DE102020111540B3 - System and method for the automatic recording of extreme driving situations, especially for highly automated driving functions - Google Patents
System and method for the automatic recording of extreme driving situations, especially for highly automated driving functions Download PDFInfo
- Publication number
- DE102020111540B3 DE102020111540B3 DE102020111540.7A DE102020111540A DE102020111540B3 DE 102020111540 B3 DE102020111540 B3 DE 102020111540B3 DE 102020111540 A DE102020111540 A DE 102020111540A DE 102020111540 B3 DE102020111540 B3 DE 102020111540B3
- Authority
- DE
- Germany
- Prior art keywords
- data
- module
- situations
- parameterization
- parameters
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Abstract
Die Erfindung bezieht sich auf ein Verfahren zur maschinellen Erfassung von fahrtechnischen Extremsituationen für hochautomatisierte Fahrfunktionen, umfassend das Extrahieren von verschiedenen Parametern aus mehreren unterschiedlichen Datenquellen in einem Datenmodul; das Übermitteln der Parameter von dem Datenmodul an ein Parametrisierungsmodul; das Übermitteln von Situationsdaten aus einem Schattenmodul an das Parametrisierungsmodul; das Parametrisieren von Verkehrssituationen mit den empfangenen Parametern von dem Parametrisierungsmodul; das Transferieren der parametrisierten Verkehrssituationen von dem Parametrisierungsmodul an einen Klassifizierer und an ein Ausgabemodul; das Extrahieren von relevanten Merkmalen aus den parametrisierten Verkehrssituationen von dem Klassifizierer; das Transferieren der extrahierten Merkmale von dem Klassifizierer an das Ausgabemodul; das Berechnen von fahrtechnischen Extremsituationen für einen vorbestimmten geographischen und/oder zeitlichen Bereich von dem Ausgabemodul; und das Ausgeben einer Routenplanung für den vorbestimmten geographischen und/oder zeitlichen Bereich, die eine optimierte Anzahl an Extremsituationen umfasst, von dem Ausgabemodul.The invention relates to a method for the automatic detection of extreme driving situations for highly automated driving functions, comprising the extraction of various parameters from several different data sources in a data module; transmitting the parameters from the data module to a parameterization module; the transmission of situation data from a shadow module to the parameterization module; the parameterization of traffic situations with the parameters received from the parameterization module; transferring the parameterized traffic situations from the parameterization module to a classifier and to an output module; extracting relevant features from the parameterized traffic situations from the classifier; transferring the extracted features from the classifier to the output module; the calculation of extreme driving situations for a predetermined geographical and / or temporal area from the output module; and the outputting of a route planning for the predetermined geographical and / or temporal area, which includes an optimized number of extreme situations, from the output module.
Description
Die Erfindung betrifft ein System und Verfahren zur maschinellen Erfassung von fahrtechnischen Extremsituationen, insbesondere für hochautomatisierte Fahrfunktionen.The invention relates to a system and method for the automatic detection of extreme driving situations, in particular for highly automated driving functions.
Der Trend zu hochautomatisierten Fahrfunktionen bei Kraftfahrzeugen erfordert umfangreiche Absicherungsstrategien, da die Verantwortung über die Fahrzeugführung nicht mehr uneingeschränkt beim Fahrer liegt, sondern aktive Funktionen von Rechnereinheiten im Fahrzeug übernommen werden. Dabei muss sichergestellt werden, dass autonome Systeme nur eine sehr geringere Fehlerrate aufweisen. Hierfür ist das gezielte Testen von Extremsituationen (engl. Corner-Cases) erforderlich. Derartige Extremsituationen ergeben sich durch eine besondere Kombination von verschiedenen Faktoren. Beispiele hierfür sind infrastrukturelle Besonderheiten wie beispielsweise der Straßentyp, die Randbebauung an einer Straße, die Qualität der Markierungen aber auch Umgebungsbedingungen wie beispielsweise Witterungsbedingungen, die Tages- und die Jahreszeit. Zudem ist das Verhalten der anderen Verkehrsteilnehmer bedeutsam.The trend towards highly automated driving functions in motor vehicles requires extensive safeguarding strategies, since the responsibility for driving the vehicle no longer lies entirely with the driver, but active functions are taken over by computer units in the vehicle. It must be ensured that autonomous systems only have a very low error rate. This requires the targeted testing of extreme situations (corner cases). Such extreme situations result from a special combination of different factors. Examples of this are infrastructural features such as the type of street, the development on the edge of a street, the quality of the markings, but also environmental conditions such as weather conditions, the time of day and the season. In addition, the behavior of other road users is important.
