-
Die Erfindung betrifft ein Verfahren zum Betreiben einer Fahrassistenzvorrichtung eines Fahrzeugs, eine Fahrassistenzvorrichtung und ein Fahrzeug, das zumindest eine Fahrassistenzvorrichtung aufweist.
-
Fahrassistenzvorrichtungen können in die Führung eines Fahrzeugs eingreifen oder diese vollständig übernehmen. Ein Eingreifen erfolgt beispielsweise bei Abstandsregeltempomaten, welche in eine Längsführung des Fahrzeugs eingreifen, um einen vorbestimmten Abstand zu einem voranfahrenden Fahrzeug einzuhalten. Autopiloten eines autonomen Fahrzeugs können, je nach eingestellten Autonomiegrad, die Führung des Fahrzeugs auch vollständig von dem Fahrer übernehmen. Für ein vorrausschauendes Fahren des Fahrzeugs durch eine Fahrassistenzvorrichtungen eines Fahrzeugs, ist es erforderlich, neben einer aktuellen Position und einer aktuellen Bewegung anderer Verkehrsteilnehmer auch deren zukünftiges Verhalten zu prädizieren und bei der Führung des Fahrzeugs einzubeziehen. Dadurch kann beispielsweise ein kurzfristiges und starkes Bremsen durch ein längeres und schwächeres Bremsen ersetzt werden. Dieser Vorgang ist auch unter Begriffen wie Szenenverständnis, Intentionsprädiktion, Interpretationen und Prädiktion bekannt. In dieser Disziplin werden Verfahren entwickelt, um aus Umgebungsdaten und Daten betreffend, andere Verkehrsteilnehmer, eine Prädiktion durchzuführen, welche beispielsweise zukünftige Aufenthaltswahrscheinlichkeiten der Verkehrsteilnehmer bestimmt. Ein vorrausschauendes Betreiben der Fahrassistenzvorrichtung ist möglich, wenn die Vorhersagen, die während dieser Prädiktionsverfahren über andere Verkehrsteilnehmer getroffen werden, mit dem tatsächlichen Verhalten des Verkehrsteilnehmers übereinstimmen. Neben einer Prädiktion eines zukünftigen Aufenthalts des Verkehrsteilnehmers ist auch eine Prädiktion seiner zukünftigen Bewegung, wozu beispielsweise der Verlauf seiner zukünftigen Geschwindigkeit gehört, erforderlich.
-
Ein Überblick über den aktuellen Stand der Technik bei Verfahren zur Verkehrsprädiktion ist beispielsweise in der folgenden wissenschaftlichen Veröffentlichung offenbart:
- LEFEVRE, Stephanie; VASQUEZ, Dizan; LAUGIER, Christian. A survey on motion prediction and risk assessment for intelligent vehicles. ROBOMECH journal, 2014, 1. Jg., Nr. 1, S. 1.
-
Weiterhin sind aus dem Stand der Technik folgende Offenlegungen bekannt:
- Die US 2011/0190972 A1 beschreibt ein Verfahren zum Betreiben eines Fahrzeugs während eines Verkehrsstaus. Das Verfahren umfasst ein Überwachen einer Fahrzeuggeschwindigkeit und eine Nachverfolgung eines Zielfahrzeugs in einer Nähe des Fahrzeugs, wobei ein überwachen einer Entfernung zu dem Zielfahrzeug durchgeführt wird.
-
Die
US 2010/0228419A1 beschreibt ein Verfahren zur Risikoabschätzung bei einem Betrieb eines automatischen Kraftfahrzeugsteuersystems. In dem Verfahren ist es vorgesehen, dass ein Fahrzeug dazu eingerichtet ist, einen automatischen Fahrspurwechsel durchzuführen. Das Fahrzeug ist mit einem Beobachtungssystem ausgestattet. Dabei ist es vorgesehen, Aufenthaltsorte von Objekten in der Nähe vorherzubestimmen. In einem nächsten Schritt wird ein Kollisionsrisikowert betreffend das Fahrzeug und die anderen Objekte bestimmen. Die Berechnung des Kollisionsrisikowerts basiert auf drei Hauptfaktoren: projiziertes Verhalten der Objekte, Straßenänderungen und das Verhalten des Fahrzeugs selbst. Es werden projizierte relative Trajektorien der Objekte bestimmt, welche projizierte Geschwindigkeitsprofile der Objekte umfassen.
-
Die
WO 2017/079349 A1 offenbart ein System zur Implementierung eines aktiven Sicherheitssystems in einem autonomen Fahrzeug. Ein beschriebenes Verfahren umfasst ein Erfassen eines Objekts in einer Umgebung des autonomen Fahrzeugs. Es werden Objektdaten bestimmt, die eine Position des Objekts, eine Art des Objekts und eine Klassifizierung des Objekts umfassen. Basierend auf den Objektdaten werden eine oder mehrere prädizierte Positionen des Objekts vorhergesagt. Aus den prädizierten Positionen des Objekts und einer Trajektorie des autonomen Fahrzeugs werden prädizierte Unfallpositionen bestimmt.
-
Nach dem Stand der Technik ist es, wie in den zitierten Druckschriften beschrieben, üblich, den zukünftigen Aufenthaltsort eines Verkehrsteilnehmers zu einem bestimmten Zeitpunkt unter Annahme eines vorbestimmten Geschwindigkeitsprofils vorherzubestimmen. Eine hohe Übereinstimmung der Vorhersagen mit dem tatsächlichen Aufenthaltsort des Verkehrsteilnehmers erfordert, dass das verwendete Geschwindigkeitsprofil ein wirklichkeitsgetreues, realistisches Fahrverhalten des Verkehrsteilnehmers wiedergibt. So entstehen Ungenauigkeiten bei der Prädiktion von zukünftigen Aufenthaltsorten anderer Verkehrsteilnehmer insbesondere aufgrund unrealistischer Geschwindigkeitsprofile, welche zur Prädiktion des zukünftigen Aufenthaltsortes verwendet werden. Oft wird das gewöhnliche Fahrverhalten eines menschlichen Fahrers nicht ausreichend durch diese Geschwindigkeitsprofile wiedergegeben.
