DE102019114595A1

DE102019114595A1 - Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zum ableiten von strassenabschnittgeschwindigkeitsgrenzwerten

Info

Publication number: DE102019114595A1
Application number: DE102019114595.3A
Authority: DE
Inventors: Fan Bai; Shu Chen; Donald K. Grimm; David E. Bojanowski; Bo Yu; Jinzhu Chen
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2018-08-07
Filing date: 2019-05-30
Publication date: 2020-02-13
Anticipated expiration: 2039-05-31
Also published as: DE102019114595B4

Abstract

Es werden Systeme und Verfahren zum Ableiten von Geschwindigkeitsgrenzen bestimmter Straßenabschnitte durch Mining großer Fahrzeugdatenkurven präsentiert. Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs beinhaltet: Bestimmen eines aktuellen Standorts des Fahrzeugs; Bestimmen eines bestimmten Straßenabschnitts entsprechend dem Fahrzeugstandort; Empfangen von Host-Geschwindigkeitsdaten, die die Geschwindigkeit des Fahrzeugs angeben, während es auf dem Straßenabschnitt für einen gemessenen Zeitrahmen fährt; Empfangen von Crowd-Sourced-Geschwindigkeitsdaten, die Geschwindigkeiten der Teilnehmer-Fahrzeuge anzeigen, während sie auf dem Straßenabschnitt für den kalibrierten Zeitrahmen fahren; Akkumulieren einer Geschwindigkeitsverteilungsfunktion für den Straßenabschnitt basierend auf den Daten der Trägergeschwindigkeit und Crowd-Sourcing-Geschwindigkeit; Erzeugen eines Finite-Mischmodells aus der Geschwindigkeitsverteilungsfunktion zum Schätzen eines Geschwindigkeitsgrenzbereichs; Auswählen eines Geschwindigkeitsbegrenzungskandidaten aus dem geschätzten Geschwindigkeitsbegrenzungsbereich; und das Übertragen von Befehlssignalen an ein Fahrzeug-Subsystem, um einen Steuerungsvorgang basierend auf dem ausgewählten Geschwindigkeitsbegrenzungskandidaten auszuführen.

Description

EINLEITUNG
Die vorliegende Offenbarung bezieht sich im Allgemeinen auf Fahrzeugnavigationssysteme mit Fähigkeiten zur Geschwindigkeitsüberwachung. Aspekte dieser Offenbarung beziehen sich insbesondere auf intelligente Navigationssysteme und Steuerlogik zum Ableiten von Geschwindigkeitsgrenzen von Straßenabschnitten.
Aktuelle Serienfahrzeuge, wie das heutige Automobil, werden ursprünglich mit einem Netzwerk von elektronischen Bordgeräten ausgestattet oder nachgerüstet, die automatisierte Fahrfunktionen zur Minimierung des Fahreraufwands bereitstellen. In Automobilanwendungen ist beispielsweise die am besten erkennbare Art der automatisierten Fahrweise das Tempomatsystem, das es einem Fahrzeugführer ermöglicht, eine bestimmte Fahrzeuggeschwindigkeit einzustellen und diese vom fahrzeugseitigen Computersystem aufrechtzuerhalten, ohne dass der Fahrer das Gaspedal oder die Bremspedale betätigt. Die adaptive Geschwindigkeitsregelung der nächsten Generation (ACC) ist eine computergestützte Fahrzeugregelung, mit der die Fahrzeuggeschwindigkeit geregelt wird, während gleichzeitig der Vorder- und Hinterabstand zwischen dem Trägerfahrzeug und den führenden/ nachfolgenden Fahrzeugen verwaltet wird. Eine weitere Art von automatisiertem Fahren ist das Kollisionsvermeidungssystem (CAS), das drohende Kollisionsbedingungen erkennt und entweder eine Fahrerwarnung ausgibt oder autonom eingreift, z. B. durch Lenken oder Bremsen, ohne Eingriff des Fahrers. Intelligente Parkassistenzsysteme (IPAS), Spurüberwachungs- und automatische Lenk-(„Autolenkung“)-Systeme und andere Fahrerassistenzsysteme (Advanced Driver Assistance Systems, ADAS) sowie autonome Fahrfunktionen sind auch in vielen heutigen Automobilen verfügbar.
Da sich die Fahrzeugverarbeitungs-, Kommunikations- und Steuerungsfähigkeiten immer weiter verbessern, sind die Hersteller bestrebt, auch weiterhin autonomere Fahrleistungen anzubieten, mit dem Ziel, letztendlich vollständig autonome Fahrzeuge bereitzustellen, die für den Betrieb zwischen heterogenen Fahrzeugtypen sowohl in städtischen als auch in ländlichen Szenarien geeignet sind. Der Trend bei Erstausrüstern (Original equipment manufacturers, OEM) bewegt sich in Richtung „sprechender“ Autos als Vehicle-to-Vehicle (V2V) und Vehicle-to-Infrastructure (V2I) mit übergeordneten Fahrautomatisierungsfunktionen, die autonome Lenk-, Brems- und Antriebssysteme einsetzen, um einen fahrerlosen Fahrzeugbetrieb zu ermöglichen. Automatisierte Routengenerierungssysteme verwenden Fahrzeugzustands- und -dynamiksensoren, Landkarten- und Zustandsdaten sowie Wegvorhersagealgorithmen, um die Weggenerierung mit automatisierter Vorhersage von Spurmitte und Spurwechsel sowie Szenarienplanung zu ermöglichen. Computergestützte Umleitungstechniken sagen alternative Fahrtrouten voraus, die beispielsweise basierend auf Echtzeit- und virtuellen Fahrzeugdaten aktualisiert werden können.
Geschwindigkeitsbegrenzungen und Fahrbedingungen entlang einer bestimmten Fahrzeugstrecke können sich häufig bzw. unerwartet ändern, insbesondere im städtischen Umfeld. So ändern sich beispielsweise zeitabhängige Geschwindigkeitsbegrenzungen entlang einer bestimmten Strecke je nach Tageszeit, wie z.B. während der Schulzeit oder der Hauptverkehrszeit, während sich variabel abhängige Geschwindigkeitsbegrenzungen je nach festgelegten Bedingungen, wie Baustellenbereichen und schlechtem Wetter, ändern. Viele Automobile sind heute mit einem Sender-Empfänger für ein globales Positionierungssystem (GPS) und einer Navigationssoftware mit einer Mapping-Datenbank ausgestattet, um Geschwindigkeitsbegrenzungsinformationen zu erhalten, die dem aktuellen Standort des Fahrzeugs entsprechen. ADAS und autonome Fahrsysteme sind oft in der Lage, bestimmte automatisierte Fahrmanöver auf der Grundlage von Informationen des Fahrzeugnavigationssystems zu Geschwindigkeitsbegrenzungen anzupassen. Die in der Kartendatenbank gespeicherten Geschwindigkeitsbegrenzungsinformationen können jedoch veraltet sein und, selbst wenn sie regelmäßig aktualisiert werden, spiegeln möglicherweise keine zeitabhängigen oder variabel abhängigen Änderungen der Geschwindigkeitsbegrenzungen wider. Darüber hinaus ist der Einsatz einer Flotte von Vermessungsfahrzeugen zur Aktualisierung von datenbankgestützten Geschwindigkeitsbegrenzungsinformationen sehr teuer und zeitaufwendig.
KURZDARSTELLUNG
Hierin werden sind intelligente Fahrzeugnavigationssysteme und zugehörige Steuerlogik zum Ableiten von Straßenabschnittgeschwindigkeitsbegrenzungen, Verfahren zur Herstellung und Verfahren zum Betreiben derartiger Systeme und Kraftfahrzeuge mit intelligenten Navigationssystemen mit Geschwindigkeitsbegrenzungsfähigkeiten offenbart. Als Beispiel werden neuartige Systeme und Verfahren zur Ableitung einer Geschwindigkeitsbegrenzung eines bestimmten Straßenabschnitts durch Mining von großflächigen Fahrzeugdatenspuren vorgestellt. Verfahren zum Ableiten einer maximalen (oder minimalen) gesetzlichen Höchstgeschwindigkeit eines bestimmten Straßenabschnitts unter Verwendung einer statistischen Analyse von massenempfindlichen Fahrzeugdaten, wobei eine Wahrscheinlichkeitsverteilung der tatsächlichen Fahrzeugfahrgeschwindigkeitsdaten untersucht wird, die durch ein großes Volumen von Fahrzeugen erzeugt werden, die in einem bestimmten Zeiträumen auf dem Straßenabschnitt fahren. Die offenbarten statistischen Methoden ermöglichen einen genauen Echtzeit-Geschwindigkeitsbegrenzungsabruf unter Verwendung von beitragenden Fahrzeugen als Sensoren. Geprüfte Geschwindigkeitsgrenzwerte sind für die Verkehrsflussbedingungen transparent und im Allgemeinen unempfindlich gegen Veralterung. Darüber hinaus helfen Crowdsourcing-Daten aus einem zufälligen oder bestimmten Segment einer großen, offenen Gruppe von teilnehmenden Fahrzeugen, den Bedarf an dedizierten Vermessungsfahrzeugen zu eliminieren. So wird der Zeit- und Kostenaufwand für die Aktualisierung von datenbankgestützten Geschwindigkeitsbegrenzungsdaten erheblich verringert. Neben der Bereitstellung kostengünstigerer, zeitnaher Updates tragen die offenbarten Systeme und Verfahren dazu bei, ADAS und die autonome Fahrfunktionalität zu verbessern.
Aspekte dieser Offenbarung beziehen sich auf Modellierungsverfahren nach der Wahrscheinlichkeitstheorie und ablauffähige Algorithmen zur Schätzung eines oder mehrerer unterschiedlicher Parameter einer beobachtbaren dynamischen Fahrumgebung. So wird beispielsweise ein Verfahren zum Modulieren eines steuerungsgesteuerten Betriebs eines Kraftfahrzeugs, basierend auf einer Geschwindigkeitsbegrenzung auf einem Straßenabschnitt, die durch eine statistische Analyse der Fahrzeuggeschwindigkeitsdatenkurven abgeleitet wird, präsentiert. Ein repräsentatives Verfahren beinhaltet in beliebiger Reihenfolge und in beliebiger Kombination mit einer der oben und unten offenbarten Optionen und Merkmale: Bestimmen eines aktuellen Fahrzeugstandortes des Kraftfahrzeugs über eine residente Fahrzeugsteuerung eines Kraftfahrzeugs, z.B. durch kooperativen Betrieb mit einem GPS-Sender-Empfänger, Mobilfunk-Datenchip usw.; Bestimmen über die residente Fahrzeugsteuerung, z.B, durch kooperativen Betrieb mit einem residenten Fahrzeugnavigationsmodul oder einem entfernten externen Navigationsdatenanbieter eines bestimmten Straßensegments, das dem aktuellen Standort des Fahrzeugs entspricht; Empfangen einer dem bestimmten Straßensegment zugeordneten gespeicherten Geschwindigkeitsbegrenzung durch die residente Fahrzeugsteuerung von einer residenten oder entfernten Speichervorrichtung, die eine Kartendatenbank speichert; und Empfangen, z.B. durch die residierende Fahrzeugsteuerung, eines Antriebsstrangsteuermoduls und/oder einem oder mehreren dedizierten Raddrehzahlsensoren, von Host-Fahrzeuggeschwindigkeitsdaten, die die Geschwindigkeit(en) des Fahrzeugs während der Fahrt auf dem bestimmten Straßensegment für einen kalibrierten Zeitrahmen anzeigen.
