DE102019111368A1

DE102019111368A1 - Bestimmen des fahrzeugfahrverhaltens

Info

Publication number: DE102019111368A1
Application number: DE102019111368.7A
Authority: DE
Inventors: Sanghyun Hong; Jianbo Lu; Dimitar Petrov Filev
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2018-05-04
Filing date: 2019-05-02
Publication date: 2019-11-07
Also published as: CN110435564A; US20190337522A1; US10513270B2

Abstract

Diese Offenbarung stellt ein System zum Bestimmen des Fahrzeugfahrverhaltens bereit. Ein System kann eine Vielzahl von Fahrzeugsensoren und einen Computer umfassen, der einen Prozessor und einen Speicher, der durch den Prozessor ausführbare Anweisungen speichert, umfasst. Eine der Anweisungen kann umfassen, einen Wert für das Fahransprechverhalten (DR) anhand einer gewichteten Summe, die Indizes einer Übergangswahrscheinlichkeitsmatrix (Q) umfasst, zu bestimmen, wobei Q von Daten einer Übergangswahrscheinlichkeit (A) zwischen einer Vielzahl von Fahrmodi aus einem Satz von Anweisungen nach dem Interacting Multiple Model (IMM) abgeleitet ist.

Description

GEBIET DER TECHNIK
Die Erfindung betrifft das Gebiet der Fahrzeugsensoren und insbesondere den Einsatz von Fahrzeugsensoren zur Bestimmung des Fahrzeugansprechverhaltens.
ALLGEMEINER STAND DER TECHNIK
Es kann schwierig sein, einen Wartungsbedarf bei Fahrzeugen zu bestimmen, die in einem autonomen Fahrmodus betrieben werden. Reifenverschleiß, Reifenlecks, Fehlausrichtung der Räder usw. können das Ansprechen des Fahrzeugs, das in einem autonomen Modus fährt, beeinflussen, aber auch für einen Computer für autonomes Fahren schwer zu erkennen sein.
KURZDARSTELLUNG
Beschrieben wird ein System für vorausschauendes Fahrverhalten (predictive driving behavior - PDB), das eine Vielzahl von Fahrzeugsensoren und einen Computer beinhalten kann. Nach einem veranschaulichenden Beispiel umfasst ein Verfahren, das System einzusetzen, Folgendes: Bestimmen eines Wertes für das Fahransprechverhalten (DR) anhand einer gewichteten Summe, die Indizes einer Übergangswahrscheinlichkeitsmatrix (Q) umfasst, wobei Q von Daten einer Übergangswahrscheinlichkeit (A) zwischen einer Vielzahl von Fahrmodi aus einem Satz von Anweisungen nach dem Interacting Multiple Model (IMM) abgeleitet ist.
Gemäß dem mindestens einen oben dargelegten Beispiel basiert Q auf einem Satz von Anweisungen zur Übergangswahrscheinlichkeitsschätzung, die einen Algorithmus nach dem verborgenen Markowmodell beinhalten.
Gemäß dem mindestens einen oben dargelegten Beispiel umfasst die Vielzahl von Fahrmodi einen Modus niedriger Aggressivität, einen Modus mittlerer Aggressivität und einen Modus hoher Aggressivität.
Gemäß dem mindestens einen oben dargelegten Beispiel stellt der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus höherer Aggressitivät in einen Modus niedrigerer Aggressivität dar.
Gemäß dem mindestens einen oben dargelegten Beispiel ist der DR-Wert gleich w₂₁q₂₁ + w₃₁q₃₁ + w₃₂q₃₂, wobei w₂₁, w₃₁ und w₃₂ vorgegebene Wichtungswerte sind, wobei q_21, q₃₁ und q₃₂ Indexwerte von Q (gemäß q_ij) für Indizes sind, die i > j erfüllen.
Gemäß dem mindestens einen oben dargelegten Beispiel ist der DR-Wert gleich w₃₁q₃₁ + w₃₂q₃₂ + w₃₃q₃₃, wobei w₃₁, w₃₂ und w₃₃ vorgegebene Wichtungswerte sind, wobei q₃₁, q₃₂ und q₃₃ Indexwerte von Q sind.
Gemäß dem mindestens einen oben dargelegten Beispiel stellt der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus niedrigerer Aggressivität in einen Modus höherer Aggressivität dar.
Gemäß dem mindestens einen oben dargelegten Beispiel ist der DR-Wert gleich w₁₁q₁₁ + w₁₂q₁₂ + w₁₃q₁₃, wobei w₁₁, w₁₂ und w₁₃ vorgegebene Wichtungswerte sind, wobei q₁₁, q₁₂ und q₁₃ Indexwerte von Q sind.
Gemäß dem mindestens einen oben dargelegten Beispiel stellt der DR-Wert eine Wahrscheinlichkeit der Beibehaltung eines Modus mittlerer Aggressivität dar.
Gemäß dem mindestens einen oben dargelegten Beispiel ist der DR-Wert gleich w₂₁q₂₁ + w₂₂q₂₂ + w₂₃q₂₃, wobei w₂₁, w₂₂ und w₂₃ vorgegebene Wichtungswerte sind, wobei q_21, q₂₂ und q₂₃ Indexwerte von Q sind.
Gemäß dem mindestens einen oben dargelegten Beispiel umfasst dieses ferner Folgendes: Bestimmen einer entsprechenden Fahrpunktzahl (DS) anhand von Q.
Gemäß dem mindestens einen oben dargelegten Beispiel umfasst dieses ferner Folgendes: Bestimmen eines Eigenvektors (p*) von Q mit einem Eigenwert von 1.
Gemäß dem mindestens einen oben dargelegten Beispiel gilt $D S = v_{1} p_{1}^{*} + v_{2} p_{2}^{*} + v_{3} p_{3}^{*},$
wobei v₁, v₂ und v₃ vorgegebene Wichtungswerte sind, die mit einem Modus niedrigere Aggressivität, einem Modus mittlerer Aggressivität bzw. einen Modus hoher Aggressivität verknüpft sind.
Nach einem weiteren veranschaulichenden Beispiel wird ein System beschrieben. Das System kann eine Vielzahl von Sensoren und einen Computer umfassen, der einen Prozessor und einen Speicher, der durch den Prozessor ausführbare Anweisungen speichert, umfasst. Die Anweisungen können umfassen, Folgendes zu tun: Ableiten von Daten einer Übergangswahrscheinlichkeit (A) zwischen einer Vielzahl von Fahrmodi aus Sensordaten von der Vielzahl von Sensoren; und Verwenden der Daten einer Übergangswahrscheinlichkeit (A), Bestimmen eines Wertes für das Fahransprechverhalten (DR) anhand einer gewichteten Summe, die Indizes einer Übergangswahrscheinlichkeitsmatrix (Q) umfasst.
Gemäß dem mindestens einen oben dargelegten Beispiel umfassen die Anweisungen ferner, Folgendes zu tun: Ausführen eines Satzes von Anweisungen zur Fahrerbewertung, eines Satzes von IMM-Anweisungen und eines Satzes von Anweisungen zur Übergangswahrscheinlichkeitsschätzung (transition probability estimation - TPE).
Gemäß dem mindestens einen oben dargelegten Beispiel stellt der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus höherer Aggressitivät in einen Fahrmodus niedrigerer Aggressivität dar.
Gemäß dem mindestens einen oben dargelegten Beispiel ist der DR-Wert gleich einem des Folgenden: w₂₁q₂₁ + w₃₁q₃₁ + w₃₂q₃₂, wobei w₂₁, w₃₁ und w₃₂ vorgegebene Wichtungswerte sind, wobei q_21, q₃₁ und q₃₂ Indexwerte von Q (gemäß q_ij) für Indizes sind, die i > j erfüllen; oder w₃₁q₃₁ + w₃₂q₃₂ + w₃₃q₃₃, wobei w₃₁, w₃₂ und w₃₃ vorgegebene Wichtungswerte sind, wobei q₃₁, q₃₂ und q₃₃ Indexwerte von Q sind.
Gemäß dem mindestens einen oben dargelegten Beispiel stellt der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus niedrigerer Aggressivität in einen Fahrmodus höherer Aggressivität dar, wobei der DR-Wert gleich w₁₁q₁₁ + w₁₂q₁₂ + w₁₃q₁₃ ist, wobei w₁₁, w₁₂ und w₁₃ vorgegebene Wichtungswerte sind, wobei q₁₁, q₁₂ und q₁₃ Indexwerte von Q sind.
Gemäß dem mindestens einen oben dargelegten Beispiel stellt der DR-Wert eine Wahrscheinlichkeit der Beibehaltung eines Modus mittlerer Aggressivität dar, wobei der DR-Wert gleich w₂₁q₂₁ + w₂₂q₂₂ + w₂₃q₂₃ ist, wobei w₂₁, w₂₂ und w₂₃ vorgegebene Wichtungswerte sind, wobei q_21, q₂₂ und q₂₃ Indexwerte von Q sind.
Gemäß dem mindestens einen oben dargelegten Beispiel umfassen die Anweisungen ferner, Folgendes zu tun: Bestimmen einer entsprechenden Fahrpunktzahl (DS) anhand von Q; und Bestimmen eines Eigenvektors (p*) von Q mit einem Eigenwert von 1, wobei $D S = v_{1} p_{1}^{*} + v_{2} p_{2}^{*} + v_{3} p_{3}^{*},$
wobei v₁, v₂ und v₃ vorgegebene Wichtungswerte sind, die mit einem Modus niedriger Aggressivität, einem Modus mittlerer Aggressivität bzw. einem Modus hoher Aggressivität verknüpft sind.
Gemäß dem mindestens einen Beispiel wird ein Computer offenbart, der dazu programmiert ist, eine beliebige Kombination der Beispiele des/der oben dargelegten Verfahren(s) auszuführen.
Gemäß dem mindestens einen Beispiel wird ein Computerprogrammprodukt offenbart, das ein computerlesbares Medium beinhaltet, das durch einen Computer ausführbare Anweisungen speichert, wobei die Anweisungen eine beliebige Kombination der Beispiele des/der oben dargelegten Verfahren(s) beinhalten.
Figurenliste

