-
Die Erfindung betrifft ein Verfahren zur Prädiktion eines Aufenthaltsorts und/oder eines Fahrverhaltens eines Ego-Fahrzeugs.
-
Der Aufenthaltsort eines Fahrzeugs kann über unterschiedliche Mittel zur Nachverfolgung des Fahrzeugs bestimmt werden. Beispielsweise gibt es sogenannte Tracker, welche die Position des Fahrzeugs z.B. mittels GPS oder anderer satellitengestützter Methoden, aber auch über Mobilfunknetze verfolgen.
-
Das Nachverfolgen eines Fahrzeugs kann unterschiedliche Gründe haben. Beispielsweise können somit Flottenfahrzeuge überwacht werden. Besonders hilfreich kann ein Nachverfolgen eines Fahrzeugs sein, wenn das Fahrzeug gestohlen wurde. Es gibt Verfahren zur Erkennung eines Diebstahls, wie z.B. in der
DE112012004781T5 oder der
EP2229668B1 gezeigt, und zur Nachverfolgung z.B. mittels einem Mobilfunknetz, wie in der
US5895436A offenbart.
-
Bisher bekannte Methoden zur Nachverfolgung eines Fahrzeugs verwenden aber lediglich durch fahrzeuginterne Sensorik aufgenommene Daten oder Daten, die mittels Car-to-Car-Kommunikation bereitgestellt werden. Aber es werden noch nicht alle Möglichkeiten ausgenutzt, um Fahrzeuge nachzuverfolgen und insbesondere einen Diebstahl des Fahrzeugs zu identifizieren. Bisher ist noch kein Verfahren bekannt, durch welches ein Aufenthaltsort und/oder ein Fahrverhalten eines Ego-Fahrzeugs vorhergesagt werden kann.
-
Deshalb ist es eine Aufgabe dieser Erfindung, ein entsprechendes Verfahren bereitzustellen, das eine Prädiktion eines Aufenthaltsorts und/oder eines Fahrverhaltens eines Ego-Fahrzeugs ermöglicht. Diese Aufgabe wird erfindungsgemäß durch die Merkmale der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.
-
Vorgeschlagen wird ein Verfahren zur Prädiktion eines Aufenthaltsorts und/oder eines Fahrverhaltens eines Ego-Fahrzeugs, wobei individuelle und kollektive Fahrdaten unterschiedlicher Fahrzeuge erfasst und derart verarbeitet werden, dass ein Muster einer Wahrscheinlichkeitsverteilung für einen Aufenthalt des Ego-Fahrzeugs und/oder ein Fahrverhalten des Ego-Fahrzeugs ermittelt wird.
-
Durch das Bestimmen, mit welcher Wahrscheinlichkeit sich ein Fahrzeug in einem bestimmten Bereich aufhält oder sich darin bewegt, können Rückschlüsse darauf gezogen werden, ob das Fahrzeug gestohlen wurde.
-
Aktuelle und zukünftige Fahrzeuge weisen eine Vielzahl an Sensorik und Kommunikationsmitteln auf, die es ermöglichen, das Fahrzeug zu lokalisieren, und seine Fahrtrichtung sowie das Fahrverhalten zu bestimmen. Die Kommunikationsmittel stehen dabei häufig mit einer externen Datenverarbeitungseinrichtung wie einem Datencenter zum Datenaustausch in Verbindung. Diese Datencenter sammeln und verarbeiten Daten, um z.B. einen Stau vorherzusagen, Routen für Navigationssysteme bereitzustellen etc. Sie können aber auch dazu verwendet werden, das vorgeschlagene Verfahren auszuführen und das Ergebnis bei Bedarf bereitzustellen. Das heißt, dass das vorgeschlagene und nachfolgend im Detail beschriebene Verfahren mittels einem Computerprogramm ausgeführt wird, das basierend auf von einer Vielzahl von Fahrzeugen erhaltenen Daten die entsprechende Verarbeitung zur durchführt, um das Muster der Wahrscheinlichkeitsverteilung zu ermitteln.