-
Es ist somit eine Aufgabe der Erfindung, ein Verfahren bereitzustellen, das eine realistische Vorhersage zukünftiger Aufenthaltsorte anderer Verkehrsteilnehmer ermöglicht.
-
Die Erfindung umfasst ein Verfahren zum Betreiben einer Fahrassistenzvorrichtung eines Fahrzeugs. In dem Verfahren ist es vorgesehen, dass durch eine Sensoreinrichtung der Fahrassistenzvorrichtung zumindest eine aktuelle geographische Position eines Verkehrsteilnehmers erfasst wird. Mit anderen Worten wird durch die Sensorvorrichtung erfasst, wo sich ein weiterer Verkehrsteilnehmer derzeit befindet. Die Sensoreinrichtung kann beispielsweise Lidareinheiten, Radareinheiten, Kameras und weitere Sensoren umfassen, welche andere Verkehrsteilnehmer und deren aktuelle geographische Position bestimmen können. Durch eine Prognoseeinheit der Fahrassistenzvorrichtung wird zumindest aus der aktuellen geographischen Position des zumindest einen Verkehrsteilnehmers und Umgebungsdaten nach einem vorbestimmten Aufenthaltsprädiktionsverfahren zumindest ein potentieller zukünftiger Aufenthalt des zumindest einen Verkehrsteilnehmers bestimmt. Mit anderen Worten wird durch die Prognoseeinheit ein geographischer Bereich ermittelt, in der sich der Verkehrsteilnehmer innerhalb eines vorbestimmten zukünftigen Zeitraums, basierend auf einer Prädiktion, aufhalten wird. Dabei wird durch die Prognoseeinheit das vorbestimmte Aufenthaltsprädiktionsverfahren angewandt, welches den zumindest einen potentiellen zukünftigen Aufenthalt des Verkehrsteilnehmers in Abhängigkeit von dessen, durch die Sensoreinrichtung erfasster aktueller geographischer Position und den Umgebungsdaten bestimmt. Die Umgebungsdaten können beispielsweise durch die Sensoreinrichtung erfasste Straßenverläufe oder Verkehrsschilder umfassen, welche Informationen über einen zukünftigen Aufenthaltsort des Verkehrsteilnehmers bereitstellen können. Die Umgebungsdaten können auch gespeicherte geographische Daten umfassen, die in der Fahrassistenzvorrichtung gespeichert sein können. Es kann beispielsweise vorgesehen sein, dass der zumindest eine potentielle zukünftige Aufenthalt des zumindest einen Verkehrsteilnehmers in Abhängigkeit von einem Verlauf einer Fahrspur ermittelt wird, auf der sich der zumindest eine Verkehrsteilnehmer aktuell befindet. Es ist vorgesehen, dass durch die Prognoseeinheit dem zumindest einen Verkehrsteilnehmer nach einem vorbestimmten Charakterisierungsverfahren aus mehreren vorgegebenen GG-Profilen, die jeweils ein vorbestimmtes Beschleunigungsverhalten charakterisieren, zumindest ein aktives GG-Profil zugeordnet wird. Mit anderen Worten sind in der Prognoseeinheit mehrere vorgegebene GG-Profile gespeichert, wobei es sich um Profile handelt, die einen zulässigen Wertebereich einer Beschleunigung mittels eines Kamm'schen Kreises vorgeben. Wird der zumindest eine Verkehrsteilnehmer erfasst, so wird diesem Verkehrsteilnehmer eines der mehreren vorgegebenen GG-Profilen zugewiesen, um dem Verkehrsteilnehmer ein Beschleunigungsverhalten zuzuweisen. Das Charakterisierungsverfahren kann beispielsweise aufgrund einer durch die Sensoreinrichtung erfassten Verkehrsteilnehmerkategorie des Verkehrsteilnehmers erfolgen. Es kann beispielsweise vorgesehen sein, dass einem Lastkraftwagen ein vorbestimmtes GG-Profil zugeordnet wird, dass ein typisches Beschleunigungsverhalten eines Lastkraftwagens beschreibt. Einem Sportwagen kann ein jeweiliges GG-Profilzugeordnet sein, . Wird durch die Sensoreinrichtung der andere Verkehrsteilnehmer als Sportwagen identifiziert, so kann diesem ein zugehöriges GG-Profil zugewiesen werden, welches einen größeren zulässigen Wertebereich angeben kann, als das des Lastkraftwagens. Die GG-Profile können experimentell durch eine Auswertung eines Beschleunigungsverhaltens eines manuell geführten Fahrzeugs ermittelt sein.