1 ist eine Prinzipdarstellung, die ein Fahrzeug veranschaulicht, das ein System für vorausschauendes Fahrverhalten (PDB) umfasst.
2 ist ein Flussdiagramm, das Anweisungen eines Modells multipler Wechselwirkungen (IMM) veranschaulicht.
3-4 sind Flussdiagramme, die die Verwendung von Daten einer Übergangswahrscheinlichkeit (A) (z. B. Wahrscheinlichkeit von Wechseln zwischen einer Vielzahl aggressiver Fahrmodi), einer aktualisierten Übergangswahrscheinlichkeitsmatrix (Q) und einer zuvor aktualisierten Übergangswahrscheinlichkeitsmatrix (Q⁰ ) zwischen einem Satz von Anweisungen zur Fahrerbewertung, einem Satz von IMM-Anweisungen und einem Satz von Anweisungen zur Übergangswahrscheinlichkeitsschätzung (TPE) veranschaulichen.
5 veranschaulicht ein Beispiel für eine Übergangswahrscheinlichkeitsmatrix (Q), die anhand der TPE-Anweisungen bestimmt wird.
6 ist ein Flussdiagramm, das einen Prozess zur Bestimmung einer Fahrpunktzahl (DS) und/oder eines Wertes für das Fahransprechverhalten (DR) basierend auf der Übergangswahrscheinlichkeitsmatrix (Q) veranschaulicht.
7-12 sind experimentelle Daten, die eine Beziehung zwischen der Fahraggressivität und der Fahrpunktzahl (DS) und einem Wert für das Fahransprechverhalten (DR) veranschaulichen.

