DE102018217183A1

DE102018217183A1 - Erlernen einer Lichtverteilung für einen Scheinwerfer

Info

Publication number: DE102018217183A1
Application number: DE102018217183.1A
Authority: DE
Inventors: Johannes Reschke; Said Omerbegovic
Original assignee: Audi AG
Current assignee: Audi AG
Priority date: 2018-10-09
Filing date: 2018-10-09
Publication date: 2020-04-09
Anticipated expiration: 2038-10-10
Also published as: DE102018217183B4

Abstract

Die Erfindung betrifft ein Verfahren zum Erlernen einer Lichtverteilung für einen Scheinwerfer. Zunächst wird in einem ersten Schritt a) ein Blickverhalten einer Person in Abhängigkeit von Verkehrssituationen erlernt (S1, S2). In einem weiteren Schritt b) wird eine aktuelle Verkehrssituation ermittelt (S3). Die Lichtverteilung wird in einem dritten Schritt (S3) in Abhängigkeit von dem erlernten Blickverhalten und der aktuellen Verkehrssituation angepasst (S5). Zur Durchführung dieses Verfahrens kann insbesondere ein neuronales Netz (NN) verwendet werden.

Description

Die Erfindung betrifft ein Verfahren zum Erlernen einer Lichtverteilung für einen Scheinwerfer. Darüber hinaus betrifft die Erfindung eine Beleuchtungsvorrichtung zum Darstellen der erlernten Lichtverteilung. Die Erfindung stellt ebenfalls ein Kraftfahrzeug mit einer Beleuchtungsvorrichtung bereit.
Nach einem derzeitigen internen Kenntnisstand der Anmelderin werden zur Ansteuerung adaptiver Lichtsysteme verschiedene Sensordaten berücksichtigt. Zur Erzeugung einer Lichtverteilung beziehungsweise eines Ansteuerungsbildes können mehrere hundert Parameter einfließen. Bei der Erzeugung derartiger Lichtverteilungen werden jedoch nicht die Gewohnheiten der Blickrichtung des Fahrers berücksichtigt. Somit kann die Lichtverteilung nicht für bestimmte Situationen personalisiert werden. Somit werden meist nur Lichtverteilungen erzeugt, welche für eine Standardlichtverteilung für einen Normalbenutzer geeignet sind. Ein unterschiedliches Verhalten eines Fahrers kann derzeit nicht ausreichend berücksichtigt werden.
Die Offenlegungsschrift DE 10 2014 013 165 A1 beschreibt ein Kraftfahrzeug sowie ein Verfahren zum Betrieb eines Kraftfahrzeugs. Das Kraftfahrzeug weist einen nach vorne gerichteten Scheinwerfer auf, dessen Lichtstrahl anpassbar ist. Zur Anpassung des Lichtstrahls des Scheinwerfers ist eine Steuerung vorgesehen, wobei des Weiteren in dem Kraftfahrzeug wenigstens eine Kamera angeordnet ist. Mit Hilfe von der Kamera bereitgestellten Daten kann ein Aufmerksamkeitsbereich des Fahrers ermittelt werden. Die Steuerung ist insbesondere dazu eingerichtet, in Abhängigkeit von dem Aufmerksamkeitsbereich den Lichtstrahl des Scheinwerfers anzupassen.
Die Offenlegungsschrift DE 10 2013 010 454 A1 betrifft ein Verfahren zum Betreiben einer Fahrerassistenzvorrichtung eines Kraftfahrzeugs. Dieses Verfahren sieht ein Erfassen eines blendungsrelevanten Augenparameters eines Auges eines Fahrers des Kraftfahrzeugs vor. Der blendungsrelevante Augenparameter wird bewertet. Es wird entschieden, ob eine Blendung des Fahrers vorliegt und im Falle einer Blendung des Fahrers wird eine Charakteristik von mindestens eines für die Fahrt sicherheitsrelevanten Betriebsparameters der Fahrerassistenzvorrichtung verändert.
Es ist Aufgabe der vorliegenden Erfindung, eine Lichtverteilung für einen Fahrer bereitzustellen, welche besser auf den Fahrer angepasst ist.
Diese Aufgabe wird gemäß den unabhängigen Patentansprüchen dieser Anmeldung gelöst. Alternative Ausgestaltungsformen und sinnvolle Weiterbildungen ergeben sich aus den Unteransprüchen, der Beschreibung sowie der einzigen Figur (Fig.).
Die Erfindung sieht ein Verfahren zum Erlernen einer Lichtverteilung für einen Scheinwerfer vor. Dazu werden folgende Verfahrensschritte ausgeführt: Zunächst wird in einem Schritt a) ein Blickverhalten einer Person in Abhängigkeit von Verkehrssituationen gelernt. Dieses Lernen kann beispielsweise durch ein neuronales Netz ausgeführt werden. Das Blickverhalten der Person kann insbesondere eine momentane Blickrichtung der Person umfassen. Zu dem Blickverhalten der Person kann auch eine Kopfposition und eine Ausrichtung des Kopfs der Person zählen. Zugleich können verschiedene Verkehrssituationen erfasst werden. Dies kann beispielsweise mit Hilfe eines Fahrzeugassistenzsystems erfolgen. Das Fahrzeugassistenzsystem kann beispielsweise über einen CAN-Bus Daten oder Informationen betreffend die Verkehrssituationen übermitteln. Das Blickverhalten der Person kann ebenfalls über eine entsprechende Erfassungseinheit registriert werden. Als Erfassungseinheit ist beispielsweise eine Fahrzeuginnenkamera möglich. Die Verkehrssituationen können beispielsweise eine Verkehrsdichte, eine Geschwindigkeit des Kraftfahrzeugs, ein Straßenzustand, Wetterinformationen, eine Uhrzeit, einen Ort beziehungsweise eine Position des Kraftfahrzeugs, einen Kurvenradius einer Kurve, eine Geschwindigkeitsbegrenzung, sowie weitere verkehrsrelevante Informationen umfassen. Das Lernen des Blickverhaltens der Person wird insbesondere bei ausreichender Umgebungshelligkeit durchgeführt. Somit wird das Lernen des Blickverhaltens der Person vorzugsweise tagsüber durchgeführt.
