-
Die vorliegende Offenbarung betrifft ein Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs, ein Speichermedium zum Ausführen des Verfahrens, und ein System zum Training eines Algorithmus zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs. Die vorliegende Offenbarung betrifft insbesondere ein Ereignis-basiertes Optimierungsziel für Machine Learning (ML)-basierte Klassifizierungsprobleme.
-
Stand der Technik
-
Fahrassistenzsysteme zum automatisierten Fahren gewinnen stetig an Bedeutung. Das automatisierte Fahren kann mit verschiedenen Automatisierungsgraden erfolgen. Beispielhafte Automatisierungsgrade sind ein assistiertes, teilautomatisiertes, hochautomatisiertes oder vollautomatisiertes Fahren. Diese Automatisierungsgrade wurden von der Bundesanstalt für Straßenwesen (BASt) definiert (siehe BASt-Publikation „Forschung kompakt“, Ausgabe 11/2012). Beispielsweise sind die Fahrzeuge mit Level 4 vollautonom im Stadtbetrieb unterwegs.
-
Das Fahrassistenzsystem zum automatisierten Fahren verwendet Sensoren, die die Umgebung auf visueller Basis wahrnehmen, sowohl im für den Menschen sichtbaren als auch unsichtbaren Bereich. Die Sensoren können zum Beispiel eine Kamera, ein Radar und/oder ein LiDAR sein. Diese sind neben hochgenauen Karten die hauptsächlichen Signalquellen für Fahrassistenzsysteme zum automatisierten Fahren.
-
Ein beispielhaftes Fahrassistenzsystem zum automatisierten Fahren ist eine adaptive Geschwindigkeitsregelung (Adaptive Cruise Control, ACC). Die adaptive Geschwindigkeitsregelung ist eine Geschwindigkeitsregelanlage, die bei der Regelung den Abstand zu einem vorausfahrenden Fahrzeug als zusätzliche Rückführ- und Regelgröße berücksichtigt. Bei der adaptiven Geschwindigkeitsregelung werden die Position und die Geschwindigkeit des vorausfahrenden Fahrzeugs mit einem Sensor ermittelt und die Geschwindigkeit sowie der Abstand adaptiv mit einem Motoreingriff und Bremseingriff geregelt.
-
Die adaptive Geschwindigkeitsregelung muss zuverlässig erkennen, wenn zum Beispiel ein Fremdfahrzeug vor dem Egofahrzeug einschert (sogenannte „Cut-in Detection“). Hierzu kann ein Algorithmus mittels Machine Learning unter Verwendung von Trainingsdaten trainiert werden, um die Einscherer zu erkennen. Trotzdem kann es vorkommen, dass der Algorithmus einen Alarm auf Grund eines erkannten Einscherers an den Fahrer ausgibt, obwohl in der Realität kein Einscherer vorhanden sind. Derartige Fehlalarme sind für einen Fahrer bzw. Nutzer des Fahrassistenzsystems unangenehm und sollten minimiert werden.
-
In der deutschen Patentanmeldung
DE 10 2017 200 580 A1 wurde ein Verfahren zur Optimierung einer Manöverplanung eines Fahrzeugs vorgeschlagen. Dieses Verfahren umfasst eine Planungsebene, die in zumindest drei unterschiedliche Abstraktionsebenen für alle Planungsschichten der Planungsebene aufgeteilt wird, wobei eine Kombination aus kontinuierlichem Planen und semantischer Information erfolgt, indem mehrere ermittelte Manöveroptionen gruppiert werden und eine Erfolgsbewertung jeder Manöveroption unter Einbeziehung von Unbestimmtheiten im Verhalten anderer Verkehrsteilnehmer erfolgt, um die beste Strategie zur Durchführung auszuwählen.
-
Offenbarung der Erfindung
-
Es ist eine Aufgabe der vorliegenden Offenbarung, ein Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs, ein Speichermedium zum Ausführen des Verfahrens, und ein System zum Training eines Algorithmus zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs anzugeben, die eine zuverlässige Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren ermöglichen. Es ist insbesondere eine Aufgabe der vorliegenden Offenbarung, eine Anzahl an Fehlalarmen bei einem Fahrassistenzsystem zum automatisierten Fahren zu minimieren.
-
Diese Aufgabe wird durch den Gegenstand der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen angegeben.