-
Des Weiteren ist vorgesehen, dass das Muster einer Wahrscheinlichkeitsverteilung als Gitternetz mit aneinander angrenzenden Maschen gebildet wird, wobei jede Masche mit einem Wert einer Wahrscheinlichkeit belegt wird, mit der sich das Ego-Fahrzeug in dieser Masche aufhält. Der Wert kann dabei auch von weiteren Faktoren wie z.B. der Tageszeit oder dem Wochentag abhängen. Alternativ oder zusätzlich wird mindestens eine zu der Masche, in welcher sich das Ego-Fahrzeug gerade aufhält, benachbarte Masche mit einem Wert einer Wahrscheinlichkeit belegt, mit der sich das Ego-Fahrzeug in diese Masche bzw. den Bereich, den die Masche umfasst, bewegen wird. Durch die große Menge an Daten, die der Auswertung und damit der Bildung des Gitternetzes zugrunde gelegt werden, kann auch bei einem unbekannten Fahrziel bestimmt werden, ob sich das Fahrzeug in regulärer Art und Weise verhält oder nicht.
-
Durch Verwenden eines Gitternetzes, das aus vielen benachbarten Maschen besteht, kann also eine genauere Bestimmung erfolgen, ob sich das überwachte Fahrzeug noch in einem für sein Fahrverhalten üblichen Bereich befindet, d.h. dort steht oder sich bewegt. Wenn es sich davon entfernt, also in eine Masche mit einer niedrigen Wahrscheinlichkeit einfährt, kann dies ein Indikator sein, dass es z.B. gestohlen wurde.
-
Des Weiteren ist vorgesehen, dass das Muster der Wahrscheinlichkeitsverteilung basierend auf kollektivem Fahrverhalten festgelegt wird, aufweisend mindestens einen oder eine Kombination aus folgenden Parametern: Ort, Wochentag, Tageszeit, aktuelle Umgebungsinformationen, kollektives Fahrverhalten. Das Fahrverhalten eines Fahrzeugs, also dessen Aufenthaltsorte und Bewegungsrichtungen, können sich von Land zu Land, von Stadt zu Stadt, sogar von Stadtteil zu Stadtteil, und von Dorf zu Dorf unterscheiden. Deshalb ist es sinnvoll, den Ort, an bzw. in dem sich das Fahrzeug befindet bzw. bewegt, in die Erstellung des Musters miteinzubeziehen. Auch sind sowohl Wochentag als auch Tageszeit sowie die Kombination daraus Indikatoren, wo sich ein Fahrzeug aktuell befinden sollte. Auch Umgebungsinformationen wie Baustellen oder Staus können auf das Muster einen Einfluss haben, da diese beispielsweise umfahren werden und sich das Fahrzeug dadurch in Bereiche bewegt, welche normalerweise nicht seinem regulären Fahrverhalten entsprechen.
-
Des Weiteren ist vorgesehen, dass zusätzlich fahrerspezifische Fahrdaten für das Ego-Fahrzeug für das Muster oder Bereiche davon erfasst werden und dem Muster als reguläre Ego-Fahrdaten zugeordnet werden. Durch Verwenden zusätzlicher Daten, die sich auf das Fahrverhalten des Fahrers eines Ego-Fahrzeugs beziehen, kann eine noch bessere Prädiktion erfolgen, ob das überwachte bzw. Ego-Fahrzeug ein reguläres Fahrverhalten zeigt. Einerseits kann die durch das kollektive Fahrverhalten erhaltene Wahrscheinlichkeitsverteilung bei der Überwachung eines speziellen, zu überwachenden Fahrzeugs durch Beachten der fahrerspezifischen Fahrdaten individuell auf das Ego-Fahrzeug angepasst werden. Andererseits können die fahrerspezifischen Fahrdaten mit den kollektiven Fahrdaten verglichen werden und daraus ein reguläres oder nicht reguläres Fahrverhalten erkannt werden.
-
Des Weiteren ist vorgesehen, dass die Fahrdaten regelmäßig erfasst werden und das Muster der Wahrscheinlichkeitsverteilung regelmäßig aktualisiert wird. Somit kann das Muster zusammen mit dem Verhalten der Fahrzeuge und Fahrer verändert werden und zeigt so immer eine sehr genaue und aktuelle Wahrscheinlichkeitsverteilung für einen Aufenthalt des Ego-Fahrzeugs und/oder ein Fahrverhalten des Ego-Fahrzeugs an.
