DE102021107796A1

DE102021107796A1 - Method for determining a most probable driving path of a motor vehicle

Info

Publication number: DE102021107796A1
Application number: DE102021107796.6A
Authority: DE
Inventors: Esther Alberts; Stefan Holder; Irmengard Ditzell
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2021-03-29
Filing date: 2021-03-29
Publication date: 2022-09-29

Abstract

Die Erfindung betrifft ein Verfahren zur Ermittlung eines höchstwahrscheinlichen Fahrpfades eines Kraftfahrzeuges, wobei das Verfahren (1,20,30) folgende Schritte aufweist:- Erfassen von Absolut-Positionsdaten eines Kraftfahrzeuges mittels eines Absolut-Positioniersystems (2,21);- Abbilden der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße (3,22);- Erfassen von aktuellen kraftfahrzeugspezifischen Daten (4,23) ;- Bereitstellen von Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und der aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul, wobei das Künstliche-Intelligenz-Modul trainiert ist, basierend auf einer Straße, auf welcher sich das Kraftfahrzeug aktuell befindet, und kraftfahrzeugspezifischen Daten einen höchstwahrscheinlichen Fahrpfad durch künstliche Intelligenz zu ermitteln (5,24); und- Ermitteln eines höchstwahrscheinlich Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und den aktuellen kraftfahrzeugspezifischen Daten (6,25).The invention relates to a method for determining a most probable driving path of a motor vehicle, the method (1,20,30) having the following steps: - detecting absolute position data of a motor vehicle using an absolute positioning system (2,21); - Position data on a road (3.22) contained in digital map material; - Acquiring current vehicle-specific data (4.23); - Providing information about the road contained in the digital map material and the current vehicle-specific data to an artificial intelligence Module, wherein the artificial intelligence module is trained, based on a road on which the motor vehicle is currently located, and motor vehicle-specific data to determine a most probable driving path using artificial intelligence (5,24); and- determining a highly probable driving path of the motor vehicle by the artificial intelligence module based on the information about the road contained in the digital map material and the current motor vehicle-specific data (6,25).

Description

Die Erfindung betrifft ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges und insbesondere ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges durch künstliche Intelligenz.The invention relates to a method for determining a most probable driving path for a motor vehicle and in particular a method for determining a most probable driving path for a motor vehicle using artificial intelligence.

Um die Sicherheit beim Führen eines Kraftfahrzeuges zu erhöhen, sollten Fahrerassistenzsysteme von Kraftfahrzeugen, insbesondere von autonom fahrenden Kraftfahrzeugen, nicht nur Informationen über den Nahbereich des Kraftfahrzeuges, das heißt über die unmittelbare Umgebung des Kraftfahrzeuges, sondern auch Informationen über den weiteren, wahrscheinlich bevorstehenden Streckenverlauf berücksichtigen. Beispielsweise kann die Sicherheit beim Führen eines autonom fahrenden Kraftfahrzeuges erhöht werden, wenn ein wahrscheinlich bevorstehender Streckenverlauf bei der Steuerung von Fahrerassistenzfunktionen des autonom fahrenden Kraftfahrzeuges berücksichtigt wird, beispielsweise bei der Steuerung eines Geschwindigkeitslimit-Assistenten beziehungsweise Speed Limit Assist, bei der Steuerung von adaptivem Kurvenlicht, oder beim Schaltverhalten eines Automatikgetriebes. Hierdurch kann die Sicherheit für einen Fahrer des Kraftfahrzeuges sowie weitere Verkehrsteilnehmer erheblich erhöht werden. Zudem resultiert dies in einer Energieersparnis, zumal das Fahrerassistenzsystem immer direkt an die voraussichtlichen Gegebenheiten und den voraussichtlichen Streckenverlauf angepasst werden kann.In order to increase safety when driving a motor vehicle, driver assistance systems of motor vehicles, in particular of autonomously driving motor vehicles, should not only take into account information about the immediate vicinity of the motor vehicle, i.e. about the immediate surroundings of the motor vehicle, but also information about the further, probably forthcoming route . For example, safety when driving an autonomously driving motor vehicle can be increased if a route that is likely to follow is taken into account when controlling driver assistance functions of the autonomously driving motor vehicle, for example when controlling a speed limit assistant or Speed Limit Assist, when controlling adaptive cornering lights, or in the shifting behavior of an automatic transmission. As a result, the safety for a driver of the motor vehicle and other road users can be significantly increased. In addition, this results in energy savings, especially since the driver assistance system can always be adapted directly to the expected conditions and the expected route.

Dabei wird für gewöhnlich ein wahrscheinlichster Fahrpfad, welcher auch Most Probable Path (MPP) genannt wird, insbesondere auf Basis von digitalem Kartenmaterial, das heißt einem digitalen Straßennetz, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges durch ein Modul, beispielsweise einen Horizont-Provider beziehungsweise ein Fahrerhorizontsystem, ermittelt.Usually, a most probable driving path, which is also called Most Probable Path (MPP), in particular on the basis of digital map material, i.e. a digital road network, the current position of the motor vehicle and the direction of travel of the motor vehicle, is determined by a module, for example a horizon Provider or a driver horizon system determined.

Aus der Druckschrift DE 10 2014 223 331 A1 sind ein Verfahren und eine Vorrichtung zur Erstellung des wahrscheinlichsten Fahrpfades bekannt, welche ausgebildet sind, einen auf dem wahrscheinlichsten Fahrpfad aufbauenden Fahrhorizont erst nach Erstellung des wahrscheinlichsten Fahrpfades zu erzeugen. Insbesondere sind das Verfahren und die Vorrichtung dabei ausgebildet, die Häufigkeit der Erstellung des wahrscheinlichsten Fahrpfades und Fahrhorizont zu reduzieren.From the pamphlet DE 10 2014 223 331 A1 a method and a device for creating the most probable driving path are known, which are designed to generate a driving horizon based on the most probable driving path only after the most probable driving path has been created. In particular, the method and the device are designed to reduce the frequency with which the most probable driving path and driving horizon are created.

Aufgabe von Ausführungsformen der Erfindung ist es, ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges anzugeben.The object of embodiments of the invention is to specify an improved method for determining a most probable driving path of a motor vehicle.

Gelöst wird die Aufgabe durch den Gegenstand der nebengeordneten Ansprüche. Weitere vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche.The object is solved by the subject matter of the independent claims. Further advantageous developments are the subject matter of the dependent claims.

Gemäß einer Ausführungsform der Erfindung wird diese Aufgabe gelöst durch ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges, wobei Absolut-Positionsdaten eines Kraftfahrzeuges mittels eines Absolut-Positioniersystems erfasst werden und die Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße abgebildet werden, sowie aktuelle kraftfahrzeugspezifische Daten erfasst werden, wobei Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und die aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul bereitgestellt beziehungsweise übermittelt werden. Dabei ist das Künstliche-Intelligenz-Modul trainiert um basierend auf einer Straße, auf welcher sich das Kraftfahrzeug aktuell befindet, und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad durch künstliche Intelligenz zu ermitteln, wobei der wahrscheinlichste Fahrpfad des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und den aktuellen kraftfahrzeugspezifischen Daten ermittelt wird.According to one embodiment of the invention, this object is achieved by a method for determining a most likely driving path of a motor vehicle, absolute position data of a motor vehicle being recorded using an absolute positioning system and the absolute position data being mapped onto a road contained in digital map material, as well as current data motor vehicle-specific data are recorded, with information about the road contained in the digital map material and the current motor vehicle-specific data being provided or transmitted to an artificial intelligence module. The artificial intelligence module is trained to use artificial intelligence to determine a most likely travel path based on a road on which the motor vehicle is currently located and vehicle-specific data, with the most likely travel path of the motor vehicle being determined by the artificial intelligence module based on the information about the road contained in the digital map material and the current motor vehicle-specific data is determined.

Absolut-Positionsdaten geben hierbei die gemessene Position des Kraftfahrzeuges zu einem bestimmten Zeitpunkt in absoluten Werten, beispielsweise in einem UTM oder WGS84 Referenzkoordinatensystem an. Optional können die Absolut-Positionsdaten dabei ferner auch mit einer Orientierung versehen sein, welche beispielsweise eine aktuelle Bewegungsrichtung des Kraftfahrzeuges indizieren. Eine Kombination aus Position und Orientierung wird dabei häufig als Pose bezeichnet. Bei entsprechenden Absolut-Positioniersystemen kann es sich dabei beispielswese um auf Satelliten-basierte Techniken, wie zum Beispiel ein Global Positioning System (GPS) oder ein Globales Navigationssatellitensystem (GNSS) handeln.In this case, absolute position data indicate the measured position of the motor vehicle at a specific point in time in absolute values, for example in a UTM or WGS84 reference coordinate system. Optionally, the absolute position data can also be provided with an orientation which, for example, indicates a current direction of movement of the motor vehicle. A combination of position and orientation is often referred to as a pose. Corresponding absolute positioning systems can involve, for example, satellite-based technologies such as a global positioning system (GPS) or a global navigation satellite system (GNSS).

Unter digitalem Kartenmaterial wird weiter in digitaler Form vorliegendes Kartenmaterial verstanden, welches geometrische, topologische und semantische Informationen über ein Straßenverkehrsnetz enthält und welches beispielsweise durch ein Navigationssystem des Kraftfahrzeuges sowie Fahrerassistenzsysteme des Kraftfahrzeuges verwendet und verarbeitet werden kann. Dabei kann das digitale Kartenmaterial noch mit weiteren Informationen, wie Geschwindigkeitsangaben, beispielsweise Geschwindigkeitsbegrenzungen, oder Warnhinweisen angereichert sein. Das digitale Kartenmaterial ist dabei aktualisierbar. Das Abbilden der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße kann dabei beispielsweise durch einen Map-Matching-Algorithmus erfolgen, das heißt ein Verfahren, welches die Absolut-Positionsdaten mit Ortsinformationen einer digitalen Karte, das heißt des digitalen Kartenmaterials abgleicht.Digital map material is understood to mean map material present in digital form, which contains geometric, topological and semantic information about a road traffic network and which can be used and processed, for example, by a navigation system of the motor vehicle and driver assistance systems of the motor vehicle. The digital map material can be enriched with further information, such as speed information, for example speed limits, or warnings. The digital map material can be updated. The mapping of the absolute position data on a digital card The road contained in the data material can, for example, be carried out using a map-matching algorithm, ie a method which compares the absolute position data with location information on a digital map, ie the digital map material.

Unter kraftfahrzeugspezifischen Daten werden ferner Daten verstanden, welche spezifisch beziehungsweise charakteristisch für die Nutzung, das heißt die Nutzer beziehungsweise Fahrer des Kraftfahrzeuges sind und insbesondere Daten, welche gewisse Eigenschaften, beispielsweise Sitzbelegungen, Fahrzeiten und Gewichtsverteilungen, die Einfluss auf die tatsächliche Routenwahl haben können, kennzeichnen, wobei dieser Einfluss während zurückliegender Fahrten mit dem Kraftfahrzeug erfasst worden sein kann.Motor vehicle-specific data is also understood to mean data that is specific or characteristic of the use, i.e. the users or drivers of the motor vehicle, and in particular data that characterize certain properties, such as seat occupancy, travel times and weight distribution, which can influence the actual choice of route , whereby this influence may have been recorded during previous trips with the motor vehicle.

Ein Künstliche-Intelligenzmodul bezeichnet ferner ein Modul beziehungsweise ein Steuergerät, welches ausgebildet ist, ein Verhalten des Kraftfahrzeuges zu erlernen und insbesondere zu erlernen, wie sich kraftfahrzeugspezifische Daten auf die Wahl einer zu befahrenden Route beziehungsweise von befahrenen Straßen und somit die Ermittlung des wahrscheinlichsten Fahrpfades auswirken. Die Künstliche Intelligenz wird dabei beispielsweise durch maschinelles Lernen erzeugt, das heißt während (Trainings-)Fahrten mit dem Kraftfahrzeug trainiert. Darüber hinaus oder alternativ dazu kann die Künstliche Intelligenz in einem Backend auf aus dem Stand der Technik bekannte Weise trainiert werden. Eine derartige trainierte Künstliche-Intelligenz kann anschließend verwendet werden, um auf einfache Art und Weise einen wahrscheinlichsten Fahrpfad des Kraftfahrzeuges vorherzusagen beziehungsweise zu ermitteln. Beispielsweise kann eine derartige künstliche Intelligenz dabei auf einem künstlichen (neuronalen) Netz basieren, wobei ein entsprechendes Netz in der Lage ist, Korrelationen zwischen den Eingangsgrößen, auch bei Vorliegen von Nichtlinearitäten verbessert zu modellieren und gleichzeitig den notwenigen Rechenaufwand bei der Ermittlung des höchstwahrscheinlichen Fahrpfades gering zu halten. Zudem muss im System selber kein besonderes Modellwissen vorhanden sein.An artificial intelligence module also refers to a module or a control unit that is designed to learn a behavior of the motor vehicle and, in particular, to learn how motor vehicle-specific data affect the selection of a route to be traveled or roads traveled on and thus the determination of the most likely driving path . The artificial intelligence is generated, for example, by machine learning, i.e. it is trained during (training) trips with the motor vehicle. In addition or as an alternative to this, the artificial intelligence can be trained in a backend in a manner known from the prior art. Such a trained artificial intelligence can then be used to predict or determine a most probable driving path of the motor vehicle in a simple manner. For example, such artificial intelligence can be based on an artificial (neural) network, with a corresponding network being able to model correlations between the input variables in an improved manner, even when non-linearities are present, and at the same time to reduce the computational effort required to determine the most likely route to keep. In addition, no special model knowledge needs to be available in the system itself.