-
Gemäß einem unabhängigen Aspekt der vorliegenden Offenbarung ist ein Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs angegeben. Das Verfahren umfasst ein Trainieren eines Algorithmus mittels maschinellen Lernens unter Verwendung von Trainingsdaten, wobei das Trainieren eine Kostenfunktion verwendet, wobei die Kosten für eine Zeitreihe bzw. Zeitfolge, die zwei oder mehr Zeitschritte umfasst, definiert sind und wobei die Kosten höher sind, je öfter sich die Entscheidungsfindung für aufeinanderfolgende Zeitschritte der Zeitreihe unterscheidet.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs angegeben. Das Verfahren umfasst ein Trainieren eines Algorithmus mittels maschinellen Lernens unter Verwendung von Trainingsdaten, wobei das Trainieren eine Kostenfunktion verwendet, wobei die Kosten für eine Zeitreihe bzw. Zeitfolge, die zwei oder mehr Zeitschritte umfasst, definiert sind und wobei das Trainieren des Algorithmus weiter umfasst: Minimieren einer Anzahl von Fehlalarmen des Fahrassistenzsystems.
-
Erfindungsgemäß sind die Kosten für eine Zeitreihe definiert anstatt unabhängig pro Zeitschritt. Beispielsweise kann das Optimierungsziel (d.h. die Zielfunktion) für ein ML-basiertes Klassifikationsproblem für die Zeitreihe so formuliert sein, dass die Kosten für Ereignisse bzw. Gesamtsituationen definiert sind, anstatt nur für einzelne Proben („Samples“). Auf diese Weise lernt der Algorithmus durch Minimierung der Kosten für den Trainingsdatensatz denjenigen Parametersatz, der zum Beispiel eine minimale Anzahl von Fehlalarmen des Gesamtsystems induziert.
-
Vorzugsweise entspricht die Zeitreihe einer Gesamtsituation bzw. einem Ereignis, wie einem Einscheren eines Fremdfahrzeugs vor einem Egofahrzeug. Damit bezieht sich eine Optimierung durch die Kostenfunktion nicht auf einzelne Proben bzw. Samples, sondern auf die Gesamtsituation bzw. das Ereignis.
-
Vorzugsweise umfassen die Trainingsdaten eine Vielzahl von Proben („Samples“). Die Gesamtsituation bzw. das Ereignis kann dabei zwei oder mehr Proben umfassen. Damit bezieht sich eine Optimierung durch die Kostenfunktion nicht auf einzelne Proben bzw. Samples, sondern auf die Gesamtsituation bzw. das Ereignis.
-
Dadurch, dass gemäß einem der vorstehend genannten unabhängigen Aspekte bzw. gemäß einer bevorzugten Ausgestaltung des anderen vorstehend genannten unabhängigen Aspekts die Kosten höher sind, je öfter sich die Entscheidungsfindung für aufeinanderfolgende Zeitschritte der Zeitreihe unterscheidet, kann eine effiziente Optimierung erfolgen.
-
Gemäß einem der vorstehend genannten unabhängigen Aspekte bzw. gemäß einer vorteilhaften Ausführungsform des anderen vorstehend genannten unabhängigen Aspekts umfasst das Trainieren des Algorithmus weiter ein Minimieren einer Anzahl von Fehlalarmen des Fahrassistenzsystems. Beispielsweise ist das Fahrassistenzsystem eine adaptive Geschwindigkeitsregelanlage. Bezogen auf ein Einscheren im Rahmen eines ACC-Systems kann die Anzahl der Fehlalarme durch den erfindungsgemäß trainierten Algorithmus reduziert werden.
-
Vorzugsweise ist der Algorithmus ein ML-basierter Klassifikator. Der Klassifikator kann zum Beispiel eine Support Vector Machine (SVM) sein, oder auf Logistic Regression oder Random Forrest basieren.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Software (SW) Programm angegeben. Das SW Programm kann eingerichtet sein, um auf einem oder mehreren Prozessoren ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs auszuführen.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Speichermedium angegeben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem oder mehreren Prozessoren ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs auszuführen.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein System zum Training eines Algorithmus zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs angegeben. Das System umfasst einen oder mehrere Prozessoren, die eingerichtet sind, um einen Algorithmus mittels maschinellen Lernens (Machine Learning, ML) unter Verwendung von Trainingsdaten zu trainieren, wobei das Trainieren eine Kostenfunktion verwendet, wobei die Kosten für eine Zeitreihe, die zwei oder mehr Zeitschritte umfasst, definiert sind, und wobei die Kosten höher sind, je öfter sich die Entscheidungsfindung für aufeinanderfolgende Zeitschritte der Zeitreihe unterscheidet.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein System zum Training eines Algorithmus zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs angegeben. Das System umfasst einen oder mehrere Prozessoren, die eingerichtet sind, um einen Algorithmus mittels maschinellen Lernens (Machine Learning, ML) unter Verwendung von Trainingsdaten zu trainieren, wobei das Trainieren eine Kostenfunktion verwendet, wobei die Kosten für eine Zeitreihe, die zwei oder mehr Zeitschritte umfasst, definiert sind, und wobei das Trainieren des Algorithmus weiter umfasst: Minimieren einer Anzahl von Fehlalarmen des Fahrassistenzsystems.