In einem Schritt b) wird eine aktuelle Verkehrssituation ermittelt. Die aktuelle Verkehrssituation unterscheidet sich von den Verkehrssituationen aus dem Schritt a) insbesondere dadurch, dass zwischen dem Schritt a) und dem Schritt b) eine Zeitdifferenz auftritt. Zusätzlich können weitere Unterschiede zwischen der aktuellen Verkehrssituation aus Schritt b) und den Verkehrssituationen aus Schritt a) auftreten. Die aktuelle Verkehrssituation bedeutet sinngemäß das gleiche wie die verschiedenen Verkehrssituationen, wobei die aktuelle Verkehrssituation einen unterschiedlichen Zeitpunkt betrifft und somit anders sein kann. Die aktuelle Verkehrssituation kann ebenfalls durch ein neuronales Netz ermittelt werden, welches Zugriff auf Daten des Fahrzeugassistenzsystems haben kann.
In einem Schritt c) wird die Lichtverteilung in Abhängigkeit von dem erlernten Blickverhalten und der aktuellen Verkehrssituation eingestellt. Somit kann eine Lichtverteilung erzeugt werden, welche sowohl das erlernte Blickverhalten der Person als auch die aktuelle Verkehrssituation berücksichtigt. Dazu wird insbesondere ein Steuersignal für den Scheinwerfer erzeugt, welches insbesondere dazu ausgebildet ist, den Scheinwerfer derart anzusteuern, sodass die Lichtverteilung dem Blickverhalten und der aktuellen Verkehrssituation angepasst wird. Dazu können beispielsweise in einer LED-Matrix oder einem weiteren Pixellichtsystem die jeweiligen Elemente beziehungsweise Segmente des Scheinwerfers individuell angesteuert werden. Damit kann für jede aktuelle Verkehrssituation ein optimaler Ausleuchtungsbereich für die Person erzeugt werden. Der Verfahrensschritt c) wird insbesondere über Nacht durchgeführt. Damit können nachts immer genau jene Stellen ausgeleuchtet werden, welche von einem Fahrer auch tagsüber betrachtet beziehungsweise berücksichtigt werden. Da das Blickverhalten der Person oder des Fahrers die Verkehrssituationen berücksichtigt und bei Schritt c) das Blickverhalten sowie die aktuelle Verkehrssituation berücksichtigt werden, können die Verkehrssituationen aus Schritt a) indirekt beim Einstellen der Lichtverteilung berücksichtigt werden. Somit kann eine Lichtverteilung erzeugt werden, welche dem tatsächlichen Blickverhalten der Person entspricht. Die Verfahrensschritte a) bis c) können durch eine Lerneinheit durchgeführt werden. Diese Lerneinheit kann insbesondere ein neuronales Netz aufweisen. Mithilfe der Lerneinheit können das Blickverhalten der Person erlernt oder gelernt werden, die aktuelle Verkehrssituation ermittelt werden und die Lichtverteilung einstellt werden.
Eine weitere Variante dieser Erfindung sieht vor, dass für das Lernen des Blickverhaltens eine Blickrichtung der Person und eine Dauer der Blickrichtung erfasst werden. Die Blickrichtung der Person kann insbesondere eine Position und Ausrichtung eines Kopfs der Person bedeuten. Zudem wird bei dieser Variante zusätzlich erfasst, wie lange die Person die Blickrichtung beibehält. Somit kann erfasst werden, wie lange beziehungsweise über welchen Zeitraum die Person in eine bestimmte Richtung blickt. Zudem kann eine Veränderung der Blickrichtung erfasst werden. Somit kann nicht nur eine momentane Blickrichtung der Person und eine Dauer der Blickrichtung erfasst werden, sondern darüber hinaus kann das Blickverhalten während einer Zeitspanne erfasst beziehungsweise beobachtet werden. So kann beispielsweise festgestellt werden, ob die Person ihren Blick schweifen lässt oder ob die Person sich auf eine Fahrbahn beziehungsweise auf eine Fahrsituation konzentriert. Damit kann das Blickverhalten der Person mehrere Blickrichtungen der Person zu unterschiedlichen Zeitpunkten umfassen. Zugleich kann für jede unterschiedliche Blickrichtung der Person eine Zeitspanne beziehungsweise eine Dauer der Blickrichtung erfasst werden. Damit kann das Blickverhalten der Person nicht nur zu bestimmten Zeitpunkten, sondern über ein vorgegebenes Zeitintervall erfasst und analysiert werden. Dies kann eine effizientere Einstellung der Lichtverteilung ergeben.
Eine weitere Variante dieser Erfindung sieht vor, dass zum Lernen des Blickverhaltens die Person während eines Manövrierens eines Kraftfahrzeugs durch die Person beobachtet wird. Dies bedeutet insbesondere, dass die Person beobachtet wird, während sie das Kraftfahrzeug manövriert beziehungsweise steuert. Dadurch kann ein realistisches Blickverhalten der Person beim Manövrieren beziehungsweise Fahren des Kraftfahrzeugs erfasst werden. Insbesondere kann die Person tagsüber beim Manövrieren des Kraftfahrzeugs beobachtet werden. Das Beobachten kann beispielsweise mit Kameras oder weiteren Erfassungseinheiten realisiert werden. Somit kann das normale Blickverhalten dieser Person zuverlässig ermittelt werden. Da damit das individuelle Blickverhalten beziehungsweise die Fahr- beziehungsweise Blickgewohnheiten der Person ermittelt werden können, kann das Komfortempfinden des Fahrers gesteigert werden. Da die Lichtverteilung genau dort angezeigt wird, wo sie die Person auch erwartet, kann stets der aus der Person richtige Bereich ausgeleuchtet werden. Dies kann das nächtliche Fahren des Kraftfahrzeugs erleichtern beziehungsweise angenehmer gestalten.
Eine weitere Variante dieser Erfindung sieht vor, dass die Verkehrssituation durch eine Sichtweite für die Person, einen Gesundheitszustand der Person, eine Position und Ausrichtung des Kraftfahrzeugs und/oder einen Straßenverlauf für das Kraftfahrzeug bestimmt wird. Die Verkehrssituation kann somit insbesondere jene Situationen und Umstände erfassen, welche für die Verkehrssituation von Relevanz sind. Dabei ist die eben genannte Auflistung nicht als abschließend zu verstehen. Zu der Verkehrssituation können auch ein Kurvenverlauf, Kreuzungen, Fußgängerüberwege, aktuelle Verkehrsmeldungen, ein Zustand des Kraftfahrzeugs und so weiter zählen. Mit der Verkehrssituation können in dieser Variante die aktuelle Verkehrssituation aus Schritt b) und/oder die Verkehrssituationen aus Schritt a) angesprochen sein.
