-
Die Erfindung betrifft ein Verfahren zur Modellierung eines Verkehrsszenarios für autonome Fahrzeuge sowie eine entsprechende Vorrichtung.
-
Sowohl beim Entwickeln als auch bei der Beschreibung von Funktionalitäten im automatischen Fahren, wie beispielsweise beim Trainieren einer Fahrfunktion, Annotation der Trainingsdaten, Beschreibung von Funktionsumfang und Systemverhalten und konzeptionelle Auswahl von Trainingsjobs für maschinell gelernte Modelle, fehlt ein eindeutiges, logisch konsistentes Vokabular, das eine automatische und maschinenverständliche Behandlung einzelner Module oder ganzer Systeme innerhalb der Funktionalitäten des automatischen Fahrens ermöglicht, wie dem Training, Auflösung von Redundanz, Weiterentwicklung bestehender Ansätze und Überwachung komplexer Systeme aus verschiedenen Modulen.
-
Bisherige Ansätze beim Entwickeln als auch bei der Beschreibung von Funktionalitäten beim automatischen Fahren trennen die einzelnen Funktionalitäten, wie Sensorik, Wahrnehmung, Verständnis, Prädiktion, Planung, Aktorik und Aufgaben, das heißt Training, Überwachung, Weiterentwicklung und Optimierung, in einzelne Teildisziplinen. Eine holistische Herangehensweise an das automatische Fahren in einer Gesamtheit gibt es derzeit nicht in Hinsicht auf formale Beschreibungssysteme.
-
Im Bereich der Robotik werden formale Beschreibungssysteme und deren Anwendung lediglich für das Beschreiben von Aufgaben für den ausführenden Roboter verwendet.
-
Die derzeitige klare Trennung von Aufgaben und Anwendungsbereichen in Teildisziplinen erschwert die Zusammenarbeit über Teilbereichsgrenzen hinweg und erlaubt keine Überwachung eines Gesamtsystems auf uniforme Art und Weise. Eine mangelnde Beschreibungssprache in Hinsicht auf die Szenarien- und Kontextbeschreibung sorgt für nicht kompatible Trainingsdatensätze und hohen manuellen Aufwand beim Design von Trainingsjobs für Machine-Learning-Module.
-
Weiterhin ist eine konzeptionelle Beschreibung eines Moduls innerhalb eines automatischen Fahrsystems in Form von gutartigen und schwer zu bewältigenden Situationen mangels einheitlicher Beschreibungssprache nicht oder nur sehr eingeschränkt möglich. Bisherige Ansätze verlassen sich auf manuelles und damit zeitintensives Auswählen, Analysieren und Modellieren sowie das Erstellen von „lokalen Lösungen“ für einzelne Teilaufgaben beim automatischen Fahren.
-
Insbesondere führt dies auch zu einer nicht nachhaltigen Verwendung von Informationen, die in einem Fahrzeug zur Verfügung stehen. So werden Informationen mehrfach generiert und/oder nicht wiederverwendet.
-
Die Druckschrift
DE 10 2016 009 655 A1 betrifft ein Verfahren zum Betrieb eines Fahrzeugs, wobei das Fahrzeug in einem teilautonomen oder autonomen Fahrbetrieb anhand von Entscheidungen einer künstlichen neuronalen Netzwerkstruktur gesteuert wird. Dabei werden die Entscheidungen von einem statischen ersten neuronalen Netzwerk und einem lernfähigen zweiten neuronalen Netzwerk vorgeschlagen, wobei dann, wenn eine vom ersten neuronalen Netzwerk und eine vom zweiten neuronalen Netzwerk vorgeschlagene Entscheidung übereinstimmen, diese gemeinsame Entscheidung zur Steuerung des Fahrzeugs verwendet wird. Dann, wenn eine vom ersten neuronalen Netzwerk und eine vom zweiten neuronalen Netzwerk vorgeschlagene Entscheidung voneinander abweichen und eine Ausführung der Entscheidung vorgegebene Sicherheits- und/oder Ethikkriterien in höherem Grade als die vom ersten neuronalen Netzwerk vorgeschlagene Entscheidung erfüllt, wird die vom zweiten neuronalen Netzwerk vorgeschlagene Entscheidung zur Steuerung des Fahrzeugs verwendet. In allen anderen Fällen wird die vom ersten neuronalen Netzwerk vorgeschlagene Entscheidung zur Steuerung des Fahrzeugs verwendet.