Unter Informationen über die in dem digitalen Kartenmaterial enthaltene Straße werden ferner Daten verstanden, welche die in dem digitalen Kartenmaterial enthaltene Straße und für gewöhnlich auch eine aktuelle Position des Kraftfahrzeuges kennzeichnen und welche durch das künstliche-Intelligenz-Modul verarbeitet werden können.Information about the road contained in the digital map material is also understood to mean data which characterize the road contained in the digital map material and usually also a current position of the motor vehicle and which can be processed by the artificial intelligence module.

Insgesamt wird somit ein Verfahren angegeben, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug bei Vorliegen gewisser kraftfahrzeugspezifischer Daten erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges angegeben und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.Overall, a method is thus specified in which, in addition to digital map material, the current position of the motor vehicle and the direction of travel of the motor vehicle, data specific to the motor vehicle are also taken into account when determining the most probable driving path. For example, it may be advantageous and preferable to avoid routes with steep inclines in certain weather or loading conditions and instead to select alternative routes, with the invention taking into account a corresponding behavior learned from previous journeys with the same motor vehicle if certain motor vehicle-specific data is available when determining the most likely route can be. Overall, an improved method for determining a most probable travel path of a motor vehicle is thus specified, and in particular a method with which the accuracy when determining the most probable travel path can be increased.

Dadurch, dass die Bestimmung des wahrscheinlichsten Fahrpfades auf künstlicher Intelligenz basiert, kann die Bestimmung des wahrscheinlichsten Fahrpfades zudem schnell und effizient mit geringem Rechenaufwand erfolgen, wobei die Bestimmung des wahrscheinlichsten Fahrpfades nicht auf Basis einer computergestützt ermittelten Trajektorie sondern basierend auf erlernten Werten für einzelne mögliche Fahrstrecken, welche das tatsächliche Verhalten von Nutzern des Kraftfahrzeuges wiederspiegeln, erfolgt.Because the determination of the most probable travel path is based on artificial intelligence, the most probable travel path can also be determined quickly and efficiently with little computing effort, with the most probable travel path being determined not on the basis of a computer-aided trajectory but on learned values for individual possible routes , which reflect the actual behavior of users of the motor vehicle.

Der verbesserte beziehungsweise genauere wahrscheinlichste Fahrpfad kann dann anschließend durch Fahrerassistenzfunktionen beziehungsweise Fahrerassistenzsysteme und andere elektronische Komponenten des Kraftfahrzeuges verwendet beziehungsweise verarbeitet werden, um die Sicherheit beim Führen des Kraftfahrzeuges noch weiter zu erhöhen.The improved or more accurate most probable driving path can then be used or processed by driver assistance functions or driver assistance systems and other electronic components of the motor vehicle in order to further increase safety when driving the motor vehicle.

Insbesondere kann das Verfahren dabei weiter ein Bereitstellen des ermittelten wahrscheinlichsten Fahrpfades an Fahrerassistenzsysteme und/oder elektronische Komponenten des Kraftfahrzeuges aufweisen. Unter Bereitstellen wird hierbei verstanden, dass der verbesserte beziehungsweise genauere wahrscheinlichste Fahrpfad an die Fahrerassistenzsysteme übermittelt wird, wobei die Übermittlung drahtgebunden oder drahtlos erfolgen kann. Die Fahrerassistenzsysteme, beispielsweise ein Geschwindigkeitslimit-Assistent, eine Steuerung von adaptivem Kurvenlicht, oder eine Steuerung eines Automatikgetriebes, können den ermittelten genaueren wahrscheinlichsten Fahrpfad anschließend verwenden und verarbeiten um die entsprechenden Funktionen des Kraftfahrzeuges entsprechend zu steuern, wodurch die Genauigkeit beim Steuern des entsprechenden Funktionen des Kraftfahrzeuges erhöht werden kann. Hierdurch kann die Sicherheit für einen Fahrer des Kraftfahrzeuges sowie weitere Verkehrsteilnehmer erheblich erhöht werden. Zudem resultiert dies in einer Energieersparnis, zumal das Fahrerassistenzsystem immer direkt an die voraussichtlichen Gegebenheiten angepasst werden kann.In particular, the method can also include providing the determined most probable driving path to driver assistance systems and/or electronic components of the motor vehicle. Provision is understood here to mean that the improved or more accurate, most probable driving path is transmitted to the driver assistance systems, with the transmission being able to take place in a wired or wireless manner. The driver assistance systems, for example a speed limit assistant, a controller for adaptive headlights, or a controller for an automatic transmission, can then use and process the determined, more accurate, most likely driving path in order to control the corresponding functions of the motor vehicle accordingly, which increases the accuracy when controlling the corresponding functions of the vehicle Motor vehicle can be increased. As a result, the safety for a driver of the motor vehicle and other road users can be significantly increased increase. In addition, this results in energy savings, especially since the driver assistance system can always be adapted directly to the expected circumstances.

Bei den kraftfahrzeugspezifischen Daten kann es sich weiter um Zeitdaten, Sitzbelegungsdaten, Beladungsdaten, Ladestandsdaten, Tankdaten, Kalenderdaten und/oder Wetterdaten handeln.The motor vehicle-specific data can also be time data, seat occupancy data, load data, charge status data, tank data, calendar data and/or weather data.

Bei den Zeitdaten kann es sich dabei beispielsweise um Tageszeiten, Wochentage und/oder Monate handeln, so dass Informationen über zu gewissen Tageszeiten, Wochentagen und/oder Monaten gewählte Straßen beziehungsweise Routen gewonnen werden können.The time data can be, for example, times of the day, days of the week and/or months, so that information about roads or routes selected at certain times of the day, days of the week and/or months can be obtained.

Unter Sitzbelegungsdaten werden insbesondere Daten verstanden, welche die Belegung einzelner Sitze des Kraftfahrzeuges angeben, und welche beispielsweise mittels eines Sitzbelegungssensors, beispielsweise eines druckerfassenden Sitzbelegungssensors, erfasst werden können. So kann ein Nutzer des Kraftfahrzeuges für gewöhnlich eine schnelle Route wählen, wenn dieser alleine fährt, jedoch eine andere, ruhigere Route, wenn sich noch andere Personen in dem Kraftfahrzeug befinden.Seat occupancy data is understood to mean, in particular, data which indicate the occupancy of individual seats in the motor vehicle and which can be detected, for example, by means of a seat occupancy sensor, for example a pressure-detecting seat occupancy sensor. Thus, a user of the motor vehicle can usually select a fast route when he is driving alone, but a different, calmer route when there are other people in the motor vehicle.

Unter Beladungsdaten werden wiederum Daten verstanden, welche die Beladung des Kraftfahrzeuges kennzeichnen, beispielsweise was das Kraftfahrzeug geladen hat und/oder das Gesamtgewicht der Ladung, und welche beispielsweise mittels eines Beladungssensors des Kraftfahrzeuges und/oder einem optischen Sensor erfasst werden können. So kann ein Nutzer beispielsweise wiederum für gewöhnlich eine andere Route wählen, wenn keine zusätzliche Beladung im Kraftfahrzeug vorhanden ist, als wenn das Kraftfahrzeug beladen ist, wobei er beispielsweise, insbesondere falls das Kraftfahrzeug voll beladen ist, größere Steigerungen vermeiden würde.Loading data is in turn understood to be data that characterizes the loading of the motor vehicle, for example what the motor vehicle has loaded and/or the total weight of the load, and which can be detected, for example, by means of a loading sensor of the motor vehicle and/or an optical sensor. For example, a user can again usually choose a different route when there is no additional load in the motor vehicle than when the motor vehicle is loaded, for example avoiding larger increases, particularly if the motor vehicle is fully loaded.

Unter Ladestandsdaten werden insbesondere Daten, welche den Ladestand eines Speichers zum Speichern von elektrischer Energie zum Antreiben eines Elektro- oder eines Hybridfahrzeuges und somit die Reichweite des Elektro- oder Hybridfahrzeuges betreffen, handeln. So kann ein Nutzer insbesondere bei einer geringen noch vorhandenen Reichweite bevorzugt Routen wählen, entlang welcher Elektroladestationen angeordnet sind.State of charge data is in particular data relating to the state of charge of a memory for storing electrical energy for driving an electric or hybrid vehicle and thus the range of the electric or hybrid vehicle. In this way, a user can preferably select routes along which electric charging stations are arranged, particularly if the range is still small.

Unter Tankdaten werden weiter Daten, welche die Füllmenge eines Kraftstofftankes des Kraftfahrzeuges kennzeichnen, verstanden und somit Daten, welche angeben, wie weit mit der in dem Kraftstofftank vorhandenen Füllung voraussichtlich noch gefahren werden kann. So kann ein Nutzer des Kraftfahrzeuges bei geringer Füllmenge des Kraftstofftankes bevorzugt eine Route, entlang welcher sich Tankstellen befinden, wählen.Tank data is also understood to mean data which characterize the filling quantity of a fuel tank of the motor vehicle and thus data which indicate how far the fuel tank can probably still be driven with the filling present. Thus, when the fuel tank is low, a user of the motor vehicle can preferably select a route along which gas stations are located.

Basierend auf Kalenderdaten kann ferner erfasst werden, ob der Nutzer auf dem Weg zu einem eingetragenen Termin, beispielsweise einem Meeting ist, wobei der Nutzer beispielsweise bevorzugt eine schnellere Route zu dem Ort, an welchem der Termin beziehungsweise das Meeting stattfindet, wählen würde.Based on calendar data, it can also be recorded whether the user is on his way to a registered appointment, for example a meeting, with the user for example preferring to choose a faster route to the location where the appointment or the meeting is taking place.

Ferner kann der Nutzer des Kraftfahrzeuges je nach Vorliegen unterschiedlicher Witterungen verschiedene Routen bevorzugen. Furthermore, the user of the motor vehicle can prefer different routes depending on the presence of different weather conditions.

So kann ein Nutzer beispielsweise bei Schneetreiben Straßen bevorzugen, welche häufiger geräumt werden als andere Straßen.For example, when it snows, a user can prefer roads that are cleared more frequently than other roads.

Dabei, dass die kraftfahrzeugspezifischen Daten Zeitdaten, Sitzbelegungsdaten, Beladungsdaten, Ladestandsdaten, Tankdaten, Kalenderdaten und/oder Wetterdaten aufweisen, handelt es sich jedoch nur um eine nicht einschränkende Ausführungsform. Insbesondere kann es sich bei den kraftfahrzeugspezifischen Daten auch um sämtliche weitere Daten handeln, in Abhängigkeit welcher Nutzer des Kraftfahrzeuges für gewöhnlich unterschiedliche Routen wählen.However, the fact that the motor vehicle-specific data includes time data, seat occupancy data, loading data, charge level data, tank data, calendar data and/or weather data is only a non-limiting embodiment. In particular, the motor vehicle-specific data can also be all other data depending on which users of the motor vehicle usually select different routes.

Gemäß einer Ausführungsform ist das künstliche-Intelligenz-Modul dabei trainiert, den wahrscheinlichsten Fahrpfad basierend auf erlernten bedingten Wahrscheinlichkeiten, welche abhängig von kraftfahrzeugspezifischen Daten sind, und welche angeben, wie häufig Nutzer des Kraftfahrzeugs in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischen Daten ausgehend von einem in dem digitalen Kartenmaterial enthaltenen Kreuzungspunkt, ausgehend von welchem Nutzer des Kraftfahrzeuges unterschiedlichen Straßen folgen können, einer Straße gefolgt sind, zu ermitteln. Dabei weist der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul ein Bereitstellen von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten und ein Ermitteln des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten auf.According to one embodiment, the artificial intelligence module is trained to calculate the most probable driving path based on learned conditional probabilities, which depend on motor vehicle-specific data and which indicate how often users of the motor vehicle used to drive in the past given the presence of certain motor vehicle-specific data based on an in to determine the crossing point contained in the digital map material, starting from which users of the motor vehicle can follow different roads, have followed a road. The step of determining the most probable driving path of the motor vehicle by the artificial intelligence module includes providing corresponding learned conditional probabilities based on the current motor vehicle-specific data and determining the most probable driving path based on the corresponding learned conditional probabilities.