Entsprechend des vorstehenden Beispiels kann das Verfahren ferner Folgendes umfassen: Empfangen der Geschwindigkeitsdaten des Trägerfahrzeugs und der Crowd-Sourced-Geschwindigkeitsdaten, die die Fahrzeuggeschwindigkeiten mehrerer teilnehmender Fahrzeuge während der Fahrt auf dem vorgesehenen Straßenabschnitt für den kalibrierten Zeitraum anzeigen, durch einen Hochgeschwindigkeitsrechner der Serverklasse einer Host-Cloud-Computerplattform; Sammeln von Daten über eine statistische Geschwindigkeitsverteilungsfunktion (z.B, stündlich, täglich, wöchentlich usw.) für ein bestimmtes Straßensegment basierend auf den empfangenen Geschwindigkeitsdaten des Trägerfahrzeugs und den Geschwindigkeitsdaten aus der Menge; Erzeugen eines finiten Mischungsmodells aus der statistischen Geschwindigkeitsverteilungsfunktion, um einen Geschwindigkeitsbegrenzungsbereich für ein bestimmtes Straßensegment zu schätzen; und Auswählen eines Geschwindigkeitsbegrenzungskandidaten aus dem geschätzten Geschwindigkeitsbegrenzungsbereich. Die Fahrzeugsteuerung überträgt daraufhin ein Befehlssignal an ein residentes Fahrzeug-Subsystem, um basierend auf dem ausgewählten Geschwindigkeitsbegrenzungskandidaten einen Steuervorgang auszuführen.
Weitere Aspekte der vorliegenden Offenbarung beziehen sich auf intelligente Fahrzeugnavigationssysteme zum Ableiten von Geschwindigkeitsbegrenzungen für Straßenabschnitte durch statistische Analyse von Crowd-erfassten Daten, die von mehreren Teilnehmerfahrzeugen erhoben wurden. Ein „Kraftfahrzeug“, wie hierin verwendet, kann jede relevante Fahrzeugplattform, wie z. B. Personenkraftwagen (Verbrennungsmotoren, Hybrid-, vollständig Elektro-, Brennstoffzellenantrieben usw.), Transportfahrzeuge, Industriefahrzeuge, Raupenfahrzeuge, Geländefahrzeuge (ATV), Motorräder etc. beinhalten. Darüber hinaus können die Begriffe „unterstützt“ und „automatisiert“ und „autonom“ in Bezug auf jede relevante Fahrzeugplattform verwendet werden, die als Verband der Automobilingenieure (Society of Automotive Engineers, SAE) Level 2, 3, 4 oder 5 Fahrzeug klassifiziert werden kann. SAE Level 0 ist beispielsweise im Allgemeinen als „nicht unterstütztes“ Fahren typisiert, das von einem Fahrzeug erzeugte Warnungen mit vorübergehender Intervention ermöglicht, sich aber ansonsten ausschließlich auf die menschliche Steuerung stützt. Im Vergleich dazu ermöglicht der SAE Level 3 nicht unterstützendes, teilunterstütztes und vollständig autonomes Fahren mit ausreichender Fahrzeugautomatisierung für eine volle Fahrzeugsteuerung (Lenkung, Geschwindigkeit, Beschleunigung/Verzögerung usw.), während der Fahrer innerhalb eines kalibrierten Zeitrahmens eingreifen muss. Am oberen Ende des Spektrums steht die Level 5-Automatisierung, die menschliche Eingriffe (z. B. kein Lenkrad, Gaspedal oder Schalthebel) vollständig ausschließt.
In einem Beispiel beinhaltet ein intelligentes Fahrzeugnavigationssystem einen entfernten Systemservercomputer, der mit mehreren Kraftfahrzeugen kommunizieren kann. Jedes Kraftfahrzeug beinhaltet eine Fahrzeugkarosserie, einen Fahrzeug-Antriebsstrang, der an der Fahrzeugkarosserie befestigt ist und zum Antreiben des Fahrzeugs bedient werden kann, und ein Fahrzeugnavigationssystem mit einer Ortungsortungsvorrichtung sowie einer grafischen Mensch-Maschine-Schnittstelle (HMI), die an der Fahrzeugkarosserie befestigt ist. Eine residente Fahrzeugsteuerung ist an der Fahrzeugkarosserie angebracht sowie mit dem Fahrzeugantriebsstrang und dem Navigationssystem wirkverbunden. Die residente Fahrzeugsteuerung ist programmiert, um speichergespeicherte Anweisungen auszuführen, um: über die Ortungsvorrichtung des Fahrzeugnavigationssystems den aktuellen Standort des Kraftfahrzeugs zu bestimmen; ein bestimmtes Straßensegment zu bestimmen, das dem aktuellen Standort des Fahrzeugs entspricht; und Host-Fahrzeuggeschwindigkeitsdaten zu erzeugen, die eine Fahrzeuggeschwindigkeit des Fahrzeugs anzeigen, während es während einer gemessenen Zeitspanne auf dem bestimmten Straßensegment fährt.
In Fortführung des obigen Beispiels ist der entfernte Systemserver-Computer programmiert, um gespeicherte Anweisungen auszuführen, zum: Empfang entsprechender Fahrzeuggeschwindigkeitsdaten von jedem der teilnehmenden Kraftfahrzeuge zu empfangen; Akkumulieren einer statistischen Geschwindigkeitsverteilungsfunktion für einen bestimmten Straßenabschnitt basierend auf den empfangenen, Crowd-Sourcing-Geschwindigkeitsdaten; Erzeugen eines Finite-Mischmodells aus der statistischen Geschwindigkeitsverteilungsfunktion, um einen Geschwindigkeitsbegrenzungsbereich für das bestimmte Straßenabschnitt zu schätzen; und Auswählen eines Geschwindigkeitsbegrenzungskandidaten aus dem geschätzten Geschwindigkeitsbegrenzungsbereich. Die residente Fahrzeugsteuerung ist betriebsfähig, um die ausgewählten Geschwindigkeitsbegrenzungskandidaten vom entfernten Systemserver-Computer zu empfangen; die Steuerung ein Befehlssignal an ein residentes Fahrzeug-Subsystem überträgt, um einen Steuervorgang basierend auf dem Geschwindigkeitsbegrenzungskandidaten auszuführen.
Für jedes der offenbarten Systeme, Verfahren und Fahrzeuge kann das Akkumulieren einer statistischen Geschwindigkeitsverteilungsfunktion das Akkumulieren sowohl einer täglichen Geschwindigkeitsverteilungsfunktion als auch einer stündlichen Geschwindigkeitsverteilungsfunktion für einen bestimmten bezeichnete Straßenabschnitt beinhalten. Als weitere Option kann das Erzeugen des Finite-Mischmodells das Anwenden eines Erwartungsmaximieralgorithmus beinhalten, um einen oder mehrere Gemischmodellparameter zu bestimmen, die einer bestimmten Klassendichte und einer früheren Wahrscheinlichkeit des Finite-Mischmodells entsprechen. Zusätzlich kann ein K-Wert, der eine Anzahl von Komponenten für das Finite-Mischmodell anzeigt, auf der Grundlage der statistischen Geschwindigkeitsverteilungsfunktion bestimmt werden. In diesem Fall kann der K-Wert gleich n sein, und das Erzeugen des Finite-Mischmodells kann das Erzeugen des Finite-Mischmodells n, das zu Finite-Mischungsmodellen für den bezeichneten Straßenabschnitt führt, beinhalten.
Für jedes der offenbarten Systeme, Verfahren und Fahrzeuge kann eine Vielzahl von hypothetischen Geschwindigkeitsbegrenzungskandidaten aus dem geschätzten Geschwindigkeitsbegrenzungsbereich ausgewählt werden, und ein maximaler Wahrscheinlichkeitstest kann auf jeden Geschwindigkeitsbegrenzungskandidaten angewendet werden, um dadurch den Geschwindigkeitsbegrenzungskandidaten für einen bestimmten Straßenabschnitt auszuwählen. Optional kann das finite Mischungsmodell eine gewichtete Summe mehrerer multidimensionaler Gaußscher Wahrscheinlichkeitsdichtefunktionen beinhalten. Einer oder mehrere oder alle der offenbarten Vorgänge können von einer residenten Fahrzeugsteuerung, einem entfernten Host-Server-Computer oder einer anderen geeigneten Rechenvorrichtung oder einer beiden in einer beliebigen Kombination ausgeführt werden. In einer Cloud-zentrischen Architektur berechnet die residente Fahrzeugsteuerung einen zufälligen Wahrscheinlichkeitswert, bestimmt, ob dieser zufällige Wahrscheinlichkeitswert größer als ein kalibrierter Schwellenwert ist, und überträgt als Reaktion darauf die Trägerfahrzeuggeschwindigkeitsdaten an einen Fern-Systemserver außerhalb des Fahrzeugs. Als noch weitere Option kann die residente Fahrzeugsteuerung einen Kriteriensatz auswerten, der ein oder mehrere Kriterien für die Dichte der städtischen Gebiete, ein oder mehrere Kriterien für die Verkehrsdiche sowie ein oder mehrere Kriterien für die kinematischen Profile und/oder ein oder mehrere Zeitrelevanzkriterien beinhaltet. In diesem Fall kann der beurteilte Kriteriensatz mit einem kollaborativen Filter unter Verwendung einer logistischen Regressionsmethode verarbeitet werden.