-
Durch die Prognoseeinheit der Fahrassistenzvorrichtung wird aus dem zumindest einen potentiellen zukünftigen Aufenthalt des zumindest einen Verkehrsteilnehmers und dem zumindest einen , dem Verkehrsteilnehmer zugeordneten zumindest einen aktiven GG-Profil nach einem vorbestimmten Bewegungsprädiktionsverfahren zumindest eine potentielle zukünftige Bewegung des zumindest einen Verkehrsteilnehmers bestimmt. Mit anderen Worten wird in dem nächsten Schritt die zumindest eine potentielle zukünftige Bewegung des zumindest einen Verkehrsteilnehmers prädiziert. Die Bewegung kann beispielsweise eine Zuordnung einer zukünftigen geographischen Position des Verkehrsteilnehmers zu einem zukünftigen Zeitpunkt umfassen. Mit anderen Worten kann die zumindest eine potentielle zukünftige Bewegung beschreiben, wie sich der Verkehrsteilnehmer in Zukunft in dem potentiellen zukünftigen Aufenthalt bewegen wird. Das vorbestimmte Bewegungsprädiktionsverfahren kann die zumindest eine potentielle zukünftige Bewegung auf Grundlage des zumindest einen potentiellen zukünftigen Aufenthalts des jeweiligen Verkehrsteilnehmers und dem, ihm zugewiesenen zumindest einen aktiven GG-Profils bestimmen. Es kann beispielsweise durch den potentiellen zukünftigen Aufenthalt des zumindest einen Verkehrsteilnehmers ein prognostizierter zukünftiger Fahrweg entlang einer Straße bestimmt sein. Der zumindest eine potentielle zukünftige Aufenthalt kann somit einen Verlauf oder einen Bereich darstellen, in dem sich der zumindest eine Verkehrsteilnehmer zukünftig aufhalten wird. Um den zukünftigen Aufenthaltsort des zumindest einen Verkehrsteilnehmers in dem potentiellen zukünftigen Aufenthalt in Abhängigkeit der Zeit bestimmen zu können, kann basierend auf dem, in dem aktiven GG-Profil beschriebenen Beschleunigungsverhalten eine Beschleunigung und eine Geschwindigkeit des Verkehrsteilnehmers entlang des potentiell zukünftigen Aufenthalts bestimmt werden.
-
Durch die Fahrassistenzvorrichtung wird das Fahrzeug in Abhängigkeit von der zumindest einen potentiellen zukünftigen Bewegung des zumindest ein Verkehrsteilnehmers angesteuert. Mit anderen Worten erfolgt durch die Fahrassistenzvorrichtung des Fahrzeugs ein Eingriff in die Längs- und/oder die Querführung des Fahrzeugs, wobei der Eingriff unter Berücksichtigung der zumindest einen potentiellen zukünftigen Bewegung des zumindest einen Verkehrsteilnehmers erfolgt. Es kann beispielsweise vorgesehen sein, dass die Fahrassistenzvorrichtung als Abstandstempomat eingerichtet ist, der eine Längsführung des Fahrzeugs in Abhängigkeit eines durch die Sensoreinrichtung erfassten Abstands zu einem voranfahrenden Fahrzeugs beeinflusst. Wird beispielsweise aufgrund eines Verkehrsschildes durch die Prognoseeinheit ein Abbremsen des voranfahrenden Fahrzeugs prognostiziert, kann die Fahrassistenzvorrichtung die Geschwindigkeit des eigenen Fahrzeugs vorab reduzieren, um ein spontanes Abbremsen zu vermeiden.
-
Die Erfindung ergibt den Vorteil, dass eine Verkehrsprädiktionen mit natürlichen Beschleunigungsprofile erzeugt wird.
-
Für die Entwicklung automatischer Fahrzeuge ist es erforderlich, das zukünftige Verhalten anderer Verkehrsteilnehmer vorherzusagen/zu Prädizieren. Diese Teildisziplin ist bekannt als „Szenenverständnis“, „Intentionsprädiktion“, „Interpretation und Prädiktion“ und noch unter weiteren Begriffen. Damit sich das automatische Fahrzeug richtig verhält, müssen diese Vorhersagen möglichst realistisch sein. Hierfür ist es sinnvoll, sich an natürlichem (aus dem oft unbewussten menschlichen Vorlieben entstehenden) Fahrerverhalten zu orientieren. Über die Verwendung von GG-Profilen wird ein Verfahren bereitgestellt, welches natürliches Fahrverhalten im automatischen Fahrzeug prognostiziert. Es ist sinnvoll, die Grundidee und Algorithmik dieses Verfahrens auf die Prädiktion anderer Verkehrsteilnehmer anzuwenden. Durch die Erfindung wird eine bessere Prädiktion des Verhaltens anderer Verkehrsteilnehmer ermöglicht.
-
Die Erfindung umfasst auch optionale Weiterbildungen der Erfindung, durch die sich weitere Vorteile ergeben.
-
Eine Weiterbildung der Erfindung sieht vor, dass der zumindest eine potentielle zukünftige Aufenthalt des zumindest ein Verkehrsteilnehmers als diskrete Strecke bestimmt wird. Mit anderen Worten kann es sich um den zumindest einen potentiellen zukünftigen Aufenthalt des Verkehrsteilnehmers um eine Linie handeln, welche einen geographischen Verlauf der prognostizierten Fahrstrecke des Verkehrsteilnehmers beschreibt. Es kann sich beispielsweise um einen Verlauf eines prognostizierten Fahrwegs des Verkehrsteilnehmers entlang einer Fahrspur handeln.
-
Eine Weiterbildung der Erfindung sieht vor, dass die zumindest eine potentielle zukünftige Bewegung des zumindest ein Verkehrsteilnehmers als diskrete Trajektorie bestimmt wird. Mit anderen Worten ist es vorgesehen, dass während des Bewegungsprädiktionsverfahrens für den zumindest einen Verkehrsteilnehmer eine Trajektorie bestimmt wird, welche einem jeweiligen Zeitpunkt eine Position des Verkehrsteilnehmers in dem Aufenthalt zuordnet. Dadurch ergibt sich der Vorteil, dass eine eindeutige Beschreibung der Bewegung bereitgestellt wird.
-
Eine Weiterbildung der Erfindung sieht vor, dass der zumindest eine potentielle zukünftige Aufenthalt des zumindest einen Verkehrsteilnehmers als Wahrscheinlichkeitsverteilung bestimmt wird. Mit anderen Worten handelt es sich bei dem potentiellen zukünftigen Aufenthalt des zumindest ein Verkehrsteilnehmers um eine Wahrscheinlichkeitsverteilung welche einem jeweiligen Punkt entlang einer Linie oder in einer Fläche eine prognostizierte Aufenthaltswahrscheinlichkeit des zumindest ein Verkehrsteilnehmers zuordnet. Dadurch ergibt sich der Vorteil, dass Variationen und mögliche Abweichungen der genauen Prognose über die Wahrscheinlichkeitsverteilung berücksichtigt werden können.