Unter bedingter Wahrscheinlichkeit wird allgemein die Wahrscheinlichkeit, dass ein spezielles Ereignis eintritt, beispielsweise das Nutzer einer Straße folgen, unter der Voraussetzung, dass ein anderes Ereignis bereits eingetreten ist, beispielsweise gewisse kraftfahrzeugspezifische Daten vorliegen beziehungsweise gegeben sind, verstanden.Conditional probability is generally understood to be the probability that a special event will occur, for example that users will follow a road, provided that another event has already occurred, for example certain motor vehicle-specific data are available or given.

Kreuzungspunkt ist weiter ein Punkt in dem digitalem Kartenmaterial, an welchem sich zwei oder mehrere Straßen kreuzen, und insbesondere ein Punkt in dem digitalen Kartenmaterial, ausgehend von welchem Nutzer des Kraftfahrzeuges verschiedene Stra-ßen nehmen oder befahren, das heißt diesen folgen können. Ferner werden auch Punkte, ausgehend von welchen Nutzer des Kraftfahrzeuges in der Vergangenheit in unterschiedliche Richtungen gefahren sind, als Kreuzungspunkte verstanden.Crossing point is also a point in the digital map material at which two or more streets intersect, and in particular a point in the digital map material from which users of the motor vehicle can take or drive on different streets, i.e. follow them. Furthermore, points from which users of the motor vehicle drove in different directions in the past are also understood as crossing points.

Insgesamt kann der wahrscheinlichste Fahrpfad somit auf hinterlegten erlernten Werten ermittelt werden, wodurch die Genauigkeit und die Schnelligkeit bei der Bestimmung des wahrscheinlichsten Fahrpfades signifikant erhöht werden kann, was insbesondere bei sicherheitskritischen Bedingungen, beispielsweise beim Benutzen von autonom fahrenden Kraftfahrzeugen, von Vorteil ist.Overall, the most probable driving path can thus be determined from stored learned values, which means that the accuracy and speed of determining the most probable driving path can be significantly increased, which is particularly advantageous in safety-critical conditions, for example when using autonomously driving motor vehicles.

Dabei kann der Schritt des Bereitstellens von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten ein Bereitstellen von einem oder mehreren entsprechend trainierten ML-Modellen, beispielsweise von einem oder mehreren entsprechend trainierten künstlichen (neuronalen Netzen) umfassen.The step of providing appropriate learned conditional probabilities based on the current motor vehicle-specific data can include providing one or more appropriately trained ML models, for example one or more appropriately trained artificial (neural networks).

Insbesondere kann das künstliche-Intelligenz-Modul somit ausgebildet sein, den wahrscheinlichsten Fahrpfad basierend auf einem oder mehreren künstlichen (neuronalen) Netz(en) zu ermitteln. Ein künstliches Netz ist insbesondere ein in einem Rechenprogramm nachgebildetes Netz aus künstlichen Neuronen. Das künstliche neuronale Netz basiert dabei typischerweise auf einer Vernetzung von mehreren künstlichen Neuronen. Die künstlichen Neuronen sind dabei typischerweise auf verschiedenen Schichten (layers) angeordnet. Üblicherweise umfasst das künstliche neuronale Netz eine Eingangsschicht und eine Ausgabeschicht (output layer), deren Neuronenausgabe als einzige des künstlichen neuronalen Netzes sichtbar wird. Zwischen der Eingangsschicht und der Ausgabeschicht liegende Schichten werden typischerweise als verdeckte Schichten (hidden layer) bezeichnet. Typischerweise wird zunächst eine Architektur und/oder Topologie eines künstlichen neuronalen Netzes initiiert und dann in einer Trainingsphase für eine spezielle Aufgabe oder für mehrere Aufgaben trainiert. Das Training des künstlichen neuronalen Netzes umfasst dabei typischerweise eine Veränderung einer Gewichtung einer Verbindung zwischen zwei künstlichen Neuronen des künstlichen neuronalen Netzes. Das Training des künstlichen neuronalen Netzes kann auch eine Entwicklung von neuen Verbindungen zwischen künstlichen Neuronen, ein Löschen von bestehenden Verbindungen zwischen künstlichen Neuronen, ein Anpassen von Schwellwerten der künstlichen Neuronen und/oder ein Hinzufügen oder ein Löschen von künstlichen Neuronen umfassen.In particular, the artificial intelligence module can thus be designed to determine the most likely route based on one or more artificial (neural) network(s). An artificial network is in particular a network of artificial neurons that is simulated in a computer program. The artificial neural network is typically based on a network of several artificial neurons. The artificial neurons are typically arranged on different layers. Usually, the artificial neural network comprises an input layer and an output layer (output layer), whose neuron output is the only one of the artificial neural network that is visible. Layers lying between the input layer and the output layer are typically referred to as hidden layers. Typically, an architecture and/or topology of an artificial neural network is first initiated and then trained in a training phase for a specific task or for multiple tasks. The training of the artificial neural network typically includes changing a weighting of a connection between two artificial neurons of the artificial neural network. The training of the artificial neural network can also include developing new connections between artificial neurons, deleting existing connections between artificial neurons, adjusting threshold values of the artificial neurons and/or adding or deleting artificial neurons.

Ein derartiges künstliches Netz hat dabei den Vorteil, dass mit diesem auch große Datenmengen auf einfache Art und Weise verarbeitet werden können, wobei ein derartiges künstliches Netz in der Lage ist, Korrelationen zwischen den Eingangsgrö-ßen, das heißt der in dem digitalen Kartenmaterial enthaltenen Straße und den aktuellen kraftfahrzeugspezifischen Daten, auch bei Vorliegen von Nichtlinearitäten verbessert zu modellieren und gleichzeitig den notwenigen Rechenaufwand gering zu halten, sodass das Verfahren auch mit gewöhnlichen Recheneinheiten und entsprechenden Prozessoren, beispielsweise auch in das Kraftfahrzeug integrierten Steuereinheiten ausgeführt werden kann. Dabei kann ausgehend von jedem Kreuzungspunkt oder von jedem Punkt, ausgehend von welchem Nutzer in der Vergangenheit verschiedenen Straßen gefolgt sind beziehungsweise in verschiedenen Fahrtrichtungen losgefahren sind, ein separates künstliches Netz trainiert sein. Ferner kann aber auch ein einziges künstliches Netz für das gesamte in dem digitale Kartenmaterial enthaltene Straßennetz trainiert sein.Such an artificial network has the advantage that it can also be used to process large amounts of data in a simple manner, with such an artificial network being able to correlate the input variables, ie the road contained in the digital map material and the current motor vehicle-specific data, even if non-linearities are present, and at the same time to keep the necessary computing effort low, so that the method can also be carried out with conventional computing units and corresponding processors, for example also control units integrated in the motor vehicle. A separate artificial network can be trained starting from each crossing point or from each point starting from which users have followed different streets in the past or started in different driving directions. Furthermore, however, a single artificial network can also be trained for the entire road network contained in the digital map material.

Ferner können die bedingten Wahrscheinlichkeiten, das heißt die relativen Häufigkeiten, mit denen Nutzer des Kraftfahrzeuges in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischer Daten ausgehend von einem Kreuzungspunkt unterschiedlichen Straßen gefolgt sind, aber beispielsweise auch basierend auf Markov-Modellen erster oder n-ter Ordnung, oder auch basierend auf einem Clustering beziehungsweise einer Clusteranalyse unter Verwendung weiterer Attribute sowie unter Verwendung eines Markov-Modells ermittelt beziehungsweise erlernt werden.Furthermore, the conditional probabilities, i.e. the relative frequencies with which users of the motor vehicle have followed different roads in the past given the presence of certain motor vehicle-specific data starting from an intersection, but also, for example, based on Markov models of the first or nth order, or can also be determined or learned based on clustering or cluster analysis using further attributes and using a Markov model.

Dabei können beim Bereitstellen der entsprechenden erlernten bedingten Wahrscheinlichkeiten Straßen, welche eine erlernte bedingte Wahrscheinlichkeit aufweisen, welche kleiner als ein vorgegebener Schwellenwert ist, nicht berücksichtigt werden. Dies bedeutet, dass Straßen, welche Nutzer des Kraftfahrzeuges in der Vergangenheit bei Vorliegen derselben kraftfahrzeugspezifischen Daten nur selten befahren haben, nicht berücksichtigt beziehungsweise nicht bereitgestellt werden. Somit hat dies den Vorteil, dass die Menge an während der Ermittlung des wahrscheinlichsten Fahrpfades zu verarbeitenden Daten reduziert wird, sodass insbesondere sichergestellt werden kann, dass das Verfahren auch durch ein Steuergerät eines Kraftfahrzeuges, welches für gewöhnlich eine geringere Rechenleistung und geringere Speicherkapazitäten als vergleichbare Steuergeräte außerhalb des Kraftfahrzeuges aufweist, ausgeführt werden kann und somit auch keine Daten, insbesondere keine persönlichen Daten an ein externes Steuergerät beziehungsweise einen externen Server übermittelt werden müssen. Der Schwellenwert kann dabei durch einen Hersteller des Kraftfahrzeuges voreingestellt sein und beispielsweise 0,05 betragen. Ferner kann der Schwellwert aber auch durch einen Nutzer des Kraftfahrzeuges selber ausgewählt und eingestellt werden.When providing the corresponding learned conditional probabilities, roads that have a learned conditional probability that is less than a predefined threshold value cannot be taken into account. This means that roads which users of the motor vehicle have only rarely driven on in the past when the same motor vehicle-specific data are available are not taken into account or are not provided. This has the advantage that the amount of data to be processed during the determination of the most probable driving path is reduced, so that it can be ensured in particular that the method can also be used by a control unit of a motor vehicle, which usually has less computing power and less storage capacity than comparable control units has outside of the motor vehicle, can be performed and thus no data, in particular no personal data, has to be transmitted to an external control device or an external server. The threshold value can be preset by a manufacturer of the motor vehicle and can be 0.05, for example. Furthermore, the threshold value can also be selected and set by a user of the motor vehicle himself.

Auch kann das künstliche-Intelligenz-Modul ausgebildet sein, die erlernten bedingten Wahrscheinlichkeiten stetig zu aktualisieren, wobei kürzer zurückliegende Fahrten mit dem Kraftfahrzeug beim Erlernen beziehungsweise Aktualisieren der bedingten Wahrscheinlichkeiten stärker gewichtet werden als länger zurückliegende Fahrten mit dem Kraftfahrzeug. Hierdurch kann sichergestellt werden, dass die bedingte Wahrscheinlichkeiten derart erlernt und aktualisiert werden, dass diese immer an die aktuellen Gepflogenheiten und Gewohnheiten der Fahrer beziehungsweise Nutzer des Kraftfahrzeuges angepasst sind. Bei kürzer zurückliegenden Fahrten kann es sich dabei zum Beispiel um während der letzten Monate, beispielsweise im letzten Halbjahr gemachte Trainingsfahrten beziehungsweise Fahrten mit dem Kraftfahrzeug handeln.The artificial intelligence module can also be designed to continuously update the learned conditional probabilities, with trips in the motor vehicle that were more recent in the learning or updating of the conditional probabilities being weighted more heavily than trips in the motor vehicle that were longer in the past. This can ensure that the conditional probabilities are learned and updated in such a way that they are always adapted to the current practices and habits of the driver or user of the motor vehicle. In the case of journeys that are more recent, these can, for example, be training journeys or journeys made in the motor vehicle in the last few months, for example in the last six months.