Für jedes der offenbarten Systeme, Verfahren und Fahrzeuge ist das residente Fahrzeug-Teilsystem ein adaptives Geschwindigkeitsregelungssystem (ACC) oder ein anderes ADAS-Steuermodul. In diesem Fall bedeutet der Steuervorgang das Erhöhen (oder Verringern) der aktuellen Geschwindigkeit des Fahrzeugs, damit das System sich enger an den ausgewählten Geschwindigkeitsbegrenzungskandidaten oder eine abgeleitete normatischen Fahrgeschwindigkeit für den aktuellen Straßenabschnitt anpasst. So kann beispielsweise die Fahrzeugsteuerung eine geänderte Fahrgeschwindigkeit auswählen (die aktuelle Fahrgeschwindigkeit von 78 mph auf 73 mph reduzieren), die mit einer angegebenen gesetzlichen Geschwindigkeitsbegrenzung (70 mph) verbunden ist, aber näher an einer FMM-abgeleiteten Schätzung (z. B. 72 mph) liegt. Das System kann auch ein vom Benutzer ausgewähltes Delta (z. B. X mph oder Y Prozent) auf einen abgeleiteten Geschwindigkeitswert anwenden und das Fahrzeug bei dieser Geschwindigkeit betreiben. Zusätzlich oder alternativ kann der Steuervorgang ein residentes Fahrzeugnavigationssystem beinhalten, das den ausgewählten Geschwindigkeitsbegrenzungskandidaten über eine gespeicherte Geschwindigkeitsbegrenzung in der gespeicherten Kartendatenbank speichert. Die grafische HMI oder andere geeignete fahrzeuginterne Anzeigevorrichtungen sind möglicherweise betriebsfähig und zeigen den ausgewählten Geschwindigkeitsbegrenzungskandidaten an. Eine abgeleitete Geschwindigkeitsbegrenzung kann als eine Warngeschwindigkeitsanzeige verwendet werden, z. B. für die Autobahn- und Geländefahrt, da die Rampengeschwindigkeitsbegrenzungen üblicherweise nicht in Kartendatenbanken erfasst werden. Dieser Ansatz kann verwendet werden, um eine empfohlene Kurvengeschwindigkeit anzuzeigen (z. B. durch Anzeigen einer gelben Raute auf einer fahrzeuginternen Anzeige); die empfohlene Kurvengeschwindigkeit kann von einem Steuersystem für Kurvensteuerungszwecke verwendet werden. Durch Verlängerung können unterschiedliche Beratungswerte auf der Grundlage anderer Arten von variabler Analyse zugeordnet werden: Nachtzeit, nachteilige Witterungsverhältnisse, Fahrzeugtyp usw.
Die vorstehende Kurzdarstellung soll nicht jede Ausführungsform oder jeden Aspekt der vorliegenden Offenbarung repräsentieren. Vielmehr stellt die vorstehende Kurzdarstellung lediglich einige der neuartigen Konzepte und Merkmale, wie hierin dargelegt, als Beispiel dar. Die vorstehend aufgeführten Merkmale und Vorteile sowie andere Merkmale und Vorteile dieser Offenbarung werden aus der folgenden ausführlichen Beschreibung der veranschaulichten Ausführungsformen und der Arten zum Ausführen der vorliegenden Offenbarung in Verbindung mit den zugehörigen Zeichnungen und den beigefügten Ansprüchen leicht ersichtlich. Darüber hinaus beinhaltet die vorliegende Offenbarung ausdrücklich alle Kombinationen und Teilkombinationen der vorangehenden Elemente und Merkmale, die oben und im Folgenden dargestellt sind.
Figurenliste

1 ist eine schematische Darstellung eines repräsentativen Kraftfahrzeugs mit einem Netzwerk von Fahrzeugsteuerungen, Abtastvorrichtungen und Kommunikationsvorrichtungen zum Ausführend des automatisierten und/oder autonomen Fahrbetriebs gemäß den Aspekten der vorliegenden Offenbarung.
2 ist ein cloud-zentriertes Flussdiagramm für eine Stichprobe zur Ableitung von Geschwindigkeitsbegrenzungen für Straßenabschnitte, der den im Speicher gespeicherten Anweisungen entsprechen kann, die von einer integrierten Steuerlogikschaltung, einer oder mehreren programmierbaren elektronischen Steuerungseinheiten oder einer anderen computergestützten Vorrichtung eines Kraftfahrzeugs gemäß den Aspekten der offenbarten Konzepte ausgeführt werden.
3 ist ein cloud-zentriertes Flussdiagramm für einen Probenalgorithmus zur Ableitung von Geschwindigkeitsbegrenzungen für Straßenabschnitte, der den im Speicher gespeicherten Anweisungen entsprechen kann, die von einer integrierten Steuerlogikschaltung, einer oder mehreren programmierbaren elektronischen Steuerungseinheiten oder einer anderen computergestützten Vorrichtung eines Kraftfahrzeugs gemäß den Aspekten der offenbarten Konzepte ausgeführt werden.

Die vorliegende Offenbarung kann ist verschiedenen Modifikationen und alternativen Formen zur Anwendung zugänglich, und einige repräsentative Ausführungsformen werden exemplarisch in den Zeichnungen dargestellt und hierin ausführlich beschrieben. Es versteht sich allerdings, dass die neuartigen Aspekte dieser Offenbarung nicht auf die in den vorstehend aufgeführten Zeichnungen dargestellten besonderen Formen beschränkt sind. Vielmehr umfasst diese Offenbarung alle Modifikationen, Entsprechungen, Kombinationen, Teilkombinationen Permutationen, Gruppierungen und Alternativen, die dem Erfindungsgedanken und dem Umfang der Offenbarung entsprechen, wie sie durch die beigefügten Ansprüche festgelegt sind.
AUSFÜHRLICHE BESCHREIBUNG
Diese Offenbarung eignet sich für eine Vielzahl von Ausführungsformen. Diese repräsentativen Merkmale der Offenbarung sind in den Zeichnungen dargestellt und hierin in detaillierten repräsentativen Ausführungsformen der Offenbarung beschrieben, mit der Erkenntnis, dass die vorliegende Offenbarung als eine Veranschaulichung der Prinzipien der Offenbarung zu betrachten ist, und nicht als eine Einschränkung der breiten Aspekte der Offenbarung bezüglich der repräsentativen Ausführungsformen. Entsprechend sollten Elemente und Einschränkungen, die beispielsweise in der Kurzdarstellung, der Einführung, der Zusammenfassung und der ausführlichen Beschreibung offenbart, aber nicht explizit in den Patentansprüchen aufgeführt sind, nicht per Schlussfolgerung, Rückschluss oder anderweitig einzeln oder insgesamt in die Patentansprüche integriert werden.
Zu Zwecken der vorliegenden ausführlichen Beschreibung, soweit nicht ausdrücklich dementiert: beinhaltet die Singularform die Pluralform und umgekehrt; die Wörter „und“ und „oder“ sind beide verbindend und trennend; die Wörter „alle und jegliche“ bedeuten beide „alles und jedes“; und die Wörter „einschließlich, beinhaltet“ und „umfassend“ und „aufweisen“ o.Ä. bedeuten „einschließlich ohne Einschränkung.“ Darüber hinaus können beispielsweise Wörter für Annäherungen, wie „etwa“, „fast“, „wesentlich“, „ungefähr“ und dergleichen, hierin im Sinne von „bei, nahe oder nahezu“, oder „innerhalb 0-5 % von“ oder „innerhalb akzeptabler Herstellungstoleranzen“ oder jegliche logische Kombination davon verwendet werden. Schließlich sind Richtungsadjektive und Adverbien, wie etwa vorn, achtern, innen, außen, Steuerbord, Backbord, vertikal, horizontal, oben, unten, vorne, hinten, links, rechts usw. in Bezug auf eine Vorwärtsfahrtrichtung eines Kraftfahrzeugs, vorliegen können, wenn das Fahrzeug operativ auf einer normalen Fahroberfläche ausgerichtet ist.
Mit Bezug auf die Zeichnungen, wobei sich gleiche Bezugszeichen auf gleiche Merkmale in den verschiedenen Ansichten beziehen, wird in 1 ein repräsentatives Fahrzeug, das im Allgemeinen mit 10 bezeichnet wird und hierin zu Zwecken der Erörterung als ein Personenfahrzeug (Limousine) dargestellt. Gepackt auf einer Fahrzeugkarosserie 12 des Automobils 10, z. B. verteilt auf die verschiedenen Fahrzeugabteile, befindet sich ein Bordnetz von elektronischen Vorrichtungen zum Durchführen eines oder mehrerer unterstützter oder automatisierter Fahrvorgänge. Das dargestellte Automobil 10 - hierin auch kurz als „Kraftfahrzeug“ oder „Fahrzeug“ bezeichnet - ist lediglich eine exemplarische Anwendung, mit der die neuartigen Aspekte und Merkmale dieser Offenbarung praktiziert werden können. Ebenso sollte die Implementierung der vorliegenden Konzepte für die nachfolgend erläuterten spezifischen Computernetzwerk-Architekturen und -Funktionen als exemplarische Anwendung der hierin offenbarten Neuerungen verstanden werden. Daher ist zu verstehen, dass Aspekte und Merkmale dieser Offenbarung auf andere Systemarchitekturen angewendet, für verschiedene automatisierte Fahrvorgänge verwendet und für jeden logisch relevanten Kraftfahrzeugtyp implementiert werden können. Darüber hinaus wurden nur ausgewählte Komponenten des Netzwerks dargestellt und werden unten ausführlich beschrieben. Dennoch beinhalten die hierin erörterten Fahrzeuge und Netzwerke zahlreiche zusätzliche und alternative Merkmale und andere verfügbare periphere Komponenten, zum Beispiel zum Ausführen der verschiedenen Verfahren und Funktionen dieser Offenbarung. Letztendlich sind die hierin abgebildeten Zeichnungen nicht unbedingt maßstabsgetreu und dienen lediglich Anleitungszwecken. Somit gelten die spezifischen und relativen Maße der Zeichnungen nicht als einschränkend.