Ein Zustand des Kraftfahrzeugs kann ebenfalls für die Verkehrssituation berücksichtigt werden. Zu dem Zustand des Kraftfahrzeugs können beispielsweise Aspekte wie ein Füllgrad an Kraftstoff, ein Reifenzustand oder weitere sicherheitsrelevante Umstände des Kraftfahrzeugs gehören. Weist zum Beispiel das Kraftfahrzeug aufgrund unterschiedlicher Reifenabnutzungen einen leichten Drift zum Straßenrand auf, so könnte das neuronale Netz diesen Umstand dadurch berücksichtigen, indem es die Lichtverteilung entsprechend verschiebt. Dieses Beispiel kann jedoch bei einer anderen Person unterschiedlich ausgestaltet sein, da das Einstellen der Lichtverteilung vom erlernten Blickverhalten der Person abhängt. Idealerweise wird die Lichtverteilung so eingestellt, dass sich ein Maximum an Komfort beziehungsweise Sicherheit ergibt. Damit ist es möglich, nicht nur das individuelle Blickverhalten der Person für das Einstellen der Lichtverteilung zu berücksichtigen, sondern darüber hinaus können ebenfalls komplexe Verkehrssituationen zum Einstellen der Lichtverteilung berücksichtigt werden.
Eine weitere Variante sieht vor, dass das Blickverhalten der Person mithilfe einer Detektion mindestens eines Auges der Person, mindestens einer Pupille der Person und/oder einer Kopfposition der Person erfasst wird. Dabei kann nicht nur die Position des Auges beziehungsweise der Pupille erfasst werden sondern darüber hinaus eine Ausrichtung des Auges oder der Pupille. Diese Variante ist auch unter dem Begriff „Eye-Tracking“ bekannt. Insbesondere können Fahrzeugkameras eingesetzt werden, um die Position des Auges, der Pupille beziehungsweise des Kopfes zu erfassen oder zu verfolgen. Anhand der Position des Auges sowie einer Ausrichtung der Pupille kann die individuelle Blickrichtung der Person ermittelt werden. Somit kann das individuelle Blickverhalten der Person über einen längeren Zeitraum erfasst beziehungsweise überwacht werden. Damit kann das Blickverhalten der Person effizienter erlernt werden.
Eine weitere Variante dieser Erfindung sieht vor, dass der Verfahrensschritt a) tagsüber durchgeführt wird und Schritt b) nachtsüber durchgeführt wird. Dies bedeutet dass die Verfahrensschritte a) und b) insbesondere zeitlich auseinander fallen. Die sich dadurch ergebende Zeitdifferenz kann mehrere Stunden betragen. In der Regel ist die Person tagsüber wach und fit und legt somit ein natürliches Blickverhalten an den Tag. Dieses Blickverhalten wird tagsüber im Schritt a) erlernt. Im Schritt b) wird die Lichtverteilung in Abhängigkeit des Blickverhaltens, welches die Person tagsüber eingesetzt hat, zum Einstellen der Lichtverteilung verwendet. Zugleich können die unterschiedlichen Verkehrssituationen berücksichtigt werden. So kann für jede aktuelle Verkehrssituation ein optimaler Ausleuchtungsbereich trainiert werden. Damit werden nachts genau jene Stellen ausgeleuchtet, welche vom Fahrer tagsüber berücksichtigt wurden.
Eine weitere Variante dieser Erfindung sieht vor, dass zum Lernen ein rückgekoppeltes neuronales Netz verwendet wird. Rekurrente beziehungsweise rückgekoppelte neuronale Netze werden sind eine Spezialform von neuronalen Netzen. Manchmal werden sie nur „neuronale Netze“ bezeichnet. Im Gegensatz zu den feed-forward Netzen zeichnen sich die rekurrenten neuronalen Netze durch Verbindungen von Neuronen einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht aus. Dies bedeutet insbesondere, dass die Neuronen auf Informationen einer davor gelagerten Schicht zurückgreifen können. Vorteilhaft ist bei rekurrenten neuronalen Netzen, dass sie auf Informationen früherer Zeitschritte zugreifen können. Dadurch können zeitliche Zusammenhänge erlernt werden. Das rekurrente neuronale Netz kann beispielsweise ein Elman-Netz, ein Jordan-Netz oder ein Hopfield-Netz sein. Insbesondere kann jedoch ein Long Short-Term Memory-Netz zum Einsatz kommen. Dieses Long Short-Term Memory -Netz kann mehrere Zellen aufweisen, die Teil des neuronalen Netzes sind. Der Begriff Zellen kann dasselbe bedeuten wie der Begriff Neuronen. Diese Zellen beziehungsweise Neuronen sind meist Teil des neuronalen Netzes. Dieses Long-Short-Time-Memory-Netz weist die Eigenschaft auf, sich die Eingangsdaten über die einzelnen Neuronenschichten merken zu können. Dies kann insbesondere bedeuten, dass das jeweilige Neuron auf die Eingangsdaten beziehungsweise bereitgestellten Informationen zurückgreifen kann.
Long Short-Term Memory-Netze können als Sonderformen von rekurrenten neuronalen Netzen betrachtet werden, weil Sie „entscheiden“ beziehungsweise „lernen“ können, welche Information vergessen, behalten oder ausgegeben werden soll. Somit können sich solche neuronalen Netze Informationen von früheren Zeitschritten, eventuell bis zur Eingangsschicht merken. Diese Informationen kann das rekurrente neuronale Netz berücksichtigen. Es kann somit sowohl auf eine verarbeitete Information der letzten Neuronenschicht als auch auf die ursprünglichen Eingangsdaten zurückgreifen. Damit kann die zeitliche Abfolge der Blickrichtungen sowie die verschiedenen Verkehrssituationen effizient berücksichtigt werden. Die so gesammelten Daten können sowohl im Kraftfahrzeug selbst gesammelt werden als auch in ein Netzwerk einfließen oder in einem Backend gespeichert und aufbereitet werden. Dazu kann die Lerneinheit oder die Erfassungseinheit eine Schnittstelle aufweisen. Mithilfe dieser Schnittstelle können die Daten an das Backend oder einen Server übertragen werden. Dort kann eine rechenintensive Evaluierung der Daten beziehungsweise das Lernen oder Anlernen für das neuronale Netz durchgeführt werden. Dies kann insbesondere bedeuten, dass das neuronale Netz beziehungsweise das jeweilige Neuron auf Informationen zugreifen kann, welche extern in einer Cloud oder einem Backend gespeichert sind. Durch Verwenden eines Long-Short-Time-Memory neuronalen Netzes kann das Lernen des Blickverhaltens der Person beschleunigt werden.