-
Die Druckschrift
EP 2 881 829 A2 betrifft ein Verfahren zum Steuern eines Fahrzeugs von einer aktuellen Position in die Nähe einer Zielposition. Dabei umfasst das Verfahren das Bestimmen des Befahrungsrisikos einer Mehrzahl von Positionen in einer Umgebung des Fahrzeugs zu einem aktuellen Zeitpunkt und zu mehreren, dem aktuellen Zeitpunkt folgenden Zeitpunkten und das Bestimmen einer Trajektorie für das Fahrzeug, die die aktuelle Position und die Zielposition verbindet oder näherungsweise verbindet, unter Berücksichtigung von errechneten Befahrungsrisiken, etwa basierend auf Kollisionswahrscheinlichkeiten oder Verkehrsregeln, sowie Fahrdynamik- und Komfortparametern. Das Fahrzeug wird dann entlang der modifizierten Trajektorie gesteuert.
-
Der Erfindung liegt die Aufgabe zugrunde, ein Kreuzungsszenario so zu modellieren, dass ein autonomes Fahrzeug die im Kreuzungsbereich auftretenden Fahrprobleme bewältigen kann.
-
Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1 sowie durch eine entsprechende Vorrichtung mit den Merkmalen des Anspruchs 9. Bevorzugte Ausführungsformen der Erfindung sind Gegenstand der Unteransprüche.
-
Bei dem erfindungsgemäßen Verfahren zur Modellierung eines Verkehrsszenarios für Anwendungen in einem autonomen Egofahrzeug, beispielsweise Betrieb des Egofahrzeugs, wird das Verkehrsszenario durch eine Modularisierung in getrennten Ontologien realisiert, so dass durch Inferenzabfragen Aussagen über die Zustände und die Intentionen der anderen Verkehrsteilnehmer für das Egofahrzeug sowie die Vorfahrt des Egofahrzeugs getroffen werden können. Durch die Modularisierung des Verkehrsszenarios in getrennte Ontologien wird eine Flexibilisierung des Verfahrens erreicht, so dass das Verfahren für verschiedene Verkehrsszenarien einsetzbar ist.
-
Vorzugsweise ist die modulare Ontologie in drei Ebenen gegliedert ist, nämlich
- - eine obere Ontologie, die als Schnittstelle zu den unteren Ontologien fungiert,
- - eine mittlere Ebene der Domänen-Ontologien, deren Ontologien verkehrsbezogene Begebenheiten betreffen, und
- - eine untere Ebene einer Anwendungs-Ontologie.
-
Weiter bevorzugt wird die Anwendungs-Ontologie durch eine Ontologie betreffend ein Kreuzungsszenario gebildet. Auf diese Weise wird ein autonomes Fahrzeug in die Lage versetzt, eine komplexe Kreuzungssituation bewältigen zu können.
-
Weiter bevorzugt umfassen die Domänen-Ontologien der mittleren Ebene eine Ontologie betreffend die Verkehrsinfrastruktur, eine Ontologie betreffend die Verkehrsteilnehmer, eine Ontologie betreffend die Verkehrsszenarien und eine Ontologie betreffend die Intentionen der Verkehrsteilnehmer.
-
Weiter bevorzugt betrifft die Ontologie Verkehrsinfrastruktur die Klassen und Beziehungen der Verkehrsinfrastruktur, wobei die Straßen der Verkehrsinfrastruktur in Segmente aufgeteilt werden, die Abbiegemöglichkeiten innerhalb der Verkehrsinfrastruktur über Konnektoren beschrieben werden, die die einzelnen Segmente miteinander verbinden, und wobei die Abbiegemöglichkeiten durch Schilder und Ampeln kontrolliert werden.