Allerdings kann eine Simulation von allen möglichen Szenarien auf einem dafür zur Verfügung gestellten Prüfgelände nicht mit einem vertretbaren Aufwand erreicht werden. Es werden daher derzeit Erfahrungswerte von Testfahrern und Entwicklern genutzt, um kritische Situationen mittels einer Testsoftware zu prognostizieren und zu identifizieren und diese für die Optimierung von hochautomatisierten Fahrfunktionen zu nutzen.However, a simulation of all possible scenarios on a test site provided for this purpose cannot be achieved with a reasonable amount of effort. Therefore, empirical values from test drivers and developers are currently used to predict and identify critical situations using test software and to use them to optimize highly automated driving functions.
Nachdem die Softwareversion für die hochautomatisierten Fahrfunktionen die Simulationsphase erfolgreich durchlaufen hat, wird die Software auf Teststrecken getestet. In dieser Phase führen Testfahrer oder ferngesteuerte Fahrzeuge Szenarien aus einem vordefinierten Testkatalog durch. Allerdings schränken Wetterverhältnisse, Jahreszeiten und geografische Voraussetzungen im Gegensatz zur Simulation die Vielfalt der Szenarien ein. Mit derartigen Tests kann daher nur ein kleiner Teil des möglichen Parameterraums abgedeckt werden. Folglich wird es Situationen geben, die von der hochautomatisierten Fahrfunktion nicht erfasst sind.After the software version for the highly automated driving functions has successfully passed the simulation phase, the software is tested on test tracks. In this phase, test drivers or remote-controlled vehicles carry out scenarios from a predefined test catalog. However, in contrast to simulation, weather conditions, seasons and geographical conditions limit the variety of scenarios. Such tests can therefore only cover a small part of the possible parameter range. As a result, there will be situations that are not covered by the highly automated driving function.
Das Dokument
Das Dokument
Das Dokument
Das Dokument
Das Dokument
Die der Erfindung zu Grunde liegende Aufgabe besteht nun darin, ein Verfahren und ein System zur maschinellen Erfassung von fahrtechnischen Extremsituationen, insbesondere für hochautomatisierte Fahrfunktionen, zu schaffen, das sich durch eine hohe Zuverlässigkeit und Genauigkeit auszeichnet und sich einfach implementieren lässt.The object on which the invention is based now consists in creating a method and a system for the automatic detection of extreme driving situations, in particular for highly automated driving functions, which is characterized by high reliability and accuracy and is easy to implement.
Gemäß der vorliegenden Erfindung wird ein Verfahren vorgeschlagen, durch das eine maschinelle Erfassung von fahrtechnischen Extremsituationen ermöglicht wird, um hierdurch beispielsweise die Grundlage für die Bereitstellung von hochautomatisierten Fahrfunktionen zu schaffen, die sich auch in fahrtechnischen Extremsituationen durch ein hohes Maß an Sicherheit und Zuverlässigkeit auszeichnen.According to the present invention, a method is proposed by means of which a machine detection of extreme driving situations is made possible in order to create, for example, the basis for the provision of highly automated driving functions, which are also characterized by a high degree of safety and reliability in extreme driving situations.
Diese Aufgabe wird hinsichtlich eines Verfahrens durch die Merkmale des Patentanspruchs 1, und hinsichtlich eines Systems durch die Merkmale des Patentanspruchs 5 erfindungsgemäß gelöst. Die weiteren Ansprüche betreffen bevorzugte Ausgestaltungen der Erfindung.According to the invention, this object is achieved with regard to a method by the features of patent claim 1, and with regard to a system by the features of patent claim 5. the further claims relate to preferred embodiments of the invention.