-
Eine Weiterbildung der Erfindung sieht vor, dass die zumindest eine potentielle zukünftige Bewegung des zumindest ein Verkehrsteilnehmers als Wahrscheinlichkeitsverteilung bestimmt wird. Mit anderen Worten kann entlang einer Linie oder innerhalb eines Bereiches eine, von einem Zeitpunkt abhängige Aufenthaltswahrscheinlichkeit des Verkehrsteilnehmers bestimmt werden. Dadurch ergibt sich der Vorteil, dass Schwankungen oder Abweichungen in der Prädiktion der Geschwindigkeit über Wahrscheinlichkeiten berücksichtigt werden können.
-
Eine Weiterbildung der Erfindung sieht vor, dass durch die Prognoseeinheit der Fahrassistenzvorrichtung eine Historie der Bewegung des zumindest ein Verkehrsteilnehmers in dem vorbestimmten Aufenthalts Prädiktion Verfahren berücksichtigt wird. Mit anderen Worten wird die Bewegung des Verkehrsteilnehmers bei der Bestimmung der potentiellen zukünftigen Bewegung des Verkehrsteilnehmers berücksichtigt. Es kann beispielsweise vorgesehen sein, dass eine erfasste Geschwindigkeit des Verkehrsteilnehmers als Anfangswert für die Bestimmung der potentiellen zukünftigen Bewegung verwendet wird.
-
Eine Weiterbildung der Erfindung sieht vor, dass das zumindest eine aktive GG-Profil dem zumindest einen Verkehrsteilnehmer nach dem vorbestimmten Charakterisierungsverfahren in Abhängigkeit von der Bewegung des Verkehrsteilnehmers zugeordnet wird. Mit anderen Worten ist es vorgesehen, dass durch die Sensoreinrichtung der Fahrassistenzvorrichtung eine Bewegung des Verkehrsteilnehmers erfasst wird. Die Bewegung des Verkehrsteilnehmers wird als Faktor bei der Auswahl des aktiven GG-Profils für den zumindest ein Verkehrsteilnehmer berücksichtigt. Es kann beispielsweise vorgesehen sein, dass eine Geschwindigkeit, eine Längs- und/oder Querbeschleunigung des Verkehrsteilnehmers durch die Sensoreinrichtung erfasst wird. Basierend darauf kann durch die Prognoseeinheit dem jeweiligen Verkehrsteilnehmer das jeweilige aktive GG-Profil aus den GG-Profilen zugeordnet werden, das am ehesten mit der erfassten Bewegung des Verkehrsteilnehmers übereinstimmt. Es kann beispielsweise vorgesehen sein, dass durch die Sensoreinrichtung über einen vorbestimmten Zeitraum erfasst wird, dass ein Verkehrsteilnehmer vor Ampeln oder Verkehrsschildern abrupt abbremst und sein Beschleunigungsverhalten somit hohe negative Längsbeschleunigungen aufweist. Entsprechend kann dem Verkehrsteilnehmer ein GG-Profil eines Fahranfängers zugewiesen werden.
-
Dadurch ergibt sich der Vorteil, dass eine genauere Prognose für einzelne Verkehrsteilnehmer ermöglicht wird.
-
Eine Weiterbildung der Erfindung sieht vor, dass durch das aktive GG-Profil eine maximale Gesamtbeschleunigung, eine maximale Querbeschleunigung und eine maximale Längsbeschleunigung des zumindest ein Verkehrsteilnehmers definiert werden. Mit anderen Worten wird durch das aktive GG-Profil ein Wertebereich der Gesamtbeschleunigung definiert, welcher sich aus der Querbeschleunigung und der Längsbeschleunigung zusammensetzt.
-
Eine Weiterbildung der Erfindung sieht vor, dass aus einem Krümmungsverlauf des zumindest ein potentiellen zukünftigen Aufenthalts und der definierten maximalen Querbeschleunigung des aktiven GG-Profils die zumindest eine potentielle zukünftige Bewegung entlang des zumindest ein potentiellen zukünftigen Aufenthalts des zumindest einen Verkehrsteilnehmers berechnet wird. Mit anderen Worten ist es vorgesehen, dass die zukünftige Bewegung des Verkehrsteilnehmers bestimmt wird, indem für den potentiellen zukünftigen Aufenthalt ein Krümmungsverlauf bestimmt wird. Aus dem Krümmungsverlauf und der maximalen Querbeschleunigung, die durch das aktive GG-Profil definiert sind, wird die zukünftige Bewegung entlang des zumindest einen potentiellen zukünftigen Aufenthalts des zumindest einen Verkehrsteilnehmers berechnet.
-
Die Erfindung umfasst auch eine Fahrassistenzvorrichtung für ein Fahrzeug, die zur Durchführung eines der beschriebenen Verfahren eingerichtet ist.
-
Die Erfindung umfasst auch ein Fahrzeug, das zumindest eine Fahrassistenzvorrichtung aufweist. Die Fahrassistenzvorrichtung kann beispielsweise einen Mikroprozessor umfassen und dazu eingerichtet sein, das Fahrzeug in Abhängigkeit von der zumindest einen potentiellen zukünftige Bewegung des zumindest einen Verkehrsteilnehmers anzusteuern. Die Prognoseeinheit kann als eigenständiger Mikroprozessor ausgebildet sein.
-
Zu der Erfindung gehören auch Weiterbildungen der erfindungsgemäßen Fahrassistenzvorrichtung und des erfindungsgemäßen Fahrzeugs, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen der erfindungsgemäßen Fahrassistenzvorrichtung und des erfindungsgemäßen Fahrzeugs hier nicht noch einmal beschrieben.