DETAILLIERTE BESCHREIBUNG
Beschrieben wird ein System für vorausschauendes Fahrverhalten 10 für ein Fahrzeug 12. Das System 10 kann Fahrzeugsensordaten als Eingang empfangen und einen Wert für das Fahransprechverhalten (DR) und/oder eine Fahrpunktzahl (DS) als Ausgang bereitstellen. Wie hierin verwendet, klassifiziert eine Fahrpunktzahl (DS) das Fahrverhalten als einen von einer Vielzahl von Fahrmodi. Und ein Wert für das Fahransprechverhalten (DR) ist, wie hierin verwendet, eine Wahrscheinlichkeit, dass ein Fahrer des Fahrzeugs 12 von einem Fahrmodus in einen anderen wechselt; das Fahransprechverhalten beinhaltet eine Größe und eine Richtung (z. B. aggressiver oder weniger aggressiv). Wie hierin verwendet, ist ein Fahrmodus eine Klassifizierung der Fahraggressivität. Und wie hierin verwendet, umfasst ein Fahrer einen menschlichen Fahrer oder einen Computer, der dazu programmiert ist, das Fahrzeug 12 ohne menschlichen Eingriff autonom zu navigieren. Beispielsweise veranschaulicht die folgende Beschreibung ein Beispiel mit drei Fahrmodi: einen Modus niedriger Aggressivität (LOW-AGG), einen Modus mittlerer Aggressivität (MED-AGG) und einen Modus hoher Aggressivität (HIGH AGG). Diese Modi LOW-AGG, MED-AGG und HIGH_AGG sind ein Beispiel für relative Fahraggressivität (nachstehend näher beschrieben) und in anderen Beispielen können mehr oder weniger derartige Fahrmodi verwendet werden. Somit kann, wie nachstehend näher erläutert, das System 10 Sensordaten als Eingang empfangen (z. B. als Hinweis auf Raddrehzahlen, Beschleunigungen und Verlangsamungen, Wenderadien und - geschwindigkeiten und dergleichen), eine Übergangswahrscheinlichkeitsmatrix (Q) basierend auf dem Eingang aktualisieren und dann anhand von Q die Fahrpunktzahl (DS) und/oder einen oder mehrere Werte für das Fahransprechverhalten (DR) bestimmen.
Das Feststellen einer Fahrpunktzahl (DS) kann ein besseres Fahrverhalten fördern - z. B. einen derzeitigen Fahrer des Fahrzeugs auf seine weniger günstigen Fahrgewohnheiten oder - techniken aufmerksam machen. In manchen Beispielen können die Informationen der Fahrpunktzahl (DS) von Versicherungsgesellschaften genutzt werden, um die Versicherungsprämien für einen einzelnen Fahrer anzupassen. In mindestens manchen Beispielen kann eine Fahrpunktzahl (DS) eines weniger erfahrenen Fahrers an ein Elternteil oder einen Sorgeberechtigten berichtet werden (z. B. indem ein Fahrbericht an eine befugte Person gegeben wird). Andere Verwendungen gibt es ebenfalls.
Werte für das Fahransprechverhalten (DR) können genauso auch von einem menschlichen Fahrer verwendet werden - z. B. als Indikator für das gesamte Fahrmuster und -verhalten. In mindestens einem Beispiel wird das Fahrzeug 12 in einem autonomen Modus betrieben und die Werte für das Fahransprechverhalten (DR) können ein Hinweis auf einen Fahrzeugwartungsbedarf sein. Nichteinschränkende Beispiele für eine benötigte Fahrzeugwartung, die durch einen Wert für das Fahransprechverhalten (DR) ausgelöst werden kann, sind unter anderem: übermäßiger Reifenverschleiß, Luftdruckmangel eines Fahrzeugreifens, Fehlausrichtung der Räder und dergleichen. Es sollte ersichtlich sein, dass ein erfahrener menschlicher Fahrer einen Wartungsbedarf durch Gefühl (z. B. verringerte Anhaltfähigkeit oder Schleudern beim Wenden (z. B. aufgrund von Reifenverschleiß), schlechtere Kraftstoffverbrauchswerte und/oder verringerte Fahrzeuglenkkontrolle (z. B. aufgrund von Reifen, die unterhalb des empfohlenen Reifendrucks betrieben werden), so genanntes Ziehen nach links oder Ziehen nach rechts in der Fahrzeuglenkung (z. B. aufgrund einer Fehlausrichtung der Räder) usw. erkennen dürfte. Jedoch kann beispielsweise bei Fahrzeugen, die - zumindest zeitweilig - in einem vollautonomen Modus betrieben werden (d. h. ohne menschlichen Fahrer), das Fahrzeug 12 selbst einen Bedarf für eine Fahrzeugwartung basierend auf den Werten für das Fahransprechverhalten (DR) erkennen - z. B. eine Zunahme oder Abnahme der Fahraggressivität durch einen Bordcomputer (z. B. einen so genannten virtuellen Fahrer), wobei der Bordcomputer versucht, den übermäßigen Reifenverschleiß, den Luftdruckmangel eines Fahrzeugreifens, eine Radfehlausrichtung oder dergleichen durch einen Wechsel der Fahraggressivität zu kompensieren. Entsprechend können die Werte des Fahransprechverhaltens (DR), obwohl sie nicht auf Umsetzungen im autonomen Fahrzeug beschränkt sind, eine rechtzeitige Fahrzeugwartung und/oder eine Gleichmäßigkeit beim autonomen Fahren des Fahrzeugs fördern.
Eine Beschreibung einer beispielhaften Fahrzeugumgebung folgt. Danach werden Beispiele für Verfahren zur Nutzung des Systems 10 beschrieben.
1 veranschaulicht ein Fahrzeug 12, das das System für vorausschauendes Fahrverhalten 10 umfasst. Das Fahrzeug 12 ist als Personenkraftwagen dargestellt; jedoch könnte das Fahrzeug 12 auch ein Lastkraftwagen, eine Geländelimousine (SUV), ein Freizeitfahrzeug, ein Bus, ein Eisenbahnwagen, ein Luftfahrzeug oder dergleichen sein, das/die das System 10 beinhaltet. Gemäß einem nichteinschränkenden Beispiel ist das Fahrzeug 12 ein autonomes Fahrzeug - d. h. es arbeitet in einem vollautonomen Modus (z. B. Stufe 5), wie von der Society of Automotive Engineers (SAE) (die den Betrieb der Stufen 0-5 definiert hat) definiert. Auf den Stufen 0-2 beispielsweise überwacht oder steuert ein menschlicher Fahrer die Mehrheit der Fahraufgaben, oft ohne Hilfe vom Fahrzeug 12. Auf Stufe 0 („keine Automatisierung“) ist beispielweise ein menschlicher Fahrer für alle Fahrzeugbetriebsvorgänge verantwortlich. Auf Stufe 1 („Fahrerassistenz“) unterstützt das Fahrzeug 12 manchmal bei der Lenkung, Beschleunigung oder Bremsung, aber der Fahrer ist immer noch für den Großteil der Fahrzeugsteuerung verantwortlich. Auf Stufe 2 („Teilautomatisierung“) kann das Fahrzeug 12 die Lenkung, Beschleunigung und Bremsung unter bestimmten Umständen ohne menschliche Interaktion steuern. Auf den Stufen 3-5 übernimmt das Fahrzeug 12 mehr fahrbezogene Aufgaben. Auf Stufe 3 („bedingte Automatisierung“) kann das Fahrzeug 12 unter bestimmten Umständen die Lenkung, Beschleunigung und Bremsung bewerkstelligen sowie die Fahrumgebung überwachen. Stufe 3 kann jedoch erfordern, dass der Fahrer gelegentlich eingreift. Auf Stufe 4 („hohe Automatisierung“) kann das Fahrzeug 12 dieselben Aufgaben wie auf Stufe 3 bewerkstelligen, in bestimmten Fahrmodi aber ohne darauf angewiesen zu sein, dass der Fahrer eingreift. Auf Stufe 5 („Vollautomatisierung“) kann das Fahrzeug 12 alle Aufgaben ohne jeglichen Eingriff des Fahrers bewerkstelligen. Obwohl nicht erforderlich, beinhaltet das Fahrzeug 12 einen oder mehrere Bordcomputer 14, die den autonomen Fahrbetrieb der Stufe 5 erleichtern. Somit kann der eine oder die mehreren Bordcomputer 14 ein Fahrer sein, wie hierin verwendet.
1 veranschaulicht ein nichteinschränkendes Beispiel eines kartesischen Koordinatensystems, das bezüglich des Fahrzeugs 12 gezeigt wird. In diesem Beispiel erstreckt sich eine X-Achse durch eine in Längsrichtung verlaufende Länge des Fahrzeugs 12, eine Y-Achse quer durch das Fahrzeug 12 und eine Z-Achse vertikal durch das Fahrzeug 12; in mindestens einem Beispiel kann sich ein Nullpunkt (nicht dargestellt) an einem Schwerpunkt (SP) des Fahrzeugs 12 befinden; jedoch ist diese Stelle nicht erforderlich. Wie nachstehend erläutert wird, können Sensoren des Fahrzeugs 12 Translationen und/oder Rotationen bezüglich einer oder mehrerer der Achsen erkennen.
Gemäß mindestens einem Beispiel umfasst das System 10 Fahrzeugsensoren 16 (darunter z. B. ein oder mehrere Beschleunigungsmesser 18, ein oder mehrere Gyroskope 20, ein oder mehrere Raddrehzahlsensoren 22 und/oder ein Lenkwinkelsensor 24) und einen Computer 30. Die Sensoren 16 (z. B. einzeln oder gemeinsam), der/die Computer 14 und der Computer 30 können miteinander über eine beliebige geeignete drahtgebundene oder drahtlose Netzwerkverbindung 32 verbunden sein, die die Kommunikation zwischen den elektronischen Vorrichtungen 14, 18, 20, 22, 24, 30 und beliebigen anderen elektronischen Vorrichtungen (nicht dargestellt) an Bord des Fahrzeugs 12 ermöglichen. In mindestens einem Beispiel beinhaltet die Verbindung 32 eine oder mehrere von einer Controller Area Network (CAN)-Bus-, Ethernet-, Local Interconnect Network (LIN)-, einer Lichtleiterverbindung oder dergleichen. Es gibt auch andere Beispiele. Beispielsweise könnte die Verbindung 32 alternativ oder in Kombination z. B. mit einem CAN-Bus eine oder mehrere diskrete drahtgebundene oder drahtlose Verbindungen umfassen.
Der eine oder die mehreren Beschleunigungsmesser 18 können beliebige elektromechanische Vorrichtungen sein, die eine Beschleunigung in mindestens einer Achse erkennen, und es kann wünschenswert sein, die Beschleunigung in der X-, Y- und Z-Fahrzeugachse zu erkennen. Somit können drei Beschleunigungssensoren 18 verwendet werden; oder ein einziger dreiachsiger Beschleunigungsmesser 18 kann verwendet werden. In mindestens einem Beispiel sind die Achsen des dreiachsigen Beschleunigungsmessers parallel zu den in 1 dargestellten Fahrzeugachsen ausgerichtet. Beschleunigungsmesser und Techniken, diese zum Empfang von Sensordaten (z. B. am Computer 30) zu verwenden, werden nicht detailliert erörtert, da diese Vorrichtungen und Techniken in der Technik allgemein bekannt sind.
Das eine oder die mehreren Gyroskope 20 können beliebige elektromechanische Vorrichtungen sein, die eine Rotation in mindestens einer Achse erkennen, und es kann wünschenswert sein, eine Rotation um eine beliebige der X-, Y- und Z-Fahrzeugachse zu erkennen. Somit können drei Gyroskope 20 verwendet werden; oder ein einziges dreiachsiges Gyroskop 20 kann verwendet werden. In mindestens einem Beispiel sind die Achsen des Gyroskops 20 parallel zu den in 1 dargestellten Fahrzeugachsen ausgerichtet. Gyroskope und Techniken, diese zum Empfang von Sensordaten (z. B. am Computer 30) zu verwenden, werden nicht detailliert erörtert, da diese Vorrichtungen und Techniken in der Technik allgemein bekannt sind.