Eine weitere Variante sieht vor, dass das Blickverhalten der Person während des Einstellens der Lichtverteilung beobachtet wird, um die eingestellte Lichtverteilung zu validieren. Dies bedeutet insbesondere, dass durch das Beobachten des Blickverhaltens der Person während des Einstellens als Informationsquelle zum Optimieren des Einstellens der Lichtverteilung genutzt werden kann. Durch das Beobachten des Blickverhaltens der Person während des Einstellens der Lichtverteilung kann überprüft werden, ob ein momentanes Blickverhalten der Person mit dem erlernten Blickverhalten übereinstimmt. Dies bedeutet, dass das Blickverhalten der Person vorzugsweise während des Schritts c) beobachtet wird. Insbesondere kann vorgesehen sein, dass das neuronale Netz bei einem Abweichen des erlernten Blickverhaltens von dem momentanen Blickverhalten die Lichtverteilung angepasst wird. Damit kann das Beobachten des Blickverhaltens der Person als Rückkopplung zum Optimieren beziehungsweise Überprüfen des Einstellens der Lichtverteilung genutzt werden. Somit kann tagsüber das Blickverhalten der Person erlernt werden und nachtsüber kann das erlernte Blickverhalten der Person überprüft und eventuell korrigiert werden. Diese Variante der Erfindung kann insbesondere in einer Lernphase des Verfahrens eingesetzt werden. Ist beispielsweise das neuronale Netz noch nicht hinreichend gut trainiert, so kann es sinnvoll sein, das Blickverhalten der Person auch beim Verfahrensschritt c) zu beobachten, um den Prozess des Einstellens der Lichtverteilung weiter zu verbessern.
Eine weitere Variante sieht vor, dass die Verkehrssituationen in verschiedene Klassen eingeteilt werden und die aktuelle Verkehrssituation einer dieser Klassen zugeordnet wird, um die Lichtverteilung in Abhängigkeit von der aktuellen Verkehrssituation einzustellen. Damit kann während des Verfahrensschritts a) die jeweilige Verkehrssituation einer Klasse zugeteilt werden. Die verschiedenen Verkehrssituationen können hinsichtlich ihrer Ähnlichkeit sortiert werden und entsprechend in die verschiedenen Klassen eingeteilt werden.
So kann beispielsweise eine Klasse für eine Geradeausfahrt und eine andere Klasse für eine Kurvenfahrt vorgesehen sein. Weitere Klassen können unterscheiden, ob das Kraftfahrzeug innerhalb einer Ortschaft oder außerhalb einer Ortschaft manövriert wird. Ein gut trainiertes neuronales Netz kann insbesondere die verschiedenen Verkehrssituationen in mehr Klassen einteilen als ein untrainiertes neuronales Netz. Beispielsweise können vier verschiedene Verkehrsklassen vorgesehen sein. Die erste Klasse könnte eine Gradeausfahrt, die zweite Klasse könnte eine Kurvenfahrt, die dritte Klasse könnte eine Fahrt innerhalb einer Ortschaft und die vierte Klasse könnte eine Fahrt außerhalb der Ortschaft bedeuten. Auch eine Kombination dieser Klassen ist möglich.
So könnte beispielsweise eine Kurvenfahrt außerhalb der Ortschaft der zweiten und der vierten Klasse zugleich zugeordnet werden. Somit kann aus ursprünglichen Grundklassen eine weitere Klasse gebildet werden. Weitere Klassen können zum Beispiel durch eine Kombination ursprünglicher Grundklassen gebildet werden. So könnte beispielsweise eine fünfte Klasse aus einer Kombination der zweiten mit der vierten Klasse gebildet werden. Dies würde in diesem Fall eine Kurvenfahrt außerhalb der Ortschaft entsprechen. Die verschiedenen Klassen können vorgegeben sein beziehungsweise durch das neuronale Netz selbst erlernt werden. Somit kann das neuronale Netz neue Verkehrssituationen durch Einführen neuer Klassen berücksichtigen.
Durch das Einteilen der Verkehrssituationen in entsprechende Klassen kann der Rechenaufwand für das neuronale Netz deutlich minimiert werden. Damit führt nicht jede minimale Abweichung zwangsläufig zu einer neuen Verkehrssituation, sondern ähnliche Verkehrssituationen können so gleich behandelt werden. Dazu kann das neuronale Netz zwei Verkehrssituationen mithilfe einer entsprechenden Korrelation der Verkehrssituationen miteinander vergleichen. So kann das neuronale Netz quantitativ bewerten, wie ähnlich zwei Verkehrssituationen zueinander sind und darauf basierend diese beiden Verkehrssituationen einer einzigen Klasse oder zwei verschiedenen Klassen zuordnen.
Eine daraus resultierende Lichtverteilung würde bei minimal unterschiedlichen Verkehrssituationen sich nicht ändern. Befindet sich das Kraftfahrzeug beispielsweise in einer Geradeausfahrt, so spielt es in der Regel keine Rolle, wo diese Geradeausfahrt stattfindet. Beispielsweise fährt das Kraftfahrzeug in einer ersten Verkehrssituation in Hamburg geradeaus und in der zweiten Verkehrssituation in München, wobei die übrigen Umstände gleich angenommen werden. Zwar bedeutet ein unterschiedlicher Ort des Kraftfahrzeugs grundsätzlich eine andere Verkehrssituation, doch in diesem Fall würde das neuronale Netz die Geradeausfahrt in München zu derselben Klasse zuordnen wie die Geradeausfahrt in Hamburg, sofern die übrigen Verkehrsumstände gleich oder zumindest sehr ähnlich sind. Damit kann gewährleistet werden, dass die verschiedenen Verkehrssituationen effizient eingeteilt werden und somit das Einstellen der Lichtverteilung auf lediglich fahrrelevante Verkehrssituationen Anwendung findet. Somit kann erreicht werden, dass die Lichtverteilung in Abhängigkeit von lediglich relevanten Verkehrssituationen eingestellt wird. Im vorgenannten Beispiel würde das neuronale Netz zwischen der Geradeausfahrt in München und der Geradeausfahrt in Hamburg keinen Unterschied ausmachen. Dementsprechend würde die Lichtverteilung in beiden Fällen gleich eingestellt werden. Dabei ist jedoch zu berücksichtigen, dass in diesem Beispiel angenommen wird, dass das Blickverhalten der Person in beiden Fällen gleich ist. Dies ermöglicht ein effizientes Analysieren der Verkehrssituationen.