-
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.
-
Im Folgenden ist ein Ausführungsbeispiel der Erfindung beschrieben. Hierzu zeigt:
- 1 zeigt ein GG-Profil;
- 2 mögliche GG-Profile;
- 3 zeigt ein Fahrzeug mit einer Fahrassistenzvorrichtung in einer Verkehrssituation im Straßenverkehr;
- 4 einen Verfahrensschritt der Bestimmung zumindest eines prognostizierten zukünftigen Aufenthalts des Verkehrsteilnehmers;
- 5 einen möglichen Verfahrensschritt der Bestimmung einer Trajektorie;
- 6 einen möglichen zukünftigen Aufenthalt des Verkehrsteilnehmers als Wahrscheinlichkeitsverteilung;
- 7 einen möglichen zukünftigen Aufenthalt des Verkehrsteilnehmers als Belegungskartierung;
- 8 eine multimodale Bestimmung des zukünftigen Aufenthalts und der zukünftigen Bewegung des Verkehrsteilnehmers; und
- 9 zeigt einen möglichen Verlauf der Beschleunigung und der Geschwindigkeit basierend auf einem GG-Profil.
-
Bei dem im Folgenden erläuterten Ausführungsbeispiel handelt es sich um eine bevorzugte Ausführungsform der Erfindung. Bei dem Ausführungsbeispiel stellen die beschriebenen Komponenten der Ausführungsform jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren ist die beschriebene Ausführungsform auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
-
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.
-
1 zeigt ein GG-Profil. Das GG-Profil GG kann einen zulässigen Wertebereich a' einer Gesamtbeschleunigung ages eines Verkehrsteilnehmers 1, insbesondere eines Kraftfahrzeugs festlegen. Die Gesamtbeschleunigung ages des Verkehrsteilnehmers 1 kann eine Längsbeschleunigung ax und eine Querbeschleunigung ay umfassen. Der Wertebereich a' kann durch eine maximale Gesamtbeschleunigung amax beschränkt sein, durch die sich an den Achsen eine maximale Längsbeschleunigung ax,max beziehungsweise eine maximale Querbeschleunigung ay,max ergibt. Der Ansatz mittels a_x, a_y Muster (GG-Profile) ist besonders elegant, weil dieser eindeutig messbares Fahrverhalten in ein klares Verfahren zur Berücksichtigung darstellt. Es können mehrere Varianten an GG-Profilen möglich sein. So wären äquivalente Formen der GG-Profile denkbar. Beispielsweise durch integrierte (v_x,v_y,t) oder davon abgeleitete Größen (Längs- und Querruck) . Es können auch die Steuergrößen des Verkehrsteilnehmers 1 betrachtet werden, beispielsweise a_x-Lenkwinkel Muster (der Lenkwinkel beeinflusst letztlich die Querbeschleunigung) oder Gas-/Bremspedal-Lenkwinkel-Muster. Es könnten auch die Kräfte F_x,F_y betrachtet werden (F_x = m * a_x). vorteilhaft an der verwenden der Beschleunigung a_x, a_y ist, dass diese nicht vom Fahrzeug abhängig ist, sondern eine allgemein bestimmbare Größe. Um die a_x, a_y Muster (g-g Profile) der Verkehrsteilnehmer 1 zu identifizieren, kann beispielsweise eine durch die Sensoreinrichtung 5 erfasste Historie 8 des Verkehrsteilnehmers 1 in einem Charakterisierungsverfahren genutzt werden. Diese GG-Profile GG sind nicht für jeden Fahrer und jede Fahrsituation gleichbleibend, sondern sind unter Anderem abhängig von Verkehrslage, Geschwindigkeit, Fahrer und dem Fahrzeug. Eine Identifikation der relevantesten Einflüsse kann mithilfe bekannter Verfahren wie Principal Component Analysis erfolgen.
-
2 zeigt mögliche GG-Profile. Die GG-Profile GG1 bis GG4 können Verkehrsteilnehmern 1 verschiedener Erfahrungsgrade zugeordnet sein. Durch die GG-Profile GG1 bis GG4 können jeweils unterschiedliche zulässige Wertebereiche a' der Gesamtbeschleunigung ages für den Verkehrsteilnehmer 1 definiert sein. Das erste GG-Profil GG1 kann beispielsweise charakteristisch für einen Fahranfänger als Verkehrsteilnehmer 1 sein. Das zweite GG-Profil GG2 kann charakteristisch für einen fortgeschrittenen Fahrer als Verkehrsteilnehmer 1 sein. Das dritte GG-Profil GG3 kann typisch für einen erfahrenen Fahrer als Verkehrsteilnehmer 1 sein. Das vierte GG-Profil GG4 kann charakteristisch für einen Rennfahrer als Verkehrsteilnehmer 1 sein. Anhand der unterschiedlichen GG-Profile ist zu erkennen, dass sich der zulässige Wertebereich der Beschleunigung mit der Erfahrung des Fahrers ändert und die umschlossene Fläche mit dem Erfahrungsgrad anwächst.
-
3 zeigt ein Fahrzeug 2 mit einer Fahrassistenzvorrichtung 3 in einer Verkehrssituation 4 im Straßenverkehr. Die Fahrassistenzvorrichtung 3 kann eine Sensoreinrichtung 5 aufweisen, welche andere Verkehrsteilnehmer 1 erfassen kann. Die Sensoreinrichtung 5 kann dabei beispielsweise eine aktuelle geographische Positionen 6 eines Verkehrsteilnehmers 1 erfassen. Es ist auch möglich, eine Kategorie 7 des Verkehrsteilnehmers 1 oder eine Historie einer Bewegung 8 des jeweiligen Verkehrsteilnehmers 1 zu erfassen. Die Sensoreinrichtung 5 kann zusätzlich Umgebungsdaten 9 erfassen, wozu beispielsweise Verkehrsschilder, Straßenverläufe oder Straßenmarkierungen gehören können.
