebildet wird, der Originaldatensatz mehrere Trainingsstichproben umfasst und jede der Trainingsstichproben umfasst: eine Durchfahrtszeit für das Passieren einer Kreuzung; und p Merkmale und eine Entscheidung jedes von mehreren Datenpunkten innerhalb der Durchfahrtszeit, wobei die p Merkmale von dem Dimensionalitätsreduktionsmodul verarbeitet werden, so dass sie in k neue Merkmale umgewandelt werden, das Zeitskalierungsmodul eine vorhergesagte Zeit liefert, die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, als zu skalierende Folge angesehen werden, wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, ein Schätzwert in die zu skalierende Folge eingefügt wird, um eine neue zu skalierende Folge zu bilden, eine bedingte Verteilung des Schätzwertes unter Verwendung einer gemeinsamen Verteilung der zu skalierenden Folge und einer Randverteilung der neuen Merkmale erhalten wird, die neue zu skalierende Folge durch das Zeitskalierungsmodul umgewandelt wird, um eine skalierte Folge zu bilden, eine Länge der skalierten Folge gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, p und k ganze Zahlen sind und p > k ist; einen Datensatz-Verarbeitungsschritt, wobei die p Merkmale, die von einer Umgebungserfassungseinheit gewonnen werden, von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet werden und danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt werden; und einen Entscheidungsschritt, um dem Fahrzeug eine Fahrentscheidung zur Verfügung zu stellen, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
Intelligente Fahrweise nach Anspruch 1, wobei im Dimensionalitätsreduktionsmodul eine Hauptkomponentenanalyse durchgeführt wird.
Intelligente Fahrweise nach Anspruch 1, wobei im Zeitskalierungsmodul eine einheitliche Skalierung durchgeführt wird.
Intelligente Fahrweise nach Anspruch 1, wobei die vorhergesagte Zeit gleich einer längsten der Durchfahrtszeiten ist.
Intelligente Fahrweise nach Anspruch 1, wobei die p Merkmale eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug und einem sich nähernden Fahrzeug, eine relative horizontale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und der Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs umfassen.
Intelligente Fahrweise nach Anspruch 1, wobei die p Merkmale des Originaldatensatzes von der Umgebungserfassungseinheit gewonnen werden und die Umgebungserfassungseinheit ein Radar, eine Kamera und/oder eine GPS-Vorrichtung umfasst.
Intelligente Fahrweise zum Passieren von Kreuzungen, die auf einer Support Vector Machine basiert, wobei die intelligente Fahrweise bei einem Fahrzeug Anwendung findet und umfasst: einen Support-Vector-Machine-Bereitstellungsschritt zum Bereitstellen der Support Vector Machine, wobei die Support Vector Machine durch einen Trainingsprozess trainiert wird, im Trainingsprozess der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt wird, der Trainingsdatensatz durch Verarbeitung eines Originaldatensatzes durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul gebildet wird, der Originaldatensatz mehrere Trainingsstichproben umfasst und jede der Trainingsstichproben umfasst: eine Durchfahrtszeit für das Passieren einer Kreuzung; und p Merkmale und eine Entscheidung jedes von mehreren Datenpunkten innerhalb der Durchfahrtszeit, wobei die p Merkmale von dem Dimensionalitätsreduktionsmodul verarbeitet werden, so dass sie in k neue Merkmale umgewandelt werden, das Zeitskalierungsmodul eine vorhergesagte Zeit liefert, die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, als zu skalierende Folge angesehen werden, wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, ein Schätzwert in die zu skalierende Folge eingefügt wird, um eine neue zu skalierende Folge zu bilden, die neue zu skalierende Folge durch das Zeitskalierungsmodul umgewandelt wird, um eine skalierte Folge zu bilden, eine Länge der skalierten Folge gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, p und k ganze Zahlen sind und p > k ist; einen Datensatz-Verarbeitungsschritt, wobei die p Merkmale, die von einer am Fahrzeug angeordneten Umgebungserfassungseinheit gewonnen werden, von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet werden und danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt werden; und einen Entscheidungsschritt, um dem Fahrzeug eine Fahrentscheidung zur Verfügung zu stellen, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
Intelligente Fahrweise nach Anspruch 7, wobei im Dimensionalitätsreduktionsmodul eine Hauptkomponentenanalyse durchgeführt wird.
Intelligente Fahrweise nach Anspruch 7, wobei im Zeitskalierungsmodul eine einheitliche Skalierung durchgeführt wird.
Intelligentes Fahrsystem zum Passieren von Kreuzungen, das auf einer Support Vector Machine basiert, wobei das intelligente Fahrsystem in einem Fahrzeug Anwendung findet und umfasst: eine Verarbeitungseinheit, die am Fahrzeug angeordnet ist und umfasst: ein Dimensionalitätsreduktionsmodul zum Integrieren von p Merkmalen jedes von mehreren Datenpunkten in k neue Merkmale, wobei p und k ganze Zahlen sind und p > k ist; ein Zeitskalierungsmodul, wobei eine vorhergesagte Zeit geliefert wird, die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, als zu skalierende Folge angesehen werden, wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, ein Schätzwert in die zu skalierende Folge eingefügt wird, um eine neue zu skalierende Folge zu bilden, die neue zu skalierende Folge durch das Zeitskalierungsmodul umgewandelt wird, um eine skalierte Folge zu bilden, eine Länge der skalierten Folge gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist; und die Support Vector Machine, die durch einen Trainingsdatensatz trainiert wird, wobei der Trainingsdatensatz durch Verarbeitung eines Originaldatensatzes durch das Dimensionalitätsreduktionsmodul und das Zeitskalierungsmodul gebildet wird, der Originaldatensatz mehrere Trainingsstichproben umfasst und jede der Trainingsstichproben umfasst: eine Durchfahrtszeit für das Passieren einer Kreuzung; und p Merkmale und eine Entscheidung jedes der mehreren Datenpunkte innerhalb der Durchfahrtszeit; und eine Umgebungserfassungseinheit, die am Fahrzeug angeordnet ist und mit der Verarbeitungseinheit signaltechnisch verbunden ist; wobei die p Merkmale, die von der Umgebungserfassungseinheit gewonnen werden, von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet werden und danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt werden, und dem Fahrzeug eine Fahrentscheidung zur Verfügung gestellt wird, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
Intelligentes Fahrsystem nach Anspruch 10, wobei die p Merkmale eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug und einem sich nähernden Fahrzeug, eine relative horizontale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und der Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs umfassen.
Intelligentes Fahrsystem nach Anspruch 10, wobei die Umgebungserfassungseinheit ein Radar, eine Kamera und/oder eine GPS-Vorrichtung umfasst.
Intelligentes Fahrsystem nach Anspruch 10, wobei die Fahrentscheidung Beschleunigung, Verlangsamung und/oder Beibehaltung einer konstanten Geschwindigkeit umfasst.