-
Die vorliegende Offenbarung betrifft ein Verfahren zum Bestimmen von Abbiegewahrscheinlichkeiten an Kreuzungen, ein Verfahren für ein Fahrassistenzsystem eines Fahrzeugs, ein Speichermedium zum Ausführen der Verfahren, und ein System. Die vorliegende Offenbarung betrifft insbesondere eine Berechnung des Most Probable Path (MPP) auf Basis von Überfahrungsstatistiken.
-
Stand der Technik
-
Als Most Probable Path (MPP) wird der wahrscheinlichste Pfad bezeichnet, den ein Fahrzeug durch ein Straßennetz nehmen wird. Dabei wird ausgehend vom aktuellen Straßensegment an jeder Kreuzung eine Wahrscheinlichkeit für die Befahrung jedes ausgehenden Straßenlinks berechnet. Der Most Probable Path wird von verschiedenen Funktionen (z.B. Fahrerassistenzsystemen) im Fahrzeug verwendet, die eine Vorhersage der befahrenen Strecke benötigen.
-
Die Berechnung des Most Probable Path erfolgt herkömmlicherweise auf Basis einer digitalen Straßenkarte. Zunächst erfolgt ein Map Matching der Fahrzeugposition auf ein Straßensegment der digitalen Straßenkarte. Für eine Vorausschau von mehreren Kilometern wird dann an jeder Kreuzung mit einer Heuristik die Wahrscheinlichkeit für jede Abbiegemöglichkeit berechnet.
-
Die aktuelle Lösung hat den Nachteil, dass die berechneten Wahrscheinlichkeiten in vielen Situationen die tatsächlichen Durchfahrten nur unzureichend widerspiegeln. Dadurch wird die Qualität der Vorhersage eingeschränkt, was sich wiederum auf die Qualität der Funktionen auswirkt, die den Most Probable Path als Input verwenden.
-
Offenbarung der Erfindung
-
Es ist eine Aufgabe der vorliegenden Offenbarung, ein Verfahren zum Bestimmen von Abbiegewahrscheinlichkeiten an Kreuzungen, ein Verfahren für ein Fahrassistenzsystem eines Fahrzeugs, ein Speichermedium zum Ausführen der Verfahren, und ein System anzugeben, die eine präzise Bestimmung von Abbiegewahrscheinlichkeiten an Kreuzungen ermöglichen. Insbesondere ist es eine Aufgabe der vorliegenden Offenbarung, eine Bestimmung des Most Probable Path und damit eine Zuverlässigkeit von Fahrassistenzsystemen zu verbessern.
-
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 zum Bestimmen von Abbiegewahrscheinlichkeiten an Kreuzungen angegeben. Das Verfahren umfasst ein Sammeln von Trajektorien einer Vielzahl von Fahrzeugen; ein Abgleichen (Matching) der Trajektorien mit einer digitalen Straßenkarte; und ein Bestimmen von Abbiegewahrscheinlichkeiten für Kreuzungen basierend auf den Trajektorien.
-
Erfindungsgemäß werden zunächst Trajektorien einer Fahrzeugflotte gesammelt. Es erfolgt dann ein Abgleich bzw. ein Map Matching der Trajektorien zum Beispiel in einem Backend auf eine gemeinsame Karte. Alternativ kann das Map Matching bereits im Fahrzeug erfolgen. Auf Basis der gematchten Trajektorien wird dann ein Datenprodukt gelernt, das für jede Kreuzung innerhalb einer Region die Vorhersage ermöglicht, mit welcher Wahrscheinlichkeit an einer Kreuzung abgebogen wird.
-
Durch die Verwendung der Flottendaten kann eine präzise Bestimmung von Abbiegewahrscheinlichkeiten an Kreuzungen ermöglicht werden. Die Abbiegewahrscheinlichkeiten können dann verwendet werden, um den Most Probable Path im Fahrzeug oder im Backend zu berechnen, wodurch insbesondere eine Zuverlässigkeit von Fahrassistenzsystemen verbessert werden kann.
