DE102020210962A1

DE102020210962A1 - Computerimplementiertes Verfahren und Rechnersystem zum Erzeugen von Eingangsparametern für eine Simulation

Info

Publication number: DE102020210962A1
Application number: DE102020210962.1A
Authority: DE
Inventors: Martin Bollmann; Tobias Merk; Andreas Linnemann; Wolfgang Scheffer
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2020-08-31
Filing date: 2020-08-31
Publication date: 2022-03-03
Anticipated expiration: 2040-09-01
Also published as: DE102020210962B4

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Erzeugen von Eingangsparametern für eine Simulation verschiedener Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen entlang einer vorgegebenen Fahrzeugabschnittsstrecke für ein Fahrzeug, gekennzeichnet durch die Schritte:- Generieren von Umfeldparametern entlang der vorgegebenen Fahrzeugabschnittsstrecke, wobei die Umfeldparameter wenigstens die Anzahl der Verkehrsteilnehmer entlang der Fahrzeugabschnittsstrecke und die Geschwindigkeit der jeweiligen Verkehrsteilnehmer und den Verkehrsteilnehmertyp aufweisen,- Clustern der zusammengehörigen Umfeldparameter und bestimmen einer Wahrscheinlichkeitsverteilung für diesen jeweiligen Umfeldparameter für jedes Cluster,- Durchführen einer Monte-Carlo-Simulation für jeden geclusterten Umfeldparameter entsprechend der zugrundeliegenden Wahrscheinlichkeitsverteilung des jeweiligen Umfeldparameters zur Erzeugung eines Monte-Carlo-Simulation-Ausgangsparameters als Eingangsparameter für die Simulation der verschiedenen Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen.Ferner betrifft die Erfindung ein Rechnersystem und eine Verwendung.

Description

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Abschätzen von Eingangsparametern für eine Simulation verschiedener Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen entlang einer vorgegebenen Fahrzeugabschnittsstrecke für ein Fahrzeug sowie ein Rechnersystem. Ferner betrifft die Erfindung eine Verwendung.
Vollautonome Fahrzeuge (auch als AD-System bezeichnet) weisen eine Reihe von deutlichen Vorteilen gegenüber Fahrzeugen mit manueller Betriebsweise auf. So kann durch schnelle Reaktionszeit und dem Vermeiden menschlicher Fehler eine Verbesserung der Verkehrssicherheit erzielt werden. Auch lässt sich durch eine optimale Fahrweise der Kraftstoffverbrauch reduzieren. Ebenfalls können ältere Verkehrsteilnehmer durch autonom fahrende Fahrzeuge weiterhin mobil bleiben. Auch kann eine Reduzierung von Unfällen durch die Vernetzung stattfinden.
Die Entwicklungskosten von AD-Systemen sind jedoch enorm. Daher spielen wirtschaftliche Gesichtspunkte wie Kosteneffizienz, Erfolgsdruck und „Time-to-Market-Überlegungen“ eine zunehmend wichtigere Rolle.
Allerdings müssen die legitimen Einflüsse bezüglich der Wirtschaftlichkeit aktiv gemanagt werden, um gleichzeitig eine sichere Entwicklung und letztendlich auch ein sicheres Produkt zu garantieren.
Die Sicherheitsregeln werden beispielsweise durch SOTIF (Safety of the Intended Functionality) festgelegt, welche Richtlinien für autonom fahrende Fahrzeuge gemäß Level 0, 1 und 2 (und höher) enthält.
All diese Faktoren wirken sich im verstärkten Maße auf die Entwicklungsphase des AD-Systems aus. Die Frage nach dem sicheren Betrieb eines sich noch in einer frühen Entwicklungsphase befindlichen AD-Prototypen im Mischverkehrsbetrieb stellt daher eine sehr komplexe Aufgabe dar. Der sichere Betrieb wird unter anderem durch eine Fehlerrate festgelegt.
Um ein autonomes Fahrzeug für den Serieneinsatz tauglich zu machen, kann dieses Fahrzeug in der Simulation getestet werden. Dies führt zu einem hohen Testaufwand hinsichtlich des Zeitaufwandes und der Kosten. Dies stellt jedoch die Weiterentwicklung vor eine Vielzahl von Problemen.
Bei Simulationen handelt es sich normalerweise um Modelle mit Parametern, die entweder unbekannt sind oder nur grob geschätzt werden. Eine der größten Herausforderungen bei einer Simulation besteht darin, zu entscheiden, welche Eingangsparameter für diese Simulation verwendet werden sollen, so dass wichtige Verkehrsszenarien/Verkehrsszenen nicht übersehen werden, wobei die Simulation dennoch nicht so umfangreich sein darf, dass die Simulation nicht innerhalb der durch Rechenressourcen und Zeit vorgegebenen Grenzen abgeschlossen werden kann.
Die EP 3621052 A1 offenbart ein Verfahren zur Analyse des Fahrverhaltens von Kraftfahrzeugen, auch autonomer Fahrzeuge, mit den Schritten: Erfassen zumindest eines Fahrzeugs auf einem vordefinierten Streckenabschnitt, Ermitteln der äußeren Kontur des zumindest einen erfassten Fahrzeugs und Ableiten eines 3D-Modells des erfassten Fahrzeugs aus der äußeren Kontur, Aufzeichnen der Trajektorie des zumindest einen erfassten Fahrzeugs und Bereitstellen von Trajektoriedaten für das Fahrzeug und Erstellen eines Fahrzeugmodells des zumindest einen erfassten Fahrzeugs, zur späteren Simulation des zumindest einen Fahrzeugs in einer Simulationsumgebung, anhand zumindest des 3D-Modells und der Trajektoriedaten.
Die DE 10 2017 107 396 A1 offenbart ein Verfahren zum Test eines umfeldbasierten Assistenzsystems, wobei wenigstens ein virtuelles Testfahrzeug, das in eine Umfeldsimulation eingebettet ist, simuliert wird, wobei die simulierte Bewegung des virtuellen Testfahrzeuges durch eine geplante, vordefinierte Bewegungstrajektorie beschrieben ist, auf welche ein Algorithmus, der die Funktion des zu testenden Assistenzsystems abbildet, Einfluss nimmt, wobei dem Algorithmus Daten aus der Umfeldsimulation bereitgestellt werden, welche das Ausgangsverhalten des Algorithmus und somit dessen Einfluss auf die geplante, vordefinierte Bewegungstrajektorie des virtuellen Testfahrzeuges bestimmen und eine aus dieser Überlagerung entstehende resultierende Bewegungstrajektorie des virtuellen Testfahrzeuges erzeugen, wobei das virtuelle Testfahrzeug und Objekte der Umfeldsimulation in einem Testgelände einer Testperson visualisiert werden, wobei wenigstens die Position der Testperson innerhalb des Testgeländes mit einer Sensorik erfasst wird und aus wenigstens den Positionsdaten der Testperson ein virtuelles Objekt der Testperson gebildet wird, wobei die Positionsdaten des virtuellen Objektes in lagerichtige Relation zur Darstellung des virtuellen Testfahrzeuges synchronisiert werden, so dass die durch die Visualisierung erzeugte Wahrnehmung aus Sicht der Testperson lagerichtig synchronisiert zur Lage des virtuellen Objekts der Testperson in der Simulation erfolgt, so dass Positionsänderungen der Testperson im Testgelände eine entsprechende Änderung der Position des virtuellen Objektes der Testperson in der Simulationsumgebung bewirken, wobei die Position und/oder die Änderung der Position des virtuellen Objektes Eingangsgröße des die zu testende Funktion abbildenden Algorithmus ist und somit durch die Position oder die Änderung der Position des in der Simulationsumgebung erzeugten virtuellen Objektes der Testperson das simulierte Ausgangsverhalten des die zu testende Funktion abbildenden Algorithmus beeinflusst wird, wobei gleichzeitig für die Testperson eine zur Simulation lagerichtige Visualisierung der Umfeldsimulation und wenigstens des virtuellen Testfahrzeuges erfolgt, so dass die aus der Überlagerung der Einflüsse des Assistenzsystems und aus der geplanten vordefinierten Bewegungstrajektorie resultierende Bewegungstrajektorie des virtuellen Testfahrzeuges in der Umfeldsimulation durch die Testperson lagerichtig zur Simulation wahrnehmbar ist.
Die EP 2172918 A1 offenbart ein System zur Verkehrssimulation eines Straßennetzes, umfassend: einen Verkehrssimulator, der konfiguriert ist, um eine Verkehrssimulation durch ein Mikrosimulationsverfahren durchzuführen, um einen Verkehrszustand auf einer Objektstraße des Straßennetzes unter Verwendung von Straßenparametern vorherzusagen, und eine Anzeigesteuerung, die konfiguriert ist, um eine Anzeigeeinheit zu steuern, die ein dynamisches Bild anzeigt, das vom Verkehrssimulator ausgegeben wurde.
Es ist daher eine Aufgabe der Erfindung ein Verfahren und Rechnersystem zum Abschätzen von Eingangsparametern für eine Simulation relevanter Verkehrsszenarien oder Verkehrsszenen anzugeben. Ferner ist eine weitere Aufgabe die Angabe einer Verwendung.
Die Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1, ein Rechnersystem mit den Merkmalen des Anspruchs 11 und eine Verwendung mit den Merkmalen des Anspruchs 10.
Weitere Einzelheiten der Erfindung und Vorzüge verschiedener Ausführungsformen ergeben sich aus den Merkmalen der Unteransprüche.
Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren zum Erzeugen von Eingangsparametern für eine Simulation verschiedener Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen entlang einer vorgegebenen Fahrzeugabschnittsstrecke für ein Fahrzeug umfassend der Schritte:

- Generieren von Umfeldparametern entlang der vorgegebenen Fahrzeugabschnittsstrecke, wobei die Umfeldparameter wenigstens die Anzahl der Verkehrsteilnehmer entlang der Fahrzeugabschnittsstrecke und die Geschwindigkeit der jeweiligen Verkehrsteilnehmer und den Verkehrsteilnehmertyp aufweisen,
- Clustern der zusammengehörigen Umfeldparameter und bestimmen einer Wahrscheinlichkeitsverteilung für diesen jeweiligen Umfeldparameter für jedes Cluster,
- Durchführen einer Monte-Carlo-Simulation für jeden geclusterten Umfeldparameter entsprechend der zugrundeliegenden Wahrscheinlichkeitsverteilung des jeweiligen Umfeldparameters zur Erzeugung eines Monte-Carlo-Simulation-Ausgangsparameters als Eingangsparameter für die Simulation der verschiedenen Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen.

Fahrzeuge können alle Verkehrssteilnehmer sein, wie beispielsweise PKW, Fahrradfahrer oder Rollerfahrer etc. welche ein Hilfsmittel zur schnelleren Fortbewegung benutzen. Fahrzeuge können im weiteren Sinne auch Fußgänger sein.
Unter Verkehrsszenarien kann die Beschreibung aller dynamischen Objekte in der statischen Umgebung verstanden werden. Dynamische Objekte sind beispielsweise Fußgänger, Verkehrsfahrzeuge und die jeweilige Umweltbedingungen, die zu unterschiedlichen Reaktionsbedürfnissen/-möglichkeiten der dynamischen Objekte führen können. Solche Umfeldszenarien hängen von vielen verschiedenen Parametern ab, die in Zeit, Häufigkeit, Geschwindigkeit, Entfernung usw. variieren.
Eine Verkehrsszene beschreibt beispielsweise eine statische Umgebung, die durch eine sich nicht verändernde Struktur gegeben ist. Verkehrsszenen sind beispielsweise Straßeninformationen wie Kreuzungen, Kreisverkehre, Bushaltestellen, Autobahnausfahrten sowie zusätzlich statische Umgebungen wie Gebäude.
Eine Verkehrssituation ist beispielsweise die Beschreibung der Absicht des Fahrzeugs für eine bestimmte Verkehrsszene.
Ein Verkehrsteilnehmertyp gibt den Typen bzw. die Art des Verkehrsteilnehmers an, als beispielsweise ein Fußgänger, ein PKW, ein Fahrradfahrer etc.
Die Monte-Carlo-Simulation in ihrer einfachsten Form ist ein Zufallszahlengenerator, der hier für die Vorausberechnung, Schätzung Verwendung findet. Die Monte-Carlo-Simulation beruht auf Zufallszahlen. Hierbei werden für zufällig gewählte Eingangsdaten über die entsprechenden Zusammenhängedie zugehörigen Ergebnis- oder Zielgrößen ermittelt.
Die Wahl der zufällig gewählten Eingangsdaten bestimmt das Ergebnis der Monte-Carlo-Simulation signifikant. Die Monte-Carlo-Simulation wählt hierzu wiederholt Werte aus einer benutzervordefinierten Wahrscheinlichkeitsverteilung für ungewisse Eingangsdaten aus und verwendet diese für die Simulation; das heißt die Monte-Carlo-Simulation stellt quasi einen Zufallszahlengenerator dar, welcher Ergebnisse entsprechend der zugrundeliegenden Wahrscheinlichkeitsverteilung des jeweiligen Umfeldparameters „auswürfelt“. Jeder von der Monte-Carlo-Simulation ermittelter Ausgangsparameter entspricht einer Vorausberechnung. Es kann ferner ein Konfidenzintervall festgelegt werden, in dem das Auftreten des vorausberechneten Ergebnisses (Ausgangsparameter) liegen soll.
Die Wahrscheinlichkeitsverteilung kann beispielsweise eine Gauß- oder Normalverteilung oder eine Binomialverteilung etc. sein. Die Binomialverteilung ist eine diskrete Wahrscheinlichkeitsverteilung und beschreibt die Anzahl der Ereignisse in einer Serie von gleichartigen und unabhängigen Versuchen, die jeweils genau zwei mögliche Ergebnisse haben. Die Normal- oder Gaußverteilung ist dagegen eine stetige Wahrscheinlichkeitsverteilung und besitzt eine Glockenform.
Die sich nach der Monte-Carlo-Simulation ergebenden Monte-Carlo-Simulation-Ausgangsparameter werden als Eingangsparameter für eine Simulation der verschiedenen Verkehrsszenarien oder Verkehrsszenen oder Verkehrssituation verwendet.
Durch die Bestimmung des Eingangsparameters anhand des Monte-Carlo-Simulation-Ausgangsparameters der Monte-Carlo-Simulation weisen darauffolgende Simulationen eines Verkehrsszenarios und/oder Verkehrsszene und/oder Verkehrssituation ein höheres Aussageniveau auf. Ferner kann eine Vorhersage des Verkehrsszenarios und/oder der Verkehrsszene und/oder der Verkehrssituation gezielter und für einen längeren Zeitraum bestimmt werden. Ferner können durch die Optimierung geeigneter Eingangsparameter im hohen Maße Rechenaufwand und Rechenzeit gespart werden.