Idealerweise werden die verschiedenen Klassen derart gewählt, sodass die Verkehrssituationen sich lediglich durch Umstände oder Parameter entscheiden, die für das Einstellen der Lichtverteilung von Relevanz sind. Dazu zählt beispielsweise der Gesundheitszustand der Person. Die Person kann eine entsprechende Sensorik am Körper tragen, welche es dem neuronalen Netz ermöglicht, festzustellen, ob die Person fit, müde, wach oder bezüglich des Fahrens beeinträchtigt ist. Auch dieser Aspekt des Gesundheitszustands könnte mit einer entsprechenden Klasse berücksichtigt werden. Ist die Person beispielsweise erkältet, so könnte sich daraus eine etwas abgesenkte Blickrichtung der Person im Vergleich zu einer Blickrichtung bei einem gesunden Zustand der Person ergeben. Dies kann das neuronale Netz bei dem Einstellen der Lichtverteilung berücksichtigen. So könnte das neuronale Netz den Scheinwerfer des Kraftfahrzeugs derart ansteuern, sodass sich eine Lichtverteilung ergibt, welche tendenziell eher dem abgesenkten Blickverhalten der erkälteten Person entspricht. So kann gewährleistet werden, dass der Sichtbereich der erkälteten Person ebenfalls bestmöglich ausgeleuchtet wird. Die genannten Beispiele zeigen deutlich, dass mithilfe des Einteilens der Verkehrssituation in verschiedene Klassen unterschiedliche Verkehrssituationen effizienter erfasst werden können und somit die Lichtverteilung noch effizienter und individueller an die jeweilige Person angepasst werden kann.
Die Erfindung stellt ebenfalls eine Beleuchtungsvorrichtung bereit. Die Beleuchtungsvorrichtung weist eine Schnittstelle zum Empfangen von Daten betreffend Verkehrssituationen und eine aktuelle Verkehrssituation auf. Die Beleuchtungsvorrichtung weist einen Scheinwerfer zum Erzeugen einer Lichtverteilung auf. Über die Schnittstelle können Informationen zu den Verkehrssituationen und der aktuellen Verkehrssituation übertragen werden. Dies kann beispielsweise mit Hilfe eines CAN-Buses erfolgen. Somit können Informationen betreffend die aktuelle Verkehrssituation und/oder die Verkehrssituationen zur Lerneinheit übertragen werden. Die Lerneinheit kann auch auf diese Informationen zugreifen oder sie abrufen. In diesem Bus-System können Informationen von einer Fahrzeugsensorik eingespeist werden. Dies bedeutet, dass Daten einer Sensoreinrichtung des Kraftfahrzeugs über die Schnittstelle übermittelt werden können. Die Beleuchtungsvorrichtung weist zudem eine Lerneinheit zum Lernen eines Blickverhaltens einer Person in Abhängigkeit von den Verkehrssituationen auf. Die Lerneinheit kann ausgebildet sein, die aktuelle Verkehrssituation und/oder die Verkehrssituationen zu ermitteln. Die Lerneinheit kann zum Beispiel auf Daten eines Bordnetzes zugreifen und basierend auf diesen Daten die aktuelle Verkehrssituation und die Verkehrssituationen ermitteln. Es ist ebenfalls möglich, dass die Lerneinheit ausgestaltet ist, Informationen oder Daten von der Erfassungseinheit abzurufen, diese Informationen oder Daten zu analysieren, zu bewerten und mithilfe dieser Daten oder Informationen die aktuelle Verkehrssituation sowie das Blickverhalten der Person zu ermitteln. Die Lerneinheit kann dazu insbesondere sich des neuronalen Netzes bedienen und das Blickverhalten sowie die Verkehrssituationen als auch die aktuelle Verkehrssituation ermitteln. Somit kann die Lerneinheit die aktuelle Verkehrssituation ermitteln und darauf basierend die Lichtverteilung einstellen. Dies kann zum Beispiel durch Erzeugen entsprechender Steuersignale für den Scheinwerfer durch die Lerneinheit oder das neuronale Netz geschehen.
Die Lerneinheit ist ferner dazu eingerichtet, die Lichtverteilung in Abhängigkeit von der aktuellen Verkehrssituation und dem erlernten Blickverhalten der Person einzustellen. Dazu kann die Lerneinheit insbesondere Steuersignale für den Scheinwerfer generieren. Diese Steuersignale können den Scheinwerfer derart modifizieren, sodass die Lichtverteilung entsprechend geändert wird. Somit verfügt die Beleuchtungsvorrichtung über funktionelle Merkmale, um das Verfahren auszuführen.
Der Begriff Lernen oder Erlernen kann insbesondere auch „Anlernen“ bedeuten. Damit kann der Lerneinheit beigebracht werden, wie beziehungsweise unter welchen Umständen das Einstellen der Lichtverteilung durchgeführt werden soll. Die Lerneinheit kann somit durch das Lernen des Blickverhaltens, insbesondere durch das Beobachten der Person trainiert werden und damit für das Einstellen der Lichtverteilung angelernt werden. Dabei kann Anlernen bedeuten, dass die Lerneinheit beziehungsweise das neuronale Netz ausgehend von einem Anfangszustand angelernt oder trainiert wird. Es kann ebenfalls ein Anlernen ausgehend von einem vorgegebenen Zustand der Lerneinheit zu einem neuen trainierten Zustand bedeuten. Dies kann zum Beispiel eine Inbetriebnahme der Lerneinheit beziehungsweise des neuronalen Netzes sein. Des Weiteren kann die Lerneinheit lernen, neue bisher für die Lerneinheit nicht bekannte Verkehrssituationen zu erkennen und dies beim Einstellen der Lichtverteilung zu berücksichtigen. Das Verfahren zum Erlernen der Lichtverteilung kann auch als Anlernen einer Lichtverteilung durch die Lerneinheit bezeichnet werden. Die genannten Beispiele und Vorteile zu den vorangegangenen Varianten gelten sinngemäß für die Be leuchtu ngsvorrichtu ng.
