DE102018219255A1 - Training system, data set, training method, evaluation device and deployment system for a road vehicle for recording and classifying traffic noise - Google Patents
Training system, data set, training method, evaluation device and deployment system for a road vehicle for recording and classifying traffic noise Download PDFInfo
- Publication number
- DE102018219255A1 DE102018219255A1 DE102018219255.3A DE102018219255A DE102018219255A1 DE 102018219255 A1 DE102018219255 A1 DE 102018219255A1 DE 102018219255 A DE102018219255 A DE 102018219255A DE 102018219255 A1 DE102018219255 A1 DE 102018219255A1
- Authority
- DE
- Germany
- Prior art keywords
- traffic
- neural network
- artificial neural
- road vehicle
- oncoming traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/54—Audio sensitive means, e.g. ultrasound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
Trainingssystem (10) für ein Straßenfahrzeug (1) zum Erfassen und Klassifizieren von Verkehrsgeräuschen (17) umfassend eine Eingangsschnittstelle (11), um Ist-Trainingsdaten (12) zu erhalten, wobei die Ist-Trainingsdaten (12) eine Aufnahme der Verkehrsgeräusche (17) umfassen, die während einer Fahrt des Straßenfahrzeuges (1) auf einer Bergstraße von entgegenkommenden Verkehr (2) mit wenigstens einem an dem Straßenfahrzeug (1) anordenbaren Mikrofon (3a, 3b, 3c, 3d) erfassbar sind, und jeweils zugehörige Soll-Kennzeichen (18a) dieses entgegenkommenden Verkehrs (2), und wobei das Trainingssystem (10) ausgeführt ist, ein künstliches neuronales Netzwerk (13) mit den Ist-Trainingsdaten (12) vorwärts zu speisen und in der Vorwärtsspeisung ein mit dem künstlichen neuronalen Netzwerk (13) ermitteltes Ist-Kennzeichen (18b) des jeweiligen entgegenkommenden Verkehrs (2) zu erhalten, und Gewichtungsfaktoren (14) für Verbindungen (15) von Neuronen (16) des künstlichen neuronalen Netzwerks (13) durch Rückwärtsspeisen einer Abweichung (19) zwischen dem Ist-Kennzeichen (18b) und dem Soll-Kennzeichen (18a) anzupassen zur Minimierung der Abweichung (19), um das Soll-Kennzeichen (18a) des entgegenkommenden Verkehrs zu lernen. Ferner bezieht sich die Erfindung auf einen Datensatz, ein Trainingsverfahren, eine Auswerteeinrichtung (20) und ein Einsatzsystem (30).Training system (10) for a road vehicle (1) for detecting and classifying traffic noises (17), comprising an input interface (11) in order to receive actual training data (12), the actual training data (12) recording the traffic noises (17 ) that can detect oncoming traffic (2) while driving the road vehicle (1) on a mountain road with at least one microphone (3a, 3b, 3c, 3d) that can be arranged on the road vehicle (1), and each associated target identifier (18a) this oncoming traffic (2), and wherein the training system (10) is designed to feed an artificial neural network (13) with the actual training data (12) forward and in the forward feed with the artificial neural network (13 ) ascertained actual identifier (18b) of the respective oncoming traffic (2), and weighting factors (14) for connections (15) of neurons (16) of the artificial neural network factory (13) by feeding back a deviation (19) between the actual indicator (18b) and the target indicator (18a) to minimize the deviation (19) in order to learn the target indicator (18a) of oncoming traffic. The invention also relates to a data set, a training method, an evaluation device (20) and an application system (30).
Description
Die Erfindung bezieht sich auf ein Trainingssystem nach Anspruch 1 für ein Straßenfahrzeug zum Erfassen und Klassifizieren von Verkehrsgeräuschen. Ferner bezieht sich die Erfindung auf einen Datensatz nach Anspruch 2. Außerdem bezieht sich die Erfindung auf ein Trainingsverfahren nach Anspruch 3 für ein künstliches neuronales Netzwerk zum Erfassen und Klassifizieren von Verkehrsgeräuschen. Des Weiteren bezieht sich die Erfindung auf eine Auswerteeinrichtung nach Anspruch 4 für ein Straßenfahrzeug zum Erfassen und Klassifizieren von Verkehrsgeräuschen. Die Erfindung bezieht sich auch auf ein Einsatz-system nach Anspruch 7 für ein Straßenfahrzeug zum Erfassen und Klassifizieren von Verkehrsgeräuschen.The invention relates to a training system according to
Bekannte Radar-, Lidar- und Bildsensoren von Fahrerassistenzsystemen erfassen Objekte in einem sichtbaren Umfeld eines Fahrzeuges mittels entsprechenden elektromagnetischen Wellen. Wenn aber ein Hindernis für diese Wellen zwischen einem derartigen Sensor und dem Objekt angeordnet ist, kann das Objekt mit diesen Sensoren nicht erfasst werden.Known radar, lidar and image sensors from driver assistance systems detect objects in a visible environment of a vehicle by means of corresponding electromagnetic waves. However, if an obstacle to these waves is arranged between such a sensor and the object, the object cannot be detected with these sensors.
Insbesondere auf engen, kurvenreichen Bergstraßen sind entgegenkommende Fahrzeuge bis kurz vor ihrem Erscheinen aufgrund der engen Kurvenführung und/oder von Felsen verdeckt. Menschliche Fahrer machen sich in derartigen Situationen oftmals mittels Hupen bemerkbar. Allerdings besteht die Gefahr, dass die Hupe zu spät betätigt wird. Generell kann das Betätigen der Hupe in kritischen Fahrmanövern für den Fahrer herausfordernd sein und Unfälle können nicht vermieden werden.On narrow, winding mountain roads in particular, oncoming vehicles are hidden until shortly before their appearance due to the tight bends and / or rocks. In such situations, human drivers often use horns to make themselves known. However, there is a risk that the horn will be activated too late. In general, operating the horn in critical driving maneuvers can be challenging for the driver and accidents cannot be avoided.
Die
Hier setzt die Erfindung an. Der Erfindung hat die Aufgabe zu Grunde gelegen, ein Erfassen und eine Klassifikation von entgegenkommendem Verkehr auf Bergstraßen mittels Verkehrsgeräuschen bereitzustellen und ein Hinweis auf den entgegenkommenden Verkehr zu geben.This is where the invention comes in. The invention is based on the object of providing detection and classification of oncoming traffic on mountain roads by means of traffic noise and of giving an indication of oncoming traffic.
Diese Aufgabe wird gelöst durch
- • ein Trainingssystem für ein Straßenfahrzeug zum Erfassen und Klassifizieren von Verkehrsgeräuschen mit den Merkmalen des
Anspruchs 1, - • einen Datensatz mit den Merkmalen des
Anspruchs 2, - • ein Trainingsverfahren für ein künstliches neuronales Netzwerk zum Erfassen und Klassifizieren von Verkehrsgeräuschen mit den Merkmalen des
Anspruchs 3, - • eine Auswerteeinrichtung für ein Straßenfahrzeug zum Erfassen und Klassifizieren von Verkehrsgeräuschen einer Verwendung eines erfindungsgemäßen Einsatzsystems als ein Fahrerassistenzsystem mit den Merkmalen des
Anspruchs 4 und - • ein Einsatzsystem für ein Straßenfahrzeug zum Erfassen und Klassifizieren von Verkehrsgeräuschen mit den Merkmalen des
Anspruchs 7.
