-
Stand der Technik
-
Der Ansatz geht aus von einer Vorrichtung oder einem Verfahren nach Gattung der unabhängigen Ansprüche. Gegenstand des vorliegenden Ansatzes ist auch ein Computerprogramm.
-
Falschfahrerkennungsvorrichtungen entscheiden anhand unterschiedlicher Fahrzeuginformationen in einer Falschfahrbewertungslogik, ob sich ein Fahrzeug gegen die Fahrtrichtung bewegt und es sich somit um einen Falschfahrer handelt. Anschließend werden dann gefährdete Fahrer/Fahrzeuge im Umkreis gewarnt sowie der Falschfahrer selbst auch.
-
Die
DE 10 2015 215 380 A1 beschreibt ein Verfahren und eine Vorrichtung zum Absichern einer Falschfahrerinformation.
-
Offenbarung der Erfindung
-
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren zum Erkennen eines falsch fahrenden Fahrzeugs, weiterhin eine Vorrichtung, die dieses Verfahren verwendet, sowie schließlich ein entsprechendes Computerprogramm gemäß den Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.
-
Die mit dem vorgestellten Ansatz erreichbaren Vorteile bestehen darin, dass mehrere Bewertungen unterschiedlicher Falschfahrerbewertungseinrichtungen einer Entscheidung darüber dienen, ob ein Falschfahrer erkannt wurde, oder nicht. Dies ermöglicht eine besonders verlässliche Bewertung bezüglich eines Falschfahrens eines Fahrzeugs.
-
Es wird ein Verfahren zum Erkennen eines falsch fahrenden Fahrzeugs vorgestellt. Das Verfahren umfasst einen Schritt des Einlesens und einen Schritt des Erzeugens. Im Schritt des Einlesens wird ein erstes Bewertungssignals von einer ersten Falschfahrerbewertungseinrichtung eingelesen, wobei das erste Bewertungssignal eine unter Verwendung von Positionsdaten generierte erste Bewertung bezüglich eines Falschfahrens des Fahrzeugs repräsentiert, und es wird ein zweites Bewertungssignal von einer zweiten Falschfahrerbewertungseinrichtung eingelesen, wobei das zweite Bewertungssignal eine basierend auf einem angelernten Modell unter Verwendung von Positionsdaten und zumindest einer TMC-Information generierte zweite Bewertung bezüglich des Falschfahrens des Fahrzeugs repräsentiert. Im Schritt des Erzeugens wird unter Verwendung des ersten Bewertungssignals und des zweiten Bewertungssignals ein Falschfahrersignal erzeugt, das das falsch fahrende Fahrzeug anzeigt.
-
Dieses Verfahren kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einem Steuergerät implementiert sein.
-
Je nach Ausführungsform kann die erste Falschfahrerbewertungseinrichtung in dem Fahrzeug oder extern zu dem Fahrzeug angeordnet sein. Entsprechend kann die zweite Falschfahrerbewertungseinrichtung in dem Fahrzeug oder extern zu dem Fahrzeug angeordnet sein. Demnach können die Bewertungssignale über eine interne Schnittstelle des Fahrzeugs oder beispielsweise über eine Funkschnittstelle eingelesen werden. Bei den Positionsdaten kann es sich um Daten handeln, die eine aktuelle Position des Fahrzeugs repräsentieren. Die Positionsdaten können von einer Positionserfassungseinrichtung des Fahrzeugs oder von einer extern angeordneten Positionserfassungseinrichtung erfasst worden sein. Bei dem angelernten Modell kann es sich um ein Modell handeln, welches basierend auf einem künstlichen neuronalen Netzwerk, beispielsweise durch maschinelles Lernen, engl. „Machine Learning“, angelernt worden sein kann. Dieses Modell kann beispielsweise offline mit Testdaten angelernt worden sein und/oder fortlaufend online angelernt worden sein und/oder weiter anlernfähig ausgebildet sein. Das angelernte Modell kann hierbei dazu ausgebildet sein, um in bestimmten Situationen und/oder Lokationen Bewertungen bezüglich eines Falschfahrens oder Nicht-Falschfahrens zu treffen.