-
4 zeigt einen Verfahrensschritt der Bestimmung zumindest eines prognostizierten zukünftigen Aufenthalts 10 des Verkehrsteilnehmers 1. Basierend zumindest auf den aktuellen geographischen Positionen 6 der jeweiligen Verkehrsteilnehmer 1 und den Umgebungsdaten 9 kann eine Prognoseeinheit 11 der Fahrassistenzvorrichtung 3 den potentiellen zukünftigen Aufenthalt 10 der jeweiligen Verkehrsteilnehmer 1 bestimmen. Dabei kann es sich beispielsweise um diskrete Strecken handeln. Die diskreten Strecken können beispielsweise auf Grundlage der Spurmarkierungen und der aktuellen geografischen Positionen 6 der jeweiligen Verkehrsteilnehmer 1 auf den Spuren bestimmt werden. Der zumindest eine potentielle zukünftige Aufenthalt 10 kann somit Linien oder Bereiche darstellen, in denen sich der Verkehrsteilnehmer 1 gemäß des vorbestimmten Aufenthaltsprädiktionsverfahrens zukünftig aufhalten wird.
-
5 zeigt einen möglichen Verfahrensschritt der Bestimmung einer Trajektorie. Die Trajektorie kann eine potentielle zukünftige Bewegung 12 des Verkehrsteilnehmers 1 entlang eines als Fahrstrecke prognostizierten zukünftigen Aufenthalts 10 beschreiben. Die Trajektorie kann einen Geschwindigkeitsverlauf umfassen, der angibt, an welchem Ort s sich der Verkehrsteilnehmer 1 mit welcher Längsgeschwindigkeit vx fortbewegen wird. Der Verlauf der Längsgeschwindigkeit vx kann über den Verlauf der Fahrstrecke und dem aktiven GG-Profil GGA, sowie den Umgebungsdaten 9 berechnet werden. Am besten lässt sich die Erfindung an dieser Darstellungsform „konkreter Trajektorien“ erklären. Sie ist aber generell anwendbar und ist als weitere Eigenschaft der Prädiktion zu verstehen (in realem Fahrverhalten fundierte Fahrzeugbewegung). Konkrete Trajektorien sind zeitlich determinierte Verläufe der x,y-Fahrzeugpositionen. Durch die zeitliche Festlegung verfügen Trajektorien über ein Geschwindigkeitsprofil v_x, dessen Ableitung a_x die vom Antriebsstrang zu erzeugenden Längsbeschleunigungen sind. Kombiniert mit der Quervorgabe aus den x,y-Positionen entstehen Querbeschleunigungen a_y. Untersuchungen zu natürlichem, realistischen Fahrverhalten demonstrieren, dass das menschliche Fahrverhalten charakteristische Verläufe in a_x und a_y erzeugt. Stellt man diese beiden Größen in einer 2D-Darstellung in den besagten GG-Profilen GG dar, kann man optisch charakteristische a_x-a_y Muster identifizieren. Die Erzeugung der Trajektorien lässt sich auch umgekehrt angehen, sodass ein gewünschtes, natürliches a_x, a_y Muster (aktives GG-Profil GGA) für die Bestimmung der prognostizierten Bewegung 12 mit x,y,t für den prognostizierten zukünftigen Aufenthalt 10 vorgegeben werden kann. Wendet man dieses Verfahren auf die Prädiktion anderer Verkehrsteilnehmer an, lassen sich natürliche und dadurch viel realistischere Beschleunigungsprofile, bzw. (a_x integriert) Geschwindigkeitsprofile erzeugen. Bei datengetriebenen Verfahren können die a_x,a_y Muster (GG-Profile GG) als weiteres Kriterium (Teil einer Loss Funktion) beim Training neuronaler Netze vorgegeben werden, um natürliche Prädiktionen zu gewährleisten.
-
6 zeigt einen möglichen zukünftigen Aufenthalt 10 des Verkehrsteilnehmers 1 als Wahrscheinlichkeitsverteilung. Die Wahrscheinlichkeitsverteilung kann angeben, mit welcher Wahrscheinlichkeit sich der Verkehrsteilnehmer 1 an welchem Ort befinden wird. In der zugehörigen prognostizierten Bewegung 12 kann angegeben werden, zu welchem Zeitpunkt T0, T1, Tn sich der Verkehrsteilnehmer 1 aufhalten wird. Auch die prognostizierte zukünftige Bewegung 12 kann als Wahrscheinlichkeitsverteilung angegeben sein, sodass es möglich ist, anzugeben, mit welcher Wahrscheinlichkeit sich der Verkehrsteilnehmer 1 zu welchem Zeitpunkt, an welchem Ort aufhalten wird. Zu einem Zeitpunkt T0 der beispielsweise einen Zeitpunkt einer Umschaltung einer Ampel auf Grün darstellen kann, kann sich der Verkehrsteilnehmer 1 in der Nähe seiner aktuellen geografischen Position 6 aufhalten. In einem weiteren Zeitpunkt T1 kann sich der Verkehrsteilnehmer 1 in der Mitte einer Kreuzung befinden und zu einem Zeitpunkt Tn am Ende des prognostizierten zukünftigen Aufenthalts 10. Die Wahrscheinlichkeitsverteilung der prognostizierten zukünftigen Bewegung 12 kann einen Längs- und einen Queranteil der Bewegung aufweisen.