- A training system for a road vehicle for detecting and classifying traffic noise with the features of
claim 1, - A data record with the features of
claim 2, - A training method for an artificial neural network for detecting and classifying traffic noise with the features of
claim 3, - • An evaluation device for a road vehicle for detecting and classifying traffic noises using an application system according to the invention as a driver assistance system with the features of
claims 4 and - An application system for a road vehicle for recording and classifying traffic noises with the features of
claim 7.
Weiterbildungen und vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.Further developments and advantageous refinements are specified in the subclaims.
Das erfindungsgemäße Trainingssystem für ein Straßenfahrzeug dient der Erfassung und Klassifikation von Verkehrsgeräuschen. Das Trainingssystem umfasst eine Eingangsschnittstelle, um Ist-Trainingsdaten zu erhalten. Die Ist-Trainingsdaten umfassen eine Aufnahme der Verkehrsgeräusche, die während einer Fahrt des Straßenfahrzeuges auf einer Bergstraße von entgegenkommendem Verkehr mit wenigstens einem an dem Straßenfahrzeug anordenbaren Mikrofon erfassbar sind. Ferner umfassen die Ist-Trainingsdaten jeweils zu der Aufnahme gehörende Soll-Kennzeichen dieses entgegenkommenden Verkehrs. Das Trainingssystem ist ausgeführt, ein künstliches neuronales Netzwerk mit den Ist-Trainingsdaten vorwärts zu speisen und in der Vorwärtsspeisung ein mit dem künstlichen neuronalen Netzwerk ermitteltes Ist-Kennzeichen des jeweiligen entgegenkommenden Verkehrs zu erhalten. Außerdem ist das Trainingssystem ausgeführt, Gewichtungsfaktoren für Verbindungen von Neuronen des künstlichen neuronalen Netzwerks durch Rückwärtsspeisen einer Abweichung zwischen dem Ist-Kennzeichen und dem Soll-Kennzeichen anzupassen zur Minimierung der Abweichung, um das Soll-Kennzeichen des entgegenkommenden Verkehrs zu lernen. Des Weiteren umfasst das Trainingssystem eine Ausgangsschnittstelle, um das Ist-Kennzeichen bereitzustellen.The training system according to the invention for a road vehicle is used to record and classify traffic noise. The training system includes an input interface to receive actual training data. The actual training data include a recording of the traffic noises that can be detected by oncoming traffic with at least one microphone that can be arranged on the road vehicle while the road vehicle is traveling on a mountain road. Furthermore, the actual training data each include target identifiers of this oncoming traffic belonging to the recording. The training system is designed to feed an artificial neural network forward with the actual training data and to receive in the forward feed an actual indicator of the respective oncoming traffic determined with the artificial neural network. In addition, the training system is designed to adapt weighting factors for connections of neurons of the artificial neural network by feeding back a deviation between the actual indicator and the target indicator to minimize the deviation in order to learn the target indicator of the oncoming traffic. Furthermore, the training system includes an output interface in order to provide the actual indicator.
Die nachfolgenden Definitionen gelten für den gesamten Gegenstand der Erfindung.The following definitions apply to the entire subject matter of the invention.
Straßenfahrzeuge sind Landfahrzeuge, die ihre Fahrtrichtung mittels Haftreibung auf einer befahrbaren Unterlage beibehalten oder ändern können. Insbesondere mit Motor betriebene Fahrzeuge, das heißt Kraftfahrzeuge, wie zum Beispiel Personenkraftwage, Nutzkraftwagen oder Motorräder, sind Straßenfahrzeuge.Road vehicles are land vehicles that can maintain or change their direction of travel by means of static friction on an accessible surface. Motor vehicles, in particular motor vehicles, such as, for example, passenger cars, commercial vehicles or motorcycles, are road vehicles.
Verkehrsgeräusche dieser Straßenfahrzeuge sind Schallereignisse, die unter anderem aufgrund der Haftreibung mit der befahrenen Unterlage entstehen. Abhängig vom Bodenbelag, zum Beispiel Schotter, Asphalt oder Sand, von Art des Kontakts des Straßenfahrzeuges mit der Unterlage, zum Beispiel Anzahl der Räder, und vom Straßenfahrzeug selbst, zum Beispiel Größe des Motors, Gewicht des Straßenfahrzeuges, Größe des Straßenfahrzeuges und/oder Fahrzustand des Straßenfahrzeuges, insbesondere Geschwindigkeit, Gangwahl, Bremsen oder Beschleunigen, entstehen typische Verkehrsgeräusche. Die Verkehrsgeräusche sind abhängig von der Witterung. Beispielsweise sind die Fahrgeräusche eines Straßenfahrzeuges auf einer nassen Unterlage verschieden von einer trockenen Unterlage oder einer mit Schnee oder Eis bedeckter Unterlage. Der Erfindungsgegenstand ist ausgeführt, diese Verkehrsgeräusche auch in Abhängigkeit einer jeweiligen Witterung zu klassifizieren.Traffic noise from these road vehicles is a sound event that arises, among other things, from the static friction with the surface being driven on. Depending on the flooring, for example Gravel, asphalt or sand, of the type of contact of the road vehicle with the surface, e.g. number of wheels, and of the road vehicle itself, e.g. size of the engine, weight of the road vehicle, size of the road vehicle and / or driving condition of the road vehicle, in particular speed, Gear selection, braking or accelerating create typical traffic noises. The traffic noise depends on the weather. For example, the driving noise of a road vehicle on a wet surface is different from a dry surface or a surface covered with snow or ice. The object of the invention is designed to classify these traffic noises depending on the respective weather.
Eine Bergstraße ist eine Straße, die auf einen Berg führt und/oder in einem Gebirge verläuft und insbesondere ein ausgeprägtes Höhenprofil besitzt. Weitere Merkmale einer Bergstraße sind beispielsweise viele Kurven, Kehrtwenden, Serpentinen und/oder zumindest stellenweise schmale Fahrbahnbreite.A mountain road is a road that leads to a mountain and / or runs in a mountain range and in particular has a pronounced height profile. Other features of a mountain road are, for example, many curves, U-turns, serpentines and / or at least some narrow lane widths.
Eine Schnittstelle ist eine Bauteil zwischen wenigstens zwei Funktionseinheiten, an der ein Austausch von logischen Größen, z.B. Daten oder physikalischen Größen, z.B. elektrischen Signalen, erfolgt, entweder nur unidirektional oder bidirektional. Der Austausch kann analog oder digital erfolgen. Der Austausch kann drahtlos oder drahtgebunden erfolgen. Eine Schnittstelle kann zwischen Software und Software, Hardware und Hardware sowie Software und Hardware und Hardware und Software bestehen.An interface is a component between at least two functional units on which an exchange of logical quantities, e.g. Data or physical quantities, e.g. electrical signals, either unidirectional or bidirectional. The exchange can be analog or digital. The exchange can be wireless or wired. An interface can exist between software and software, hardware and hardware as well as software and hardware and hardware and software.
