DE102021000652A1 - Verfahren zur Prädikation verkehrsführungsrelevanter Parameter - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Prädiktion verkehrsführungsrelevanter Parameter, bei dem fortlaufend ein Belegungszustand eines vorgegebenen fahrzeugfesten Belegungsgitters (B, BB) erfasst wird, wobei mittels fahrzeugeigener Sensoren Daten mindestens eines Indikators (kl, nkl) im Fahrzeugumfeld eines Fahrzeugs (F1, F2) erfasst und jeweils einer Zelle (B1 bis Bn, BB1 bis BBm) des fahrzeugfesten Belegungsgitters (B, BB) zugeordnet werden, wobei ein Zeitstempel und die Position des Fahrzeugs (F1, F2) erfasst werden. Fortlaufend erfasste Belegungszustände werden an einen Backendserver (1) übertragen und in einem globalen Belegungsgitter (gB) aggregiert. Anhand der aggregierten Belegung des globalen Belegungsgitters (gB) wird für jeden Indikator (kl, nkl) zeitbezogen eine indikatorspezifische Merkmalsdichtematrix (gM) ermittelt. Aus mindestens einer indikatorspezifischen Merkmalsdichtematrix (gM) wird ein dichteabhängiges Prädiktionsmodell (gP) zur Prädiktion mindestens eines verkehrsführungsrelevanten Parameters bestimmt.