-
Des Weiteren ist vorgesehen, dass das Muster der Wahrscheinlichkeitsverteilung unter Verwendung von Verfahren des deep learning und der künstlichen Intelligenz erzeugt wird. Durch Verwenden von Verfahren, die sowohl eine große Anzahl an Daten verarbeiten können, als auch aus den Daten lernen können, kann ein realistisches und aktuelles Muster der Wahrscheinlichkeitsverteilung bereitgestellt werden.
-
Des Weiteren ist vorgesehen, dass aktuelle Ego-Fahrdaten eines vorgegebenen Ego-Fahrzeugs erfasst und mit dem Muster der Wahrscheinlichkeitsverteilung verglichen werden, und wenn die Fahrdaten einen Aufenthalt des Ego-Fahrzeugs in einem Bereich des Musters zeigen, der eine Wahrscheinlichkeit oberhalb oder unterhalb eines vorgegebenen Schwellwerts aufweist, ein Diebstahl angenommen und eine vorgegebene Aktion ausgeführt wird. Alternativ kann ein Diebstahl angenommen und eine vorgegebene Aktion ausgeführt werden, wenn die Fahrdaten eine Bewegung des Ego-Fahrzeugs in Richtung eines Bereichs des Musters zeigen, der eine Wahrscheinlichkeit oberhalb oder unterhalb eines vorgegebenen Schwellwerts aufweist.
-
Durch die Möglichkeit, aktuelle Fahrdaten eines Ego-Fahrzeugs mit einem Muster zu vergleichen, das aus sehr vielen Fahrdaten erzeugt wurde und damit eine Wahrscheinlichkeitsverteilung angeben kann, wo sich das Ego-Fahrzeug aufhalten sollte bzw. in welche Richtung es sich bewegen sollte, wird eine neue Möglichkeit der Diebstahlüberwachung bereitgestellt.
-
Vorteilhaft wird der Schwellwert basierend auf mindestens einem oder einer Kombination aus den folgenden Parametern festgelegt: Wochentag, Tageszeit, Fahrzeugmarke, Fahrzeugmodell, fahrerspezifisches Fahrverhalten, aktuelle Streckeninformationen wie Baustellen oder Staus, verfügbare Streckendaten z.B. aus einem Navigationsgerät. Um Fehlwarnungen bzw. unerwünschte Aktionen zu vermeiden, kann der Schwellwert basierend auf einer Vielzahl an unterschiedlichen Parametern festgelegt werden. Diese können ein typisches kollektives Verhalten, aber auch typisches individuelles Verhalten des Ego-Fahrers sein, das sowohl ein Fahren zu bestimmten Tageszeiten als auch ein Fahrverhalten wie charakteristische Beschleunigung oder Fahrzeugeinstellungen umfassen kann. Auch kann ein Einfluss der Fahrzeugmarke oder des Modells in die Wahrscheinlichkeit eines Diebstahls einfließen. Ebenso sind durch z.B. die Umgebung bedingte Parameter zu beachten. Dabei kann eine Umfahrung aufgrund eines Staus oder einer Baustelle zu einem Einfahren in eine Masche mit niedriger Wahrscheinlichkeit führen, aber aufgrund der Umfahrung keinen Diebstahl darstellen. Durch Bereitstellen einer Kombination und Verknüpfung der verfügbaren Daten und daraus Bilden einer Wahrscheinlichkeit eines Diebstahls kann die Genauigkeit des Erkennens eines Diebstahls verbessert werden.
