DE102019212829A1 - Automated detection of abnormal behavior on the part of a road user - Google Patents
Automated detection of abnormal behavior on the part of a road user Download PDFInfo
- Publication number
- DE102019212829A1 DE102019212829A1 DE102019212829.7A DE102019212829A DE102019212829A1 DE 102019212829 A1 DE102019212829 A1 DE 102019212829A1 DE 102019212829 A DE102019212829 A DE 102019212829A DE 102019212829 A1 DE102019212829 A1 DE 102019212829A1
- Authority
- DE
- Germany
- Prior art keywords
- neural network
- artificial neural
- vehicle
- road user
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 140
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
Abstract
Die Erfindung betrifft ein Verfahren zum Trainieren eines künstlichen neuronalen Netzes, aufweisend die Schritte:- Ermitteln (S1) von ersten Daten über einen ersten Verkehrsteilnehmer (1) durch eine Versuchsfahrzeugsensoreinheit (11),- Ermitteln (S2) von zweiten Daten über den ersten Verkehrsteilnehmer (1) durch eine externe Sensoreinheit (30),- Trainieren (S3) des künstlichen neuronalen Netzes mit den ersten Daten und mit den zweiten Daten jeweils als Eingang und mit einem vorgegebenen Maß zur Einordnung in normales oder anormales Verhalten des Verkehrsteilnehmers als vorgegebener Ausgang, und- Abspeichern (S4) des trainierten neuronalen Netzes in einer Speichereinheit (3) zur späteren Ausführung in dem Fahrzeug (20), wobei das abgespeicherte trainierte künstliche neuronale Netz dazu ausgeführt ist, mit aktuell von einer Fahrzeugsensoreinheit (21) eines Fahrzeugs (20) erfassten ersten Daten über einen zweiten Verkehrsteilnehmer (2) als einziger Eingang des künstlichen neuronalen Netzes ausgeführt zu werden.The invention relates to a method for training an artificial neural network, comprising the steps: ascertaining (S1) first data about a first road user (1) by a test vehicle sensor unit (11), - ascertaining (S2) second data about the first road user (1) by an external sensor unit (30), - training (S3) the artificial neural network with the first data and with the second data in each case as an input and with a predetermined measure for classification into normal or abnormal behavior of the road user as a predetermined output, and- storing (S4) the trained neural network in a memory unit (3) for later execution in the vehicle (20), the stored trained artificial neural network being designed to be updated by a vehicle sensor unit (21) of a vehicle (20) recorded first data about a second road user (2) as the only input of the artificial neural network s to be executed.
Description
Die Erfindung betrifft ein Verfahren zum Trainieren eines künstlichen neuronalen Netzes bezüglich einer Erfassung anormalen Verhaltens von Teilnehmern des Straßenverkehrs, ein Verfahren zum Ausführen eines so trainierten künstlichen neuronalen Netzes in einem Fahrzeug, ein ebensolches Fahrzeug, ein System mit einem Versuchsfahrzeug zum Trainieren eines künstlichen neuronalen Netzes zur Erfassung anormalen Verhaltens von Teilnehmern des Straßenverkehrs, sowie ein Computerprogrammprodukt und ein computerlesbares Medium jeweils zur Ausführung der jeweiligen Verfahren.The invention relates to a method for training an artificial neural network with regard to the detection of abnormal behavior of road traffic participants, a method for executing an artificial neural network trained in this way in a vehicle, a similar vehicle, a system with a test vehicle for training an artificial neural network for the detection of abnormal behavior of road traffic participants, as well as a computer program product and a computer-readable medium in each case for the execution of the respective method.
Aufgabe der Erfindung ist es, das automatisierte bzw. autonome Fahren mit einem Fahrzeug im Straßenverkehr zu verbessern.The object of the invention is to improve automated or autonomous driving with a vehicle in road traffic.
Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.The invention results from the features of the independent claims. Advantageous further developments and refinements are the subject matter of the dependent claims.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zum Trainieren eines künstlichen neuronalen Netzes bezüglich einer Erfassung anormalen Verhaltens von Teilnehmern des Straßenverkehrs, aufweisend die Schritte:
- - Ermitteln von ersten Daten über einen ersten Verkehrsteilnehmer durch eine an einem Versuchsfahrzeug angeordnete Versuchsfahrzeugsensoreinheit,
- - Ermitteln von zweiten Daten über den ersten Verkehrsteilnehmer durch eine externe Sensoreinheit, wobei die externe Sensoreinheit stationär im Bereich einer Straße angeordnet ist oder an einem Luftfahrzeug angeordnet ist,
- - Trainieren des künstlichen neuronalen Netzes mit den ersten Daten und mit den zweiten Daten jeweils als Eingang des künstlichen neuronalen Netzes und mit einem vorgegebenen und auf das Verhalten des ersten Verkehrsteilnehmers bezogenen Maß zur Einordnung in normales oder anormales Verhalten des Verkehrsteilnehmers als vorgegebener Ausgang des künstlichen neuronalen Netzes, und
- - Abspeichern des trainierten künstlichen neuronalen Netzes in einer Speichereinheit zur späteren Ausführung in dem Fahrzeug, wobei das abgespeicherte trainierte künstliche neuronale Netz dazu ausgeführt ist, mit aktuell von einer Fahrzeugsensoreinheit eines Fahrzeugs erfassten ersten Daten über einen zweiten Verkehrsteilnehmer als einziger Eingang des künstlichen neuronalen Netzes ausgeführt zu werden.
- - Determination of first data about a first road user by a test vehicle sensor unit arranged on a test vehicle,
- - Determination of second data about the first road user by an external sensor unit, wherein the external sensor unit is arranged stationary in the area of a road or is arranged on an aircraft,
- - Training the artificial neural network with the first data and with the second data in each case as an input of the artificial neural network and with a predetermined measure related to the behavior of the first road user for classification into normal or abnormal behavior of the road user as a predetermined output of the artificial neural Network, and
- - Saving the trained artificial neural network in a memory unit for later execution in the vehicle, the saved trained artificial neural network being designed to be executed with first data currently recorded by a vehicle sensor unit of a vehicle about a second road user as the only input of the artificial neural network to become.
Die externe Sensoreinheit ist bevorzugt an einem Luftfahrzeug, insbesondere einem unbemannten Luftfahrzeug wie einem Quadrocopter, einem Hexacopter, einem Oktocopter, oder an einer Starrflügel-Drohne angeordnet. Alternativ bevorzugt dazu ist die externe Sensoreinheit in einem Bereich einer Straße, auf der das Versuchsfahrzeug unterwegs ist, stationär angeordnet, das heißt an einer fixen Einrichtung wie einer Straßenlaterne, einer Warnbake, einem Masten eines Verkehrszeichens, einer Ampel, oder anderen Bauten insbesondere an einer Kreuzung angeordnet.The external sensor unit is preferably arranged on an aircraft, in particular an unmanned aircraft such as a quadrocopter, a hexacopter, an octocopter, or on a fixed-wing drone. Alternatively, preferably, the external sensor unit is arranged in a stationary manner in an area of a road on which the test vehicle is traveling, i.e. on a fixed device such as a street lamp, a warning beacon, a mast of a traffic sign, a traffic light, or other structures, in particular on a Intersection arranged.