Description

• Die Erfindung betrifft ein Verfahren zur Prädiktion verkehrsführungsrelevanter Parameter. Verkehrsführungsrelevante Parameter sind Parameter, mit denen die Planung von Trajektorien von einzelnen Fahrzeugen, Fahrzeugflotten oder ganzen Gruppen von Fahrzeugen (Verkehrsströme) beeinflusst werden.
• Aus der DE 10 2013 210 263 A1 ist ein Verfahren zum Bereitstellen einer Belegungskarte für ein Fahrzeug bekannt, bei dem eine Fahrsituation des Fahrzeugs mittels einer Ermittlungseinrichtung aus mittels mehrerer Sensoreinrichtungen erfassten Daten eines Fahrzeugumfelds ermittelt wird und eine Ausgestaltung der Belegungskarte in Abhängigkeit von der Fahrsituation angepasst wird. Die Belegungskarte weist mehrere gitterartig angeordnete Zellen auf, welche in Abhängigkeit von der Fahrsituation des Fahrzeugs an die Fahrsituation angepasst werden.
• Weiterhin ist aus der DE 10 2010 011 629 A1 ein Verfahren zur Umgebungsrepräsentation eines Fahrzeugs bekannt, bei dem Umgebungsdaten erfasst und in hierarchischen Datenstrukturen abgelegt werden und in der Umgebung Objekte identifiziert werden. Eine Relevanz der Objekte bezüglich einer Anwendung wird ermittelt und ein Detaillierungsgrad der hierarchischen Datenstrukturen wird in Bereichen erhöht, in denen Objekte mit hoher anwendungsspezifischer Relevanz erfasst werden. Hierbei werden die Umgebungsdaten als Sensormessdaten in Belegungsgitter eingetragen, um eine probabilistische Umgebungsrepräsentation zu erhalten. Jede Zelle des Belegungsgitters enthält eine Belegungswahrscheinlichkeit, welche aufgrund der Sensormessdaten an dieser Stelle berechnet wurde.
• Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Prädiktion verkehrsführungsrelevanter Parameter anzugeben.
• Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Prädiktion verkehrsführungsrelevanter Parameter, welches die im Anspruch 1 angegebenen Merkmale aufweist.
• Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
• Bei einem Verfahren zur Prädiktion verkehrsführungsrelevanter Parameter wird fortlaufend ein Belegungszustand eines vorgegebenen fahrzeugfesten Belegungsgitters erfasst, welches das Fahrzeugumfeld eines Fahrzeugs in Zellen unterteilt. Mittels fahrzeugeigener Sensoren werden Daten mindestens eines Indikators im Fahrzeugumfeld des Fahrzeugs erfasst und jeweils einer Zelle des fahrzeugfesten Belegungsgitters zugeordnet. Jeder Zelle ist eine Position im Fahrzeugumfeld, das heißt: eine Position relativ zur Position des Fahrzeugs zugewiesen.
• Unter einem Indikator soll hierbei ein Parameter verstanden werden, der in einer Fahrzeugsoftware, beispielsweise in einer Steuerungssoftware eines autonom fahrenden Fahrzeugs, integriert ist und der geeignet ist, um gewisse Objekte und Sachverhalte im Fahrzeugumfeld des Fahrzeugs zu erkennen und zu verstehen.
• Zugleich mit der Erfassung der Daten durch die fahrzeugeigenen Sensoren werden ein Zeitstempel und die Position des Fahrzeugs erfasst.
• Die fortlaufend erfassten Belegungszustände des fahrzeugfesten Belegungsgitters werden zusammen mit dem Zeitstempel und der Position des Fahrzeugs an einen Backendserver übermittelt. Auf dem Backendserver wird ein Belegungszustand eines fahrzeugfesten Belegungsgitters auf ein globales Belegungsgitter abgebildet, welches Zellen umfasst, denen eine global eindeutige Position zugeordnet ist. Mit anderen Worten: anhand der jeweiligen Position des Fahrzeugs und der Identifikation der Zelle im fahrzeugfesten Belegungsgitter wird eine global eindeutige Position und eine hierzu zugeordnete Zelle des globalen Belegungsgitters ermittelt.
• Zeitgleich erfasste Belegungszustände einer Mehrzahl von Fahrzeugen einer Fahrzeugflotte, welche insgesamt an den Backendserver übertragen werden, werden in dem globalen Belegungsgitter aggregiert. Beispielsweise werden Belegungszustände mehrerer Fahrzeuge, welche sich auf die gleiche Zelle des globalen Belegungsgitters und auf den gleichen Indikator beziehen, aufsummiert. Auf diese Weise wird für jeden Zeitpunkt, das heißt: für jeden Zeitstempel, für den mindestens ein Belegungszustand eines fahrzeugfesten Belegungsgitters ermittelt und an den Backendserver übertragen wurde, eine aggregierte Belegung des globalen Belegungsgitters bestimmt.
• Anhand der zeitbezogen aggregierten Belegung des globalen Belegungsgitters wird für jeden Indikator zeitbezogen eine indikatorspezifische Merkmalsdichtematrix ermittelt, wobei ein Element einer indikatorspezifischen Merkmalsdichtematrix jeweils einer Zelle des globalen Belegungsgitters zugeordnet wird.
• Aus der mindestens einen indikatorspezifischen Merkmalsdichtematrix wird ein dichteabhängiges Prädiktionsmodell zur Prädiktion mindestens eines verkehrsführungsrelevanten Parameters bestimmt.
• Der Erfindung liegt die Erkenntnis zugrunde, dass von unabhängigen Fahrzeugen erfasste Daten dadurch aggregiert werden können, dass sie in ein gemeinsames, globales Belegungsgitter transformiert werden.
• Durch die Aggregation von Daten fahrzeugeigener Sensoren einer Mehrzahl von Fahrzeugen, welche beispielsweise für die Steuerung eines autonom fahrenden Fahrzeugs ohnehin erfasst werden müssen, ist es möglich, zusätzliche Parameter zu gewinnen, mit denen ein Verkehrsfluss in vorteilhafter Weise beeinflusst werden kann. Beispielsweise kann die Zeit für die Suche nach einem Parkplatz vermindert, der Fahrzeugdurchsatz entlang einer Strecke erhöht oder eine Unfallhäufigkeit verringert werden. Mit einer zunehmenden Verbreitung von autonom fahrenden Fahrzeugen können derartige Parameter immer zuverlässiger geschätzt werden.
• In einer Ausführungsform des Verfahrens wird aus einer gewichteten zeitlichen Integration einer zeitvarianten indikatorspezifischen Merkmalsdichtematrix eine Matrix von indikatorspezifischen Wahrscheinlichkeitswerten bestimmt. Durch Integration über einen Zeitraum kann eine Schätzung der Wahrscheinlichkeit des Auftretens eines bestimmten, über einen Indikator angezeigten Ereignisses gegenüber der Schätzung basierend auf nur einem Zeitpunkt in ihrer Zuverlässigkeit verbessert werden. Dadurch können genauere, zuverlässigere und/oder robustere Vorhersagen (Prädiktionen) verkehrsführungsrelevanter Parameter ermittelt werden.
• Bei einer Ausführungsform des Verfahrens wird die zeitliche Integration einer zeitvarianten indikatorspezifischen Merkmalsdichtematrix über einen Koeffizienten ζ(ξ(t)) gewichtet, welcher von mindestens einem zeitvarianten Faktor ξ(t) gesteuert wird. Dadurch ist es möglich, die zeitabhängig unterschiedliche Zuverlässigkeit bei der Schätzung der indikatorspezifischen Merkmalsdichtematrix anhand von Messungen fahrzeugeigener Sensoren zu berücksichtigen. Beispielsweise ist es möglich, zeitlich weiter zurückliegende (ältere) Schätzungen der Merkmalsdichtematrix weniger stark zu gewichten als jüngere Schätzungen. Alternativ oder zusätzlich ist es möglich, Schätzungen basierend auf Daten, die unter gewissen, für Messungen ungünstigen Umweltbedingungen (Regen, Nebel, Dunkelheit) erfasst wurden, weniger stark zu gewichten als Messungen, die unter günstigeren Umweltbedingungen erfasst wurden. Dadurch kann die Genauigkeit und Zuverlässigkeit der Prädiktion verbessert werden.
• Bei einer Ausführungsform des Verfahrens wird ein Klassifikator zur Prädiktion mindestens eines Indikators anhand von mindestens einer indikatorspezifischen Merkmalsdichtematrix und/oder anhand von mindestens einer daraus bestimmten Matrix von indikatorspezifischen Wahrscheinlichkeitswerten parametrisiert. Derartige Klassifikatoren, beispielsweise Neuronale Netze, Support Vector Machines oder lineare oder quadratische Diskriminanzklassifkatoren, sind leicht verfügbar sowie universell für verschiedenste Aufgaben einsetzbar.