-
Unter der Verkehrsnachrichten-Information ist beispielsweise eine TMC-Information zu verstehen. Eine solche Information kann von einem Verkehrsnachrichten-Kanal, kurz TMC (Traffic Message Channel) bereitgestellt werden. Bei der Verkehrsnachrichten -Information kann es sich beispielsweise um eine Botschaft oder Nachricht darüber handeln, dass ein Falschfahrer vorhanden ist. Bei der Verkehrsnachrichten -Information kann es sich aber auch um eine ausbleibende Botschaft oder Nachricht darüber handeln, dass ein Falschfahrer vorhanden ist.
-
Im Schritt des Erzeugens kann das Falschfahrersignal erzeugt werden, wenn die erste Bewertung in einem vorbestimmten Verhältnis zu der zweiten Bewertung steht. Hierbei kann beispielsweise ein Vergleich der ersten Bewertung mit der zweiten Bewertung durchgeführt werden. Beispielsweise kann eine erste Wahrscheinlichkeit bezüglich des Falschfahrens, welche die erste Bewertung repräsentieren kann, mit einer zweiten Wahrscheinlichkeit bezüglich des Falschfahrens, welche die zweite Bewertung repräsentieren kann, verglichen werden. Hierbei kann eine Relevanz der ersten Bewertung oder der zweiten Bewertung höher gewichtet sein oder werden.
-
Gemäß einer Ausführungsform kann das Verfahren einen Schritt des Plausibilisierens aufweisen, in dem die zweite Bewertung für eine Plausibilisierung der ersten Bewertung verwendet wird. So kann beispielsweise lediglich dann das Falschfahrersignal erzeugt werden, wenn sowohl die erste Bewertung als auch die zweite Bewertung anzeigen, dass es sich um einen Falschfahrer handelt.
-
Das Verfahren kann zusätzlich oder alternativ auch einen Schritt des Änderns des angelernten Modells unter Verwendung der ersten Bewertung und der zweiten Bewertung aufweisen. Somit kann auf Grundlage der Bewertungen das Modell angepasst oder weiter entwickelt werden.
-
Im Schritt des Einlesens kann das zweite Bewertungssignal eingelesen werden, das die basierend auf dem angelernten Modell unter Verwendung von zumindest einem Straßenparameter und/oder einem Umgebungsparameter generierte zweite Bewertung repräsentiert. Somit sind Map-Matching-Verfahren ermöglicht und es können in der zweiten Bewertung aktuelle Situationen der Umgebung, beispielsweise Tageszeiten und/oder Sonderverkehrslagen, berücksichtigt werden.
-
Von Vorteil ist es weiterhin, wenn gemäß einer Ausführungsform im Schritt des Erzeugens das Falschfahrersignal an eine Warneinrichtung des Fahrzeugs und/oder zumindest eines extern von dem Fahrzeug angeordneten weiteren Fahrzeugs erzeugt wird. So kann das falsch fahrende Fahrzeug selbst gewarnt werden und/oder weitere Fahrzeuge, welche beispielsweise in einer Nähe des Fahrzeugs angeordnet sind.
-
Der hier vorgestellte Ansatz schafft ferner eine Vorrichtung, die ausgebildet ist, um die Schritte einer Variante eines hier vorgestellten Verfahrens in entsprechenden Einrichtungen durchzuführen, anzusteuern bzw. umzusetzen. Auch durch diese Ausführungsvariante des Ansatzes in Form einer Vorrichtung kann die dem Ansatz zugrunde liegende Aufgabe schnell und effizient gelöst werden.
-
Hierzu kann die Vorrichtung zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, zumindest eine Schnittstelle zu einem Sensor oder einem Aktor zum Einlesen von Sensorsignalen von dem Sensor oder zum Ausgeben von Daten- oder Steuersignalen an den Aktor und/oder zumindest eine Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EPROM oder eine magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einlesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einlesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.
-
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.
-
In einer vorteilhaften Ausgestaltung erfolgt durch die Vorrichtung eine Steuerung eines Falschfahrersignals. Hierzu kann die Vorrichtung beispielsweise auf Sensorsignale wie das erste Bewertungssignal und das zweite Bewertungssignal zugreifen. Die Ansteuerung erfolgt über Aktoren wie zumindest eine Einleseeinrichtung zum Einlesen des ersten Bewertungssignals und des zweiten Bewertungssignals und eine Erzeugungseinrichtung zum Erzeugen des Falschfahrersignals.