Der eine oder die mehreren Raddrehzahlsensoren 22 können eine beliebige elektromechanische (darunter z. B. elektrooptische) oder elektrische Vorrichtung zur Erkennung der Drehgeschwindigkeit eines oder mehrerer der Räder (nicht dargestellt) des Fahrzeugs 12 sein. Nichteinschränkende Beispiele für Raddrehzahlsensoren sind unter anderem: Drehgeschwindigkeitssensoren, Drehgeber, lagerlose Radsatzsensoren, optische Sensoren, magnetische Sensoren und dergleichen. Raddrehzahlsensoren und Techniken, diese zum Empfang von Sensordaten (z. B. am Computer 30) zu verwenden, werden nicht detailliert erörtert, da diese Vorrichtungen und Techniken in der Technik allgemein bekannt sind.
Der Lenkwinkelsensor 24 kann eine beliebige elektromechanische (darunter z. B. elektrooptische) oder elektrische Vorrichtung zur Erkennung des Einschlags oder Lenkwinkels der Fahrzeugräder (nicht dargestellt) bezüglich des Fahrwerks sein. Der Sensor 24 kann in mechanischen Lenksystemen sowie in so genannten Drive-by-Wire-Systemen umgesetzt sein. Nichteinschränkende Beispiele für Lenkwinkelsensoren sind unter anderem: magnetische oder Hall-Effekt-Sensoren, optische Drehgeber und dergleichen. Lenkwinkelsensoren und Techniken, diese zum Empfang von Sensordaten (z. B. am Computer 30) zu verwenden, werden nicht detailliert erörtert, da diese Vorrichtungen und Techniken in der Technik allgemein bekannt sind.
Der Computer 30 umfasst mindestens einen Prozessor 42 und einen Speicher 44 (z. B. ein nichttransitorisches, computerlesbares Speichermedium). Der Prozessor 42 kann dazu programmiert sein, digitale Anweisungen zu verarbeiten und/oder auszuführen, um mindestens einige der hierin beschriebenen Aufgaben durchzuführen. Nichteinschränkende Beispiele des Prozessors 42 sind unter anderem ein Mikroprozessor, ein Mikrocontroller oder eine Steuerung, ein anwendungsspezifischer integrierter Schaltkreis (ASIC), eine vor Ort programmierbare Gatter-Anordnung (FPGA) usw., um nur einige zu nennen. Ein einige nichteinschränkende Beispiele für digital gespeicherte Anweisungen - speicherbar im Speicher 44 und ausführbar durch den Prozessor 42 - beinhalten Folgendes: Bestimmen eines Wertes für das Fahransprechverhalten (DR) anhand einer gewichteten Summe, die Indizes einer Übergangswahrscheinlichkeitsmatrix (Q) umfasst, wobei Q von Daten einer Übergangswahrscheinlichkeit (A) zwischen einer Vielzahl von Fahrmodi aus einem Satz von Anweisungen nach dem Interacting Multiple Model (IMM) abgeleitet ist. Zusätzliche und konkretere Beispiele für Anweisungen, die statt und/oder zusätzlich zu diesen Beispielen verwendet werden können, sowie Anweisungsfolgen sind in dem einen oder den mehreren Prozessen nachstehend beschrieben. In mindestens einem Beispiel führt der Computer 30 ein Computerprogrammprodukt aus, das auf einem nichttransitorischen computerlesbaren Speichermedium (z. B. in Speicher 44) gespeichert ist. Wie hierin verwendet, bedeutet ein Computerprogrammprodukt einen Satz von Anweisungen (z. B. auch Code genannt).
Der Speicher 44 kann ein beliebiges nichttransitorisches computernutzbares oder -lesbares Medium aufweisen, das eine oder mehrere Speichervorrichtungen oder -artikel aufweisen kann. Beispielhafte nichttransitorische computernutzbare Speichervorrichtungen sind unter anderem eine konventionelle Festplatte, ein Halbleiterspeicher, ein Speicher mit wahlfreiem Zugriff (RAM), ein Festwertspeicher (ROM), ein löschbarer programmierbarer Festwertspeicher (EPROM), ein elektrisch löschbarer programmierbarer Festwertspeicher (EEPROM) sowie beliebige andere flüchtige oder nichtflüchtige Medien. Nichtflüchtige Medien sind unter anderem beispielsweise optische oder magnetische Speicherplatten und andere dauerhafte Speicher, und flüchtige Medien können unter anderem ein dynamischer Speicher mit wahlfreiem Zugriff (DRAM) sein. Diese Speichervorrichtungen sind nichteinschränkende Beispiele; z. B. bestehen andere Formen computerlesbarer Medien und sind unter anderem magnetische Medien, Compact-Disk-ROMs (CD-ROMs), digitale Videodisks (DVDs), andere optische Medien, ein beliebiger geeigneter Speicherchip oder eine -kassette oder ein beliebiges anderes Medium, das der Computer auslesen kann. Wie oben erörtert, kann der Speicher 44 ein oder mehrere Computerprogrammprodukte speichern, die als Software, Firmware oder andere durch den Prozessor 42 ausführbare Programmieranweisungen verkörpert sein können.
1 veranschaulicht, dass der Speicher 44 unter anderem einen Satz von Anweisungen nach dem Interacting Multiple Model (IMM) 50, einen Satz von Anweisungen zur Fahrerbewertung (DE) 60 und einen Satz von Anweisungen zur Übergangwahrscheinlichkeitsschätzung (TPE) 70 speichern kann. Jede der Anweisungen 50, 60, 70 kann ein eindeutiger Satz von Softwareanweisungen sein, die durch den Prozessor 42 ausführbar sind, der bei gemeinsamer Ausführung einen Eingang von den Fahrzeugsensoren 16 empfangen und eine oder mehrere Werte für das Fahransprechverhalten (DR) und/oder eine Fahrpunktzahl (DS) ausgeben kann. Jeder Satz von Anweisungen 50, 60, 70 wird nachstehend der Reihe nach beschrieben.
Es sollte ersichtlich sein, dass jede der Anweisungen 50, 60, 70 vom Computer 30 gespeichert und ausgeführt werden kann; in anderen Beispielen kann jedoch ein Computer (wie etwa z. B. Computer 30) einen oder zwei der Sätze der Anweisungen 50, 60, 70 speichern und ausführen, während der eine oder die zwei anderen Computer (nicht dargestellt) die anderen der Anweisungen 50, 60, 70 speichern und ausführen können, z. B. solche Computer, die über die oben erörterte Netzwerkverbindung 32 kommunizieren. In mindestens einem Beispiel sind alle Sätze von Anweisungen 50, 60, 70 durch einen Computer (z. B. Computer 30) ausführbar, wodurch sie den Computer 30 befähigen, rascher z. B. einen Wert für das Fahransprechverhalten (DR) auszugeben, der zeitkritisch sein kann (z. B. beim Betrieb in einem autonomen Fahrmodus).
Im Allgemeinen umfassen die IMM-Anweisungen 50 eine Zustandsschätzung, die mehrere Modi (z. B. auch Filter genannt) beinhaltet, die verschiedene dynamische Modelle beschreiben und Informationen von den mehreren Modi verschmelzen, um die Zustandsschätzung zu ergeben. 2 veranschaulicht ein Beispiel für IMM-Anweisungen 50. In diesem Flussdiagramm sind zwei Modi M₁ , M₂ dargestellt; es sollte jedoch ersichtlich sein, dass mehr Modi möglich sind (wie etwa z. B. mindestens ein dritter Modus). Somit stellen gemäß einem Beispiel die Modi M₁ , M₂ , M₃ (siehe auch 5) den Modus LOW-AGG, den Modus MED-AGG und den Modus HIGH-AGG dar, wie oben erörtert. Die Parameter jedes der mehreren Modi können auf einer groß angelegten Erfassung menschlichen Fahrverhaltens basieren. In manchen Fällen können solche Parameter auf überwachten Fahrmustern basieren (z. B. erfasst mithilfe von Fahrdaten-Telematikvorrichtungen, die an OBD-II-Anschlüsse des Fahrzeugs oder dergleichen angeschlossen sind).
Die IMM-Anweisungen 50 können Empfangen gemessener Sensordaten von Fahrzeugsensoren 16 (an einem Eingang 72) umfassen. Der Computer 30 kann den Eingang 72 in einen Mischer 74 speisen, der Daten einer Übergangswahrscheinlichkeit (A) mit bisherigen Wahrscheinlichkeiten und aktualisierten Sensordaten mischt (d. h. A ist eine Übergangswahrscheinlichkeit zwischen Fahrmodi, dargestellt in 2 als Λ₁(k) und Λ₂(k)). Der Mischer 74 kann einen Ausgang an Modul M₁ , Modus M₂ und Modus M₃ (M₃ ist nicht dargestellt) sowie an andere nicht dargestellte Modi bereitstellen. Jeder der Fahrmodi M₁ , M₂ , M₃ kann eine Rückkopplung an den Mischer 74 bereitstellen. Und jeder der Modi M₁ , M₂ , M₃ kann eine Wahrscheinlichkeit von Übergangsdaten (A) an die TPE-Anweisungen 70 bereitstellen (siehe z. B. 78, 84, 79 und 4), weiter unten beschrieben.
Mindestens Modus M₁ kann eine Rückkopplung an den Mischer 74 und einen Ausgang an einen Wahrscheinlichkeitsaktualisierer 80 bereitstellen, der im Speicher (z. B. Speicher 44) eine jüngste (auch bekannt als zuvor aktualisierte) Übergangswahrscheinlichkeitsmatrix speichert (hierin als Q⁰ bezeichnet).
Genauso kann mindestens Modus M₂ eine Rückkopplung an den Mischer 74 und einen Ausgang an eine Zustandsschätzeinheit 86 bereitstellen (die als Ausgang vom Computer 30 verfügbar macht, ob der Fahrer im Modus LOW-AGG, im Modus MED-AGG oder im Modus HIGH-AGG fährt). Der Wahrscheinlichkeitsaktualisierer 80 kann einen Ausgang an die Zustandsschätzeinheit 86 bereitstellen, sowie eine Rückkopplung an sich selbst und den Mischer 74 (z. B. über eine Z-Transformation). In 2 zwar nicht dargestellt, kann Modus M₃ ähnlich wie Modus M₁ , Modus M₂ oder eine Kombination davon funktionieren.
Im Allgemeinen sind die IMM-Anweisungen 50 in der Technik bekannt, z. B. wie beispielhaft dargestellt im Artikel „Transition Probability Estimation and its Application in Evaluation of Automated Driving," Sanghyun Hong, Jianbo Lu, Dimitar P. Filev, 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Banff Center, Banff, Canada, October 5-8, 2017, der durch Bezugnahme in seiner Gesamtheit hier einbezogen ist.
Nun zu 3-4 übergehend, können die TPE-Anweisungen 70 die Daten einer Übergangswahrscheinlichkeit (A) gleichzeitig zu einem Zeitpunkt (k) von den IMM-Anweisungen 50 erhalten, z. B. gleichzeitig von den Modi M₁ , M₂ , M₃ . Wie hierin verwendet, können die Daten einer Übergangswahrscheinlichkeit (A) zwischen den Fahrmodi (oder einfach Wahrscheinlichkeitsdaten (A)) eine Wahrscheinlichkeit sein, dass das Fahrzeug in naher Zukunft von einem Modus in einen anderen wechselt (d. h. von Modus M₁ in Modus M₂ , von Modus M₁ in Modus M₃ , von Modus M₂ in Modus M₃ , von Modus M₂ in Modus M₁ , von Modus M₃ in Modus M₁ oder von Modus M₃ in Modus M₂ ), um nur einige Beispiele zu nennen. In mindestens einem Fall kann ein solcher Übergang als unmittelbar bevorstehend bestimmt werden, d. h. sofort nach der Bestimmung der Übergangswahrscheinlichkeitsdaten (A), d. h. innerhalb weniger Sekunden.
Anhand der Daten einer Übergangswahrscheinlichkeit (A) als Eingang können die TPE-Anweisungen 70 als Ausgang 90 eine aktualisierte Übergangswahrscheinlichkeitsmatrix (hierin als Q bezeichnet) bereitstellen. Ein Beispiel für Q ist in 5 dargestellt und nachstehend näher beschrieben.
Die Berechnung von Q kann auf einem theoretischen Schema basieren, mit dem ein Algorithums für rekursive Berechnung in Echtzeit angepasst wird, wie etwa der Beispielalgorithmus (1) (nachstehend dargestellt). Beispielsweise kann in diesem Ansatz eine gemeinsame Wahrscheinlichkeit Pr(o₁, ..., o_t, s_t = M_i) als eine so genannte Vorwärtsvariable α_t(i) definiert werden, wobei o_t eine Beobachtung zu einem Zeipumkt t und s_t einen Zustand eines verborgenen Markowmodells (HMM) zum Zeitpunkt t darstellt. Außerdem kann zu einem Zeitpunkt t die Wahrscheinlichkeit einer Beobachtung eines gegebenen Zustands Pr(o_t| s_t = M_i) als b_i(o_t) bezeichnet werden.
Mithilfe des nachstehend dargestellten Algorithmus (1) kann die Vorwärtsvariable nach dem Satz von Bayes mit einer ersten Beobachtung initialisiert werden (Zeile 3), wobei p_i die Moduswahrscheinlichkeit ist, die aus den IMM-Anweisungen 50 eingespeist wird. Dann kann der Algorithmus (1) bei jedem Schritt die Vorwärtsvariable rekursiv aktualisieren (Zeile 6), wobei q_mi die Übergangswahrscheinlichkeit vom m-ten Modus in den i-ten Modus darstellt. Es ist zu beachten, dass die Vorwärtsvariable α_t(i) innerhalb eines vorgegebenen Zeitraums N_p regelmäßig zurückgesetzt werden kann (Zeile 2). Wie die Definition nahelegt, werden Beobachtungen o_t weiterhin erfasst, die Vorwärtsvariable wird kleiner und ergibt schließlich die denormale Zahl, deren Größe kleiner ist als der Computer 30 im Speicher 44 speichern kann. Um diese numerische Einschränkung zu vermeiden, kann die Vorwärtsvariable periodisch zurückgesetzt werden.
Die gemeinsame bedingte Wahrscheinlichkeit Pr(s_t-1 = M_i, s_t = M_j|O_t) und diese Variable werden mit der Vorwärtsvariablen, Übergangswahrscheinlichkeit und Beobachtungswahrscheinlichkeit aktualisiert (Zeilen 11-12). Es ist zu beachten, dass O_t die Erfassung von Beobachtungen vom Zeitpunkt 1 bis t, d. h. O_t = {o₁, ..., o_t}. angibt. Außerdem ist die bedingte Wahrscheinlichkeit, Pr(s_t-1 = M_i|O_t), als γ_t(i) definiert, und nach dem Satz der totalen Wahrscheinlichkeit wird diese Variable durch Summierung von ζ_t(i,j) über alle Modi zum Zeitpunkt t aktualisiert (Zeilen 13-15).
Ferner definiert der Algorithmus (1) γ_t (i) und ζ(i, j), und diese können aktualisiert werden, indem γ_t(i) bzw. ζ_t(i,j) zu diesen Variablen addiert werden (Zeilen 16-17). Es ist zu beachten, dass γ_t (i) und ζ(i,j) die erwartete Anzahl der Aufrufe von M_i bzw. die erwartete Anzahl der Übergänge von M_i zu M_j darstellen. Deshalb kann die Übergangswahrscheinlichkeit durch Dividieren von ζ(i,j) durch γ_t (i) berechnet werden, wobei die Beobachtung bis zum Zeitpunkt t, Pr(s_t = M_j | s_t-1 = M_i|O_t), gegegeben ist, und dadurch die Übergangswahrscheinlichkeit q_ij geschätzt werden, die das Element von Q bildet (Zeilen 20-24).
Algorithmus (1).
Somit werden gemäß dem mindestens einen Beispiel Daten dreier Übergangswahrscheinlichkeiten (A) an den TPE-Anweisungen 70 von den Modi M₁ , M₂ , M₃ empfangen, und basierend auf diesen Daten dreier Übergangswahrscheinlichkeiten (A) berechnen die TPE-Anweisungen 70 eine aktualisierte Matrix Q. Selbstverständlich kann in anderen Beispielen die Schätzung von Q auf einer beliebigen geeigneten Menge (N) von Daten von Übergangswahrscheinlichkeiten (A) basieren. Ferner ist die Bestimmung von Q in der Technik bekannt - siehe z. B. den Artikel „Transition Probability Estimation and its Application in Evaluation of Automated Driving," pp. 3-4, Sanghyun Hong, Jianbo Lu, Dimitar P. Filev, 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Banff Center, Banff, Canada, October 5-8, 2017, der durch Bezugnahme in seiner Gesamtheit hier eingeschlossen wurde.
5 veranschaulicht ein Beispiel für eine Übergangswahrscheinlichkeitsmatrix (Q), die durch die TPE-Anweisungen 70 bestimmt wird. Hier ist N gleich 3, und somit ist Q eine 3x3-Matrix, wobei der Index i eine Zeilenkennung darstellt, wobei der Index j eine Spaltenkennung darstellt. Konzeptionell stellt q₁ den Modus LOW-AGG dar, q₂ stellt den Modus MED-AGG dar und q₃ stellt den Modus HIGH-AGG dar. Somit kann ein Übergang zwischen den Modi (z. B. von einem vom i-ten Modus in den j-ten Modus) als q_ij veranschaulicht werden. Beispielsweise stellt q₁₃ somit einen Übergang vom Modus LOW-AGG in den Modus HIGH-AGG dar. Und q₂₃ stellt einen Übergang vom Modus MED-AGG in den Modus HIGH-AGG dar. Genauso stellen beliebige von q₂₁ , q₃₁ und q₃₂ einen Übergang von einem Modus höherer Aggressivität in einen Modus niedrigerer Aggressivität dar. Umgekehrt stellen beliebige von q₁₂ , q₁₃ und q₂₃ einen Übergang von einem Modus niedrigerer Aggressivität in einen Modus höherer Aggressivität dar. Entsprechend stellen beliebige von q₁₁ , q₂₂ und q₃₃ ein Nichtübergang zwischen Fahrmodi dar (z. B. sondern stattdessen die Beibehaltung des aktuellen Modus).
Nach Bestimmung von Q zeigen 3-4, dass Q für die Fahrerbewertungsanweisungen 60 bereitgestellt werden kann und auch als Rückkopplung an die IMM-Anweisungen IMM-Anweisungen 50 zurückgeführt werden kann. In den IMM-Anweisungen 50 kann die zuvor aktualisierte Übergangswahrscheinlichkeitsmatrix Q⁰ durch die aktualisierte Übergangswahrscheinlichkeitsmatrix Q (z. B. Q⁰ ← Q) ersetzt werden. Genauso können die Fahrerbewertungsanweisungen 60 ebenfalls Q verwenden. Auf diese Weise können die IMM-Anweisungen 50 bei der Bestimmung der Zustandsschätzung wiederholt aktualisierte Informationen verwenden. Und durch Verwendung der aktualisierten Übergangswahrscheinlichkeitsmatrix Q stellen die Fahrerbewertungsanweisungen 60 eine genauere und aktuelle Fahrpunktzahl (DS) und/oder genauere und aktuelle Werte für das Fahransprechverhalten (DR) bereit. Beispiele dafür, wie die Fahrerbewertungsanweisungen 60 die Fahrpunktzahl (DS) und/oder die Werte für das Fahransprechverhalten (DR) bestimmen können, sind nachstehend dargelegt.
Wie nachstehend näher erläutert wird, kann der Computer 30 eine Fahrpunktzahl (DS) und/oder Werte für das Fahransprechverhalten (DR) berechnen, wenn die Fahrerbewertungsanweisungen 60 Q empfangen, und diese an den Fahrer berichten und/oder diese intern innerhalb der Fahrzeugcomputersysteme verwenden (z. B. am/an den Computer(n) 14). Beispiele für diese Berechnungen werden im Prozess 600, der folgt, dargestellt.
Nun zu 6 übergehend, ist ein Flussdiagramm dargestellt, das einen Prozess 600 zur Bestimmung einer Fahrpunktzahl (DS) und/oder mindestens eines Wertes für das Fahransprechverhalten (DR) bestimmt. Der Prozess kann mit Block 605 beginnen, wobei der Computer 30 Sensordaten von den Fahrzeugsensoren 16 empfängt. In mindestens einem Beispiel empfängt der Computer 30 Sensordaten von dem/den Beschleunigungsmesser(n) 18, dem/den Gyroskop(en) 20, dem/den Radsensor(en) 22 und dem Lenkwinkelsensor 24. In anderen Beispielen empfängt der Computer 30 Sensordaten von einem oder mehreren von diesen und/oder anderen Fahrzeugsensoren. Wie oben erörtert, kann der Computer 30 die Sensordaten am Eingang 72 der IMM-Anweisungen 50 verwenden.
In Block 610, der folgt, kann der Computer 30 basierend auf den Sensordaten eine Wahrscheinlichkeit, in einem bestimmten Fahrmodus zu sein, anhand des Ausgangs der IMM-Anweisungen 50 bestimmen. Beispielsweise kann der Computer 50 gemäß den Anweisungen 50 Mischen im Mischer 74 durchführen, eine Wahrscheinlichkeit, zu einem Zeitpunkt k in einem bestimmte Modus (z. B. M₁ , M₂ , M₃ ) zu sein, bestimmen, eine zuvor aktualisierte Matrix Q⁰ verwenden, um eine Zustandswahrscheinlichkeit (im Wahrscheinlichkeitsschätzer 80) zu schätzen und schließlich einen Fahrmodus über die Zustandsschätzeinheit 86 (z. B. einen von dem Modus LOW-AGG, dem Modus MED-AGG oder dem Modus HIGH-AGG) statistisch zu erkennen. Es sollte ersichtlich sein, dass die IMM-Anweisungen 50 wiederholt ausgeführt werden können, während der Rest des Prozesses 600 durchgeführt wird.
In Block 615 können die Modi M₁ , M₂ , M₃ Daten einer Übergangswahrscheinlichkeit (A) erzeugen und der Computer 30 kann diese Daten als Eingang an die Anweisungen zur Übergangswahrscheinlichkeitsschätzung (TPE) 70 bereitstellen, während der Computer 30 die IMM-Anweisungen 50 durchführt. Gemäß mindestens einem Beispiel können somit Daten dreier Übergangswahrscheinlichkeiten (A) (78, 84, 79) an die TPE-Anweisungen 70 bereitgestellt werden, z. B. Daten einer Übergangswahrscheinlichkeit (A) für jeden Fahrmodus M₁ , M₂ , M₃ .
In Block 620 kann der Computer 30 - über die TPE-Anweisungen 70 - die Daten einer Übergangswahrscheinlichkeit (A) für die Fahrmodi verwenden, um eine aktualisierte Übergangswahrscheinlichkeitsmatrix Q zu bestimmen. Gemäß einem Beispiel wird dies mithilfe des Algorithmus (1) durchgeführt, der oben detailliert beschrieben ist.
Auf Block 620 folgend kann der Computer 30 Block 625, 640 oder beide ausführen, z. B. mindestens teilweise gleichzeitig oder nacheinander. Jeder wird der Reihe nach erörtert.
In Block 625 kann der Computer 30 einen oder mehrere Werte für das Fahransprechverhalten (DR) bestimmen. Beispielsweise kann jede beliebige der Gleichungen (1), (2), (3) und (4) [nachstehend dargestellt] - sowie Kombinationen davon - durch den Computer 30 ausgeführt werden. In mindestens einem Beispiel führt der Computer 30 jede der Gleichungen (1), (2), (3) und (4) für jede Iteration des Blocks 625 aus.
Gleichung (1) - ein DR-Wert, der eine Wahrscheinlichkeit des Übergangs von einem Modus höherer Aggressivität in einen Fahrmodus niedrigerer Aggressivität darstellt:

DR - Wert (1) = w₂₁q₂₁ + w₃₁q₃₁ + w₃₂q₃₂, wobei w₂₁, w₃₁ und w₃₂ vorgegebene Wichtungswerte sind, wobei q_21, q₃₁ und q₃₂ Indexwerte von Q sind (z. B. eine gewichtete Summe von Q für alle Indizes, die i > j erfüllen).

Gleichung (2) - ein DR-Wert, der eine Wahrscheinlichkeit des Übergangs von einem Modus niedrigerer Aggressivität in einen Fahrmodus höherer Aggressivität darstellt:

DR - Wert (2) = w₁₁q₁₁ + w₁₂q₁₂ + w₁₃q₁₃, wobei w₁₁, w₁₂ und w₁₃ vorgegebene Wichtungswerte sind, wobei q₁₁ , q₁₂ und q₁₃ Indexwerte von Q sind (z. B. eine gewichtete Summe einer ersten Zeile von Q).

Gleichung (3) - ein DR-Wert, der eine Wahrscheinlichkeit des Übergangs von einem Modus höherer Aggressivität in einen Fahrmodus niedrigerer Aggressivität darstellt:

DR - Wert (3) = w₃₁q₃₁ + w₃₂q₃₂ + w₃₃q₃₃, wobei w₃₁, w₃₂ und w₃₃ vorgegebene Wichtungswerte sind, wobei q₃₁ , q₃₂ und q₃₃ Indexwerte von Q sind (z. B. eine gewichtete Summe einer dritten Zeile von Q).

Gleichung (4) - ein DR-Wert, der eine Wahrscheinlichkeit der Beibehaltung eines Modus mittlerer Aggressivität darstellt (z. B. Nichtübergang zwischen Fahrmodi):

DR - Wert (4) = w₂₁q₂₁ + w₂₂q₂₂ + w₂₃q₂₃, wobei w₂₁, w₂₂ und w₂₃ vorgegebene Wichtungswerte sind, wobei q_21, q₂₂ und q₂₃ Indexwerte von Q sind (z. B. eine gewichtete Summe einer zweiten Zeile von Q).