-
Ein System gemäß den vorstehend genannten unabhängigen Aspekten kann insbesondere eingerichtet sein, ein in diesem Dokument beschriebenes Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs auszuführen.
-
Der Begriff Fahrzeug umfasst PKW, LKW, Busse, Wohnmobile, Krafträder, etc., die der Beförderung von Personen, Gütern, etc. dienen. Insbesondere umfasst der Begriff Kraftfahrzeuge zur Personenbeförderung.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Fahrassistenzsystem zum automatisierten Fahren angegeben. Das Fahrassistenzsystem verwendet einen Algorithmus zur Entscheidungsfindung, der mit einem Verfahren zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs gemäß den Ausführungsformen der vorliegenden Offenbarung trainiert wurde.
-
Beispielsweise ist das Fahrassistenzsystem zum automatisierten Fahren eine adaptive Geschwindigkeitsregelanlage (Adaptive Cruise Control, ACC). Die adaptive Geschwindigkeitsregelung ist eine Geschwindigkeitsregelanlage, die bei der Regelung den Abstand zu einem vorausfahrenden Fahrzeug als zusätzliche Rückführ- und Regelgröße berücksichtigt. Bei der adaptiven Geschwindigkeitsregelung werden die Position und die Geschwindigkeit des vorausfahrenden Fahrzeugs mit einem Sensor ermittelt und die Geschwindigkeit sowie der Abstand adaptiv mit Motor- und Bremseingriff geregelt.
-
Unter dem Begriff „automatisiertes Fahren“ kann im Rahmen des Dokuments ein Fahren mit automatisierter Längs- oder Querführung oder ein autonomes Fahren mit automatisierter Längs- und Querführung verstanden werden. Bei dem automatisierten Fahren kann es sich beispielsweise um ein zeitlich längeres Fahren auf der Autobahn oder um ein zeitlich begrenztes Fahren im Rahmen des Einparkens oder Rangierens handeln. Der Begriff „automatisiertes Fahren“ umfasst ein automatisiertes Fahren mit einem beliebigen Automatisierungsgrad. Beispielhafte Automatisierungsgrade sind ein assistiertes, teilautomatisiertes, hochautomatisiertes oder vollautomatisiertes Fahren. Diese Automatisierungsgrade wurden von der Bundesanstalt für Straßenwesen (BASt) definiert (siehe BASt-Publikation „Forschung kompakt“, Ausgabe 11/2012).
-
Beim assistierten Fahren führt der Fahrer dauerhaft die Längs- oder Querführung aus, während das System die jeweils andere Funktion in gewissen Grenzen übernimmt. Beim teilautomatisierten Fahren (TAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum und/oder in spezifischen Situationen, wobei der Fahrer das System wie beim assistierten Fahren dauerhaft überwachen muss. Beim hochautomatisierten Fahren (HAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum, ohne dass der Fahrer das System dauerhaft überwachen muss; der Fahrer muss aber in einer gewissen Zeit in der Lage sein, die Fahrzeugführung zu übernehmen. Beim vollautomatisierten Fahren (VAF) kann das System für einen spezifischen Anwendungsfall das Fahren in allen Situationen automatisch bewältigen; für diesen Anwendungsfall ist kein Fahrer mehr erforderlich.