-
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
-
Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:
- 1 ein Blockschaltbild einer Vorrichtung zum Erkennen eines falsch fahrenden Fahrzeugs gemäß einem Ausführungsbeispiel;
- 2 eine schematische Darstellung einer Vorrichtung zum Erkennen eines falsch fahrenden Fahrzeugs gemäß einem Ausführungsbeispiel; und
- 3 ein Ablaufdiagramm eines Verfahrens zum Erkennen eines falsch fahrenden Fahrzeugs gemäß einem Ausführungsbeispiel.
-
In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele des vorliegenden Ansatzes werden für die in den verschiedenen Figuren dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser Elemente verzichtet wird.
-
1 zeigt ein Blockschaltbild einer Vorrichtung 100 zum Erkennen eines falsch fahrenden Fahrzeugs 105 gemäß einem Ausführungsbeispiel.
-
Die Vorrichtung 100 umfasst eine Einleseeinrichtung 110 und eine Erzeugungseinrichtung 115. Gemäß diesem Ausführungsbeispiel weist die Einleseeinrichtung 110 eine erste Schnittstelle 120 zu einer ersten Falschfahrerbewertungseinrichtung 125 und eine zweite Schnittstelle 130 zu einer zweiten Falschfahrerbewertungseinrichtung 135 auf. Die erste Schnittstelle 120 ist dazu ausgebildet, um ein erstes Bewertungssignal 140 von der ersten Falschfahrerbewertungseinrichtung 125 einzulesen, wobei das erste Bewertungssignal 140 eine unter Verwendung von Positionsdaten generierte erste Bewertung bezüglich eines Falschfahrens des Fahrzeugs 105 repräsentiert. Die zweite Schnittstelle 130 ist dazu ausgebildet, um ein zweites Bewertungssignal 145 von der zweiten Falschfahrerbewertungseinrichtung 135 einzulesen, wobei das zweite Bewertungssignal 145 eine basierend auf einem angelernten Modell unter Verwendung von Positionsdaten und zumindest einer TMC-Information generierte zweite Bewertung bezüglich des Falschfahrens des Fahrzeugs 105 repräsentiert. Die Erzeugungseinrichtung 115 ist dazu ausgebildet, um unter Verwendung des ersten Bewertungssignals 140 und des zweiten Bewertungssignals 145 ein Falschfahrersignal 150 zu erzeugen, das das falsch fahrende Fahrzeug 105 anzeigt.
-
Lediglich beispielhaft ist die Vorrichtung 100 gemäß diesem Ausführungsbeispiel extern von dem Fahrzeug 105 angeordnet. Gemäß einem alternativen Ausführungsbeispiel ist die Vorrichtung 100 in oder an dem Fahrzeug 105 angeordnet oder in ein Steuergerät des Fahrzeugs 105 integriert.
-
Im Folgenden werden Details der Vorrichtung 100 noch einmal genauer beschrieben:
- Die hier vorgestellte Vorrichtung 100 ermöglicht eine Nachplausibilisierung einer Falschfahrererkennung mit TMC-Botschaften und ein Lernen möglicher Fehlerszenarien.
-
Aus Fahrzeugen 105 werden gemäß diesem Ausführungsbeispiel beispielhaft via Smartphone Daten einer Inertialsensorik sowie GPS-Daten des Fahrzeugs 105 an eine Cloud gesendet. Dort werden die Daten in einer Datenschnittstelle 155, auch Dateninterface genannt, vorverarbeitet und/oder gefiltert und in einem Map-Matching-Algorithmus Straßensegmenten, auf denen sich das Fahrzeug 105 mit einer bestimmten Wahrscheinlichkeit befindet, zugeordnet. Anhand dieser Informationen entscheidet die erste Falschfahrerbewertungseinrichtung 125 in einer Falschfahrbewertungslogik, ob sich das Fahrzeug 105 gegen die Fahrtrichtung mit ausreichender Wahrscheinlichkeit bewegt und es sich somit um einen Falschfahrer handelt. Diese Entscheidung wird gemäß diesem Ausführungsbeispiel als das erste Bewertungssignal 140 von der ersten Falschfahrerbewertungseinrichtung 125 für die Vorrichtung 100 bereitgestellt.