Eine weitere Ausführungsform dieser Erfindung sieht eine Beleuchtungsvorrichtung vor, wobei die Lerneinheit eine Erfassungseinheit und eine Recheneinheit mit einem neuronalen Netz aufweist. Die Erfassungseinheit kann beispielsweise eine optische Erfassungseinheit, eine Kamera und/oder ein Ultraschallsensor sein. Die Erfassungseinheit kann einen GPS-Sensor beinhalten und mithilfe der Schnittstelle auf prädiktive Streckendaten zugreifen, welche beispielsweise im Backend hinterlegt sind. Insbesondere kann die Lerneinheit auf Informationen, welche die Erfassungseinheit generiert, zugreifen und darauf basierend die aktuelle Verkehrssituation und/oder die Verkehrssituationen ermitteln. So können zum Beispiel ein Bild als Informationen von einer Kamera gewonnen werden. Daten von einem Ultraschallsensor können zum Beispiel für eine Objekterkennung in einer Umgebung eines Kraftfahrzeugs eingesetzt werden. Die Lerneinheit kann dieses Bild oder die Daten des Ultraschallsensors beim Ermitteln der aktuellen Verkehrssituation heranziehen.
Ebenso kann die Lerneinheit Bilder einer Fahrzeug-Innen-Kamera oder Fahrer-Monitor-Kamera für das Lernen des Blickverhaltens analysiert und/oder auswertet. Mithilfe der Fahrzeug-Innen-Kamera kann die Person beobachtet werden und somit deren Blickverhalten analysiert beziehungsweise gelernt werden. Die Recheneinheit kann einen Prozessor oder Mikrochip aufweisen. Das neuronale Netz kann mithilfe des Prozessors oder Mikrochips verwirklicht werden. Das neuronale Netz ist insbesondere keine Hardware, sondern eine softwareseitige Umsetzung eines Verfahrens. Insbesondere kann das neuronale Netz dazu ausgelegt sein, für die Erfindung nötige Verfahrensschritte auszuführen.
Insbesondere ist das neuronale Netz beziehungsweise die Lerneinheit dazu ausgebildet, dass Blickverhalten der Person zu erlernen und darauf basierend entsprechende Steuersignale zum Einstellen der Lichtverteilung zu generieren. Dieses neuronale Netz kann insbesondere ein so genanntes Long-Short-Time-Memory neuronales Netz beinhalten. Dadurch können ursprüngliche Eingangsdaten im neuronalen Netz bei Neuronen in unterschiedlichen Schichten weiter berücksichtigt werden. Das neuronale Netz kann nicht nur das Blickverhalten der Person erlernen, sondern das Blickverhalten der Person als Fahrerprofil abspeichern. Dieses Fahrerprofil kann in alle geeigneten Fahrzeuge übernommen werden.
Eine weitere Ausführungsform dieser Erfindung sieht eine Beleuchtungsvorrichtung vor, wobei der Scheinwerfer als segmentierter Scheinwerfer oder Pixellichtsystem, die Erfassungseinheit als Fahrzeug-Innen-Kamera und/oder das neuronale Netz als ein rückgekoppeltes neuronales Netz ausgeführt sind. Das rückgekoppelte neuronale Netz kann insbesondere Informationen von einer früheren Neuronenschicht berücksichtigen. Das Pixellichtsystem kann als ein flächenmodulierbares LED-Matrix-Pixellichtsystem, als Laser-Matrix-Pixellichtsystem oder als flächenmodulierbares LED-DMD-Pixellichtsystem ausgebildet sein. Somit kann das Pixellichtsystem eine Vielzahl von DMD-Spiegeln aufweisen. Ist der Scheinwerfer als segmentierter Scheinwerfer ausgebildet, so können einzelne Segmente des Scheinwerfers individuell angesteuert werden. Mit Hilfe eines solchen Scheinwerfers oder Pixellichtsystems kann die individuell ermittelte Pixellichtverteilung auf eine Fahrbahn projiziert werden. So können neben den bisher oft bekannten Lichtverteilungen wie zum Beispiel „Abblendlicht“ oder „Fernlicht“ viele weitere Lichtverteilungen erzeugt werden.
Die Erfindung sieht des Weiteren ein Kraftfahrzeug mit einer Beleuchtungsvorrichtung vor. Damit kann die Erfindung insbesondere bei einem Betrieb des Kraftfahrzeugs zum Einsatz kommen. Während die Person das Kraftfahrzeug steuert, kann ihr individuelles Blickverhalten ermittelt werden. Dieses individuelle Blickverhalten kann mit verschiedenen Verkehrssituationen kombiniert werden. Aus diesen Informationen kann zu einem späteren Zeitpunkt mit Hilfe des neuronalen Netzes die Lichtverteilung gemäß dem individuellen Blickverhalten sowie gemäß der aktuellen Verkehrssituation eingestellt werden. Die genannten Beispiele und Vorteile zu den vorangegangenen Varianten und Ausführungsformen gelten sinngemäß für das Kraftfahrzeug mit der Beleuchtungsvorrichtung.
Die Erfindung stellt ebenfalls ein Computerprogrammprodukt bereit, welches Befehle umfasst, die bewirken, dass die Beleuchtungsvorrichtung die genannten Verfahrensschritte ausführt. Das Computerprogrammprodukt kann mit Programmcodemitteln dargestellt werden. Die Erfindung betrifft ebenfalls ein computerlesbares Medium, auf dem das Computerprogrammprodukt gespeichert ist.
Zu der Erfindung gehört auch die Lerneinheit für die Beleuchtungsvorrichtung. Die Lerneinheit kann Teil eines Kraftfahrzeugs sein, Teil eines neuronalen Netzes oder Teil einer Recheneinheit sein. Die Lerneinheit kann mit dem Kraftfahrzeug verbunden sein. Die Lerneinheit kann eine Prozessoreinrichtung aufweisen, die dazu eingerichtet ist, eine Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Die Prozessoreinrichtung kann hierzu zumindest einen Mikroprozessor und/oder zumindest einen Mikrocontroller aufweisen. Des Weiteren kann die Prozessoreinrichtung Programmcode aufweisen, der dazu eingerichtet ist, bei Ausführen durch die Prozessoreinrichtung die Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen. Der Programmcode kann in einem Datenspeicher der Prozessoreinrichtung gespeichert sein.
Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Verfahrens, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Kraftfahrzeugs beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfindungsgemäßen Verfahrens hier nicht noch einmal beschrieben.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsformen umfassen. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
Die Erfindung wird nun beispielhaft anhand der einzigen Figur (Fig.) näher erläutert. In der einzigen Figur bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente. Dabei zeigt die einzige Fig. ein schematisches Organigramm bezüglich des Verfahrens zum Erlernen einer Lichtverteilung für einen Scheinwerfer.