Vorzugsweise umfassen die Umfeldparameter ein Verhaltensmodell jedes Verkehrsteilnehmers. In weiterer bevorzugter Ausgestaltung umfasst das Verhaltensmodell eines Verkehrsteilnehmers „Fahrzeug“ Verhaltensparameter, welche zumindest eine Beschleunigung, vorzugsweise die Quer- und Längsbeschleunigung und /oder eine seitliche Korrektheit, das heißt die Seitenlage des Fahrzeugs in Bezug auf den Fahrstreifen und/oder eine Positionierung des Fahrzeugs in Bezug auf die anderen Verkehrsteilnehmer, das heißt beispielsweise, ob das Fahrzeug ein Folgefahrzeug oder beispielsweise ein Führungsfahrzeug ist umfassen. Ferner kann als weiterer Verhaltensparameter noch der Fahrstil, wie beispielsweise aggressiv, sicherheitsbewusst, sportlich, unsicher noch in dem Umfeldparameter umfasst sein. Ferner kann zwischen den einzelnen Verhaltensparametern eine Korrelation umfasst sein, welche ebenfalls als Umgebungsparameter miteinfließen kann.
Durch eine solche Eingrenzung bzw. Fusionierung von Verhaltensparametern mit den ursprünglichen Umfeldparametern kann eine verbesserte Monte-Carlo-Simulation erhalten werden. Dabei bedeutet verbessert, dass beispielsweise das Konfidenzintervall in dem die durch die Monte-Carlo-Simulation generierten Monte-Carlo-Simulation Ausgangsparameter liegen, ein höheres Vertrauen aufweist.
Weiterhin vorzugsweise umfasst das Verhaltensmodell eines Verkehrsteilnehmers „Fußgänger“ zumindest eine Bewegungsdynamik und /oder ein Verhalten in der Menschenmenge in Abhängigkeit von der Dichte der Fußgänger bezüglich einer Fläche und/oder der Geschwindigkeit der Fußgänger und/oder dem Bewegungsfluss der Fußgänger. Durch eine solche Eingrenzung bzw. Fusionierung kann eine verbesserte Monte-Carlo-Simulation erhalten werden. Dabei bedeutet verbessert, dass beispielsweise das Konfidenzintervall in dem die durch die Monte-Carlo-Simulation generierten Monte-Carlo-Simulation Ausgangsparameter liegen, ein höheres Vertrauen aufweist.
Vorzugsweise sind die Umfeldparameter als Floating-Car-Daten und/ oder Querschnittsdaten und/oder Trajektoriedaten ausgebildet.
Floating-Car-Daten sind Daten, welche mit einem Messfahrzeug aufgenommen worden sind. Vorzugsweise wird neben dem Verkehr auf der eigenen Fahrbahn auch der Verkehr auf der Gegenfahrbahn beobachtet. Daraus lassen sich Kenngrößen des Verkehrsprozesses bestimmen.
Unter Querschnittsdaten können lokal aufgenommene Daten, beispielsweise an einer Kreuzung verstanden werden.
Unter Trajektoriedaten werden Daten verstanden, die aus mit kamerabasierten Systemen wie Drohnen aufgenommenen Daten extrahiert werden. Dadurch können schnell Daten erzeugt werden. Diese Trajektoriedaten, Querschnittsdaten, Floating-Car-Daten können beispielsweise fusioniert werden, um genaue / validierte Umfeldparameter zu erzeugen.
In weiterer bevorzugter Ausgestaltung umfassen die Umfeldparameter Umgebungsparameter wie beispielsweise Temperatur, Sicht und Niederschlag etc. Eine solche Fusionierung der Umgebungsparameter mit den ursprünglichen Umfeldparametern kann zur Verbesserung der Eingangsdaten für die Monte-Carlo-Simulation führen und dadurch zu verbesserten Monte-Carlo-Simulation-Ausgangsparametern.
Vorzugsweise umfassen die Umfeldparameter Verkehrszählungsdaten, welche durch eine Verkehrszählung erfasst sind. Hierbei werden vor allen an Straßenquerschnitten, in einem beispielsweise Stadtgebiet Verkehrsdaten manuell oder durch Verkehrszählgeräte erfasst. Eine solche Fusionierung der Verkehrszählungsdaten mit den ursprünglichen Umfeldparametern kann zur Verbesserung der Eingangsdaten für die Monte-Carlo-Simulation führen und dadurch zu verbesserten Monte-Carlo-Simulation-Ausgangsparametern.
Vorzugsweise weisen die Umfeldparameter einen Zeitstempel und/oder Datumsstempel auf. Hierdurch können ebenfalls die Eingangsdaten für die Monte-Carlo-Simulation verbessert werden, was wiederum zu verbesserten Monte-Carlo-Simulation-Ausgangsparametern führt und zu einer verbesserten Simulation der verschiedenen Verkehrsszenarien oder Verkehrsszenen oder Verkehrssituationen.
Vorzugsweise wird eine Wahrscheinlichkeitsverteilung für jeden Umfeldparameter gewählt, welcher diesen charakterisiert indem die Bedingungen dieser Wahrscheinlichkeitsverteilung mit denen des Umfeldparameters übereinstimmen.
Dabei kann zunächst zwischen einer kontinuierlichen Verteilung und einer diskreten Verteilung unterschieden werden. Bei einer kontinuierlichen Wahrscheinlichkeitsverteilung wird angenommen, dass alle Werte in dem Bereich möglich sind. Eine diskrete Wahrscheinlichkeitsverteilung beschreibt unterschiedliche, finite und in der Regel ganzzahlige Werte. Diese Verteilungen sehen wie unterschiedlich hohe Balken aus, die nebeneinander angeordnet sind.
Bekannte Wahrscheinlichkeitsverteilungen sind beispielsweise eine Normalverteilung oder eine Dreiecksverteilung oder eine diskrete Binomialverteilung oder eine Poissonverteilung. Für gewöhnlich werden dann Werte aus dem Wahrscheinlichkeitsintervall, welches durch die Wahrscheinlichkeitsverteilung festgelegt ist, von der Monte-Carlo-Simulation als Eingangsdaten für die Monte-Carlo-Simulation, herangezogen.