Die an das Straßenfahrzeug anordenbare Mikrofone sind Mikrofone, die für automobile Anwendungen geeignet sind, das heißt insbesondere entsprechend witterungsbeständig, funktionssicher, und Wind und Spritzwasser resistent sind. Vorzugweise weisen diese Mikrofone Filter und/oder Verstärker auf, um für Geräusche des entgegenkommenden Verkehrs auf Bergstraßen besonders sensitiv zu sein Beispielsweise werden Motorengeräusche und/oder Bremsgeräusche von entgegenkommenden Fahrzeugen verstärkt. Vorzugsweise sind an jeder Seite des Straßenfahrzeuges, also vorne, hinten, links und rechts, jeweils wenigstens ein Mikrofon angeordnet, das heißt eine bestimmte Anordnung von Mikrofonen. Alternativ sind im Frontbereich und im Heckbereich jeweils zwei Mikrophone angeordnet. Die Mikrophone sind vorzugsweise miteinander verschaltet, das heißt die Mikrophone sind in einem Array angeordnet. Dabei sind die Mikrofone derart angeordnet, dass durch die Anordnung die Signalerfassung und/oder Signalaufbereitung der Mikrofone optimiert wird. Zum Beispiel sind die Mikrofone windgeschützt angeordnet. Vorzugsweise sind die jeweiligen Mikrofone Richtmikrofone.The microphones that can be arranged on the road vehicle are microphones that are suitable for automotive applications, that is to say in particular are correspondingly weatherproof, functionally reliable, and are wind and splash water resistant. These microphones preferably have filters and / or amplifiers in order to be particularly sensitive to the noise of oncoming traffic on mountain roads. For example, engine noises and / or braking noises from oncoming vehicles are amplified. At least one microphone is preferably arranged on each side of the road vehicle, that is to say at the front, rear, left and right, that is to say a specific arrangement of microphones. Alternatively, two microphones are arranged in the front area and in the rear area. The microphones are preferably connected to one another, that is to say the microphones are arranged in an array. The microphones are arranged in such a way that the arrangement optimizes the signal acquisition and / or signal processing of the microphones. For example, the microphones are arranged protected from the wind. The respective microphones are preferably directional microphones.
Ist-Trainingsdaten sind positive Trainingsdaten, mit dem ein lernender Mechanismus, beispielsweise ein künstliches neuronales Netzwerk, vergleichbar mit dem Lernprozess des Gehirns, Informationen lernt. Ist-Trainingsdaten sind mit der Bedeutung der Information gelabelt, das heißt gekennzeichnet, damit der lernende Mechanismus eine Information semantisch erfassen kann. Zum Beispiel fahren einem bergauf fahrenden Fahrzeug entgegenkommende, das heißt bergab fahrende, Fahrzeuge meist in einem niedrigen Gang mit hoher Motordrehzahl, um eine zusätzliche Bremswirkung zu erreichen. Die hohe Motordrehzahl ist ein Soll-Kennzeichen für einen entgegenkommenden Verkehr. Soll-Kennzeichen sind die realen, gegebenen Informationen. Dieses Soll-Kennzeichen labelt die Aufnahme des Verkehrsgeräusches der hohen Motordrehzahl mit der Bedeutung, dass sich ein bergab fahrendes, abbremsendes Fahrzeug nähert. Die Amplitude, Frequenz und weitere Größen des Verkehrsgeräusches werden mit wenigstens einem Mikrofon aufgenommen. Die Ist-Trainingsdaten umfassen auch Verkehrsgeräusche von einem gleichen entgegenkommenden Verkehr zu unterschiedlichen Bedingungen, zum Beispiel bei Schnee bedeckter Fahrbahn oder nasser Fahrbahn und auch in unterschiedlichen Höhenmetern. Beispielsweise besitzen Passstraßen, Gebirgsstraßen oder andere Bergstraßen mehrere Kehrtwenden und/oder Serpentinen. Die geraden Abschnitte der Bergstraße zwischen Kehrtwenden und/oder Serpentinen liegen dann in unterschiedlichen Stockwerken bezogen auf den Berg. Mittels des Trainingssystem wird insbesondere auch angelernt, in welchem Stockwerk, das heißt in welchen Höhenmetern, sich der entgegenkommende Verkehr befindet.Actual training data are positive training data with which a learning mechanism, for example an artificial neural network, learns information, comparable to the learning process of the brain. Actual training data are labeled with the meaning of the information, that is, labeled, so that the learning mechanism can semantically record information. For example, an oncoming vehicle, that is, a downhill vehicle, usually drives in a low gear with a high engine speed in order to achieve an additional braking effect. The high engine speed is a target indicator for oncoming traffic. The target indicator is the real, given information. This target number labels the recording of the traffic noise of the high engine speed with the meaning that a downhill braking vehicle is approaching. The amplitude, frequency and other variables of the traffic noise are recorded with at least one microphone. The actual training data also include traffic noises from the same oncoming traffic under different conditions, for example when the road is covered with snow or when the road is wet and at different altitudes. For example, pass roads, mountain roads or other mountain roads have multiple turns and / or switchbacks. The straight sections of the mountain road between turns and / or serpentines are then on different floors in relation to the mountain. The training system is also used to teach in which floor, i.e. at what altitude, the oncoming traffic is located.
Es liegt auch im Rahmen der Erfindung, dass das Trainingssystem eine zweite Eingangsschnittstelle aufweist, um Fehler-Trainingsdaten zu erhalten. Fehler-Trainingsdaten sind negative Trainingsdaten, durch die der lernende Mechanismus lernt, auf einen Fehler zu reagieren.It is also within the scope of the invention that the training system has a second input interface in order to receive error training data. Error training data is negative training data through which the learning mechanism learns to react to an error.
Ein Ist-Kennzeichen ist das Kennzeichen, das der lernende Mechanismus nach Verarbeitung der Soll-Information erhält, das heißt als Ausgang ausgibt. Zu Beginn der Trainingsphase ist das erhaltene Ist-Kennzeichen in der Regel verschieden von dem eingegebenen Soll-Kennzeichen. In der Trainingsphase wird der Fehler zwischen Ist- und Soll-Kennzeichen minimiert, beispielsweise nach der Methode der kleinsten Quadrate. Nach der Trainingsphase hat der lernende Mechanismus, beispielsweise das künstliche neuronale Netzwerk, den Lernprozess abgeschlossen und ist trainiert. Bei einem trainierten künstlichen neuronalen Netzwerk sind die erhaltenen Ist-Kennzeichen annähernd gleich den Soll-Kennzeichen.An actual indicator is the indicator that the learning mechanism receives after processing the target information, that is, outputs it as an output. At the beginning of the training phase, the actual indicator received is usually different from the target indicator entered. In the training phase, the error between the actual and target indicators is minimized, for example using the least squares method. After the training phase, the learning mechanism, for example the artificial neural network, has completed the learning process and is trained. In the case of a trained artificial neural network, the actual indicators obtained are approximately the same as the target indicators.
Künstliche Intelligenz ist ein Oberbegriff für die Automatisierung intelligenten Verhaltens. Beispielsweise lernt ein intelligenter Algorithmus, zweckgerichtet auf neue Informationen zu reagieren. Ein intelligenter Algorithmus ist zum Beispiel ein künstliches neuronales Netzwerk, im Englischen als Artificial Neural Network bezeichnet. Artificial intelligence is a generic term for the automation of intelligent behavior. For example, an intelligent algorithm learns to react appropriately to new information. An intelligent algorithm is, for example, an artificial neural network, referred to as an artificial neural network.
Ein künstliches neuronales Netzwerk ist ein Algorithmus, der auf einer elektronischen Schaltung ausgeführt wird und am Vorbild des neuronalen Netzwerks des menschlichen Gehirns programmiert ist. Da Aufgrund der Tests vom Entwickler auch Entscheidungen getroffen werden, die den Algorithmus beeinflussen, wird am Ende der Trainingsphase ein weiterer Datensatz, der Testdatensatz, herangezogen für eine finale Bewertung.An artificial neural network is an algorithm that is executed on an electronic circuit and is modeled on the neural network of the human brain. As the developer also makes decisions based on the tests that influence the algorithm, at the end of the training phase another data set, the test data set, is used for a final evaluation.