Gemäß einem ersten Aspekt betrifft die Erfindung ein Verfahren zur maschinellen Erfassung von fahrtechnischen Extremsituationen, insbesondere für hochautomatisierte Fahrfunktionen, umfassend die folgenden Verfahrensschritte:
- - Extrahieren von verschiedenen Parametern aus mehreren unterschiedlichen Datenquellen in einem Datenmodul, wobei das Datenmodul eine relationale Datenbank umfasst und als Datenquellen kartographische Informationen, Daten zu Verkehrszahlen, Luftbildaufnahmen und/oder Daten zu Wetterinformationen und/oder Daten von Kraftfahrzeugen verwendet werden;
- - Übermitteln der Parameter von dem Datenmodul an ein Parametrisierungsmodul;
- - Übermitteln von Situationsdaten, wie insbesondere Unfalldaten aus einem Unfallmodul und/oder Daten aus einem Schattenmodul an das Parametrisierungsmodul, wobei das Parametrisierungsmodul ein tiefes neuronales Netz zur Extraktion von Parametern und zur Mustererkennung umfasst;
- - Parametrisieren von Straßenstrecken und/oder Verkehrssituationen mit den empfangenen Parametern und den übermittelten Unfalldaten und/oder Daten aus einem Schattenmodul von dem Parametrisierungsmodul;
- - Transferieren der parametrisierten Straßenstrecken und/oder Verkehrssituationen von dem Parametrisierungsmodul an einen Klassifizierer und an ein Ausgabemodul;
- - Extrahieren von relevanten Merkmalen aus den parametrisierten Stra-ßenstrecken und/oder Verkehrssituationen von dem Klassifizierer;
- - Transferieren der extrahierten Merkmale von dem Klassifizierer an das Ausgabemodul;
- - Berechnen von fahrtechnischen Extremsituationen für einen vorbestimmten geographischen und/oder zeitlichen Bereich von dem Ausgabemodul;
- - Ausgeben einer Routenplanung für den vorbestimmten geographischen und/oder zeitlichen Bereich, die eine optimierte Anzahl an Extremsituationen umfasst, von dem Ausgabemodul.
- Extraction of various parameters from several different data sources in a data module, the data module comprising a relational database and cartographic information, data on traffic figures, aerial photographs and / or data on weather information and / or data from motor vehicles being used as data sources;
- - Transmission of the parameters from the data module to a parameterization module;
- Transmission of situation data, such as accident data in particular from an accident module and / or data from a shadow module, to the parameterization module, the parameterization module comprising a deep neural network for extracting parameters and for pattern recognition;
- Parameterization of road sections and / or traffic situations with the received parameters and the transmitted accident data and / or data from a shadow module from the parameterization module;
- - Transferring the parameterized road routes and / or traffic situations from the parameterization module to a classifier and to an output module;
- - Extraction of relevant features from the parameterized road routes and / or traffic situations from the classifier;
- Transferring the extracted features from the classifier to the output module;
- - Calculation of extreme driving situations for a predetermined geographical and / or time range from the output module;
- Output of a route plan for the predetermined geographical and / or temporal area, which includes an optimized number of extreme situations, from the output module.
Vorteilhaftweise weist das Datenmodul einen Autoencoder und/oder generative sich gegenüberstehende Netze (engl. Generative Adversarial Networks (GAN)) und/oder Bildverarbeitungsalgorithmen auf.The data module advantageously has an autoencoder and / or generative opposing networks (GAN) and / or image processing algorithms.
In einer weiteren Ausgestaltung wird das neuronale Netz mit historischen Parametern und/oder historischen Unfalldaten trainiert.In a further embodiment, the neural network is trained with historical parameters and / or historical accident data.