-
Des Weiteren ist vorgesehen, dass, wenn zusätzlich reguläre Fahrdaten erfasst wurden, diese mit den aktuellen Ego-Fahrdaten verglichen werden, und wenn ein vorgegebener Schwellwert der Abweichung zwischen regulären und aktuellen Fahrdaten überschritten oder unterschritten wird, ein Diebstahl angenommen wird. Jeder Fahrer hat ein individuelles Fahrverhalten, welches sich z.B. durch die Art des Beschleunigens, des Anfahrens nach einem Anhalten, des Überholens, des Einhaltens bzw. Überschreitens von Geschwindigkeitsbeschränkungen, des Einstellens von Fahrzeugparametern wie dem Sitz, den Spiegeln, dem Radio, z.B. der Lautstärke, der Art des Senders etc. kennzeichnen lässt. Ab einer bestimmten, vorzugebenden, Abweichung der aktuellen von den erwarteten, regulären Fahrdaten kann zumindest angenommen werden, dass sich nicht der erwartete Fahrer im Fahrzeug befindet. Somit kann ein Diebstahl angenommen werden.
-
Des Weiteren ist vorgesehen, dass die vorgegebene Aktion eines oder eine Kombination ist aus einem Aussenden einer Mitteilung, dass das Ego-Fahrzeug wahrscheinlich gestohlen wurde, an eine berechtigte Person wie den Eigentümer, einen Fahrer, einen Sicherheitsdienstleister oder auch die Polizei oder mehreren davon, einem Markieren des Fahrzeugs als gestohlen, z.B. mittels eines digitalen Flags oder Markers, einem Eingreifen in die Fahrzeugsteuerung, z.B. einem Auslösen eines Alarms oder einer Ansage oder einem Stilllegen des Fahrzeugs. Vorab kann dabei eine Abfrage an den erwarteten Nutzer erfolgen, ob die Annahme des Systems, dass ein Diebstahl vorliegt, berechtigt ist. Wenn der erwartete Nutzer die Annahme des Diebstahls verneint, z.B. durch eine Aktion an seinem Smartphone, erfolgt keine Aktion. Wenn er sie bejaht, kann abhängig von der Ausstattung des Fahrzeugs, von dessen aktueller Einstellung, von dem Ort, an dem es sich befindet bzw. der Richtung, in die es sich bewegt, eine angepasste Aktion erfolgen, um das Fahrzeug möglichst schnell zu sichern.
-
Weitere Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen der Erfindung, anhand der Figuren der Zeichnung, die erfindungsgemäße Einzelheiten zeigt, und aus den Ansprüchen. Die einzelnen Merkmale können je einzeln für sich oder zu mehreren in beliebiger Kombination bei einer Variante der Erfindung verwirklicht sein.
-
Bevorzugte Ausführungsformen der Erfindung werden nachfolgend anhand der beigefügten Zeichnung näher erläutert.
- 1 zeigt eine schematische Darstellung eines Gitternetzes gemäß einer ersten Ausführung der vorliegenden Erfindung.
- 2 zeigt eine schematische Darstellung eines Gitternetzes gemäß einer weiteren Ausführung der vorliegenden Erfindung.
-
In den nachfolgenden Figurenbeschreibungen sind gleiche Elemente bzw. Funktionen mit gleichen Bezugszeichen versehen.
-
Grundsätzlich sind unter Fahrdaten alle Daten zu verstehen, die den Aufenthaltsort, aber auch eine Bewegungsrichtung oder ein Fahrverhalten eines Fahrzeugs kennzeichnen.
-
Das Grundkonzept der Erfindung ist, dass basierend auf einer großen Anzahl an Daten, welche von Fahrzeugen regelmäßig bereitgestellt werden, ein Muster einer Wahrscheinlichkeitsverteilung 1-6 für einen Aufenthalt des Ego-Fahrzeugs, wie in 1 dargestellt, und/oder ein Fahrverhalten des Ego-Fahrzeugs, wie in 2 dargestellt, erzeugt wird, also eine Prädiktion.
-
Das Muster kann dabei in einer vorteilhaften Ausführung als Gitternetz vorgesehen sein. Vorteilhaft ist es dabei, dass benachbart zueinander angeordnete Mehrecke als Maschenform gewählt werden, da hier definierte Grenzflächen zur nächsten benachbarten Masche vorhanden sind. Je mehr Flächen vorgesehen sind, desto genauer kann eine Einstufung in eine reguläre Fahrtrichtung erfolgen. In einer vorteilhaften Ausführung sind die Maschen als Fünf-, Sechs- oder Achtecke gebildet.