Durch die externe Sensoreinheit und die Versuchsfahrzeugsensoreinheit ergeben sich zwei Informationsquellen, um Daten über das Verhalten des ersten Verkehrsteilnehmers zu gewinnen. Dies erleichtert vorteilhaft das akkurate Trainieren des künstlichen neuronalen Netzes, da mittels der externen Sensoreinheit, die naturgemäß von oben herab auf die Fahrbahn und insbesondere auf die Kreuzung auf den ersten Verkehrsteilnehmer herab blickt, näherungsweise vollkommen exakte Daten über das Verhalten des ersten Verkehrsteilnehmers vorliegen, die unter Umständen durch die bloße Beobachtung durch die Versuchsfahrzeugsensoreinheit nicht in ausreichendem Maße vorliegen würden, da diese nicht auf die Straße und insbesondere die Kreuzung mit dem ersten Verkehrsteilnehmer herab blickt. So lassen sich vorteilhaft sogenannte „ground-truth“ Daten gewinnen, wobei dieser Begriff insbesondere im Bereich des maschinellen Lernens dann verwendet wird, wenn zu Trainingszwecken vollständige und fehlerfreie Datensätze im Eingang verwendet werden, sodass ein Fehler im maschinellen Lernen aufgrund von unvollständigen oder fehlerhaften Datensätzen praktisch ausgeschlossen werden kann und das maschinelle Lernen bestmöglich erfolgt.The external sensor unit and the test vehicle sensor unit result in two sources of information in order to obtain data on the behavior of the first road user. This advantageously facilitates the accurate training of the artificial neural network, since by means of the external sensor unit, which naturally looks down from above at the road and especially at the intersection at the first road user, approximately completely exact data about the behavior of the first road user are available Under certain circumstances, the mere observation by the test vehicle sensor unit would not be present to a sufficient extent, since it does not look down on the road and in particular the intersection with the first road user. So-called "ground truth" data can advantageously be obtained, whereby this term is used in particular in the area of machine learning when complete and error-free data sets are used in the input for training purposes, so that an error in machine learning is due to incomplete or incorrect data sets can be practically ruled out and machine learning takes place in the best possible way.
Ein künstliches neuronales Netz ist im Wesentlichen eine anpassbare Funktion, die mittels Eingangsdaten und Ausgangsdaten und mittels einer Kostenfunktion eine Abbildung zwischen den Eingangsdaten und den Ausgangsdaten erzeugen kann. Im Stand der Technik sind hierbei eine Vielzahl verschiedener Architekturen von neuronalen Netzen bekannt.An artificial neural network is essentially an adaptable function that can generate a mapping between the input data and the output data using input data and output data and using a cost function. A large number of different neural network architectures are known in the prior art.
Solche künstliche neuronale Netze werden gemäß dem ersten Aspekt der Erfindung verwendet, um einen deterministischen Zusammenhang herzustellen zwischen sensorisch erfassten Daten über das Verhalten des ersten Verkehrsteilnehmers und einem Maß oder bereits einer Entscheidung, ob das Verhalten des ersten Verkehrsteilnehmers einem normalen Verhalten oder einem anormalen Verhalten eines Verkehrsteilnehmers entspricht.According to the first aspect of the invention, such artificial neural networks are used to establish a deterministic relationship between sensor-recorded data about the behavior of the first road user and a measure or a decision as to whether the behavior of the first road user is normal behavior or abnormal behavior Road user.
Unter dem Verhalten des (ersten) Verkehrsteilnehmers wird insbesondere eine Trajektorienführung verstanden, die bevorzugt eine Ortsinformation, einen Geschwindigkeitsverlauf und einen Beschleunigungsverlauf entlang der Trajektorie und optional weiterhin bevorzugt auch eine Seitenbeschleunigung des ersten Verkehrsteilnehmers umfasst.The behavior of the (first) road user is in particular one Understood trajectory guidance, which preferably includes location information, a speed profile and an acceleration profile along the trajectory and optionally also preferably a lateral acceleration of the first road user.
Was ein normales Verhalten und was ein anormales Verhalten des ersten Verkehrsteilnehmers ist, ist dabei im Wesentlichen freie Definitionssache und es ist Aufgabe eines Ingenieurs, dies zu definieren. Eine solche Definition ist Teil des Trainieren des künstlichen neuronalen Netzes und ist dem Ausgang des neuronalen Netzes zugeordnet. Das heißt, dass das neuronale Netz zum Zwecke des Trainierens mit den ermittelten ersten Daten und den ermittelten zweiten Daten im Eingangskanal des neuronalen Netzes gespeist wird, sodass das neuronale Netz auf diese Eingänge hin einen Ausgang berechnet, wobei der Ausgang ein Maß für die Normalität oder die Anormalität des Verhaltens des ersten Verkehrsteilnehmers widerspiegelt, und zumindest während des Trainierens des künstlichen neuronalen Netzes der Ausgang einem vorgegebenen Maß oder bereits eine Entscheidung zum normalen oder anomalen Verhalten des ersten Verkehrsteilnehmers durch Vorgabe zugeordnet wird.What is normal behavior and what is abnormal behavior of the first road user is essentially a matter of free definition and it is the task of an engineer to define this. Such a definition is part of the training of the artificial neural network and is assigned to the output of the neural network. This means that the neural network is fed for the purpose of training with the determined first data and the determined second data in the input channel of the neural network, so that the neural network calculates an output for these inputs, the output being a measure of normality or reflects the abnormality of the behavior of the first road user, and at least during the training of the artificial neural network, the output is assigned to a predetermined level or a decision on the normal or abnormal behavior of the first road user is assigned by default.
So sind beim Trainieren des neuronalen Netzes Eingangswerte und Ausgangswerte bekannt, und insbesondere durch Minimieren einer Kostenfunktion, die eine Differenz zwischen den auf Basis der aktuellen Parameter des künstlichen neuronalen Netzes berechneten Ausgangswerten und den vorgegebenen Ausgangswerten umfasst, werden die Parameter so angeglichen, dass das künstliche neuronale Netz den Zusammenhang zwischen den Eingangswerten und Ausgangswerten während der Trainingsphase immer besser trifft, bis letztendlich das neuronale Netz so weit trainiert ist, dass es zuverlässig das Maß bezüglich dem normalen oder anormalen Verhalten des ersten Verkehrsteilnehmers selbst bestimmen kann. Dabei finden übliche Methoden des überwachten bzw. unüberwachten Lernens Einsatz.When training the neural network, input values and output values are known, and in particular by minimizing a cost function that includes a difference between the output values calculated on the basis of the current parameters of the artificial neural network and the specified output values, the parameters are adjusted so that the artificial neural network, the relationship between the input values and output values during the training phase always better meets, until ultimately the neural network is trained to such an extent that it can reliably determine the extent of the normal or abnormal behavior of the first road user itself. The usual methods of supervised and unsupervised learning are used.