-
Vorzugsweise sind die Trajektorien GPS-Trajektorien.
-
Vorzugsweise wird das Verfahren zumindest teilweise oder vollständig durch eine zentrale Einheit, und insbesondere ein Backend oder einen Server, ausgeführt. Das Backend kann zum Beispiel ein Backend des Fahrzeugherstellers sein. Beispielsweise kann das Backend GPS-Daten der Flottenfahrzeuge empfangen und daraus die Abbiegewahrscheinlichkeiten bestimmen.
-
Vorzugsweise wird das Verfahren zumindest teilweise durch ein Fahrzeug der Fahrzeugflotte ausgeführt. Beispielsweise kann der Abgleich bzw. Map Matching der Trajektorien bereits im Fahrzeug geschehen, wobei andere Aspekte des Verfahrens durch die zentrale Einheit ausgeführt werden können.
-
Vorzugsweise werden die Abbiegewahrscheinlichkeiten für jede Kreuzung individuell bestimmt. Dies wird auch als „lokaler Ansatz“ bezeichnet. Hier können für jede Kreuzung relative Abbiegewahrscheinlichkeiten auf Basis der gesammelten Kreuzungsüberfahrten berechnet werden. Insbesondere wird für jedes Ausgangssegment die Wahrscheinlichkeit berechnet, dass das Fahrzeug in jedes mögliche Zielsegment abbiegt.
-
Vorzugsweise werden die Abbiegewahrscheinlichkeiten in Abhängigkeit von einem Ausgangssegment der Kreuzung bestimmt. Alternativ werden die Abbiegewahrscheinlichkeiten unabhängig von einem Ausgangssegment basierend auf einer Überfahrung von Kreuzungssegmenten bestimmt. In letzterem Fall wird davon ausgegangen, dass immer auf dem Segment mit den meisten Überfahrungen weitergefahren wird.
-
Vorzugsweise umfasst das Verfahren weiter ein Simulieren von virtuellen Überfahrungen der individuellen Kreuzungen, die zusätzlich zu tatsächlichen Überfahrungen bei der Bestimmung der Abbiegewahrscheinlichkeiten verwendet werden. Damit kann der lokale Ansatz durch Vorteile eines globalen Ansatzes ergänzt werden. Insbesondere ist der lokale Ansatz zuverlässiger, je mehr tatsächliche Überfahrten für eine Kreuzung vorhanden sind. Mit einem globalen Modell können virtuelle Überfahrungen für eine Kreuzung simuliert werden, die zusätzlich zu den tatsächlichen Überfahrungen der Kreuzung genutzt werden. Damit werden die Vorteile des lokalen und des globalen Ansatzes kombiniert.
-
Vorzugsweise umfasst das Bestimmen von Abbiegewahrscheinlichkeiten für Kreuzungen basierend auf den Trajektorien ein Bestimmen von relativen Häufigkeiten basierend auf einem ersten Feature-Vektor und einem zweiten Feature-Vektor, wobei der erste Feature-Vektor wenigstens ein Attribut in Bezug auf ein Ausgangssegment einer Kreuzung umfasst, und wobei der zweite Feature-Vektor wenigstens ein Attribut in Bezug auf ein Zielsegment der Kreuzung umfasst. Dies wird auch als „globaler Ansatz“ bezeichnet. Bei diesem Ansatz werden aus den Überfahrungen über alle Kreuzungen die relativen Häufigkeiten p(ylx) für jede Wertebelegung des Feature-Vektors y und jede Wertebelegung des Feature-Vektors x berechnet. Für jede Wertebelegung x addieren sich die relativen Häufigkeiten p(ylx) über alle y somit immer auf 1.