Insbesondere kann für das Trainieren des neuronalen Netzes eine Filterung der übermittelten Daten mittels vorbestimmter Hyperparameter und/oder ein Gradientenoptimierer und/oder Aktivierungsfunktionen vorgesehen sein, um eine normalisierte Dateneingabe sicherzustellen.In particular, filtering of the transmitted data by means of predetermined hyperparameters and / or a gradient optimizer and / or activation functions can be provided for training the neural network in order to ensure normalized data input.
Gemäß einem zweiten Aspekt betrifft die Erfindung ein System zur maschinellen Erfassung von fahrtechnischen Extremsituationen, insbesondere für hochautomatisierte Fahrfunktionen. Das System umfasst ein Datenmodul, das für das Extrahieren von verschiedenen Parametern aus mehreren unterschiedlichen Datenquellen und das Übermitteln der Parameter an ein Parametrisierungsmodul konfiguriert ist. Des Weiteren sind Situationsdatenmodule, wie insbesondere ein Unfallmodul, das konfiguriert ist, Unfalldaten an das Parametrisierungsmodul zu übermitteln, und ein Schattenmodul, das konfiguriert ist, Daten an das Parametrisierungsmodul zu übermitteln, vorgesehen. Das Parametrisierungsmodul ist konfiguriert, Straßenstrecken und/oder Verkehrssituationen mit den empfangenen Parametern und den übermittelten Unfalldaten und/oder Daten aus einem Schattenmodul zu parametrisieren und die parametrisierten Straßenstrecken und/oder Verkehrssituationen an einen Klassifizierer und an ein Ausgabemodul zu transferieren. Der Klassifizierer ist konfiguriert, relevante Merkmale aus den parametrisierten Straßenstrecken und/oder Verkehrssituationen zu extrahieren und die extrahierten Merkmale an das Ausgabemodul zu transferieren. Das Ausgabemodul ist konfiguriert, fahrtechnische Extremsituationen für einen vorbestimmten geographischen und/oder zeitlichen Bereich zu berechnen und eine Routenplanung für den vorbestimmten geographischen und/oder zeitlichen Bereich, die eine optimierte Anzahl an Extremsituationen umfasst, auszugeben. Das Datenmodul umfasst eine relationale Datenbank und als Datenquellen werden kartographische Informationen, Daten zu Verkehrszahlen, Luftbildaufnahmen und/oder Daten zu Wetterinformationen und/oder Daten von Kraftfahrzeugen verwendet. Das Parametrisierungsmodul umfasst ein tiefes neuronales Netz zur Extraktion von Parametern und zur Mustererkennung.According to a second aspect, the invention relates to a system for the automated detection of extreme driving situations, in particular for highly automated driving functions. The system comprises a data module which is configured to extract various parameters from several different data sources and to transmit the parameters to a parameterization module. Furthermore, situation data modules, such as in particular an accident module that is configured to transmit accident data to the parameterization module, and a shadow module that is configured to transmit data to the parameterization module, are provided. The parameterization module is configured to parameterize road sections and / or traffic situations with the received parameters and the transmitted accident data and / or data from a shadow module and to transfer the parameterized road sections and / or traffic situations to a classifier and to an output module. The classifier is configured to extract relevant features from the parameterized road routes and / or traffic situations and to transfer the extracted features to the output module. The output module is configured to calculate extreme driving situations for a predetermined geographical and / or temporal area and to output route planning for the predetermined geographical and / or temporal area, which includes an optimized number of extreme situations. The data module comprises a relational database and cartographic information, data on traffic figures, aerial photographs and / or data on weather information and / or data from motor vehicles are used as data sources. The parameterization module comprises a deep neural network for the extraction of parameters and for pattern recognition.
In einer weiteren Ausführungsform ist vorgesehen, dass das Datenmodul einen Autoencoder und/oder generative sich gegenüberstehende Netze (engl. Generative Adversarial Networks (GAN)) und/oder Bildverarbeitungsalgorithmen aufweist. In a further embodiment it is provided that the data module has an autoencoder and / or generative opposing networks (GAN) and / or image processing algorithms.
Vorteilhafterweise wird das neuronale Netz mit historischen Parametern und/oder historischen Unfalldaten trainiert.The neural network is advantageously trained with historical parameters and / or historical accident data.