-
Das Verfahren kann somit nicht nur auf diskrete Trajektorien, sondern auf andere Darstellungsformen, beispielsweise Wahrscheinlichkeitsteppiche als prognostizierte Bewegung 12, angewendet werden. Ein Wahrscheinlichkeitsteppich beziffert die Aufenthaltswahrscheinlichkeit des jeweiligen Verkehrsteilnehmers 1 an einer bestimmten x,y Stelle zu einem bestimmten Zeitpunkt t. Diese Teppiche können zum Beispiel durch Trajektoriensampling mithilfe unterschiedlicher a_x, a_y Muster (GG-Profile GG) erzeugt werden. Das Sampling muss dafür die im realen Verkehr gemessene Verteilung für a_x,a_y Muster wiederspiegeln. Es ist zudem auch möglich, lediglich den zeitlichen Verlauf t einer „diskreten“ Trajektorie durch diesen Ansatz in eine Wahrscheinlichkeitsverteilung umzuwandeln.
-
7 zeigt einen möglichen zukünftigen Aufenthalt 10 des Verkehrsteilnehmers 1 als Belegungskartierung. Hierbei kann die Belegungskartierung angeben, welcher Bereich während eines vorbestimmten Zeitraums durch den Verkehrsteilnehmer 1 belegt sein wird. Die ermittelte prognostizierte zukünftige Bewegung 12 kann ebenfalls als Belegungskartierung ausgegeben sein und angeben, ob und mit welcher Wahrscheinlichkeit eine bestimmte Position eines Rasters durch den Verkehrsteilnehmer zu einem Zeitpunkt T belegt ist. Es kann vorgesehen sein, dass die Belegungskartierungen binär sind und somit nur zwei Werte annehmen kann. Dabei kann es vorgesehen sein, ein Schwellenwert festgelegt ist, ab welchem der Wert 1 annehmen kann. Eine alternative Darstellung diskreter Trajektorien sind die gezeigten Belegungskarten. Die beschriebenen Wahrscheinlichkeitsteppiche können in probabilistische Belegungskarten umgewandelt werden.
-
8 zeigt eine multimodale Bestimmung des zukünftigen Aufenthalts 10 und der zukünftigen Bewegung 12 des Verkehrsteilnehmers 1. In diesem Fall kann berücksichtigt sein, dass sich ein anderer Verkehrsteilnehmer 1 an der Kreuzung befindet. Hierbei kann eine Unsicherheit bestehen, da das zukünftige Verhalten des anderen Verkehrsteilnehmers 1 berücksichtigt sein muss. Der Verkehrsteilnehmer 1 kann durch den anderen Verkehrsteilnehmer 1 beeinflusst werden. Aus diesem Grund weist der zukünftiger Aufenthaltsort 10 des Verkehrsteilnehmers 1 die gleiche Trajektorie auf, wie ohne Berücksichtigung des anderen Verkehrsteilnehmers, jedoch ist aufgrund des abgelegenen Fahrzeugs. Eine Beeinflussung des Verkehrsteilnehmers möglich. Somit kann dessen zukünftige Bewegung sich aufteilen in 2 Bereiche. Dies kann daher rühren, dass der andere Verkehrsteilnehmer Vorfahrt haben kann und der Verkehrsteilnehmer somit auf diesen warten muss.
-
9 zeigt einen möglichen Verlauf der Beschleunigung basierend auf einem GG Profil. 9 zeigt ein mögliches aktives gg-Diagramm GGA zur Bestimmung einer zukünftigen Bewegung 12 des Verkehrsteilnehmers 1. Es kann sein, dass der Verkehrsteilnehmer 1, entlang einer Kurve fährt und die Fahrassistenzvorrichtung 3 für diesen Verkehrsteilnehmer 1 einen zukünftigen Aufenthalt 10 ermittelt hat. Es kann sein, dass der zukünftige Aufenthalt 10 als Bahn des Verkehrsteilnehmers 1 ermittelt wurde, die in vier Teilstücke S1, S2, S3, S4 unterteilt werden kann. Es kann sein, dass für den Verkehrsteilnehmer 1 in dem ersten Teilstück S1 vor der Kurve ein Abbremsen prognostiziert wird, ohne dass der Verkehrsteilnehmer 1 seine Fahrtrichtung ändert. Mit anderen Worten kann es sein, dass die Längsbeschleunigung ax des Verkehrsteilnehmers 1 einen negativen Wert aufweist und die Querbeschleunigung ay null beträgt. Es kann sein, dass für den Verkehrsteilnehmer 1 prognostiziert wird, dass der Betrag des Abbremsens entlang eines zweiten Teilstücks S2 reduziert wird, und der Verkehrsteilnehmer 1 zeitgleich lenkt. Mit anderen Worten kann es sein, dass der Betrag der Längsbeschleunigung ax entlang des zweiten Teilstücks S2 abnimmt und der Betrag der Querbeschleunigung ay entlang des zweiten Teilstücks S2 zunimmt. Die Prognoseeinheit kann prognostizieren, dass der Wert der Gesamtbeschleunigung dabei entlang der zulässigen Maximalbeschleunigung verläuft. Es kann sein, dass für die Längsbeschleunigung ax in einem dritten Teilstück S3 ein minimaler Wert prognostiziert wird, und für die Querbeschleunigung ay die maximale Beschleunigung amax. Es kann sein, dass die Kurve in dem dritten Teilstück S3 einen minimalen Radius r des Manövers aufweist. Es kann vorgesehen sein, dass entlang eines vierten Teilstücks S4 eine Reduzierung der Querbeschleunigung ay und gleichzeitig eine Erhöhung der Längsbeschleunigung ax prognostiziert wird, sodass für die zukünftige Bewegung 12 des Verkehrsteilnehmers 1 angenommen wird, dass dieser am Ende der Kurve wieder gerade fährt und beschleunigt.