Das Maß zum normalen oder anormalen Verhalten kann dabei insbesondere ein numerischer Wert sein, oder ein symbolischer Wert, worauf hin jeweils eine Entscheidung insbesondere durch Abgleich des numerischen Wertes oder des symbolischen Wertes mit einem Grenzwert getroffen werden kann, ob normales oder anormales Verhalten des ersten Verkehrsteilnehmers vorliegt, oder alternativ bevorzugt ist das Maß bereits eine binäre Variable und enthält direkt die Entscheidung, ob normales oder anomales Verhalten des ersten Verkehrsteilnehmers vorliegt, was insbesondere durch eine Aktivierungsfunktion erfolgt, die den Ausgang des künstlichen neuronalen Netzes auf insbesondere ‚0‘ oder auf ‚1‘ abbildet.The measure of normal or abnormal behavior can in particular be a numerical value or a symbolic value, whereupon a decision can be made, in particular by comparing the numerical value or the symbolic value with a limit value, whether normal or abnormal behavior of the first road user is present, or alternatively, the measure is already a binary variable and directly contains the decision as to whether the behavior of the first road user is normal or abnormal, which takes place in particular through an activation function that sets the output of the artificial neural network to, in particular, '0' or ' 1 '.
Bevorzugt wird das Trainieren des künstlichen neuronalen Netzes gemäß dem ersten Aspekt der Erfindung in einer großen Vielzahl an Wiederholungen ausgeführt, um ausreichend viele und ausreichend verschiedenartige erste Daten und zweite Daten von der Versuchsfahrzeugsensoreinheit bzw. der externen Sensoreinheit zu generieren und eine zuverlässige Abbildung durch das künstliche neuronale Netz zu erzeugen. Durch die Wiederholung des ersten Aspekts der Erfindung werden somit erste Daten und zweite Daten insbesondere an einer großen Vielzahl von ersten Verkehrsteilnehmern erzeugt und damit das künstliche neuronale Netz trainiert.The training of the artificial neural network according to the first aspect of the invention is preferably carried out in a large number of repetitions in order to generate a sufficient number and sufficiently different types of first data and second data from the test vehicle sensor unit or the external sensor unit and a reliable mapping by the artificial generate neural network. By repeating the first aspect of the invention, first data and second data are generated, in particular on a large number of first road users, and the artificial neural network is thus trained.
Es ist eine vorteilhafte Wirkung der Erfindung, dass mit praktisch gesehen vollständigen und fehlerfreien Daten (sogenannten „ground truth“ Daten) über den ersten Verkehrsteilnehmer das künstliche neuronale Netz trainiert wird, was die Qualität des Trainings des künstlichen neuronalen Netzes erheblich verbessert, wohingegen das trainierte künstliche neuronale Netz im Fahrzeug auf Basis von aktuellen ersten Daten aus der Fahrzeugsensoreinheit zuverlässig betrieben werden kann. Ein weiterer Vorteil der internen Sensoreinheit ist, dass diese durch ihre naturgemäße Anordnung oberhalb einer Straße oder an einem Luftfahrzeug nicht direkt von einem anderen Verkehrsteilnehmer bewertet wird, sodass zur Trainingsphase des künstlichen neuronalen Netzes das Training von dem anderen Verkehrsteilnehmer unbemerkt bleiben kann, wodurch sich unbeeinflusste ermittelte Daten über den jeweiligen erfassten Verkehrsteilnehmer ergeben.It is an advantageous effect of the invention that the artificial neural network is trained with practically complete and error-free data (so-called "ground truth" data) about the first road user, which significantly improves the quality of the training of the artificial neural network, whereas the trained artificial neural network in the vehicle can be operated reliably on the basis of current first data from the vehicle sensor unit. Another advantage of the internal sensor unit is that, due to its natural arrangement above a road or on an aircraft, it is not evaluated directly by another road user, so that the training can go unnoticed by the other road user during the training phase of the artificial neural network determined data about the respective recorded road user result.
Gemäß einer vorteilhaften Ausführungsform dient das Verfahren weiterhin zum Ausführen des künstlichen neuronalen Netzes in dem Fahrzeug und weist weiterhin die Schritte auf:
- - Ausführen des abgespeicherten trainierten künstlichen neuronalen Netzes in dem Fahrzeug während der Fahrt des Fahrzeugs mit aktuellen, von der am Fahrzeug angeordneten Fahrzeugsensoreinheit ermittelten, ersten Daten über den zweiten Verkehrsteilnehmer, wobei die aktuell ermittelten ersten Daten der Fahrzeugsensoreinheit als einziger Eingang des künstlichen neuronalen Netzes dienen, und
- - Entscheiden auf Basis des Ausgangs des künstlichen neuronalen Netzes, ob ein anormales Verhalten des zweiten Verkehrsteilnehmers vorliegt.
- - Execution of the stored trained artificial neural network in the vehicle while the vehicle is driving with current first data about the second road user determined by the vehicle sensor unit arranged on the vehicle, the currently determined first data of the vehicle sensor unit serving as the only input of the artificial neural network , and
- - Based on the output of the artificial neural network, decide whether the second road user is behaving abnormally.
Gemäß dieser Ausführungsform wird ein künstliches neuronales Netz, das gemäß dem ersten Aspekt der Erfindung trainiert wurde, in einem weiteren Fahrzeug verwendet, um damit das Verhalten der Verkehrsteilnehmer zu überwachen. Das weitere Fahrzeug ist nicht notwendigerweise gleich dem Versuchsfahrzeug, kann es jedoch sein. Insofern erklärt sich, dass das Fahrzeug das mittels des Versuchsfahrzeugs trainierte künstliche neuronale Netz verwenden kann, da die Abbildung, welche das künstliche neuronale Netz wiedergibt, prinzipiell vom Trägerfahrzeug unabhängig ist. Vorteilhaft kann daher durch diese Ausführungsform ein künstliches neuronales Netz, welches mittels eines Versuchsfahrzeuges und mit einer externen Sensoreinheit bezüglich eines ersten Verkehrsteilnehmers trainiert wurde, auf einem beliebigen Fahrzeug verwendet werden, um das Verhalten eines zweiten Verkehrsteilnehmers, der vom ersten Verkehrsteilnehmer unabhängig ist, zu überwachen.According to this embodiment, an artificial neural network that was trained according to the first aspect of the invention is used in a further vehicle in order to monitor the behavior of the road users. The additional vehicle is not necessarily the same as the test vehicle, but it can be. To that extent explained that the vehicle can use the artificial neural network trained by means of the test vehicle, since the mapping which the artificial neural network reproduces is in principle independent of the carrier vehicle. With this embodiment, an artificial neural network, which was trained with a test vehicle and with an external sensor unit with respect to a first road user, can advantageously be used on any vehicle in order to monitor the behavior of a second road user who is independent of the first road user .