Funktionseinheiten eines künstlichen neuronalen Netzwerks sind künstliche Neuronen. Ein Output eines Neurons ergibt sich im Allgemeinen als Wert einer Aktivierungsfunktion ausgewertet über eine mit Gewichtungsfaktoren gewichtete Summe der Inputs plus einen systematischen Fehler, dem sogenannten Bias. Ein künstliches neuronales Netzwerk mit mehreren Hidden Layers ist ein Deep Neural Network.Functional units of an artificial neural network are artificial neurons. An output of a neuron generally results as the value of an activation function evaluated via a sum of the inputs weighted with weighting factors plus a systematic error, the so-called bias. An artificial neural network with several hidden layers is a deep neural network.
Ein trainiertes künstliches neuronales Netzwerk zeichnet sich durch zweckgerichtetes Reagieren auf neue Informationen aus. Beispiele künstlicher neuronaler Netzwerke sind Perzeptrons, konvolutionale oder rekurrente neuronale Netzwerke.A trained artificial neural network is characterized by responding appropriately to new information. Examples of artificial neural networks are perceptrons, convolutional or recurrent neural networks.
Mit Gewichtungsfaktoren werden Verbindungen zwischen Neuronen bewertet. Vorwärtsspeisen, im Englischen als forward propagation bezeichnet, bedeutet, dass eine Information in die Eingangsschicht des künstlichen neuronalen Netzwerks eingespeist wird, die folgenden Schichten durchläuft und in der Ausgabeschicht ausgegeben wird. Rückwärtsspeisen, im Englischen als backward propagation bezeichnet, bedeutet, dass eine Information in die Ausgabeschicht eingegeben wird und in der Eingangsschicht ausgegeben wird. Durch sukzessives Rückwärtsspeisen des Fehlers aus der Ausgabeschicht in die jeweils vorherige Schicht bis hin zur Eingangsschicht werden die Fehler der jeweiligen Schichten erhalten. Die Fehler sind eine Funktion der Gewichtungsfaktoren. Durch Minimierung des Fehlers in der Trainingsphase werden damit die Gewichtungsfaktoren geändert. Dadurch wird bei erneutem Einspeisen Eingabe eine Annäherung an die gewünschte Ausgabe erreicht. Die Rückwärtsspeisung ist ausführlich in Michael A. Nielsen, Neural Networks and Deep Learning, Determination Press, 2015, beschrieben.Weighting factors are used to evaluate connections between neurons. Forward feeding means that information is fed into the input layer of the artificial neural network, goes through the following layers and is output in the output layer. Backward feeding, referred to as backward propagation, means that information is input into the output layer and output in the input layer. By successively feeding the error back from the output layer into the previous layer up to the input layer, the errors of the respective layers are obtained. The errors are a function of the weighting factors. By minimizing the error in the training phase, the weighting factors are changed. This means that when the input is fed in again, the desired output is approximated. Reverse feeding is described in detail in Michael A. Nielsen, Neural Networks and Deep Learning, Determination Press, 2015.
Mit dem Gegenstand der Erfindung sind Verkehrsgeräusche von entgegenkommendem Verkehr auf Bergstraßen klassifizierbar, noch bevor der entgegenkommende Verkehr für den Fahrer des Straßenfahrzeuges oder für Kamera-, Lidar- und/oder Radarsensoren von Fahrerassistenzsystemen sichtbar ist. Dies ist insbesondere dann von Vorteil, wenn aufgrund einer Kurven reichen Strecke, insbesondere einer Bergstraße zwischen Felsen, entgegenkommender Verkehr erst kurz vor dem Erscheinen sichtbar ist. Die Verkehrsgeräusche sind aber schon erfassbar, wenn sich der entgegenkommende Verkehr noch weit entfernt vor dem eigenen Straßenfahrzeug befindet, zum Beispiel verdeckt hinter einer Kurve.The subject of the invention classifies traffic noises from oncoming traffic on mountain roads even before oncoming traffic is visible to the driver of the road vehicle or to camera, lidar and / or radar sensors of driver assistance systems. This is particularly advantageous if oncoming traffic is only visible shortly before the appearance due to a route rich in curves, in particular a mountain road between rocks. The traffic noises can be detected, however, if the oncoming traffic is still far away in front of your own road vehicle, for example hidden behind a curve.
Mit dem Gegenstand der Erfindung sind die Verkehrsgeräusche des entgegenkommenden Verkehrs auch bei verschiedensten Witterungsbedingungen erfassbar und klassifizierbar.With the object of the invention, the traffic noises of oncoming traffic can be detected and classified even under the most varied weather conditions.
Der Gegenstand der Erfindung erhöht ferner die Fahrsicherheit und den Fahrkomfort, in dem der Fahrer des Straßenfahrzeuges vor dem entgegenkommenden Verkehr gewarnt wird, bevor der entgegenkommende Verkehr sichtbar ist. Da der Fahrer durch den Gegenstand der Erfindung rechtzeitig gewarnt wird, werden beispielsweise ein starkes Abbremsen und/oder abrupte Lenkeingriffe, die jeweils das Risiko für einen Unfall erhöhen, vermieden. Durch den Gegenstand der Erfindung wird erreicht, dass der Fahrer keine kritischen Fahrmanöver auszuführen hat, wenn er den entgegenkommenden Verkehr zu spät gesehen hat.The object of the invention further increases driving safety and driving comfort in that the driver of the road vehicle is warned of oncoming traffic before the oncoming traffic is visible. Since the driver is warned in good time by the subject matter of the invention, for example, severe braking and / or abrupt steering interventions, each of which increases the risk of an accident, are avoided. The object of the invention ensures that the driver does not have to perform critical driving maneuvers if he has seen the oncoming traffic too late.
Der erfindungsgemäße Datensatz besteht aus Aufnahmen von Verkehrsgeräuschen, die während einer Fahrt eines Straßenfahrzeuges auf Bergstraßen von jeweils entgegenkommenden Verkehr mit wenigstens einem an dem Straßenfahrzeug anordenbaren Mikrofon erfassbar sind und jeweils zugehörigen Soll-Kennzeichen des jeweils entgegenkommenden Verkehrs. Der Datensatz ist derart konzipiert, dass eine Auswerteeinrichtung eine jeweilige Aufnahme zusammen mit dem dazugehörigen Soll-Kennzeichen prozessieren kann, um ein künstliches neuronales Netzwerk zu trainieren, die Verkehrsgeräusche in Abhängigkeit der Soll-Kennzeichen zu klassifizieren. Der Datensatz zeichnet sich durch die jeweiligen Verkehrsgeräusche zu unterschiedlichen Bedingungen, beispielsweise zu unterschiedlichen Witterungen, aus in Kombination mit dem jeweiligen Soll-Kennzeichen. Dieser Datensatz ist vorteilhafterweise ausgeführt, um verschiedenen Architekturen von künstlichen neuronalen Netzwerken zum Zwecke des Trainings bereitgestellt zu werden.The data record according to the invention consists of recordings of traffic noises that can be detected by oncoming traffic with at least one microphone that can be arranged on the road vehicle while a road vehicle is traveling on mountain roads, and the associated target number of the oncoming traffic. The data record is designed in such a way that an evaluation device can process a respective recording together with the associated target identifier in order to train an artificial neural network to classify the traffic noise as a function of the target identifier. The data record is characterized by the respective traffic noise under different conditions, for example under different weather conditions, in combination with the respective target number plate. This data record is advantageously designed to be made available to different architectures of artificial neural networks for the purpose of training.