• Bei einer Ausführungsform des Verfahrens ist ein Klassifikator als Neuronales Netz ausgebildet und wird mittels Deep Learning parametrisiert (trainiert). Deep Learning ist ein weit verbreitetes und leicht verfügbares Trainingsverfahren, um Neuronale Netze universell und flexibel an Trainingsdatensätze anzupassen.
• Bei einer Ausführungsform des Verfahrens wertet das dichteabhängige Prädiktionsmodell mindestens eine zusätzliche Eingabemodalität aus, die indikatorunabhängig Daten bereitstellt.
• Derartige Daten können beispielsweise von Sensoren einer Fahrzeugsteuerung bereitgestellt werden, beispielsweise von einem Regensensor oder einem Sensor zur Erfassung eines Reifenschlupfes oder einer Dämpferbelastung. Auch Ansteuersignale können von einer Fahrzeugsteuerung bereitgestellt werden, beispielsweise die Auslösung einer Notbremsung, der Eingriff eines Fahrers in die Steuerung eines autonom fahrenden Fahrzeugs oder der Betriebszustand eines Scheibenwischers.
• Auch fahrzeugunabhängige Daten können bereitgestellt und von dem dichteabhängigen Prädiktionsmodell ausgewertet werden, beispielsweise Kartendaten hochauflösender Karten, welche von einem HD (high density) Karten Backend abgerufen werden können.
• Ferner können Flottendaten, beispielsweise die Verteilung (nach Anzahl und Ort) von autonom und nicht-autonom fahrenden Fahrzeugen, erfasst und ausgewertet werden. Ferner können generische Informationen, welche über eine Programmierschnittstelle (Application Programming Interface, API), beispielsweise aus dem Internet, abgerufen werden, dem dichteabhängigen Prädiktionsmodell zur Auswertung bereitgestellt werden. Beispielhaft können tages- und/oder tageszeitabhängige Belegungsfrequenzen für Straßenabschnitte oder Knotenpunkte, Wetterinformationen, Unwetterwarnungen oder Informationen über Baustellen, Umleitungen oder Straßensperren abgerufen und ausgewertet werden.
• Ein Vorteil dieser Ausführungsform des Verfahrens besteht darin, dass durch die Berücksichtigung zusätzlicher Eingabemodalitäten die Zuverlässigkeit und Genauigkeit der Prädiktion verbessert wird.
• Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
• Dabei zeigen:
• 1 schematisch eine perspektivische Ansicht eines Belegungsgitters mit einem Fahrzeug und einem weiteren Verkehrsteilnehmer zu einem ersten Zeitpunkt und eine perspektivische Ansicht des Belegungsgitters mit dem Fahrzeug und dem weiteren Verkehrsteilnehmer zu einem zweiten Zeitpunkt,
• 2 schematisch eine Koordinatentransformation eines fahrzeugfesten Belegungsgitters und dessen Inhalts in ein ortsfestes, globales Belegungsgitter,
• 3 schematisch eine Bereitstellung von mittels fahrzeugeigenen Sensoren erfassten Informationen über Verkehrsteilnehmer in einem Fahrzeugumfeld an einen Backendserver sowie einen Abruf dieser Informationen von dem Backendserver,
• 4 schematisch die Erfassung von kritischen und nicht-kritischen Indikatoren,
• 5 schematisch die Ermittlung eines dichteabhängigen Prädiktionsmodells,
• 6 schematisch die Bestimmung von Merkmalsdichtematrizen eines dichteabhängigen Prädiktionsmodells,
• 7 schematisch Merkmalsdichtematrizen eines dichteabhängigen Prädiktionsmodells und
• 8 schematisch die Bestimmung von Prädiktionsdaten aus Eingabemodalitäten mittels eines dichteabhängigen Prädiktionsmodells.
• Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
• In 1 ist eine perspektivische Ansicht eines Belegungsgitters B, auch als occupancy grid bezeichnet, mit einem Fahrzeug F1 und einem weiteren Verkehrsteilnehmer T1 zu einem ersten Zeitpunkt t1 und eine perspektivische Ansicht des Belegungsgitters B mit dem Fahrzeug F1 und dem weiteren Verkehrsteilnehmer T1 zu einem auf den ersten Zeitpunkt t1 folgenden zweiten Zeitpunkt t2 dargestellt.
• Dabei bewegt sich der Verkehrsteilnehmer T1 mit einer Geschwindigkeit v.
• Das Fahrzeug F1 gehört beispielsweise einer Fahrzeugflotte an und ist zu einem automatisierten, insbesondere hochautomatisierten oder autonomen Betrieb ausgebildet.
• Bei solch einem automatisierten Fahrbetrieb stellt eine Vorhersage eines Verhaltens von Verkehrsteilnehmern T1 eine große Herausforderung dar. In komplexen Verkehrsszenarien ist es oft schwierig, das Verhalten aller wahrgenommenen Verkehrsteilnehmer T1 zu verfolgen und vorherzusagen. Auch ist hierzu ein großer Rechenaufwand erforderlich.
• Zu einer Vorhersage des Verhaltens wird vorliegend das Belegungsgitter B verwendet, wobei das Fahrzeug F1 ein fahrzeugzentriertes Koordinatensystem mit den Koordinaten x, y, z aufweist. Die X-Koordinate x ist dabei immer entlang der Fahrzeuglängsachse nach vorn gerichtet. Die anderen mit den Koordinaten y, z beschriebenen Achsen stehen senkrecht zu dieser. Um das Fahrzeug F1 wird ein Raster bzw. Gitter erstellt, welches statisch um das Fahrzeug F1 herum ausgebildet ist und sich mit dem Fahrzeug F1 mitbewegt.
• Das Fahrzeug F1 lokalisiert mittels nicht näher dargestellter fahrzeugeigener Sensoren alle Verkehrsteilnehmer T1, beispielsweise Fußgänger, Radfahrer, Personenkraftwagen, Lastkraftwagen, Busse usw., und deren relative Entfernung zum Fahrzeug F1, in seiner Fahrzeugumgebung. Die Erfassung kann dabei mittels einer Vielzahl von Sensoren und/oder einer Kombination verschiedener Sensoren, beispielsweise Radar-, Lidar-, Kamera- und/oder Ultraschallsensoren sowie einer entsprechenden Datenverarbeitung (Klassifizierung), beispielsweise mittels eines mit einem Deep-Learning-Algorithmus trainierten Neuronalen Netzwerks, durchgeführt werden.
• Ein erfasster Verkehrsteilnehmer T1 wird durch Vektoren repräsentierende und in 5 näher dargestellte Datenstrukturen D dargestellt. Jedem Verkehrsteilnehmer T1 wird dabei eine aus mittels der fahrzeugeigenen Sensorik erfassten Daten gebildete Datenstruktur D mit einem Vektor, welcher eine Position des Verkehrsteilnehmers T1 relativ zum Fahrzeug F1 in Form von x-, y- und z-Koordinaten x, y, z einer von dem Verkehrsteilnehmer T1 belegten Zelle B1 bis Bn des Belegungsgitters B beschreibt, zugeordnet, wobei die z-Koordinate z eine Höhe des Verkehrsteilnehmers T1 beschreibt. Weiterhin umfasst jede Datenstruktur D einen Geschwindigkeitsvektor, welcher die Geschwindigkeit v des entsprechenden Verkehrsteilnehmers T1 repräsentiert, einen Zeitstempel, welcher einen Zeitpunkt t1, t2 einer Erfassung des jeweiligen Verkehrsteilnehmers T1 repräsentiert, und eine Objektklasse, welche einen Typ des jeweiligen Verkehrsteilnehmers T1 repräsentiert. Weiterhin kann die Datenstruktur D zusätzlich eine Erfassungssicherheit, welche sich beispielsweise daraus ergibt, welcher Sensor den Verkehrsteilnehmer T1 erkannt hat, und weitere Informationen, beispielsweise eine Absicht des Verkehrsteilnehmers T1, umfassen.
• Das Belegungsgitter B ist ein 2,5-dimensionales Gitter, das heißt es ist ein zweidimensionales Raster, wobei jedoch zu allen Verkehrsteilnehmern T1 deren Höhe in der Datenstruktur D als z-Koordinate z gespeichert ist. Dabei kann das zweidimensionale Raster in eine Matrix geschrieben werden, wobei jeder Zelle B1 bis Bn eine eigene x-Koordinate x und eine eigene y-Koordinate y zugeordnet wird. Zur Bildung des Belegungsgitters B wird das zweidimensionale Raster mit allen durch die fahrzeugeigene Sensorik erfassten erforderlichen Informationen überlagert und/oder kombiniert.
• Eine Zelle B1 bis Bn des Belegungsgitters B kann dabei belegt oder nicht belegt sein. Zum Zeitpunkt t1 ist beispielsweise ein als Fußgänger ausgebildeter Verkehrsteilnehmer T1 mit seiner zugehörigen Datenstruktur D in dem Belegungsgitter B in der Zelle B1 dargestellt. Alle anderen Zellen B2 bis Bn sind nicht mit Verkehrsteilnehmern T1 belegt, wobei die Datenstruktur D für die leeren Zellen B2 bis Bn auf den Wert Null gesetzt werden.
• Das Kombinieren des Belegungsgitters B mit den Belegungsinformationen der jeweiligen Datenstruktur D erzeugt eine Umgebungsdarstellung zum Zeitpunkt t1.
• Gemäß der Darstellung bewegt sich der Verkehrsteilnehmer T1 zwischen den beiden Zeitpunkten t1, t2 von der Zelle B1 zur benachbarten Zelle B2. Somit ändert sich zumindest der Vektor, welcher die Position des Verkehrsteilnehmers T1 relativ zum Fahrzeug F1 in Form von x-, y- und z-Koordinaten a, y, z beschreibt und in der Datenstruktur D enthalten ist, entsprechend.
• Das vollständige Belegungsgitter B des Fahrzeugs F1 kann beispielsweise berechnet werden, indem die Matrix mit einem globalen Vektor, welcher alle Vektoren mit den jeweiligen Positionen der Verkehrsteilnehmer T1 relativ zum Fahrzeug F1 in Form von x-, y- und z-Koordinaten x, y, z umfasst, multipliziert wird. Alle nicht besetzten Zellen B1 bis Bn werden auf den Wert Null gesetzt.
• Informationen über das Verhalten von Verkehrsteilnehmern T1 werden während Test- und/oder Trainingsfahrten autonomer Fahrzeuge F1 aufgezeichnet. Die Informationen werden dabei in einem konstanten Datenstrom von Matrizen gespeichert. Dabei werden insbesondere so genannte Deep-Learning-Modelle zur Verarbeitung der Informationen zur Vorhersage eines zukünftigen Verhaltens von Verkehrsteilnehmern T1 verwendet.
• Beispielsweise wird ein künstliches neuronales Netz mit einem Deep-Learning-Modell erstellt, welches die Informationen aus den Test- und/oder Trainingsfahrten verarbeitet. Mit wachsender Anzahl von Informationen wird das Modell präziser, um ein Verhalten von Verkehrsteilnehmern T1 in der Zukunft für eine Mehrzahl von Zeitpunkten t1, t2 vorherzusagen.
• Das zuvor beschriebene Konzept wird zusätzlich auf ein ortsfestes globales Belegungsgitter gB mit einem einheitlichen globalen Koordinatensystem skaliert. Ein solches globales Belegungsgitter gB zeigt 2. Ein globales Belegungsgitter gB, auch als „Operational Design Domain“, kurz ODD, bezeichnet, kann für eine Region, beispielsweise für einen städtischen Bereich, erstellt werden.
• In 2 ist eine Koordinatentransformation eines fahrzeugfesten Belegungsgitters B in das ortsfeste, globale Belegungsgitter gB dargestellt. Bei dieser Koordinatentransformation wird das gesamte fahrzeugfeste Belegungsgitter B des Fahrzeugs F1 mit einem kohärenten Raster abgedeckt, welches für alle darin automatisiert betriebenen Fahrzeuge F1, F2, welche insbesondere einer Fahrzeugflotte angehören, gleich ist.
• Das fahrzeugzentrierte Koordinatensystem des automatisiert fahrenden Fahrzeugs F1 mit den Koordinaten x, y, z und dem zugehörigen Belegungsgitter B wird in ein globales Koordinatensystem mit den Koordinaten x', y', z' transformiert. Ziel ist es, ein einheitliches globales Belegungsgitter gB mit allen von Sensoren erfassten Informationen aller in dem globalen Belegungsgitter gB betriebenen automatisiert fahrenden Fahrzeuge F1, F2 zu erstellen. Jedes automatisiert fahrende Fahrzeug F1, F2 teilt seine sensorisch erfassten Informationen mit einem in 3 dargestellten Backendserver 1. Die geteilten Informationen enthalten die jeweiligen Datenstrukturen D inklusive des Vektors mit den Koordinaten x, y, z des entsprechenden Fahrzeugs F1, F2. Dabei enthalten nur belegte Zellen gB1 bis gBm des globalen Belegungsgitters gB Informationen. Jede nicht belegte Zelle gB1 bis gBm erhält den Wert Null. Somit kann ein Datenstrom minimiert und auf eine große Fahrzeugflotte automatisiert fahrender Fahrzeuge F1, F2 für die Operational Design Domain skaliert werden. Dabei kann eine geringe Latenz realisiert werden, welche ein wesentliches Element ist, um eine Betriebsfähigkeit sicherzustellen.
• Die Koordinatentransformation stellt dabei sicher, dass alle Informationen erhalten bleiben. Es werden nur koordinatenabhängige Informationen in den jeweiligen Datenstrukturen D transformiert, beispielsweise der Vektor und der Geschwindigkeitsvektor. Erfasste Verkehrsteilnehmer T1 werden sowohl im fahrzeugzentrierten Belegungsgitter B als auch im globalen Belegungsgitter gB dargestellt.
• Verschiedenen Fahrzeugen F1, F2 wird, wie in 3 dargestellt, jeweils ein separates fahrzeugzentriertes Belegungsgitter B, BB zugeordnet. Dabei können die Fahrzeuge F1, F2 dieselben oder verschiedene Verkehrsteilnehmer T1, T2 in jeweils unterschiedlichen fahrzeugzentrierten Zellen B1 bis Bn, BB1 bis BBo erfassen.
• Durch das Hochladen ihres jeweiligen Belegungsgitters B, BB auf den Backendserver 1 und das Erstellen eines globalen Belegungsgitters gB belegen doppelt wahrgenommene Verkehrsteilnehmer T1, T2 aufgrund der Koordinatentransformation dieselbe Zelle gB1 bis gBm im globalen Belegungsgitter gB. Dabei erhält ein doppelt erfasster Verkehrsteilnehmer T1, T2 ein höheres Vertrauen bzw. eine größere Erfassungssicherheit, da er unabhängig von zwei automatisiert betriebenen Fahrzeugen F1, F2 erfasst wurde.
• 3 zeigt eine Bereitstellung von mittels fahrzeugeigenen Sensoren erfassten Informationen über Verkehrsteilnehmer T1, T2 in einem Fahrzeugumfeld an einen Backendserver 1 sowie einen Abruf dieser Informationen von dem Backendserver 1.
• Nach dem Hochladen aller fahrzeugzentrierten Belegungsgitter B, BB auf den Backendserver 1 für den Zeitpunkt t1 wird das globale Belegungsgitter gB anhand der Koordinatentransformationen berechnet, einschließlich der durch Anwendung dieser Koordinatentransformationen in das globale Belegungsgitter gB übertragenen Verkehrsteilnehmer T1, T2. Optional kann aus einer aktuellen Belegung des globalen Belegungsgitters gB zum Zeitpunkt t1 durch Auswertung von Bewegungsrichtungen und Bewegungsgeschwindigkeiten auch dessen Belegung für einen späteren Zeitpunkt t1*>t1 bestimmt oder geschätzt werden.
• Das globale Belegungsgitter gB für den aktuellen Zeitpunkt t1 oder für einen fiktiven Zeitstempel t1*>t wird anschließend auf alle Fahrzeuge F1, F2 heruntergeladen. Jedes Fahrzeug F1, F2 erhält dabei Informationen aller dynamischen Objekte im globalen Belegungsgitter gB.
• Mit den so zusätzlich bereitgestellten Informationen kann jedes einzelne Fahrzeug F1, F2 seine eigenen erfassten Informationen überprüfen und beispielsweise im Voraus erkennen, dass sich Trajektorien von Verkehrsteilnehmern T1, T2 kreuzen, sowie sein Umgebungsmodell über seine Sensorreichweite hinaus erweitern.
• Das globale Belegungsgitter gB skaliert dabei nur mit einer ausreichenden Anzahl von Fahrzeugen F1, F2 in der Operational Design Domain. Das globale Belegungsgitter gB enthält nur Informationen, welche von einem Fahrzeug F1, F2 erfasst wurden. Zellen gB1 bis gBm ohne fahrzeugzentriertes Update werden derart markiert, dass diese für einen bestimmten Zeitpunkt t1, t2 als nicht erfasste Zellen gB1 bis gBm beschrieben sind.
• Die sensorischen Informationen des jeweiligen Fahrzeugs F1, F2 enthalten dabei alle dynamischen Objekte, insbesondere Verkehrsteilnehmer T1, T2, die im globalen Vektor, welcher alle Vektoren mit den jeweiligen Positionen der Verkehrsteilnehmer T1, T2 relativ zum entsprechenden Fahrzeug F1, F2 in Form von x-, y- und z-Koordinaten x, y, z umfasst, konsolidiert sind.
• Neben der Information über die dynamischen Objekte sind auch zusätzliche Daten für einen sicheren Betrieb der Fahrzeugflotte von Interesse, welche in einer ersten Kategorie eingeordnet sind. Darüber hinaus sind auch unkritische Informationen über die Infrastruktur und einen Verkehr von Interesse, welche in eine zweite Kategorie eingeordnet sind.
• In den sicherheitskritischen Informationen der ersten Kategorie sind beispielsweise Daten wie ein von der Fahrzeugflotte wahrgenommener Verkehrszeichenstatus, ungewöhnliche statische Objekte wie Parker in der zweiten Reihe, verunglückte Fahrzeuge, verlorene Fracht und ähnliche Objekte enthalten. Insbesondere in modernen Städten sind auch unkritische Informationen von erweitertem Interesse. Zu dieser zweiten Kategorie gehören beispielsweise Informationen wie belegte Parkplätze, Schlaglöcher und alle Informationen zur vorausschauenden Infrastruktur- und Stadtoptimierung.
• Um auch die zuletzt genannten sicherheitskritischen und unkritischen Informationen zur Verfügung stellen zu können, sammeln die Fahrzeuge F1, F2 der Fahrzeugflotte Echtzeitinformationen über ein globales Informationsnetz. Die in den Belegungsgittern B, BB, gB gespeicherten Informationen können durch angeforderte Daten, wie beispielsweise über freie Parkplätze, angereichert, im Backendserver 1 gesammelt und an geeignete Kanäle, beispielsweise Park-Apps, verteilt werden.
• Die Erfindung schlägt darüber hinaus vor, die hochgenauen Sensoren von Fahrzeugen F1, F2 und deren Lokalisierungen zu verwenden, um weitere Informationen aus dem Verkehrsgeschehen zu ermitteln. Hierzu wird die Datenerfassung durch Fahrzeuge F1, F2 um die Erfassung von nicht-kritischen Indikatoren nkl erweitert. Indikatoren sind Parameter zur Beschreibung von Objekten und/oder Situationen.
• 4 zeigt schematisch die Erfassung von Indikatoren durch ein erstes Fahrzeug F1 (Ego-Fahrzeug) in Bezug auf dessen fahrzeugfestes Belegungsgitter B. Das Belegungsgitter B ist auf den Bereich einer Sensorausleuchtung R beschränkt, in dem die Sensoren des ersten Fahrzeugs F1 zuverlässig Daten erfassen können.
• Mit den Sensoren werden alle statischen und dynamischen Objekte, die kritisch für die Verkehrsführung sind, anhand von kritischen Indikatoren kl detektiert. Insbesondere beschreiben kritische Indikatoren kl Ereignisse und Zustände in der Fahrzeugumgebung, die in Echtzeit verarbeitet werden müssen. Beispielsweise werden weitere Fahrzeuge F', ein Radfahrer FR sowie Fußgänger FG innerhalb der Sensorausleuchtung R erfasst.
• Ferner werden innerhalb der Sensorausleuchtung anhand von nicht-kritischen Indikatoren nkl Objekte und/oder Situationen erfasst, welche für die Verkehrsführung nicht unmittelbar kritisch sind, beispielsweise ein Schlagloch SL und ein freier Parkplatz PP. Weiterhin können mittels in 4 nicht näher dargestellter, nicht-kritischer Indikatoren nkl Bereiche fehlender Fahrbahnmarkierung oder Bereiche, in denen die Fahrbahn vereist ist, erfasst werden. Die Verarbeitung derartiger nicht-kritischer Indikatoren nkl muss nicht oder nicht unter allen Umständen in Echtzeit erfolgen. Jedoch enthalten nicht-kritische Indikatoren nkl Informationen, die zur verbesserten Planung der Verkehrsführung einer Fahrzeugflotte nutzbar sind.
• Die Unterscheidung in kritische und nicht-kritische Indikatoren kl, nkl kann konfigurierbar und/oder teilweise überlappend sein.
• Von dem ersten Fahrzeug F1 in dessen Belegungsgitter erfasste Daten, insbesondere die Sensorausleuchtung R und die Indikatoren kl, nkl werden an den Backendserver 1 übertragen und, wie anhand von 3 bereits erläutert, in das globale Belegungsgitter gB transformiert. Die kritischen Indikatoren kl werden an die Fahrzeuge F1, F2 der Fahrzeugflotte übermittelt.
• Darüber hinaus können, wie nachfolgend anhand von 5 genauer beschrieben, die nicht-kritischen Indikatoren nkl in einer Datenbank DB abgelegt und für die Entwicklung eines dichteabhängigen Prädiktionsmodells gP verwendet werden.
• Ziel des dichteabhängigen Prädiktionsmodells gP ist eine Vorhersage von Parametern, die für ein Verkehrsgeschehen relevant sind. Solche Parameter können für die Verkehrsführung kritische Primärdaten, beispielsweise Ort und Ausdehnung von Verkehrsstaus oder eine Beschreibung von Unfall-Hotspots mit erhöhter Unfallwahrscheinlichkeit nach Ort und beispielsweise zeitlicher Verteilung einer Unfallhäufigkeit sein.
• Ferner kann das dichteabhängige Prädiktionsmodell gP nicht-kritische Sekundärdaten vorhersagen, beispielsweise eine tages- und uhrzeitabhängige Wahrscheinlichkeit für die Verfügbarkeit eines freien Parkplatzes, die bauliche Beschaffenheit oder der Abnutzungsgrad eines Fahrwegs, witterungsbedingt veränderte Straßenzustände (Vereisung, Schneeverwehung, Schneedecke) oder temporäre Veränderungen in der Verkehrsführung (Umleitung, Straßensperre).
• Gesammelte und/oder prädizierte Daten werden nicht exklusiv für eine Fahrzeugflotte autonomer Fahrzeuge F1, F2, sondern können zusätzlich oder alternativ anderen Geschäftsmodellen bereitgestellt werden, beispielsweise für die Unterstützung öffentlicher Einrichtungen des Straßenbetriebs und der Straßenunterhaltung zur Verbesserung des Straßenzustands, zur Vermeidung von Unfall-Hotspots durch Veränderung der Verkehrsführung oder zur Einsatzsteuerung von Winterdienstfahrzeugen.
• Für die Erstellung des dichteabhängigen Prädiktionsmodells gP können mehrere Eingabedaten genutzt werden. Zur vereinfachten Beschreibung ist in 5 die Verwendung der Datenstruktur D dargestellt, welche zur Beschreibung des operational Design Domain ODD an den Backendserver 1 übermittelt und in der Datenbank DB abgelegt wird, wie bereits anhand von 3 beschrieben wurde. Die Datenstruktur D beschreibt die Belegung des globalen Belegungsgitters gB.
• Zusätzlich zur Beschreibung der Belegung des globalen Belegungsgitters gB können in der Datenbank DB nicht näher dargestellte weitere, beispielsweise implizit erfasste Eingabedaten abgelegt sein.
• Die Gesamtheit der in der Datenbank DB abgelegten Eingabedaten wird durch ein Rasterverarbeitungsmodell 11 miteinander verrechnet. Hierbei sind verschiedene mathematische Modelle möglich, beispielsweise eine lineare Kombination der Eingabedaten, ein quadratisches Modell oder eine kombinatorische Verrechnung. Beispielhaft ist in 5 eine Verrechnung in einem mehrschichtigen Neuronalen Netz dargestellt, dessen Neuronen über gewichtete Verbindungen mindestens teilweise miteinander vernetzt sind. Eingabedaten können ebenfalls über gewichtete Verbindungen an je ein Eingabeneuron des Neuronalen Netzes eingespeist werden.
• Aus dem dichteabhängigen Prädiktionsmodell gP werden Prädiktionsdaten 12 generiert, welche als Geschäftsmodelldaten 13 in einem oder in mehreren alternativen Geschäftsmodellen verwendet werden.
• 6 erklärt die Bildung des dichteabhängigen Prädiktionsmodells gP genauer. Es sind Belegungszustände des globalen Belegungsgitters gB dargestellt, die sich auf einen ersten Zeitpunkt t₁ und auf einen zweiten, späteren Zeitpunkt t_k > t₁ beziehen. Wie bereits anhand von 2 dargestellt, sind jeder Zelle gB1 bis gBm des globalen Belegungsgitters gB Koordinaten x, y zugeordnet, die die Ortslage der Zelle gB1 bis gBm global eindeutig beschreiben.
• Das dichteabhängige Prädiktionsmodell gP umfasst mindestens eine Merkmalsdichtematrix gM von Zellen gM1 bis gMm, die jeweils einer Zelle gB1 bis gBm des globalen Belegungsgitters gB zugeordnet und damit ebenfalls in ihrer globalen Ortslage eindeutig beschrieben sind. Dabei wird jedem Indikator kl, nkl jeweils eine Merkmalsdichtematrix gM zugeordnet.
• Beispielhaft ist in 6 nur eine einzige solche Merkmalsdichtematrix gM dargestellt, welche einem Indikator kl, nkl zugeordnet ist, der das Vorhandensein eines Fußgängers FG anzeigt. Es kann jedoch zusätzlich oder alternativ weitere Merkmalsdichtematrizen gM geben, welche andere Indikatoren kl, nkl anzeigen, beispielsweise das Vorhandensein eines Radfahrers FR oder eines Schlaglochs SL. Das dichteabhängige Prädiktionsmodell gP umfasst die Gesamtheit dieser Merkmalsdichtematrizen gM.
• Jeder Zelle gM1 bis gMm der Merkmalsdichtematrix gM ist ein Wahrscheinlichkeitswert Φ_i,j zugeordnet, der das Auftreten des dem jeweiligen Indikator kl, nkl zugeordneten Merkmals (Fußgänger FG, Radfahrer FR, Schlagloch SL) an dem global eindeutigen Ort angibt, der der jeweiligen Zelle gM1 bis gMm durch Korrespondenz mit einer Zelle gB1 bis gBm des globalen Belegungsgitters gB zugeordnet ist. Mit anderen Worten: gleich nummerierte (indizierte) Zellen gM1 bis gMm verschiedener Merkmalsdichtematrizen gM eines dichteabhängigen Prädiktionsmodells gP geben Wahrscheinlichkeiten für das Auftreten verschiedener Merkmale am selben (global eindeutigen) Ort an.
• Ein Wahrscheinlichkeitswert ${\mathrm{\Phi }}_{i,j}^{\left(l\right)}$