-
Vorzugsweise umfasst der erste Feature-Vektor wenigstens ein Attribut, das aus der Gruppe ausgewählt ist, die das Folgenden umfasst bzw. aus dem Folgenden besteht:
- eine Straßenklasse des Ausgangssegments,
- eine Zeit (z.B. Tageszeit, Wochentag, Monat),
- ein Minimum, Maximum oder Median der Straßenklassen aller Straßensegmente,
- eine Anzahl der Segmente der Kreuzung.
-
Vorzugsweise umfasst der zweite Feature-Vektor wenigstens ein Attribut, das aus der Gruppe ausgewählt ist, die das Folgenden umfasst bzw. aus dem Folgenden besteht:
- eine Straßenklasse des Zielsegments,
- einen Änderungswinkel des Zielsegments zum Ausgangssegment (z.B. als diskrete Werte, wie 0°-10°, 10°-20°, ...),
- einen Absolutwert einer Differenz der Straßenklasse des Ausgangssegments und einer Straßenklasse des Zielsegments.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Verfahren für ein Fahrassistenzsystem eines Fahrzeugs, insbesondere eines Kraftfahrzeugs, angegeben. Das Verfahren umfasst ein Bestimmen eines Most Probable Path basierend auf einer gemäß dem Verfahren zum Bestimmen von Abbiegewahrscheinlichkeiten an Kreuzungen der vorliegenden Offenbarung bestimmten Abbiegewahrscheinlichkeit.
-
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 die in diesem Dokument beschriebenen Verfahren 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 die in diesem Dokument beschriebenen Verfahren auszuführen.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein System angegeben. Das System umfasst einen oder mehrere Prozessoren, die eingerichtet sind, um das Verfahren zum Bestimmen von Abbiegewahrscheinlichkeiten an Kreuzungen der vorliegenden Offenbarung auszuführen.
-
Das System kann zumindest teilweise oder vollständig durch eine zentrale Einheit, und insbesondere ein Backend, implementiert sein. Das Backend kann zum Beispiel ein Backend des Fahrzeugherstellers sein. Beispielsweise kann das Backend GPS-Daten der Flottenfahrzeuge empfangen und daraus die Abbiegewahrscheinlichkeiten bestimmen.
-
In einigen Ausführungsformen ist zumindest ein Teil des Systems durch ein Fahrzeug der Fahrzeugflotte implementiert. Beispielsweise kann der Abgleich bzw. das Map Matching der Trajektorien bereits im Fahrzeug erfolgen.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein System angegeben. Das System umfasst einen oder mehrere Prozessoren, die eingerichtet sind, um das Verfahren für ein Fahrassistenzsystem eines Fahrzeugs gemäß den Ausführungsformen der vorliegenden Offenbarung auszuführen. Dieses System kann auch als „Fahrassistenzsystem“ bezeichnet werden.
-
Das Fahrassistenzsystem kann zum Beispiel zum automatisierten Fahren eingerichtet sein. Beim automatisierten Fahren erfolgt die Längs- und Querführung des Fahrzeugs automatisch. Das Fahrassistenzsystem übernimmt also die Fahrzeugführung. Hierzu steuert das Fahrassistenzsystem den Antrieb, das Getriebe, die Betriebsbremse(n) und die Lenkung.
-
Zur Planung und Durchführung des automatisierten Fahrens werden Umfeldinformationen einer Umfeldsensorik, die das Fahrzeugumfeld beobachtet, vom Fahrerassistenzsystem entgegengenommen. Insbesondere kann das Fahrzeug wenigstens einen Umgebungssensor umfassen, der zur Aufnahme von Umgebungsdaten, die das Fahrzeugumfeld angeben, eingerichtet ist. Der wenigstens eine Umgebungssensor kann beispielsweise ein LiDAR-System, ein oder mehrere Radar-Systeme und/oder eine oder mehrere Kameras umfassen. Zusätzlich kann das Fahrassistenzsystem die mit den Ausführungsformen der vorliegenden Offenbarung bestimmten Abbiegewahrscheinlichkeiten bei der Planung und Durchführung des automatisierten Fahrens verwenden.