Ferner wird die Aufgabe gelöst durch eine Verwendung des aus dem wie oben beschriebenen Verfahren zumindest einem generierten Eingangsparameter zur Durchführung einer Nanosimulation zur Modellierung eines Fahrzeugverhaltens und/oder zur Durchführung einer Mikrosimulation zur Modellierung von Verkehrsströmen basierend auf der Beschreibung der Bewegung jedes einzelnen Verkehrsteilnehmers aus dem der Verkehrsstrom zusammengesetzt ist und/oder zur Durchführung einer Makrosimulation zur Modellierung des Verkehrsflusses und/oder einer entsprechenden Kombination aus einer der Simulationen.
Unter einer Makrosimulation wird hier die Modellierung des Verkehrsflusses verstanden. Der Verkehrsfluss wird mit Hilfe der Verkehrsflusstheorie modelliert, die das Verhalten von Verkehrsaufkommen, Verkehrsgeschwindigkeit und Verkehrsdichte über Zeit und Raum beschreibt. Unter Verkehrsfluss versteht man den Fluss oder Flex, d. h. die Anzahl der Verkehrselemente (z. B. Fahrzeuge), die eine bestimmte Verkehrsfläche oder -linie (als Grenzfall der Fläche) pro Zeiteinheit durchqueren. Makrosimulationen können zur Generierung/Bestimmung der Anzahl der Fahrzeuge zu einer bestimmten Zeit an einem bestimmten Ort verwendet werden, um sie beispielsweise als Input für die Mikrosimulation zu verwenden.
Unter einer Mikrosimulation kann die Modellierung von Verkehrsströmen basierend auf der Beschreibung der Bewegung jedes einzelnen Fahrzeugs, aus dem der Verkehrsstrom zusammengesetzt ist, verstanden werden. Dies impliziert die Modellierung der Aktionen, wie beispielsweise Beschleunigung, Verlangsamung und Spurwechsel, jedes Fahrers als Reaktion auf den Umgebungsverkehr mit der Angabe von Parameterbereichen.
In Bezug auf die Makrosimulation, welche einem hydrodynamischen Modell ähnelt, ähnelt die Mikrosimulation einem Mehrkörpermodell, bei dem jeder eine Wirkung auf seine Nachbarkörper hat. Die Mikrosimulation erhält vorzugsweise die Makrosimulation als Eingangsdaten.
Die Mikrosimulation kann auch submikroskopische Simulationen umfassen, bei den nicht nur das einzelne Fahrzeug simuliert, sondern in diesem noch die Beziehungen zwischen Fahrer und Fahrzeug, zwischen Fahrer und Fahrerassistenzsystemen oder zwischen Fahrzeug- und anderen Agenten simuliert wird.
Unter Nanosimulation ist die Simulation des Fahrzeugverhaltens selbst zu verstehen. Während die Mikrosimulation den Weg des Körpers beschreibt, beschreibt die Nanosimulation das Verhalten des Körpers auf diesem Weg und die Möglichkeiten, auf die Umgebung zu reagieren und mit ihr zu interagieren.
Eine Kombination einer makroskopischen mit mikroskopischen Simulation ist beispielsweise eine mesoskopische Simulation bei dem die Fahrzeuge nun als einzelne Elemente modelliert sind.
Durch die Optimierung von Eingangsparametern kann der Rechen- und Auswerteaufwand dieser Simulation wesentlich verringert werden, was Zeit als auch Kosten spart und das Ausgangsniveau zudem erhöht.
Ferner wird die Aufgabe gelöst durch ein Rechnersystem zum Abschätzen von Eingangsparametern für eine Simulation verschiedener Verkehrsszenarios und/oder Verkehrsszenen und/oder Verkehrssituationen entlang einer vorgegebenen Fahrzeugabschnittsstrecke für ein Fahrzeug umfassend einem Speicher, welcher Umfeldparameter entlang der vorgegebenen Fahrzeugabschnittsstrecke aufweist, wobei die Umfeldparameter wenigstens die Anzahl der Verkehrsteilnehmer entlang der Fahrzeugabschnittsstrecke und die Geschwindigkeit der jeweiligen Verkehrsteilnehmer und den Verkehrsteilnehmertyp bereitstellt und einen Prozessor umfasst, welcher ausgebildet ist, zum Clustern der zusammengehörigen Umfeldparameter und bestimmen einer Wahrscheinlichkeitsverteilung für diesen jeweiligen Umfeldparameter für jedes Cluster und zum Durchführen einer Monte-Carlo-Simulation für jeden geclusterten Umfeldparameter entsprechend der zugrundeliegenden Wahrscheinlichkeitsverteilung des jeweiligen Umfeldparameters zur Erzeugung eines Monte-Carlo-Simulation-Ausgangsparameters als Eingangsparameter für die Simulation der verschiedenen Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen.
Die Vorteile des Verfahrens können auch auf das Rechnersystem übertragen werden. Insbesondere eignet sich das Rechnersystem zur Durchführen des Verfahrens.
Weitere Merkmale, Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Variationen hiervon können vom Fachmann abgeleitet werden, ohne den Schutzumfang der Erfindung, wie er durch die nachfolgenden Patentansprüche definiert wird, zu verlassen.
Die Figuren zeigen schematisch:

1: das erfindungsgemäße Verfahren im Überblick,
2: Umfeldparameter für Fahrradfahrer als Beispiel,
3: die verschiedenen Fahrzeugabschnittsstrecken der Fahrradfahrer,
4: die Wahrscheinlichkeitsverteilung für die in 2 ermittelten Umfeldparameter,
5: eine Auswahl von Werten für die Monte-Carlo-Simulation anhand der Wahrscheinlichkeitsverteilung in 4,
6: die sich aus der Monte-Carlo-Simulation ergebenden Monte-Carlo-Simulation-Ausgangsparameter im Vergleich zu den sich tatsächlich ergebenden Werten in einem Balkendiagramm,
7: eine Makrosimulation, Mikrosimulation und Nanosimulation schematisch,
8: die Zusammenhänge zwischen Makrosimulation, Mikrosimulation und Nanosimulation im Detail,
9: eine Verkehrsszene, Verkehrssituation, Verkehrsszenario schematisch,
10: das Verfahren bildlich als Blockdiagramm.

1 zeigt das Verfahren schematisch. Dabei werden in einem ersten Schritt S1 die Umfeldparameter entlang der vorgegebenen Fahrzeugabschnittsstrecke oder einem Verkehrspunkt, beispielsweise einer Kreuzung generiert.
Die Umfeldparameter weisen die Anzahl der Verkehrsteilnehmer entlang der Fahrzeugabschnittsstrecke und die Geschwindigkeit der jeweiligen Verkehrsteilnehmer und den Verkehrsteilnehmertyp auf. Der Verkehrsteilnehmertyp kann dabei nicht abschließend in Fahrzeug wie PKW, LKW und Motorrad sowie Fahrrad als auch Fußgänger unterteilt werden.
Ferner kann noch die Fahrtrichtung umfasst sein.
Zudem können diese Umfeldparameter zur weiteren Verfeinerung mit anderen Parametern fusioniert werden.
Diese können beispielsweise Wetterparameter sein, wie Nässe, Regen, Schnee, Temperatur (sehr große Hitze, Frost etc.). Weitere Verfeinerungen können beispielsweise Datum und Tageszeit sein. So ist beispielsweise an einer vielbefahrenen Kreuzung zu Stoßzeiten wie Berufsverkehr eine höhere Anzahl von Verkehrsteilnehmer vorhanden, als beispielsweise abends oder am Wochenende. Die Umfeldparameter können dauerhaft von einigen Tagen bis beispielsweise zu einem ganzen Jahr oder mehreren Jahren erfasst werden.
Ferner umfassen die Umfeldparameter bevorzugt ein Verhaltensmodell mit Verhaltensparametern jeden Verkehrsteilnehmers. Dabei umfassen die Verhaltensparameter eines Fahrzeugs zumindest die Beschleunigung, insbesondere die Quer- und Längsbeschleunigung und die seitliche Korrektheit, das heißt, die Lage /Position des Fahrzeugs in Bezug auf die Fahrbegrenzungen und Positionierung des Fahrzeugs (Mittelfahrzeug, Vorderfahrzeug etc.) in Bezug auf die anderen Verkehrsteilnehmer. Der Fahrstil kann ebenfalls umfasst sein. Dieser kann beispielsweise aggressiv, sportlich, unsicher, sicher etc. sein. Dabei können die einzelnen Verhaltensmodellparameter wie Längsbeschleunigung, Geschwindigkeit und unsicherer Fahrstil auch eine Korrelation zueinander aufweisen. So fahren beispielsweise ältere Verkehrsteilnehmer unsicherer und mit weniger Beschleunigung als beispielsweise jüngere, die einen dynamischeren Fahrstil mit höherer Beschleunigung und Geschwindigkeit aufweisen können.
Das Verhaltensmodell eines Fußgängers umfasst zumindest die Bewegungsdynamik, und das Verhalten in der Menschenmenge (Gruppendynamik) in Abhängigkeit von der Dichte der Fußgänger bezüglich einer Fläche und/oder der Geschwindigkeit der Fußgänger und/oder dem Bewegungsfluss der Fußgänger.
Solche Umfeldparameter können durch verschiedene Weisen erfasst werden. Vorzugsweise sind die Umfeldparameter als Floating-Car-Daten und/ oder Querschnittsdaten und/oder Trajektoriedaten ausgebildet.
Floating-Car-Daten werden dabei mit einem Messfahrzeug aufgenommen. Das Messfahrzeug ist hierzu mit entsprechenden Sensorsystemen ausgestaltet und fließt praktisch im Verkehr mit. Vorzugsweise wird neben dem Verkehr auf der eigenen Fahrbahn auch der Verkehr auf der Gegenfahrbahn beobachtet. Daraus lassen sich Kenngrößen wie Anzahl/Art der Verkehrsteilnehmer und Geschwindigkeit/ Richtung etc. des Verkehrsprozesses bestimmen. Mithilfe geeigneter Algorithmen können zudem Fahrstil, Beschleunigung etc. bestimmt werden.
Unter Querschnittsdaten können lokal aufgenommene Daten, beispielsweise an einer Kreuzung, verstanden werden. Dazu können geeignete Vorrichtungen beispielsweise Radarsysteme, Induktionsschleifen, Bildsensoren an den zu messenden Verkehrspunkten angebracht werden und die Anzahl/Art mithilfe geeigneter Algorithmen bestimmt werden.