-
Anders als bekannte Falschfahrerkennungsvorrichtungen realisiert die hier vorgestellte Vorrichtung 100 eine zusätzliche Plausibilisierung der Falschfahrerbewertungen der ersten Falschfahrerbewertungseinrichtung 125 mit Hilfe von zweiten Bewertungssignalen 145 der zweiten Falschfahrerbewertungseinrichtung 135, welche TMC-Informationen berücksichtigt, die auch als TMC-Botschaften, TMC-Nachrichten oder TMC-Meldungen bezeichnet werden können.
-
Eingehende TMC-Botschaften weisen meist einen höheren Verzug auf. Eine zuverlässige Falschfahrerwarnung erfordert jedoch eine schnelle Falschfahrerbewertung. Aus diesem Grund kann sich die eigentliche Falschfahrerbewertung nicht auf einkommende TMC-Botschaften verlassen. Jedoch ist mithilfe von Machine Learning gemäß diesem Ausführungsbeispiel von der zweiten Falschfahrerbewertungseinrichtung 135 ein Modell angelernt worden und weiter anlernbar, um somit eine weitere Falschfahrerbewertung oder Plausibilisierung durchführbar zu machen. Die hier vorgestellte Vorrichtung 100 ist vorteilhafterweise dazu ausgebildet, um auch derartige zweite Bewertungssignale 145 der zweiten Falschfahrerbewertungseinrichtung 135 einzulesen.
-
Gemäß diesem Ausführungsbeispiel erzeugt die Erzeugungseinrichtung 115 das Falschfahrersignal 150, wenn unter Verwendung der ersten Bewertung und der zweiten Bewertung das Fahrzeug 105 als falsch fahrendes Fahrzeug 105 erkannt wurde. Gemäß diesem Ausführungsbeispiel erzeugt die Erzeugungseinrichtung 115 das Falschfahrersignal 150 zur Warnung gefährdeter Fahrer/Fahrzeuge im Umkreis an zumindest eine Warneinrichtung 160 gefährdeter Fahrzeuge im Umkreis und/oder an eine Warneinrichtung 160 des falsch fahrenden Fahrzeugs 105 selbst.
-
Gemäß einem Ausführungsbeispiel warnt die Erzeugungseinrichtung 115 trotz einer Entscheidung der ersten Falschfahrerbewertungseinrichtung 125, dass es sich nicht um einen Falschfahrer handelt, TMC aber einen Falschfahrer an entsprechender Position meldet, diesen Falschfahrer und/oder die Fahrzeuge in der Umgebung gegebenenfalls doch, gemäß einem Ausführungsbeispiel, wenn aktuelle Fahrzeugbewegungsdaten noch vorliegen. Andersherum bricht die Vorrichtung 100 gemäß einem weiteren Ausführungsbeispiel fortlaufende Warnungen und/oder MPP-Berechnungen ab, falls in einem Zeitraum keine passenden TMC-Nachrichten eingehen. Die Ergebnisse der Nachplausibilisierungen werden gemäß einem Ausführungsbeispiel auch zum Monitoring der Güte des Algorithmus verwendet.
-
Gemäß diesem Ausführungsbeispiel nutzt die zweite Falschfahrerbewertungseinrichtung 135 Machine-Learning-Modelle und/oder künstliche neuronale Netzwerke, kurz „ANNs“ (Artificial Neural Networks). Diese Modelle sind gemäß diesem Ausführungsbeispiel offline mit Testdaten und/oder fortlaufend online angelernt worden. Sie bewerten in bestimmten Situationen und Lokationen die Wahrscheinlichkeit einer Falschfahrt bzw. einer Nicht-Falschfahrt. Diese Wahrscheinlichkeit wird dann gemäß einem Ausführungsbeispiel von der Vorrichtung 100 wiederum während der endgültigen Entscheidung genutzt, um die Entscheidung der ersten Falschfahrerbewertungseinrichtung 125 zu plausibilisieren.