Das erfindungsgemäße Trainingsverfahren für ein künstliches neuronales Netzwerk zum Erfassen und Klassifizieren von Verkehrsgeräuschen umfasst die folgenden Verfahrensschritte:
- • Bereitstellen von während einer Fahrt mit einem Straßenfahrzeug aufgenommen Verkehrsgeräuschen, die während einer Fahrt des Straßenfahrzeuges auf einer Bergstraße von entgegenkommenden Verkehr mit wenigstens einem an dem Straßenfahrzeug anordenbaren Mikrofon erfassbar sind, als Ist-Trainingsdaten und jeweils zugehörige Soll-Kennzeichen dieses entgegenkommenden Verkehrs,
- • Vorwärtsspeisen des künstlichen neuronalen Netzwerks mit den Ist-Trainingsdaten,
- • Erhalten eines mit dem künstlichen neuronalen Netzwerk ermittelten Ist-Kennzeichens des jeweiligen entgegenkommenden Verkehrs,
- • Rückwärtsspeisen des künstlichen neuronalen Netzwerks mit der Abweichung zwischen dem ermitteltem Ist-Kennzeichen und zugehörigem Soll-Kennzeichen, und
- • Erhalten von Gewichtungsfaktoren für Verbindungen von Neuronen des künstlichen neuronalen Netzwerks in einer Rückwärtsspeisung zur Minimierung der Abweichung, um das Soll-Kennzeichen des entgegenkommenden Verkehrs zu lernen.
- Providing traffic noises recorded during a journey with a road vehicle, which can be detected by oncoming traffic with at least one microphone which can be arranged on the road vehicle while the road vehicle is traveling on a mountain road, as actual training data and respectively associated target identifiers of this oncoming traffic,
- Feeding the artificial neural network forward with the actual training data,
- Obtaining an actual identifier of the respective oncoming traffic determined with the artificial neural network,
- • Reverse feeding of the artificial neural network with the deviation between the determined actual indicator and the associated target indicator, and
- Obtaining weighting factors for connections of neurons of the artificial neural network in a reverse feed to minimize the deviation in order to learn the target indicator of the oncoming traffic.
Mit dem Trainingssystem und dem Trainingsverfahren wird damit ein Training für ein künstliches neuronales Netzwerk bereitgestellt, um zu lernen, Verkehrsgeräusche von entgegenkommenden Verkehr auf Bergstraßen zu erfassen und zu klassifizieren, bevor der entgegenkommende Verkehr ausgehend von dem Straßenfahrzeug mittels menschlichem Auge, Kamera, Radar, Lidar oder einem sonstigen bildgebenden Sensor sichtbar ist.The training system and the training method thus provide training for an artificial neural network in order to learn to record and classify traffic noises from oncoming traffic on mountain roads before the oncoming traffic starts from the road vehicle using the human eye, camera, radar, lidar or another imaging sensor is visible.
Vorteilhafterweise wird zur Durchführung des Trainingsverfahrens ein erfindungsgemäßes Trainingssystem verwendet.A training system according to the invention is advantageously used to carry out the training method.
Es liegt auch im Rahmen der Erfindung, dass das Trainingssystem und/oder das Trainingsverfahren in unterschiedlichen Höhenmetern und/oder Ländern und bei unterschiedlichen Wetterbedingungen eingesetzt bzw. durchgeführt werden. Damit lernt das künstliche neuronale Netzwerk Verkehrsgeräusche zu unterschiedlichen Bedingungen und kann dadurch spezifischer entgegenkommenden Verkehr auf Bergstraßen erfassen und klassifizieren.It is also within the scope of the invention that the training system and / or the training method are used or carried out at different altitudes and / or countries and in different weather conditions. The artificial neural network thus learns traffic noise under different conditions and can thus record and classify more specifically oncoming traffic on mountain roads.
Die erfindungsgemäße Auswerteeinrichtung für ein Straßenfahrzeug dient dem Erfassen und Klassifizieren von Verkehrsgeräuschen. Die Auswerteeinrichtung umfasst eine Eingangsschnittstelle, um die Verkehrsgeräusche entgegenkommenden Verkehrs auf einer Bergstraße zu erhalten. Die Eingangsschnittstelle ist insbesondere eine Schnittstelle zu einem automotive-geeigneten Mikrofon. Die Auswerteeinrichtung ist ausgeführt, ein trainiertes künstliches neuronales Netzwerk mit diesen Verkehrsgeräuschen vorwärts zu speisen. Das künstliche neuronale Netzwerk ist trainiert, anhand der Verkehrsgeräusche den entgegenkommenden Verkehr zu erfassen und zu klassifizieren. Ferner umfasst die Auswerteeinrichtung eine Ausgangsschnittstelle, um die Erfassung und Klassifizierung des entgegenkommenden Verkehrs bereitzustellen.The evaluation device according to the invention for a road vehicle is used to record and classify traffic noises. The evaluation device comprises an input interface in order to receive the traffic noise of oncoming traffic on a mountain road. The input interface is in particular an interface to a microphone suitable for automotive use. The evaluation device is designed to feed a trained artificial neural network with these traffic noises forward. The artificial neural network is trained to record and classify oncoming traffic based on traffic noise. Furthermore, the evaluation device comprises an output interface in order to provide the detection and classification of the oncoming traffic.
Eine Auswerteeinrichtung ist eine Vorrichtung, die eingehende Informationen verarbeitet und ein aus dieser Verarbeitung resultierendes Ergebnis ausgibt. Insbesondere ist eine elektronische Schaltung, wie zum Beispiel eine zentrale Prozessoreinheit oder ein Grafikprozessor, eine Auswerteinrichtung.An evaluation device is a device that processes incoming information and outputs a result resulting from this processing. In particular, an electronic circuit, such as a central processor unit or a graphics processor, is an evaluation device.
Die Ausgangsschnittstelle ist vorteilhafterweise eine Mensch-Maschinen-Benutzungsschnittstelle, im Englischen als Human Machine Interface, abgekürzt HMI, bezeichnet, die beispielsweise in ein Infotainment System des Straßenfahrzeuges integrierbar ist. Eine Mensch-Maschinen-Benutzungsschnittstelle ist die Stelle oder Handlung, mit der ein Mensch mit einer Maschine in Kontakt tritt, zum Beispiel ein Touchscreen.The output interface is advantageously a human-machine user interface, in English referred to as a human machine interface, abbreviated HMI, which can be integrated, for example, into an infotainment system of the road vehicle. A human-machine user interface is the place or action with which a human comes into contact with a machine, for example a touchscreen.
Die Ausgabe der Erfassung und Klassifizierung oder ein Hinweis auf den entgegenkommenden Verkehr erfolgt optisch, z.B. durch symbolhaftes Anzeigen des entgegenkommenden Verkehrs in einer Anzeige, haptisch, z.B. durch Vibration eines Lenkrades, akustisch, zum Beispiel durch einen Warnton, der vor einem hinter einer Kurve erscheinendem Fahrzeug warnt, oder allgemein elektronisch. Damit wird ein Fahrer auf entgegenkommenden Verkehr aufmerksam gemacht, noch bevor der entgegenkommende Verkehr sichtbar ist, basierend auf der Erfassung und Klassifizierung der Verkehrsgeräusche.The recording and classification or an indication of oncoming traffic is given optically, e.g. by symbolically displaying oncoming traffic in a display, haptically, e.g. by vibration of a steering wheel, acoustically, for example by a warning tone which warns of a vehicle appearing behind a curve, or generally electronically. This notifies a driver of oncoming traffic before the oncoming traffic is visible, based on the recording and classification of traffic noise.