Die einzige Fig. zeigt bespielhaft einen möglichen Ablauf zum Erlernen der Lichtverteilung für den Scheinwerfer. In einem ersten Schritt S1 und einem zweiten Schritt S2 wird ein Blickverhalten einer Person in Abhängigkeit von Verkehrssituationen ermittelt. Diese Informationen werden im weiteren Verlauf an ein neuronales Netz NN übermittelt. Im ersten Schritt S1 wird insbesondere das Blickverhalten der Person erfasst beziehungsweise untersucht. Dazu kann eine Erfassungseinheit SE zum Einsatz kommen, welche Sensordaten zum Blickverhalten der Person übermittelt. Dies kann beispielsweise eine Fahrzeuginnenkamera sein. Im zweiten Schritt S2 kann über ein CAN-Bussystem CAN eine Information bezüglich der Verkehrssituationen oder einer aktuellen Verkehrssituation übermittelt werden. Beispielsweise kann das CAN-Bus-System CAN auf eine Sensoreinrichtung eines Kraftfahrzeugs zugreifen. Damit können Daten und Informationen des Fahrzeugassistenzsystems in das Verfahren einfließen. Somit wird im ersten Schritt S1 insbesondere das Blickverhalten der Person erfasst und im zweiten Schritt S2 wird die Verkehrssituation erfasst. Dies geschieht insbesondere mithilfe der Lerneinheit LE. Diese beiden Schritte können mehrfach ausgeführt werden, sodass das Blickverhalten der Person über einen längeren Zeitraum zu unterschiedlichen Verkehrssituationen erfasst werden kann.
Links neben dem schematischen Organigramm ist ein Zeitpfeil t angedeutet. Es sind beispielhaft zwei unterschiedliche Zeitpunkte t1 und t2 eingetragen. Zum ersten Zeitpunkt t1 werden insbesondere die Schritte S1 und S2 ausgeführt. Die Schritte S1 und S2 müssen jedoch nicht zwangsläufig gleichzeitig ausgeführt werden und können einen geringfügigen Zeitversatz zueinander aufweisen. Dabei ist eine Zeitdifferenz der Schritte S1, S2 zum ersten Zeitpunkt t1 deutlich geringer als eine Zeitdifferenz zu einem zweiten Zeitpunkt t2, bei dem die Verfahrensschritte b) und c) ausgeführt werden. Dies bedeutet insbesondere, dass ein Lernen des Blickverhaltens der Person in Abhängigkeit von Verkehrssituationen zum ersten Zeitpunkt t1 stattfinden kann. Dies geschieht zum Beispiel mithilfe einer Kamera. Der erste Zeitpunkt t1 ist insbesondere ein Zeitpunkt, bei dem eine hinreichend gute Umgebungshelligkeit vorhanden ist. In der Regel ist dies während eines Tages, also tagsüber. Die Information bezüglich des Zeitpunktes kann ebenfalls über das CAN-Bussystem CAN im zweiten Schritt S2 in das Verfahren einfließen. So kann beispielsweise das Kraftfahrzeug einen Lichtsensor aufweisen, der eine Umgebungshelligkeit feststellen kann. Insbesondere kann mithilfe des Lichtsensors festgestellt werden, ob momentan Tag oder Nacht ist. Dieser Lichtsensor kann beispielsweise mit Hilfe eines ersten Helligkeitswerts feststellen, ob zum ersten Zeitpunkt t1 Tag ist. Wird beispielsweise dieser erste Helligkeitswert überschritten, so kann davon ausgegangen werden, dass ein Zeitpunkt während des Tages vorliegt. Wird beispielsweise ein zweiter Helligkeitswert unterschritten, so kann davon ausgegangen werden, dass der Zeitpunkt am Abend oder in der Nacht ist. Diese Zeitinformation kann ebenfalls über das CAN-Bus System in den zweiten Schritt S2 sowie in einen dritten Schritt S3 einfließen.
Im dritten Schritt S3 wird eine aktuelle Verkehrssituation ermittelt. Während im zweiten Schritt S2 verschiedene Verkehrssituationen erfasst werden können, wird im dritten Schritt S3 eine aktuelle Verkehrssituation erfasst. Dies betrifft insbesondere den zweiten Zeitpunkt t2. Der zweite Zeitpunkt t2 weist zum ersten Zeitpunkt t1 in der Regel eine deutliche zeitliche Differenz auf. Der erste Zeitpunkt t1 ist vorzugsweise ein Zeitpunkt während des Tages, der zweite Zeitpunkt t2 ist bevorzugt ein Zeitpunkt während der Nacht. Die gewonnenen beziehungsweise erhobenen Informationen aus den Schritten S1 bis S3 werden in einem vierten Schritt S4 zu dem neuronalen Netz NN zusammengeführt. Es ist jedoch auch möglich, dass das neuronale Netz NN bereits bei den Schritten S1, S2 und S3 beteiligt ist. Damit kann die Lerneinheit LE beziehungsweise das neuronale Netz NN die jeweils aktuelle Verkehrssituation ermitteln und/oder Steuersignale erzeugen, womit die durch den Scheinwerfer erzeugte Lichtverteilung eingestellt oder angepasst werden kann. Diese Anpassen oder Adaptieren der Lichtverteilung erfolgt insbesondere basierend auf dem erlernten Blickverhalten der Person und der aktuellen Verkehrssituation. Somit kann das neuronale Netz NN dabei hilfreich sein, das Blickverhalten der Person in Abhängigkeit von verschiedenen Verkehrssituationen zu erlernen. Auch das Ermitteln der aktuellen Verkehrssituation kann durch das neuronale Netz NN vorgenommen werden.
Im vierten Schritt S4 kann das neuronale Netz NN eine adaptierte beziehungsweise angepasste Lichtverteilung ermitteln. Dazu kann das neuronale Netz NN entsprechend Steuersignale für den Scheinwerfer oder für ein Pixellichtsystem erzeugen. Diese Steuersignale werden in einem fünften Schritt S5 an den Scheinwerfer übermittelt, wodurch die Lichtverteilung geändert wird. Da das Blickverhalten der Person sowie die aktuelle Verkehrssituation im vierten Schritt S4 durch das neuronale Netz NN berücksichtigt wurde, wird im fünften Schritt S5 die Lichtverteilung in Abhängigkeit von dem erlernten Blickverhalten und in Abhängigkeit von der aktuellen Verkehrssituation einstellt.