-
Gemäß einem Ausführungsbeispiel werden oder wurden die TMC-Nachrichten bereits in einer Entwicklungsphase eines Falschfahreralgorithmus genutzt. Hierbei werden oder wurden die TMC-Nachrichten gemäß einem Ausführungsbeispiel als sogenannte „Ground-Truth“ verwendet, um in Tests False-Positive- und False-Negative-Optimierungen durchzuführen. Als „Ground-Truth“ sind Daten aus einem Feldvergleich zu verstehen. Gemäß einem Ausführungsbeispiel wurde oder wird dies auch in Regressionstests zur Algorithmusbewertung vor einem Live-Betrieb genutzt. Diese Tests werden durchgeführt, um festzustellen, ob eine Verbesserung oder eine Verschlechterung zu einem Vorgänger erfolgt ist.
-
2 zeigt eine schematische Darstellung einer Vorrichtung 100 zum Erkennen eines falsch fahrenden Fahrzeugs gemäß einem Ausführungsbeispiel. Dabei kann es sich um die in 1 beschriebene Vorrichtung 100 handeln, mit dem Unterschied, dass die Vorrichtung 100 gemäß diesem Ausführungsbeispiel eine Vergleichseinrichtung 200 aufweist, die dazu ausgebildet ist, um die erste Bewertung mit der zweiten Bewertung zu vergleichen. Die Erzeugungseinrichtung erzeugt das Falschfahrersignal gemäß diesem Ausführungsbeispiel abhängig von einem Ergebnis des Vergleichs der Vergleichseinrichtung 200. Gemäß diesem Ausführungsbeispiel erzeugt die Erzeugungseinrichtung das Falschfahrersignal, wenn die erste Bewertung in einem vorbestimmten Verhältnis zu der zweiten Bewertung steht. Gemäß diesem Ausführungsbeispiel wird kein Falschfahrersignal erzeugt.
-
Die erste Falschfahrerbewertungseinrichtung 125 und/oder die zweite Falschfahrerbewertungseinrichtung 135 sind gemäß diesem Ausführungsbeispiel in die Vorrichtung 100 integriert.
-
Wie bereits in 1 beschrieben, lernt die zweite Falschfahrerbewertungseinrichtung 135 die Modelle 205 gemäß diesem Ausführungsbeispiel fortlaufend online und/oder auch offline an. Zum Anlernen der Modelle 205 werden gemäß diesem Ausführungsbeispiel Map-Informationen 210 in Form von zumindest einer Straßenklasse, Straßenbeschaffenheit und/oder Topologie sowie gemäß einem Ausführungsbeispiel zusätzlich oder alternativ Informationen zu Umgebungssituationen in Form von einer Tageszeit, Jahreszeit, Bewölkung und/oder Blendung durch die Sonne und/oder bestimmten Events und/oder Sonderverkehrslagen in der Umgebung als Eingangsdaten eingelesen und verwendet. Zum Anlernen der Modelle 200 werden die TMC-Nachrichten, welche anzeigen, dass es sich um einen Falschfahrer handelt, oder ausbleibende TMC-Nachrichten, welche anzeigen, dass es sich um keinen Falschfahrer handelt, in Form der TMC-Information als sogenannte „Ground-Truth“ der Ausgangsdaten verwendet. Als „Ground-Truth“ sind Daten aus einem Feldvergleich zu verstehen.
-
Die Modelle 205 bewerten, ob es sich um einen Falschfahrer handelt, sowie gemäß diesem Ausführungsbeispiel auch mit welcher Wahrscheinlichkeit es sich um einen Falschfahrer handelt. Dieser Output wird dann in Form des zweiten Bewertungssignals 145 von der Vorrichtung 100 zur Entscheidung benutzt, ob eine Warnung in Form des Falschfahrersignals an mögliche Falschfahrer sowie gefährdete Fahrer abzusetzen ist. Hierzu wird der Output der zweiten Falschfahrerbewertungseinrichtung 135 mit dem Output der ersten Falschfahrerbewertungseinrichtung 125, welche auch als „eigentliche Falschfahrerwarnung“ bezeichnet werden kann, verglichen, und auf Basis der Wahrscheinlichkeiten von der Vergleichseinrichtung 200 eine Entscheidung getroffen.
-
Anders ausgedrückt ist folglich bei der hier vorgestellten Vorrichtung 100 die eigentliche Falschfahrerbewertung um eine zweite oder parallele Falschfahrerbewertung erweitert.