Insbesondere kann für das Trainieren des neuronalen Netzes eine Filterung der übermittelten Daten mittels vorbestimmter Hyperparameter und/oder ein Gradientenoptimierer und/oder Aktivierungsfunktionen vorgesehen sein, um eine normalisierte Dateneingabe sicherzustellen.In particular, filtering of the transmitted data by means of predetermined hyperparameters and / or a gradient optimizer and / or activation functions can be provided for training the neural network in order to ensure normalized data input.
Nachfolgend wird die Erfindung anhand von in der Zeichnung dargestellten Ausführungsbeispielen näher erläutert.The invention is explained in more detail below with reference to the exemplary embodiments shown in the drawing.
Dabei zeigt:
-
1 ein Blockdiagramm zur Erläuterung eines Ausführungsbeispiels eines erfindungsgemäßen Systems; -
2 ein Blockdiagramm zur Erläuterung der Datenbankstruktur des Datenmoduls des erfindungsgemäßen Systems; -
3 ein Blockdiagramm zur Erläuterung der Struktur des Parametrisierungsmoduls des erfindungsgemäßen Systems; -
4 ein Flussdiagramm zur Erläuterung der einzelnen Verfahrensschritte des erfindungsgemäßen Verfahrens.
-
1 a block diagram to explain an embodiment of a system according to the invention; -
2 a block diagram to explain the database structure of the data module of the system according to the invention; -
3 a block diagram to explain the structure of the parameterization module of the system according to the invention; -
4th a flow chart to explain the individual method steps of the method according to the invention.
Zusätzliche Kennzeichen, Aspekte und Vorteile der Erfindung oder ihrer Ausführungsbeispiele werden durch die ausführliche Beschreibung in Verbindung mit den Ansprüchen ersichtlich.Additional features, aspects and advantages of the invention or its exemplary embodiments will become apparent from the detailed description in conjunction with the claims.
Gemäß der vorliegenden Erfindung werden zwei Arten von fahrspezifischen Extremsituationen abgedeckt. Bei der ersten Art handelt es sich um Extremsituationen, die durch menschliches Fehlverhalten entstehen, wozu insbesondere Unfälle zählen. Der andere Fall umfasst Extremsituationen, die nur für das Fahrassistenzsystem (engl. Advanced Driver Assistance System, ADAS; Highly Automated Driving, HAD) von Belang sind, aber keinen negativen Einfluss auf einen menschlichen Fahrer haben. Diesen Extremsituationen gemeinsam ist, dass sie sich durch bestimmte Parameter charakterisieren lassen und sich somit als eine Abbildung in einem Parameterraum darstellen lassen. Als Parameter wird dabei eine Größe bezeichnet, die eine direkte oder indirekte Auswirkung auf das Auftreten von fahrtechnischen Extremsituationen hat. Beispiele von Parametern sind beispielsweise die Wetterverhältnisse, die Beschilderung und die Straßeninfrastruktur. So befasst sich beispielsweise die Unfallforschung mit statistischen Methoden und abgeleiteten Wahrscheinlichkeitsverteilungen einzelner Parameter wie beispielsweise die Stunde des Tages oder die Niederschlagsmenge bezogen auf das Auftreten von Unfällen. Die verschiedenen Parameter können neben einem linearen Einfluss auf eine Extremsituation auch komplexe Abhängigkeiten untereinander aufweisen und/oder einen nichtlinearen und/oder mehrdimensionalen Einfluss auf eine Extremsituation ausüben.According to the present invention, two types of extreme driving-specific situations are covered. The first type is extreme situations caused by human error, including accidents in particular. The other case includes extreme situations that are only relevant for the Advanced Driver Assistance System (ADAS; Highly Automated Driving, HAD) but have no negative impact on a human driver. What these extreme situations have in common is that they can be characterized by certain parameters and can thus be represented as an image in a parameter space. A parameter is a variable that has a direct or indirect effect on the occurrence of extreme driving situations. Examples of parameters are, for example, the weather conditions, the signage and the road infrastructure. Accident research, for example, deals with statistical methods and derived probability distributions of individual parameters such as the hour of the day or the amount of precipitation related to the occurrence of accidents. In addition to a linear influence on an extreme situation, the various parameters can also have complex interdependencies and / or exert a non-linear and / or multidimensional influence on an extreme situation.