Die Auswerteeinrichtung ist für nicht-automatisiert und automatisiert betreibbare Straßenfahrzeuge vorgesehen. Bei nicht-automatisiert betreibbaren Straßenfahrzeugen unterstützt die Auswerteeinrichtung den menschlichen Fahrer, entgegenkommenden Verkehr auf Bergstraßen wahrzunehmen, insbesondere die Wahrnehmung auf größere Distanzen. Besitzt auch der entgegenkommende Verkehr den erfindungsgemäßen Gegenstand, ist ein Hupen zum Zwecke des auf sich aufmerksam Machens bei Kurvenfahrten auf Bergstraßen nicht mehr zwingend erforderlich. Das Hupen dient aber weiterhin als zusätzliches Warnsignal, das von der Auswerteeinrichtung erkannt wird. Fahrer erhalten Hinweise auf den jeweils entgegenkommenden Verkehr über die Ausgangsschnittstelle der Auswerteeinrichtung. Bei automatisiert betreibbaren Straßenfahrzeugen unterstützt und verbessert die Auswerteeinrichtung das Gesamtsystem Straßenfahrzeug in der Erfassung entgegenkommenden Verkehrs. Bei eingeschränkter Erfassung des Umfelds durch Strahlensensoren wie Lidar, Radar und Kamera wird der entgegenkommende Verkehr vor dessen Sichtbarkeit mit dem Gegenstand der Erfindung erfasst.The evaluation device is intended for non-automated and automatically operated road vehicles. In the case of road vehicles which cannot be operated automatically, the evaluation device supports the human driver to perceive oncoming traffic on mountain roads, in particular perception over longer distances. If oncoming traffic also has the object according to the invention, honking is no longer absolutely necessary for the purpose of attracting attention when cornering on mountain roads. The horn continues to serve as an additional warning signal, which is recognized by the evaluation device. Drivers receive information about oncoming traffic via the output interface of the evaluation device. In the case of road vehicles which can be operated automatically, the evaluation device supports and improves the overall system of road vehicles in the detection of oncoming traffic. With limited detection of the environment by radiation sensors such as Lidar, radar and camera, the oncoming traffic is detected before its visibility with the object of the invention.
Vorzugsweise ist das künstliche neuronale Netzwerk gemäß dem erfindungsgemäßen Trainingsverfahren trainiert.The artificial neural network is preferably trained in accordance with the training method according to the invention.
Gemäß einer Weiterbildung der Erfindung ist das künstliche neuronale Netzwerk trainiert, anhand des klassifizierten entgegenkommenden Verkehrs Fahrzeugsteuerungsbefehl zu bestimmen, um einen drohenden Zusammenstoß des Straßenfahrzeuges mit dem entgegenkommenden Verkehr zu vermeiden. Die Ausgangsschnittstelle ausgeführt ist, diesen Fahrzeugsteuerungsbefehl an eine Fahrzeugregelungseinrichtung auszugeben.According to a development of the invention, the artificial neural network is trained to use the classified oncoming traffic to determine a vehicle control command in order to avoid an impending collision of the road vehicle with the oncoming traffic. The output interface is designed to issue this vehicle control command to a vehicle control device.
Nähert sich zum Beispiel ein entgegenkommendes Fahrzeug dem eigenen Straßenfahrzeug an einer engen Stelle einer Bergstraße, die nicht breit genug ist, dass beide Fahrzeuge aneinander vorbei passieren können, erfasst das künstliche neuronale Netzwerk das Verkehrsgeräusch dieses Fahrzeuges und klassifiziert dieses. Vorzugsweise ist die Auswerteeinrichtung ausgeführt, die Verkehrsgeräusche mit Daten von Umfelderfassungssensoren, die die Breite der Straße erfassen, zu fusionieren. Das künstliche neuronale Netzwerk bestimmt als Fahrzeugsteuerungsbefehl einen Bremsvorgang, damit das eigene Straßenfahrzeug zum Stehen kommt und das entgegenkommende Fahrzeug die enge Stelle passieren kann. Diesen Fahrzeugsteuerungsbefehl gibt die Ausgangsschnittstelle an Bremsaktuatoren des Straßenfahrzeuges aus. Als Ergebnis bremst das Straßenfahrzeug ab. Es kommt zu keinem Zusammenstoß mit dem entgegenkommenden Fahrzeug. Dies ist insbesondere dann von Vorteil, wenn sich das Straßenfahrzeug auf eine Kehrtwende zubewegt und das entgegenkommende Fahrzeug von einem für das Straßenfahrzeug nicht einsehbaren Bereich der Kehrtwende sich auf das Straßenfahrzeug zubewegt. Für bekannte Umfelderfassungssensoren von Fahrerassistenzsystemen, beispielsweise Radar, Lidar oder Kamera, ist dieses entgegenkommende Fahrzeug nicht erfassbar. Wenn aber das entgegenkommende Fahrzeug kurz vor der Kehrtwende einen Gang herunter schaltet oder abbremst, kann die Auswerteeinrichtung das Geräusch des Bremsens verarbeiten. Das künstliche neuronale Netzwerk bestimmt dann einen entsprechenden Fahrzeugsteuerungsbefehl, um einen Zusammenstoß zu vermeiden. Damit wird durch die Auswerteeinrichtung die Verkehrssicherheit auf Bergstraßen verbessert. Sind das entgegenkommende Fahrzeug und das eigene Straßenfahrzeug mit dem Gegenstand der Erfindung ausgestattet, hat das Fahrzeug, das bergauf fährt, Vorrang. Alternativ kann vorgesehen sein, dass das Straßenfahrzeug, das bergabwärts fährt, Vorrang hat.For example, if an oncoming vehicle approaches its own road vehicle in a narrow area of a mountain road that is not wide enough that both vehicles can pass each other, the artificial neural network detects the traffic noise of this vehicle and classifies it. The evaluation device is preferably designed to merge the traffic noises with data from environment detection sensors that detect the width of the road. The artificial neural network determines a braking operation as a vehicle control command so that the own road vehicle comes to a standstill and the oncoming vehicle can pass the narrow area. The output interface issues this vehicle control command to brake actuators of the road vehicle. As a result, the road vehicle brakes. There is no collision with the oncoming vehicle. This is particularly advantageous when the road vehicle is moving towards a U-turn and the oncoming vehicle is moving towards the road vehicle from an area of the U-turn that is not visible to the road vehicle. This oncoming vehicle cannot be detected for known environment detection sensors of driver assistance systems, for example radar, lidar or camera. However, if the oncoming vehicle shifts down or brakes a gear shortly before the U-turn, the evaluation device can process the noise of braking. The artificial neural network then determines an appropriate vehicle control command to avoid a collision. The evaluation device thus improves traffic safety on mountain roads. If the oncoming vehicle and your own road vehicle are equipped with the subject matter of the invention, the vehicle that drives uphill has priority. Alternatively, it can be provided that the road vehicle that drives downhill has priority.