-
Ein Vorteil der Vorrichtung 100 ist, dass durch das Anlernen von Modellen 205 mithilfe von TMC-Informationen die Entscheidung, ob es sich um einen Falschfahrer handelt, abgesichert wird. Diese zusätzliche Plausibilisierung ermöglicht es, mögliche falsche Warnmeldungen, sogenannte „False-Positives“ zu reduzieren. Somit wird die Service-Qualität verbessert.
-
Durch den Einsatz der TMC-Informationen zur Falschfahrtbewertungsplausibilisierung wird hierbei die Entscheidung abgesichert und verbessert. So erfolgt mittels der Vorrichtung 100 gemäß einem Ausführungsbeispiel eine Abmilderung einer falschen Entscheidung der ersten Falschfahrerbewertungseinrichtung 125, bei der das erste Bewertungssignal 140 anzeigt, dass es sich um einen Falschfahrer handelt. Gemäß dem Ausführungsbeispiel erkennt die Vorrichtung 100 diese „falsche Entscheidung“ sehr schnell und mildert sie ab, indem sie sie nach Ablauf einer vorbestimmten TMC-Zeit, also einer Zeit, in der keine TMC-Botschaft eingelesen wird, zurücknimmt. Gemäß einem Ausführungsbeispiel reduziert oder verhindert die Vorrichtung 100 „falsche Entscheidungen“ sogar, wenn die Machine-Learning-Modelle 205 die Entscheidung der ersten Falschfahrerbewertungseinrichtung 125 nicht als plausibel bewerten. Auch das Monitoring und die Entwicklung des Algorithmus werden gemäß einem Ausführungsbeispiel durch Nutzung der TMC-Botschaften unterstützt und verbessert.
-
3 zeigt ein Ablaufdiagramm eines Verfahrens 300 zum Erkennen eines falsch fahrenden Fahrzeugs gemäß einem Ausführungsbeispiel.
-
Dabei kann es sich um ein Verfahren 300 handeln, das von der anhand einer der 1 oder 2 beschriebenen Vorrichtungen ausführbar oder ansteuerbar ist.
-
Das Verfahren 300 umfasst einen Schritt 305 des Einlesens und einen Schritt 310 des Erzeugens. Im Schritt 305 des Einlesens wird ein erstes Bewertungssignal von einer ersten Falschfahrerbewertungseinrichtung eingelesen, wobei das erste Bewertungssignal eine unter Verwendung von Positionsdaten generierte erste Bewertung bezüglich eines Falschfahrens des Fahrzeugs repräsentiert, und es wird ein zweites Bewertungssignal von einer zweiten Falschfahrerbewertungseinrichtung eingelesen, wobei das zweite Bewertungssignal eine basierend auf einem angelernten Modell unter Verwendung von Positionsdaten und zumindest einer TMC-Information generierte zweite Bewertung bezüglich des Falschfahrens des Fahrzeugs repräsentiert. Im Schritt 310 des Erzeugens wird unter Verwendung des ersten Bewertungssignals und des zweiten Bewertungssignals ein Falschfahrersignal erzeugt, das das falsch fahrende Fahrzeug anzeigt.
-
Optional umfasst das Verfahren 300 gemäß diesem Ausführungsbeispiel zudem einen Schritt 315 des Plausibilisierens und einen Schritt 320 des Änderns. Im Schritt 315 des Plausibilisierens wird die zweite Bewertung für eine Plausibilisierung der ersten Bewertung verwendet.
-
Im Schritt 320 des Änderns wird das angelernte Modell unter Verwendung der ersten Bewertung und der zweiten Bewertung geändert.
-
Gemäß diesem Ausführungsbeispiel wird im Schritt 305 des Einlesens das zweite Bewertungssignal eingelesen, das die basierend auf dem angelernten Modell unter Verwendung von zumindest einem Straßenparameter und/oder einem Umgebungsparameter generierte zweite Bewertung repräsentiert.
-
Die hier vorgestellten Verfahrensschritte können wiederholt sowie in einer anderen als in der beschriebenen Reihenfolge ausgeführt werden.
-
Umfasst ein Ausführungsbeispiel eine „und/oder“-Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- DE 102015215380 A1 [0003]