-
Weiter bevorzugt betrifft die Ontologie Verkehrsteilnehmer die Klassen und Beziehungen der verschiedenen Verkehrsteilnehmer untereinander, wobei das Egofahrzeug als eigene Klasse geführt wird, wobei eine Modellierung der zeitabhängigen Daten der einzelnen Verkehrsteilnehmer vorgenommen wird.
-
Weiter bevorzugt betrifft die Ontologie Intentionen der Verkehrsteilnehmer die Klassen und Beziehungen der Intentionen der Verkehrsteilnehmer.
-
Weiter bevorzugt können die Verkehrsteilnehmer eine Abbiegeintention nach links, rechts oder geradeaus haben.
-
Die erfindungsgemäße Vorrichtung zur Modellierung eines Verkehrsszenarios für Anwendungen in einem autonomen Egofahrzeug, wobei die Vorrichtung zur Durchführung des im Vorangegangenen erläuterten Verfahrens eingerichtet und ausgelegt ist, umfasst
- - eine im Egofahrzeug angeordneten Umfeldsensorik zur Bestimmung von Daten betreffend die anderen Verkehrsteilnehmer und von Daten betreffend die Verkehrsinfrastruktur,
- - eine Sensorik zum Bestimmen fahrzeugeigener Daten des Egofahrzeugs, und
- - eine Steuereinheit zum Betreiben der modularen Ontologien und zur Inferenz anhand der Daten der Umfeldsensorik und des Egofahrzeugs zum Erzeugen von Fahrtanweisungen für das Egofahrzeug basierend auf den modularen Ontologien.
-
Eine bevorzugte Ausführungsform der Erfindung wird nachfolgendend anhand der Zeichnungen erläutert. Dabei zeigt
- 1 zeigt ein Beispiel eines Kreuzungsszenarios in schematischer Darstellung,
- 2 die Modularisierung Ontologie, welche die Bewältigung des Kreuzungsszenario für ein autonomes Fahrzeug ermöglicht,
- 3 Inferenz der Abbiege-Intention bei eindeutiger Faktenlage,
- 4 Inferenz der Abbiege-Intention bei widersprüchlicher Faktenlage, und
- 5 Inferenz der Vorfahrt.
-
1 zeigt in schematischer Darstellung ein Kreuzungsszenario, welches zur Verdeutlichung der Modellierung eines solchen Szenarios mit einer Ontologie dient, damit ein autonomes Fahrzeug die an einer Kreuzung auftretenden Fahrsituationen im automatischen Fahrmodus bewältigen kann.
-
Das in 1 dargestellte Kreuzungsszenario umfasst vier Fahrbahnen, nämlich eine südliche Fahrbahn FS, eine westliche Fahrbahn FW, eine nördliche Fahrbahn FN und eine östliche Fahrbahn FE, die zusammen die Kreuzung K bilden. Der Verkehr auf dieser Kreuzung K wird von vier Ampeln geregelt und zwar eine südliche Ampel AS für die südliche Fahrbahn FS, eine westliche Ampel AW für die westliche Fahrbahn FW, eine nördliche Ampel AN für die nördliche Fahrbahn FN und eine östliche Ampel AE für die westliche Fahrbahn FE. Ferner sind auf den vier Fahrbahnen FS, FW, FN, FE Markierungen aufgebracht und zwar die Markierungen MS für die südliche Fahrbahn FS, die Markierung MW für die westliche Fahrbahn FW, die Markierungen MN für die nördliche Fahrbahn FN und die Markierung ME für die östliche Fahrbahn FE. Die genannten Markierungen schaffen Fahrspuren auf den Fahrbahnen, nämlich eine Abbiegespur links Süd SLS, eine mittlere Spur Süd SMS sowie eine Abbiegespur rechts Süd SRS für die Fahrbahn Süd FS, eine Spur SW für die Fahrbahn West FW, eine Abbiegespur rechts Nord SRN, eine mittlere Spur Nord SMN sowie eine Abbiegespur links Nord SLN für die Fahrbahn Nord FN, und eine Spur Ost SE für die Fahrbahn Ost FE. In dem Beispiel der 1 sind ferner drei Fahrzeuge im Kreuzungsbereich der Kreuzung K vorhanden, nämlich ein Egofahrzeug Ego auf der mittleren Spur Süd SMS, ein westliches Fahrzeug CW auf der westlichen Spur SW sowie ein nördliches Fahrzeug CN auf der Abbiegespur links Nord SLN. Das Verhalten der Fahrzeuge Ego, CW, CN wird von den Ampeln AS, AW, AN, AE gesteuert, wobei zusätzlich die Intentionen der einzelnen Fahrzeuge Ego, CW, CN eine Rolle spielen.