Um somit fahrtechnische Extremsituationen voraussagen zu können, werden erfindungsgemäß Straßenszenarien wie Straßenstrecken und/oder Verkehrssituationen mittels mathematischer Algorithmen, insbesondere Algorithmen der künstlichen Intelligenz, parametrisiert. Neben der manuellen Erfassung zahlreicher Parameter kann auf Datenbanken, die von Behörden zur Verfügung gestellt werden, zurückgegriffen werden. So stellt beispielsweise das Statistische Bundesamt eine bundesweite Datenbank zur Erfassung aller Unfälle mit schweren Verletzungen zur Verfügung. Ähnliche Datensätze gibt es auch in vielen anderen Ländern. Zur Erweiterung des Parameterraums werden jedem Unfall zusätzliche Datenquellen zugeordnet, wobei die Datenquellen von Wetterdaten bis hin zu Einträgen in sozialen Medien reichen. Darüber hinaus sind kommerzielle Kartendaten erhältlich, die genutzt werden können.In order to be able to predict extreme driving situations, road scenarios such as road sections and / or traffic situations are parameterized according to the invention by means of mathematical algorithms, in particular algorithms of artificial intelligence. In addition to the manual entry of numerous parameters, databases provided by the authorities can be used. For example, the Federal Statistical Office provides a nationwide database for recording all accidents with serious injuries. There are similar data sets in many other countries. To expand the parameter space, additional data sources are assigned to each accident, the data sources ranging from weather data to entries in social media. In addition, commercial map data is available that can be used.
Das Datenmodul
Des Weiteren sind die Verkehrszahlen
Eine weitere Datenquelle bilden Luftbildaufnahmen
Des Weiteren werden Wetterdaten
Weitere Daten, die in das Parametisierungsmodul
Bei dem Schattenmodul
Das Parametrisierungsmodul
Darüber hinaus weist das Datenmodul
Das Ausgabeformat
Die Implementierung des neuronalen Netzes
Nachdem ein erstes Training des neuronalen Netzes
In der
In einem Schritt S10 werden verschiedene Parameter in einem Datenmodul
In einem Schritt S20 werden die Parameter von dem Datenmodul
In einem Schritt S30 werden Situationsdaten, wie insbesondere Unfalldaten, aus dem Unfallmodul
In einem Schritt S40 parametrisiert das Parametrisierungsmodul
In einem Schritt S50 transferiert das Parametrisierungsmodul
In einem Schritt S60 extrahiert der Klassifizierer
In einem Schritt S70 transferiert der Klassifizierer
In einem Schritt S80 berechnet das Ausgabemodul
In einem Schritt S90 gibt das Ausgabemodul
Mit dem Verfahren gemäß der vorliegenden Erfindung ist eine Kombination verschiedener Datenquellen zur Vorhersage von fahrtechnischen Extremsituationen für hochautomatisierte Fahrfunktionen möglich. Die Basis bilden hierbei Unfalldaten staatlicher Behörden, welche mit Ortsangaben, Zeitstempeln und zusätzlichen Angaben zum Unfallhergang abgerufen werden können. Außerdem werden in einer unabhängigen Testflotte von Fahrzeugen einzelne Programmteile der hochautomatisierten Fahrfunktionen im Hintergrund in einem Schattenmodus ausgeführt. Bei Fehlfunktionen ermittelt der Schattenmodus die aktuelle Fahrsituation und speichert die Daten. Zudem werden Wetterbedingungen und die Verkehrsdichte berücksichtigt. Diese Daten werden für eine Parametrisierung von Verkehrssituationen im Straßenverkehr und/oder Straßenstrecken bezogen auf Wettersituationen, Verkehrsszenarien und Infrastruktur verwendet. Anschließend wird eine Klassifizierung durchgeführt, um Merkmale, die extreme Szenarien kennzeichnen, auszuwählen. In einem Ausgabemodul werden mittels der Parametrisierung und der extrahierten Merkmale fahrtechnische Extremsituationen für hochautomatisierte Fahrfunktionen erkannt, wodurch die zielgerichtete Planung von Testfahrten mit einer hohen Auftrittswahrscheinlichkeit von Fehlfunktionen ermöglicht wird. Zudem können die Ergebnisse mit manuell geplanten Testfahrten verglichen werden, um eine Aussage über die Relevanz der ermittelten Extremsituationen treffen zu können.With the method according to the present invention, a combination of different data sources