-
Es gibt unzählige Veröffentlichungen zu Verkehrsprädiktion. Die Prädiktionen werden auf die unterschiedlichsten Arten erzeugt, manifestieren sich in den unterschiedlichen Darstellungsformen (z.B. konkrete Trajektorien, Wahrscheinlichkeitsteppiche) und weisen verschiedene Eigenschaften auf (ohne/mit Interaktion, eine/mehrere Zukunftshypothesen). Konkrete Trajektorien weisen dabei ein Geschwindigkeitsprofil auf, welches in irgendeiner Form vorgegeben werden muss. Aus dem Geschwindigkeitsprofil geht ein zeitliches Verhalten hervor, Trajektorien sind demnach konkrete x,y,t Verläufe. Dem Anmelder sind keine Veröffentlichungen bekannt, bei denen das Geschwindigkeitsprofil auf Basis natürlicher, in realem Fahrverhalten basierter, Konzepte erzeugt wird. In der Regel wird diesem Aspekt nur eine geringe Beachtung geschenkt, oder es werden lediglich Zeitpunkte vorgegeben, zu denen das Fahrzeug an einem bestimmten Ort sein muss, ohne das Geschwindigkeitsprofil bis dahin sinnvoll zu gestalten. Lediglich bei komplett datengetriebenen Verfahren zur Prädiktion (beispielsweise mittels neuronaler Netze) kann es implizit zu realen Geschwindigkeitsprofilen kommen. Die Datenbasis enthält tausende von real gemessenen x,y,t Verläufen, die von Netzen dann gelernt und repliziert werden.
-
Bei bekannten Lösungen ergib sich die Problematik, Trajektorien mit natürlichen Geschwindigkeitsprofilen zu erzeugen. Dies kann Nachteile für Fahrassistenzvorrichtungen in automatischen Fahrzeugen haben, weil diese möglichst genau wissen muss wann das andere Fahrzeug an einem bestimmten Ort ist. Beispiel: das andere Fahrzeug wird auf einer Landstraße rechts abbiegen - der x,y Verlauf ist dadurch festgelegt. Der Zeitverlauf t (bzw. das Geschwindigkeitsprofil v_x) gibt nun vor, ob das Fahrzeug auf gerader Strecke stark abbremst und damit das automatische Fahrzeug zum Bremsen zwingt, oder ob es spät und wenig bremst und damit zeitlich früher abgebogen ist. Je besser die Schätzung des Geschwindigkeitsprofils ist, desto sicherer wird das automatische Fahrzeug und desto Komfortabler (=weniger Brems- /Beschleunigungsreaktionen) wird das Fahrerlebnis. Der Nachteil komplett datengetriebener Verfahren liegt darin, dass es aktuell mehr oder weniger Zufall ist, ob tatsächlich natürliche x,y,t Verläufe prädiziert werden. Dem Anmelder ist keine Veröffentlichung bekannt, welche explizit ein konsistentes, natürliches Geschwindigkeitsprofil bei datengetriebenen Verfahren betrachtet. Bisher wurde dieser Aspekt nicht tiefer betrachtet, beziehungsweise es wurden ähnliche Ansätze wie die veröffentlichten umgesetzt.
-
Die Erfindung kann eine Erzeugung von Prädiktionen anderer Verkehrsteilnehmer basierend auf natürlichen Beschleunigungsprofilen bereitstellen. Während des Verfahrens kann eine Erzeugung diskreter Trajektorien der Bewegung oder von Wahrscheinlichkeitsteppichen erfolgen (Quer- und Längs oder nur Längs). Die Erzeugung der Prädiktionen kann durch ein beliebiges Verfahren zur Trajektoriengenerierung mit der zusätzlichen Nebenbedingung, dass die GG-Profile eingehalten werden müssen, erfolgen. Der Aufenthalt und ein örtlicher Verlauf kann vorgegeben sein. Die Bewegung kann darauf basierend nachträglich erzeugt werden. Die Erzeugung dieser Prädiktionen kann durch eine Vorgabe einer entsprechenden Loss-Funktion beim Training datengetriebener Verfahren erfolgen.
-
Damit sich das automatische Fahrzeug richtig verhält, müssen die Vorhersagen anderer Verkehrsteilnehmer möglichst realistisch sein. Hierfür ist es sinnvoll, sich an natürlichem (aus dem oft unbewussten menschlichen Vorlieben entstehenden) Fahrerverhalten zu orientieren. Dadurch lassen sich andere Fahrzeuge insbesondere zeitlich besser festlegen. Das vorgeschlagene Konzept verbessert insbesondere die aus der Längsgeschwindigkeit resultierende zeitliche Festlegung des x,y-Positionsverlaufs.
-
Insgesamt zeigt das Beispiel, wie durch die Erfindung eine realistische Vorhersage zukünftiger Aufenthaltsorte anderer Verkehrsteilnehmer ermöglicht.
-
Bezugszeichenliste
-
- 1
- Verkehrsteilnehmer
- 2
- Fahrzeug
- 3
- Fahrassistenzvorrichtung
- 4
- Verkehrssituation
- 5
- Sensoreinrichtung
- 6
- Aktuelle geographische Position des Verkehrsteilnehmers
- 7
- Kategorie des Verkehrsteilnehmers
- 8
- Historie der Bewegung des Verkehrsteilnehmers
- 9
- Umgebungsdaten
- 10
- Prognostizierter zukünftiger Aufenthalt des Verkehrsteilnehmers
- 11
- Prognoseeinheit
- 12
- Prognostizierte zukünftige Bewegung des Verkehrsteilnehmers
- GG
- GG-Profil
- GGA
- Aktives GG-Profil
- GG1-GG4
- Mögliche GG-Profile
- S1,S2,S3,S4
- Streckenabschnitte
- T1, T2, Tn
- Zeitpunkte
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- US 2011/0190972 A1 [0004]
- US 2010/0228419 A1 [0005]
- WO 2017/079349 A1 [0006]