-
Die aufzustellende Ontologie zur Steuerung eines autonomen Fahrzeugs, hier des Egofahrzeugs Ego, muss also eine Modellierung der Kreuzungssituation K vornehmen, nämlich eine Modellierung von
- - dem Straßennetz mit den Straßen, Spuren und Kreuzung,
- - den Signalen, nämlich Ampeln und Verkehrsschildern, sowie
- - den Verkehrsteilnehmern im Sinne von Fahrzeugen, deren Positionen und Intentionen.
-
Weiter sind noch die zeitlichen Aspekte der Fahrzeuge wesentlich, nämlich deren Positionen und Geschwindigkeiten.
-
Die oben genannte Modellierung der Kreuzungssituation K und zeitlichen Aspekte der Fahrzeuge EGO, CN, CW muss ergänzt werden durch die Modellierung des unsicheren Wissens bezüglich der Abbiegeintentionen der anderen Verkehrsteilnehmer CN, CW, welche das Egofahrzeug Ego nicht mit Sicherheit kennt.
-
Aus der 1 ergeben sich die folgenden Beispiele für Inferenzabfragen:
- - Um zeitabhängige Zustände der anderen Verkehrsteilnehmer, also der Fahrzeuge CW und CN bestimmen zu können, kann anhand der Auswahl relevanter Messpunkte deren Position und Geschwindigkeit bestimmt werden, wobei ältere Daten archiviert und nach Zeitablauf vergessen werden können,
- - die Abbiegeintention der anderen Verkehrsteilnehmer CW, CN ist zu ermitteln aus der Inferenz von Blinker, Fahrspur und Geschwindigkeit, wobei die Abfragen der Abbiegeintention als unsicheres Wissen klassifiziert wird, und
- - die Vorfahrt des eigenen Fahrzeuges EGO ist zu ermitteln, und zwar bei Kreuzungen K anhand der Vorfahrtsschilder und/oder bei Kreuzungen K mit Ampeln anhand der Ampeln und/oder durch die Verwendung der unsicheren Intention der anderen Verkehrsteilnehmer CW, CN.
-
2 zeigt die Modellierung des Kreuzungsszenarios der 1, wobei eine Modularisierung der Modellierung in getrennten Ontologien erfolgt. Dabei gliedert sich die Modularisierung in getrennten Ontologien im vorliegenden Beispiel in drei Ebenen, nämlich eine Ebene obere oder übergeordnete Ontologie UO, eine mittlere Ebene der Domänen-Ontologien DO und die unterste Ebene der Applikations-Ontologie APO oder Anwendungs-Ontologie. In der Ebene der oberen Ontologie UO ist die die sogenannte Automotive-Ontologie ATO angeordnet. In der mittleren Ebene der Domain-Ontologien DO sind die Ontologien Verkehrs-Infrastruktur TI, Verkehrs-Teilnehmer TP, Verkehrs-Szenario CS und Intention der Verkehrsteilnehmer TPI zu finden. Die untere Ebene der Applikation-Ontologie APO beherbergt die Kreuzungsszenarien-Ontologie JSO. Zwischen den verschiedenen Ontologien gibt es direkte und indirekte Einflüsse, so beeinflusst die Automotive-Ontologie ATO direkt die beiden Ontologien Verkehrs-Infrastruktur TI und Verkehrsteilnehmer TP sowie indirekt die Ontologie Verkehrs-Szenario TS und Intention der Verkehrsteilnehmer TPI. Ferner beeinflusst die Ontologie Verkehrsinfrastruktur TI direkt die Ontologie VerkehrsSzenario TS und die Ontologie Verkehrsteilnehmer TP beeinflusst direkt die beiden Ontologien Verkehrs-Szenario TS und Intention der Verkehrsteilnehmer TPI. Die Ontologie Kreuzungsszenario-Ontologie JSO der unteren Ebene Applikation-Ontologie APO wird direkt beeinflusst von den Ontologien Verkehrs-Szenario TS und Intention der Verkehrsteilnehmer TPI. Ferner wird die Kreuzungsszenario-Ontologie JSO indirekt von den oberen Ontologien Automotive-Ontologie ATO, Verkehrs-Infrastruktur TI, und Verkehrsteilnehmer TP beeinflusst.