-
Gemäß einem weiteren unabhängigen Aspekt der vorliegenden Offenbarung ist ein Fahrzeug, insbesondere Kraftfahrzeug, abgegeben. Das Fahrzeug umfasst das Fahrassistenzsystem gemäß den Ausführungsformen der vorliegenden Offenbarung.
-
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.
-
Figurenliste
-
Ausführungsbeispiele der Offenbarung sind in den Figuren dargestellt und werden im Folgenden näher beschrieben. Es zeigen:
- 1 schematisch ein Flussdiagramm eines Verfahrens zum Bestimmen von Abbiegewahrscheinlichkeiten an Kreuzungen gemäß Ausführungsformen der vorliegenden Offenbarung,
- 2 schematisch eine Bestimmung und Verwendung von Abbiegewahrscheinlichkeiten gemäß Ausführungsformen der vorliegenden Offenbarung,
- 3 einen lokalen Ansatz zur Bestimmung von Abbiegewahrscheinlichkeiten gemäß Ausführungsformen der vorliegenden Offenbarung, und
- 4 ein Beispiel für Überfahrungen von vier Kreuzungssegmenten.
-
Ausführungsformen der Offenbarung
-
Im Folgenden werden, sofern nicht anders vermerkt, für gleiche und gleichwirkende Elemente gleiche Bezugszeichen verwendet.
-
Die Berechnung des Most Probable Path erfolgt herkömmlicherweise auf Basis einer digitalen Straßenkarte. Diese Lösung hat den Nachteil, dass die berechneten Wahrscheinlichkeiten in vielen Situationen die tatsächlichen Durchfahrten nur unzureichend widerspiegeln. Dadurch wird die Qualität der Vorhersage eingeschränkt, was sich wiederum auf die Qualität der Funktionen auswirkt, die den Most Probable Path als Eingangsparameter verwenden.
-
Die Ausführungsformen der vorliegenden Offenbarung können diese Nachteile vermeiden, indem zunächst Trajektorien einer Fahrzeugflotte gesammelt werden. Es erfolgt dann ein Abgleich bzw. ein Map Matching der Trajektorien auf eine Karte. Auf Basis der gematchten Trajektorien wird dann ein Datenprodukt gelernt, das für jede Kreuzung innerhalb einer Region die Vorhersage ermöglicht, mit welcher Wahrscheinlichkeit an einer Kreuzung abgebogen wird. Durch die Verwendung der Flottendaten kann eine präzise Bestimmung von Abbiegewahrscheinlichkeiten an Kreuzungen ermöglicht werden. Die Abbiegewahrscheinlichkeiten können dann verwendet werden, um den Most Probable Path zu berechnen, wodurch insbesondere eine Zuverlässigkeit von Fahrassistenzsystemen verbessert werden kann.
-
1 zeigt schematisch ein Flussdiagramm eines Verfahrens 100 zum Bestimmen von Abbiegewahrscheinlichkeiten an Kreuzungen 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 im Block 110 ein Sammeln von Trajektorien einer Vielzahl von Fahrzeugen; im Block 120 ein Abgleichen (Matching) der Trajektorien mit einer digitalen Straßenkarte; und im Block 130 ein Bestimmen von Abbiegewahrscheinlichkeiten für Kreuzungen basierend auf den Trajektorien.
-
Zunächst werden GPS-Trajektorien von einer Fahrzeugflotte gesammelt. Es erfolgt dann ein Map Matching der Trajektorien im Backend auf eine gemeinsame Karte. Alternativ kann das Map Matching bereits im Fahrzeug geschehen. Hier würden Fahrzeuge dann allerdings unterschiedliche Kartenversionen verwenden.