Das erfindungsgemäße Einsatzsystem ist für ein Straßenfahrzeug konzipiert zum Erfassen und Klassifizieren von Verkehrsgeräuschen. Das Einsatzsystem umfasst wenigstens ein an dem Straßenfahrzeug anordenbares Mikrofon, um während einer Fahrt mit dem Straßenfahrzeug auf einer Bergstraße Verkehrsgeräusche von entgegenkommendem Verkehr zu erhalten. Ferner umfasst das Einsatzsystem eine in das Straßenfahrzeug integrierbare Auswerteeinrichtung. Die Auswerteeinrichtung ist ausgeführt, als Eingang die mit dem Mikrofon erhaltenen Verkehrsgeräusche zu erhalten. Außerdem ist die Auswerteeinrichtung ausgeführt, ein trainiertes künstliches neuronales Netzwerk mit diesen Verkehrsgeräuschen vorwärts zu speisen. Das künstliche neuronale Netzwerk ist trainiert, anhand der Verkehrsgeräusche den entgegenkommenden Verkehr zu klassifizieren. Außerdem ist die Auswerteeinrichtung ausgeführt, als Ausgang einen Hinweis auf den erfassten und klassifizierten entgegenkommenden Verkehr einer Mensch-Maschinen-Benutzungsschnittstelle bereitzustellen, um insbesondere einen menschlichen Fahrer auf den entgegenkommenden Verkehr hinzuweisen.The application system according to the invention is designed for a road vehicle for detecting and classifying traffic noises. The deployment system comprises at least one microphone that can be arranged on the road vehicle in order to receive traffic noise from oncoming traffic while driving the road vehicle on a mountain road. The application system also includes an evaluation device that can be integrated into the road vehicle. The evaluation device is designed to receive the traffic noise received with the microphone as an input. In addition, the evaluation device is designed to feed a trained artificial neural network forward with these traffic noises. The artificial neural network is trained to classify oncoming traffic based on the traffic noise. In addition, the evaluation device is designed to provide, as an output, an indication of the detected and classified oncoming traffic of a human-machine user interface, in particular to inform a human driver of the oncoming traffic.
Im Gegensatz zu dem erfindungsgemäßen Trainingssystem weist das erfindungsgemäße Einsatzsystem ein bereits trainiertes künstliches neuronales Netzwerk auf und stellt als Ausgang das wenigstens eine Kennzeichen bereit. Bei dem Einsatzsystem handelt es sich um ein System mit den Einzelbestandteilen Mikrofon und Auswerteeinrichtung, die durch eine zielgerichtete Verwendung in funktioneller Einheit stehen.In contrast to the training system according to the invention, the deployment system according to the invention has an already trained artificial neural network and provides the at least one identifier as an output. The application system is a system with the individual components of the microphone and evaluation device, which are in a functional unit due to the targeted use.
Vorzugsweise ist die Auswerteeinrichtung eine erfindungsgemäße Auswerteeinrichtung.The evaluation device is preferably an evaluation device according to the invention.
Gegenstand der Erfindung ist auch eine Verwendung des erfindungsgemäßen Einsatzsystems als ein Fahrerassistenzsystem. Das Fahrerassistenzsystem kein ein rein assistierendes oder ein vollautomatisierte Fahrerassistenzsystem sein. Das vollautomatisierte Fahrerassistenzsystem fusioniert Daten weiterer Umfelderfassungssensoren und ist ausgeführt, das Straßenfahrzeug autonom, das heißt ohne menschliche Eingriffe, zu steuern.The invention also relates to a use of the application system according to the invention as a driver assistance system. The driver assistance system cannot be a purely assistive or a fully automated driver assistance system. The fully automated driver assistance system merges data from other environment detection sensors and is designed to control the road vehicle autonomously, i.e. without human intervention.
Gegenstand der Erfindung ist auch eine Verwendung des erfindungsgemäßen Trainingssystems, Trainingsverfahrens, Auswerteeinrichtung und Einsatzsystems bei Fahrten auf Bergstraßen zum Erfassen und Klassifizieren von Verkehrsgeräuschen, die während der Fahrt auf der Bergstraße von entgegenkommenden Verkehr ausgehen.The invention also relates to the use of the training system, training method, evaluation device and application system when driving on mountain roads for detecting and classifying traffic noises that come from oncoming traffic while driving on the mountain road.
Im Rahmen der Erfindung liegt auch die Verwendung des erfindungsgemäßen Gegenstandes bei einem Fahrzeug, das auf einer Bergstraße bergabwärts fährt.The use of the object according to the invention is also within the scope of the invention in a vehicle which is traveling down a mountain road.
Die Erfindung wird in den nachfolgenden Figuren anhand von Ausführungsbeispielen ausführlich beschrieben. Es zeigen:
-
1 ein Ausführungsbeispiel einer erfindungsgemäßen Auswerteeinrichtung, integriert in ein Ausführungsbeispiel Straßenfahrzeug, -
2 ein Ausführungsbeispiel eines erfindungsgemäßen Trainingssystems, -
3 eine schematische beispielhafte Darstellung eines erfindungsgemäßen Trainingsverfahrens und -
4 ein Ausführungsbeispiel eines erfindungsgemäßen Einsatzsystems.
-
1 an embodiment of an evaluation device according to the invention, integrated in an embodiment of a road vehicle, -
2nd an embodiment of a training system according to the invention, -
3rd a schematic exemplary representation of a training method according to the invention and -
4th an embodiment of an application system according to the invention.
In den Figuren bezeichnen, sofern nicht anders angegeben, gleiche Bezugszeichen gleiche oder funktionsähnliche Bezugsteile. In den jeweiligen Figuren sind übersichtshalber die jeweils relevanten Bezugsteile beziffert.Unless otherwise stated, the same reference symbols in the figures denote the same or functionally similar reference parts. For the sake of clarity, the relevant reference parts are numbered in the respective figures.