-
Nachfolgend werden die in 2 gezeigten Ontologien kurz beschrieben.
- - Automotive Ontologie ATO:
- Die oberste Ontologie, die Automotive Ontologie ATO, enthält nur wenige übergeordnete Konzepte und ist so allgemein wie möglich gehalten. Sie kann sozusagen als Schnittstelle für die unteren Ontologien fungieren, wobei alle weiteren Ontologien den Klassenbaum erweitern.
- - Ontologie bezüglich der Verkehrsinfrastruktur TI:
- Die Ontologie Verkehrsinfrastruktur TI beschreibt, wie der Name sagt, die Klassen und Beziehungen der vorhandenen Infrastruktur, also das Straßennetzwerk, die Straßen, Straßensegmente, Fahrspursegmente, Verbindungen zwischen Fahrspuren, statische Verkehrssignale wie Verkehrszeichen und/oder Vorfahrtszeichen, dynamische Verkehrssignale wie Ampeln oder verkehrsregelnde Polizisten.
- Dabei erfolgt eine Aufteilung von Straßen in Segmente. Abbiegemöglichkeiten innerhalb einer Kreuzung werden über Konnektoren beschrieben, welche die jeweiligen Segmente verbinden. Verkehrsschilder und Ampeln kontrollieren dabei die Abbiegemöglichkeiten und finden ebenfalls Eingang in die Ontologie.
- - Ontologie der Verkehrsteilnehmer TP:
- Die Ontologie der Verkehrsteilnehmer TP beschreibt die verschiedenen Klassen der Verkehrsteilnehmer und deren Beziehungen untereinander. So gibt es beispielsweise die Klasse der Fußgänger, die Klasse der Züge und die Klasse der Fahrzeuge, wobei die Fahrzeuge weiterhin unterteilt werden können in die Unterklassen Busse, Lastkraftwagen, Personenkraftwagen und die Unterklasse Egofahrzeug. Dabei wird das Egofahrzeug als separate Klasse geführt, um eine gesonderte Behandlung zu ermöglichen. Ferner sind die Klassen einschließlich der Unterklassen nicht disjunkt, mit anderen Worten ein Individuum kann gleichzeitig ein Egofahrzeug und ein Personenkraftwagen sein.
- Ferner wird in der Ontologie der Verkehrsteilnehmer TP eine Modellierung von zeitabhängigen Daten der Verkehrsteilnehmer vorgenommen. Mit anderen Worten, ein Fahrzeug hat über die Zeit hinweg mehrere Fahrzeugzustände, welche wiederum Messwerte beinhalten. So sind die Messwerte Position und Geschwindigkeit sozusagen Dateneigenschaften von Fahrzeugzustands-Individuen.
- - Ontologie der Verkehrsszenarien TS:
- Die Ontologie Verkehrsszenario TS betrifft die Klassen der möglichen Verkehrsszenarien, wobei Verkehrsszenario ein Fahrszenario bezeichnet, in welchem sich ein Fahrzeug befindet. Die Klassifikation in Szenarien ermöglicht es, an späterer Stelle die relevanten Abfragen und Regeln zu selektieren, um festzustellen in welcher Situation sich ein Fahrzeug befindet. Im durch die 1 gegebenen Beispiel ist die Fahrsituation ein Kreuzungsszenario mit Ampeln.