Optional kann vorgesehen sein, dass während des fünften Schritts S5 ebenfalls mit Hilfe der Erfassungseinheit SE das Blickverhalten der Person erfasst beziehungsweise kontrolliert wird. Jenes Blickverhalten, welches im fünften Schritt S5 erfasst wird, kann als Informationsrückfluss zum neuronalen Netz NN zu einer Verbesserung des Lernens führen. Mit Hilfe der Erfassungseinheit SE kann so das Blickverhalten zum zweiten Zeitpunkt t2 als Rückkopplung für das neuronale Netz NN im vierten Schritt S4 genutzt werden. Jene Komponenten welche vom ersten Schritt S1 bis zum vierten Schritt S4 beteiligt sind, können als eine Lerneinheit LE aufgefasst werden. Zu dieser Lerneinheit LE können beispielsweise die Erfassungseinheit SE sowie das neuronale Netz NN zählen.
Das neuronale Netz NN kann unterschiedlich ausgestaltet sein. So kann das neuronale Netz NN als ein rekurrentes neuronales Netz oder Long-Short-Time-Memory neuronales Netz ausgestaltet sein. Im vierten Schritt S4 kann insbesondere eine adaptierte Lichtverteilung ermittelt werden, welche im fünften Schritt S5 eingestellt wird. Mit Hilfe des Scheinwerfers kann die adaptierte Lichtverteilung entsprechend auf einer Fahrbahn dargestellt werden. So kann im fünften Schritt S5 eine initiale Lichtverteilung in die adaptierte Lichtverteilung überführt werden. So kann neben der initialen Lichtverteilung oder der Standardlichtverteilung für einen Normalbenutzer eine adaptierte Lichtverteilung ermittelt und erzeugt werden, welche individuell auf das Blickverhalten der Person sowie auf die jeweilige aktuelle Verkehrssituation zugeschnitten ist.
Die verschiedenen Verkehrssituationen können des Weiteren eine Geschwindigkeit sowie eine Richtung des Kraftfahrzeugs beinhalten. Somit kann das Blickverhalten der Person während des Tages als Grundlage für die eingestellte Lichtverteilung während der Nacht herangezogen werden. Damit kann ermöglicht werden, dass die Person auch während einer nächtlichen Fahrt mit dem Kraftfahrzeug ihr natürliches Blickverhalten beibehalten kann. Im Gegensatz zu anderen Lösungen, welche vorsehen, dass die Lichtverteilung auf ein momentanes Blickverhalten der Person eingestellt wird, kann so vermieden werden, dass die Person ihr Blickverhalten gemäß der Lichtverteilung anpasst. Dadurch, dass der fünfte Schritt S5 zum zweiten Zeitpunkt t2 ausgeführt wird, und die Schritt S1 bis S2 zum ersten Zeitpunkt t1 ausgeführt werden, kann ermöglicht werden, dass das „echte“ Blickverhalten der Person erlernt wird. Dieses echte Blickverhalten kann sich von einem nächtlichen Blickverhalten unterscheiden. Würden alle Schritt S1 bis S5 zu einem Zeitpunkt ausgeführt werden, so bestünde das Risiko, dass die Person ihr Blickverhalten der Lichtverteilung anpasst. Damit bestünde die Gefahr, dass der Fahrer ähnlich wie Katzen, welche häufig einem Lichtpunkt folgen, ebenfalls seinen Blick nach der Lichtverteilung ausrichtet. Mit Hilfe des hier vorgestellten Verfahrens sowie der Beleuchtungsvorrichtung kann ermöglicht werden, dass die Lichtverteilung dem wahren Blickverhalten der Person angepasst wird.
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 102014013165 A1 [0003]
DE 102013010454 A1 [0004]

Claims

Verfahren zum Erlernen einer Lichtverteilung für einen Scheinwerfer durch Ausführen folgender Verfahrensschritte: a) Lernen eines Blickverhaltens einer Person in Abhängigkeit von Verkehrssituationen (S1, S2), b) Ermitteln einer aktuellen Verkehrssituation (S3), c) Einstellen der Lichtverteilung in Abhängigkeit von dem erlernten Blickverhalten und der aktuellen Verkehrssituation (S5).
Verfahren nach Anspruch 1, wobei für das Lernen des Blickverhaltens eine Blickrichtung der Person und eine Dauer der Blickrichtung erfasst werden.
Verfahren nach Anspruch 1 oder 2, wobei zum Lernen des Blickverhaltens die Person während eines Manövrierens eines Kraftfahrzeugs durch die Person beobachtet wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Verkehrssituation durch eine Sichtweite für die Person, einen Gesundheitszustand der Person, eine Position und Ausrichtung des Kraftfahrzeugs und/oder einen Straßenverlauf für das Kraftfahrzeug bestimmt wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Blickverhalten der Person mithilfe einer Detektion mindestens eines Auges der Person, mindestens einer Pupille der Person und/oder einer Kopfposition der Person erfasst wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei Schritt a) tagsüber durchgeführt wird und Schritt b) nachtsüber durchgeführt wird.
Verfahren nach einem der Ansprüche 4 bis 6, wobei zum Lernen ein rückgekoppeltes neuronales Netz verwendet wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Blickverhalten der Person während des Einstellens der Lichtverteilung beobachtet wird, um die eingestellte Lichtverteilung zu validieren.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Verkehrssituationen in verschiedene Klassen eingeteilt werden und die aktuelle Verkehrssituation einer dieser Klassen zugeordnet wird, um die Lichtverteilung in Abhängigkeit von der aktuellen Verkehrssituation einzustellen.
Beleuchtungsvorrichtung mit - einer Schnittstelle zum Empfangen von Daten betreffend Verkehrssituationen und eine aktuelle Verkehrssituation, - einem Scheinwerfer zum Erzeugen einer Lichtverteilung, - einer Lerneinheit (LE) zum Lernen eines Blickverhaltens einer Person in Abhängigkeit von den Verkehrssituationen und Einstellen der Lichtverteilung in Abhängigkeit der aktuellen Verkehrssituation und dem erlernten Blickverhalten der Person.
Beleuchtungsvorrichtung nach Anspruch 10, wobei die Lerneinheit (LE) eine Erfassungseinheit (SE) und eine Recheneinheit mit einem neuronalen Netz (NN) aufweist.
Beleuchtungsvorrichtung nach Anspruch 11, wobei der Scheinwerfer als segmentierter Scheinwerfer oder Pixellichtsystem, die Erfassungseinheit (SE) als Fahrzeug-Innen-Kamera und/oder das neuronale Netz (NN) als ein rückgekoppeltes neuronales Netz ausgeführt sind.
Kraftfahrzeug mit einer Beleuchtungsvorrichtung nach einem der Ansprüche 10 bis 12.