for predicting extreme driving situations for highly automated driving functions is possible. The basis for this is accident data from government authorities, which can be called up with location details, time stamps and additional information on the course of the accident. In addition, individual program parts of the highly automated driving functions are executed in the background in a shadow mode in an independent test fleet of vehicles. In the event of malfunctions, the shadow mode determines the current driving situation and saves the data. Weather conditions and traffic density are also taken into account. These data are used to parameterize traffic situations in road traffic and / or road routes in relation to weather situations, traffic scenarios and infrastructure. A classification is then carried out in order to select features that characterize extreme scenarios. In an output module, extreme technical driving situations for highly automated driving functions are recognized by means of the parameterization and the extracted features, which enables the targeted planning of test drives with a high probability of malfunctions occurring. In addition, the results can be compared with manually planned test drives in order to be able to make a statement about the relevance of the determined extreme situations.
Gemäß der vorliegenden Erfindung ist somit eine verbesserte Testroutenplanung möglich, bei der fahrtechnische Extremsituationen akkumuliert auftreten.According to the present invention, improved test route planning is thus possible in which extreme situations in terms of driving technology occur in an accumulated manner.
BezugszeichenlisteList of reference symbols
- 1010
- DatenmodulData module
- 1111
- AutoencoderAuto encoder
- 1212th
- kartographische Datencartographic data
- 1414th
- Daten zu VerkehrszahlenTraffic data
- 1616
- LuftbilderAerial photos
- 1717th
- Daten zu WetterinformationenWeather information data
- 1818th
- relationale Datenbankrelational database
- 1919th
- BildverarbeitungsalgorithmenImage processing algorithms
- 2020th
- ParametrisierungsmodulParameterization module
- 2222nd
- neuronales Netzneural network
- 2323
- FilterungFiltering
- 2424
- GradientenoptimiererGradient optimizer
- 2525th
- AktivierungsfunktionenActivation functions
- 2626th
- VektorisierungVectorization
- 2727
- NormiererNormalizer
- 2828
- Ausgabeformat des neuronalen NetzesOutput format of the neural network
- 3030th
- AusgabemodulOutput module
- 4040
- historische Unfalldatenhistorical accident data
- 5050
- SchattenmodulShadow module
- 7070
- KlassifiziererClassifier
- 100100
- Systemsystem
Claims (8)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020111540.7A DE102020111540B3 (en) | 2020-04-28 | 2020-04-28 | System and method for the automatic recording of extreme driving situations, especially for highly automated driving functions |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020111540.7A DE102020111540B3 (en) | 2020-04-28 | 2020-04-28 | System and method for the automatic recording of extreme driving situations, especially for highly automated driving functions |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020111540B3 true DE102020111540B3 (en) | 2021-10-21 |
Family
ID=77919823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020111540.7A Active DE102020111540B3 (en) | 2020-04-28 | 2020-04-28 | System and method for the automatic recording of extreme driving situations, especially for highly automated driving functions |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020111540B3 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016200762A1 (en) | 2015-06-08 | 2016-12-15 | Allstate Insurance Company | Route risk mitigation |
DE102017114049A1 (en) | 2016-06-30 | 2018-01-04 | GM Global Technology Operations LLC | SYSTEMS FOR SELECTING AND PERFORMING ROUTES FOR AUTONOMOUS VEHICLES |
WO2018026603A1 (en) | 2016-08-02 | 2018-02-08 | Pcms Holdings, Inc. | System and method for optimizing autonomous vehicle capabilities in route planning |
US20190049259A1 (en) | 2018-09-27 | 2019-02-14 | Intel Corporation | Technologies for autonomous driving quality of service determination and communication |