Ein weiterer Aspekt der Erfindung betrifft ein Verfahren zum Ausführen eines künstlichen neuronalen Netzes in einem Fahrzeug, aufweisend die Schritte:
- - Bereitstellen eines künstlichen neuronalen Netzes, wobei das künstliche neuronale Netz mit ersten, von einer an einem Versuchsfahrzeug angeordneten Versuchsfahrzeugsensoreinheit ermittelten, Daten über einen ersten Verkehrsteilnehmer und mit zweiten, von einer externen und stationär im Bereich einer Straße oder an einem Luftfahrzeug angeordneten Sensoreinheit ermittelten, Daten über den ersten Verkehrsteilnehmer jeweils als Eingang des künstlichen neuronalen Netzes trainiert worden ist, und wobei das künstliche neuronale Netz mit einem vorgegebenen und auf das Verhalten des ersten Verkehrsteilnehmers bezogenen Maß zur Einordnung in normales oder anormales Verhalten des ersten Verkehrsteilnehmers als vorgegebener Ausgang des künstlichen neuronalen Netzes trainiert worden ist,
- - Erfassen von aktuellen ersten Daten über einen zweiten Verkehrsteilnehmer durch eine am Fahrzeug angeordnete Fahrzeugsensoreinheit,
- - Ausführen des trainierten künstlichen neuronalen Netzes in dem Fahrzeug während der Fahrt des Fahrzeugs mit aktuellen, von einer am Fahrzeug angeordneten Fahrzeugsensoreinheit ermittelten, ersten Daten über den zweiten Verkehrsteilnehmer, wobei die aktuell ermittelten ersten Daten der Fahrzeugsensoreinheit als einziger Eingang des künstlichen neuronalen Netzes dienen, und
- - Entscheiden auf Basis des Ausgangs des künstlichen neuronalen Netzes, ob ein anormales Verhalten des zweiten Verkehrsteilnehmers vorliegt.
- - Provision of an artificial neural network, the artificial neural network ascertaining data on a first road user with a first, ascertained by a trial vehicle sensor unit arranged on a trial vehicle, and ascertained with a second, from an external and stationary sensor unit located in the area of a road or on an aircraft Data about the first road user has been trained as an input of the artificial neural network, and the artificial neural network with a predetermined level related to the behavior of the first road user for classification into normal or abnormal behavior of the first road user as a predetermined output of the artificial neural network Network has been trained,
- - Acquisition of current first data about a second road user by a vehicle sensor unit arranged on the vehicle,
- - Execution of the trained artificial neural network in the vehicle while the vehicle is in motion with current first data about the second road user determined by a vehicle sensor unit arranged on the vehicle, the currently determined first data of the vehicle sensor unit serving as the only input of the artificial neural network, and
- - Based on the output of the artificial neural network, decide whether the second road user is behaving abnormally.
Die zum ersten Aspekt der Erfindung gemachten Erklärungen und die zur bevorzugten Ausführungsform des ersten Aspekts der Erfindung gemachten Erklärungen können uneingeschränkt auf den zweiten obigen Aspekt der Erfindung übertragen werden. The explanations made for the first aspect of the invention and the explanations made for the preferred embodiment of the first aspect of the invention can be applied without restriction to the second aspect of the invention above.
Gemäß einer weiteren vorteilhaften Ausführungsform erfolgt das Entscheiden, ob ein anormales Verhalten des zweiten Verkehrsteilnehmers vorliegt, durch Vergleich des Ausgangs des künstlichen neuronalen Netzes mit einer vorgegeben Metrik. Bevorzugt ist die Metrik ein Grenzwert, gegen den der Ausgang des künstlichen neuronalen Netzes verglichen wird. Vorteilhaft wird hierdurch eine binäre Aussage ausgehend von einem numerischen Wert des Ausgangs des künstlichen neuronalen Netzes darüber getroffen, ob ein normales oder ein anomales Verhalten des zweiten Verkehrsteilnehmers vorliegt.According to a further advantageous embodiment, the decision as to whether the second road user is behaving abnormally is made by comparing the output of the artificial neural network with a predefined metric. The metric is preferably a limit value against which the output of the artificial neural network is compared. In this way, a binary statement is advantageously made based on a numerical value of the output of the artificial neural network about whether the second road user is behaving normally or abnormally.
Gemäß einer weiteren vorteilhaften Ausführungsform weist das Verfahren weiterhin den Schritt auf:
- - Ausführen einer vorgegeben Reaktion, wenn das Entscheiden über anormales Verhalten des zweiten Verkehrsteilnehmers positiv ausfällt, wobei die vorgegebene Reaktion zumindest eine aus den folgenden ist:
- . Ausgeben einer Warnung an den Fahrer des Fahrzeugs, . Vermindern des Grades der Autonomie, mit der das Fahrzeug aktuell betrieben wird,
- . Ändern von Parametern eines automatischen oder autonomen Steueralgorithmus des Fahrzeugs derart, dass die Fahrweise des Fahrzeugs auf Basis des autonomen Steueralgorithmus defensiver wird,
- . Ändern einer geplanten Trajektorie des Fahrzeugs.
- Execution of a predefined reaction if the decision about abnormal behavior of the second road user turns out to be positive, the predefined reaction being at least one of the following:
- . Issuing a warning to the driver of the vehicle,. Reducing the degree of autonomy with which the vehicle is currently operated,
- . Changing parameters of an automatic or autonomous control algorithm of the vehicle in such a way that the driving style of the vehicle becomes more defensive on the basis of the autonomous control algorithm,
- . Changing a planned trajectory of the vehicle.
Das Vermindern des Grades der Autonomie, mit der das Fahrzeug aktuell betrieben wird kann einerseits in einem Abschalten einiger automatisierenden Komponenten des Fahrzeugs bestehen, weitergehend bis zum Übergeben der vollständigen und alleinigen Kontrollautorität über das Fahrzeug an den Fahrer des Fahrzeugs.The reduction in the degree of autonomy with which the vehicle is currently operated can consist, on the one hand, of switching off some of the automating components of the vehicle, up to and including the transfer of full and sole control authority over the vehicle to the driver of the vehicle.