Das repräsentative Fahrzeug 10 von 1 ist ursprünglich mit einer Fahrzeug-Telekommunikations- und Informationseinheit 14 („Telematik“) ausgestattet, die drahtlos (z. B. über Mobilfunkmasten, Basisstationen, 2VX, und/oder mobile Vermittlungsstellen (MSCs) usw.) mit einem entfernt gelegenen oder „Off-Board“-Cloud-Computersystem 24 kommuniziert. Einige der anderen Fahrzeug-Hardwarekomponenten 16, die allgemein in 1 dargestellt sind, beinhalten als nicht einschränkende Beispiele eine elektronische Video-Abspielvorrichtung 18, ein Mikrofon 28, einen Lautsprecher 30 und Eingangssteuerungen 32 (z. B. Tasten, Knöpfe, Schalter, Tastaturen, Touchscreens usw.). Im Allgemeinen funktionieren diese Hardwarekomponenten 16 zumindest teilweise als ein residentes Fahrzeugnavigationssystem, z. B. um eine unterstützte und/oder automatisierte Fahrzeugnavigation und Navigation als Mensch/Maschinenschnittstelle (HMI) zu ermöglichen, z. B. um einem Benutzer zu ermöglichen, mit der Telematikeinheit 14 und anderen Systemen und Systemkomponenten des Fahrzeugs 10 zu kommunizieren. Das Mikrofon 28 ermöglicht dem Fahrzeuginsassen die Eingabe von verbalen oder anderen auditiven Befehlen; das Fahrzeug 10 kann mit einer integrierten nicht programmierten Sprachverarbeitungseinheit ausgestattet sein. Umgekehrt kann der Lautsprecher 30 eine verbale Ausgabe für die Fahrzeuginsassen bereitstellen und kann entweder ein eigenständiger Lautsprecher speziell zur Verwendung mit der Telematikeinheit 14 oder Teil der Audiokomponente 22 sein. Das Audiosystem 22 ist funktionsfähig mit einer Netzwerkverbindungsschnittstelle 34 und einem Audiobus 20 verbunden, um analoge Informationen über eine oder mehrere Lautsprecherkomponenten zu empfangen und als Ton wiederzugeben.
Kommunikativ an die Telematikeinheit 14 angekoppelt ist eine Netzwerkverbindungsschnittstelle 34, zu deren geeigneten Beispielen Verdrilltes Drahtpaar/faseroptischer Ethernet Switch, interner/externer paralleler/serieller Kommunikationsbus, eine lokale Netzwerkschnittstelle (LAN), Controller Area Network (CAN), Media Oriented System Transfer (MOST), Local Interconnection Network (LIN) u.ä. gehören. Andere geeignete Kommunikationsschnittstellen können diejenigen sein, die den ISO-, SAE- und IEEE-Standards und -Spezifikationen entsprechen. Die Netzwerkverbindungsschnittstelle 34 ermöglicht der Fahrzeughardware 16 das Senden und Empfangen von Signalen untereinander und mit verschiedenen Systemen und Subsystemen sowohl innerhalb als auch „resident“ von der Fahrzeugkarosserie 12 und außerhalb oder „entfernt“ zur Fahrzeugkarosserie 12. Dadurch kann das Fahrzeug 10 verschiedene Fahrzeugfunktionen ausführen, wie beispielsweise das Steuern der Fahrzeuglenkung, das Steuern der Funktion des Fahrzeuggetriebes, das Steuern der Motordrosselklappe, das Ein- und Ausschalten des Bremssystems und andere automatisierte Fahrfunktionen. So empfängt und/oder überträgt die Telematikeinheit 14 Daten von/zu einer ADAS-Elektroniksteuereinheit (ECU) 52, einem Motorsteuergerät (ECM) 54, einem Antriebsstrangsteuermodul (PCM) 56, einem Sensor-Schnittstellenmodul(en) 58, einem Bremssystemsteuermodul (BSCM) 60 und verschiedenen anderen Fahrzeug-ECUs und Kontrollmodule, wie beispielsweise einem Getriebesteuermodul (TCM), einem Klimasteuerungsmodul (CCM), usw.
Mit weiterem Bezug auf 1 ist die Telematikeinheit 14 eine bordeigene Datenverarbeitungsvorrichtung, die sowohl einzeln als auch durch ihre Verbindung mit anderen vernetzten Vorrichtungen eine Mischung von Dienstleistungen bereitstellt. Diese Telematikeinheit 14 besteht im Allgemeinen aus einem oder mehreren Prozessoren 40, von denen jeder als diskreter Mikroprozessor, eine anwendungsspezifische integrierte Schaltung (ASIC), ein dediziertes Steuermodul, etc., ausgeführt sein kann. Das Fahrzeug 10 kann eine zentralisierte Fahrzeugsteuerung über eine Zentraleinheit (CPU) 36 anbieten, die funktionsfähig mit einer oder mehreren elektronischen Speichervorrichtungen 38 gekoppelt ist, die jeweils in Form einer CD-ROM, Magnetplatte, IC-Vorrichtung, Halbleiterspeicher (z. B. verschiedene Arten von RAM oder ROM) usw. und einer Echtzeituhr (RTC) 42 ausgeführt werden können. Langstrecken-Fahrzeugkommunikationsfähigkeiten mit entfernten, fahrzeugunabhängigen vernetzten Vorrichtungen können über einen oder mehrere oder alle oder einen Mobilfunk-Chipsatz/Komponente, einen Navigations- und Standort-Chipsatz/Komponente (z. B. globales Positionierungssystem (GPS)) oder ein drahtloses 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 Nahfeldkommunikations-(NFC)Sender-Empfänger), eine dedizierte Nahbereichskommunikations-(DSRC)-Komponente 48 und/oder eine Doppelantenne 50 bereitgestellt werden. Es ist davon auszugehen, dass das Fahrzeug 10 ohne eine oder mehrere der vorstehend aufgeführten Komponenten implementiert werden kann, oder dass sie je nach Bedarf zusätzliche Komponenten und Funktionen für eine bestimmte Endanwendung beinhalten kann. Die verschiedenen vorstehend beschriebenen Kommunikationsvorrichtungen können konfiguriert werden, um Daten als Teil einer periodischen Übertragung auszutauschen, die in einem V2V-Kommunikationssystem oder einem Fahrzeug-zu-Alles-(V2X)-Kommunikationssystem übertragen wird, z. B. Fahrzeug-zu-Infrastruktur (V2I), Fahrzeug-zu-Fußgänger (V2P) oder Fahrzeug-zu-Vorrichtung (V2D).
Die CPU 36 empfängt Sensordaten von einer oder mehreren Sensorvorrichtungen, die beispielsweise Foto, Radar, Laser, Ultraschall, optische, Infrarot oder andere geeignete Technologien für einen automatisierten Fahrbetrieb verwenden. Gemäß dem veranschaulichten Beispiel kann das Automobil 10 mit einer oder mehreren Digitalkameras 62, einem oder mehreren Entfernungssensoren 64, einem oder mehreren Fahrzeugdrehzahlsensoren 66, einem oder mehreren Fahrdynamiksensoren 68 und jeder erforderlichen Filter-, Klassifizierungs-, Fusions- und Analyse-Hardware und -Software zur Verarbeitung von Sensorrohdaten ausgestattet sein. Die Digitalkamera 62 kann einen ladungsgekoppelten Vorrichtungs-(CCD)-Sensor 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. Im Vergleich dazu kann der Entfernungssensor 64 reflektierte Funk-, elektromagnetische oder lichtbasierte Wellen (z. B. Radar, EM-induktiv, Lichtdetektion und -entfernung (LIDAR) usw.) emittieren und erfassen, um beispielsweise das Vorhandensein, geometrische Abmessungen und/oder die Nähe eines Objekts zu erfassen. Der Fahrzeuggeschwindigkeitssensor 66 kann verschiedene Formen annehmen, einschließlich Raddrehzahlsensoren, die Raddrehzahlen messen, die dann zum Bestimmen der Fahrzeuggeschwindigkeit in Echtzeit verwendet werden. Darüber hinaus kann der Fahrdynamiksensor 68 in der Art eines ein- oder dreiachsigen Beschleunigungssensors, eines Drehratensensors, eines Neigungssensors usw. zum Erfassen von Längs- und Querbeschleunigungen, eine inertiale Messeinheit (IMU), Gier-, Roll- und/oder Neigungsraten oder anderen dynamikbezogenen Parametern sein. Unter Verwendung von Daten aus den Abtastvorrichtungen 62, 64, 66, 68 identifiziert die CPU 36 Objekte innerhalb eines erfassbaren Bereichs des Fahrzeugs 10 und bestimmt Attribute des Zielobjekts, wie beispielsweise Größe, relative Position, Anstellwinkel, Relativgeschwindigkeit, usw.
Im Allgemeinen tragen offenbarte Systeme, Verfahren und Vorrichtungen dazu bei, eine maximale (oder minimale) gesetzliche Geschwindigkeitsbegrenzung eines bestimmten Straßenabschnitts abzuleiten, indem sie eine statistische Wahrscheinlichkeitsverteilung der tatsächlichen Fahrzeugfahrgeschwindigkeiten auf diesem Straßenabschnitt für einen bestimmten Zeitrahmen prüfen. Die Fahrzeugfahrgeschwindigkeitsdaten werden zumindest teilweise durch eine große Anzahl an Fahrzeugen erzeugt, die als „crowd-sourced“-Sensoren, z. B. unter Verwendung von GPS-Informationen und Fahrzeugsteuerungs-Bereichsnetzwerk (CANbus)-Daten, teilnehmen. Mindestens einige der offenbarten Techniken zum Ableiten von Geschwindigkeitsgrenzen für Straßenabschnitte wählen zufällig eine Teilmenge von verfügbaren Crowd-Source-Fahrzeugen, um Fahrzeugfahrgeschwindigkeitsdaten zu erheben. Als Optionen wählen zumindest einige der offenbarten Techniken zum Ableiten von Straßenabschnittgeschwindigkeitsgrenzen stufenweise ein gegebenes Zeitfenster und eine Teilmenge von verfügbaren Crowd-Source-Fahrzeugen mit einer oder mehreren vorbestimmten Eigenschaften. Offenbarte Systeme, Verfahren und Vorrichtungen bieten weniger kostenintensive und rechtzeitige Aktualisierungen der Geschwindigkeitsbegrenzung, z. B. für Mapping-Datenbanken, Fahrzeugnavigationssysteme und automatisierte Fahrmodule, im Vergleich zur Verwendung einer Flotte von spezialisierten Vermessungsfahrzeugen, um die datenbankgespeicherten Geschwindigkeitsgrenzinformationen zu aktualisieren. Darüber hinaus kann die Erfassung der Fahrzeuggeschwindigkeit über eine gesamte Einzelhandelsflotte zur Verfügung gestellt werden, um eine hohe Eindringungsdatenaggregation im Vergleich zu dem relativ geringen Eindringen von Kamera- oder menschlich-basiertem Geschwindigkeitsbegrenzungsbeschilderungs-Kennfeld zu bieten.