- Zur Klassifikation einer Szenarioinstanz können einfache Zusammenhänge direkt über Klassenäquivalenzen inferiert werden.
- - Ontologie bezüglich der Intentionen der Verkehrsteilnehmer TPI:
- Die Ontologie Intentionen der Verkehrsteilnehmer TPI betrifft Klassen und Beziehungen welche die Absichten der Verkehrsteilnehmer zum Gegenstand hat. Dabei haben bezüglich der beispielhaften Kreuzungssituation K Fahrzeuge allgemein eine Abbiegeintention nach rechts, links oder geradeaus, wobei aus Einfachheitsgründen die Geradeausfahrt auch unter dem Begriff Abbiegeintention subsumiert werden kann. Eine Inferenz über Klassenäquivalenzen ist zwar möglich, aber nur in einfachen Fällen sinnvoll.
- - Ontologie Kreuzungsszenario JSO:
- Die in der Ebene der Anwendungs-Ontologie APO angeordnete Kreuzungsszenario-Ontologie JSO werden die von den einzelnen Domänen-Ontologien in der aktuellen Verkehrssituation erkannten Zustände, Fahrzeuge, Ampeln, Verkehrszeichen usw. zusammengeführt, sodass eine Anwendung auf das Kreuzungsszenario der 1 möglich ist. So wurde anhand von Messwerten erkannt, dass sich in Kreuzungsszenario weitere Fahrzeuge CW, CN im jeweiligen Ampelbereich der Kreuzung auf entsprechenden Fahrspuren SW, SLN aufhalten, wobei sich das Egofahrzeug EGO auf der mittleren Fahrspur Süd SMS befindet.
-
Im Egofahrzeug EGO erfolgt zu Beginn eine Auswahl zeitbasierter Messdaten. So werden mehrere Messpunkte pro Verkehrsteilnehmer berücksichtigt, wobei die Messdaten in vereinfachter Form zumindest die Position und Geschwindigkeit sowie die Fahrtrichtung der Verkehrsteilnehmer einschließlich der entsprechenden Messzeitpunkte umfassen.
-
Im nächsten Schritt werden aus den zeitbasierten Messdaten die aktuellsten Messdaten für die in 1 dargestellten drei Fahrzeuge, nämlich das Fahrzeug Nord CN, das Fahrzeug West CW und das Egofahrzeug EGO ausgewählt und ältere Messdaten, welche nicht mehr aktuell sind und daher nicht mehr die aktuelle Verkehrssituation in der Kreuzung K beschreiben, werden gelöscht.
-
Die folgenden 3 bis 5 zeigen in exemplarischer Darstellung, welche Arten von Inferenzabfragen an das in 2 dargestellte Modell einer Kreuzungssituation K gestellt werden können, damit ein autonomes Fahrzeug EGO die Kreuzungssituation K bewältigen kann.
-
3 zeigt die Inferenz der Abbiegeintention der einzelnen Fahrzeuge. Das Fahrzeug Nord CN bewegt sich auf der Linksabbiegerspur Nord SLN der Fahrbahn Nord FN und hat den Blinker BLN nach links gesetzt, wie dies in der 3 angedeutet ist. Das Egofahrzeug EWO bewegt sich auf der mittleren Spur SMS der Fahrbahn Süd FS in Richtung Fahrbahn Nord FN und hat keinen Blinker gesetzt. Weiterhin befindet sich das Fahrzeug West CW auf der Spur West SW der Fahrbahn West FW und hat den rechten Blinker BLW gesetzt.
-
In der dargestellten Kreuzungssituation K der 3 sind die Ampel Nord AN sowie die Ampel Süd AS auf Grün geschaltet, was in der 3 durch das geschwärzte untere Ampelelement schematisch dargestellt ist. Ferner sind die Ampeln AW und AE der Fahrbahn West FW bzw. der Fahrbahn Ost FE auf Rot geschaltet, was durch das geschwärzt obere Ampelelement schematisch dargestellt ist.