-
Das Muster kann basierend auf kollektiven Fahrdaten, aber auch auf individuellen Fahrdaten und einer Kombination daraus erzeugt werden. Kollektive Fahrdaten sind Fahrdaten, die basierend auf einer Vielzahl an Daten von Fahrzeugen ermittelt werden. Somit kann beispielsweise eine reguläre Fahrtrichtung von Fahrzeugen zu bestimmten Tageszeiten bestimmt werden. In 2 ist dies dadurch angedeutet, dass die in regulärer Fahrtrichtung liegenden, an die Masche 0, in der sich das Ego-Fahrzeug befindet, angrenzenden Maschen mit entsprechenden Wahrscheinlichkeitswerten oder Indizes 1, 2, 4, 5 versehen sind, welche eine Wahrscheinlichkeit angeben, in welche der Maschen das Ego-Fahrzeug gemäß der Wahrscheinlichkeitsverteilung durch die kollektiven Daten regulär einfahren wird, wobei hier die Maschen mit den Indizes 1 und 2 als wahrscheinlich demnächst befahrene Maschen angenommen werden, und die Maschen mit den Indizes 4 und 5 als eher unwahrscheinlich bis sehr unwahrscheinlich demnächst befahrene Maschen angenommen werden. Basierend auf diesen Annahmen kann im Fall, dass sich das Ego-Fahrzeug aus seiner Masche 0 in eine Masche mit Index 4 oder 5 bewegt, ein verdächtiges Verhalten angenommen werden, das z.B. auf einen Diebstahl des Fahrzeugs schließen lässt.
-
Außerdem kann ein regulärer Aufenthaltsort eines Fahrzeugs durch die Auswertung der kollektiven Fahrdaten, sowie weniger wahrscheinliche bis hin zu unwahrscheinlichen Aufenthaltsorten ermittelt werden, was in 1 durch die Indizes 1-6 dargestellt ist, wobei Index 1 einen sehr wahrscheinlichen bzw. regulären Aufenthaltsort und Index 6 einen sehr unwahrscheinlichen Aufenthaltsort kennzeichnet. Die hier genannte Bewertungsskala ist lediglich beispielhaft zu sehen. Es kann auch eine andre Bewertungsskala verwendet werden.
-
Bereiche, die keinen Index aufweisen, sind Bereiche, für welche keine oder nicht ausreichend viele Daten vorliegen, um eine Aussage zur Wahrscheinlichkeit des Aufenthalts anzugeben. Allerdings kann durch entsprechende Anwendung mathematischer Verfahren bzw. Modelle ein Bereich, der zwischen zwei mit einer Wahrscheinlichkeit bewerteten Maschen liegt, z.B. mittels Extrapolation eine Wahrscheinlichkeit angenommen werden, z.B. ein Mittelwert aus den benachbarten Maschen.
-
Durch Verwenden von Verfahren, die deep learning bzw. maschinelles Lernen anwenden, der sogenannten künstlichen Intelligenz, kann das Gitternetz und die Maschen mit zugehöriger Wahrscheinlichkeitsverteilung basierend auf einer großen Menge an Daten erzeugt und permanent aktualisiert und damit verbessert werden.
-
Eine Anwendung für das Verfahren ist es, einen potentiellen Diebstahl zu erkennen. Dabei werden aktuelle Ego-Fahrdaten eines vorgegebenen Ego-Fahrzeugs erfasst und mit dem Muster der aus kollektiven Fahrdaten und, wenn vorhanden, fahrerspezifischen Fahrdaten ermittelten Wahrscheinlichkeitsverteilung 1-6 verglichen. Wenn die Fahrdaten einen Aufenthalt des Ego-Fahrzeugs in einem Bereich des Musters zeigen, der eine Wahrscheinlichkeit oberhalb eines vorgegebenen Schwellwerts aufweist, oder eine Bewegung des Ego-Fahrzeugs in Richtung eines Bereichs des Musters zeigen, der eine Wahrscheinlichkeit oberhalb eines vorgegebenen Schwellwerts aufweist, wird ein Diebstahl angenommen und eine vorgegebene Aktion ausgeführt.