Unter nunmehriger Bezugnahme auf das Flussdiagramm von 2 wird ein verbessertes Verfahren oder eine verbesserte Steuerstrategie zum Ableiten von Straßenabschnittgeschwindigkeitsgrenzen unter Verwendung von Cloud-zentrischen, Zufallsmethoden im Allgemeinen bei 100 gemäß den Aspekten der vorliegenden Offenbarung beschrieben. Einige oder alle der in 2 veranschaulichten und hierin beschriebenen Vorgänge können repräsentativ für einen Algorithmus sein, was prozessorausführbaren Anweisungen entspricht, die beispielsweise im Haupt- oder Hilfsspeicher gespeichert werden können und beispielsweise durch eine fahrzeugseitige oder fernbetätigte Steuerung, Verarbeitungseinheit, Steuerlogikschaltung oder ein anderes Modul oder eine andere Vorrichtung ausgeführt werden können, um beliebige oder alle der vorstehend oder nachfolgend beschriebenen Funktionen auszuführen, die den offenbarten Konzepten zugeordnet sind. Es sollte angemerkt werden, dass die Reihenfolge bei der Ausführung der veranschaulichten Operationsblöcke geändert, zusätzliche Blöcke hinzugefügt und einige der beschriebenen Blöcke geändert, kombiniert oder eliminiert werden können.
Für Stichproben und bestimmte Proben wird erwartet, dass eine Verteilung der Wahrscheinlichkeitsdichtefunktion (PDF) der Fahrzeuggeschwindigkeit auf einem bestimmten Straßenabschnitt für eine repräsentative Periode mit der Zeit variiert (z. B. Überlastung während Stoßzeiten vs. Verkehrsfluss bei Nicht-Stoßzeiten); zeitabhängig, wg. Schule und Baustellenbereichen usw.), Umgebung (z. B. städtisch vs. Wohngebiet; Autobahn vs. Nebenstraße usw.) und nicht einplanbare Faktoren (z. B. Bauen, Kollision, schlechtes Wetter usw.). Die maximale gesetzliche Fahrgeschwindigkeit kann aus der PDF-Verteilung als Finite-Mischmodell-Schätzung (FMM) ermittelt werden, um einen oder mehrere systemrepräsentative Parameter (z. B. Bauen und kollisionsfreie, und/oder andere Komponenten mit freiem Verkehrsfluss) von einem oder mehreren nicht repräsentativen Parametern (z. B. Schnee-/Regen-, Stoßstunden- und/oder Stau- bzw. Komponenten mit stockendem Verkehr) zu isolieren. Für mindestens einige Ausführungen kann eine Verteilungsfunktion der Fahrzeuggeschwindigkeit als End-Verbindungsverteilung dargestellt g(x) und berechnet werden als: $g (x) = \sum_{m} w_{i} P_{i} (x; μ_{i}, σ_{i})$
wobei $P_{i} (x; μ_{i}, σ_{i}) = \frac{1}{{(2 π)}^{\frac{1}{2}} σ_{i}} e^{[- \frac{1}{2 (x - μ_{i}) σ_{i}^{- 2} (x - μ_{i})}]}$
und wobei w_i ein gewichteter Faktor ist, der einer bestimmten iversteckten Komponente zugeordnet ist; P_i ist eine individuelle Komponente einer Wahrscheinlichkeitsverteilungsfunktion für jede versteckte Komponente; x ist eine zufällige PDF-Variable, in diesem Fall die beobachtete Fahrzeuggeschwindigkeit; µ_i ist ein Mittelwert aus einer versteckten Verteilungsfunktion; und σ_i ist eine Standardabweichung der ith. versteckten Verteilungsfunktion. Die endgültige Verbindungsverteilung g(x) kann in eine Halte-Komponente P_S(µ_i,σ_i), eine Stau-Komponente P_C(µ_i,σ_i) und eine Komponente mit fließendem Verkehr P_F(µ_i,σ_i) getrennt werden.
Während des Freifahrens wurde beobachtet, dass die Fahrer dazu neigen, eine angegebene gesetzliche Maximalgeschwindigkeitsbegrenzung um einen gegebenen Mittelwert zu überschreiten. Für einen bestimmten Straßenabschnitt mit einer angegebenen Geschwindigkeitsbegrenzung von 40 Meilen pro Stunde (mph) zeigen beispielsweise empirische Daten, dass die Geschwindigkeit des Fahrers um einen Mittelwert von 6,12 mph steigt. Für einen bestimmten Straßenabschnitt mit einer angegebenen Geschwindigkeitsbegrenzung von 70 Meilen pro Stunde (mph) zeigen empirische Daten, dass die Geschwindigkeit des Fahrers um einen Mittelwert von 7,67 mph steigt. Um diesen Trend zu berücksichtigen; können statistische Werte für ein Teilverteilungsmodell mit freifließendem Verkehr (µ_i, δ_i) der Komponente mit freifließendem Vekrh P_F(µ_i,σ_i) bereitgestellt werden. Dann wird aus einem Bereich [µ_i - 2δ_i , µ_i + 2δ_i] ein Satz von hypothetischen Geschwindigkeitsgrenzen als H0, H1, ... Hx ausgewählt. Für jede hypothetische Geschwindigkeitsbegrenzung wird dann ein Maximal-Likelihood-Test durchgeführt.
Ein Finite-Mischmodell kann verwendet werden, um Beobachtungen eines bestimmten Systems zu ordnen, diese Beobachtungen für das Clustering anzupassen und unbeobachtete Heterogenität zu modellieren. Bei der Finite-Mischungsmodellierung kann angenommen werden, dass ein beobachteter Datensatz einer oder mehreren unbeobachteten Unterpopulationen angehören kann, die Klassen genannt werden; Mischungen von Wahrscheinlichkeitsdichten oder Regressionsmodellen können verwendet werden, um ein Ergebnis von Interesse zu modellieren. Nach der Anpassung eines FMM können Wahrscheinlichkeiten der Klassenmitgliedschaft für jede Beobachtung vorhergesagt werden. Die beobachtete Verteilung kann etwa normal aussehen, z. B. mit einer leichten Asymmetrie. Diese Asymmetrie kann auftreten, da die Verteilung ein Gemisch aus zwei normalen Dichten - eine linke Dichte und eine rechte Dichte - ist, wobei letztere die Verteilung nach rechts verzerrt. Es kann ein FMM verwendet werden, um Mittel und Abweichungen dieser beiden zugrunde liegenden Dichten zusammen mit ihren Anteilen an der Gesamtbevölkerung zu schätzen. Allgemeiner können FMms Mischungen mit einer beliebigen Anzahl von Teilmengen bilden, und diese spezifischen Modelle der Teilgesamtheit müssen nicht auf eine Mischung aus normalen Dichten beschränkt sein. FMms ermöglichen oft Mischungen von linearen und verallgemeinerten linearen Regressionsmodellen, einschließlich Modellen für binäre, ordinale, nominalen und Zahlen-Reaktionen sowie möglicherweise die Einbeziehung von Kovariaten mit subpopulation-spezifischen Effekten. Über jede Teilgesamtheit können Inferenzen festgestellt und einzelne Beobachtungen in eine Teilgesamtheit eingeteilt werden.
In Übereinstimmung mit mindestens einigen Implementierungen kann ein Erwartungsmaximierungs-(EM)-Algorithmus als iterativer Prozess angewendet werden, um ein FMM anzupassen, indem Parameter einer Mischung mit einer α priori-Anzahl von Komponenten identifiziert werden. Als nicht einschränkendes Beispiel kann ein EM-Algorithmus als allgemeines Verfahren zur Erstellung einer oder mehrerer maximaler Wahrscheinlichkeitsschätzungen verwendet werden, sofern Werte fehlen oder latente Variablen vorhanden sind. In Fällen, in denen der EM als iterativer Algorithmus angewendet wird, können die Iterationen zwischen Durchführung eines Erwartungsschrittes (E), der eine Funktion für die Erwartung einer unter Verwendung einer aktuellen Schätzung für die Parameter bewerteten Protokollwahrscheinlichkeit erzeugen kann, und einem Maximum (M)-Schritt wechseln, der einen oder mehrere Parameter berechnen kann, die eine erwartete Protokollwahrscheinlichkeit, die während des E-Schrittes gefunden wird, maximieren. Diese Parameterschätzungen können dann verwendet werden, um eine Verteilung einer oder mehrerer latenter Variablen in einem nachfolgenden E-Schritt zu bestimmen.
Eine Herausforderung von Finite-Mischmodell- und Gaußschen Gemischmodell-Techniken ist, festzustellen, wie viele Komponenten (k) am besten zu bestimmen sind, denen N beobachtete Zufallsvariablen für ein Mischmodell zugeordnet sind. In einem repräsentativen Ansatz kann das System eine Anzahl von FMM-Modellen für einen gegebenen Straßenabschnitt beibehalten. So kann beispielsweise ein Gaußsches Mischmodell (GMM) als (GMM_k=1, GMM_k=2, GMM_k=3, ..), dargestellt werden, wobei GMM_k=1 ein Gauß‘sches Mischmodell mit einer Komponente ist. Ein Ziel dieser Bestimmung kann die Suche nach dem besten Modell sein, zu dem ein Datensatz am ehesten passt. Als weitere Option kann ein Iteratives Kreuzvalidierungsverfahren (ICV) verwendet werden, wenn ein Datensatz von einem Segment teilnehmender Fahrzeuge empfangen wird (z.B. vergangene 14 Tage Fahrzeuggeschwindigkeitsdaten für einen beschriebenen Autobahnabschnitt). Die ICV-Methode verwendet die empfangenen Daten und ein Informationskriterium, um das anpassungsfähigste Modell zu finden. Es gibt verschiedene Arten von Informationskriterien, die verwendet werden können, um das beste Modell, wie das Cataike-Informationskriterium, das Bayes'sche Informationskriterium oder andere geeignete Schätzungsmethoden der relativen Qualität von statistischen Modellen für einen gegebenen Datensatz zu finden. Das ausgewählte Modell kann in einem nächsten Schritt durch einen Cloud-Algorithmus zur Geschwindigkeitsbegrenzungs-Reichweitenschätzung und bei der Kandidatenauswahl verwendet werden. Das Modell kann mit den neu empfangenen Daten und vorhandenen Daten „trainiert“ werden; Segmente von veralteten Daten können ausgeschlossen werden, wenn dies als akzeptabel erachtet wird. OPENSTREETMAP® (OSM)-Datenbanken weisen einen Teil der identifizierten Straßenabschnitte auf, die mit Geschwindigkeitsbegrenzungsinformationen gekennzeichnet sind; diese teilweise grundsätzliche Wahrheit (Ground Truth) kann zum Trainieren/Testen eines Algorithmus verwendet werden. Ein Clustering-/Klassifizierungs-Algorithmus kann verwendet werden, um verschiedene Klassen durch ein Modell zu identifizieren; ein Konsens kann aus OSMgekennzeichneten Straßenabschnitten aus dieser Klasse ermittelt werden. Diese gesamte Klasse kann dann mit dem abgeleiteten Geschwindigkeitsgrenzwert gekennzeichnet werden.