  

  einer (i,j) - indizierten Zelle gM1 bis gMm einer Merkmalsdichtematrix gM wird durch gewichtete Integration eines zeitabhängigen Belegungswertes C_i,j(t) gebildet, welcher einem Indikatorwert ϑ_l eines Indikators kl, nkl zugeordnet ist: $${\mathrm{\Phi }}_{i,j}^{\left(l\right)}={\displaystyle {\int }_{t_1}^{t_k}\varsigma \left(\xi \left(t\right)\right)\cdot c_{i,j}\left(t\right)\cdot {\vartheta }_{l}dt}$$

  
• Der Wichtungswert ζ kann von einem zeitabhängigen Faktor ξ(t) gesteuert werden.
• Wenn Merkmalsdichtematrizen gM für je einen Indikator kl, nkl mit einem Indikatorwert ϑ_l anhand von ausreichend vielen Daten geschätzt wurden, wird aus der Gesamtheit der l = 1, 2, ...n Merkmalsdichtematrizen gM das dichteabhängige Prädiktionsmodell gP gebildet, wie in 7 schematisch dargestellt.
• Beispielhaft können von einem Fahrzeug F1, das mit einem Fahrzeugindex k bezeichnet wird, zu einem Zeitpunkt t bezogen auf eine Zelle B1 eines fahrzeugbezogenen Belegungsgitters B fahrzeugbezogene Attributvektoren $$R_{i,j}^{\left(k\right)}\left(t\right)=\left[x_i,y_i,z,\overrightarrow{v}\left(t\right),Typ,t_i,\dots \right]$$

  

  ermittelt werden, wobei der (i,j) - indizierten Zelle B1 die fahrzeugbezogenen Koordinaten x_i, y_i, z zugeordnet seien.
• Die fahrzeugbezogenen Attributvektoren können matrixartig (entsprechend ihrer Indizierung i, j) in einer fahrzeugbezogenen Rasterattributmatrix $$M^{\left(k\right)}\left(t\right)=\left[\begin{array}{ccc}{R}_{\mathrm{1,1}}^{\left(k\right)}\left(t\right)& \cdots & R_{\mathrm{1,}n}^{\left(k\right)}\left(t\right)\\ ⋮& \ddots & ⋮\\ R_{m\mathrm{,1}}^{\left(k\right)}\left(t\right)& \cdots & R_{m,n}^{\left(k\right)}\left(t\right)\end{array}\right]$$