-
Auf Basis der gematchten GPS-Trajektorien wird dann ein Datenprodukt gelernt, das für jede Kreuzung innerhalb einer Region die Vorhersage ermöglicht, mit welcher Wahrscheinlichkeit an einer Kreuzung abgebogen wird. Auf Basis der Abbiegewahrscheinlichkeiten wird dann der MPP im Fahrzeug oder im Backend berechnet. Dieses Konzept ist in 2 beispielhaft gezeigt, wobei nur der Fall der MPP-Berechnung im Fahrzeug dargestellt ist.
-
Nachfolgend sind verschiedene Ansätze für die Berechnung des Datenprodukts beschrieben. Diese Ansätze können als Alternativen betrachtet werden. Die Berechnung des MPP erfolgt dann durch ein Auswählen der Abbiegemöglichkeit mit der höchsten Wahrscheinlichkeit an jeder Kreuzung oder durch Berechnung des tatsächlich wahrscheinlichsten Pfades innerhalb eines Vorausschauhorizonts.
-
Lokaler Ansatz
-
3 zeigt einen lokalen Ansatz zur Bestimmung von Abbiegewahrscheinlichkeiten gemäß Ausführungsformen der vorliegenden Offenbarung.
-
Für jede Kreuzung werden relative Abbiegewahrscheinlichkeiten auf Basis der gesammelten Kreuzungsüberfahrten berechnet. Für jedes Ausgangssegment a wird die Wahrscheinlichkeit berechnet, dass das Fahrzeug in jedes mögliche Zielsegment b, c, d abbiegt.
-
Für ein Ausgangssegment kann in einigen Ausführungsformen eine Mindestanzahl von Überfahrten definiert werden (z.B. 10, 20 oder mehr), damit die relativen Abbiegehäufigkeiten eine gute Annäherung an die tatsächliche Abbiegewahrscheinlichkeiten darstellen.
-
In einigen Ausführungsformen entscheiden Nutzer des Most Probable Path (z.B. FAS-Funktionen) selbst anhand der Überfahrungsanzahl einer Kreuzung, ob sie der Vorhersage für diese Kreuzung vertrauen.
-
Alternativ dazu werden die Abbiegehäufigkeiten nicht pro Ausgangssegment berechnet, sondern es werden die Überfahrungen aller Segmente unabhängig vom Ausgangssegment betrachtet. Es kann dann davon ausgegangen werden, dass immer auf dem Segment mit den meisten Überfahrungen weitergefahren wird.
-
In diesem Fall können U-Tums ausgeschlossen werden, da sonst auf dem am meisten befahrenen Segment immer ein U-Turn angenommen werden würde. Weiterhin ergeben sich die Abbiegewahrscheinlichkeiten aus den relativen Überfahrungshäufigkeiten.
-
Diese Lösung ist näherungsweise korrekt, da die tatsächlichen Abbiegevorgänge nicht berücksichtigt werden. Auf der anderen Seite hat diese Lösung den Vorteil, dass das Datenprodukt weniger Werte enthält, was insbesondere für die Anwendung im Fahrzeug vorteilhaft ist. Der Ansatz ist insbesondere dazu geeignet, um die digitale Karte auf Segmentbasis mit weiteren Informationen anzureichern. Außerdem werden bei diesem Ansatz weniger Überfahrten benötigt (z.B. 20 Überfahrungen pro Kreuzung statt 20 Überfahrten pro Segment), so dass dieser Ansatz auf Kreuzungen mit wenigen Überfahrten angewendet werden kann.
-
4 zeigt ein Beispiel für Überfahrungen von vier Kreuzungssegmenten a, b, c und d. Die absoluten Zahlen geben die Überfahrten des Segments und die relativen Zahlen die daraus berechneten relativen Häufigkeiten an. In diesem Beispiel würde, egal aus welcher Richtung das Fahrzeug kommt, immer die Abbiegewahrscheinlichkeit auf die Segmente a, b, c und d mit 0.1, 0.4, 0.2 und 0.3 geschätzt werden.