Das Verfahren 100 beginnt am Klemmenblock 201 mit prozessorausführbaren Anweisungen für eine programmierbare Steuerung oder ein Steuermodul bzw. einen ähnlich geeigneten Prozessor, um einen Initialisierungsvorgang für ein zufälliges Abtastprotokoll aufzurufen, um eine Geschwindigkeitsbegrenzung eines Straßenabschnitts abzuleiten, indem er statistisches Lernen auf crowd-erfasste Fahrzeugdaten anwendet, um eine maximale gesetzliche Geschwindigkeitsbegrenzung abzuleiten. Diese Routinen können in Echtzeit, kontinuierlich, systematisch, sporadisch und/oder in regelmäßigen Abständen, z. B. nach jeweils 100 Millisekunden im laufenden Fahrzeugbetrieb ausgeführt werden. Als weitere Option kann der Anschlussblock 101 als Reaktion auf ein Broadcast-Aufforderungssignal, das von einem Backend- oder Middleware-Rechenknoten, dessen Aufgaben das Sammeln, Analysieren, Sortieren, Speichern und Verteilen von Geschwindigkeitsbegrenzungsinformationen sind, starten. Als Teil des Initialisierungsverfahrens bei Block 101 können die residente Fahrzeug-CPU 36 und/oder der/die Prozessor(en) 40 einen Onboard-Verarbeitungscode-Abschnitt ausführen, z. B. um Fahrzeugdaten (z. B. Standort, Geschwindigkeit, Kurs, Beschleunigung, Zeitstempel usw.) zu erhalten, die Fahrzeuggeschwindigkeitsdatenerfassung einzuleiten, offensichtliche Fehler und Ausfälle in gesammelten Daten herauszufiltern und Dateninterpolation bereitzustellen, wenn bestimmte Daten als fehlend erkannt werden.
Das Verfahren 100 von 2 fährt mit dem Prozessblock 103 mit Anweisungen fort, um einen zufälligen Wahrscheinlichkeitswert zu ermitteln, mit dem ermittelt wird, ob ein bestimmter Satz von Fahrzeuggeschwindigkeitsdaten zur Verwendung bei der Ableitung einer gesetzlichen Geschwindigkeitsbegrenzung bereitgestellt wird oder nicht. Es kann eine einfache Zufallsstichprobentechnik verwendet werden, um den Zufallswahrscheinlichkeitswert zu bestimmen, wie beispielsweise ein Zufallssortierungsalgorithmus oder ein Speicherabtastalgorithmus. Alternativ kann die CPU 36 mit einem Zufallsgenerator (RNG)-Modul ausgestattet oder kommunikativ mit einer Hardware-RNG verbunden sein, um einen zufälligen Wert zu erzeugen. Beim Entscheidungsblock 105 bestimmt das Verfahren 100, ob der bei Block 103 bestimmte Zufallswahrscheinlichkeitswert einen kalibrierten Schwellenwert erreicht, überschreitet oder nicht erreicht. Dieser Schwellenwert kann ein fester Wahrscheinlichkeitswert sein, der mittels eines technischen Kalibrierungsprozesses vorgegeben wird. Desweiteren kann der kalibrierte Schwellenwert ein dynamisch angepasster Wahrscheinlichkeitswert sein, der auf einem oder mehreren vordefinierten Faktoren (z. B. Verkehrsvolumen, Zeit der Datenerfassung usw.) basiert. Wenn beispielsweise Verkehrsaufkommen hoch sind, kann ein kalibrierter Schwellenwahrscheinlichkeitswert auf einen relativ hohen Wert eingestellt werden, und somit wird nur ein kleiner Teil von Teilfnahmefahrzeugen die Daten hochladen. Umgekehrt, wenn Verkehrsaufkommen niedrig sind, kann der Wahrscheinlichkeitswert auf eine relativ niedrige Anzahl eingestellt werden, sodass im Wesentlichen alle teilnehmenden Fahrzeuge auf diesem gegebenen Straßenabschnitt Daten berichten, um sicherzustellen, dass ein ausreichend großer Datensatz erstellt wird. Wenn entschieden wird, dass der kalibrierte Schwellenwert nicht erreicht wurde (Block 105 = NEIN), fährt das Verfahren mit dem Prozessblock 107 fort und berücksichtigt die Daten nicht. An dieser Stelle kann das Verfahren 100 zu Klemmenblock 201 zurückkehren und in einer Endlosschleife laufen oder vorübergehend enden. Nachdem bestimmt wurde, dass der kalibrierte Schwellenwert erreicht oder überschritten wurde (Block 105 = JA), fährt das Verfahren 100 mit dem Eingangs-/Ausgangsblock 109 fort und lädt die Daten hoch.
Wie weiterhin in 2 dargestellt, stellt das Verfahren 100 prozessorausführbare Anweisungen für einen Backend- oder Middleware-Computing-Knoten bereit, wie beispielsweise einen entfernten Systemserver-Computer des Cloud-Computersystems 24, mit folgenden Zwecken: (1) Akkumulieren einer täglichen Geschwindigkeitsverteilungsfunktion bei vordefinierten Prozessblock 111; und (2) Akkumulieren einer stündlichen (Übergangs- oder Nicht-Anstiegs)-Geschwindigkeitsverteilungsfunktion im vordefinierten Prozessblock 113. Verschiedene Arten von Verteilungsfunktionen können zum Akkumulieren einer statistischen Geschwindigkeitsverteilungsfunktion verwendet werden, einschließlich einer kumulativen Dichtefunktion (CDF), einer diskreten Dichtefunktion (DDF), einer gemeinsamen Wahrscheinlichkeitsdichtefunktion (JPDF) usw. Es kann wünschenswert sein, bezogen auf mindestens einige Implementierungen eine Wahrscheinlichkeitsdichtefunktion oder eine Wahrscheinlichkeitswahrscheinlichkeitsfunktion (PMF) für die vordefinierten Prozessblöcke 111 und 113 zu verwenden. Beim Prozessblock 115 bestimmt das Verfahren aus den akkumulierten Verteilungsfunktionen einen K-Wert für ein finites Mischungsmodell. Der K-Wert ist im Allgemeinen ein Indikator für die Anzahl der Komponenten für ein bestimmtes FMM basierend auf der kumulierten Verteilungsfunktion. Dieser K-Wert kann gleich einer ganzen Zahl eingestellt werden n; in diesem Fall kann das System insgesamt n Finite-Mischsmodelle für einen bestimmten Straßenabschnitt erzeugen.
Nach Beendigung der erforderlichen Geschwindigkeitsverteilungsfunktionen kategorisiert das Verfahren 100 jedes resultierende Wahrscheinlichkeitsmodell gemäß einer Klassifizierung des Straßenabschnitts, auf das dieses Modell angewendet wird. Unter Verwendung verfügbarer OSM-Datenbanken wendet das Verfahren zum Beispiel entweder eine lokale Straßen-/Fahrbahnbehandlung am Prozessblock 117 oder eine Autobahn-/Schnellstreckenbehandlung am Prozessblock 119 an. Als nicht einschränkendes Beispiel werden die meisten bekannten Straßenabschnitte im OSM mit einer entsprechenden Straßenkategorie gekennzeichnet, wie z.B. Autobahn, lokale Hauptstraße, lokale kleinere Straße, Wohnstraße, etc. Nachdem die geeignete Kategorie für ein bestimmtes Straßensegment festgelegt wurde, wendet das Verfahren 100 einen kategoriespezifischen K-Wert an, um das FMM auszuführen. Zu Veranschaulichungszwecken kann ein Straßenabschnitt, der als Autobahn kategorisiert ist, automatisch einem K-Wert von 2 zugeordnet werden, während ein Straßenabschnitt, der als eine lokale Straße kategorisiert ist, automatisch einem K-Wert 3 zugewiesen werden kann. Das Verfahren 100 fährt dann mit dem Prozessblock 121 fort und führt eine Finite-Mischmodell-Schätzung unter Verwendung eines vorstehend beschriebenen Erwartungsalgorithmus aus.
Nach Abschluss der FMM-Schätzung und des EM-Algorithmus bei Block 121 schätzt das Verfahren 100 einen Geschwindigkeitsgrenzbereich am Prozessblock 123 und wählt dann einen oder mehrere Geschwindigkeitsbegrenzungskandidaten am Prozessblock 125 aus. Unter Verwendung von FMM/GMM ist das System in der Lage, eine Anzahl von versteckten Clustern von nativen/eindeutigen Wahrscheinlichkeitsverteilungen der Geschwindigkeitsbegrenzung für ein bestimmtes Straßenabschnitt zu identifizieren. Für jeden Cluster dieser nativen/eindeutigen Wahrscheinlichkeitsverteilung kann das System einen Mittelwert und eine Standardabweichung berechnen. Im Allgemeinen isoliert das System den höchsten Cluster, da es wahrscheinlich den tatsächlichen gesetzlichen Geschwindigkeitsgrenzwert widerspiegelt. Das System kann den gesamten Bereich betrachten und daraus die Werte auswählen, die Vielfache von fünf (5) und/oder zehn (10) sind, wobei es erkennt, dass fast alle gesetzlichen Geschwindigkeitsbegrenzungen auch Vielfache von fünf oder zehn (z.B. 20 mph, 25 mph, 30 mph,..., 60 mph, 65 mph, 70 mph) und keine Wert, der nicht ein Vielfaches von fünf oder zehn sind (z.B. 67 mph). Das System kann Ist-Geschwindigkeitsgrenzwerte wählen, wenn der Wert für die Fahrzeuggeschwindigkeitsregelung verwendet wird, z. B. wenn der Fahrzeuggeschwindigkeitsregler die Ist-Fahrgeschwindigkeit auf eine normative Verkehrsgeschwindigkeit einstellt.
Sobald das Geschwindigkeitsbegrenzungsbereichsschätzverfahren des Prozessblocks 123 beendet ist und danach das Geschwindigkeitsbegrenzungskandidatenauswahlverfahren des Prozessblocks 125 durchgeführt wird, führt das Verfahren 100 Kandidatenhypothesentests am Prozessblock 127 und Straßenkategorie-Clustering sowie fehlende Datenfolgerungen am Prozessblock 129 durch. Um einen endgültigen Kandidaten für die Geschwindigkeitsbegrenzung auszuwählen, kann das Verfahren 100 einen unterschiedlichen Datensatz verwenden, der dem gleichen zu untersuchenden Straßenabschnitt für den gleichen Zeitraum zugeordnet ist, um einen Hypothesentest mit der ausgewählten Teilmenge der verfügbaren Kandidaten durchzuführen, die bei Block 125 ausgewählt wurden. Der Wert, der als der Wert mit der höchsten statistischen Sicherheit bestimmt wird, wird als erfolgreicher Kandidat eingestuft. Für die Clusterung von Straßenkategorien kann das System Straßensegmente innerhalb einer gemeinsamen Kategorie bündeln (z.B. Kategorie „Autobahn“; Kategorie „Nebenstraße“; Kategorie „Schnellstraße“, Kategorie „Autobahn“, usw.). Wenn ein aggregierter Datensatz für eine bestimmte Autobahn fehlt oder als unzureichend erachtet wird, kann das System die abgeleitete(n) Geschwindigkeitsbegrenzung(en) anderer ähnlich kategorisierter Straßenabschnitte verwenden, um zu schätzen, welche die richtige Geschwindigkeitsbegrenzung ist.