  

  angeordnet werden. Jeder fahrzeugbezogene Attributvektor beschreibt einen gewissen Indikatorwert ϑ_l, beispielhaft einen Geschwindigkeitsvektor $\overrightarrow{v}$

  

  eines Fußgängers FG, der in dem fahrzeugzentrierten Koordinatensystem an den Koordinaten x_i, y_i, z zum Zeitpunkt t erfasst wird.
• Die Ortskoordinaten des fahrzeugzentrierten Koordinatensystems können beispielsweise durch Drehung um einen Drehwinkel φ (allgemein: durch eine affine Transformation) in das globale Koordinatensystem überführt werden: $$\left[\begin{array}{c}x\text{'}\\ y\text{'}\\ z\text{'}\end{array}\right]=\left[\begin{array}{ccc}\text{cos}\left(\phi \right)& \text{sin}\left(\phi \right)& 0\\ -\text{sin}\left(\phi \right)& -\text{cos}\left(\phi \right)& 0\\ 0& 0& 1\end{array}\right]\cdot \left[\begin{array}{c}x\\ y\\ z\end{array}\right]$$

  

  Indem die fahrzeugbezogenen Koordinaten x, y, z durch globale Koordinaten x', y', z' ersetzt werden, wird zu jedem fahrzeugbezogenen Attributvektors R_i,j(t) ein globaler Attributvektor $$R_{i,j}^{\left(k\right)}{\left(t\right)}^{\prime }=\left[x_i^{\text{'}},y_i^{\text{'}},z^{\prime },\overrightarrow{v}\left(t\right),Typ,t_i,\dots \right]$$

  

  gebildet. Globale Attributvektoren werden matrixartig (entsprechend ihrer Indizierung i, j) in einer globalen Rasterattributmatrix $$M^{\left(k\right)}\left(t\right)\text{'}=\left[\begin{array}{ccc}{R}_{\mathrm{1,1}}^{\left(k\right)}\left(t\right)\text{'}& \cdots & R_{\mathrm{1,}n}^{\left(k\right)}\left(t\right)\text{'}\\ ⋮& \ddots & ⋮\\ R_{m\mathrm{,1}}^{\left(k\right)}\left(t\right)\text{'}& \cdots & R_{m,n}^{\left(k\right)}\left(t\right)\text{'}\end{array}\right]$$

  

  zusammengefasst.
• Gleich indizierte globale Attributvektoren $R_{i,j}^{\left(k\right)}\left(t\right)\text{'}$

  

  aller insgesamt h Fahrzeuge F1, F2 einer Fahrzeugflotte beziehen sich auf gleiche globale Koordinaten x', y', z' und werden in einer akkumulierten globalen Rasterattributmatrix $$M(t{)}^{\prime }={\left[C_{i,j}\left(t\right)\right]}_{i=1\dots m,j=1\dots n}={\displaystyle \sum _{k=1}^h{M}^{\left(k\right)}\left(t\right)\text{'}}={\displaystyle \sum _{k=1}^h\left[\begin{array}{ccc}{R}_{\mathrm{1,1}}^{\left(k\right)}\left(t\right)\text{'}& \cdots & R_{\mathrm{1,}n}^{\left(k\right)}\left(t\right)\text{'}\\ ⋮& \ddots & ⋮\\ R_{m\mathrm{,1}}^{\left(k\right)}\left(t\right)\text{'}& \cdots & R_{m,n}^{\left(k\right)}\left(t\right)\text{'}\end{array}\right]}$$

  

  zusammengefasst. Zu jedem Element C_i,j(t) der akkumulierten globalen Rasterattributmatrix wird durch gewichtete zeitliche Integration ein Wahrscheinlichkeitswert $${\Phi }_{i,j}^{\left(l\right)}={\displaystyle \int \varsigma \left(\xi \left(t\right)\right)\cdot C_{i,j}\left(t\right)\cdot {\vartheta }_{l}dt}$$

  

  ermittelt, der die Wahrscheinlichkeit des Auftretens eines dem Indikatorwert ϑ_l zugeordneten Merkmals an den globalen Koordinaten $x_i^{\text{'}},y_i^{\text{'}}$

  

  angibt. Die Gewichtung eines Elements C_i,j(t) wird über einen Koeffizienten ҁ(ξ(t) vorgenommen, der von weiteren Faktoren ξ(t) zeitabhängig gesteuert werden kann.
• Jedem Indikatorwert ϑ_l ist somit eine indikatorspezifische Matrix von Wahrscheinlichkeitswerten $$\Omega \left({\vartheta }_l\right)=\left[\begin{array}{ccc}{\mathrm{\Phi }}_{\mathrm{1,1}}^{\left(l\right)}& \cdots & {\mathrm{\Phi }}_{\mathrm{1,}n}^{\left(l\right)}\\ ⋮& \ddots & ⋮\\ {\mathrm{\Phi }}_{m\mathrm{,1}}^{\left(l\right)}& \cdots & {\mathrm{\Phi }}_{m,n}^{\left(l\right)}\end{array}\right]$$

  

  zugeordnet. Daraus wird das dichteabhängige Prädiktionsmodell gP berechnet zu $$\mathrm{\Psi =}{\displaystyle \sum _{l=1}^n\Omega \left({\vartheta }_l\right)+{\displaystyle \prod \nu \cdot \mu }}$$