In Bezug auf das Straßenfahrzeug
Ein derartiger Zusammenstoß wird mit einer erfindungsgemäßen Auswerteeinrichtung
Über eine Eingangsschnittstelle
Die Aktivität der Neuronen wird über Gewichtungsfaktoren
Während einer Trainingsphase hat das künstliche neuronale Netzwerk
Das künstliche neuronale Netzwerk
Das Trainingsverfahren ist in
BezugszeichenlisteReference symbol list
- 11
- StraßenfahrzeugRoad vehicle
- 22nd
- entgegenkommender Verkehroncoming traffic
- 3a3a
- Mikrofonmicrophone
- 3b3b
- Mikrofonmicrophone
- 3c3c
- Mikrofonmicrophone
- 3d3d
- Mikrofonmicrophone
- 44th
- FahrzeugsteuerungsbefehlVehicle control command
- 55
- FahrzeugregelungseinrichtungVehicle control device
- 77
- KehrtwendeU-turn
- 88th
- FahrzeugreifenVehicle tires
- 1010th
- TrainingssystemTraining system
- 1111
- EingangsschnittstelleInput interface
- 1212
- Ist-TrainingsdatenActual training data
- 1313
- künstliches neuronales Netzwerkartificial neural network
- 1414
- GewichtungsfaktorWeighting factor
- 1515
- Verbindungconnection
- 1616
- NeuronNeuron
- 1717th
- VerkehrsgeräuschTraffic noise
- 18a18a
- Soll-KennzeichenDebit indicator
- 18b18b
- Ist-KennzeichenActual indicator
- 18c18c
- KennzeichenMark
- 1919th
- Abweichungdeviation
- 2020th
- AuswerteeinrichtungEvaluation device
- 2121
- EingangsschnittstelleInput interface
- 2222
- AusgangsschnittstelleOutput interface
- 3030th
- EinsatzsystemOperational system
- T1-T5T1-T5
- VerfahrensschritteProcedural steps
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant has been generated automatically and is only included for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
- DE 102012218482 A1 [0004]DE 102012218482 A1 [0004]
Claims (7)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018219255.3A DE102018219255A1 (en) | 2018-11-12 | 2018-11-12 | Training system, data set, training method, evaluation device and deployment system for a road vehicle for recording and classifying traffic noise |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018219255.3A DE102018219255A1 (en) | 2018-11-12 | 2018-11-12 | Training system, data set, training method, evaluation device and deployment system for a road vehicle for recording and classifying traffic noise |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018219255A1 true DE102018219255A1 (en) | 2020-05-14 |
Family
ID=70469036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018219255.3A Withdrawn DE102018219255A1 (en) | 2018-11-12 | 2018-11-12 | Training system, data set, training method, evaluation device and deployment system for a road vehicle for recording and classifying traffic noise |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102018219255A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053561A (en) * | 2020-09-11 | 2020-12-08 | 深兰人工智能芯片研究院(江苏)有限公司 | Method, system and device for judging and positioning traffic accident on non-monitored road section |
CN112099014A (en) * | 2020-08-24 | 2020-12-18 | 广东工业大学 | Road millimeter wave noise model detection and estimation method based on deep learning |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004045690A1 (en) * | 2003-10-29 | 2005-06-02 | Volkswagen Ag | Sound source detection device, especially for use in a motor vehicle driver assistance system, detects phase displacements or signal time of flight differences from sound sources that are detected using multiple microphones |
DE102008062735A1 (en) * | 2008-12-17 | 2010-06-24 | GM Global Technology Operations, Inc., Detroit | Motor vehicle safety unit has state detection unit, where evaluation unit is provided for detecting hazardous situations by noise recorded by acoustic sensors |
WO2012097150A1 (en) * | 2011-01-12 | 2012-07-19 | Personics Holdings, Inc. | Automotive sound recognition system for enhanced situation awareness |
DE102012218482A1 (en) | 2012-10-10 | 2014-06-12 | Continental Automotive Gmbh | Method for operating driver assistance system of vehicle, has microphones that are adapted to detect ambient noise, and vehicle is provided with several speakers which are arranged in vehicle |
DE102015221361A1 (en) * | 2015-10-30 | 2017-05-04 | Continental Automotive Gmbh | Method and device for driver assistance |
-
2018
- 2018-11-12 DE DE102018219255.3A patent/DE102018219255A1/en not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004045690A1 (en) * | 2003-10-29 | 2005-06-02 | Volkswagen Ag | Sound source detection device, especially for use in a motor vehicle driver assistance system, detects phase displacements or signal time of flight differences from sound sources that are detected using multiple microphones |
DE102008062735A1 (en) * | 2008-12-17 | 2010-06-24 | GM Global Technology Operations, Inc., Detroit | Motor vehicle safety unit has state detection unit, where evaluation unit is provided for detecting hazardous situations by noise recorded by acoustic sensors |
WO2012097150A1 (en) * | 2011-01-12 | 2012-07-19 | Personics Holdings, Inc. | Automotive sound recognition system for enhanced situation awareness |
DE102012218482A1 (en) | 2012-10-10 | 2014-06-12 | Continental Automotive Gmbh | Method for operating driver assistance system of vehicle, has microphones that are adapted to detect ambient noise, and vehicle is provided with several speakers which are arranged in vehicle |
DE102015221361A1 (en) * | 2015-10-30 | 2017-05-04 | Continental Automotive Gmbh | Method and device for driver assistance |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099014A (en) * | 2020-08-24 | 2020-12-18 | 广东工业大学 | Road millimeter wave noise model detection and estimation method based on deep learning |
CN112099014B (en) * | 2020-08-24 | 2023-08-22 | 广东工业大学 | Road millimeter wave noise model detection estimation method based on deep learning |
CN112053561A (en) * | 2020-09-11 | 2020-12-08 | 深兰人工智能芯片研究院(江苏)有限公司 | Method, system and device for judging and positioning traffic accident on non-monitored road section |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102010038097A1 (en) | Vehicle driving support control device | |
DE102013210941A1 (en) | Method and device for operating a vehicle | |
DE102019107487A1 (en) | METHOD FOR CONTROLLING A VEHICLE | |
EP3530537B1 (en) | Motor vehicle control device and method for operating the control device for autonomous driving of a motor vehicle | |
DE102013000131A1 (en) | Feedback system for driver of motor vehicle, has multiple scenario sensors, where feedback is provided to driver of motor vehicle depending on one or more scenario evaluation results via output unit | |
DE102018200876A1 (en) | Vehicle system for identifying and locating non-automotive road users by means of noise | |
DE102012214829A1 (en) | Method for displaying evasion trajectory for collision avoidance for vehicle, involves determining evasion trajectory suitable for bypassing obstacle for vehicle when bypassing of obstacle is required | |
DE102013212360A1 (en) | Prediction of the future travel path of a vehicle | |
DE102012024613A1 (en) | Method for operating e.g. car, involves determining recorded signs having specific traffic rule for vehicle combinations with trailer based on obtained data, if connection between vehicle and trailer is made through coupling device | |
DE102011086858A1 (en) | Method for operating driving assistance system in motor car, involves performing deceleration process of motor car corresponding to the distance and/or differential speed of following vehicle | |
DE102018219255A1 (en) | Training system, data set, training method, evaluation device and deployment system for a road vehicle for recording and classifying traffic noise | |
DE102021004191A1 (en) | Method for recognizing an intention to overtake and / or predicting vehicle maneuvers in front of an ego vehicle | |
DE102019100318A1 (en) | Device and method for improving assistance systems for lateral vehicle movements | |
DE102006058304A1 (en) | Position-based processing of data for vehicle approaching position comprises simultaneous processing of data associated with position and event occurring at it | |
DE102018213378B4 (en) | Driver assistance system for a vehicle, vehicle with the same and driver assistance method for a vehicle | |
AT524418B1 (en) | Method for carrying out a test drive with at least one test vehicle | |
DE102018200381A1 (en) | Method for situation-dependent adaptation of a motor vehicle and motor vehicle | |
DE102020109623A1 (en) | Means of locomotion, device and method for outputting a warning to a driver of a means of locomotion before the intervention of a vehicle dynamics control system | |
DE102014211888A1 (en) | Method and device for determining a possibility of changing a lane for a vehicle | |
WO2020043575A1 (en) | Turn assistant in a vehicle | |
DE102021004068A1 (en) | Method for operating an assistance system for speed-dependent distance control of a vehicle | |
DE112018007086T5 (en) | CONTROL PROCESS FOR A VEHICLE, COMPUTER PROGRAM, NON-TRANSITORY COMPUTER-READABLE MEDIUM AND AUTOMATED DRIVING SYSTEM | |
DE102019215442B4 (en) | Method for detecting faulty couplings, driver assistance system, training system and method for training an artificial neural network for such a driver assistance system and computer program product | |
DE102017110461A1 (en) | Driving assistance device and motor vehicle with the driving assistance device | |
DE102022201699A1 (en) | Computer-implemented method and device for increasing the security of a first means of transportation in relation to at least one second means of transportation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |