DE102019114527A1

DE102019114527A1 - Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zur mehrspurtrennung und trajektorienextraktion von fahrbahnsegmenten

Info

Publication number: DE102019114527A1
Application number: DE102019114527.9A
Authority: DE
Inventors: Shu Chen; Fan Bai; Donald K. Grimm; Jinzhu Chen; Bo Yu; David E. Bojanowski
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2018-08-21
Filing date: 2019-05-29
Publication date: 2020-02-27
Also published as: US20200064846A1; CN110888426B; CN110888426A; US10761535B2

Abstract

Vorgestellt werden Systeme und Verfahren zum Extrahieren von fahrspurbezogenen Informationen bestimmter Straßensegmente durch Sammeln von fahrdynamischen Datenspuren. Ein Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs schließt Folgendes ein: Bestimmen des Fahrzeugstandortes; Identifizieren eines Straßensegmentes, das dem Standort des Fahrzeugs entspricht; Empfangen von straßenbezogenen Daten, die diesem Straßensegment zugeordnet sind; Bestimmen eines Drehwinkels und einer Mittellinie für das Straßensegment; Empfangen von Fahrzeugdaten, die Fahrzeugstandorte und Dynamik für mehrere Fahrzeuge anzeigen, die auf dem Straßensegment fahren; Bestimmen von Trajektoriendaten, die Startpunkte, Endpunkte und Mittellinienversatzabstände für diese Fahrzeuge anzeigen; Identifizieren der Gesamtfahrspuren für das Straßensegment durch Verarbeiten der Trajektoriendaten mit einem Clustering-Algorithmus, der den Drehwinkel und die Mittellinie angibt; Extrahieren virtueller Trajektorien für die Fahrspuren; und Anweisen eines Fahrzeugsubsystems, einen Steuervorgang basierend auf einer extrahierten virtuellen Trajektorie für mindestens eine Fahrspur auszuführen.

Description

EINLEITUNG
Die vorliegende Offenbarung bezieht sich allgemein auf Fahrzeugnavigationssysteme mit Straßenkartierungsfähigkeiten. Genauer gesagt beziehen sich die Aspekte dieser Offenbarung auf intelligente Navigationssysteme und Steuerlogik zur Abschätzung des Fahrbahnsegmentlayouts.
Motorfahrzeuge der derzeitigen Produktion, wie etwa das moderne Kraftfahrzeug, sind ursprünglich mit einem Netzwerk von fahrzeuginternen elektronischen Vorrichtungen ausgestattet oder nachgerüstet, die automatisierte Fahrfähigkeiten bereitstellen, die dazu beitragen, den Fahreraufwand zu minimieren. Bei Kraftfahrzeuganwendungen ist beispielsweise die am häufigsten anzutreffende Art von automatisierter Fahrweise das Tempomatsystem, das es einem Fahrzeugführer ermöglicht, eine bestimmte Fahrzeuggeschwindigkeit einzustellen und diese vom fahrzeuginternen Computersystem beibehalten zu lassen, ohne dass der Fahrer das Gas- oder Bremspedal betätigt. Die adaptive Geschwindigkeitsregelung (ACC) der nächsten Generation ist eine computerautomatisierte Fahrfunktion, die die Fahrzeuggeschwindigkeit regelt und gleichzeitig den vorderen und hinteren Abstand zwischen dem Host-Fahrzeug und den führenden/folgenden Fahrzeugen verwaltet. Eine weitere Art von automatisierter Fahrfunktion ist der Notbremsassistent (Collision Avoidance System, CAS), der drohende Kollisionszustände erkennt und den Fahrer warnt und gleichzeitig selbstständig vorbeugende Maßnahmen ergreift, z. B. durch Lenken oder Bremsen ohne Fahrereingriff. Intelligente Parkassistenzsysteme (IPAS), Spurüberwachungs- und Lenkautomatiksysteme („Auto Steer“) und andere Fahrerassistenzsysteme (Advanced Driver Assistance Systems, ADAS) sowie autonome Fahrfunktionen sind ebenfalls in vielen modernen Automobilen verfügbar.
Da sich die Fahrzeugverarbeitungs-, Kommunikations- und Sensorfähigkeiten weiter verbessern, werden die Hersteller weiterhin mehr systemautomatisierte Fahrfähigkeiten anbieten, mit dem Bestreben, letztendlich völlig autonome Fahrzeuge anzubieten, die in der Lage sind, zwischen heterogenen Fahrzeugtypen sowohl in städtischen als auch in ländlichen Szenarien zu agieren. Erstausrüster (OEM) bewegen sich hin zu Fahrzeug-mit-Infrastruktur (V2I) und Fahrzeug-mit-Fahrzeug (V2V) „sprechenden“ Autos mit übergeordneter Fahrautomation, die autonome Systeme einsetzen, um die Fahrzeugführung mit Lenkung, Spurwechsel, Szenarioplanung usw. zu ermöglichen. Automatisierte Routengenerierungssysteme verwenden Fahrzeugzustands- und Dynamiksensoren, Karten- und Straßenzustandsdaten sowie Algorithmen zur Wegvorhersage, um die Weggenerierung mit automatisierter Vorhersage von Spurmitte und Spurwechsel zu ermöglichen. Computerunterstützte Umleitungstechniken bieten prognostizierte alternative Fahrtrouten an, die beispielsweise auf der Grundlage von Echtzeit- und virtuellen Fahrzeugdaten aktualisiert werden können.
Viele Autos sind nun mit einem fahrzeuginternen Fahrzeugnavigationssystem ausgestattet, das einen globalen Positionsbestimmungssystem (gps)- Transceiver in Zusammenarbeit mit Navigationssoftware und einer Abbildungsdatenbank verwendet, um Fahrbahnlayout, Verkehrs- und Geschwindigkeitsbegrenzungsinformationen zu erhalten, die dem aktuellen Standort des Fahrzeugs zugeordnet sind. ADAS und autonome Fahrsysteme sind oft in der Lage, bestimmte automatisierte Fahrmanöver auf der Grundlage von durch das fahrzeuginterne Navigationssystem erhaltenen Fahrbahninformationen anzupassen. So nutzt beispielsweise das fahrzeugbasierte Ad-hoc-Netzwerk ADAS GPS- und Kartierungsdaten in Verbindung mit Multi-Hop-Geocast V2V- und V2I-Datenaustausch, um automatisierte Fahrzeugmanöver zu und über Fahrbahnkreuzungen zu ermöglichen. Die in der Kartendatenbank gespeicherten Fahrbahninformationen können jedoch veraltet sein und möglicherweise keine umfassenden Informationen über den Straßennamen, die Ausrichtung, den Verkehr und die Höchstgeschwindigkeit hinaus liefern. Zusätzlich ist die Verwendung einer Flotte von Vermessungsfahrzeugen, um Datenbank-gespeicherte Fahrbahninformationen zu aktualisieren, äußerst kostspielig und zeitaufwendig.
KURZDARSTELLUNG
Offenbart hierin sind intelligente Fahrzeugnavigationssysteme und eine begleitende Steuerlogik zum Extrahieren von Mehrspurtrennung und Trajektorieninformation von Fahrbahnsegmenten, Verfahren zur Herstellung und Verfahren zum Betreiben solcher Systeme und Kraftfahrzeuge, die mit intelligenten Navigationssystemen ausgestattet sind, die fahrspurbezogene Datenbewertungsfähigkeiten aufweisen. Als Beispiel werden neue Systeme und Verfahren zur Bereitstellung von Mehrspurtrennung und virtueller Trajektorienextraktion an Straßenkreuzungen durch Sammeln von GPSgenerierten Fahrdynamikdatenspuren vorgestellt. Ein repräsentatives Verfahren verwendet Straßenkarten, wie etwa eine OpenStreetMap® (OSM)-Datenbank, als Basisquelle, um eine erste Einschätzung der fahrspurbezogenen Topologie von Kreuzungen abzuleiten. Das Verfahren kann spurspezifische Drehfensterschätzungen basierend auf aggregierten Gierraten- und Kursdaten erzeugen und einen Clustering-Algorithmus verwenden, um Startpunkte, Endpunkte und senkrechte Abstände zu kombinieren, um eine Anzahl von befahrbaren Spuren für jedes Segment einer betreffenden Kreuzung abzuleiten. Fahrspurspezifische Drehregeln können extrahiert werden, indem eine statistische Verteilung des fahrspurorientierten Drehverhaltens von Drittfahrzeugen untersucht wird, die über eine bestimmte Kreuzung fahren.
Offenbarte Techniken helfen, Fahrbahndetails für Straßenkreuzungen und andere Straßensegmente in Navigationskartendatenbanken abzuleiten, was die Integrität und Funktionalität der automatisierten und unterstützten Fahrzeugnavigation verbessert. Straßenbezogene Daten sind im Allgemeinen auf eine Anzahl von Straßensegmenten, die an einer betreffenden Kreuzung zusammentreffen („3-Wege-Kreuzung“, „4-Wege-Kreuzung“, „5-Wege-Kreuzung“ usw.), einen Namen für jedes Straßensegment, eine Geschwindigkeitsbeschränkung für jedes Straßensegment und grundlegende Informationen zur Fahrspurausrichtung beschränkt. Fahrspurbezogene Daten für ein bestimmtes Straßensegment können dagegen Folgendes einschließen: eine Gesamtzahl von Fahrspuren (einspurige Straße, zweispurige Zweirichtungsstraße, Zweirichtungsstraße mit mittlerer Abbiegespur usw.); eine Anzahl von Linksabbiegerspuren (falls vorhanden), eine Anzahl von Rechtsabbiegerspuren (falls vorhanden) und eine Anzahl von geradeaus fahrenden Fahrspuren (falls vorhanden); Abbiegerregeln für jede Spur (z. B, nur für Rechtsabbieger, nur für Linksabbieger, gerade und linksabbiegende Fahrspur usw.); virtuelle Trajektoriendaten (z. B. Abbiegen auf die Straße mit Option mehrerer Fahrspuren), usw. Die offenbarten statistischen Techniken ermöglichen eine genaue, zeitnahe, fahrspurbezogene Datenabfrage unter Verwendung von Basisdaten aus der Kartendatenbank und mit dem Beitrag von „crowd-sourced“ Fahrzeugen als Sensoren. Darüber hinaus trägt die Zusammenführung von Daten aus einer großen, offenen Gruppe von teilnehmenden Fahrzeugen dazu bei, dass das Erfordernis von eigens dafür vorgesehenen Messfahrzeugen wegfällt und sich somit der Zeit- und Kostenaufwand für die Aktualisierung von Datenbankabgespeicherten Fahrbahninformationen erheblich reduziert. Neben der Bereitstellung kostengünstigerer, zeitnaher Aktualisierungen tragen die offenbarten Systeme und Verfahren dazu bei, ADAS und autonome Fahrfunktionalität zu verbessern.
Die Aspekte dieser Offenbarung richten sich auf probabilistische Modellierungstechniken und computerausführbare Algorithmen zum Berechnen eines oder mehrerer unterschiedlicher Parameter einer beobachteten dynamischen Fahrumgebung. So werden beispielsweise Verfahren zum Modulieren eines steuerungsgeregelten Betriebs eines Kraftfahrzeugs vorgestellt, die auf Trajektorie- und Spurtrennungsdaten basieren, die durch statistische Analysen von Fahrdynamikdatenspuren abgeleitet werden. Ein repräsentatives Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs schließt in beliebiger Reihenfolge und in beliebiger Kombination mit einer der oben und unten offenbarten Optionen und Merkmale Folgendes ein: Bestimmen, z. B. über eine residente Fahrzeugsteuerung des Kraftfahrzeugs durch kooperativen Betrieb mit einem GPS-Sender-Empfänger, einem Mobilfunk-Datenchip usw., eines Standorts des Kraftfahrzeugs; Durchführen, z. B. von über die residente Fahrzeugsteuerung durch kooperativen Betrieb mit einem residenten Fahrzeugnavigationssystem oder einem entfernten Navigationsdaten-Drittanbieter, einer geografischen Abfrage zum Identifizieren eines betreffenden Straßensegments, das dem Standort des Fahrzeugs entspricht; und Empfangen z. B. von Straßenstandsdaten, die dem betreffenden Straßensegment zugeordnet sind, durch die residente Fahrzeugsteuerung aus einer residenten oder in einem entfernten Speicher gespeicherten Kartendatenbank.
In Fortsetzung des obigen Beispiel, kann das Verfahren ferner Folgendes umfassen: Bestimmen, z. B. durch einen Hochgeschwindigkeitsrechner der Serverklasse einer Host-Cloud-Computing-Plattform, eines Drehwinkels und einer Mittellinie für das bestimmte Straßensegment basierend auf den straßenbezogenen Daten; Empfangen, z. B. über den entfernten Servercomputer, verbundener Fahrzeugdaten, die Fahrzeugpositionen und -dynamik für mehrere auf dem betreffenden Straßensegment fahrende Kraftfahrzeuge anzeigen; Bestimmen, aus diesen verbundenen Fahrzeugdaten, von Trajektoriendaten, die die jeweiligen Startpunkte, Endpunkte und Mittellinienabstände für die mehreren Kraftfahrzeuge angeben; Identifizieren, z. B, über den entfernten Servercomputer, der den Drehwinkel und die Mittellinie angibt, einer Anzahl von Fahrspuren für das bestimmte Straßensegment durch Verarbeiten der Trajektoriendaten mit einem Clustering-Algorithmus, Extrahieren einer entsprechenden virtuellen Trajektorie für jede Fahrspur und Übertragen einiger oder aller vorangehenden Fahrspurendaten an das Kraftfahrzeug. Die residente Fahrzeugsteuerung überträgt daraufhin ein oder mehrere Steuersignale an ein residentes Fahrzeug-Subsystem, um einen Steuervorgang basierend auf einer oder mehreren der extrahierten virtuellen Trajektorien für eine oder mehrere der Fahrspuren des betreffenden Straßensegments auszuführen.
Weitere Aspekte der vorliegenden Offenbarung richten sich an intelligente Fahrzeugnavigationssysteme zur Ableitung von fahrspurbezogenen Fahrbahninformationen durch statistische Analyse von Daten, die von mehreren teilnehmenden Kraftfahrzeugen gesammelt wurden. Wie hierin verwendet, kann der Begriff „Kraftfahrzeug“ jede relevante Fahrzeugplattform einschließen, wie etwa Personenkraftwagen (Verbrennungsmotor, Hybrid, vollelektrisch, Brennstoffzelle usw.), Nutzfahrzeuge, Industriefahrzeuge, Kettenfahrzeuge, Geländewagen und Geländefahrzeuge (ATV), Motorräder usw. Darüber hinaus können die Begriffe „assistiert“ und „automatisiert“ und „autonom“ in Bezug auf jede relevante Fahrzeugplattform verwendet werden, die als Fahrzeug Level 2, 3, 4 oder 5 der Society of Automotive Engineers (SAE) eingestuft werden kann. SAE Level 0 zum Beispiel wird im Allgemeinen als „ununterstütztes“ Fahren bezeichnet, das fahrzeuggenerierte Warnungen mit vorübergehender Intervention ermöglicht, sich aber ansonsten ausschließlich auf menschliche Kontrolle stützt. Im Vergleich dazu ermöglicht SAE Level 3 ununterstütztes, teilunterstütztes und völlig autonomes Fahren mit ausreichender Fahrzeugautomation für eine vollständige Fahrzeugsteuerung (Lenkung, Geschwindigkeit, Beschleunigung/Verzögerung usw.), während Fahrerintervention innerhalb eines kalibrierten Zeitrahmens zwingend ist. Am oberen Ende des Spektrums steht die Level-5-Automation, die menschliche Intervention vollständig ausschließt (z. B. kein Lenkrad, Gaspedal oder Schaltknopf).
In einem Beispiel schließt ein intelligentes Fahrzeugnavigationssystem einen entfernten Systemservercomputer ein, der zur Kommunikation mit mehreren Kraftfahrzeugen betreibbar ist. Jedes Kraftfahrzeug schließt eine Fahrzeugkarosserie, einen Fahrzeugantriebsstrang, der an der Fahrzeugkarosserie befestigt ist und zum Antreiben der Fahrzeugkarosserie betreibbar ist, und ein Fahrzeugnavigationssystem mit einer Ortungsvorrichtung und einer an der Fahrzeugkarosserie befestigten grafischen Mensch-Maschine-Schnittstelle (HMI) ein. Eine residente Fahrzeugsteuerung ist an der Fahrzeugkarosserie angebracht und mit dem Fahrzeugantriebsstrang und Navigationssystemen betriebsmäßig verbunden. Die residente Fahrzeugsteuerung ist programmiert, um Speicher-abgespeicherte Anweisungen auszuführen, um: über die Ortsverfolgungseinrichtung des Fahrzeugnavigationssystems den Standort des Kraftfahrzeugs zu bestimmen; über das Fahrzeugnavigationssystem ein bestimmtes Straßensegment zu bestimmen, das dem Fahrzeugstandort entspricht; und über das Fahrzeugnavigationssystem aus einer Speicher-abgespeicherten Kartendatenbank straßenbezogene Daten zu empfangen, die dem betreffenden Straßensegment zugeordnet sind.
In Fortsetzung des obigen Beispiels ist der entfernte Server Computer programmiert zur Ausführung der im Speicher gespeicherten Anweisungen zum: Bestimmen eines Drehwinkels und einer Mittellinie für das betreffende Straßensegment aus den straßenbezogenen Daten; Empfangen von verbundenen Fahrzeugdaten, die die Fahrzeugpositionen und -dynamik für mehrere Kraftfahrzeuge anzeigen, die auf dem betreffenden Straßensegment fahren; Bestimmen von Trajektoriendaten aus den verbundenen Fahrzeugdaten, die die jeweiligen Startpunkte, Endpunkte und Mittellinienversatzabständen für die mehreren Kraftfahrzeuge anzeigen; Identifizieren einer Anzahl von Fahrspuren für das betreffende Straßensegment durch Verarbeiten der Trajektoriendaten mit einem Clustering-Algorithmus unter Berücksichtigung des Drehwinkels und der Mittellinie des Straßensegments; und Extrahieren einer jeweiligen virtuellen Trajektorie für jede Fahrspur. Die residente Fahrzeugsteuerung ist betreibbar, um eine oder mehrere der extrahierten virtuellen Trajektorien vom entfernten Systemservercomputer zu empfangen und daraufhin ein oder mehrere Befehlssignale an ein residentes Fahrzeugsubsystem zu senden, um einen Steuervorgang basierend auf einer oder mehreren der extrahierten virtuellen Trajektorien auszuführen.
Für eines der offenbarten Systeme, Verfahren und Fahrzeuge kann das Bestimmen eines Drehwinkels für ein betreffendes Straßensegment das Bestimmen eines Eintrittswinkels (IN) δ_IN und eines Austrittswinkels (OUT) δ_OUT aus den entsprechenden Straßendaten und das Berechnen des Drehwinkels als θ_T, wobei θ_T = δ_OUT - δ_IN einschließen. In diesem Fall kann das Bestimmen einer Mittellinie für ein gegebenes Straßensegment das Bestimmen von Schnittpunkt-Mittelpunktkoordinaten x₀, y₀ aus den straßenbezogenen Daten, und das Bestimmen von Eintritts- und Austrittswinkel δ_IN bzw. δ_OUT aus den straßenbezogenen Daten einschließen. Eine eingehende Mittellinie L_IN wird berechnet als (y_IN -y₀) = δ_IN(x_IN - x₀), wohingegen ein ausgehende Mittellinie L_OUT als (y_OUT - y₀) = δ_OUT(x_OUT - x₀) berechnet wird.
Für jedes der offenbarten Systeme, Verfahren und Fahrzeuge kann das Extrahieren einer entsprechenden virtuellen Trajektorie für eine entsprechende Fahrspur das Berechnen einer jeweiligen Startkursrichtung H1, einer jeweiligen Endkursrichtung H2 und eines entsprechenden Drehwinkels θ₁ für die entsprechende Fahrspur einschließen. Das Berechnen eines jeweiligen Drehwinkels kann das Berechnen des Drehwinkels als θ₁ einschließen, wobei θ₁ = ∫Ydt, und wobei Y ist eine Gierrate und dt eine zeitliche Ableitung ist. In diesem Fall kann jeder Startpunkt als ein erster Ort identifiziert werden, an dem die Gierrate des Fahrzeugs beginnt, sich von einer kalibrierten Schwellenschätzung weg zu erhöhen/zu verringern; jeder Endpunkt hingegen kann als ein zweiter Ort identifiziert werden, an dem die Gierrate des Fahrzeugs sich zu dieser kalibrierten Schwellenschätzung erhöht/verringert.
Für jedes der offenbarten Systeme, Verfahren und Fahrzeuge schließt die Verarbeitung der Trajektoriendaten mit den Clustering-Algorithmus das Identifizieren der Anzahl von Fahrspuren als eine geschätzte Zahl von Clustern K ein, wobei K = Max(Diff_pd)/W_lane, und wobei Diff_pd eine Differenz zwischen Startpunkten-Mittellinienversatzabständen oder Endpunkten- Mittellinienversatzabständen ist und W_lane eine standardisierte dem betreffenden Straßensegment entsprechende Fahrspurbreite ist. Als noch eine weitere Möglichkeit kann das Bestimmen eines Mittellinienversatzabstandes für ein teilnehmendes Fahrzeug das Berechnen eines entsprechenden senkrechten Abstands PD von der Mittellinie als (|aX + bY + c|) /√(a² + b²) einschließen, wobei aX + bY + c, die gleich Null (0) gesetzt werden können, eine lineare Gleichung ist, die die Mittellinie darstellt, X ein Startpunkt ist und Y ein Endpunkt ist.
Für jedes der offenbarten Systeme, Verfahren, und Fahrzeuge, kann das Identifizieren des betreffenden Straßenabschnitts entsprechend dem Fahrzeug-Standort das Bestimmen eines (quadratischen oder rechteckigen) Begrenzungskastens einschließen, der eine Reihe von geografischen Grenzen um den Standort des Fahrzeugs herum beschreibt. Bei einigen Anwendungen kann die Anzahl der Fahrspuren für ein bestimmtes Straßensegment eine einzelne Fahrspur oder mehrere Fahrspuren (z. B. erste, zweite, dritte, ... N Fahrspuren) einschließen; gleichzeitig können eine einzelne virtuelle Trajektorie oder mehrere virtuelle Trajektorien für eine einzelne Fahrspur oder mehrere virtuelle Trajektorien für jede von mehreren Fahrspuren extrahiert werden. So kann zum Beispiel eine erste virtuelle Trajektorie für eine erste Fahrspur extrahiert werden und eine zweite virtuelle Trajektorie, die von der ersten virtuellen Trajektorie verschieden ist, kann für eine zweite Fahrspur extrahiert werden. Optional können dritte und vierte virtuelle Trajektorien, die von den ersten und zweiten virtuellen Trajektorien verschieden sind, für eine dritte Fahrspur extrahiert werden.
Für jedes der offenbarten Systeme, Verfahren und Fahrzeuge kann das residente Fahrzeugsubsystem ein ADAS-Kreuzungsassistenzsystem oder ein anderes geeignetes Fahrzeuglenk- und Bremssteuersystem einschließen. In diesem Fall kann der Steuervorgang das Ausführen eines automatisierten Lenk - und/oder Bremsmanövers einschließen, das durch das ADAS-Kreuzungsassistenzmodul basierend auf mindestens einer der extrahierten virtuellen Trajektorien angepasst wird. Zusätzlich oder alternativ kann das residente Fahrzeugsubsystem ein Fahrzeugnavigationssystem mit einer elektronischen Anzeigevorrichtung einschließen. In diesem Beispiel kann der Steuervorgang das Speichern von fahrspurbezogenen Daten, einschließlich Anzahl der Fahrspuren und extrahierte virtuelle Trajektorien für die Fahrspuren, in einer Speicher-gelagerten Kartendatenbank einschließen. Eine Anzeige einer oder mehrerer der extrahierten virtuellen Trajektorien kann auf der elektronischen Anzeigevorrichtung des Fahrzeugs angezeigt werden.
Die obige Zusammenfassung soll nicht jede Ausführungsform oder jeden Aspekt der vorliegenden Offenbarung darstellen. Entsprechend stellt die vorangehende Zusammenfassung lediglich eine beispielhafte Veranschaulichung einiger der neuen Konzepte und Merkmale, die hierin dargelegt sind, bereit. Die obigen Merkmale und Vorteile, sowie andere Merkmale und Vorteile dieser Offenbarung, werden leicht offensichtlich aus der folgenden detaillierten Beschreibung der dargestellten Beispiele und repräsentative Weisen für die Durchführung der vorliegenden Offenbarung in Verbindung mit den begleitenden Zeichnungen und den beigefügten Ansprüchen. Darüber hinaus schließt diese Offenbarung ausdrücklich jede und alle Kombinationen und Teilkombinationen von oben dargestellten und beschriebenen Elementen und Merkmalen ein.
Figurenliste

1 ist eine schematische Darstellung eines typischen Kraftfahrzeugs mit einem Netzwerk von fahrzeuginternen Steuerungen, Nachweis- und Kommunikationsvorrichtungen zum Ausführen automatisierter und/oder autonomer Fahrvorgänge gemäß Aspekten der vorliegenden Offenbarung.
2 ist ein Flussdiagramm eines Mehrspurtrenn- und Trajektorienextraktionsalgorithmus zum Ableiten von fahrspurbenzogenen Straßensegmentdaten, die Speicher-abgespeicherten Anweisungen entsprechen können, die von einer bordeigenen oder ferngesteuerten Logikschaltung, einer programmierbaren elektronischen Steuereinheit oder einer anderen computergestützten Vorrichtung oder einem Netzwerk von Vorrichtungen gemäß Aspekten der offenbarten Konzepte ausgeführt werden.
3 ist ein Flussdiagramm eines Startpunkt-/Endpunkterkennungsalgorithmus zum Ableiten von Straßensegment-Drehfensterdaten, der Speicher-abgespeicherten Anweisungen entsprechen kann, die von einer bordeigenen oder ferngesteuerten Logikschaltung, einer programmierbaren elektronischen Steuereinheit oder einer anderen computergestützten Vorrichtung oder einem Netzwerk von Vorrichtungen gemäß Aspekten der offenbarten Konzepte ausgeführt werden.
4 ist ein Flussdiagramm eines Cluster-Algorithmus zum Ableiten einer Anzahl von Drehspuren für ein gegebenes Straßensegment, der Speicher-abgespeicherten Anweisungen entsprechen kann, die von einer bordeigenen oder ferngesteuerten Logikschaltung, einer programmierbaren elektronischen Steuereinheit oder einer anderen computergestützten Vorrichtung oder einem Netzwerk von Vorrichtungen gemäß Aspekten der offenbarten Konzepte ausgeführt werden.

Die vorliegende Offenbarung eignet sich für verschiedene Modifikationen und alternative Formen, und einige repräsentative Ausführungsformen sind beispielhaft in den Zeichnungen gezeigt und werden hierin im Detail beschrieben. Es versteht sich jedoch, dass die neuen Aspekte dieser Offenbarung nicht auf die bestimmten Formen in der oben aufgezählten Zeichnungen beschränkt sind. Entsprechend soll die Offenbarung sämtliche Modifikationen, Äquivalente, Kombinationen, Unterkombinationen, Vertauschungen, Gruppierungen und Alternativen abdecken, die in den Schutzumfang dieser Offenbarung fallen, wie er durch die beigefügten Ansprüche mitumfasst ist.
DETAILLIERTE BESCHREIBUNG
Diese Offenbarung ist Ausführungsformen in vielen verschiedenen Formen zugänglich. In den Zeichnungen sind repräsentative Ausführungsformen der Offenbarung dargestellt und werden hierin ausführlich beschrieben, mit dem Verständnis, dass diese repräsentativen Beispiele als Beispiel für die offenbarten Prinzipien und nicht für Einschränkungen der allgemeinen Aspekte der Offenbarung dienen. Insofern sollten Elemente und Einschränkungen, die beispielsweise in den Abschnitten Zusammenfassung, Einleitung, Zusammenfassung und detaillierte Beschreibung beschrieben, aber nicht ausdrücklich in den Ansprüchen dargelegt sind, nicht einzeln oder gemeinsam durch Implikation, Schlussfolgerung oder anderweitig in die Ansprüche einbezogen werden.
Für die Zwecke der vorliegenden detaillierten Beschreibung, sofern nicht ausdrücklich abgelehnt, gilt: der Singular schließt den Plural ein und umgekehrt; die Worte „und“ und „oder“ sollen sowohl konjunktiv als auch disjunktiv sein; die Worte „jeder“ und „alles“ sollen beide „jeder und alles“ bedeuten; und die Worte „einschließlich“, „enthaltend“, „beinhaltend“, „umfassend“, „haben“, und dergleichen sollen jeweils „einschließlich ohne Einschränkung“ bedeuten. Darüber hinaus können hierin Näherungsbegriffe wie „etwa“, „fast“, „im Wesentlichen“, „annähernd“ und dergleichen beispielsweise im Sinne von „bei, nahe oder annähernd bei“ oder „innerhalb von 0-5 % von“ oder „innerhalb vertretbarer Fertigungstoleranzen“ oder einer logischen Kombination davon verwendet werden. Schließlich können Richtungsadjektive und -adverbien, wie etwa vorne, hinten, innen, außen, steuerbord, backbord, vertikal, horizontal, oben, unten, vorne, hinten, links, rechts usw., in Bezug auf ein Kraftfahrzeug stehen, wie etwa eine Vorwärtsfahrtrichtung eines Kraftfahrzeugs, wenn das Fahrzeug betriebsmäßig auf einer normalen Fahrfläche ausgerichtet ist.
Bezug nehmend nun auf die Zeichnungen, in denen sich gleiche Bezugszeichen auf gleiche Merkmale in den verschiedenen Ansichten beziehen, ist in 1 ein repräsentatives Fahrzeug gezeigt, welches im Allgemeinen mit 10 bezeichnet und hierin zum Zwecke der Beschreibung als eine Limousine in der Art eines Personenkraftwagens dargestellt ist. Verpackt in einer Fahrzeugkarosserie 12 des Kraftfahrzeugs 10, z. B. verteilt über die verschiedenen Fahrzeugabteile ist ein Bordnetz von elektronischen Vorrichtungen zum Ausführen von einem oder mehreren assistierten oder automatisierten Fahrbetrieben. Das dargestellte Automobil 10 - hierin kurz auch als „Kraftfahrzeug“ oder kurz „Fahrzeug“ bezeichnet - ist lediglich eine beispielhafte Anwendung, mit der Aspekte und Merkmale dieser Offenbarung praktisch umgesetzt werden können. In gleicher Weise ist die Implementierung der vorliegenden Konzepte für die nachfolgend diskutierte spezifische Computernetzwerkarchitektur auch als beispielhafte Anwendung der hierin offenbarten Neuerungen zu werten. Daher versteht es sich, dass Aspekte und Merkmale dieser Offenbarung auf andere Systemarchitekturen angewendet werden können, die für verschiedene automatisierte Fahrbetriebe verwendet werden und für jede logisch relevante Art von Kraftfahrzeug implementiert sind. Darüber hinaus wurden nur ausgewählte Komponenten des Netzwerks und Fahrzeugs gezeigt und werden nachstehend in weiteren Einzelheiten beschrieben. Trotzdem können die hier diskutierten Kraftfahrzeuge und Netzwerkarchitekturen zahlreiche weitere und alternative Merkmale und andere verfügbare periphere Komponenten zum Beispiel zur Durchführung der verschiedenen Verfahren und Funktionen dieser Offenbarung einschließen. Schließlich sind die hierin dargestellten Zeichnungen nicht notwendigerweise maßstabsgetreu und werden lediglich zu lehrenden Zwecken bereitgestellt. Somit sind die spezifischen und relativen Abmessungen, die in den Zeichnungen gezeigt sind, nicht als einschränkend auszulegen.
Das repräsentative Fahrzeug 10 von 1 ist ursprünglich mit einer Fahrzeug-Telekommunikations- und Informations - („Telematik“) Einheit 14 ausgestattet, die drahtlos (z. B. über Zelltürme, Basisstationen und/oder Mobilvermittlungsstellen (MSCs) usw.) mit einem entfernt angeordneten oder „off board“ Cloud Computing System 24 kommuniziert. Einige der anderen Fahrzeug-Hardwarekomponenten 16, die allgemein in 1 gezeigt sind, schließen als nicht einschränkende Beispiele eine elektronische Videoanzeigevorrichtung 18, ein Mikrofon 28, einen oder mehrere Audiolautsprecher 30 und diverse Eingabesteuerungen 32 (z. B. Tasten, Knöpfe, Schalter, Trackpads, Tastaturen, Touchscreens usw.) ein. Im Allgemeinen fungieren diese Hardwarekomponenten 16 teilweise als Mensch-Maschine-Schnittstelle (HMI), um einem Benutzer die Kommunikation mit der Telematikeinheit 14 und anderen Systemen und Systemkomponenten des Fahrzeugs 10 zu ermöglichen. Das Mikrofon 28 stellt einem Fahrzeuginsassen Mittel zur Verfügung, um Sprachbefehle oder andere hörbare Befehle einzugeben; das Fahrzeug 10 kann mit einer integrierten Sprachverarbeitungseinheit ausgestattet sein, die mit einem Softwaremodul zur rechnerischen Spracherkennung programmiert ist. Umgekehrt stellt der Lautsprecher 30 einem Fahrzeuginsassen eine hörbare Ausgabe bereit und kann entweder ein eigenständiger eigens für die Verwendung mit der Telematikeinheit 14 vorgesehener Lautsprecher oder Teil des Audiosystems 22 sein. Das Audiosystem 22 ist betriebsmäßig mit einer Netzwerkverbindungsschnittstelle 34 und einem Audiobus 20 verbunden, um über eine oder mehrere Lautsprecherkomponenten analoge Informationen zu empfangen und als Ton wiederzugeben.
Kommunikativ mit der Telematikeinheit 14 gekoppelt ist eine Netzwerkverbindungsschnittstelle 34, zu deren geeigneten Beispielen Twisted Pair/LWL-Ethernet-Switch, interner/externer paralleler/serieller Kommunikationsbus, eine LAN-Schnittstelle (Local Area Network), ein Controller Area Network (CAN), ein medienorientierter Systemtransfer (MOST), eine lokale Verbindungsnetzwerk-Schnittstelle (LIN) und dergleichen gehören. Andere geeignete Kommunikationsschnittstellen können solche einschließen, die den Normen und Spezifikationen von ISO, SAE und IEEE entsprechen. Die Netzwerkverbindungsschnittstelle 34 ermöglicht es der Fahrzeughardware 16, Signale untereinander und mit verschiedenen Systemen und Teilsystemen sowohl innerhalb als auch „resident“ zur Fahrzeugkarosserie 12 und außerhalb oder „entfernt“ von der Fahrzeugkarosserie 12 zu senden und zu empfangen. Dadurch kann das Fahrzeug 10 verschiedene Fahrzeugfunktionen ausführen, wie etwa die Steuerung der Fahrzeuglenkung, die Steuerung des Getriebes des Fahrzeugs, die Steuerung der Motordrosselklappe, das Ein- und Ausschalten des Bremssystems und andere automatisierte Fahrfunktionen. So empfängt und/oder überträgt beispielsweise die Telematikeinheit 14 Daten von/zu einer ADAS-Elektroniksteuereinheit (ECU) 52, einem Motorsteuermodul (ECM) 54, einem Antriebsstrangsteuermodul (PCM) 56, einem Sensor-Schnittstellenmodul (-modulen) 58, einem Bremssystemsteuermodul (BSCM) 60 und verschiedenen anderen Fahrzeug-ECUs, wie beispielsweise einem Getriebesteuermodul (TCM), einem Klimasteuermodul (CCM) usw.
Mit weiterem Bezug auf 1 ist die Telematikeinheit 14 eine bordeigene Rechenvorrichtung, die eine Mischung aus Diensten bereitstellt, sowohl einzeln als auch durch ihre Kommunikation mit anderen vernetzten Geräten. Diese Telematikeinheit 14 besteht im Allgemeinen aus einem oder mehreren Prozessoren 40, von denen jeder als diskreter Mikroprozessor ausgeführt sein kann, einer anwendungsspezifischen integrierten Schaltung (ASIC), einem dedizierten Steuermodul usw. Das Fahrzeug 10 kann eine zentralisierte Fahrzeugsteuerung über eine Zentraleinheit (CPU) 36 anbieten, die betriebsmäßig mit einer oder mehreren elektronischen Speichervorrichtungen 38 gekoppelt ist, die jeweils in Form von CD-ROM, Magnetplatte, IC-Vorrichtung, Halbleiterspeicher (z. B. verschiedene Arten von RAM oder ROM) usw. und einer Echtzeituhr (RTC) 42 vorliegen können. Langstrecken-Fahrzeugkommunikationsfähigkeiten mit entfernten, bordunabhängigen vernetzten Vorrichtungen können über einen oder mehrere oder über alle von einem zellularen Chipsatz/Komponente, einem/r Navigations- und Ortungs-Chipsatz/Komponente (z. B. Global Positioning System (GPS)-Sender-Empfänger) oder einem drahtlosen Modem bereitgestellt werden, die alle gemeinsam bei 44 dargestellt sind. Die drahtlose Nahbereichsverbindung kann über eine drahtlose Nahbereichskommunikationsvorrichtung 46 (z. B. eine Bluetooth® -Einheit oder einen Nahfeldkommunikationssender/Empfänger), eine eigene Kurzstreckenkommunikationskomponente 48 (DSRC) und/oder eine Doppelantenne 50 bereitgestellt werden. Es versteht sich, dass das Fahrzeug 10 ohne eine oder mehrere der oben genannten Komponenten implementiert werden kann oder zusätzliche Komponenten und Funktionen einschließen kann, wie es für einen bestimmten Endzweck gewünscht wird. Die verschiedenen vorstehend beschriebenen Kommunikationsvorrichtungen können konfiguriert werden, um Daten als Teil einer periodischen Übertragung in einem V2V-Kommunikationssystem oder einem Vehicle-to-Everything (V2X)-Kommunikationssystem auszutauschen, z. B. Vehicle-to-Infrastructure (V2I), Vehicle-to-Pedestrian (V2P) und/oder Vehicle-to-Device (V2D).
Die CPU 36 empfängt Sensordaten von einer oder mehreren Erfassungsvorrichtungen, die beispielsweise Fotodetektion, Radar, Laser, Ultraschall, Optik, Infrarot oder eine andere geeignete Technologie zur Durchführung eines automatisierten Fahrbetriebs verwenden. Gemäß dem veranschaulichten Beispiel kann das Kraftfahrzeug 10 mit einer oder mehreren Digitalkameras 62, einem oder mehreren Reichweitensensoren 64, einem oder mehreren Fahrzeugdrehzahlsensoren 66, einem oder mehreren Fahrdynamiksensoren 68 und jedweder erforderlichen Filter-, Klassifizierungs-, Fusions- und Analysehardware und Software zur Verarbeitung von Sensorrohdaten ausgestattet sein. Die Digitalkamera 62 kann einen CCD-Sensor (charge coupled device) oder einen anderen geeigneten optischen Sensor verwenden, um Bilder zu erzeugen, die ein Sichtfeld des Fahrzeugs 10 anzeigen, und kann für die kontinuierliche Bilderzeugung konfiguriert werden, z. B. mindestens etwa 35 Bilder, die pro Sekunde erzeugt werden. Zum Vergleich kann der Entfernungssensor 64 reflektierte Funk-, elektromagnetische oder lichtbasierte Wellen (z. B. Radar, EM induktiv, Lichtdetektion und -entfernung (LIDAR) usw.) ausstrahlen und erfassen, um beispielsweise Anwesenheit, geometrische Abmessungen und/oder Nähe eines Objekts zu erfassen. Der Fahrzeuggeschwindigkeitssensor 66 kann verschiedene Formen annehmen, einschließlich Radgeschwindigkeitssensoren, die Radgeschwindigkeiten messen, die dann zum Bestimmen der Echtzeit-Fahrzeuggeschwindigkeit verwendet werden. Darüber hinaus kann der Fahrdynamiksensor 68 in der Art eines ein- oder dreiachsigen Beschleunigungssensors, eines Winkelgeschwindigkeitssensors, eines Inklinometers usw. zum Erfassen von Längs- und Querbeschleunigungen, Gier-, Roll- und/oder Neigungsraten oder anderen dynamischen Parametern vorliegen. Unter Verwendung von Daten aus den Erfassungsvorrichtungen 62, 64, 66, 68 identifiziert die CPU 36 Objekte innerhalb eines erfassbaren Bereichs des Fahrzeugs 10 und bestimmt Attribute des Endobjekts, wie Größe, relative Position, Anfahrwinkel, relative Geschwindigkeit usw. Im Allgemeinen tragen die offenbarten Systeme, Verfahren und Vorrichtungen dazu bei, fahrspurbezogene Fahrbahninformationen, wie etwa Fahrspurtrennung und geschätzte Trajektorien, für bestimmte Straßenabschnitte unter Verwendung von grundlegenden Fahrbahnkartendaten und durch Sammeln von fahrdynamischen Datenspuren abzuleiten. Straßennavigationskarten, wie sie beispielsweise im Rahmen des Gemeinschaftsprojekts OpenStreetMap® bereitgestellt werden, dienen als Ausgangsbasis für eine erste Schätzung der fahrspurbezogenen Topologie von Kreuzungen. Diese grundlegenden „straßenbezogenen“ Informationen können eine Straßensegmentzählung einschließen, die eine Anzahl von Straßensegmenten, die an einer bestimmten Kreuzung zusammenkommen, den/die Namen der sich kreuzenden Straßensegmente und grundlegende Spurausrichtungsinformationen (z. B. Geometrie der Draufsicht) angibt. Aus diesen straßenbezogenen Daten ist das System in der Lage, eine Mittellinie und einen oder mehrere Drehwinkel (falls vorhanden) für ein zu analysierendes Straßensegment zu schätzen. Fahrspurspezifische Drehfensterschätzungen werden basierend auf aggregierten Gierraten- und Kursdaten von teilnehmenden Fahrzeugen erstellt. Eine fahrspurspezifische Drehfensterschätzung kann im Allgemeinen einen unterschiedlichen Startkurs, einen unterschiedlichen Endkurs und einen unterschiedlichen Drehwinkel für eine bestimmte Kurve von einer bestimmten Fahrspur umfassen. Fahrdynamikdaten, die für die Schätzung von Drehfenstern verwendet werden, können zumindest teilweise von einer großen Anzahl von Fahrzeugen erzeugt werden, die als „Crowd-sourced“-Sensoren teilnehmen, z. B. unter Verwendung von GPS-Informationen und Fahrzeug-CAN-Busdaten (Controller Area Network).
Aus der Drehfensterschätzung und den entsprechenden kartenangepassten Fahrdynamikdaten werden Sätze von fahrspurspezifischen Start- und Endpunkten abgeleitet, indem Änderungen der Gierrate des Fahrzeugs einer kalibrierten Schwellenwertschätzung gegenübergestellt werden. Ein Clustering-Algorithmus wird dann verwendet, um Startpunkte, Endpunkte usw. den entsprechenden Gruppen auf Basis von senkrechten Abständen zu den Straßenmittellinien zuzuordnen. Durch Schätzen einer Gesamtanzahl von Clustergruppen ist das System in der Lage, eine geschätzte Anzahl von befahrbaren Fahrspuren für jedes Segment einer bestimmten Kreuzung abzuleiten. Jedes Cluster wird dann analysiert, um eine virtuelle Trajektorie für die entsprechende Kurve von einer bestimmten Fahrspur aus zu erzeugen, einschließlich der Mittellinien von Eintritt (IN) und Austritt (OUT) sowie eines geschätzten Pfades mit einem entsprechenden Drehwinkel. Die vorgenannten Techniken helfen, fahrspurbezogene Details für Straßenkreuzungen und andere Straßenabschnitte in Navigationskartendatenbanken abzuleiten, was wiederum dazu beiträgt, die Integrität und Funktionalität von automatischen und unterstützten Fahrzeugnavigationssystemen zu verbessern. Die offenbarten statistischen Techniken tragen auch dazu bei, eine genaue, zeitnahe, fahrspurbezogene Datenabfrage zu ermöglichen, indem Basisdaten aus der Kartendatenbank verwenden und mitwirkende „Crowd-sourced“-Fahrzeuge als Sensoren eingesetzt werden. Dies wiederum trägt dazu bei, den Einsatz von speziellen Vermessungsfahrzeugen zu vermeiden und reduziert so den mit der Aktualisierung von datenbankgestützten Fahrbahninformationen verbundenen Zeit- und Kostenaufwand erheblich.
Mit Bezug auf das Flussdiagramm von 2 wird nun ein verbessertes Verfahren oder eine verbesserte Steuerstrategie zum Ableiten von fahrspurenbezogenen Straßensegmentdaten unter Verwendung von Kartenabgleichs-, Drehfensterschätzungs-, Dynamikdaten-Clustering- und Fahrspurtrajektorien-Extraktionstechniken im Allgemeinen bei 100 gemäß den Aspekten der vorliegenden Offenbarung beschrieben. Einige oder alle der in 2 dargestellten und weiter unten detailierter beschriebenen Arbeitsvorgänge können für einen Algorithmus repräsentativ sein, der prozessorausführbaren Anweisungen entspricht, die beispielsweise im Haupt- oder Hilfs- oder Fernspeicher gespeichert und beispielsweise von einer Bord- oder Fernbedienung, einer Verarbeitungseinheit, einer Steuerlogikschaltung oder einem anderen Modul oder einer anderen Vorrichtung ausgeführt werden können, um eine oder alle der oben oder unten beschriebenen Funktionen im Zusammenhang mit den offenbarten Konzepten auszuführen. Es ist zu beachten, dass die Reihenfolge der Ausführung der veranschaulichten Betriebsblöcke geändert, zusätzliche Blöcke hinzugefügt und einige der beschriebenen Blöcke geändert, kombiniert oder eliminiert werden können.
Das Verfahren 100 beginnt im Prozessblock 101 mit prozessorausführbaren Anweisungen für eine programmierbare Steuerung oder ein Steuermodul oder einen ähnlich geeigneten Prozessor oder Servercomputer, um ein Tourverarbeitungsprotokoll 102 zu beginnen, das dazu bestimmt ist, Fahrzeugpositions- und -dynamikdaten von teilnehmenden „crowdsourced“ Fahrzeugen zu sammeln. Das Tourverarbeitungsprotokoll 102 sowie das nachfolgend beschriebene Kreuzungsabgleichsprotokoll 104, das Spurtrennprotokoll 106 und das virtuelle Trajektorien-Extraktionsprotokoll 108 können in Echtzeit, kontinuierlich, systematisch, sporadisch und/oder in regelmäßigen Abständen, z. B. alle 100 Millisekunden usw., im laufenden Systembetrieb ausgeführt werden. Als noch eine weitere Option können die Protokolle 102, 104, 106 und/oder 108 als Reaktion auf ein Promptsignal in Kraft treten, das von einem Backend oder Middleware-Computerknoten empfangen wird, der mit dem Sammeln, Analysieren, Sortieren, Speichern und Verteilen von Fahrbahninformationen beauftragt ist. Der Prozessblock 101 kann verbundene Fahrzeugdaten erfassen, die sich aus Fahrzeugortungsinformationen (z. B. GPS-generierte geodätische Breiten-, Längen- und Höhenangaben) und Fahrdynamikinformationen (z. B. Geschwindigkeit, Kurs, Beschleunigung (x, y, z-Komponenten), Gierrate usw.) zusammensetzen.
Sobald eine ausreichende Menge an Daten in dem Prozessblock 101 gesammelt wird, fährt das Verfahren 100 damit fort, Block 103 zu verarbeiten, um eine Datenvorverarbeitungsroutine durchzuführen. Diese Vorverarbeitungsroutine kann beispielsweise implementiert werden, um doppelte Datensätze, Ausreißer und Datenfehler durch Verwendung von Abstandsschätzung, Kurswinkelschätzung, probabilistischer Datenfilterung, Datenglättungsprotokollen oder anderen anwendbaren Techniken zu minimieren oder anderweitig zu eliminieren. Gesammelte und verarbeitete Daten werden in einer Kartendatenbank 105 durch den gemeinschaftlichen Betrieb zwischen einem Datenbankmanagementsystem (DBMS) und einem Hochgeschwindigkeits-Datenbankcomputer der Serverklasse gespeichert. Die Kartendatenbank 105 kann viele Formen annehmen, einschließlich einer speziellen 3D-Mapping-Server-Datenbank, die kartenbezogene Daten in Verbindung mit globalen Koordinaten liefert und häufig Positionen in Form einer Breitenposition, einer Längsposition sowie einer Höhe oder Elevation beschreibt. Der koordinierende Betrieb eines GPS-Geräts in Zusammenarbeit mit einer 3D-Mapping-Server-Datenbank kann nicht nur dazu verwendet werden, ein Fahrzeug in Bezug auf eine katalogisierte Straßengeometrie zu positionieren, sondern auch, um das Fahrzeug im Kontext von Straßendetails, wie etwa Straßenname, Geschwindigkeitsbegrenzung, Oberflächentyp, Neigung, Neigung, Neigung usw., zu platzieren.
Mit weiterem Bezug auf 2 stellt das Verfahren 100 einen Speicher-abgespeicherten, prozessorausführbaren Befehl zum Ausführen einer georäumlichen Abfrage am Ein-/Ausgabeblock 107 bereit. Als Beispiel und nicht als Einschränkung kann die bei Block 107 durchgeführte Abfrage die Echtzeit-Standortinformationen eines Fahrzeugs (d. h. GPS-generierte Positionsdaten, wie vorstehend beschrieben) und Zeitinformationen (d. h. einen Fahrzeug-Zeitstempel) verwenden, um standortspezifische geografische Informationen zu identifizieren. Georäumliche Informationen können in einigen nicht einschränkenden Beispielen Seitenstreifenlagedaten, Daten zur Lage des Straßenzentrums, Lage- und Geometriedaten der Straßenbegrenzung, Daten zur Lage des Kreuzungsmittelpunkts usw. einschließen. Die Nachbearbeitung der aus der Kartendatenbank 105 abgerufenen Daten erfolgt im Prozessblock 109. Ein Nachbearbeitungsverfahren kann die Konvertierung der abgerufenen Daten in einen oder mehrere Endformattypen (z. B. CSV-Datei (comma-separated values), JSON-Datei (JavaScript Object Notation) usw.) einschließen, die für die Interoperabilität mit anderen Systemen/Anwendungen erforderlich sein können. Sobald sie verarbeitet sind, werden die Daten im Prozessblock 111 „bereinigt“, bevor sie für rechnerische Zwecke freigegeben werden. Generell kann die Datenbereinigung auf große Datensätze angewendet werden, um die Daten zu bereinigen und dadurch die Genauigkeit eines großen Datensatzes zu verbessern. Die Datenbereinigung kann erkennbare Übertragungsfehler beseitigen, fehlerhafte Eingaben wie etwa ungültige Codes korrigieren, fehlende Daten aktualisieren und Instanzen mehrerer Quellen und Definitionen von Daten abstimmen.
Das Verfahren 100 führt weiter den Entscheidungsblock 113 durch, um zu bestimmen, ob die verarbeiteten und bereinigten Daten mit einem bestehenden Datensatz abgeglichen werden können. In Übereinstimmung mit der offenbarten Implementierung werden Tourdaten - ein Satz von Datenpunkten, der der Reihenfolge einer bestimmten Fahrzeugtour folgt, einschließlich Vorgänger- und Nachfolgepunkte für jeden Tourdatenpunkt - einem oder mehreren zugehörigen Datensätzen in einem bestehenden Kartendatensystem zugeordnet. Durch die Anpassung einer bestimmten Autofahrt an ein Straßen-Navigationskartensystem ist das Verfahren 100 in der Lage, Datensätze zu extrahieren, die straßenbezogene Informationen zur weiteren Verarbeitung enthalten. Wenn entschieden wird, dass ein Satz von verarbeiteten und bereinigten Daten nicht mit einem vorhandenen Datensatz abgeglichen werden kann (Block 113 = NO), fährt das Verfahren mit dem Prozessblock 115 fort und verwirft diesen bestimmten Datensatz. An dieser Stelle kann das Verfahren 100 zu Block 101 zurückkehren und in einer kontinuierlichen Schleife laufen oder vorübergehend enden. Nach dem Bestimmen, dass die verarbeiteten und bereinigten Daten aus den Prozessblöcken 109 und 111 mit einem vorhandenen Datensatz (Block 113 = JA) verknüpft werden können, geht das Verfahren 100 zu den Extraktionsprotokollen 104, 106, 108 für den Kreuzungsabgleich, die Spurtrennung und die virtuellen Trajektorien über.
Die Ausführung des Fahrspurtrennprotokolls 106 kann bei Prozessblock 117 mit Speicher-abgespeicherten, prozessorausführbaren Anweisungen zum Extrahieren von Tourdaten und zugehörigen Trajektorieninformationen aus dem Tourverarbeitungsprotokoll 102 für ein bestimmtes zu untersuchendes Fahrbahnsegment beginnen. Die abgerufenen Fahrt- und Trajektoriendaten können beispielsweise fahrzeuginterne, sensorgenerierte Fahrdynamikdaten einschließen, die von Drittfahrzeugen beschafft und einer bestimmten Kreuzung zugeordnet werden. Die Startpunkt- (SP) und Endpunkt- (EP) Erkennung für ein bestimmtes Fahrmanöver erfolgt am vordefinierten Prozessblock 119 unter Verwendung von Informationen, die durch das Tourverarbeitungsprotokoll 102 und das Kreuzungsabgleichsprotokoll 104 bereitgestellt werden. Für mindestens einige der offenbarten Implementierungen greift das Verfahren 100 auf eine OSM-Datenbank 121 zu, um Daten auf Straßenebene „nachzuschlagen“, die einer bestimmten Kreuzung zugeordnet sind; aus diesen Daten wird ein Kreuzungsmittelpunkt identifiziert und ein Begrenzungsrahmen mit beliebiger Form erzeugt, um geografische Grenzen der Kreuzung abzugrenzen. Zeitgleich mit der Identifizierung von straßenbezogenen Daten werden geometrische Topologieinformationen der Kreuzung aus einer Straßenkartendatenbank 123 abgerufen.
Unter Verwendung der Informationen aus der OSM-Datenbank 121 und der Straßenkarten-Datenbank 123 führt das Verfahren 100 im Prozessblock 125 eine IN-OUT-Drehwinkelschätzung durch. Im Allgemeinen stellt der Prozessblock 125 Anweisungen zum Identifizieren eines Straßensegmenteintritts-(IN)-Winkels δ_IN und eines Straßensegmentaustritts-(OUT)-winkels δ_OUT in Bezug auf einen Kreuzungsmittelpunkt bereit, der mit den Koordinaten (x₀, y₀) bezeichnet werden kann. Räumliche Beziehungen innerhalb einer kartenbasierten Darstellung eines gegebenen Straßensegements können relativ zu einer zweidimensionalen (2D) kartesischen Koordinatenebene angegeben werden. Wenn der Ursprung des kartesischen Raumes so eingestellt ist, dass er mit dem Kreuzungsmittelpunkt (x₀, y₀) übereinstimmt, können Mittellinien auf der Straße für die jeweilige Kreuzung als lineare Funktion dargestellt werden: y = ax + b, wobei x, y Variablen für zwei unabhängige Dimensionen sind und b = 0. In diesem Beispiel können ein Drehwinkel θ_T (z. B. im Uhrzeigersinn Grad, Nord = 0 Grad, Süd = 180 Grad), eine Eintrittsmittellinie L_IN und eine Austrittsmittellinie LOUT für den Schnittpunkt berechnet werden als: $θ_{T} = δ_{O U T} - δ_{I N}$
$L_{I N} : (y_{I N} - y_{0}) = δ_{I N} (x_{I N} - x_{0})$
$L_{O U T} : (y_{O U T} - y_{0}) = δ_{O U T} (x_{O U T} - x_{0})$
mit dem Eintrittspunktkoordinaten x_IN, y_IN und den Austrittspunktkoordinaten x_OUT, y_OUT. Ein geschätzter IN/OUT -Drehwinkel wird im Prozessblock 127 und geschätzte IN/OUT -Mittellinien werden im Prozessblock 129 identifiziert. Jede Mittellinie kann durch einen Satz von GPS-Bezugspunkten dargestellt werden.
Da nun das Kreuzungsabgleichsprotokoll 104 abgeschlossen ist, kann die SP-, EP-Erkennung im vordefinierten Prozessblock 119 des Spurtrennprotokolls 106 durchgeführt werden, um einen jeweiligen Startpunkt und einen jeweiligen Endpunkt für ein bestimmtes Drehmanöver an der gegebenen Kreuzung abzuleiten. Die SP-, EP-Detektion kann mit dem Schätzen eines jeweiligen Startkurses H₁, eines jeweiligen Endkurses H₂ und eines jeweiligen Drehwinkels θ₁ für jede Fahrspur einer bestimmten Kreuzung beginnen. Das Verfahren 100 verwendet stabile Start-/Endkurse, die aus Fahrzeugstandort- und Dynamikdaten mehrerer teilnehmender Fahrzeuge extrahiert werden, um den Fahrspurstart- und -endkurs zu ermitteln. Zumindest bei einigen Implementierungen kann der Startkurs H₁ gleich dem Eintrittswinkel δ_IN und der Endkurs H₂ gleich dem Austrittswinkel δ_IN sein. In diesem Fall kann der Drehwinkel θ₁ als θ₁ = ∫Ydt geschätzt werden, wobei Y eine Gierrate und dt eine Zeitableitung ist.
3 stellt ein repräsentatives SP-/EP-Erfassungsverfahren 200 zum Auffinden eines Start- und Endpunktes für ein Straßensegment-Drehfenster aus den vorgenannten Tourdaten dar. Jeder einzelne Startpunkt SP kann als eine diskrete erste Stelle auf der Straße identifiziert werden, bei der die Gierrate Y für ein Kollektiv von Kraftfahrzeugen beginnt, ab einem kalibrierten Schwellenschätzwert λ zu-/abzunehmen. Umgekehrt kann jeder jeweilige Endpunkt EP als eine diskrete zweite Stelle auf der Straße identifiziert werden, bei der die Gierrate Y für das Kollektiv von Kraftfahrzeugen auf den kalibrierten Schwellenschätzwert λ angestiegen/abgestiegen ist. In Prozessblock 201 von 3 ruft das Verfahren 200 als Nächstes Tourdaten ab, die der gegebenen zu analysierenden Kreuzung entsprechen. Im Entscheidungsblock 203 wird bestimmt, ob der aus diesen Tourdaten extrahierte geschätzte Startkurs H₁ gleich dem aus straßenbezogenen Daten extrahierten Eintrittswinkel δ_IN ist oder nicht. Wenn nicht (in Block 203 = NEIN), geht das Verfahren 200 zu Arbeitsvorgang 205 über, mit Anweisungen zum Abrufen des nächsten Datensatzes, und kehrt gleichzeitig wieder zu Prozessblock 201 zurück. Als Reaktion auf eine Bestimmung, dass der geschätzte Startkurs H₁ gleich dem Eintrittswinkel δ_IN (Block 203 = JA) ist, wechselt das Verfahren 200 zum Entscheidungsblock 207, um eine dynamische Fenstererkennungsabfrage durchzuführen.
In Fortsetzung der obigen Diskussion des Verfahrens 200 von 3 erfasst der Entscheidungsblock 207: (1) ob eine Anfangs-Gierrate Y_t0 - die Gierrate Y bei Zeitstempel to, wenn sich das Gieren im Fahrzeug zu ändern beginnt - größer oder gleich dem kalibrierten Schwellenschätzwert λ ist; (2) ob eine Abbruch-Gierrate Y_t1 - die Gierrate Y bei Zeitstempel t₁, wenn das Gieren im Fahrzeug auf Null zurückkehrt und das Gleichgewicht erreicht - größer oder gleich der kalibrierten Schwellenschätzung λ ist; und (3) ob das Integral der Gierrate ∫Ydt von Zeitstempel t₀ bis t₁ gleich dem Drehwinkel θ₁ ist. Wenn eine der oben aufgezählten Abfragen als negativ zurückkommt (Block 207 = NEIN), fährt das Verfahren 200 mit der NÄCHSTEN Operation 205 fort, wie vorstehend erläutert. Nach dem Bestimmen, dass Y_t0 ≥ λ und Y_t1 ≥ λ und $\int_{t 0}^{t 1} Y d = θ 1$
(Block 207 = JA), führt das Verfahren 200 allerdings den Entscheidungsblock 209 durch, um zu prüfen, ob der geschätzte, aus diesen Tourdaten extrahierte Endkurs H₂ gleich dem Austrittswinkel δ_OUT ist oder nicht. Ist dies nicht der Fall (Block 209 = NEIN), führt das Verfahren 200 noch einmal die Operation 205 NEXT durch. Wenn hingegen der geschätzte Endkurs H₂ gleich dem Austrittswinkel δ_OUT ist (Block 209 = JA), werden die endgültigen geschätzten Start- und Endpunkte ausgewählt und im Entscheidungsblock 211 gespeichert.
Wiederum mit Bezug auf das Fahrspurtrennprotokoll 106 von 2 komplettiert Verfahren 100 die SP-, EP-Erfassung des vordefinierten Prozessblocks 119 und führt einen Clustering-Algorithmus durch, um eine Gesamtanzahl von Clustern und entsprechenden Clusterköpfen am vordefinierten Prozessblock 131 abzuleiten. Für mindestens einige Anwendungen wendet das System eine k-Means-Clustering-Analyse an, die eine Vektorquantisierungs-(VQ)-Verarbeitungstechnik einschließen kann, um die erfassten Start- und Endpunktinformationen zu analysieren und die gesammelten Start- und Endpunkte in entsprechende Cluster zu gruppieren, basierend auf Mittellinienversatzabständen, d. h. senkrechten Abständen vom Startpunkt zum Eintritt auf die Mittellinie und vom Endpunkt zum Verlassen der Mittellinie. Das Clustering im Prozessblock 131 wird gleichzeitig mit einem K-Schätzprotokoll im Prozessblock 133 durchgeführt, um eine Anzahl K von Spuren für jedes Straßensegment abzuschätzen. K-Raum-Trajektorienschätztechniken können auf einem anisotropen Gradientenverzögerungsmodell mit zusätzlicher Abweichung und Verzerrungskompensation beruhen. Nach Abschluss des Clusterings (Block 119) und der K-Schätzung (Block 131) wird im Prozessblock 135 ein mit SP, EP gekennzeichneter Arbeitsvorgang durchgeführt, um SP/EP jeweils mit einer entsprechenden Clusteridentifikationskennung zu markieren.
4 stellt ein repräsentatives Clustering-Verfahren 300 zur Ableitung einer Anzahl von Drehfahrspuren für ein bestimmtes Straßensegment dar. Das Verfahren 300 beginnt mit dem Abrufen von Startpunkt- und Endpunktdaten, z. B. als jeweilige kartesische Koordinaten SP(X, Y) und EP(X, Y), im Prozessblock 301. Sobald sie abgerufen sind, werden die Mittellinienversatzabstände im Prozessblock 303 geschätzt. Gemäß dem dargestellten Beispiel ist ein Mittellinienversatz der senkrechte Abstand zwischen einem SP/EP-Punkt und einer entsprechenden Mittellinie. Mittellinienversatzabstände können als ein jeweiliger senkrechter Abstand PD von der Mittellinie berechnet werden, als: $\frac{| a X + b Y + c |}{\sqrt (a^{2} + b^{2})}$
wobei X und Y kartesische Koordinaten für einen Startpunkt oder Endpunkt sind, a ein Eintrittswinkel (z. B. a = δ_IN) ist, b eine ganze Zahl (z. B. b = -1) ist, c = yo - δ_INx₀, mit einem Eintrittswinkel δ_IN und Kreuzungsmittelpunktkoordinaten x₀, y₀, und aX + bY+ c eine lineare Gleichung ist, die die Mittellinie darstellt, die gleich Null (0) gesetzt werden kann.
Fortfahren mit der obigen Diskussion des Verfahrens 300 von 4 identifiziert der Prozessblock 305 eine Anzahl von Fahrspuren für eine bestimmte Straßenkreuzung durch Schätzen einer Anzahl von Clustern für die SP-/EP-Daten. Die Verarbeitung von Trajektoriendaten mit einem Clustering-Algorithmus zur Ableitung einer Anzahl von Fahrspuren kann beispielsweise das Schätzen einer Anzahl von Clustern K einschließen, als: $K = M a x (D i f f_{p d}) / W_{l a n e} .$
wobei Diff_pd eine Differenz zwischen den Mittellinienversatzabständen der Startpunkte oder den Mittellinienversatzabständen der Endpunkte ist; und W_lane eine standardisierte Fahrspurbreite ist, die dem bestimmten Straßensegment entspricht. K-Means-Clustering wird bei Prozessblock 307 durchgeführt, wobei die Clusterzentroide bei Prozessblock 309 bestimmt werden. Diese beiden Prozeduren versuchen, einen bestimmten Datensatz durch eine abgeleitete Anzahl von Clustern durch Definition von k Schwerpunkten, einen für jeden Cluster, zu klassifizieren. Diese Schwerpunkte können berechnet platziert werden, und sie nehmen anschließend jeden Datenpunkt, der zu einem gegebenen Datensatz gehört, auf und ordnen ihn dem nächstgelegenen Schwerpunkt zu. Der Algorithmus arbeitet iterativ zum Zuweisen von jedem Punkt zu einer von k Gruppen basierend auf den a priori festgelegten Merkmalen. Anstatt Gruppen vor dem Betrachten der Daten zu definieren, erlaubt es das Clustering, die Gruppen zu finden und zu analysieren, die sich organisch gebildet haben. Bei Prozessblock 311 wird ein mit SP, EP bezeichnetes Verfahren durchgeführt, um Markierungen für die Trajektoriendaten zuzuordnen, d. h. jeder SP/EP wird einem einzelnen Cluster zugeordnet. Die Tourpaarung wird bei Prozessblock 313 durchgeführt, und die Tourmarkierungen werden im Prozessblock 315 zugeordnet.
Wiederum 2 betrachtend beginnt das virtuelle Trajektorien-Extraktionsprotokoll 108 bei Prozessblock 137 mit einer Startpunkt- und Endpunkt-Paarung. Das SP-, EP-Paarungsverfahren paart Startpunkte und Endpunkte für unterschiedliche Kombinationen, wobei jedes Paarungsergebnis einen speziellen Typ von Drehung anzeigt. Bei Prozessblock 139 wird ein markiertes Trajektorienverfahren ausgeführt, um jede Trajektorie basierend auf einem spezifischen SP-, EP-Paarungsergebnis zu markieren. Das Verfahren 100 führt danach ein Kerndichteschätzungs- (KDE)- Verfeinerungsverfahren in einem Prozessblock 141 aus, um die virtuellen Spurextraktionsergebnisse durch Schätzen einer Dichte von markierten Trajektorien zu verfeinern. Dann wird im Prozessblock 143 ein virtuelles Spurverfahren durchgeführt, um Ergebnisse zu extrahieren und die Spurinformationen für jede Art von Wendemanöver zu virtualisieren.
Aspekte dieser Offenbarung können in einigen Ausführungsformen durch ein computerausführbares Programm von Anweisungen, wie beispielsweise Programmmodule, die allgemein als Softwareanwendungen oder Anwendungsprogramme bezeichnet werden, die von einem Fahrzeug-Bordcomputer oder einem verteilten Netzwerk von residenten und entfernten Computergeräten ausgeführt werden, implementiert werden. Software kann in nicht einschränkenden Beispielen Routinen, Programme, Objekte, Komponenten und Datenstrukturen einschließen, die bestimmte Aufgaben ausführen oder bestimmte Datentypen implementieren. Die Software kann eine Schnittstelle bilden, die es einer/m residenten Fahrzeugsteuerung oder Steuermodul oder einer anderen geeigneten integrierten Schaltungsvorrichtung ermöglicht, entsprechend einer Eingabequelle zu reagieren. Die Software kann auch mit anderen Codesegmenten zusammenarbeiten, um eine Vielzahl von Aufgaben ansprechend auf Daten zu starten, die in Verbindung mit der Quelle der empfangenen Daten empfangen werden. Die Software kann auf einem beliebigen aus einer Vielzahl von Speichermedien, wie etwa CD-ROM, Magnetplatte, Blasenspeicher und Halbleiterspeicher (z. B. verschiedene Typen von RAM oder ROM) gespeichert sein.
Darüber hinaus können Aspekte der vorliegenden Offenbarung mit einer Vielzahl von Computersystem- und Computernetzwerkarchitekturen praktiziert werden, einschließlich Multiprozessorsystemen, mikroprozessorgestützter oder programmierbarer Verbraucherelektronik, Minicomputern, Großrechnern, Master-Slave-, Peer-to-Peer- oder Parallel-Computerrahmen und dergleichen. Zusätzlich können Aspekte der vorliegenden Offenbarung in verteilten Computerumgebungen praktiziert werden, in denen Aufgaben von residenten und entfernten Verarbeitungsvorrichtungen ausgeführt werden, die über ein Kommunikationsnetzwerk verbunden sind. In einer verteilten Computerumgebung können sich Programmmodule sowohl auf bordseitigen als auch auf außerbordseitigen Computerspeichermedien einschließlich Speichermedien befinden. Aspekte der vorliegenden Offenbarung können daher in Verbindung mit verschiedenen Hardware, Software oder einer Kombination davon in einem Computersystem oder einem anderen Verarbeitungssystem implementiert werden.
Jedes der hierin beschriebenen Verfahren kann maschinenlesbare Anweisungen einschließen zur Ausführung durch: (a) einen Prozessor, (b) eine Steuerung und/oder (c) jede andere geeignete Verarbeitungsvorrichtung. Jede/r/s hierin offenbarte Algorithmus, Software, Steuerlogik, Protokoll oder Verfahren kann in Software ausgeführt sein, die auf einem konkreten Medium, wie etwa einem Flash-Speicher, einer CD-ROM, einer Diskette, einer Festplatte, einer digitalen vielseitigen Platte (DVD) oder anderen Speichervorrichtungen gespeichert ist. Der gesamte Algorithmus, die Steuerlogik, das Protokoll oder Verfahren und/oder Teile davon können alternativ durch eine andere Vorrichtung als eine Steuereinheit ausgeführt und/oder in Firmware oder dedizierter Hardware in einer verfügbaren Weise ausgeführt werden (z. B. kann sie durch eine anwendungsspezifische integrierte Schaltung (asc), eine programmierbare Logikvorrichtung (pld), eine diskrete Logik usw.) implementiert werden. Ferner gibt es, obwohl spezifische Algorithmen unter Bezugnahme auf hierin dargestellte Flussdiagramme beschrieben werden, viele andere Verfahren zum Implementieren der beispielhaften maschinenlesbaren Anweisungen, die alternativ verwendet werden können.
Aspekte der vorliegenden Offenbarung sind im Detail beschrieben worden mit Bezug auf die dargestellten Ausführungsformen; Fachleute in der Technik erkennen jedoch, dass viele Modifikationen vorgenommen werden können, ohne vom Schutzumfang der vorliegenden Offenbarung abzuweichen. Die vorliegende Offenbarung ist nicht auf die präzise Konstruktion und die hierin offenbarten Zusammensetzungen beschränkt; jegliche und alle Modifikationen, Änderungen und Variationen, die aus den vorhergehenden Beschreibungen ersichtlich sind, liegen innerhalb des Schutzumfangs der Offenbarung, wie er durch die beigefügten Ansprüche definiert ist. Außerdem schließen die vorliegenden Konzepte ausdrücklich jegliche und alle Kombinationen und Unterkombinationen der vorhergehenden Elemente und Merkmale ein.

Claims

Was beansprucht wird:
Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs, wobei das Verfahren Folgendes umfasst: Bestimmen, über eine residierende Fahrzeugsteuerung des Kraftfahrzeugs, eines Fahrzeugstandortes des Kraftfahrzeugs; Durchführen einer georäumlichen Abfrage zur Identifizierung eines bestimmten Straßenabschnitts, der dem Fahrzeugstandort entspricht; Empfangen von straßenbezogenen Daten, die dem bestimmten Straßensegment zugeordnet sind, aus einer Speicher-abgespeicherten Kartendatenbank; Bestimmen eines Drehwinkels und einer Mittellinie für das bestimmte Straßensegment aus den straßenbezogenen Daten; Empfangen von verbundenen Fahrzeugdaten, die die Fahrzeugstandorte und -dynamik für mehrere Kraftfahrzeuge anzeigen, die auf dem bestimmten Straßensegment fahren; Bestimmen von Trajektoriendaten, die die jeweiligen Startpunkte, Endpunkte und Mittellinienversatzabstände für die mehreren Kraftfahrzeuge anzeigen, aus den verbundenen Fahrzeugdaten; Identifizieren, basierend auf dem Drehwinkel und der Mittellinie, einer Anzahl von Fahrspuren für das bestimmte Straßensegment; Extrahieren einer jeweiligen virtuellen Trajektorie für jede der Fahrspuren; und Übertragen eines Steuersignals an ein residentes Fahrzeugsubsystem über die residente Fahrzeugsteuerung, um einen Steuervorgang basierend auf mindestens einer der extrahierten virtuellen Trajektorien auszuführen, die mindestens einer der Fahrspuren des bestimmten Straßensegments entsprechen.
Verfahren nach Anspruch 1, wobei das Bestimmen des Drehwinkels für das bezeichnete Straßensegment Folgendes einschließt: Bestimmen, aus den straßenbezogenen Daten, eines Eintrittswinkels δ_IN und eines Austrittswinkels δ_OUT; und Berechnen des Drehwinkels als θ_T, wobei θ_T = δ_OUT - δ_IN.
Verfahren nach Anspruch 2, wobei das Bestimmen der Mittellinie für das bestimmte Straßensegment Folgendes einschließt: Bestimmen der Kreuzungsmittelpunktkoordinaten x₀, y₀ aus den straßenbezogenen Daten: Bestimmen einer Eingangsmittellinie L_IN als (y_IN - y₀) = δ_IN(x_IN - x₀); und Bestimmen einer Ausgangsmittellinie LOUT als (y_OUT - y₀) = δ_OUT(x_OUT - x₀).
Verfahren nach Anspruch 1, wobei das Bestimmen der Trajektoriendaten für eine entsprechende der Fahrspuren das Schätzen eines jeweiligen Startkurses, eines jeweiligen Endkurses und eines jeweiligen Drehwinkels für die entsprechende Fahrspur einschließt.
Verfahren nach Anspruch 4, wobei das Schätzen des jeweiligen Drehwinkels das Schätzen des Drehwinkels als θ₁, wobei θ₁ = ∫Ydt, und wobei Y eine Gierrate und dt eine Zeitableitung ist, einschließt.
Verfahren nach Anspruch 5, wobei jeder der jeweiligen Startpunkte als ein erster Standort identifiziert wird, an dem die Gierrate beginnt, um ab einem kalibrierten Schwellenschätzwert anzusteigen oder zu sinken, und wobei jeder der jeweiligen Endpunkte als ein zweiter Standort identifiziert wird, an dem die Gierrate wieder auf den kalibrierten Schwellenwert steigt oder sinkt.
Verfahren nach Anspruch 1, wobei das Identifizieren einer Anzahl von Fahrspuren für das bestimmte Straßensegment das Verarbeiten der Trajektoriendaten mit einem Clustering-Algorithmus einschließt, der das Identifizieren der Anzahl von Fahrspuren als eine geschätzte Anzahl von Clustern K einschließt, wobei $K = M a x (D i f f_{p d}) / W_{l a n e} .$
wobei Diff_pd eine Differenz zwischen den Mittellinienversatzabständen der Startpunkte oder den Mittellinienversatzabständen der Endpunkte ist; und W_lane eine standardisierte Fahrspurbreite ist, die dem bestimmten Straßensegment entspricht.
Verfahren nach Anspruch 1, wobei das Bestimmen der Mittellinienversatzabstände das Berechnen eines jeweiligen senkrechten Abstands PD von der Mittellinie für jedes der mehreren Kraftfahrzeuge einschließt, als: $\frac{| a X + b Y + c |}{\sqrt (a^{2} + b^{2})}$
wobei X und Y kartesische Koordinaten für einen Startpunkt oder Endpunkt sind, a ein Eintrittswinkel ist, b eine ganze Zahl ist, c = y₀ - δ_INx₀, mit einem Eintrittswinkel δ_IN und Kreuzungsmittelpunktkoordinaten x₀, y₀, und aX + bY +c eine lineare Gleichung ist, die die Mittellinie darstellt.
Verfahren nach Anspruch 1, wobei das Identifizieren des bestimmten Straßenabschnitts, das dem Fahrzeugstandort entspricht, das Bestimmen eines Begrenzungsrahmens einschließt, der einen Satz von geografischen Grenzen um den Fahrzeugstandort herum beschreibt.
Verfahren nach Anspruch 1, wobei die Anzahl der Fahrspuren für das bestimmte Straßensegment erste und zweite Fahrspuren einschließt und wobei die virtuellen Trajektorien eine erste virtuelle Trajektorie entsprechend der ersten Fahrspur und eine zweite virtuelle Trajektorie, die sich von der ersten virtuellen Trajektorie unterscheidet, entsprechend der zweiten Fahrspur, einschließen.