Bei Prozessblock 131 wird der endgültige Geschwindigkeitsbegrenzungskandidat in einem Cloud Computing Service Server-Satz gespeichert und auf Wunsch an ein oder alle vernetzten Fahrzeuge übertragen. Jedes Fahrzeug kann dann eine oder mehrere Fahrzeugsteuervorgänge basierend auf dem empfangenen Geschwindigkeitsbegrenzungskandidaten durchführen. Beispielsweise kann der Steuervorgang das Speichern des ausgewählten Geschwindigkeitsbegrenzungskandidaten zu einer residenten Kartendatenbank des fahrzeugeigenen Navigationssystems beinhalten. Die neue Geschwindigkeitsbegrenzung kann dem Fahrer auf der HMI der Fahrzeugtelematikeinheit 14 jedes Mal angezeigt werden, wenn das Fahrzeug im entsprechenden Straßenabschnitt fährt. Optional kann die Geschwindigkeitsbegrenzung als taktile, hörbare und/oder visuelle Warnung ausgegeben werden, die auf eine Bestimmung durch die CPU 36 reagiert, dass der Fahrer das Fahrzeug 10 mit einer überhöhten Geschwindigkeit auf dem bezeichneten Straßenabschnitt betreibt. Als noch weitere Option kann der Steuervorgang das Ausführen eines oder mehrerer automatisierter Fahrvorgänge beinhalten, die als Reaktion auf den neuen gespeicherten Geschwindigkeitsgrenzwert moduliert werden. So kann beispielsweise ein residentes adaptives Geschwindigkeitsregelungssystem die aktuelle Geschwindigkeit des Fahrzeugs automatisch erhöhen oder verringern, um die tatsächliche Geschwindigkeit mit dem ausgewählten Geschwindigkeitsbegrenzungskandidaten genauer auszurichten, wenn es über den ausgewiesenen Straßenabschnitt fährt. Es ist vorgesehen, dass jedes geschwindigkeitsabhängige ADAS-Manöver oder geschwindigkeitsabhängige autonome Fahrmanöver basierend auf dem ausgewählten Geschwindigkeitskandidaten geändert werden kann.
Mit Bezug auf das Flussdiagramm von 3 wird ein verbessertes Verfahren oder eine verbesserte Steuerstrategie zum Ableiten von Straßenabschnittgeschwindigkeitsgrenzen unter Verwendung von fahrzeugzentrierten Probetechniken gemäß den Aspekten der vorliegenden Offenbarung im Allgemeinen bei 200 beschrieben. Einige oder alle der in 3 veranschaulichten und hierin beschriebenen Vorgänge können repräsentativ für einen Algorithmus sein, was prozessorausführbaren Anweisungen entspricht, die beispielsweise im Haupt- oder Hilfsspeicher gespeichert werden können und beispielsweise durch eine fahrzeugseitige oder fernbetätigte Steuerung, Verarbeitungseinheit, Steuerlogikschaltung oder ein anderes Modul oder eine andere Vorrichtung ausgeführt werden können, um beliebige oder alle der vorstehend oder nachfolgend beschriebenen Funktionen auszuführen, die den offenbarten Konzepten zugeordnet sind. Es sollte angemerkt werden, dass die Reihenfolge bei der Ausführung der veranschaulichten Operationsblöcke geändert, zusätzliche Blöcke hinzugefügt und einige der beschriebenen Blöcke geändert, kombiniert oder eliminiert werden können.
Vorgesehene Stichprobenverfahren zur Ableitung von Geschwindigkeitsbegrenzungen für Straßenabschnitte können einen kollaborativen Filterprozess implementieren, um indirekt auf die Relevanz jedes Beitrags von Fahrzeuggeschwindigkeitsdaten für ein bestimmtes Straßensegment aus einem bestimmten Fahrzeug hinzuweisen. Die Wichtigkeit (Wahrscheinlichkeit) p_i eines ith Datenbeitrags kann durch eine logistische Regression bestimmt werden: $p_{i} (T_{i}, K_{i}, C_{i}, D_{i}) = \frac{1}{(1 + σ^{(α_{1} T_{i} + α_{2} K_{i} + α_{3} C_{i} + α_{4} D_{i})})}$
wobei T_i ein Zeitrelevanzfaktor ist (z.B., der Zeitraum, in dem die Daten für einen bestimmten Beitrag gesammelt wurden, ist ein Zeitraum ohne Stoßzeiten); K_i ein kinematischer Faktor des Fahrzeugs (z.B, das Fahrzeuggeschwindigkeitsprofil im Laufe der Zeit stabil ist (kein häufiges Beschleunigen/Bremsen) ist; das Fahrzeug arbeitet mit Standard- oder adaptivem Tempomat usw.); C ist ein Fahrzeugselbstabstandsfaktor (z.B, das Forward Collision Alert (FCA)-System des Fahrzeugs, das Side Blind Zone Alert (SBZA)-System und/oder das Adaptive Cruise Control (ACC)-System zeigen den freien Verkehr an); D ist ein Dichtefaktor für die Fahrzeugumgebung (z.B. das Fahrzeug befindet sich in einer sehr dichten Fahrumgebung; das Fahrzeug befindet sich in einer ländlichen Fahrumgebung, etc.). Die Systemparameter 1, 2, 3, 4 können aus einem umfangreichen Satz von Trainingsdaten berechnet werden. In einigen Ausführungsformen kann 1, 2, 3, 4 als α priori -Wissen verwendet werden, wenn eine logistische Regression verwendet wird, um die Wichtigkeit eines Datenbeitrags zu testen.
Das Verfahren 200 aus 3 beginnt am Klemmenblock 201 mit prozessorausführbaren Anweisungen für eine programmierbare Steuerung oder ein Steuermodul bzw. einen ähnlich geeigneten Prozessor, um einen Initialisierungsvorgang für ein Probenprotokoll aufzurufen, um eine Geschwindigkeitsbegrenzung eines Straßenabschnitts abzuleiten, indem er statistisches Lernen auf crowd-erfasste Fahrzeugdaten anwendet, um eine maximale gesetzliche Geschwindigkeitsbegrenzung abzuleiten. Der Prozessblock 201 von 3 kann jedes der vorstehend beschriebenen Merkmale und Optionen in Bezug auf den Prozessblock 101 von 2 beinhalten. Beim Prozessblock 203 legt das Verfahren 200 einen Satz von Bewertungskriterien fest, an denen die fahrzeuggenerierten Daten gemessen werden, bevor die Daten zur Modellierung und Maximierung hochgeladen werden. Gemäß dem veranschaulichten Beispiel kann die CPU 36 des Kraftfahrzeugs die Nachbarschaftsdichtekriterien 205A, die Straßenfahrzeugdichte/Selbstfreigabeprofilkriterien 205B, die selbstkinematischen Fahrzeugprofilkriterien 205C und/oder die Zeitrelevanzkriterien 205D bewerten. Jeder dieser einzelnen Faktoren wird oben in der Diskussion der Bewertung der Wichtigkeit (Wahrscheinlichkeit) p_i beschrieben. Der bewertete Kriteriensatz 205A-D wird anschließend mit einem kollaborativen Filter unter Verwendung einer logistischen Regressionstechnik bei einem vordefinierten Prozessblock 207 verarbeitet.
Beim Entscheidungsblock 209 bestimmt das Verfahren 100, ob der bei Block 103 in ähnlicher Weise, siehe Beschreibung oben (2), bestimmte Zufallswahrscheinlichkeitswert einen kalibrierten Schwellenwert erreicht, überschreitet oder nicht erreicht. Wie oben beschrieben, kann dieser Schwellenwert ein fester Wahrscheinlichkeitswert sein, der mittels eines technischen Kalibrierungsprozesses vorgegeben wird. Desweiteren kann der kalibrierte Schwellenwert ein dynamisch angepasster Wahrscheinlichkeitswert sein, der auf einem oder mehreren vordefinierten Faktoren basiert. Wenn entschieden wird, dass der kalibrierte Schwellenwert nicht erreicht wurde (Block 209 = NEIN), fährt das Verfahren mit dem Prozessblock 211 fort und berücksichtigt die Daten nicht. An dieser Stelle kann das Verfahren 200 zu Klemmenblock 201 zurückkehren und in einer Endlosschleife laufen oder vorübergehend enden. Nachdem bestimmt wurde, dass der kalibrierte Schwellenwert erreicht oder überschritten wurde (Block 209 = JA), fährt das Verfahren 200 mit dem Eingabe-/Ausgabeblock 213 fort und lädt den aktuellen Datensatz für die Verarbeitung und Analyse hoch.
Wie weiterhin in 3 dargestellt, stellt das Verfahren 200 prozessorausführbare Anweisungen für einen Backend- oder Middleware-Computing-Knoten bereit, wie beispielsweise einen entfernten Systemserver des Cloud-Computersystems 24, mit folgenden Zwecken: (1) Akkumulieren einer lokalen Straßenabschnitt-Geschwindigkeitsverteilungsfunktion bei vordefinierten Prozessblock 215; und (2) Akkumulieren einer Autobahnabschnitt-Geschwindigkeitsverteilungsfunktion im vordefinierten Prozessblock 217. Prozessblöcke 215 und 217 von 3 können jedes der vorstehend beschriebenen Merkmale und Optionen in Bezug auf den Prozessblock 111 und 113 von 2 beinhalten. Das Verfahren 100 fährt dann mit dem Prozessblock 219 fort und führt eine Finite-Mischmodell-Schätzung unter Verwendung eines vorstehend beschriebenen Erwartungsalgorithmus aus. Der Prozessblock 219 von 3 kann jedes der vorstehend beschriebenen Merkmale und Optionen in Bezug auf den Prozessblock 121 von 2 beinhalten. Nach Abschluss der FMM-Schätzung und des EM-Algorithmus bei Block 219 schätzt das Verfahren 100 einen Geschwindigkeitsgrenzbereich und wählt dann einen oder mehrere hypothetische Geschwindigkeitsbegrenzungskandidaten am Prozessblock 221 aus. Das Verfahren 200 führt danach Kandidaten-Hypothesentests, Straßenkategorie-Clustering und fehlende Datenfolgerungen am Prozessblock 223 durch. Prozessblöcke 221 und 223 von 3 können jedes der vorstehend beschriebenen Merkmale und Optionen in Bezug auf den Prozessblock 123, 125, 127 und 129 von 2 beinhalten. Bei Verfahrensblock 225 wird der endgültige Geschwindigkeitsbegrenzungskandidat in einem Cloud-Serverstapel gespeichert und gesendet, um vernetzte Fahrzeuge in der oben beschriebenen Weise in Bezug auf den Prozessblock 131 von 2 auszuwählen.