  
• Die im zweiten Summanden der Formel aufgeführten Parameter v und µ sind Platzhalter, mit deren Hilfe das Modell noch um weitere generische Informationen erweitert werden kann, wie weiter oben im Text beschrieben. Diese Informationen können beispielsweise von der Programmierschnittstelle (API) aus dem Internet abgerufen und hier berücksichtigt werden.
• 8 zeigt schematisch eine Überblicksdarstellung für ein dichteabhängiges Prädiktionsmodell gP, das aus einer Mehrzahl von Eingabemodalitäten D1 bis D6 sowie mittels einer Programmierschnittstelle API Prädiktionsdaten 12 generiert.
• Die Programmierschnittstelle API stellt beispielsweise im Internet verfügbare Zusatzinformationen 101 bereit, beispielsweise Informationen zur Wetterlage, zur Ferienzeit, zur Lage von Feiertagen und/oder Informationen über angekündigte oder durchgeführte Demonstrationen.
• Die Eingabemodalitäten D1 bis D6 umfassen einen Prädiktions-Stack D1 eines Autonomen Fahrzeugs F1, F2, beispielsweise Daten, die von einem Lidar-Sensor, einer Kamera, einem Radar-Sensor oder einem Ultraschall-Sensor bereitgestellt und mittels Bilderkennungsalgorithmen verarbeitet werden.
• Die Eingabemodalitäten D1 bis D6 umfassen ein fahrzeugzentrisches Raster D2, in welchem beispielsweise ein Umweltmodell, dynamische und statische Objekte, Echtzeitdaten, Lokalisierung und Geschwindigkeit erfasst werden.
• Die Eingabemodalitäten D1 bis D6 umfassen ein ODD globales Raster D3, in dem beispielsweise ODD Echtzeitdaten, primäre und/oder sekundäre Indikatoren kl, nkl erfasst werden. Daraus werden indikatorspezifische Merkmalsdichtematrizen gM ermittelt.
• Die Eingabemodalitäten D1 bis D6 umfassen fahrzeugspezifische Daten D4, beispielsweise die Erfassung eines Reifenschlupfes oder einer Dämpferbelastung, die Erfassung eines Scheibenwischeransteuersignals und/oder eines Signals von einem Regensensor, die Erfassung von Eingriffen eines Fahrers in die Steuerung des autonomen Fahrzeugs F1, F2 oder beispielsweise die Auslösung einer Notbremsung.
• Die Eingabemodalitäten D1 bis D6 umfassen ferner aus den fahrzeugspezifischen Daten D4 ermittelte Flottendaten D5, beispielsweise summierte fahrzeugspezifische Daten D4, in der ODD erfasste weitere autonome oder nicht-autonome Fahrzeuge F2, F' oder das Verhältnis der Anzahl der autonomen Fahrzeuge F2 zur Anzahl der nichtautonomen Fahrzeuge F' in der Fahrzeugumgebung eines autonomen Fahrzeugs F1. Daraus werden Flottendaten 105 ermittelt, welche auf Zellen gB1 bis gBm eines globalen Belegungsgitters bezogen sind.
• Die Eingabemodalitäten D1 bis D6 umfassen ferner spezifische hochaufgelöste (highdensity, HD) Karten, die von einem HD-Karten Backend D6 bereitgestellt werden. Daraus werden Karteninformationen 106 ermittelt, die für das dichteabhängige Prädiktionsmodell gP erforderlich sind, beispielsweise Informationen zur Lage und Abgrenzung einer Schulzone, eines verkehrsberuhigten Bereiches oder einer autonomen Zone.
• Bezugszeichenliste

1

Backendserver

11

Rasterverarbeitungsmodell

12

Prädiktionsdaten

13

Geschäftsmodelldaten

101

Zusatzinformationen

105

Flottendaten

106

Karteninformationen

API

Programmierschnittstelle

B

Belegungsgitter

B1 bis Bn

Zelle

BB

Belegungsgitter

BB1 bis BBo

Zelle

D

Datenstruktur

D1

Prädiktions-Stack, Eingabemodalität

D2

fahrzeugzentrisches Raster, Eingabemodalität

D3

globales Raster, Eingabemodalität

D4

fahrzeugspezifische Daten, Eingabemodalität

D5

Flottendaten, Eingabemodalität

D6

HD-Karten Backend, Eingabemodalität

DB

Datenbank

F1

erstes Fahrzeug, Ego-Fahrzeug

F', F2

Fahrzeug

FR

Radfahrer

FG

Fußgänger

gB

Belegungsgitter

gB1 bis gBm

Zelle

gM

Merkmalsdichtematrix

gM1 bis gMm

Zelle

gP

dichteabhängiges Prädiktionsmodell

kl

kritischer Indikator

nkl

nicht-kritischer Indikator

PP

freier Parkplatz

R

Sensorausleuchtung

SL

Schlagloch

t1, t2

Zeitpunkt

T1, T2

Verkehrsteilnehmer

v

Geschwindigkeit

x, x'

Koordinate

y, y'

Koordinate

z, z'

Koordinate

ϑ1, ϑ2, ..., ϑl..., ϑn

Indikatorwert

• 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 102013210263 A1 [0002]
• DE 102010011629 A1 [0003]

Claims (6)

1. Verfahren zur Prädiktion verkehrsführungsrelevanter Parameter, dadurch gekennzeichnet, dass - fortlaufend ein Belegungszustand eines vorgegebenen fahrzeugfesten Belegungsgitters (B, BB) erfasst wird, wobei mittels fahrzeugeigener Sensoren Daten mindestens eines Indikators (kl, nkl) im Fahrzeugumfeld eines Fahrzeugs (F1, F2) erfasst und jeweils einer Zelle (B1 bis Bn, BB1 bis BBm) des fahrzeugfesten Belegungsgitters (B, BB) zugeordnet werden, wobei ein Zeitstempel und die Position des Fahrzeugs (F1, F2) erfasst werden, - fortlaufend erfasste Belegungszustände des fahrzeugfesten Belegungsgitters (B, BB) mit dem zugeordneten Zeitstempel und mit der zugeordneten Position des Fahrzeugs (F1, F2) an einen Backendserver (1) übermittelt werden, - auf dem Backendserver (1) ein Belegungszustand eines fahrzeugfesten Belegungsgitters (B, BB) auf ein globales Belegungsgitter (gB) abgebildet wird, - zeitgleich erfasste Belegungszustände einer Mehrzahl von Fahrzeugen (F1, F2) einer Fahrzeugflotte im globalen Belegungsgitter (gB) aggregiert werden, - anhand der zeitbezogen aggregierten Belegung des globalen Belegungsgitters (gB) für jeden Indikator (kl, nkl) zeitbezogen eine indikatorspezifische Merkmalsdichtematrix (gM) ermittelt wird, wobei ein Element einer Merkmalsdichtematrix (gM) jeweils einer Zelle (gB1 bis gBm) des globalen Belegungsgitters (gB) zugeordnet wird und - aus mindestens einer indikatorspezifischen Merkmalsdichtematrix (gM) ein dichteabhängiges Prädiktionsmodell (gP) zur Prädiktion mindestens eines verkehrsführungsrelevanten Parameters bestimmt wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass aus einer gewichteten zeitlichen Integration einer zeitvarianten indikatorspezifischen Merkmalsdichtematrix (gM) eine Matrix von indikatorspezifischen Wahrscheinlichkeitswerten bestimmt wird.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die zeitliche Integration einer zeitvarianten indikatorspezifischen Merkmalsdichtematrix (gM) über einen Koeffizienten ς (ξ(t)) gewichtet wird, welcher von mindestens einem zeitvarianten Faktor ξ(t) gesteuert wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein Klassifikator zur Prädiktion mindestens eines Indikators (kl, nkl) anhand von mindestens einer indikatorspezifischen Merkmalsdichtematrix (gM) und/oder anhand von mindestens einer daraus bestimmten Matrix von indikatorspezifischen Wahrscheinlichkeitswerten parametrisiert wird.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass der Klassifikator als Neuronales Netz ausgebildet und mittels Deep Learning parametrisiert wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das dichteabhängige Prädiktionsmodell (gP) zur Prädiktion des mindestens einen verkehrsführungsrelevanten Parameters mindestens eine zusätzliche Eingabemodalität (D1 bis D6) auswertet, die indikatorunabhängig Daten bereitstellt.

Images