-
In einigen Ausführungsformen, die mit anderen hier beschriebenen Ausführungsformen kombiniert werden können, können zusätzlich Tageszeit, Wochentag und/oder Monat für eine verbesserte Bestimmung der Abbiegewahrscheinlichkeiten verwenden werden. Hierzu erfolgt zum Beispiel eine separate Berechnung der Abbiegewahrscheinlichkeiten z.B. nach Stunde (0-1h, 1-2h, ...) und/oder nach Wochentag. Dies ist beispielsweise dann vorteilhaft, wenn die Kreuzung zu verschiedenen Zeiten häufig genug überfahren wurde.
-
Globaler Ansatz
-
Beim sogenannten globalen Ansatz werden aus den Überfahrungen über alle Kreuzungen die relativen Häufigkeiten p(ylx) für jede Wertebelegung des Feature-Vektors y und jede Wertebelegung des Feature-Vektors x berechnet. Für jede Wertebelegung x addieren sich die die p(y\x) über alle y somit immer auf 1.
-
Der Feature-Vektor x kann aus einem oder mehreren der folgenden Attribute bestehen:
- • Straßenklasse des Ausgangssegments
- • Tageszeit, Wochentag, Monat
- • Minimum, Maximum, Median der Straßenklassen aller Straßensegmente
- • Anzahl Segmente der Kreuzung
-
Der Feature-Vektor y kann aus einem oder mehreren der folgenden Attribute bestehen:
- • Straßenklasse des Zielsegments
- • Änderungswinkel des Zielsegments zum Ausgangssegment als diskrete Werte, z.B. 0-10°, 10°-20°, ...
- • Absolutwert der Differenz der Straßenklasse des Ausgangssegments und der Straßenklasse des Zielsegments
-
Die berechneten relativen Häufigkeiten können z.B. in einer Tabelle gespeichert werden. Werden nur die Straßenklasse des Ausgangssegment als x und die Straßenklasse des Zielsegments als y verwendet, dann ergeben sich bei 5 verschiedenen Straßenklassen 5*5 = 25 Einträge in der Tabelle. Dies wird durch die folgende Tabelle 1 veranschaulicht.
Tabelle 1
| Straßenklasse Ausgangssegment | Straßenklasse Zielsegment | Wahrscheinlichkeit |
| 1 | 1 | 0.5 |
| 1 | 2 | 0.2 |
| 1 | 3 | 0.2 |
| 1 | 4 | 0.05 |
| 1 | 5 | 0.05 |
| 2 | 1 | 0.4 |
| ... | | |
-
Bei der Verwendung von weiteren Attributen für die Feature-Vektoren x und y können diese Attribute als weitere Spalten der Tabelle hinzugefügt werden.
-
Um für eine bestimmte Kreuzung die Abbiegewahrscheinlichkeit für ein Ausgangssegment und ein Zielsegment zu bestimmen, wird zunächst p(y|x) für alle möglichen Zielsegmente bestimmt. Es erfolgt dann eine Normalisierung von p(y|x), so dass deren Summe 1 ergibt.
-
Dies ist notwendig, da für ein bestimmtes Ausgangssegment x einer Kreuzung nur so viele Wertebelegungen für y vorhanden sind wie es mögliche Zielsegmente gibt.
-
Kombination aus lokalem und globalem Ansatz
-
Der lokale Ansatz wird präziser, je mehr Überfahrungen für eine Kreuzung vorhanden sind. Beim Kombinationsansatz werden daher mit einem globalen Modell virtuelle Überfahrungen für eine Kreuzung simuliert, die zusätzlich zu den tatsächlichen Überfahrungen der Kreuzung genutzt werden. Damit werden die Vorteile des lokalen Ansatzes und des globalen Ansatzes kombiniert.