Wie oben erörtert, sind die DR-Werte (1), (2), (3) und (4) mit einer 3x3-Matrix Q verknüpft (z. B. drei Fahrmodi). Somit können ähnliche Gleichungen für eine 4x4-Matrix Q, eine 5x5-Matrix Q usw. abgeleitet werden. Ferner können die DR-Werte genauso Folgendes umfassen: eine gewichtete Summe von Q für alle Indizes, die i > j erfüllen; eine gewichtete Summe von Indexwerten einer ersten Zeile von Q; eine gewichtete Summe von Indexwerten einer dritten Zeile von Q; eine gewichtete Summe von Indexwerten einer zweiten Zeile von Q; eine gewichtete Summe von Indexwerten einer vierten Zeile von Q; usw.
Auf Block 625 folgend kann der Computer 30 einen oder mehrere der DR-Werte ausgeben (Block 630). Bereitstellen der DR-Werte als Ausgang kann Verwenden der DR-Werte in einem anderen Satz von Anweisungen, der vom Computer 30 ausgeführt wird, Senden des/der DR-Werte(s) an den Computer 14, Anzeigen eines Übergangs der Fahraggressivität auf einer Fahrzeuganzeige oder dergleichen umfassen. Auf Block 630 folgend kann der Prozess 600 zu Block 635 übergehen (optional) oder zu Block 605 zurückschleifen und erneut beginnen.
In Block 635 führt der Computer 30, der Computer 14 oder dergleichen eine Fahrzeugaufgabe anhand des DR-Wertes, der Fahrpunktzahl (DS) oder beider aus. Beispielsweise kann die Fahrzeugaufgabe Verwenden der DR-Werte beinhalten, um einen abgefahrenen Fahrzeugreifen, einen Fahrzeugreifen ohne Reifendruck, eine Fehlausrichtung des Fahrzeugrades oder dergleichen festzustellen. Wenn beispielsweise der Computer 14 eine Steuerschleife des autonomen Fahrens ausführt - z. B. Beibehalten der Fahrzeugposition in der Fahrspur -, kann der Computer 14 DR-Werte empfangen, die angeben, dass sich das Fahrzeug 12 in einem Modus MED-AGG oder einem Modus HIGH-AGG befindet, während der Computer 14 wiederholt versucht, das Fahrzeug 12 in einem Modus LOW-AGG zu halten. Diese Tendenz, in einen Modus MED-AGG oder HIGH-AGG überzugehen, kann ein Hinweis darauf sein, dass das Fahrzeug eine Wartung benötigt. Selbstverständlich sind diese Rückkopplung einer Fahrzeugsteuerschleife (und die spurhaltende Navigation) nur einige Beispiele dafür, wie DR-Werte verwendet werden können. Es gibt auch andere Beispiele.
Zu Block 640 des Prozesses 600 zurückkehrend kann der Computer 30 einen Eigenvektor (p*) von Q mit einem Eigenwert von , 1' berechnen. Auf diese Weise kann eine Fahrpunktzahl (DS) in einem invarianten Modus bestimmt werden. Wie hierin verwendet, bedeutet eine Fahrpunktzahl in einem invarianten Modus, dass die Fahrpunktzahl unverändert bleibt, wenn eine mathematische Transformation angewandt wird. Entsprechend erfüllt der Eigenvektor (p*) die Gleichung (5). $p * Q = p * .$
Die Gleichung (6) stellt einen Eigenvektor dar, der durch den Computer 30 bestimmt werden kann. $\begin{array}{l} p * = [p_{1}^{*}, \dots, p_{N}^{*}], wobei N die Größe der Übergangswahrscheinlichkeitsmatrix \\ Q ist (z .B . wurde im obigen Beispiel N = 3 als eine 3 \times 3-Matrix Q \\ veranschaulicht) . \end{array}$
Auf die Bestimmung des Eigenvektors (p*) in Block 645 folgend kann der Computer 30 eine Fahrpunktzahl (DS) anhand des Eigenvektors der Gleichung (6) bestimmen. Dies kann die Bewertung der Gleichung (7) beinhalten. Die Gleichung (7) ist an die zuvor beschriebene 3x3-Matrix Q angepasst. Die Gleichung (7) hat somit zwar drei gewichtete Terme, wenn aber Q eine 4x4-Matrix wäre, hätte die Gleichung (7) vier Terme usw. $\begin{array}{l} D S = v_{1} p_{1}^{*} + v_{2} p_{2}^{*} + v_{3} p_{3}^{*}, wobei v_{1}, v_{2} und v_{3} vorgegebene Wichtungswerte sind, \\ die mit dem Modus LOW-AGG, dem Modus MED-AGG bzw . dem Modus HIGH- \\ AGG verknüpft sind . \end{array}$
Block 650, der Block 645 folgend kann, kann ähnlich oder identisch mit Block 630 sein, außer dass der Computer 30 die Fahrpunktzahl (DS) ausgeben kann. Deshalb wird er hier nicht erneut beschrieben.
Auf Block 650 folgend kann der Prozess 600 zu Block 605 zurückschleifen und den Prozess 600 wiederholen oder zu Block 635 übergehen wie zuvor beschrieben.
Nun zu 7-12 übergehend, werden experimentelle Ergebnisse bereitgestellt, die die obige Offenbarung veranschaulichen. Beispielsweise veranschaulicht 7 die IMM-Anweisungen 50, die für die Gierfehler-Fahrzeugdynamik umgesetzt wurden, um das Fahrverhalten auf kurvigen Straßen zu bewerten. Insbesondere fuhr in diesem Beispiel ein Berufskraftfahrer ein Testfahrzeug, um aggressives Fahren durch Menschen oder virtuelle Fahrer autonomer Fahrzeuge zu imitieren. Bei dieser Testfahrt führte der Berufskraftfahrer scharfe Lenkmanöver auf einer verschneiten Straße durch, um sich Grenzbedingungen der Handhabung anzunähern (z. B. kurz vor dem Schleudern). Wie in 7 dargestellt, wird eine Querbeschleunigung bis zu 8,132 m/s² bei ca. 20 Sekunden gemessen. Außerdem erzeugte eine gemessene Giergeschwindigkeit Fehler aus einer Ziel-Giergeschwindigkeit, die vom elektronischen Stabilitätskontrollsystem des Fahrzeugs bereitgestellt wurde.
In 7 betragen die Giergeschwindigkeitsfehler, d. h. Subtraktion der Ziel-Giergeschwindigkeit von der gemessenen Giergeschwindigkeit, 10-12 Sekunden lang ca. 3,41, betragen 19-21 Sekunden lang ca. -13,03 bzw. betragen 29-31 Sekunden lang ca. -9,62. Dies impliziert, dass das Testfahrzeug zuerst einer Übersteuerung und dann zweimal einer Untersteuerung ausgesetzt war. Deshalb kann eine hohe Wahrscheinlichkeit erwartet werden, im dritten Modus zu bleiben (der aggressives Fahren darstellt, q₃₃ ) und eine Erhöhung der Wahrscheinlichkeiten des Übergangs vom ersten Modus (der einen weniger aggressiven Fahrmodus darstellt) in den zweiten oder dritten Modus, d. h. q₁₂ bzw. q₁₃ .
8-10 veranschaulicht die Schätzergebnisse für die Übergangswahrscheinlichkeit. Wie zu sehen ist, nimmt die Wahrscheinlichkeit q₁₂ zu, während ein Fahrer einen scharfen Lenkvorgang bei ca. 7 s beginnt und q₃₃ behält einen Wert nahe 1 bei, nachdem mehrere scharfe Lenkvorgänge erzeugt wurden.
11 veranschaulicht eine Berechnung der Fahrpunktzahl, die anhand der Gleichung (7) berechnet wird. Während das Fahrzeug weiter scharfen Lenkvorgängen unterzogen wird, nimmt die Fahrpunktzahl ab und bleibt nahe 50. Ferner veranschaulicht 12 (die 11 entspricht) einem Wert für das Fahransprechverhalten (DR). Da der Fahrer fortlaufende scharfe Lenkmanöver erzeugte, nimmt der Wert für das Fahransprechverhalten (DR) ab und fällt nach rund 20 Sekunden auf unter 50 ab.
Somit wurde ein System für vorausschauendes Fahrverhalten für ein Fahrzeug beschrieben. Das System kann einen Computer und mehrere Sensoren, die Daten messen, die auf das Fahrverhalten hinweisen, beinhalten. Der Computer kann eine Punktzahl für das Fahransprechverhalten und/oder eine Fahrpunktzahl anhand eines Satzes von Anweisungen für das Interacting Multiple Model (IMM) und eines Satzes von Anweisungen für die Übergangwahrscheinlichkeitsschätzung bestimmen.
Im Allgemeinen können die Rechensysteme und/oder -vorrichtungen eine beliebige einer Anzahl von Computerbetriebssystemen einsetzen, darunter, aber keineswegs beschränkt darauf, Versionen und/oder Varianten der Anwendung Ford SYNC^®, der Middleware AppLink/Smart Device Link, des Betriebssystems Microsoft^® Automotive, des Betriebssystems Microsoft Windows^®, des Betriebssystems Unix (z. B. des Betriebssystems Solaris®, vertrieben von der Oracle Corporation in Redwood Shores, Kalifornien), des Betriebssystems AIX UNIX, vertrieben von International Business Machines in Armonk, New York, des Betriebssystems Linux, der Betriebssysteme Mac OSX und iOS, vertrieben von Apple Inc. in Cupertino, Kalifornien, das BlackBerry OS, vertrieben von Blackberry, Ltd. in Waterloo, Kanada, und das Betriebssystem Android, entwickelt von Google, Inc. und der Open Handset Alliance, oder die QNX^® CAR Platform for Infotainment, angeboten von QNX Software Systems. Beispiele für Rechenvorrichtungen sind unter anderem, ohne Einschränkung, ein Fahrzeug-Bordcomputer, eine Computer-Workstation, ein Server, ein Desktop, ein Notebook, ein Laptop oder Handheld-Computer oder ein anderes Rechensystem und/oder eine andere Rechenvorrichtung.
Rechenvorrichtungen beinhalten im Allgemeinen computerausführbare Anweisungen, wobei die Anweisungen durch eine oder mehrere Rechenvorrichtungen wie etwa die oben aufgeführten ausführbar sein können. Computerausführbare Anweisungen können aus Computerprogrammen kompiliert oder interpretiert werden, die mithilfe einer Vielfalt von Programmiersprachen und/oder -techniken erstellt wurden, darunter ohne Einschränkung und entweder allein oder Kombination Java™, C, C++, Visual Basic, Java Script, Perl usw. Manche dieser Anwendungen können auf einer virtuellen Maschine kompiliert und ausgeführt werden, wie etwa der Java Virtual Machine, der Dalvik Virtual Machine oder dergleichen. Im Allgemeinen empfängt ein Prozessor (z. B. ein Mikroprozessor) Anweisungen, z. B. von einem Speicher, einem computerlesbaren Medium usw. und führt diese Anweisungen aus, wodurch er einen oder mehrere Prozesse ausführt, darunter einen oder mehrere der hier beschriebenen Prozesse. Solche Anweisungen und sonstige Daten können mithilfe einer Vielfalt computerlesbarer Medien gespeichert und übertragen werden.
Ein computerlesbares Medium (auch als prozessorlesbares Medium bezeichnet) beinhaltet ein beliebiges nichttransitorisches (z. B. materielles) Medium, das an der Bereitstellung von Daten (z. B. Anweisungen) beteiligt ist, die von einem Computer (z. B. durch einen Prozessor eines Computers) gelesen werden können. Ein solches Medium kann viele Formen annehmen, darunter nichtflüchtige Medien und flüchtige Medien, aber nicht darauf beschränkt. Nichtflüchtige Medien können unter anderem beispielsweise optische oder magnetische Speicherplatten und ein sonstiger dauerhafter Speicher sein. Flüchtige Medien können unter anderem beispielsweise ein dynamischer Speicher mit wahlfreiem Zugriff (DRAM) sein, der typischerweise einen Hauptspeicher bildet. Solche Anweisungen können durch ein oder mehrere Übertragungsmedien, darunter Koaxialkabel, Kupferdrähte und Lichtwellenleiter übertragen werden, darunter die Drähte, die einen Systembus umfassen, der mit einem Prozessor eines Computers gekoppelt ist. Übliche Formen computerlesbarer Medien sind unter anderem beispielsweise eine Diskette, eine flexible Speicherplatte, eine Festplatte, ein Magnetband, ein beliebiges sonstiges magnetisches Medium, eine CD-ROM, eine DVD, ein beliebiges sonstiges optisches Medium, Lochkarten, ein Papierstreifen, ein beliebiges sonstiges physisches Medium mit Lochstrukturen, ein RAM, ein PROM, ein EPROM, ein FLASH-EEPROM, ein beliebiger sonstiger Speicherchip oder -kassette, oder ein beliebiges sonstiges Medium, das ein Computer auslesen kann.
Hier beschriebene Datenbanken, Datendepots oder sonstige Datenspeicher können verschiedene Arten von Mechanismen für die Speicherung, den Zugriff und Abruf verschiedener Arten von Daten beinhalten, darunter eine hierarchische Datenbank, ein Satz Dateien in einem Dateisystem, eine Anwendungsdatenbank in einem proprietären Format, ein relationales Datenbankverwaltungssystem (RDBMS) usw. Jeder solche Datenspeicher ist im Allgemeinen in einer Rechenvorrichtung enthalten, die ein Computerbetriebssystem wie etwa eines der oben genannten nutzt, und der Zugriff darauf erfolgt über ein Netzwerk auf eine oder mehrere einer Vielfalt von Arten. Ein Dateisystem kann von einem Computerbetriebssystem aus zugreifbar sein und kann Dateien beinhalten, die in verschiedenen Formaten gespeichert sind. Ein RDBMS verwendet im Allgemeinen die Structured Query Language (SQL) zusätzlich zu einer Sprache für die Erstellung, Speicherung, Bearbeitung und Ausführung gespeicherter Prozeduren, wie etwa die oben genannte PL/SQL.
In manchen Beispielen können Systemelemente als computerlesbarer Anweisungen (z. B. Software) auf einem oder mehreren Rechenvorrichtungen (z. B. Server, Personal Computer usw.) umgesetzt sein, die auf damit verknüpften computerlesbaren Medien (z. B. Platten, Speichern usw.) gespeichert sind. Ein Computerprogrammprodukt kann derartige, auf computerlesbaren Medien gespeicherte Anweisungen umfassen, um die hierin beschriebenen Funktionen auszuführen.
Der Prozessor ist über Schaltkreise, Chips oder ein anderes elektronisches Bauelement umgesetzt und kann einen oder mehrere vor Ort programmierbare Gatter-Anordnungen (FPGAs), einen oder mehrere anwendungsspezifische Schaltkreise (ASICs), einen oder mehrere Digitalsignalprozessoren (DSPs), einen oder mehrere kundenspezifische integrierte Schaltkreise usw. beinhalten. Der Prozessor kann dazu programmiert sein, die Sensordaten zu verarbeiten. Die Verarbeitung der Sensordaten kann die Verarbeitung der Videozuspielung oder eines anderen von den Sensoren erfassten Datenstroms beinhalten, um die Fahrspur des Hostfahrzeugs und die Anwesenheit von Zielfahrzeugen zu bestimmen. Wie nachstehend beschrieben, weist der Prozessor Fahrzeugkomponenten an, sich gemäß den Sensordaten zu stellen. Der Prozessor kann in einer Steuerung eingebaut sein, z. B. einer Steuerung für den autonomen Modus.
Der Speicher (oder die Datenspeichervorrichtung) ist über Schaltkreise, Chips oder andere elektronische Bauelemente umgesetzt und kann einen oder mehrere von einem Festwertspeicher (ROM), einem Speicher mit wahlfreiem Zugriff (RAM), einem Flash-Speicher, einem elektrisch programmierbaren Speicher (EPROM), einem elektrisch programmierbaren und löschbaren Speicher (EEPROM), einer eingebetteten MultiMediaCard (eMMC), einem Festplattenlaufwerk oder beliebige flüchtigen oder nichtflüchtigen Medien usw. beinhalten. Der Speicher kann durch Sensoren erfasste Daten speichern.
Die Offenbarung wurde in veranschaulichender Art beschrieben und ist so zu verstehen, dass die verwendete Terminologie als beschreibende statt als einschränkende Worte beabsichtigt ist. In Anbetracht der obigen Lehre sind viele Modifikationen und Variationen der vorliegenden Offenbarung möglich, und die Offenbarung kann in anderer Weise praktisch umgesetzt werden als speziell beschrieben.
Gemäß der vorliegenden Erfindung wird ein Verfahren bereitgestellt, das Folgendes aufweist: Bestimmen eines Wertes für das Fahransprechverhalten (DR) anhand einer gewichteten Summe, die Indizes einer Übergangswahrscheinlichkeitsmatrix (Q) umfasst, wobei Q von den Daten einer Übergangswahrscheinlichkeit (A) zwischen einer Vielzahl von Fahrmodi aus einem Satz von Anweisungen nach dem Interacting Multiple Model IMM) abgeleitet ist.
Gemäß einer Ausführungsform basiert Q auf einem Satz von Anweisungen zur Übergangswahrscheinlichkeitsschätzung, die einen Algorithmus nach dem verborgenen Markowmodell beinhalten.
Gemäß einer Ausführungsform umfasst die Vielzahl von Fahrmodi einen Modus niedriger Aggressivität, einen Modus mittlerer Aggressivität und einen Modus hoher Aggressivität.
Gemäß einer Ausführungsform stellt der DR-Wert Wahrscheinlichkeit des Übergangs von einem Modus höherer Aggressivität in einen Fahrmodus niedrigerer Aggressivität dar.
Gemäß einer Ausführungsform ist der DR-Wert gleich w_21 q_21+w_31 q_31+w_32 q_32, wobei w_21, w_31 und w_32 vorgegebene Wichtungswerte sind, wobei q_21, q_31 und q_32 Indexwerte von Q (gemäß q_ij) für Indizes, die i>j erfüllen, sind.
Gemäß einer Ausführungsform ist der DR-Wert gleich w_31 q_31+w_32 q_32+w_33 q_33, wobei w_31, w_32 und w_33 vorgegebene Wichtungswerte sind, wobei q_31, q_32 und q_33 Indexwerte von Q sind.
Gemäß einer Ausführungsform stellt der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus niedrigerer Aggressivität in einen Fahrmodus höherer Aggressivität dar.
Gemäß einer Ausführungsform ist der DR-Wert gleich w _11 q_11+w_12 q_12+w_13 q_13, wobei w_11, w_12 und w_13 vorgegebene Wichtungswerte sind, wobei q_11, q_12 und q_13 Indexwerte von Q sind.
Gemäß einer Ausführungsform stellt der DR-Wert eine Wahrscheinlichkeit der Beibehaltung eines Modus mittlerer Aggressivität dar.
Gemäß einer Ausführungsform ist der DR-Wert gleich w_21 q_21+w_22 q_22+w_23 q_23, wobei w_21, w_22 und w_23 vorgegebene Wichtungswerte sind, wobei q_21, q_22 und q_23 Indexwerte von Q sind.
Gemäß einer Ausführungsform ist die obige Erfindung ferner dadurch gekennzeichnet, dass anhand von Q eine entsprechende Fahrpunktzahl (DS) bestimmt wird.
Gemäß einer Ausführungsform ist die obige Erfindung ferner dadurch gekennzeichnet, dass ein Eigenvektor (p^*) von Q mit einem Eigenwert von 1 bestimmt wird.
Gemäß einer Ausführungsform gilt DS= v_1 p_1^*+v_2 p_2^*+v_3 p_3^*, wobei v_1, v_2 und v_3 vorgegebene Wichtungswerte sind, die mit einem Modus niedriger Aggressivität, einem Modus mittlerer Aggressivität bzw. einen Modus hoher Aggressivität verknüpft sind.
Gemäß der vorliegenden Erfindung wird ein System bereitgestellt, das Folgendes aufweist: eine Vielzahl von Fahrzeugsensoren; und einen Computer, der einen Prozessor und einen Speicher, der durch den Prozessor ausführbare Anweisungen speichert, umfasst, wobei die Anweisungen umfassen, Folgendes zu tun: Ableiten von Daten einer Übergangswahrscheinlichkeit (A) zwischen einer Vielzahl von Fahrmodi aus Sensordaten von einer Vielzahl von Sensoren; und Verwenden der Daten der Übergangswahrscheinlichkeit (A), Bestimmen einer Wertes für das Fahransprechverhalten (DR) anhand einer gewichteten Summe, umfassend Indizes einer Übergangswahrscheinlichkeitsmatrix (Q).
Gemäß einer Ausführungsform ist die obige Erfindung ferner gekennzeichnet durch Ausführen eines Satzes von Anweisungen zur Fahrerbewertung, eines Satzes von IMM-Anweisungen und eines Satzes von Anweisungen zur Übergangswahrscheinlichkeitsschätzung (TPE).
Gemäß einer Ausführungsform stellt der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus höherer Aggressivität in einen Fahrmodus niedrigerer Aggressivität dar.
Gemäß einer Ausführungsform ist der DR-Wert gleich einem von: w_21 q_21+w_31 q_31+w_32 q_32, wobei w_21, w_31 und w_32 vorgegebene Wichtungswerte sind, wobei q_21, q_31 und q_32 Indexwerte von Q (gemäß q_ij) für Indizes, die i>j erfüllen, sind; oder w_31 q_31+w_32 q_32+w_33 q_33, wobei w_31, w_32 und w_33 vorgegebene Wichtungswerte sind, wobei q_31, q_32 und q_33 Indexwerte von Q sind.
Gemäß einer Ausführungsform stellt der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus niedrigerer Aggressivität in einen Fahrmodus höherer Aggressivität dar, wobei der DR-Wert gleich w_11 q_11+w_12 q_12+w_13 q_13 ist, wobei w_11, w_12 und w_13 vorgegebene Wichtungswerte sind, wobei q_11, q_12 und q_13 Indexwerte von Q sind.
Gemäß einer Ausführungsform stellt der DR-Wert eine Wahrscheinlichkeit der Beibehaltung eines Modus mittlerer Aggressivität dar, wobei der DR-Wert gleich w_21 q_21+w_22 q_22+w_23 q_23 ist, wobei w_21, w_22 und w_23 vorgegebene Wichtungswerte sind, wobei q_21, q_22 und q_23 Indexwerte von Q sind.
Gemäß einer Ausführungsform ist die obige Erfindung ferner gekennzeichnet durch Bestimmen einer entsprechenden Fahrpunktzahl (DS) anhand von Q; und Bestimmen eines Eigenvektors (p^*) von Q mit einem Eigenwert von 1, wobei DS= v_1 p_1^*+v_2 p_2^*+v_3 p 3^*, wobei v_1, v_2 und v_3 vorgegebene Wichtungswerte sind, die mit einem Modus niedriger Aggressivität, einem Modus mittlerer Aggressivität bzw. einem Modus hoher Aggressivität verknüpft sind.
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 Nicht-Patentliteratur