-
Der Schwellwert kann ein Wert sein, der einen vorgegebenen Wert der Indizes bzw. Wahrscheinlichkeitsverteilung 1-6 der Maschen nicht überschreiten darf, wobei in dieser Ausführung der höchste Index eine hohe Wahrscheinlichkeit eines nicht regulären Aufenthaltsorts bzw. einer nicht regulären Fahrtrichtung angibt. Somit ist ein Überschreiten eines Schwellwerts ein Erhöhen der Wahrscheinlichkeit eines Diebstahls bzw. einer nicht regulären Fahrt. Es ist hier ausdrücklich erwähnt, dass die Bewertung und Festlegung von Schwellwerten von der jeweiligen Ausführung und von vom Fachmann vorgegebenen Kriterien abhängt, so dass die hier gewählten Bezeichnungen der Indizes etc. lediglich zur Veranschaulichung dienen, wie eine Bewertung durchgeführt werden kann.
-
Im Falle, dass sich das Ego-Fahrzeug nicht verhält, wie es sich gemäß dem ermittelten Muster und der Wahrscheinlichkeitsverteilung verhalten sollte, kann ein Diebstahl angenommen werden und eine Aktion ausgeführt werden. Eine solche Aktion kann entweder sofort ausgeführt werden oder erst nach einer Rückversicherung des Systems z.B. beim Eigentümer oder Fahrer des Ego-Fahrzeugs, der eine Bestätigung z.B. über sein Smartphone an das System übermitteln kann, dass er der Annahme eines Diebstahls zustimmt oder nicht. Somit können Fehlwarnungen und Fehlaktionen vermieden werden.
-
Ebenso kann basierend auf einem typischen Verhalten des Fahrers des Ego-Fahrzeugs, das z.B. durch fahrzeuginterne Sensorik bekannt ist, bestimmt werden, ob ein Fahrer der erwartete Fahrer ist. Wenn dies nicht der Fall ist, kann auf einen Diebstahl geschlossen werden. Um Fehlwarnungen zu vermeiden können mehrere Parameter in Kombination in die Bewertung einfließen, so dass eine Art Diebstahlsmonitor gebildet wird. Wenn mehrere Parameter auffällig unterschiedlich zu erwarteten Parametern sind, kann ein Diebstahl angenommen werden. Dabei kann eine Gewichtung der Parameter erfolgen. Solche Parameter können sowohl der aktuelle Aufenthaltsort, die Fahrtrichtung, aber auch die Fahrtzeit, Beschleunigungs- und Bremsverhalten, Verwendung des Lichts innen und außen, Sitzkonfiguration, Klimatisierungsverhalten sein. Diese Parameter können für jeden Fahrer individuell bestimmt und mit den aktuell erfassten Parametern bzw. Einstellungen verglichen werden.
-
Aktionen, die bei einem potentiellen Diebstahl ausgeführt werden können, können ein Aussenden einer Mitteilung, dass das Ego-Fahrzeug wahrscheinlich gestohlen wurde, an eine berechtigte Person wie den Eigentümer oder einen Fahrer, ein elektronisches Markieren des Fahrzeugs als gestohlen, z.B. mittels einem entsprechenden Marker, oder auch ein Eingreifen in die Fahrzeugsteuerung, z.B. durch Ausgeben eines Alarms oder einer Mitteilung oder eines Eingriffs in die Aktuatorik, z.B. ein Abbremsen, sein.
-
Grundsätzlich können weitere Parameter zur Bestimmung des Musters der Wahrscheinlichkeitsverteilung in die Auswertung der Daten einfließen, wie bereits erwähnt. So kann beispielsweise eine erhöhte Diebstahl-Wahrscheinlichkeit für Fahrzeuge bestimmter Marken bzw. bestimmte Modelle, oder in bestimmten Bereichen wie Stadtteilen in die Bestimmung einfließen. Auch kann die Tageszeit oder der Wochentag in die Bewertung einfließen.
-
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
-
- DE 112012004781 T5 [0003]
- EP 2229668 B1 [0003]
- US 5895436 A [0003]