Unter Trajektoriedaten werden Daten verstanden, die aus mit kamerabasierten Systemen wie Drohnen aufgenommenen Daten extrahiert werden. Dadurch können schnell Daten erzeugt werden.
Ferner können Daten aus Verkehrszählungen herangezogen werden. Diese werden ebenfalls mithilfe geeigneter Technik aufgenommen oder manuell durch Zählung ermittelt.
Diese Daten werden fusioniert um genaue / validierte Umfeldparameter zu erzeugen. 2 zeigt solche Umfeldparameter für Fahrradfahrer umfassend der Umfeldparameter Fahrradlänge, Geschwindigkeit und Datum (Zeit) an zwei verschiedenen Fahrzeugabschnittsstrecken „Location 1 und 4“, welche in 3 genauer gezeigt sind.
In einem zweiten Schritt S3 werden die fusionierten zusammengehörigen Umfeldparameter der jeweiligen Verkehrsteilnehmer geclustert.
In einem dritten Schritt S4 wird eine Wahrscheinlichkeitsverteilung für diesen jeweiligen Umfeldparameter für jedes Cluster bestimmt.
4 zeigt eine solche Verteilung für die Fahrzeugabschnittsstrecke, „Location 1‟ in einer ersten Richtung an einem Wochentag um 10 Uhr. Dabei geben die Balken die gemessenen Daten an und die Linie die Wahrscheinlichkeitsverteilung; die als Verteilungsdichte dargestellt ist.
Die Wahrscheinlichkeit ist hier normalverteilt. Die Wahrscheinlichkeitsverteilung wird entsprechend des Umfeldparameters gewählt. Eine häufige Wahrscheinlichkeitsverteilung ist hier die erwähnte Normalverteilung, auch Gauß-Verteilung genannt. Ihre Wahrscheinlichkeitsdichtefunktion wird Gauß-Kurve, Gaußsche Glockenkurve, bzw. Glockenkurve genannt.
Die Normalverteilung beruht unter anderem auf dem zentralen Grenzwertsatz, dem zufolge Verteilungen, die durch additive Überlagerung einer großen Zahl von unabhängigen Einflüssen entstehen, unter schwachen Voraussetzungen annähernd normalverteilt sind. Eine solche Normalverteilung kann zur Beschreibung zufälliger Vorgänge wie der zufälligen Streuung von Messwerten hergezogen werden. Andere Verteilungen sind beispielsweise die Betaverteilung oder die Chi-Quadrat-Verteilung oder die Dreiecksverteilung. Die gewählte Wahrscheinlichkeitsverteilung wird in Abhängigkeit von dem Umfeldparameter und dessen Charakter gewählt, das heißt die Bedingungen dieser Wahrscheinlichkeitsverteilung stimmen mit denen des Umfeldparameters überein.
In einem fünften Schritt S5 wird eine Monte-Carlo-Simulation für jeden geclusterten Umfeldparameter entsprechend der zugrundeliegenden Wahrscheinlichkeitsverteilung des jeweiligen Umfeldparameters zur Erzeugung eines Monte-Carlo-Simulation-Ausgangsparameters durchgeführt.
Die Monte-Carlo-Simulation ist in ihrer einfachsten Form ein Zufallszahlengenerator, der für die Vorausberechnung, Schätzung and Risikoanalyse Verwendung findet. Die Monte-Carlo-Simulation beruhen auf Zufallszahlen. Mit der Monte-Carlo- Simulation ist es möglich, für zufällig gewählte Eingangsdaten über die entsprechenden Zusammenhänge die zugehörigen Ergebnis- oder Zielgrößen zu ermitteln.
Die Wahl der zufällig gewählten Eingangsdaten bestimmt das Ergebnis der Monte-Carlo-Simulation signifikant. Die Monte-Carlo-Simulation wählt hier wiederholt Werte aus der benutzervordefinierten Wahrscheinlichkeitsverteilung für ungewisse Eingangsdaten aus und verwendet diese für die Simulation; das heißt die Monte-Carlo-Simulation stellt somit den Zufallszahlengenerator dar, welcher Ergebnisse entsprechend der zugrundeliegenden Wahrscheinlichkeitsverteilung des jeweiligen Umfeldparameters „auswürfelt“. Jeder von der Monte-Carlo-Simulation ermittelten Ausgangsparameter weist eine Vorausberechnung auf. Es kann ferner ein Konfidenzintervall festgelegt werden, in dem das Auftreten des vorausberechneten Ausgangsparameters liegen soll.
5 zeigt eine solche Auswahl von Werten für die Monte-Carlo-Simulation für die Wahrscheinlichkeitsverteilung in 4. Hierbei werden Umfeldparameter aus den Bereichen 1 als Eingangsdaten für die Monte-Carlo-Simulation herangezogen, da diese eine hohe Häufung haben, während die anderen Werte aus dem Bereich 2 verworfen werden.
6 zeigt die sich aus der Monte-Carlo-Simulation ergebenden Monte-Carlo-Simulation-Ausgangsparameter im Vergleich zu den sich tatsächlich ergebenden Werten in einem Balkendiagramm und die Monte-Carlo-Simulation-Ausgangsparameter separat nochmal als Tabelle.
In einem sechsten Schritt S6 werden die sich nach der Monte-Carlo-Simulation ergebenden Monte-Carlo-Simulation-Ausgangsparameter als Eingangsparameter für eine Nanosimulation / Mikrosimulation oder Makrosimulation einer Verkehrsszene, eines Verkehrsszenarios oder einer Verkehrssituation verwendet.