Gemäß einer weiteren vorteilhaften Ausführungsform umfassen die ersten Daten kinematische Informationen über den ersten Verkehrsteilnehmer und/oder den zweiten Verkehrsteilnehmer. Kinematische Informationen über den ersten Verkehrsteilnehmer beziehen sich insbesondere auf Informationen, die eine Position oder eine zeitliche Ableitung der Position des ersten Verkehrsteilnehmers wiedergeben. So können kinematische Informationen eine Geschwindigkeit, eine Beschleunigung, eine zeitliche Ableitung der Beschleunigung, insbesondere in Fahrtrichtung, und weiterhin insbesondere auch rechtwinklig zur aktuellen Fahrtrichtung, umfassen. Auch können die kinematischen Informationen relativ zu Beschränkungen und Verkehrsregeln bereitgestellt werden, insbesondere Geschwindigkeiten relativ zu einer Geschwindigkeitsbeschränkung, Lenkbewegungen relativ zu einer Spur, insbesondere zu gestrichelten oder durchgezogenen Markierungen, und generell relativ zu anderen durch allgemeine Regeln oder speziellen Verkehrszeichen oder Leuchtanzeigen gemachten Beschränkungen. According to a further advantageous embodiment, the first data include kinematic information about the first road user and / or the second road user. Kinematic information about the first road user relates in particular to information that reproduces a position or a time derivative of the position of the first road user. Kinematic information can thus include a speed, an acceleration, a time derivative of the acceleration, in particular in the direction of travel, and furthermore in particular also at right angles to the current direction of travel. The kinematic information relative to restrictions and traffic rules, in particular speeds relative to a speed limit, steering movements relative to a lane, in particular to dashed or solid markings, and generally relative to other restrictions imposed by general rules or special traffic signs or illuminated displays.
Gemäß einer weiteren vorteilhaften Ausführungsform umfassen die zweiten Daten jeweils kinematische Informationen über den ersten Verkehrsteilnehmer.According to a further advantageous embodiment, the second data each include kinematic information about the first road user.
Gemäß einer weiteren vorteilhaften Ausführungsform umfassen die jeweiligen kinematischen Daten zumindest eine Position und/oder eine Trajektorie des jeweiligen Verkehrsteilnehmers.According to a further advantageous embodiment, the respective kinematic data include at least one position and / or a trajectory of the respective road user.
Gemäß einer weiteren vorteilhaften Ausführungsform umfassen die Daten über den ersten Verkehrsteilnehmer Informationen über eine aktuelle Spur, auf der sich der erste Verkehrsteilnehmer befindet, und/oder Informationen über einen oder mehrere Spurwechsel des ersten Verkehrsteilnehmers.According to a further advantageous embodiment, the data about the first road user include information about a current lane in which the first road user is located and / or information about one or more lane changes by the first road user.
Ein weiterer Aspekt der Erfindung betrifft ein Fahrzeug, aufweisend eine Fahrzeugsensoreinheit und eine Recheneinheit, wobei die Recheneinheit dazu ausgeführt ist, ein künstliches neuronalen Netzes bereitzustellen, wobei das künstliche neuronale Netz mit ersten, von einer an einem Versuchsfahrzeug angeordneten Versuchsfahrzeugsensoreinheit ermittelten, Daten über einen ersten Verkehrsteilnehmer und mit zweiten, von einer stationär im Bereich einer Straße angeordneten oder an einem Luftfahrzeug angeordneten externen Sensoreinheit ermittelten, Daten über den ersten Verkehrsteilnehmer jeweils als Eingang des künstlichen neuronalen Netzes trainiert worden ist, und wobei das künstliche neuronale Netz mit einem vorgegebenen und auf das Verhalten des ersten Verkehrsteilnehmers bezogenen Maß zur Einordnung in normales oder anormales Verhalten des ersten Verkehrsteilnehmers als vorgegebener Ausgang des künstlichen neuronalen Netzes trainiert worden ist, wobei die Fahrzeugsensoreinheit zum Erfassen von aktuellen ersten Daten über einen zweiten Verkehrsteilnehmer ausgeführt ist, und wobei die Recheneinheit zum Ausführen des künstlichen neuronalen Netzes mit den aktuellen ersten Daten als einziger Eingang des künstlichen neuronalen Netzes und zum Entscheiden auf Basis des Ausgangs des künstlichen neuronalen Netzes, ob ein anormales Verhalten des zweiten Verkehrsteilnehmers vorliegt, ausgeführt ist.Another aspect of the invention relates to a vehicle having a vehicle sensor unit and a computing unit, the computing unit being designed to provide an artificial neural network, the artificial neural network having first data determined by a test vehicle sensor unit on a test vehicle via a first Traffic participant and with second, from an external sensor unit arranged stationary in the area of a road or arranged on an aircraft, data about the first traffic participant has been trained in each case as an input of the artificial neural network, and wherein the artificial neural network with a predetermined and based on the Behavior of the first road user related measure for classification into normal or abnormal behavior of the first road user has been trained as a predetermined output of the artificial neural network, the vehicle sensor unit for detection sen is executed from current first data about a second road user, and wherein the computing unit for executing the artificial neural network with the current first data as the only input of the artificial neural network and for deciding on the basis of the output of the artificial neural network whether an abnormal behavior of the second road user is present, is executed.
Gemäß einer vorteilhaften Ausführungsform weist die Fahrzeugsensoreinheit jeweils zumindest eine der folgenden auf:
- - Kameraeinheit, insbesondere Stereokameraeinheit,
- - Ultraschallsensoreinheit,
- - Lidareinheit,
- - Radareinheit, insbesondere Dopplerradareinheit.
- - camera unit, in particular stereo camera unit,
- - ultrasonic sensor unit,
- - Lidar unit,
- - Radar unit, in particular Doppler radar unit.
Vorteile und bevorzugte Weiterbildungen des vorgeschlagenen Fahrzeugs ergeben sich durch eine analoge und sinngemäße Übertragung der im Zusammenhang mit den vorgeschlagenen Verfahren vorstehend gemachten Ausführungen.Advantages and preferred developments of the proposed vehicle result from an analogous and analogous transfer of the statements made above in connection with the proposed method.