US20200101974A1 (en) | 2019-08-12 | 2020-04-02 | Lg Electronics Inc. | Device and method for selecting optimal travel route based on driving situation |
-
2020
- 2020-04-28 DE DE102020111540.7A patent/DE102020111540B3/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016200762A1 (en) | 2015-06-08 | 2016-12-15 | Allstate Insurance Company | Route risk mitigation |
DE102017114049A1 (en) | 2016-06-30 | 2018-01-04 | GM Global Technology Operations LLC | SYSTEMS FOR SELECTING AND PERFORMING ROUTES FOR AUTONOMOUS VEHICLES |
WO2018026603A1 (en) | 2016-08-02 | 2018-02-08 | Pcms Holdings, Inc. | System and method for optimizing autonomous vehicle capabilities in route planning |
US20190049259A1 (en) | 2018-09-27 | 2019-02-14 | Intel Corporation | Technologies for autonomous driving quality of service determination and communication |
US20200101974A1 (en) | 2019-08-12 | 2020-04-02 | Lg Electronics Inc. | Device and method for selecting optimal travel route based on driving situation |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102013208521B4 (en) | Collective learning of a highly accurate road model | |
Zhao et al. | Trafficnet: An open naturalistic driving scenario library | |
EP0789341B1 (en) | Vehicle on board detection of traffic jam | |
DE102017213217A1 (en) | Test scenario database system for realistic virtual test driving scenarios | |
DE112016006526T5 (en) | TRAVEL PLAN GENERATING DEVICE, TRAVEL PLAN PRODUCTION PROCESS, AND TRAVEL PLAN GENERATION PROGRAM | |
DE102012207620A1 (en) | System and method for light signal detection | |
DE102017213983A1 (en) | Method for verifying a road map and server device | |
DE102014009627A1 (en) | Method for reporting a free parking space for a vehicle | |
DE102017009435A1 (en) | Evaluation of components of automatic driving functions and road marking at different processing stages | |
DE102019114595B4 (en) | Method for controlling the operation of a motor vehicle and for deriving road segment speed limits | |
DE102015000399A1 (en) | Mapping of lanes using vehicle fleet data | |
DE102015000394A1 (en) | Vehicle fleet-based measurement of environmental data | |
DE102018217840A1 (en) | Method and system for determining an environmental model for a vehicle | |
DE102020205310A1 (en) | Computer-implemented method for providing a data structure for the route complexity detection and validation of functionalities of an automated driving system, such data structure, computer for validating functionalities of an automated driving system, computer program for providing such a data structure and computer-readable data carriers | |
DE102022112059B3 (en) | Method, system and computer program product for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) | |
DE102015225577A1 (en) | Improved method for determining the edge development of a roadway for the localization of motor vehicles | |
DE102020111540B3 (en) | System and method for the automatic recording of extreme driving situations, especially for highly automated driving functions | |
EP2153172B1 (en) | Map matching for security applications | |
DE102012201156A1 (en) | Method for providing speed alarm information for navigation apparatus mounted in vehicle, involves linking primary speed limit information to secondary speed limit information to obtain speed alarm information for the distance | |
DE102019117136A1 (en) | COMMUNICATION AND CONTROL FOR TRAFFIC INFRASTRUCTURE | |
DE102022107845A1 (en) | Method, system and computer program product for selecting concrete scenarios | |
DE102021201177A1 (en) | Computer-implemented method and computer program for generating routes for an automated driving system | |
Paz et al. | Development of a comprehensive database system for Safety Analyst | |
DE102016009199B4 (en) | Method for operating a data acquisition unit for recording at least one control event of a control device of a motor vehicle as well as a data acquisition unit and a data processing unit | |
EP3816960B1 (en) | Method and apparatus for outputting alert messages |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final |