In einer Ausführungsform weist der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten weiter ein Auswählen einer Fahrstrecke beziehungsweise einer Straße, welche ausgehend von einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition die höchste bedingte Wahrscheinlichkeit aufweist, als Teil des wahrscheinlichsten Fahrpfades auf, wobei anschließend an Kreuzungspunkten entlang des wahrscheinlichsten Fahrpfades jeweils die von dem entsprechenden Kreuzungspunkt abgehende Straße mit der größten bedingten Wahrscheinlichkeit als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird. Somit wird zu jeder Zeit die Straße beziehungsweise die Fahrstrecke ausgewählt, welche basierend auf den aktuellen kraftfahrzeugspezifischen Daten die größte bedingte Wahrscheinlichkeit aller von einem entsprechenden Kreuzungspunkt abgehenden Straßen aufweist, wobei der wahrscheinlichste Fahrpfad durch die entsprechend ausgewählten Fahrstrecken beziehungsweise Straßen gebildet wird. Dies hat den Vorteil, dass die zum Ermitteln des wahrscheinlichsten Fahrpfades erforderliche Rechenleistung und Rechenzeit äußerst geringgehalten werden kann und somit die Anforderung an eine Datenverarbeitungsanlage, auf welcher das Verfahren ausgeführt wird, noch weiter minimiert werden können und das Verfahren beispielsweise vollständig auf in das Kraftfahrzeug selber integrierten Steuereinheiten ausgeführt werden kann.In one embodiment, the step of determining the most probable travel path based on the corresponding learned conditional probabilities further includes selecting a route or a road which, starting from a starting position corresponding to the current absolute position data of the motor vehicle, has the highest conditional probability as part of the most probable travel path on, wherein then at crossing points along the most probable travel path in each case the street branching off from the corresponding crossing point with the greatest conditional probability is selected as part of the most probable travel path. Thus, at any time, the road or the route is selected which, based on the current vehicle-specific data, has the greatest conditional probability of all the roads leading from a corresponding crossing point, with the most probable route being formed by the correspondingly selected routes or roads. This has the advantage that the computing power and computing time required to determine the most probable travel path can be kept extremely low and thus the requirement for a data processing system on which the method is carried out can be further minimized and the method can, for example, be carried out completely in the motor vehicle itself integrated control units can be executed.

In einer weiteren Ausführungsform weist der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten für eine oder mehrere mögliche Zielpositionen jeweils ein Ermitteln aller möglichen Routen zwischen einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition und der entsprechenden Zielposition auf, wobei anschließend die Route zwischen der Startposition und einer Zielposition der einen oder mehreren möglichen Zielpositionen als wahrscheinlichster Fahrpfad ausgewählt wird, welche insgesamt die größte Gesamtwahrscheinlichkeit aller ermittelten Routen aufweist.In a further embodiment, the step of determining the most probable driving path based on the corresponding learned conditional probabilities for one or more possible target positions includes determining all possible routes between a starting position corresponding to the current absolute position data of the motor vehicle and the corresponding target position, with the Route between the starting position and a target position of the one or more possible target positions is selected as the most probable travel path, which has the greatest overall probability of all determined routes.

Als Route wird hierbei ein möglicher Weg zwischen der Startposition und einer Zielposition verstanden, wobei sich dieser Weg aus einer Kombination einzelnen Fahrstrecken beziehungsweise einzelner Straßen zusammensetzt.A route is understood here as a possible path between the starting position and a target position, this path being composed of a combination of individual routes or individual streets.

Gesamtwahrscheinlichkeit bezeichnet ferner die Wahrscheinlichkeit, mit welcher Nutzer des Kraftfahrzeuges genau dieser Kombination einzelner Fahrstrecken beziehungsweise Straßen folgt beziehungsweise die relative Häufigkeit, mit welcher Nutzer des Kraftfahrzeuges in der Vergangenheit bei Vorliegen derselben kraftfahrzeugspezifischen Daten genau dieser Kombination einzelner Fahrstrecken beziehungsweise Straßen gefolgt sind, das heißt genau diese Straßen entsprechend nacheinander befahren haben.Overall probability also refers to the probability with which the user of the motor vehicle will follow precisely this combination of individual routes or roads or the relative frequency with which users of the motor vehicle have followed precisely this combination of individual routes or roads in the past given the same motor vehicle-specific data, i.e. exactly have traveled these streets one after the other.

Hierdurch kann auf effiziente Art und Weise und mit geringer Rechenleistung die Genauigkeit bei der Ermittlung des höchstwahrscheinlichen Fahrpfades zwischen einem, durch die aktuellen Absolut-Positionsdaten gekennzeichneten Startpunkt und einer möglichen Zielposition noch weiter verbessert werden.As a result, the accuracy in determining the most probable travel path between a starting point identified by the current absolute position data and a possible destination position can be improved even further in an efficient manner and with little computing power.

Bei der einen oder den mehreren möglichen Zielpositionen kann es sich hierbei um einen oder mehrere vorbestimmte Zielpunkte, einen oder mehrere basierend auf dem digitalen Kartenmaterial nach einer gewissen Zeit erreichbare Positionen, oder einen oder mehrere basierend auf dem digitalen Kartenmaterial nach Zurücklegen einer gewissen Entfernung erreichbare Positionen handeln. Die vorbestimmten Zielpunkte können dabei durch ein Nutzer des Kraftfahrzeuges beispielsweise mittels eines Navigationssystems des Kraftfahrzeuges vorgegeben werden. Ferner kann der vorbestimmte Zielpunkt aber auch aus zurückliegenden Fahrten mit dem Kraftfahrzeug ermittelt werden, indem beispielsweise ermittelt wird, dass Nutzer des Kraftfahrzeuges zu einer bestimmten Uhrzeit an einem gewissen Wochentag immer zu demselben Zielpunkt gefahren sind. Die gewisse Zeit und/oder die gewisse Entfernung kann dabei durch einen Hersteller des Kraftfahrzeuges voreingestellt sein, oder aber auch durch Nutzer des Kraftfahrzeuges frei gewählt werden. Dabei kann die gewisse Zeit und/oder die gewisse Entfernung insbesondere derart voreingestellt sein, dass Systemanforderungen eingehalten werden und das Verfahren insbesondere auf einem Steuergerät innerhalb des Kraftfahrzeuges, das heißt vollständig auf in das Kraftfahrzeug integrierten Steuereinheiten ausgeführt werden kann.The one or more possible target positions can be one or more predetermined target points, one or more positions that can be reached after a certain time based on the digital map material, or one or more positions that can be reached after a certain distance based on the digital map material act. The predetermined destinations can be specified by a user of the motor vehicle, for example using a navigation system of the motor vehicle. Furthermore, the predetermined destination can also be determined from previous journeys with the motor vehicle, for example by determining that users of the motor vehicle always drove to the same destination at a specific time on a specific day of the week. The certain time and/or the certain distance can be set by a manufacturer of the force vehicle be preset, or be freely selected by users of the motor vehicle. The certain time and/or the certain distance can be preset in such a way that system requirements are met and the method can be executed in particular on a control unit inside the motor vehicle, ie completely on control units integrated in the motor vehicle.

In einer Ausführungsform ist das Künstliche-Intelligenz-Modul zudem ausgebildet und trainiert, den wahrscheinlichsten Fahrpfad basierend auf einer Straße, auf welche Absolut-Positionsdaten des Kraftfahrzeuges abgebildet werden, kraftfahrzeugspezifischen Daten und nutzerspezifischen Daten zu ermitteln, wobei das Verfahren weiter ein Ermitteln eines Fahrers des Kraftfahrzeuges, ein Bestimmen von dem Fahrer des Kraftfahrzeuges zugeordneten nutzerspezifischen Daten, und ein Ermitteln des wahrscheinlichsten Fahrpfades für das Kraftfahrzeug durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße, den aktuellen kraftfahrzeugspezifischen Daten und den nutzerspezifischen Daten, aufweist.In one embodiment, the artificial intelligence module is also designed and trained to determine the most likely driving path based on a road on which absolute position data of the motor vehicle are mapped, motor vehicle-specific data and user-specific data, with the method also including determining a driver of the motor vehicle, determining user-specific data assigned to the driver of the motor vehicle, and determining the most likely route for the motor vehicle by the artificial intelligence module based on the information about the road contained in the digital map material, the current motor vehicle-specific data and the user-specific data , having.

Während kraftfahrzeugspezifische Daten Informationen beziehungsweise Daten, welche auf sämtlichen Fahrten mit dem Kraftfahrzeug beruhen, das heißt unabhängig davon sind, welcher Nutzer das Kraftfahrzeug tatsächlich genutzt hat, bezeichnen, werden als nutzerspezifische Daten Daten bezeichnet, welche gesondert für jeden einzelnen Fahrer beziehungsweise Nutzer des Kraftfahrzeuges erfasst wurden.While motor vehicle-specific data refers to information or data based on all journeys with the motor vehicle, i.e. independent of which user actually used the motor vehicle, user-specific data refers to data that is recorded separately for each individual driver or user of the motor vehicle became.

Dass das künstliche-Intelligenz-Modul dabei ausgebildet und trainiert ist, den höchstwahrscheinlichen Fahrpfad basierend auf einer Straße, auf welche Absolut-Positionsdaten des Kraftfahrzeuges abgebildet werden, kraftfahrzeugspezifischen Daten und nutzerspezifischen Daten zu ermitteln, kann dabei beispielsweise bedeuten, dass für jeden individuellen Nutzer beziehungsweise Fahrer des Kraftfahrzeug ein separates künstliches Netz trainiert und in dem künstliche-Intelligenzmodul hinterlegt ist.The fact that the artificial intelligence module is designed and trained to determine the most likely driving path based on a road on which the absolute position data of the motor vehicle are mapped, motor vehicle-specific data and user-specific data can mean, for example, that for each individual user or Drivers of the motor vehicle are trained in a separate artificial network and stored in the artificial intelligence module.

Somit kann das Verfahren weiter auch derart ausgebildet sein, dass das künstliche-Intelligenz-Modul für jeden individuellen Fahrer beziehungsweise Nutzer des Kraftfahrzeuges separat trainiert ist, wodurch die Ermittlung des wahrscheinlichsten Fahrpfades an die Gepflogenheiten beziehungsweise Gewohnheiten des individuellen Fahrers beziehungsweise Nutzers angepasst werden kann und somit die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades noch weiter erhöht werden kann.The method can therefore also be designed in such a way that the artificial intelligence module is trained separately for each individual driver or user of the motor vehicle, as a result of which the determination of the most likely driving path can be adapted to the habits or habits of the individual driver or user and thus the accuracy in determining the most probable travel path can be further increased.

Die Ermittlung eines Fahrers beziehungsweise Nutzers des Kraftfahrzeuges kann dabei auf sämtliche gängige Arten und Weisen erfolgen, beispielsweise indem sich ein Nutzer vor der Nutzung eines autonom fahrenden Fahrzeuges in ein entsprechendes System einloggt.A driver or user of the motor vehicle can be determined in any of the usual ways, for example by a user logging into a corresponding system before using an autonomously driving vehicle.

Mit einer weitere Ausführungsform der Erfindung wird auch ein Steuergerät zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges angegeben, welches ausgebildet ist, ein oben beschriebenes Verfahren auszuführen.A further embodiment of the invention also specifies a control unit for determining a most probable driving path of a motor vehicle, which is designed to carry out a method as described above.

Ein derartiges Steuergerät hat den Vorteil, dass dieses ausgebildet ist, ein Verfahren auszuführen, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges durch das Steuergerät ausgeführt und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.Such a control device has the advantage that it is designed to carry out a method in which, in addition to digital map material, the current position of the motor vehicle and the direction of travel of the motor vehicle, motor vehicle-specific data are also taken into account when determining the most likely route. For example, it can be advantageous and preferable to avoid routes with steep inclines in certain weather conditions or loading conditions and to select alternative routes instead, wherein according to the invention a corresponding behavior learned from previous journeys with the same motor vehicle can be taken into account when determining the most probable driving path. Overall, an improved method for determining a most probable driving path of a motor vehicle is therefore carried out by the control device and in particular a method with which the accuracy when determining the most probable driving path can be increased.

Dadurch, dass die Bestimmung des wahrscheinlichsten Fahrpfades auf künstlicher Intelligenz basiert, kann die Bestimmung des wahrscheinlichsten Fahrpfades zudem schnell und effizient mit geringem Rechenaufwand erfolgen, wobei die Bestimmung des wahrscheinlichsten Fahrpfades nicht auf Basis einer computergestützt ermittelten Trajektorie sondern basierend auf erlernten Werten für einzelne mögliche Fahrstrecken, welche das tatsächliche Verhalten von Fahrern des Kraftfahrzeuges wiederspiegeln, erfolgt.Because the determination of the most probable travel path is based on artificial intelligence, the most probable travel path can also be determined quickly and efficiently with little computing effort, with the most probable travel path being determined not on the basis of a computer-aided trajectory but on learned values for individual possible routes , which reflect the actual behavior of drivers of the motor vehicle takes place.

Mit einer weiteren Ausführungsform der Erfindung wird ferner auch ein Kraftfahrzeug angegeben, welches ein derartiges Steuergerät aufweist.A further embodiment of the invention also specifies a motor vehicle which has such a control unit.