7 zeigt eine Makrosimulation, eine Mikrosimulation und eine Nanosimulation schematisch. Die Makrosimulation beschreibt die Modellierung des Verkehrsflusses. Der Verkehrsfluss wird mit Hilfe der Verkehrsflusstheorie modelliert, die das Verhalten von Verkehrsaufkommen, Verkehrsgeschwindigkeit und Verkehrsdichte über Zeit und Raum beschreibt.
Makroskopische Modelle können zur Generierung/Bestimmung der Anzahl der Fahrzeuge zu einer bestimmten Zeit an einem bestimmten Ort verwendet werden, um diese als Input für das mikroskopische Modell zu verwenden. Unter Verkehrsfluss kann der Fluss oder Flux, d. h. die Anzahl der Verkehrselemente (z. B. Fahrzeuge), die eine bestimmte Verkehrsfläche oder Verkehrslinie pro Zeiteinheit durchqueren, verstanden werden.
Hierzu wird eine Kontinuumstheorie, welche den Verkehrsfluss auf Straßen in Analogie zur Hydrodynamik beschreibt, herangezogen. Die Modellvorstellung basiert auf der Annahme eines stationären Verkehrsflusses, bei dem Änderungen zwischen verschiedenen, in sich stationären, Verkehrszuständen abrupt auftreten.
Bei der Mikrosimulation wird die Bewegung jedes einzelnen Fahrzeugs entlang eines Verkehrsweges analysiert und z.B. als Trajektorie in einem Weg-Zeit-Diagramm dargestellt.
Unter der Mikrosimulation kann die Modellierung von Verkehrsströmen basierend auf der Beschreibung der Bewegung jedes einzelnen Fahrzeugs, aus dem der Verkehrsstrom zusammengesetzt ist, verstanden werden. Dies impliziert die Modellierung der Aktionen wie beispielsweise Beschleunigung, Verlangsamung und Spurwechsel jedes Fahrers als Reaktion auf den Umgebungsverkehr mit der Angabe von Parameterbereichen.
In Bezug auf die Makrosimulation, welches einem hydrodynamischen Modell ähnelt, ähnelt die Mikrosimulation einem Mehrkörpermodell, bei dem jeder eine Wirkung auf seine Nachbarkörper hat. Die Mikrosimulation erhält die Makrosimulation als Eingang. Das Ergebnis der Mikrosimulation sind somit entweder Zeitlinien oder vollständige Trajektorien aller relevanten Fahrzeuge oder die Aufzeichnung der relevanten Umfeldszenarien.
Unter Nanosimulation ist die Simulation des Fahrzeugverhaltens selbst zu verstehen. Während die Mikrosimulation den Weg des Körpers beschreibt, beschreibt die Nanosimulation das Verhalten des Körpers auf diesem Weg und die Möglichkeiten, auf die Umgebung zu reagieren und mit ihr zu interagieren. In nanoskopischen Modellen wird eine detaillierte Modellierung sowohl des Fahrzeugverhaltens als auch des Fahrerverhaltens vorgenommen.
8 zeigt die Zusammenhänge detaillierter. So beziehen sich die Makrosimulation und die Mikrosimulation auf das Umfeld des Fahrzeugs und die Nanosimulation zudem auf dem Fahrer bzw. dessen Verhalten.
9 zeigt eine Verkehrsszene, Verkehrssituation, Verkehrsszenario schematisch. Eine Verkehrsszene beschreibt eine statische Umgebung, die durch eine sich nicht verändernde Struktur gegeben ist. Verkehrsszenen sind Straßeninformationen wie Kreuzungen, Kreisverkehre, Bushaltestellen, Autobahnausfahrten sowie zusätzlich die statischen Umgebungen wie Gebäude.
Eine Verkehrssituation ist die Beschreibung der Absicht des Fahrzeugs für eine bestimmte Verkehrsszene.
Unter Verkehrsszenario ist die Beschreibung aller dynamischen Objekte in der statischen Umgebung zu verstehen. Dynamische Objekte sind beispielsweise Fußgänger, Verkehrsfahrzeuge und die jeweiligen Umweltbedingungen, die zu unterschiedlichen Reaktionsbedürfnissen/-möglichkeiten der dynamischen Objekte führen können. Solche Umfeldszenarien hängen von vielen verschiedenen Parametern ab, die in Zeit, Häufigkeit, Geschwindigkeit, Entfernung usw. variieren.
10 zeigt das Verfahren bildlich als Blockdiagramm. Durch die Bestimmung eines Eingangsparameters anhand des Monte-Carlo-Simulation-Ausgangsparameters der Monte-Carlo-Simulation weisen darauffolgende Simulationen des Verkehrsszenarios und/oder der Verkehrsszene und/oder der Verkehrssituation ein höheres Aussageniveau auf. Ferner kann eine Vorhersage des Verkehrsszenarios und/oder der Verkehrsszene und/oder der Verkehrssituation gezielter und für einen längeren Zeitraum bestimmt werden. Ferner können durch die Optimierung geeigneter Eingangsparameter im hohen Maße Rechenaufwand und Rechenzeit gespart werden.
Bezugszeichenliste