-
Zunächst wird ein globales Modell bestimmt, das die Wahrscheinlichkeitsverteilung p(x,y) modelliert (für die Definition von x und y wird auf den Abschnitt „globaler Ansatz“ verwiesen). Im Gegensatz zum Abschnitt „globaler Ansatz“ handelt es sich dabei um die Wahrscheinlichkeit von x und y (Joint Probability), und nicht um eine bedingte Wahrscheinlichkeit. Sollte bereits ein globales Modell p(y|x) vorliegen kann es zweckmäßiger sein, das Modell p(x) zu bestimmen. Beide Verfahren sind mathematisch äquivalent, dap(x,y) = p(x) * p(y|x). Das globale Modell p(x,y) bzw. p(y|x) undp(x) können entweder wie im Abschnitt „globaler Ansatz“ oder über Machine Learning-Verfahren bestimmt werden.
-
Mit dem globalen Modell werden nun für jede Kreuzung n Überfahrten durch Sampling simuliert. Je größer n gewählt wird, desto größer ist der Einfluss des globalen Modells. Es ist in einigen Ausführungsformen vorteilhaft, n z.B. mit Kreuzvalidierung (Cross Validation) zu bestimmen. Weiterhin kann n auch adaptiv gewählt werden, z.B. abhängig von der Anzahl der Kreuzungssegmente.
-
Eine Alternative zur Kombination des lokalen und globalen Ansatzes ist Bayesian Inference bzw. Bayesian Machine Learning. Die Basis hiervon ist es, die a-priori Wahrscheinlichkeitsverteilungen der Parameter des Modells für eine bestimmte Kreuzung (z.B. für Bayesian Logistic Regression) aus den Überfahrungsdaten über alle Kreuzungen zu ermitteln. Dazu werden zunächst unterschiedliche globale Modelle ermittelt. Dies kann z.B. durch das Lernen mehrerer globaler Modelle aus den Überfahrungen unterschiedlicher Kreuzungen oder durch Variation der globalen Überfahrungsdaten durch Bootstrapping erfolgen. Aus jedem globalen Modell werden jeweils n Überfahrten durch Sampling für die konkrete Kreuzung generiert. Daraus kann dann eine Verteilung der a-priori Wahrscheinlichkeitsverteilungen der Parameter des Modells für die konkrete Kreuzung bestimmt werden.
-
Eine weitere Möglichkeit zur Kombination des lokalen und globalen Ansatzes ist in einigen Ausführungsformen die Verwendung eines hierarchischen Bayes-Schätzers (z.B. in Form eines naiven Bayes-Klassifikators). Dazu werden die Feature-Vektoren x und y wie im Abschnitt „globaler Ansatz“ beschrieben verwendet. Dieser Ansatz basiert darauf, dass durch die Verwendung eines Hyper-Priors globale und lokale Überfahrungsmuster gleichermaßen berücksichtigt werden. Lokale Überfahrungen werden bei diesem Ansatz umso stärker gewichtet, je mehr individuelle Kreuzungsüberfahrungen verfügbar sind.
-
Erfindungsgemäß werden zunächst Trajektorien einer Fahrzeugflotte gesammelt. Es erfolgt dann ein Abgleich bzw. ein Map Matching der Trajektorien zum Beispiel in einem Backend auf eine gemeinsame Karte. Alternativ kann das Map Matching bereits im Fahrzeug erfolgen. Auf Basis der gematchten Trajektorien wird dann ein Datenprodukt gelernt, das für jede Kreuzung innerhalb einer Region die Vorhersage ermöglicht, mit welcher Wahrscheinlichkeit an einer Kreuzung abgebogen wird.
-
Durch die Verwendung der Flottendaten kann eine präzise Bestimmung von Abbiegewahrscheinlichkeiten an Kreuzungen ermöglicht werden. Die Abbiegewahrscheinlichkeiten können dann verwendet werden, um den Most Probable Path im Fahrzeug oder im Backend zu berechnen, wodurch insbesondere eine Zuverlässigkeit von Fahrassistenzsystemen verbessert werden kann.
-
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.