Ein derartiges Kraftfahrzeug hat den Vorteil, dass dieses ein Steuergerät aufweist, welches ausgebildet ist, ein Verfahren auszuführen, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges durch das Steuergerät ausgeführt und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.Such a motor vehicle has the advantage that it has a control unit which is designed to execute a method in which, in addition to digital map material, the current position of the motor vehicle and the direction of travel of the motor vehicle, motor vehicle-specific data are also taken into account when determining the most likely route. For example, it may be advantageous and preferable for certain ten weather or loading conditions to avoid routes with steep inclines and instead to choose alternative routes, according to the invention a corresponding behavior learned from previous trips with the same motor vehicle can be taken into account when determining the most likely route. Overall, an improved method for determining a most probable driving path of a motor vehicle is therefore carried out by the control device and in particular a method with which the accuracy when determining the most probable driving path can be increased.

Mit einer weiteren Ausführungsform der Erfindung wird zudem auch ein Computerprogrammprodukt angegeben, welches Instruktionen umfasst, die durch einen Computer ausführbar sind, um ein oben beschriebenes Verfahren auszuführen.A further embodiment of the invention also specifies a computer program product which includes instructions which can be executed by a computer in order to carry out a method described above.

Ein derartiges Computerprogrammprodukt hat den Vorteil, dass dieses implementiert ist, ein Verfahren auszuführen, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges ausgeführt und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.Such a computer program product has the advantage that it is implemented to execute a method in which, in addition to digital map material, the current position of the motor vehicle and the direction of travel of the motor vehicle, motor vehicle-specific data are also taken into account when determining the most likely route. For example, it can be advantageous and preferable to avoid routes with steep inclines in certain weather conditions or loading conditions and to select alternative routes instead, wherein according to the invention a corresponding behavior learned from previous journeys with the same motor vehicle can be taken into account when determining the most probable driving path. Overall, an improved method for determining a most probable driving path of a motor vehicle is thus implemented, and in particular a method with which the accuracy when determining the most probable driving path can be increased.

Dadurch, dass die Bestimmung des wahrscheinlichsten Fahrpfades auf künstlicher Intelligenz basiert, kann die Bestimmung des wahrscheinlichsten Fahrpfades zudem schnell und effizient mit geringem Rechenaufwand erfolgen, wobei die Bestimmung des wahrscheinlichsten Fahrpfades nicht auf Basis einer computergestützt ermittelten Trajektorie sondern basierend auf erlernten Werten für einzelne mögliche Fahrstrecken, welche das tatsächliche Verhalten von Fahrern des Nutzfahrzeuges wiederspiegeln, erfolgt.Because the determination of the most probable travel path is based on artificial intelligence, the most probable travel path can also be determined quickly and efficiently with little computing effort, with the most probable travel path being determined not on the basis of a computer-aided trajectory but on learned values for individual possible routes , which reflect the actual behavior of drivers of the commercial vehicle takes place.

Zusammenfassend ist festzustellen, dass mit der vorliegenden Erfindung ein verbessertes Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges angegeben wird und insbesondere ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges durch künstliche Intelligenz.In summary, it can be stated that the present invention specifies an improved method for determining a most probable travel path for a motor vehicle and in particular a method for determining a most probable travel path for a motor vehicle using artificial intelligence.

Durch das Verwenden eines entsprechend trainierten künstliche-Intelligenz-Moduls, können dabei auch große Datenmengen auf einfache Art und Weise und mit geringem Rechenaufwand verarbeitet werden, sodass das Verfahren auch durch gewöhnliche Recheneinheiten beziehungsweise Datenverarbeitungsanlagen ausgeführt werden kann.By using an appropriately trained artificial intelligence module, large amounts of data can also be processed in a simple manner and with little computing effort, so that the method can also be carried out by conventional computing units or data processing systems.

Dabei kann das Verfahren insbesondere auch derart ausgebildet sein, dass das Verfahren vollständig auf einem Steuergerät eines Kraftfahrzeuges ausgeführt werden kann, ohne das Daten zur Verarbeitung nach extern gesendet werden müssen.The method can in particular also be designed in such a way that the method can be carried out completely on a control unit of a motor vehicle without data having to be sent externally for processing.

Die Erfindung wird nun anhand der beigefügten Figuren näher erläutert.

1 zeigt ein Flussdiagramm eines Verfahrens zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß Ausführungsformen der Erfindung;
2 zeigt ein Flussdiagramm eines Verfahrens zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß einer Ausführungsform der Erfindung;
3 illustriert ein Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß einer Ausführungsform der Erfindung;
4 zeigt ein Blockschaltbild eines Steuergerätes, welches ausgebildet ist, einen wahrscheinlichsten Fahrpfad eines Kraftfahrzeuges zu ermitteln, gemäß Ausführungsformen der Erfindung.

The invention will now be explained in more detail with reference to the accompanying figures.

1 shows a flow chart of a method for determining a most probable driving path of a motor vehicle according to embodiments of the invention;
2 shows a flow chart of a method for determining a most probable driving path of a motor vehicle according to an embodiment of the invention;
3 illustrates a method for determining a most likely travel path of a motor vehicle according to an embodiment of the invention;
4 FIG. 1 shows a block diagram of a control device which is designed to determine a most likely driving path of a motor vehicle, according to embodiments of the invention.

1 zeigt ein Flussdiagramm eines Verfahrens 1 zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß Ausführungsformen der Erfindung. 1 1 shows a flow chart of a method 1 for determining a most probable driving path of a motor vehicle according to embodiments of the invention.

Wie 1 zeigt, weist das Verfahren dabei einen Schritt 2 eines Erfassens von Absolut-Positionsdaten eines Kraftfahrzeuges mittels eines Absolut-Positioniersystems und einen Schritt 3 eines Abbildens der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße basierend auf einem Map-Matching Algorithmus auf.As 1 shows, the method has a step 2 of acquiring absolute position data of a motor vehicle using an absolute positioning system and a step 3 of mapping the absolute position data onto a road contained in digital map material based on a map-matching algorithm.

Um die Sicherheit beim Führen eines Kraftfahrzeuges zu erhöhen, sollten Fahrerassistenzsysteme von Kraftfahrzeugen, insbesondere von autonom fahrenden Kraftfahrzeugen, nicht nur Informationen über den Nahbereich des Kraftfahrzeuges, das heißt über die unmittelbare Umgebung des Kraftfahrzeuges, sondern auch Informationen über den weiteren, wahrscheinlich bevorstehenden Streckenverlauf berücksichtigen. Beispielsweise kann die Sicherheit beim Führen eines autonom fahrenden Kraftfahrzeuges erhöht werden, wenn ein wahrscheinlich bevorstehender Streckenverlauf bei der Steuerung von Fahrerassistenzfunktionen des autonom fahrenden Kraftfahrzeuges berücksichtigt wird, beispielsweise bei der Steuerung eines Geschwindigkeitslimit-Assistenten beziehungsweise Speed Limit Assist, bei der Steuerung von adaptivem Kurvenlicht, oder beim Schaltverhalten eines Automatikgetriebes erhöht werden. Hierdurch kann die Sicherheit für einen Fahrer des Kraftfahrzeuges sowie weitere Verkehrsteilnehmer erheblich erhöht werden. Zudem resultiert dies in einer Energieersparnis, zumal das Fahrerassistenzsystem immer direkt an die voraussichtlichen Gegebenheiten angepasst werden kann.In order to increase safety when driving a motor vehicle, driver assistance systems of motor vehicles, in particular of autonomously driving motor vehicles, should not only take into account information about the immediate vicinity of the motor vehicle, i.e. about the immediate surroundings of the motor vehicle, but also information about the further, probably forthcoming route . For example, safety when driving an autonomously driving motor vehicle can be increased if a route that is likely to follow is taken into account when controlling driver assistance functions of the autonomously driving motor vehicle, for example when controlling a speed limit assistant or Speed Limit Assist, when controlling adaptive cornering lights, or be increased in the shifting behavior of an automatic transmission. As a result, the safety for a driver of the motor vehicle and other road users can be significantly increased. In addition, this results in energy savings, especially since the driver assistance system can always be adapted directly to the expected circumstances.

Das Verfahren 1 gemäß der ersten Ausführungsform weist dabei weiter einen Schritt 4 eines Erfassens von aktuellen kraftfahrzeugspezifischen Daten auf, wobei in einem folgenden Schritt 5 Information über die in dem digitalen Kartenmaterial enthaltene Straße und die aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul bereitgestellt werden, wobei das Künstliche-Intelligenz-Modul trainiert ist, basierend auf einer Straße, auf welche Absolut-Positionsdaten des Kraftfahrzeuges abgebildet werden, und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad durch künstliche Intelligenz zu ermitteln, und wobei in einem anschließenden Schritt 6 ein wahrscheinlichster Fahrpfad des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße und den aktuellen kraftfahrzeugspezifischen Daten ermittelt wird.The method 1 according to the first embodiment further has a step 4 of acquiring current vehicle-specific data, with information about the road contained in the digital map material and the current vehicle-specific data being provided to an artificial intelligence module in a subsequent step 5 , wherein the artificial intelligence module is trained, based on a road on which absolute position data of the motor vehicle are mapped, and motor vehicle-specific data to determine a most probable driving path by artificial intelligence, and wherein in a subsequent step 6 a most probable driving path of the motor vehicle is determined by the artificial intelligence module based on the information about the road contained in the digital map material and the current motor vehicle-specific data.

Unter kraftfahrzeugspezifischen Daten werden dabei wiederum Daten verstanden, welche spezifisch beziehungsweise charakteristisch für Nutzung, das heißt die Nutzer beziehungsweise Fahrer des Kraftfahrzeuges sind und insbesondere Daten, welche gewisse Eigenschaften, beispielsweise Sitzbelegungen, Fahrzeiten und Gewichtsverteilungen, die Einfluss auf die tatsächliche Routenwahl haben können, kennzeichnen, und wobei dieser Einfluss während zurückliegender Fahrten mit dem Kraftfahrzeug erfasst worden sein kann.Motor vehicle-specific data is understood to be data that is specific or characteristic of use, i.e. the users or drivers of the motor vehicle, and in particular data that characterize certain properties, such as seat occupancy, travel times and weight distribution, which can influence the actual choice of route , and this influence may have been recorded during previous trips with the motor vehicle.

Gemäß den Ausführungsformen der 1 wird somit ein Verfahren 1 angegeben, bei welchem neben digitalem Kartenmaterial, der aktuellen Position des Kraftfahrzeuges und der Fahrtrichtung des Kraftfahrzeuges auch kraftfahrzeugspezifische Daten bei der Ermittlung des wahrscheinlichsten Fahrpfades berücksichtigt werden. Beispielsweise kann es von Vorteil und bevorzugt sein, bei bestimmten Witterungen oder Beladungszuständen Routen mit starken Steigungen zu vermeiden und stattdessen Alternativrouten zu wählen, wobei erfindungsgemäß ein entsprechendes aus zurückliegenden Fahrten mit demselben Kraftfahrzeug erlerntes Verhalten bei der Bestimmung des wahrscheinlichsten Fahrpfades berücksichtigt werden kann. Insgesamt wird somit ein verbessertes Verfahren 1 zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges angegeben und insbesondere ein Verfahren, mit welchem die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades erhöht werden kann.According to the embodiments of 1 a method 1 is thus specified in which, in addition to digital map material, the current position of the motor vehicle and the direction of travel of the motor vehicle, data specific to the motor vehicle are also taken into account when determining the most probable driving path. For example, it can be advantageous and preferable to avoid routes with steep inclines in certain weather conditions or loading conditions and to select alternative routes instead, wherein according to the invention a corresponding behavior learned from previous journeys with the same motor vehicle can be taken into account when determining the most probable driving path. Overall, an improved method 1 for determining a most probable driving path of a motor vehicle is thus specified, and in particular a method with which the accuracy when determining the most probable driving path can be increased.

Die Absolut-Positionsdaten können dabei stetig, beispielsweise alle 10s, erfasst und auf eine in dem digitalen Kartenmaterial enthaltene Straße abgebildet werden, wobei die erfassten Absolut-Positionsdaten jeweils die Basis für die Bestimmung eines wahrscheinlichsten Fahrpfades bilden können.The absolute position data can be recorded continuously, for example every 10s, and mapped onto a road contained in the digital map material, with the recorded absolute Position data can each form the basis for determining a most likely route.

Bei dem künstliche-Intelligenz-Modul kann es sich dabei beispielsweise um auf einem externen Server oder Host ausgebildetes Modul beziehungsweise auf diesem installierte Software handeln, an welchen die Absolut-Positionsdaten des Kraftfahrzeuges und/oder die Informationen über die in dem digitalen Kartenmaterial enthaltene Straße sowie die aktuellen kraftfahrzeugspezifischen Daten übermittelt werden. Ferner kann das künstliche-Intelligenz-Modul aber auch in einem in das Kraftfahrzeug integriertem Steuergerät implementiert sein, falls das entsprechende Steuergerät die notwendigen Rechenkapazitäten aufweist.The artificial intelligence module can be, for example, a module configured on an external server or host or software installed on it, to which the absolute position data of the motor vehicle and/or the information about the road contained in the digital map material and the current vehicle-specific data are transmitted. Furthermore, the artificial intelligence module can also be implemented in a control unit integrated in the motor vehicle if the corresponding control unit has the necessary computing capacity.