-
Die vorstehend genannten vier Automatisierungsgrade entsprechen den SAE-Level 1 bis 4 der Norm SAE J3016 (SAE - Society of Automotive Engineering). Beispielsweise entspricht das hochautomatisierte Fahren (HAF) Level 3 der Norm SAE J3016. Ferner ist in der SAE J3016 noch der SAE-Level 5 als höchster Automatisierungsgrad vorgesehen, der in der Definition der BASt nicht enthalten ist. Der SAE-Level 5 entspricht einem fahrerlosen Fahren, bei dem das System während der ganzen Fahrt alle Situationen wie ein menschlicher Fahrer automatisch bewältigen kann; ein Fahrer ist generell nicht mehr erforderlich.
-
Figurenliste
-
Ausführungsbeispiele der Offenbarung sind in den Figuren dargestellt und werden im Folgenden näher beschrieben. Es zeigen:
- 1 ein Flussdiagram eines Verfahrens zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs gemäß Ausführungsformen der vorliegenden Offenbarung,
- 2 ein Einscheren eines Fremdfahrzeugs vor einem Egofahrzeug, und
- 3 schematisch ein Fahrassistenzsystem zum automatisierten Fahren gemäß Ausführungsformen der vorliegenden Offenbarung.
-
Ausführungsformen der Offenbarung
-
Im Folgenden werden, sofern nicht anders vermerkt, für gleiche und gleichwirkende Elemente gleiche Bezugszeichen verwendet.
-
1 zeigt schematisch ein Flussdiagramm eines Verfahrens 100 zur Entscheidungsfindung für ein Fahrassistenzsystem zum automatisierten Fahren eines Fahrzeugs gemäß Ausführungsformen der vorliegenden Offenbarung. Das Verfahren 100 kann durch eine entsprechende Software implementiert werden, die durch einen oder mehrere Prozessoren (z.B. eine CPU) ausführbar ist.
-
Das Verfahren 100 umfasst ein Trainieren eines Algorithmus mittels maschinellen Lernens (Machine Learning, ML) unter Verwendung von Trainingsdaten, wobei das Trainieren eine Kostenfunktion verwendet, und wobei die Kosten für eine Zeitreihe (bzw. Zeitfolge), die zwei oder mehr Zeitschritte umfasst, definiert sind.
-
Die Zeitreihe kann dabei einer Gesamtsituation bzw. einem Ereignis entsprechen, wie einem Einscheren eines Fremdfahrzeugs vor einem Egofahrzeug. Damit bezieht sich eine Optimierung durch die Kostenfunktion nicht auf einzelne Proben bzw. Samples, sondern auf die Gesamtsituation bzw. das Ereignis.
-
Die Trainingsdaten können dabei eine Vielzahl von Proben („Samples“) umfassen. Damit bezieht sich eine Optimierung durch die Kostenfunktion nicht auf einzelne Proben bzw. Samples, sondern auf die Gesamtsituation bzw. das Ereignis.
-
Typischerweise sind die Kosten höher, je öfter sich die Entscheidungsfindung für aufeinanderfolgende Zeitschritte der Zeitreihe unterscheidet. Hierdurch kann eine effiziente Optimierung erfolgen.
-
In einigen Ausführungsformen umfasst das Trainieren des Algorithmus weiter ein Minimieren einer Anzahl von Fehlalarmen des Fahrassistenzsystems. Beispielsweise ist das Fahrassistenzsystem eine adaptive Geschwindigkeitsregelanlage (ACC-System). Bezogen auf ein Einscheren im Rahmen des ACC-Systems kann die Anzahl der Fehlalarme reduziert werden.
-
Der Algorithmus kann in einigen Ausführungsformen ein ML-basierter Klassifikator sein. Der Klassifikator kann zum Beispiel eine Support Vector Machine (SVM) sein, oder auf Logistic Regression oder Random Forrest basieren.
-
2 zeigt ein Einscheren eines Fremdfahrzeugs 30 vor einem Egofahrzeug 10. Das Einscheren ist allgemein als „Cut-in“ bekannt.
-
Für Klassifizierungsprobleme wie eine Cut-in-Erkennung kann ein ML-basierter Klassifikator verwendet werden, wie zum Beispiel eine Support Vector Machine (SVM), Logistic Regression (LR) oder Random Forrest (RF). Beim Lernen der Parameter dieser Klassifikatoren kann das Optimierungsziel so formuliert werden, dass die individuellen Fehler des Klassifikators auf dem Trainingsdatensatz mit hohen Kosten bestraft werden. Die Kosten für jede einzelne Trainingsprobe werden über alle Proben bzw. Samples im Trainingssatz aggregiert, um die Gesamtkosten für einen bestimmten Parametersatz zu ermitteln.