-
Bezüglich des Fahrzeugs Nord CN bestehen daher prinzipiell drei Fahrmöglichkeiten, nämlich ein Abbiegen nach rechts DW in Richtung der Fahrbahn West FW, dass Geradeausfahren DS in Richtung Fahrbahn Süd FS sowie das Abbiegen nach links DE in Richtung der Fahrbahn Ost FE, wie dies durch die schraffierter Pfeile DW, DS, DE in 3 dargestellt ist.
-
In gewissen Situationen kann aufgrund der beispielhaften Verkehrssituation eine Abbiegeintention mit großer Sicherheit inferiert werden. Eine solche Abbiegeintention wird daher inferiert, wenn
- - ein Blinker BLN gesetzt ist, wie dies beim Fahrzeug Nord CN der Fall ist,
- - die Geschwindigkeit kleiner als 50 km/h ist, und
- - das Fahrzeug, hier das Fahrzeug Nord CN, sich nicht auf einer zum Blinker BLN widersprüchlichen Abbiegespur befindet.
-
Treffen die oben genannten Sachverhalte zu, so kann die Abbiegeintention des Fahrzeugs Nord CN mit hoher Zuversicht inferiert werden. Allerdings können die Abbiegeintentionen mancher Verkehrsteilnehmer aufgrund von unsicherem oder widersprüchlichem Fahrverhalten nicht inferiert werden, beispielsweise wenn ein Widerspruch zwischen Blinker BLN und Abbiegespur vorliegt, wie dies später am Beispiel der 4 gezeigt werden wird.
-
Im Beispiel der 3 ist unter Berücksichtigung des obigen Sachverhalts jedoch die Faktenlage eindeutig. Das Fahrzeug Nord CN befindet sich auf der Linksabbiegerspur SLN, der Blinker BLN ist links gesetzt, sodass das Resultat „Abbiegen links‟ mit großer Sicherheit geschlussfolgert werden kann. Dies ist in 3 dargestellt, indem die Abbiegerichtung Ost DE mit 100 % ausgezeichnet ist, sodass die beiden anderen Richtungen DS, DW den Konfidenzwert wird 0 % erhalten.
-
4 zeigt die Konfidenzwerte der Abbiegeintention bei widersprüchlichen Fahrverhalten, hier am Beispiel des Fahrzeugs Nord CN. Im Beispiel der 4 bewegt sich das Fahrzeug Nord CN auf der linken Abbiegespur SLN der Fahrspur Nord FN, wobei allerdings der Blinker BLN nach rechts gesetzt ist. Die Ampel Nord AN und die Ampel Süd AS sind wie im Beispiel der 3 auf Grün gesetzt, was durch das geschwärzte untere Ampelelement verdeutlicht wird. Die Ampeln AE und AW für die Fahrspuren Ost FE und West FW zeigen rot, was durch das geschwärzt obere Ampelelement symbolisiert wird.
-
Durch den rechts gesetzten Blinker BLN des Fahrzeugs Nord CN ist für das Egofahrzeug EGO die Faktenlage widersprüchlich, da sich das Fahrzeug Nord CN auf der Linksabbiegerspur SLN der Fahrspur Nord FN befindet, allerdings mit rechts gesetzte Blinker BLN. Als Ergebnis der Inferenz ergibt sich das Resultat „rechts“ oder „links“ mit großer Unsicherheit, sodass als Ergebnis mit 50 % ein Abbiegen nach links DE und mit 50 % ein Abbiegen nach rechts DW sich ergibt.
-
In 5 ist die Inferenz der Vorfahrt am Beispiel der Kreuzung K dargestellt. Dabei wird seitens des autonomen Fahrsystems des Egofahrzeugs EGO die Situation bezüglich der Vorfahrt der drei Verkehrsteilnehmer Fahrzeug West CW, Fahrzeug Nord CN und Egofahrzeug EGO ermittelt.