Gemäß den Ausführungsformen der 1 wird dabei zudem zunächst überprüft, ob genug kraftfahrzeugspezifische Daten vorliegen, sodass das künstliche-Intelligenz-Modul den wahrscheinlichsten Fahrpfad basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße sowie den aktuellen kraftfahrzeugspezifischen Daten ermitteln kann 7. Falls dies der Fall ist, wird der wahrscheinlichste Fahrpfad entsprechend durch künstliche Intelligenz basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße sowie den aktuellen kraftfahrzeugspezifischen Daten ermittelt. Falls diesem jedoch nicht der Fall ist, so werden Flottenmodelle, das heißt durch den Hersteller hinterlegte Daten, für die Ermittlung des wahrscheinlichsten Fahrpfades verwendet oder dieser basierend auf Schätzwerten ermittelt 8.According to the embodiments of 1 it is also first checked whether there is enough motor vehicle-specific data so that the artificial intelligence module can determine the most likely route based on the information about the road contained in the digital map material and the current motor vehicle-specific data 7. If this is the case, the most probable driving path is determined accordingly by artificial intelligence based on the information about the road contained in the digital map material and the current motor vehicle-specific data. However, if this is not the case, fleet models, i.e. data stored by the manufacturer, are used to determine the most likely route or this is determined based on estimated values 8.

Wie 1 weiter zeigt, weist das Verfahren 1 zudem einen Schritt 9 eines Bereitstellens des ermittelten wahrscheinlichsten Fahrpfades an Fahrerassistenzsysteme und/oder elektronische Komponenten des Kraftfahrzeuges auf. Dies hat den Vorteil, dass Fahrerassistenzsysteme, beispielsweise ein Geschwindigkeitslimit-Assistent, eine Steuerung von adaptivem Kurvenlicht, oder eine Steuerung eines Automatikgetriebes direkt den genaueren ermittelten wahrscheinlichen Fahrpfad verarbeiten können, um die entsprechenden Funktionen des Kraftfahrzeuges entsprechend zu steuern, wodurch die Sicherheit und die Genauigkeit beim Steuern des entsprechenden Funktionen des Kraftfahrzeuges erhöht werden kann. Dabei kann der ermittelte wahrscheinlichste Fahrpfad drahtlos oder drahtgebunden, beispielsweise über einen Fahrzeug-Bus beziehungsweise einen CAN-Bus an die Fahrerassistenzsysteme übermittelt werden.As 1 further shows, the method 1 also has a step 9 of providing the determined most probable driving path to driver assistance systems and/or electronic components of the motor vehicle. This has the advantage that driver assistance systems, such as a speed limit assistant, a controller for adaptive headlights, or a controller for an automatic transmission can directly process the more precisely determined probable driving path in order to control the corresponding functions of the motor vehicle accordingly, thereby increasing safety and accuracy can be increased when controlling the corresponding functions of the motor vehicle. The determined most probable driving path can be transmitted to the driver assistance systems wirelessly or by wire, for example via a vehicle bus or a CAN bus.

Gemäß den Ausführungsformen der 1 weisen die kraftfahrzeugspezifischen Daten weiter Zeitdaten, Sitzbelegungsdaten, Beladungsdaten, Ladestandsdaten, Tankdaten, Kalenderdaten und/oder Wetterdaten auf.According to the embodiments of 1 the motor vehicle-specific data also includes time data, seat occupancy data, loading data, charge status data, tank data, calendar data and/or weather data.

Gemäß den Ausführungsformen der 1 ist das Künstliche-Intelligenz-Modul zudem trainiert, den wahrscheinlichsten Fahrpfad basierend auf einer Straße, auf welche Absolut-Positionsdaten eines Kraftfahrzeuges abgebildet werden, kraftfahrzeugspezifischen Daten und nutzerspezifischen Daten zu ermitteln, wobei das Verfahren, wie 1 zeigt, einen Schritt 10 eines Ermitteln eines Fahrers des Kraftfahrzeuges aufweist, wobei in einem folgenden Schritt 11 dem Fahrer des Kraftfahrzeuges zugeordnete nutzerspezifischen Daten ermittelt werden, und wobei in einem anschließenden Schritt 12 der wahrscheinlichste Fahrpfad für das Kraftfahrzeug durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die in dem digitalen Kartenmaterial enthaltene Straße, den aktuellen kraftfahrzeugspezifischen Daten und den nutzerspezifischen Daten ermittelt wird.According to the embodiments of 1 the artificial intelligence module is also trained to determine the most probable driving path based on a road on which absolute position data of a motor vehicle are mapped, motor vehicle-specific data and user-specific data, the method how 1 shows a step 10 of determining a driver of the motor vehicle, wherein in a following step 11 user-specific data assigned to the driver of the motor vehicle are determined, and wherein in a subsequent step 12 the most probable driving path for the motor vehicle is determined by the artificial intelligence module is determined on the information about the road contained in the digital map material, the current motor vehicle-specific data and the user-specific data.

Während kraftfahrzeugspezifische Daten Informationen beziehungsweise Daten über spezifische Daten, welche auf sämtlichen Fahrten mit dem Kraftfahrzeug beruhen, das heißt unabhängig davon sind, welcher Fahrer tatsächlich mit dem Kraftfahrzeug gefahren ist beziehungsweise welcher Nutzer tatsächlich das Kraftfahrzeug genutzt hat, bezeichnen, werden als nutzerspezifische Daten Daten bezeichnet, welche gesondert für jeden einzelnen Fahrer beziehungsweise Nutzer des Kraftfahrzeuges erfasst wurden. Somit kann das Verfahren weiter auch derart ausgebildet sein, dass das künstliche-Intelligenz-Modul für jeden individuellen Fahrer beziehungsweise Nutzer des Kraftfahrzeuges separat trainiert ist, wodurch die Ermittlung des höchstwahrscheinlichen Fahrpfades an die Gepflogenheiten beziehungsweise Gewohnheiten des individuellen Fahrers beziehungsweise Nutzers angepasst werden kann und somit die Genauigkeit bei der Ermittlung des wahrscheinlichsten Fahrpfades noch weiter erhöht werden kann. Die nutzerspezifischen Daten können dabei in einzelnen Fahrerprofilen hinterlegt sein.While motor vehicle-specific data refers to information or data about specific data based on all journeys with the motor vehicle, i.e. independent of which driver actually drove the motor vehicle or which user actually used the motor vehicle, user-specific data is data , which were recorded separately for each individual driver or user of the motor vehicle. The method can therefore also be designed in such a way that the artificial intelligence module is trained separately for each individual driver or user of the motor vehicle, as a result of which the determination of the most likely driving path can be adapted to the habits or habits of the individual driver or user and thus the accuracy in determining the most probable travel path can be further increased. The user-specific data can be stored in individual driver profiles.

Die Ermittlung eines Fahrers beziehungsweise Nutzers des Kraftfahrzeuges kann dabei gemäß den Ausführungsformen der 1 auf sämtliche gängige Arten und Weisen erfolgen, beispielsweise indem sich ein Nutzer vor der Nutzung eines autonom fahrenden Fahrzeuges in das System einloggt.The determination of a driver or user of the motor vehicle can according to the embodiments of 1 be done in all common ways, for example by a user logging into the system before using an autonomously driving vehicle.

Falls das Kraftfahrzeug ferner während der Fahrt von dem ermittelten wahrscheinlichsten Fahrpfad abweicht, wird zudem gemäß den Ausführungsformen der 1 basierend von auf der aktuellen Position des Kraftfahrzeuges basierenden Absolut-Positionsdaten ein neuer wahrscheinlichster Fahrpfad ermittelt.If the motor vehicle also deviates from the determined most probable driving path while driving, according to the embodiments of 1 based on the current position of the motor vehicle absolute Position data determines a new most likely route.

2 zeigt ein Flussdiagramm eines Verfahrens 20 zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß einer Ausführungsform der Erfindung. 2 FIG. 1 shows a flow chart of a method 20 for determining a most probable driving path of a motor vehicle according to an embodiment of the invention.

Wie 2 zeigt, weist das Verfahren 20 dabei wiederum ein Erfassen von Absolut-Positionsdaten eines Kraftfahrzeuges 21, ein Abbilden der Absolut-Positionsdaten auf eine in digitalem Kartenmaterial enthaltene Straße basierend 22, ein Erfassen von aktuellen kraftfahrzeugspezifischen Daten 23, ein Bereitstellen von Informationen über die erste Straße und der aktuellen kraftfahrzeugspezifischen Daten an ein Künstliche-Intelligenz-Modul 24, wobei das Künstliche-Intelligenz-Modul trainiert ist, basierend auf einer Straße, auf welche Absolut-Positionsdaten eines Kraftfahrzeuges abgebildet werden, und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad zu ermitteln, und ein Ermitteln eines wahrscheinlichsten Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul basierend auf den Informationen über die erste Straße und den aktuellen kraftfahrzeugspezifischen Daten 25 auf.As 2 shows, the method 20 in turn includes capturing absolute position data of a motor vehicle 21, mapping the absolute position data to a road contained in digital map material based 22, capturing current vehicle-specific data 23, providing information about the first road and the current motor vehicle-specific data to an artificial intelligence module 24, the artificial intelligence module being trained to determine a most likely driving path based on a road on which absolute position data of a motor vehicle are mapped and motor vehicle-specific data, and a Determination of a most probable driving path of the motor vehicle by the artificial intelligence module based on the information about the first road and the current motor vehicle-specific data 25.

Gemäß der Ausführungsform der 2 ist das künstliche-Intelligenz-Modul dabei trainiert, den wahrscheinlichsten Fahrpfad basierend auf erlernten bedingten Wahrscheinlichkeiten, welche abhängig von kraftfahrzeugspezifischen Daten sind, und welche angeben, wie häufig Nutzer des Kraftfahrzeugs in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischen Daten ausgehend von einem in dem digitalen Kartenmaterial enthaltenen Kreuzungspunkt, ausgehend von welchem Nutzer des Kraftfahrzeuges unterschiedlichen Straßen folgen können, einer Straße gefolgt sind, zu ermitteln.According to the embodiment of 2 the artificial intelligence module is trained to determine the most probable driving path based on learned conditional probabilities, which are dependent on motor vehicle-specific data and which indicate how often users of the motor vehicle used to be in the past given the presence of certain motor vehicle-specific data based on a data in the digital map material contained crossing point, starting from which users of the motor vehicle can follow different streets, have followed a street to determine.

Der Schritt 25 des Ermittelns des wahrscheinlichsten Fahrpfades des Kraftfahrzeuges durch das Künstliche-Intelligenz-Modul weist dabei ein Bereitstellen von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten 26 und ein Ermitteln des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten 27 auf.Step 25 of determining the most probable driving path of the motor vehicle by the artificial intelligence module includes providing corresponding learned conditional probabilities based on the current motor vehicle-specific data 26 and determining the most probable driving path based on the corresponding learned conditional probabilities 27 .

Das Bereitstellen von entsprechenden erlernten bedingten Wahrscheinlichkeiten basierend auf den aktuellen kraftfahrzeugspezifischen Daten 26 umfasst dabei ein Bereitstellen von einem oder mehreren entsprechend trainierten ML-Modellen, wobei gemäß der Ausführungsform der 2 ein oder mehrere künstliche (neuronale) Netze bereitgestellt werden.The provision of corresponding learned conditional probabilities based on the current motor vehicle-specific data 26 includes providing one or more appropriately trained ML models, wherein according to the embodiment of 2 one or more artificial (neural) networks are provided.