-
Das Problem bei der Formulierung der Zielfunktion besteht darin, dass bei Klassifikationsproblemen in einer Zeitreihendomäne (wie bei der z.B. in einem adaptiven Geschwindigkeitsregler (ACC) verwendeten Einscherer-Erkennung) das primäre Ziel, das optimiert werden soll, die Anzahl der Fehlalarme sein sollte, die nicht unbedingt der Anzahl der falsch klassifizierten Samples entspricht (d.h. diskrete Zeitschritte bei der Auswertung des Klassifikators).
-
Wenn beispielsweise zwei Fehlklassifikationen eines Einscher-Manövers in zwei aufeinander folgenden Zeitschritten auftreten, bemerkt der Nutzer/Fahrer einen einzigen Fehlalarm. Wenn stattdessen die gleiche Anzahl von Fehlklassifikationen (zwei) erst nach einer gewissen Zeitspanne (z.B. 10 Sekunden) auftritt, bemerkt der Nutzer/Fahrer zwei statt nur einem Fehlalarm. Ein herkömmliches Optimierungsziel würde jedoch für beide Fälle die gleichen Kosten erzeugen, so dass beim Lernen der Parameter des Klassifikators im Sinne der Zielfunktion beide Fälle gleich bewertet werden würden.
-
Erfindungsgemäß sind die Kosten jedoch für eine Zeitreihe definiert anstatt unabhängig pro Zeitschritt. Beispielsweise kann das Optimierungsziel (d.h. die Zielfunktion) für ein ML-basiertes Klassifikationsproblem für die Zeitreihe so formuliert sein, dass die Kosten für Ereignisse bzw. Gesamtsituationen definiert sind, anstatt nur für einzelne Proben („Samples“). Auf diese Weise lernt der Algorithmus durch Minimierung der Kosten für den Trainingsdatensatz den Parametersatz, der zum Beispiel eine minimale Anzahl von Fehlalarmen des Gesamtsystems induziert.
-
3 zeigt schematisch ein Fahrzeug 10 mit einem Fahrassistenzsystem 300 zum automatisierten Fahren gemäß Ausführungsformen der vorliegenden Offenbarung.
-
Das Fahrzeug 10 umfasst das Fahrassistenzsystem 300 zum automatisierten Fahren. Beim automatisierten Fahren erfolgt die Längs- und/oder Querführung des Fahrzeugs 10 automatisch. Das Fahrassistenzsystem 300 übernimmt also die Fahrzeugführung. Hierzu steuert das Fahrassistenzsystem 300 den Antrieb 20, das Getriebe 22, die (z.B. hydraulische) Betriebsbremse 24 und die Lenkung 26 über nicht dargestellte Zwischeneinheiten.
-
Zur Planung und Durchführung des automatisierten Fahrens werden Umfeldinformationen einer Umfeldsensorik, die das Fahrzeugumfeld beobachtet, vom Fahrerassistenzsystem 300 entgegengenommen. Insbesondere kann das Fahrzeug wenigstens einen Umgebungssensor 12 umfassen, der zur Aufnahme von Umgebungsdaten, die das Fahrzeugumfeld angeben, eingerichtet ist. Der wenigstens eine Umgebungssensor 12 kann beispielsweise ein LiDAR-System, ein oder mehrere Radar-Systeme und/oder eine oder mehrere Kameras umfassen.
-
Das Fahrerassistenzsystem 300 umfasst den mit dem erfindungsgemäßen Verfahren trainierten Algorithmus bzw. Klassifikator. Der Algorithmus kann zuverlässig einen Einscherer erkennen und damit eine Anzahl an Fehlalarmen minimieren.
-
Erfindungsgemäß sind die Kosten für eine Zeitreihe definiert anstatt unabhängig pro Zeitschritt. Beispielsweise kann das Optimierungsziel (d.h. die Zielfunktion) für ein ML-basiertes Klassifikationsproblem für die Zeitreihe so formuliert sein, dass die Kosten für Ereignisse bzw. Gesamtsituationen definiert sind, anstatt nur für einzelne Proben („Samples“). Auf diese Weise lernt der Algorithmus durch Minimierung der Kosten für den Trainingsdatensatz den Parametersatz, der zum Beispiel eine minimale Anzahl von Fehlalarmen des Gesamtsystems induziert.
-
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 weitergehenden Erläuterungen in der Beschreibung, definiert wird.