Ein weiterer Aspekt der Erfindung betrifft ein System mit einem Versuchsfahrzeug, mit einer Kalkulationseinheit, und mit einer externen Sensoreinheit, zum Trainieren eines künstlichen neuronalen Netzes bezüglich einer Erfassung anormalen Verhaltens von Teilnehmern des Straßenverkehrs, wobei das Versuchsfahrzeug eine Versuchsfahrzeugsensoreinheit aufweist und wobei die externe Sensoreinheit stationär im Bereich einer Straße angeordnet ist oder an einem Luftfahrzeug angeordnet ist, wobei
- - die Versuchsfahrzeugsensoreinheit zum Ermitteln von ersten Daten über einen ersten Verkehrsteilnehmer ausgeführt ist,
- - die externe Sensoreinheit zum Ermitteln von zweiten Daten über den ersten Verkehrsteilnehmer ausgeführt ist, und
- - die Kalkulationseinheit zum Trainieren des künstlichen neuronalen Netzes mit den ersten Daten und mit den zweiten Daten jeweils als Eingang des künstlichen neuronalen Netzes und mit einem vorgegebenen und auf das Verhalten des ersten Verkehrsteilnehmers bezogenen Maß zur Einordnung in normales oder anormales Verhalten des Verkehrsteilnehmers als vorgegebener Ausgang des künstlichen neuronalen Netzes, und zum Abspeichern des trainierten künstlichen neuronalen Netzes in einer Speichereinheit zur späteren Ausführung in dem Fahrzeug ausgeführt ist, wobei das abgespeicherte trainierte künstliche neuronale Netz dazu ausgeführt ist, mit aktuell von einer Fahrzeugsensoreinheit eines Fahrzeugs erfassten ersten Daten über einen zweiten Verkehrsteilnehmer als einziger Eingang des künstlichen neuronalen Netzes ausgeführt zu werden.
- - the test vehicle sensor unit is designed to determine first data about a first road user,
- - The external sensor unit is designed to determine second data about the first road user, and
- - The calculation unit for training the artificial neural network with the first data and with the second data in each case as an input of the artificial neural network and with a predetermined measure related to the behavior of the first road user for classification into normal or abnormal behavior of the road user as a predetermined output of the artificial neural network, and for storing the trained artificial neural network in a memory unit for later execution in the vehicle, the stored trained artificial neural network being designed to contain first data about a second road user currently recorded by a vehicle sensor unit of a vehicle to be executed as the only input of the artificial neural network.
Gemäß einer weiteren vorteilhaften Ausführungsform weisen die externe Sensoreinheit und/oder die Versuchsfahrzeugsensoreinheit jeweils zumindest eine der folgenden auf:
- - Kamera, insbesondere Stereokamera,
- - Ultraschallsensoreinheit,
- - Lidareinheit,
- - Radareinheit, insbesondere Dopplerradareinheit,
- - Camera, especially stereo camera,
- - ultrasonic sensor unit,
- - Lidar unit,
- - radar unit, in particular Doppler radar unit,
Vorteile und bevorzugte Weiterbildungen des vorgeschlagenen Systems ergeben sich durch eine analoge und sinngemäße Übertragung der im Zusammenhang mit den vorgeschlagenen Verfahren vorstehend gemachten Ausführungen.Advantages and preferred developments of the proposed system result from an analogous and analogous transfer of the statements made above in connection with the proposed method.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das Verfahren wie oben und im Folgenden beschrieben auszuführen.Another aspect of the invention relates to a computer program product, comprising instructions which, when the program is executed by a computer, cause the computer to execute the method as described above and below.
Ein weiterer Aspekt der Erfindung betrifft ein computerlesbares Medium, das computergesteuerte Anweisungen zum Ausführen des Verfahrens wie oben und im Folgenden beschrieben umfasst.Another aspect of the invention relates to a computer-readable medium which comprises computer-controlled instructions for carrying out the method as described above and below.
Weitere Vorteile, Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbeispiel im Einzelnen beschrieben ist. Gleiche, ähnliche und/oder funktionsgleiche Teile sind mit gleichen Bezugszeichen versehen.Further advantages, features and details emerge from the following description, in which at least one exemplary embodiment is described in detail - possibly with reference to the drawing. Identical, similar and / or functionally identical parts are provided with the same reference symbols.
Es zeigen:
-
1 ein Verfahren gemäß einem Ausführungsbeispiel der Erfindung, -
2 ein Verfahren gemäß einem weiteren Ausführungsbeispiel der Erfindung, -
3 ein System gemäß einem weiteren Ausführungsbeispiel der Erfindung, und -
4 ein Fahrzeug und einen zweiten Verkehrsteilnehmer gemäß einem weiteren Ausführungsbeispiel der Erfindung.
-
1 a method according to an embodiment of the invention, -
2 a method according to a further embodiment of the invention, -
3rd a system according to a further embodiment of the invention, and -
4th a vehicle and a second road user according to a further embodiment of the invention.
Die Darstellungen in den Figuren sind schematisch und nicht maßstäblich.The representations in the figures are schematic and not to scale.
- - Ermitteln
S1 von ersten Daten über einen ersten Verkehrsteilnehmer1 durch eine an einem Versuchsfahrzeug10 angeordnete Versuchsfahrzeugsensoreinheit11 , - - Ermitteln
S2 von zweiten Daten über den erstenVerkehrsteilnehmer 1 durch eine externe Sensoreinheit30 , wobei die externe Sensoreinheit30 stationär im Bereich einer Straße angeordnet ist oder an einem Luftfahrzeug angeordnet ist, - - Trainieren
S3 des künstlichen neuronalen Netzes mit den ersten Daten und mit den zweiten Daten jeweils als Eingang des künstlichen neuronalen Netzes und mit einem vorgegebenen und auf das Verhalten des ersten Verkehrsteilnehmers1 bezogenen Maß zur Einordnung in normales oder anormales Verhalten des Verkehrsteilnehmers als vorgegebener Ausgang des künstlichen neuronalen Netzes, und
- - Abspeichern
S4 des trainierten künstlichen neuronalen Netzes in einer Speichereinheit3 zur späteren Ausführung indem Fahrzeug 20 , wobei das abgespeicherte trainierte künstliche neuronale Netz dazu ausgeführt ist, mit aktuell von einerFahrzeugsensoreinheit 21 eines Fahrzeugs 20 erfassten ersten Daten über einen zweiten Verkehrsteilnehmer2 als einziger Eingang des künstlichen neuronalen Netzes ausgeführt zu werden, - - Ausführen
S5 des abgespeicherten trainierten künstlichen neuronalen Netzes indem Fahrzeug 20 während der Fahrt des Fahrzeugs20 mit aktuellen, von der amFahrzeug 20 angeordneten Fahrzeugsensoreinheit21 ermittelten, ersten Daten über den zweitenVerkehrsteilnehmer 2 , wobei die aktuell ermittelten ersten Daten der Fahrzeugsensoreinheit21 als einziger Eingang des künstlichen neuronalen Netzes dienen, - - Entscheiden
S6 auf Basis des Ausgangs des künstlichen neuronalen Netzes, ob ein anormales Verhalten des zweiten Verkehrsteilnehmers2 vorliegt.