S1, ..., S6: Verfahrensschritte
1,2: Bereiche

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

EP 3621052 A1 [0009]
DE 102017107396 A1 [0010]
EP 2172918 A1 [0011]

Claims

Computerimplementiertes Verfahren zum Erzeugen von Eingangsparametern für eine Simulation verschiedener Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen entlang einer vorgegebenen Fahrzeugabschnittsstrecke für ein Fahrzeug, gekennzeichnet durch die Schritte: - Generieren von Umfeldparametern entlang der vorgegebenen Fahrzeugabschnittsstrecke, wobei die Umfeldparameter wenigstens die Anzahl der Verkehrsteilnehmer entlang der Fahrzeugabschnittsstrecke und die Geschwindigkeit der jeweiligen Verkehrsteilnehmer und den Verkehrsteilnehmertyp aufweisen, - Clustern der zusammengehörigen Umfeldparameter und bestimmen einer Wahrscheinlichkeitsverteilung für diesen jeweiligen Umfeldparameter für jedes Cluster, - Durchführen einer Monte-Carlo-Simulation für jeden geclusterten Umfeldparameter entsprechend der zugrundeliegenden Wahrscheinlichkeitsverteilung des jeweiligen Umfeldparameters zur Erzeugung eines Monte-Carlo-Simulation-Ausgangsparameters als Eingangsparameter für die Simulation der verschiedenen Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen.
Computerimplementiertes Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Umfeldparameter ein Verhaltensmodell jedes Verkehrsteilnehmers umfassen.
Computerimplementiertes Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das Verhaltensmodell eines Verkehrsteilnehmers „Fahrzeug“ Verhaltensparameter umfasst, wobei die Verhaltensparameter zumindest eine Beschleunigung und /oder eine seitliche Korrektheit und/oder eine Positionierung des Fahrzeugs in Bezug auf die anderen Verkehrsteilnehmer umfassen.
Computerimplementiertes Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass das Verhaltensmodell eines Verkehrsteilnehmers „Fußgänger“ zumindest eine Bewegungsdynamik und /oder ein Verhalten in der Menschenmenge in Abhängigkeit von der Dichte der Fußgänger bezüglich einer Fläche und/oder der Geschwindigkeit der Fußgänger und/oder dem Bewegungsfluss der Fußgänger umfasst.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Umfeldparameter als Floating-Car-Daten und/oder Querschnittsdaten und/oder Trajektoriedaten ausgebildet sind.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Umfeldparameter Umgebungsparameter umfassen.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Umfeldparameter Verkehrszählungsdaten, welche durch eine Verkehrszählung erfasst sind, umfassen.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Umfeldparameter einen Zeitstempel und/oder Datumsstempel aufweisen.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Wahrscheinlichkeitsverteilung für jeden Umfeldparameter gewählt wird, welcher diesen charakterisiert indem die Bedingungen dieser Wahrscheinlichkeitsverteilung mit denen des Umfeldparameters übereinstimmen.
Verwendung des durch das Verfahren nach einem der vorhergehenden Ansprüche zumindest einem generierten Eingangsparameter zur Durchführung einer Nanosimulation zur Modellierung eines Fahrzeugverhaltens und/oder zur Durchführung einer Mikrosimulation zur Modellierung von Verkehrsströmen basierend auf der Beschreibung der Bewegung jedes einzelnen Verkehrsteilnehmers aus dem der Verkehrsstrom zusammengesetzt ist und/oder zur Durchführung einer Makrosimulation zur Modellierung des Verkehrsflusses und/oder einer entsprechenden Kombination aus einer der Simulationen.
Rechnersystem zum Abschätzen von Eingangsparametern für eine Simulation verschiedener Verkehrsszenarios und/oder Verkehrsszenen und/oder Verkehrssituationen entlang einer vorgegebenen Fahrzeugabschnittsstrecke für ein Fahrzeug umfassend einem Speicher, welcher Umfeldparameter entlang der vorgegebenen Fahrzeugabschnittsstrecke aufweist, wobei die Umfeldparameter wenigstens die Anzahl der Verkehrsteilnehmer entlang der Fahrzeugabschnittsstrecke und die Geschwindigkeit der jeweiligen Verkehrsteilnehmer und den Verkehrsteilnehmertyp bereitstellt und einen Prozessor umfasst, welcher ausgebildet ist, zum Clustern der zusammengehörigen Umfeldparameter und bestimmen einer Wahrscheinlichkeitsverteilung für diesen jeweiligen Umfeldparameter für jedes Cluster und zum Durchführen einer Monte-Carlo-Simulation für jeden geclusterten Umfeldparameter entsprechend der zugrundeliegenden Wahrscheinlichkeitsverteilung des jeweiligen Umfeldparameters zur Erzeugung eines Monte-Carlo-Simulation-Ausgangsparameters als Eingangsparameter für die Simulation der verschiedenen Verkehrsszenarien und/oder Verkehrsszenen und/oder Verkehrssituationen.