Ein derartiges künstliches Netz orientiert sich an biologischen neuronalen Netzen und erlaubt es ein unbekanntes Systemverhalten aus vorhandenen Trainingsdaten anzulernen und anschließend das angelernte Systemverhalten auch auf unbekannte Eingangsgrößen anzuwenden. Dabei besteht das neuronale Netz aus Schichten mit idealisierten Neuronen, welche gemäß einer Topologie des Netzes in unterschiedlicher Weise miteinander verbunden sind. Die erste Schicht, welche auch als Eingangsschicht bezeichnet wird, erfasst und überträgt dabei die Eingangswerte, wobei die Anzahl der Neuronen in der Eingangsschicht der Anzahl an Eingangssignalen, welche verarbeitet werden sollen, entspricht. Die letzte Schicht wird auch als Ausgangsschicht bezeichnet und weist für gewöhnlich genauso viele Neuronen auf, wie Ausgabewerte bereitgestellt werden sollen. Zwischen der Eingangsschicht und der Ausgangsschicht befindet sich zudem wenigstens eine Zwischenschicht, welche oftmals auch als verborgene Schicht bezeichnet wird, wobei die Anzahl der Zwischenschichten und die Anzahl der Neuronen in diesen Schichten abhängig von der konkreten Aufgabe, welche durch das künstliche Netz gelöst werden soll, ist.Such an artificial network is based on biological neural networks and allows an unknown system behavior to be learned from existing training data and then to apply the learned system behavior to unknown input variables. The neural network consists of layers with idealized neurons, which are connected to one another in different ways according to a topology of the network. The first layer, which is also referred to as the input layer, acquires and transmits the input values, with the number of neurons in the input layer corresponding to the number of input signals that are to be processed. The last layer is also known as the output layer and usually has as many neurons as there are output values to be provided. There is also at least one intermediate layer between the input layer and the output layer, which is often also referred to as the hidden layer, with the number of intermediate layers and the number of neurons in these layers depending on the specific task to be solved by the artificial network. is.

Ein idealisiertes Neuron kann dabei durch seine gewichteten Verbindungen, welche als Eingänge dienen und eine Übertragungsfunktion, welche beschreibt, wie die Anregungen durch die Eingänge in dem Neuron verarbeitet werden sollen, definiert werden. Die Übertragungsformen können dabei beispielsweise in Form von Sigmoid-Funktionen bereitgestellt werden. Zudem kann über jeweils eine Konstantgröße des Neurons eingestellt werden, wie die entsprechenden Eingänge in einen angestrebten Referenzwert übertragen werden. Derartige Konstantgrößen bilden dabei einen weiteren Freiheitsgrad und haben einen positiven Einfluss darauf Näherungen von Systemverhalten vornehmen zu können.An idealized neuron can be defined by its weighted connections, which serve as inputs, and a transfer function, which describes how the excitations through the inputs are to be processed in the neuron. The transmission forms can be provided in the form of sigmoid functions, for example. In addition, a constant value of the neuron can be used to set how the corresponding inputs are transferred to a desired reference value. Such constant variables form a further degree of freedom and have a positive influence on being able to make approximations of system behavior.

Alternativ zu neuronalen Netzen können dabei aber auch durch andere ML-Algorithmen, beispielsweise eine K-Nearest-Neighbor-Algorithmus oder eine Support-Vector-Machine, klassifizierte, einem angelernten Verhalten entsprechende Daten bereitgestellt werden. Ein derartiger Klassifikationsalgorithmus kann dabei für jeden Entscheidungspunkt separat trainiert werden oder aber auch für eine Gruppe von verschiedenen Startpunkten, ausgehend von welchen das Kraftfahrzeug in der Vergangenheit losgefahren ist.As an alternative to neural networks, classified data corresponding to learned behavior can also be provided by other ML algorithms, for example a K-Nearest Neighbor algorithm or a support vector machine. Such a classification algorithm can be trained separately for each decision point or for a group of different starting points from which the motor vehicle started in the past.

Ferner können die bedingten Wahrscheinlichkeiten aber auch beispielsweise basierend auf Markov-Ketten ermittelt werden, beispielsweise Markov-Ketten erster Ordnung, das heißt nur durch das aktuell befahrene Straßensegment bedingt, ohne durch vergangene befahrene Straßensegmente beeinflusst zu sein. Die bedingten Wahrscheinlichkeiten können aber beispielsweise auch durch Markov-Ketten n-ter Ordnung ermittelt werden, wobei die n zuletzt befahren Straßensegmente mitberücksichtigt werden.Furthermore, the conditional probabilities can also be determined, for example, based on Markov chains, for example first-order Markov chains, that is to say only due to the road segment currently being traveled on, without being determined by road segments traveled on in the past to be influenced. However, the conditional probabilities can also be determined, for example, by Markov chains of the nth order, the n road segments last traveled on also being taken into account.

Zudem kann die Ermittlung der bedingten Wahrscheinlichkeiten aber auch durch ein Clustering beziehungsweise eine Clusteranalyse erfolgen, wobei einzelne Cluster beispielsweise verschiedenen Tageszeiten entsprechen können, wobei für jedes Cluster eine separate Markov-Kette ermittelt werden kann, und wobei hierbei ein dichtenbasierter Algorithmus zur Clusteranalyse, beispielsweise DSBCAN, OPTICS, HDBSCAN, oder eine Mean-Shift Clusterbildung verwendet werden kann.In addition, the conditional probabilities can also be determined by clustering or cluster analysis, with individual clusters being able to correspond to different times of the day, for example, with a separate Markov chain being able to be determined for each cluster, and with a density-based algorithm for cluster analysis, for example DSBCAN , OPTICS, HDBSCAN, or mean-shift clustering can be used.

Gemäß der Ausführungsform der 2 werden dabei zudem Stra-ßen beim Bereitstellen der entsprechenden erlernten bedingten Wahrscheinlichkeiten 25, welche eine erlernte bedingte Wahrscheinlichkeit, welche kleiner als ein vorgegebener Schwellenwert ist, aufweisen beziehungsweise denen eine entsprechende Wahrscheinlichkeit zugeordnet ist, nicht berücksichtigt. Der Schwellenwert kann dabei durch einen Hersteller des Kraftfahrzeuges voreingestellt sein und beispielsweise 0,05 betragen. Ferner kann der Schwellwert aber auch durch einen Nutzer des Kraftfahrzeuges selber ausgewählt und eingestellt werden.According to the embodiment of 2 roads are also not taken into account when providing the corresponding learned conditional probabilities 25 which have a learned conditional probability which is less than a predetermined threshold value or to which a corresponding probability is assigned. The threshold value can be preset by a manufacturer of the motor vehicle and can be 0.05, for example. Furthermore, the threshold value can also be selected and set by a user of the motor vehicle himself.

Auch ist das künstliche-Intelligenz-Modul ausgebildet, die erlernten bedingten Wahrscheinlichkeiten stetig zu aktualisieren, wobei kürzer zurückliegende Fahrten mit dem Kraftfahrzeug beim Aktualisieren der bedingten Wahrscheinlichkeiten stärker gewichtet werden als länger zurückliegende Fahrten mit dem Kraftfahrzeug. Bei kürzer zurückliegenden Fahrten kann es sich dabei zum Beispiel um während der letzten Monate, beispielsweise im letzten Halbjahr gemachte Trainingsfahrten beziehungsweise Fahrten mit dem Kraftfahrzeug handeln.The artificial intelligence module is also designed to continuously update the learned conditional probabilities, with trips in the motor vehicle that took place more recently being weighted more heavily when the conditional probabilities were updated than trips in the motor vehicle that took place longer in the past. In the case of journeys that are more recent, these can, for example, be training journeys or journeys made in the motor vehicle in the last few months, for example in the last six months.

Der Schritt des Ermittelns des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten 26 weist weiter ein Auswählen einer Fahrstrecke, welche ausgehend von einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition in dem digitalen Kartenmaterial die höchste bedingte Wahrscheinlichkeit aufweist, als Teil des wahrscheinlichsten Fahrpfades, wobei anschließend an Kreuzungspunkten entlang des wahrscheinlichsten Fahrpfades jeweils die von dem entsprechenden Kreuzungspunkt abgehende Straße mit der größten bedingten Wahrscheinlichkeit als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird, auf. Dabei kann zur entsprechenden Bestimmung des wahrscheinlichen Fahrpfades insbesondere ein Greedy-Algorithmus verwendet werden.The step of determining the most probable driving path based on the corresponding learned conditional probabilities 26 also includes selecting a route which, starting from a starting position in the digital map material corresponding to the current absolute position data of the motor vehicle, has the highest conditional probability as part of the most probable driving path, wherein then at crossing points along the most probable travel path, the road that leads from the corresponding crossing point with the greatest conditional probability is selected as part of the most probable travel path. A greedy algorithm, in particular, can be used to determine the probable driving path accordingly.

Zudem ist das künstliche-Intelligenz-Modul weiter ausgebildet, beim Ermitteln des wahrscheinlichsten Fahrpfades basierend auf den entsprechenden erlernten bedingten Wahrscheinlichkeiten wahlweise auch, für einen oder mehrere Zielpositionen jeweils alle möglichen Routen zwischen einer aktuellen Absolut-Positionsdaten des Kraftfahrzeuges entsprechenden Startposition in dem digitalen Kartenmaterial und der entsprechenden Zielposition zu ermitteln und anschließend die Route zwischen der Startposition und einer Zielposition der einen oder mehreren möglichen Zielpositionen als wahrscheinlichsten Fahrpfad, welche insgesamt die größte Gesamtwahrscheinlichkeit aller ermittelten Routen aufweist, auszuwählen. Dies kann insbesondere durch Verwendung des Algorithmus von Dijkstra erfolgen, wobei negativ logarithmische Übergangswahrscheinlichkeiten (negative logarthmic conditional transition probabilities) verwendet werden können.In addition, the artificial intelligence module is further developed, when determining the most probable driving path based on the corresponding learned conditional probabilities, optionally also, for one or more target positions, all possible routes between a starting position in the digital map material corresponding to current absolute position data of the motor vehicle and to determine the corresponding target position and then to select the route between the starting position and a target position of the one or more possible target positions as the most probable route, which overall has the greatest overall probability of all the routes determined. In particular, this can be done by using Dijkstra's algorithm, where negative logarithmic conditional transition probabilities can be used.

Bei dem einen oder den mehreren möglichen Zielpunkten handelt es sich dabei insbesondere um einen oder mehrere vorbestimmte Zielpunkte. Ferner kann es sich bei dem einen oder den mehreren Zielpunkten aber auch um einen oder mehrere basierend auf dem digitalen Kartenmaterial nach einer gewissen Zeit erreichbare Zielpunkte, oder um einen oder mehrere basierend auf dem digitalen Kartenmaterial nach Zurücklegen einer gewissen Entfernung erreichbare Zielpunkte handeln.The one or more possible destinations are in particular one or more predetermined destinations. Furthermore, the one or more destination points can also be one or more destination points that can be reached after a certain time based on the digital map material, or one or more destination points that can be reached after covering a certain distance based on the digital map material.

3 illustriert ein Verfahren 30 zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeuges gemäß einer Ausführungsform der Erfindung. 3 FIG. 3 illustrates a method 30 for determining a most likely driving path of a motor vehicle according to an embodiment of the invention.

Insbesondere zeigt 3 dabei mehrere Kreuzungspunkte, welche über entsprechend gerichtete Straßen miteinander verbunden sind, wobei die Richtung der Straße dabei auf der Fahrtrichtung, in welcher Nutzer des Kraftfahrzeuges die entsprechende Straße in der Vergangenheit befahren haben, basiert. Von einem Kreuzungspunkt abgehende Straßen kennzeichnen somit Straßen, welche Nutzer des Kraftfahrzeuges in der Vergangenheit ausgehend von dem entsprechenden Kreuzungspunkt befahren haben. An einem Kreuzungspunkt eingehende Straßen kennzeichnen wiederum Straßen, welche die Nutzer in der Vergangenheit hin zu dem entsprechenden Kreuzungspunkt genutzt haben.In particular shows 3 several crossing points, which are connected to one another via correspondingly directed roads, the direction of the road being based on the direction in which users of the motor vehicle have traveled on the corresponding road in the past. Streets leading from a crossing point thus characterize streets which users of the motor vehicle have traveled on in the past, starting from the corresponding crossing point. Roads entering at an intersection point in turn identify roads which the users have used in the past to reach the corresponding intersection point.

Als Kreuzungspunkt wird dabei ein Punkt in dem digitalem Kartenmaterial bezeichnet, an welchem sich zwei oder mehrere Straßen kreuzen, und insbesondere ein Punkt in dem digitalen Kartenmaterial, ausgehend von welchem Nutzer des Kraftfahrzeuges verschiedene Straßen nehmen oder befahren, das heißt diesen folgen können. Dabei kann man allgemein zwischen Aufteilungspunkten (split points), ausgehend von welchen Nutzer des Kraftfahrzeuges verschiedenen Straßen folgen können, Verschmelzungspunkten (merge points), an welchen mehrere Straße eingehen jedoch in Fahrtrichtung nur eine Straße abgeht, das heißt ausgehend von welchen die Nutzer des Kraftfahrzeuges bei Weiterfahrt in derselben Fahrtrichtung nur einer Straße folgen können, und Aufteilungs-Verschmelzungs-Punkten (split-merge points), das heißt Kombinationen aus Aufteilungs- und Verschmelzungspunkten und insbesondere Punkte, an denen in Fahrtrichtung jeweils mehrere Straßen eingehen und mehrere Straßen abgehen, unterscheiden. Gemäß der Ausführungsform der 3 umfassen die Aufteilungspunkte auch Startpunkte, ausgehend von welchen Nutzer des Kraftfahrzeuges in der Vergangenheit in verschiedene Richtungen beziehungsweise Fahrtrichtungen losgefahren sind.A crossing point is a point in the digital map material at which two or more roads intersect, and in particular a point in the digital map material from which users of the motor vehicle can take or drive on different roads, i.e. follow them. Thereby can there are generally split points (split points) from which users of the motor vehicle can follow different roads, merging points (merge points) at which several roads enter but only one road exits in the direction of travel, i.e. starting from which the users of the motor vehicle continue their journey can only follow one road in the same direction of travel, and split-merge points, i.e. combinations of splitting and merging points and in particular points where several roads enter and several roads exit in the direction of travel. According to the embodiment of 3 the splitting points also include starting points from which users of the motor vehicle started off in different directions or directions of travel in the past.