- - Determine
S1 of first data about afirst road user 1 by one on a test vehicle10 arranged test vehicle sensor unit11 , - - Determine
S2 of second data about thefirst road user 1 by an external sensor unit30th , the external sensor unit30th is arranged stationary in the area of a road or is arranged on an aircraft, - - Work out
S3 of the artificial neural network with the first data and with the second data in each case as an input of the artificial neural network and with a predetermined and based on the behavior of thefirst road user 1 related measure for classification in normal or abnormal behavior of the road user as a predetermined output of the artificial neural network, and
- - Save
S4 of the trained artificial neural network in a memory unit3rd for later execution in the vehicle20th , wherein the stored, trained artificial neural network is designed with currently from avehicle sensor unit 21 of a vehicle20th recorded first data about asecond road user 2 to be implemented as the only input of the artificial neural network, - - To run
S5 of the stored trained artificial neural network in the vehicle20th while driving the vehicle20th with current, from the one on the vehicle20th arrangedvehicle sensor unit 21 determined, first data about thesecond road user 2 , wherein the currently determined first data of thevehicle sensor unit 21 serve as the only input of the artificial neural network, - - Decide
S6 based on the output of the artificial neural network, whether an abnormal behavior of thesecond road user 2 is present.
- -
Bereitstellen H 1 eines künstlichen neuronalen Netzes, wobei das künstliche neuronale Netz mit ersten, von einer an einem Versuchsfahrzeug10 angeordneten Versuchsfahrzeugsensoreinheit11 ermittelten, Daten über einen ersten Verkehrsteilnehmer1 und mit zweiten, von einer externen Sensoreinheit30 ermittelten, Daten über den erstenVerkehrsteilnehmer 1 jeweils als Eingang des künstlichen neuronalen Netzes trainiert worden ist, wobei die externe Sensoreinheit30 stationär im Bereich einer Straße angeordnet ist oder an einem Luftfahrzeug angeordnet ist, und wobei das künstliche neuronale Netz mit einem vorgegebenen und auf das Verhalten des ersten Verkehrsteilnehmers1 bezogenen Maß zur Einordnung in normales oder anormales Verhalten des ersten Verkehrsteilnehmers1 als vorgegebener Ausgang des künstlichen neuronalen Netzes trainiert worden ist, - - Erfassen
H2 von aktuellen ersten Daten über einen zweiten Verkehrsteilnehmer2 durch eine amFahrzeug 20 angeordnete Fahrzeugsensoreinheit 21 , - - Ausführen
H3 des trainierten künstlichen neuronalen Netzes indem Fahrzeug 20 während der Fahrt des Fahrzeugs20 mit aktuellen, von eineram Fahrzeug 20 angeordneten Fahrzeugsensoreinheit21 ermittelten, ersten Daten über den zweitenVerkehrsteilnehmer 2 , wobei die aktuell ermittelten ersten Daten der Fahrzeugsensoreinheit21 als einziger Eingang des künstlichen neuronalen Netzes dienen, - - Entscheiden
H4 auf Basis des Ausgangs des künstlichen neuronalen Netzes, ob ein anormales Verhalten des zweiten Verkehrsteilnehmers2 vorliegt, wobei das Entscheiden, ob ein anormales Verhalten des zweiten Verkehrsteilnehmers2 vorliegt, durch Vergleich des Ausgangs des künstlichen neuronalen Netzes mit einer vorgegeben Metrik erfolgt, und - - Ausführen
H5 einer vorgegeben Reaktion, wenn das Entscheiden über anormales Verhalten des zweiten Verkehrsteilnehmers2 positiv ausfällt, wobei die vorgegebene Reaktion das Ausgeben einer visuellen und einer akustischen Warnung an den Fahrer desFahrzeugs 20 ist.
- - Providing
H 1 of an artificial neural network, the artificial neural network with first, of one on a test vehicle10 arranged test vehicle sensor unit11 determined, data about afirst road user 1 and with a second, from an external sensor unit30th determined, data about thefirst road user 1 each has been trained as an input of the artificial neural network, the external sensor unit30th is arranged stationary in the area of a road or is arranged on an aircraft, and wherein the artificial neural network with a predetermined and based on the behavior of thefirst road user 1 related measure for classification into normal or abnormal Behavior of thefirst road user 1 has been trained as a predetermined output of the artificial neural network, - - Capture
H2 of current first data about asecond road user 2 by one on the vehicle20th arrangedvehicle sensor unit 21 , - - To run
H3 of the trained artificial neural network in the vehicle20th while driving the vehicle20th with current, from one on the vehicle20th arrangedvehicle sensor unit 21 determined, first data about thesecond road user 2 , wherein the currently determined first data of thevehicle sensor unit 21 serve as the only input of the artificial neural network, - - Decide
H4 based on the output of the artificial neural network, whether an abnormal behavior of thesecond road user 2 is present, the decision as to whether the behavior of the second road user is abnormal2 is present, is carried out by comparing the output of the artificial neural network with a predetermined metric, and - - To run
H5 a predetermined reaction when the decision is made about abnormal behavior of thesecond road user 2 is positive, with the predefined reaction outputting a visual and an acoustic warning to the driver of the vehicle20th is.
Die Verfahren der
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen, beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente, vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehende Erläuterungen in der Beschreibung, definiert wird.Although the invention has been illustrated and explained in more detail by preferred exemplary embodiments, the invention is not restricted by the disclosed examples and other variations can be derived therefrom by the person skilled in the art without departing from the scope of protection of the invention. It is therefore clear that there is a multitude of possible variations. It is also clear that embodiments cited by way of example really only represent examples that are not to be interpreted in any way as a limitation, for example, of the scope of protection, the possible applications or the configuration of the invention. Rather, the preceding description and the description of the figures enable the person skilled in the art to implement the exemplary embodiments in concrete terms, whereby the person skilled in the art, with knowledge of the disclosed inventive concept, can make various changes, for example with regard to the function or the arrangement of individual elements mentioned in an exemplary embodiment, without leaving the scope of protection which is defined by the claims and their legal equivalents, such as further explanations in the description.