Aspekte dieser Offenbarung können in einigen Ausführungsformen durch ein computerausführbares Programm von Anweisungen implementiert werden, wie zum Beispiel Programmmodulen, die allgemein als Softwareanwendungen oder Anwendungsprogramme bezeichnet werden, die von einem Fahrzeug-Bordcomputer oder ein verteiltes Netzwerk von residenten und entfernten Rechenvorrichtungen ausgeführt werden. Software kann in nicht einschränkenden Beispielen Routinen, Programme, Objekte, Komponenten und Datenstrukturen beinhalten, die bestimmte Aufgaben erfüllen oder bestimmte Datentypen implementieren. Die Software kann eine Schnittstelle bilden, um zu ermöglichen, dass eine residente Fahrzeugsteuerung oder ein Steuermodul oder eine andere geeignete integrierte Schaltvorrichtung gemäß einer Eingabequelle reagiert. Die Software kann auch mit anderen Codesegmenten zusammenarbeiten, um eine Vielzahl von Aufgaben in Reaktion auf Daten zu initiieren, die in Verbindung mit der Quelle der empfangenen Daten empfangen werden. Die Software kann auf einem beliebigen einer Vielzahl von Speichermedien, wie CD-ROM, Magnetplatte, Blasenspeicher und Halbleiterspeicher (z. B. verschiedene Arten 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. Darüber hinaus 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 Programmmodule sowohl auf fahrzeugeigenen als auch nicht-fahrzeugeigenen Computerspeichermedien einschließlich Speichergeräten angeordnet sein. Aspekte der vorliegenden Offenbarung können daher in Verbindung mit verschiedener Hardware, Software oder einer Kombination davon in einem Computersystem oder einem anderen Verarbeitungssystem implementiert werden.
Jedes der hierin beschriebenen Verfahren kann maschinenlesbare Anweisungen zur Ausführung beinhalten durch: (a) einen Prozessor, (b) eine Steuerung, und/oder (c) jede andere geeignete Verarbeitungsvorrichtung. Jeder Algorithmus, jede Software, Steuerlogik, ein Protokoll oder ein Verfahren, die hierin offenbart sind, kann in der Software verkörpert sein, die auf einem konkreten Medium gespeichert ist, wie beispielsweise einem Flash-Speicher, einer CD-ROM, einer Floppy-Disk, einem Festplattenlaufwerk, einer digitalen vielseitigen Disk (DVD) oder anderen Speichervorrichtungen. Der gesamte Algorithmus, Steuerlogik, Protokoll oder Verfahren und/oder Teile davon können alternativ von einer anderen Vorrichtung als einer Steuerung ausgeführt werden und/oder in Firmware oder dedizierten Hardware in einer verfügbaren Weise ausgeführt werden (z. B. kann er durch eine anwendungsspezifische integrierte Schaltung (ASIC), eine programmierbare Logikvorrichtung (PLD), eine feldprogrammierbare Logikvorrichtung (FPLD), eine diskrete Logik usw. implementiert werden.) Obwohl spezifische Algorithmen in Bezug auf die hierin dargestellten Flussdiagramme beschrieben werden, gibt es viele andere Methoden zum Implementieren der exemplarischen maschinenlesbaren Anweisungen, die alternativ verwendet werden können.
Aspekte der vorliegenden Offenbarung wurden im Detail unter Bezugnahme auf die dargestellten Ausführungsformen beschrieben; der Fachmann wird jedoch erkennen, dass viele Änderungen daran vorgenommen werden können, ohne vom Umfang der vorliegenden Offenbarung abzuweichen. Die vorliegende Offenbarung ist nicht beschränkt auf die hierin offenbarte genaue Konstruktion und Zusammensetzung; jegliche und alle Modifikationen, Änderungen und Variationen, ersichtlich aus den vorangehenden Beschreibungen, liegen innerhalb des Umfangs der Offenbarung, wie durch die hinzugefügten Ansprüchen definiert. Darüber hinaus beinhalten die vorliegenden Konzepte ausdrücklich alle Kombinationen und Teilkombinationen der vorangehenden Elemente und Merkmale.

Claims

Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs, wobei das Verfahren Folgendes umfasst: Bestimmen eines Fahrzeugstandortes des Kraftfahrzeugs über eine residente Fahrzeugsteuerung des Kraftfahrzeugs; Bestimmen eines bestimmten Straßenabschnitts, der dem Fahrzeugstandort entspricht, über die residente Fahrzeugsteuerung;. Empfangen einer gespeicherten Geschwindigkeitsgrenze, die dem bestimmten Straßenabschnitt zugeordnet ist, durch die residente Fahrzeugsteuerung aus einer gespeicherten Kartendatenbank; Empfangen von Geschwindigkeitsdaten des Trägerfahrzeugs, die eine Fahrzeuggeschwindigkeit des Kraftfahrzeugs anzeigen, während es auf dem bezeichneten Straßenabschnitt für einen kalibrierten Zeitrahmen fährt; Empfangen von Crowd-Sourced-Geschwindigkeitsdaten, die Fahrzeuggeschwindigkeiten von mehreren Teilnehmerfahrzeugen anzeigen, während sie auf dem bezeichneten Straßenabschnitt für den kalibrierten Zeitrahmen fahren; das Akkumulieren einer statistischen Geschwindigkeitsverteilungsfunktion für das bezeichnete Straßenabschnitt basierend auf den empfangenen Daten der Trägerfahrzeuggeschwindigkeit und der Crowd-Sourcing-Geschwindigkeitsdaten; Erzeugen eines Finite-Mischmodells aus der statistischen Geschwindigkeitsverteilungsfunktion, um einen Geschwindigkeitsbegrenzungsbereich für das bezeichnete Straßenabschnitt zu schätzen; Auswählen eines Geschwindigkeitsbegrenzungskandidaten aus dem geschätzten Geschwindigkeitsbegrenzungsbereich; und Die Fahrzeugsteuerung überträgt ein Befehlssignal an ein residentes Fahrzeug-Subsystem, um basierend auf dem ausgewählten Geschwindigkeitsbegrenzungskandidaten einen Steuervorgang auszuführen.
Das Verfahren nach Anspruch 1, das das Akkumulieren der statistischen Geschwindigkeitsverteilungsfunktion das Akkumulieren einer täglichen Geschwindigkeitsverteilungsfunktion und einer Stundengeschwindigkeitsverteilungsfunktion für das bezeichnete Straßenabschnitt beinhaltet.
Die Methode von Anspruch 1, das Erzeugen des Finite-Mischmodells das Anwenden eines Erwartungsmaximieralgorithmus beinhalten, um einen oder mehrere Gemischmodellparameter zu bestimmen, die einer bestimmten Klassendichte und einer früheren Wahrscheinlichkeit des Finite-Mischmodells entsprechen.
Verfahren nach Anspruch 1, mit dem auch eine Anzahl von Komponenten für das Finite-Mischmodell anzeigt, auf der Grundlage der statistischen Geschwindigkeitsverteilungsfunktion bestimmt wird.
Das Verfahren nach Anspruch 4, wobei der K-Wert gleich n ist und wobei das Erzeugen des Finite-Mischmodells das Erzeugen n Finite-Mischungsmodelle für den bezeichneten Straßenabschnitt beinhaltet.
Verfahren nach Anspruch 1, wobei die statistische Geschwindigkeitsverteilungsfunktion als g(x) dargestellt wird und berechnet wird als: $g (x) = \sum_{m} w_{i} P_{i} (x; μ_{i}, σ_{i}),$
wobei $P_{i} (x; μ_{i}, σ_{i}) = \frac{1}{{(2 π)}^{\frac{1}{2}} \sqrt{σ_{i}}} e^{[- \frac{1}{2 (x - μ_{i}) σ_{i}^{- 1} (x - μ_{i})}]}$
und wobei w_i ein gewichteter Faktor ist, der einer bestimmten iversteckten Komponente zugeordnet ist; P_i ist eine individuelle Komponente einer Wahrscheinlichkeitsverteilungsfunktion für jede versteckte Komponente; x ist die beobachtete Fahrzeuggeschwindigkeit; µ_i ist ein Mittelwert aus einer versteckten Verteilungsfunktion; und σ_i ist eine Standardabweichung der ith. versteckten Verteilungsfunktion.
Verfahren nach Anspruch 1, ferner umfassend: Auswählen einer Vielzahl von hypothetischen Geschwindigkeitsbegrenzungskandidaten aus dem geschätzten Geschwindigkeitsbegrenzungsbereich; und Anwenden eines maximalen Wahrscheinsetests auf jeden der hypothetischen Geschwindigkeitsbegrenzungskandidaten, um dadurch den Geschwindigkeitsbegrenzungskandidaten für den bezeichneten Straßenabschnitt auszuwählen.
Verfahren nach Anspruch 1, wobei das Finite-Mischmodell eine gewichtete Summe mehrerer mehrdimensionaler Gaußscher Wahrscheinlichkeitsdichtefunktionen beinhaltet.
Verfahren nach Anspruch 1, wobei das Empfangen der Geschwindigkeitsdaten des Trägerfahrzeugs, das Empfangen der Crowd-Sourced-Geschwindigkeitsdaten, das Akkumulieren der statistischen Geschwindigkeitsverteilungsfunktion, das Erzeugen des Finite-Mischmodells und das Auswählen des Geschwindigkeitsbegrenzungskandidaten durch einen Systemserver außerhalb des Fahrzeugs ausgeführt werden.
Verfahren nach Anspruch 1, ferner umfassend: das Berechnen eines zufälligen Wahrscheinlichkeitswertes über die residente Fahrzeugsteuerung, Bestimmen, ob der zufällige Wahrscheinlichkeitswert größer als ein kalibrierter Schwellenwert ist, und als Reaktion auf den zufälligen Wahrscheinlichkeitswert, der größer als der kalibrierte Schwellenwert ist, Übertragen der Daten der Trägerfahrzeuggeschwindigkeit an einen entfernten Systemserver außerhalb des Fahrzeugs vom Fahrzeug aus.