„Transition Probability Estimation and its Application in Evaluation of Automated Driving,“ Sanghyun Hong, Jianbo Lu, Dimitar P. Filev, 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Banff Center, Banff, Canada, October 5-8, 2017 [0044]
„Transition Probability Estimation and its Application in Evaluation of Automated Driving,“ pp. 3-4, Sanghyun Hong, Jianbo Lu, Dimitar P. Filev, 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Banff Center, Banff, Canada, October 5-8, 2017 [0051]

Claims

Verfahren, umfassend: Bestimmen eines Wertes für das Fahransprechverhalten (DR) anhand einer gewichteten Summe, die Indizes einer Übergangswahrscheinlichkeitsmatrix (Q) umfasst, wobei Q von Daten einer Übergangswahrscheinlichkeit (A) zwischen einer Vielzahl von Fahrmodi aus einem Satz von Anweisungen nach dem Interacting Multiple Model (IMM) abgeleitet ist.
Verfahren nach Anspruch 1, wobei Q auf einem Satz von Anweisungen zur Übergangswahrscheinlichkeitsschätzung, die einen Algorithmus nach dem verborgenen Markowmodell beinhalten, basiert.
Verfahren nach Anspruch 1, wobei die Vielzahl von Fahrmodi einen Modus niedriger Aggressivität, einen Modus mittlerer Aggressivität und einen Modus hoher Aggressivität umfasst.
Verfahren nach Anspruch 1, wobei der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus höherer Aggressivität in einen Fahrmodus niedrigerer Aggressivität darstellt.
Verfahren nach Anspruch 4, wobei der DR-Wert gleich w₂₁q₂₁ + w₃₁q₃₁ + w₃₂q₃₂ ist, wobei w₂₁, w₃₁ und w₃₂ vorgegebene Wichtungswerte sind, wobei q_21, q₃₁ und q₃₂ Indexwerte von Q (gemäß q_ij) für Indizes sind, die i > j erfüllen.
Verfahren nach Anspruch 4, wobei der DR-Wert gleich w₃₁q₃₁ + w₃₂q₃₂ + w₃₃q₃₃ ist, wobei w₃₁, w₃₂ und w₃₃ vorgegebene Wichtungswerte sind, wobei q₃₁, q₃₂ und q₃₃ Indexwerte von Q sind.
Verfahren nach Anspruch 1, wobei der DR-Wert eine Wahrscheinlichkeit des Übergangs von einem Modus niedrigerer Aggressitivät in einen Fahrmodus höherer Aggressivität darstellt.
Verfahren nach Anspruch 7, wobei der DR-Wert gleich w₁₁q₁₁ + w₁₂q₁₂ + w₁₃q₁₃ ist, wobei w₁₁, w₁₂ und w₁₃ vorgegebene Wichtungswerte sind, wobei q₁₁, q₁₂ und q₁₃ Indexwerte von Q sind.
Verfahren nach Anspruch 1, wobei der DR-Wert eine Wahrscheinlichkeit der Beibehaltung eines Modus mittlerer Aggressivität darstellt.
Verfahren nach Anspruch 9, wobei der DR-Wert gleich w₂₁q₂₁ + w₂₂q₂₂ + w₂₃q₂₃ ist, wobei w₂₁, w₂₂ und w₂₃ vorgegebene Wichtungswerte sind, wobei q_21, q₂₂ und q₂₃ Indexwerte von Q sind.
Verfahren nach Anspruch 1, ferner umfassend: Bestimmen einer entsprechenden Fahrpunktzahl (DS) anhand von Q.
Verfahren nach Anspruch 11, ferner umfassend: Bestimmen eines Eigenvektors (p*) von Q mit einem Eigenwert von 1.
Verfahren nach Anspruch 12, wobei $D S = v_{1} p_{1}^{*} + v_{2} p_{2}^{*} + v_{3} p_{3}^{*},$
wobei v₁, v₂ und v₃ vorgegebene Wichtungswerte sind, die mit einem Modus niedrigerer Aggressivität, einem Modus mittlerer Aggressivität bzw. einen Modus hoher Aggressivität verknüpft sind.
Computer, umfassend: einen Prozessor und einen Speicher, der durch den Prozessor ausführbare Anweisungen speichert, wobei die Anweisungen das Verfahren eines der Ansprüche 1-13 umfassen.
Computerprogrammprodukt, umfassend ein computerlesbares Medium, das durch einen Computerprozessor ausführbare Anweisungen speichert, um das Verfahren eines beliebigen der Ansprüche 1-13 auszuführen.