-
Das Egofahrzeug EGO befindet sich auf der mittleren Spur SMS der Fahrbahn Süd FS und hat die Intention Geradeaus in die Fahrspur Nord einzufahren, was durch den Richtungspfeil DEG dargestellt ist. Das Fahrzeug Nord CN befindet sich auf der Linksabbiegerspur Nord und hat den Blinker nach links gesetzt, sodass der entsprechende Richtungspfeil DCN ein Abbiegen nach links in die Fahrspur Ost FE anzeigt. Für das Fahrzeug West CW ist der Blinker BLN nach rechts gesetzt, sodass der Richtungspfeil DCWein Rechtsabbiegen in die Fahrspur Süd FS angibt.
-
Da alle benötigten Daten bekannt sind, aus denen die Vorfahrt der Verkehrsteilnehmer EGO, CN, CW ermittelt werden kann, nämlich die Infrastruktur der Kreuzung K, die Positionen und Intentionen der drei Fahrzeuge EGO, CN, CW, kann inferiert werden, welche Verkehrsteilnehmer EGO, CN, CW in die Kreuzung K einfahren dürfen. So hat aufgrund der grünen Ampelsituation der Ampel Nord AN und der Ampel Süd AS die Geradeausrichtung DEG des Egofahrzeugs EGO Vorfahrt gegenüber der Abbiegeintention DCN des Fahrzeugs Nord CN. Das Fahrzeug West CW hat die Abbiegeintention nach rechts DCW in die Fahrspur Süd FS. Aufgrund der roten Ampel Nord AW hat dieses Fahrzeug CW derzeit kein Fahrtrecht.
-
Das Ergebnis der Abfrage im Ampelszenario ist daher wie folgt:
- • Das Egofahrzeug EGO hat Vorfahrt, da
- - die Ampel grün ist,
- - die Intention des Egofahrzeugs EGO hat einen Konflikt mit der Intention des Fahrzeugs Nord CN,
- - die Geradeaus-Intention DEG des Egofahrzeugs ist jedoch vorrangig.
- • Das Fahrzeug Nord CN hat keine Vorfahrt, da
- - die Ampel grün ist,
- - das Fahrzeug Nord CN einen Konflikt mit dem Egofahrzeug EGO hat, allerdings ist die Linksabbiegeintention nachrangig.
- • Das Fahrzeug West CW hat keine Vorfahrt, da
- - die entsprechende Ampel AW rot ist.
-
Bezugszeichenliste
-
- Ego
- Egofahrzeug
- CW
- Fahrzeug West (Car West)
- CN
- Fahrzeug Nord (Car North)
- K
- Kreuzung
- FS
- Fahrbahn Süd
- FW
- Fahrbahn West
- FN
- Fahrbahn Nord
- FE
- Fahrbahn Ost
- AS
- Ampel Süd
- AW
- Ampel West
- AN
- Ampel Nord
- AE
- Ampel Ost
- MS
- Markierungen Süd
- MW
- Markierung West
- MN
- Markierungen Nord
- ME
- Markierung Ost
- SLS
- Abbiegespur links Süd
- SMS
- Spur Mitte Süd
- SRS
- Abbiegespur rechts Süd
- SW
- Spur West
- SRN
- Abbiegespur links Nord
- SMN
- Spur Mitte Nord
- SLN
- Abbiegespur rechts Nord
- SE
- Spur Ost
- UO
- Übergeordnete Ontologie
- DO
- Domänen-Ontologie
- APO
- Anwendungs-Ontologie
- ATO
- Automotiv-Ontologie
- TI
- Verkehrsinfrastruktur
- TP
- Verkehrsteilnehmer
- TS
- Verkehrsszenario
- TPI
- Intention des/der Verkehrsteilnehmer
- JSO
- Kreuzungsszenario-Ontologie
- BLN
- Blinker Fahrzeug Nord
- BLW
- Blinker Fahrzeug West
- DW
- Richtung West
- DS
- Richtung Süd
- DE
- Richtung Ost
- DEG
- Richtung EGO-Fahrzeug
- DCW
- Richtung Fahrzeug West
- DCN
- Richtung Fahrzeug Nord
-
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 102016009655 A1 [0008]
- EP 2881829 A2 [0009]