BezugszeichenlisteList of reference symbols
- 11
- erster Verkehrsteilnehmerfirst road user
- 22
- zweiter Verkehrsteilnehmersecond road user
- 33
- SpeichereinheitStorage unit
- 1010
- VersuchsfahrzeugTest vehicle
- 1111
- VersuchsfahrzeugsensoreinheitTest vehicle sensor unit
- 2020th
- Fahrzeugvehicle
- 2121
- FahrzeugsensoreinheitVehicle sensor unit
- 2222nd
- RecheneinheitArithmetic unit
- 3030th
- externe Sensoreinheitexternal sensor unit
- 100100
- Systemsystem
- 101101
- Kalkulationseinheit Calculation unit
- S1S1
- ErmittelnDetermine
- S2S2
- ErmittelnDetermine
- S3S3
- TrainierenWork out
- S4S4
- AbspeichernSave
- S5S5
- AusführenTo run
- S6S6
- Entscheiden Decide
- H1H1
- BereitstellenProvide
- H2H2
- ErfassenCapture
- H3H3
- AusführenTo run
- H4H4
- EntscheidenDecide
- H5H5
- AusführenTo run
Claims (15)
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019212829.7A DE102019212829A1 (en) | 2019-08-27 | 2019-08-27 | Automated detection of abnormal behavior on the part of a road user |
EP20761802.6A EP4022589A1 (en) | 2019-08-27 | 2020-08-25 | Automated detection of abnormal behaviour of a road user |
PCT/EP2020/073724 WO2021037838A1 (en) | 2019-08-27 | 2020-08-25 | Automated detection of abnormal behaviour of a road user |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019212829.7A DE102019212829A1 (en) | 2019-08-27 | 2019-08-27 | Automated detection of abnormal behavior on the part of a road user |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019212829A1 true DE102019212829A1 (en) | 2021-03-04 |
Family
ID=72243116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019212829.7A Pending DE102019212829A1 (en) | 2019-08-27 | 2019-08-27 | Automated detection of abnormal behavior on the part of a road user |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4022589A1 (en) |
DE (1) | DE102019212829A1 (en) |
WO (1) | WO2021037838A1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392920A (en) * | 2021-06-25 | 2021-09-14 | 北京百度网讯科技有限公司 | Method, apparatus, device, medium, and program product for generating cheating prediction model |
CN114944057A (en) * | 2022-04-21 | 2022-08-26 | 中山大学 | Road network traffic flow data restoration method and system |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180336297A1 (en) * | 2017-05-18 | 2018-11-22 | TuSimple | Perception simulation for improved autonomous vehicle control |
WO2019070535A1 (en) * | 2017-10-03 | 2019-04-11 | Uber Technologies, Inc. | Anomaly detection systems and methods for autonomous vehicles |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016212700A1 (en) * | 2016-07-13 | 2018-01-18 | Robert Bosch Gmbh | Method and system for controlling a vehicle |
US10518729B2 (en) * | 2017-08-02 | 2019-12-31 | Allstate Insurance Company | Event-based connected vehicle control and response systems |
US10803746B2 (en) * | 2017-11-28 | 2020-10-13 | Honda Motor Co., Ltd. | System and method for providing an infrastructure based safety alert associated with at least one roadway |
US11257370B2 (en) * | 2018-03-19 | 2022-02-22 | Derq Inc. | Early warning and collision avoidance |
-
2019
- 2019-08-27 DE DE102019212829.7A patent/DE102019212829A1/en active Pending
-
2020
- 2020-08-25 WO PCT/EP2020/073724 patent/WO2021037838A1/en unknown
- 2020-08-25 EP EP20761802.6A patent/EP4022589A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180336297A1 (en) * | 2017-05-18 | 2018-11-22 | TuSimple | Perception simulation for improved autonomous vehicle control |
WO2019070535A1 (en) * | 2017-10-03 | 2019-04-11 | Uber Technologies, Inc. | Anomaly detection systems and methods for autonomous vehicles |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392920A (en) * | 2021-06-25 | 2021-09-14 | 北京百度网讯科技有限公司 | Method, apparatus, device, medium, and program product for generating cheating prediction model |
CN114944057A (en) * | 2022-04-21 | 2022-08-26 | 中山大学 | Road network traffic flow data restoration method and system |
CN114944057B (en) * | 2022-04-21 | 2023-07-25 | 中山大学 | Road network traffic flow data restoration method and system |
Also Published As
Publication number | Publication date |
---|---|
EP4022589A1 (en) | 2022-07-06 |
WO2021037838A1 (en) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AT521607B1 (en) | Method and device for testing a driver assistance system | |
DE102017215552A1 (en) | Plausibility of object recognition for driver assistance systems | |
DE102017214611B4 (en) | Method for checking a reaction signal of a vehicle component and checking device and motor vehicle | |
DE102010013943B4 (en) | Method and device for a functional test of an object recognition device of a motor vehicle | |
DE102019206908A1 (en) | Method for training at least one algorithm for a control unit of a motor vehicle, computer program product, motor vehicle and system | |
EP3271231A1 (en) | Method and device for monitoring a target trajectory to be travelled by a vehicle for absence of collisions | |
DE102019105359B4 (en) | Process for an ultrasonic measuring system in the vehicle for the detection and classification of objects in the area around the vehicle with the help of a deep learning process and a self-learning decision maker | |
DE112017007596T5 (en) | Strategy generator and vehicle | |
DE102018103803A1 (en) | A SYSTEM AND METHOD FOR DETECTING DEFECTIVE SENSOR INSTALLATION WITHIN A VEHICLE IN ORDER TO REDUCE THE RISKS ASSOCIATED WITH OBJECT DETECTION | |
EP4022589A1 (en) | Automated detection of abnormal behaviour of a road user | |
DE102019219241A1 (en) | Method for creating a road user algorithm for computer simulation of road users, method for training at least one algorithm for a control device of a motor vehicle, computer program product and motor vehicle | |
DE112018004003T5 (en) | CONTROL AND METHOD FOR AUTOMATIC DRIVING | |
DE102019134408A1 (en) | Self-learning network of neural network models for safety-relevant applications in the vehicle for the detection and classification of objects in the vicinity of the vehicle with the help of a deep learning process | |
DE102020210789A1 (en) | Analysis of a neural network for a vehicle | |
DE102017201796A1 (en) | Control device for determining a self-motion of a motor vehicle and motor vehicle and method for providing the control device | |
WO2019211293A1 (en) | Method for operating a driver assistance system of an ego vehicle having at least one surroundings sensor for detecting the surroundings of the ego vehicle, computer readable medium, system and vehicle | |
WO2022251890A1 (en) | Method and system for testing a driver assistance system for a vehicle | |
WO2022096236A1 (en) | Method for determining a probability of existence of a possible element in the surroundings of a motor vehicle, driver assistance system and motor vehicle | |
DE102018206326B4 (en) | Method for expanding a database of a Bayesian network | |
DE102020203829A1 (en) | Method for monitoring a vehicle system for recognizing the surroundings of a vehicle | |
DE102018123735A1 (en) | Method and device for improving object detection of a radar device | |
DE102019212830A1 (en) | Analysis and validation of a neural network for a vehicle | |
WO2023193996A1 (en) | Testing an automatic driving control function by way of semi-real traffic data | |
DE102022205174A1 (en) | Collective information gathering for automated driving control functions | |
DE102020117811A1 (en) | Method for providing a device for determining regions of interest for an automated vehicle function and assistance device for a motor vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R086 | Non-binding declaration of licensing interest | ||
R016 | Response to examination communication | ||
R084 | Declaration of willingness to licence | ||
R081 | Change of applicant/patentee |
Owner name: STELLANTIS AUTO SAS, FR Free format text: FORMER OWNER: PSA AUTOMOBILES SA, POISSY, FR |