Dabei werden zudem aktuelle Absolut-Positionsdaten erfasst und auf digitales Karftenmaterial abgebildet, wobei ermittelt wird, dass sich das Kraftfahrzeug aktuell an der mit Bezugszeichen 31 versehenen Startposition befindet.Current absolute position data is also recorded and mapped onto digital map material, it being determined that the motor vehicle is currently located at the starting position provided with reference number 31 .

Auch werden aktuelle kraftfahrzeugspezifische Daten erfasst.Current vehicle-specific data is also recorded.

Zu erkennen ist zudem, dass den einzelnen Straßen beziehungsweise Fahrtstrecken dabei jeweils eine bedingte Wahrscheinlichkeit zugeordnet ist, wobei die bedingten Wahrscheinlichkeiten jeweils abhängig von den aktuellen kraftfahrzeugspezifischen Daten sind, und wobei die bedingten Wahrscheinlichkeiten angeben, wie häufig Nutzer des Kraftfahrzeugs in der Vergangenheit bei Vorliegen gewisser kraftfahrzeugspezifischen Daten ausgehend von einem in dem digitalen Kartenmaterial enthaltenen Kreuzungspunkt, ausgehend von welchem Nutzer des Kraftfahrzeuges unterschiedlichen Straßen folgen können, einer entsprechenden Straße gefolgt ist.It can also be seen that the individual streets or routes are each assigned a conditional probability, with the conditional probabilities being dependent on the current motor vehicle-specific data, and with the conditional probabilities indicating how often users of the motor vehicle have used it in the past if certain motor vehicle-specific data starting from an intersection contained in the digital map material, starting from which users of the motor vehicle can follow different streets, followed a corresponding street.

Ausgehend von der Startposition 31 soll nunmehr der in den nächsten 15 km voraussichtlich zurückgelegte wahrscheinlichste Fahrpfad ermittelt werden, wobei die mit Bezugszeichen 32,33 und 34 gekennzeichneten möglichen Zielpunkte basierend auf dem in dem digitalen Kartenmaterial enthaltenen Straßennetz jeweils nach einer 15km langen Fahrt erreichbar sind.Starting from starting position 31, the most likely route to be traveled in the next 15 km is now to be determined, with the possible destinations marked with reference numbers 32, 33 and 34 based on the road network contained in the digital map material each being reachable after a 15 km journey.

Dabei kann der wahrscheinlichste Fahrpfad nun dadurch ermittelt werden, indem eine Fahrstrecke, welche ausgehend von der Startposition 31 die höchste bedingte Wahrscheinlichkeit aufweist, als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird, wobei anschließend an Kreuzungspunkten entlang des wahrscheinlichsten Fahrpfades jeweils die von dem entsprechenden Kreuzungspunkt abgehende Straße mit der größten bedingten Wahrscheinlichkeit als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird.The most probable travel path can now be determined by selecting a route which, starting from the starting position 31, has the highest conditional probability as part of the most probable travel path, with the road branching off from the corresponding crossing point then being selected at crossing points along the most probable travel path with the greatest conditional probability is selected as part of the most likely travel path.

Wie 3 zeigt, würde somit ausgehend von der Startposition 31 zunächst eine nach links abgehende Fahrstrecke als Teil des wahrscheinlichsten Fahrpfades ausgewählt werden, da diese die größte bedingte Wahrscheinlichkeit aller von der Startposition abgehenden Fahrstrecken aufweist. Folgt man nun dieser Fahrstrecke gelangt man zu einem mit Bezugszeichen 35 gekennzeichneten Kreuzungspunkt. Hier würde nunmehr die von dem Kreuzungspunkt 35 abgehende Straße als Teil des wahrscheinlichsten Fahrpfades ausgewählt, welche die größte bedingte Wahrscheinlichkeit aller von dem Kreuzungspunkt abgehender Straßen aufweist. Gemäß der Ausführungsform der 3 würde somit eine nach oben abgehende Straße, welche mit Bezugszeichen 36 gekennzeichnet ist, als Teil des wahrscheinlichsten Fahrpfades ausgewählt werden. Dieses Verfahren wird anschließend solange wiederholt, bis man zu einer der nach 15km erreichbaren möglichen Zielpositionen 32,33,34 gelangt. Sobald man zu einer der nach 15 km erreichbaren möglichen Zielpositionen 32,33,34 gelangt ist, bricht das Verfahren ab und wird ein aus den einzelnen ausgewählten Fahrstrecken und Straßen zusammengesetzter Fahrpfad als wahrscheinlichster Fahrpfad ausgegeben.As 3 shows, starting from the starting position 31, a route branching off to the left would first be selected as part of the most probable driving path, since this has the greatest conditional probability of all routes branching off from the starting position. If one now follows this route, one arrives at a crossing point marked with reference number 35 . In this case, the road leaving the crossing point 35 would now be selected as part of the most probable driving path, which road has the greatest conditional probability of all the roads leaving the crossing point. According to the embodiment of 3 thus, an uphill road, identified by reference numeral 36, would be selected as part of the most likely path of travel. This process is then repeated until one of the possible target positions 32, 33, 34 that can be reached after 15 km is reached. As soon as one has reached one of the possible target positions 32, 33, 34 that can be reached after 15 km, the method breaks off and a route made up of the individually selected routes and roads is output as the most probable route.

Anzumerken ist dabei, dass, falls mehrere von einem Kreuzungspunkt abgehende Straßen dieselbe bedingte Wahrscheinlichkeit aufweisen, bestimmte Regeln festgelegt sind, welche herangezogen werden können, um eine dieser Straßen als Teil des wahrscheinlichsten Fahrpfades auszuwählen. Beispielsweise kann dabei festgelegt sein, dass in einem derartigen Fall die Straße, welche die wenigsten Kurven aufweist und somit am längsten geradeaus führt, als Teil des wahrscheinlichsten Fahrpfades ausgewählt wird.It should be noted that if several roads leading out of an intersection point have the same conditional probability, certain rules are established which can be used to select one of these roads as part of the most probable travel path. For example, it can be specified that in such a case, the road that has the fewest curves and thus leads the longest straight ahead is selected as part of the most likely driving path.

Alternativ kann der wahrscheinlichste Fahrpfad aber auch durch Ermitteln jeweils aller möglicher Routen zwischen der Startposition 31 und einer der möglichen Zielpositionen 32,33,34 und anschließendes Bestimmen einer Gesamtwahrscheinlichkeit für jede der ermittelten Routen basierend auf den einzelnen den Straßen zugeordneten bedingten Wahrscheinlichkeit erfolgen, wobei die Gesamtwahrscheinlichkeit einer Route die relative Häufigkeit, mit welcher Nutzer in der Vergangenheit bei Vorliegen derselben kraftfahrzeugspezifischen Daten genau dieser Route gefolgt sind. Anschließend wird die Route, welche die höchste Gesamtwahrscheinlichkeit aller ermittelten Routen aufweist, als wahrscheinlichster Fahrpfad ausgewählt.Alternatively, the most probable driving path can also be determined by determining all possible routes between the starting position 31 and one of the possible destination positions 32,33,34 and then determining an overall probability for each of the determined routes based on the individual conditional probability assigned to the roads, with the Overall Probability of a Route The relative frequency with which users have followed exactly this route in the past given the same vehicle-specific data. The route which has the highest overall probability of all the routes determined is then selected as the most probable driving path.

4 zeigt ein Blockschaltbild eines Steuergerätes 40, welches ausgebildet ist, einen wahrscheinlichsten Fahrpfad eines Kraftfahrzeuges zu bestimmen, gemäß Ausführungsformen der Erfindung. 4 FIG. 1 shows a block diagram of a control unit 40, which is designed to determine a most probable travel path of a motor vehicle, according to embodiments of the invention.

Wie 4 zeigt, weist das Steuergerät 40 dabei einen Empfänger 41, welcher ausgebildet ist, von einem Absolut-Positioniersystem erfasste Absolut-Positionsdaten des Kraftfahrzeuges und von Sensoren oder anderen Steuergeräten erfasste kraftfahrzeugspezifische Daten zu erfassen, auf. Bei dem Empfänger 41 kann es sich dabei insbesondere um einen Transceiver handeln.As 4 shows, the control unit 40 has a receiver 41 which is designed to capture absolute position data of the motor vehicle captured by an absolute positioning system and motor vehicle-specific data captured by sensors or other control units. The receiver 41 can in particular be a transceiver.

Zudem weist das Steuergerät 40 ein künstliche-Intelligenz-Modul 42 auf, welches trainiert ist, um basierend auf einer aktuellen Position des Kraftfahrzeugs und kraftfahrzeugspezifischen Daten einen wahrscheinlichsten Fahrpfad zu ermitteln.In addition, control unit 40 has an artificial intelligence module 42 which is trained to determine a most likely driving path based on a current position of the motor vehicle and motor vehicle-specific data.

Insbesondere ist das künstliche-Intelligenz-Modul 42 dabei ausgebildet, basierend auf den durch den Empfänger 41 empfangenen Daten einen wahrscheinlichsten Fahrpfad zu ermitteln.In particular, the artificial intelligence module 42 is designed to determine a most probable driving path based on the data received by the receiver 41 .

Gemäß den Ausführungsformen der 4 weist das Steuergerät zudem einen Transmitter 43 auf, welcher den durch das künstliche-Intelligenz-Modul ermittelten wahrscheinlichsten Fahrpfad an Fahrerassistenzsysteme und/oder elektronische Komponenten des Kraftfahrzeuges übermittelt, sodass diese den ermittelten wahrscheinlichsten Fahrpfad anschließend entsprechend verwenden und verarbeiten können.According to the embodiments of 4 the control unit also has a transmitter 43, which transmits the most probable travel path determined by the artificial intelligence module to driver assistance systems and/or electronic components of the motor vehicle, so that they can then use and process the most probable travel path determined accordingly.

Wie 4 zeigt, weist das Steuergerät 40 weiter einen Speicher 44 auf, in welchem digitales Kartenmaterial gespeichert ist.As 4 shows, the control unit 40 also has a memory 44 in which digital map material is stored.

Dabei weist das künstliche-Intelligenz-Modul 42 weiter auch eine Ermittlungseinheit 45 auf, welche ausgebildet ist, basierend auf den durch den Empfänger 41 empfangenen Daten und den, in dem Speicher 44 hinterlegten Daten einen wahrscheinlichsten Fahrpfad für das Kraftfahrzeug zu ermitteln. Bei der Ermittlungseinheit 45 kann es sich dabei beispielsweise um eine Recheneinheit, auf der entsprechender Code gespeichert ist, beispielsweise einen Server oder ein Steuergerät des Kraftfahrzeuges, das heißt eine in das Kraftfahrzeug selber integrierte Recheneinheit handeln.The artificial intelligence module 42 also has a determination unit 45 which is designed to determine a most likely route for the motor vehicle based on the data received by the receiver 41 and the data stored in the memory 44 . The determination unit 45 can be, for example, a computing unit on which the corresponding code is stored, for example a server or a control unit of the motor vehicle, ie a computing unit integrated into the motor vehicle itself.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

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.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

DE 102014223331 A1 [0004]

Claims

Method for determining a most likely driving path of a motor vehicle, the method (1,20,30) having the following steps: - Acquisition of absolute position data of a motor vehicle by means of an absolute positioning system (2.21); - Mapping the absolute position data onto a road (3.22) contained in digital map material; - Acquisition of current vehicle-specific data (4.23); - Providing information about the road contained in the digital map material and the current vehicle-specific data to an artificial intelligence module, the artificial intelligence module being trained based on a road on which the motor vehicle is currently located and vehicle-specific data to determine a most likely driving path by artificial intelligence (5,24); and - Determination of the most probable driving path of the motor vehicle by the artificial intelligence module based on the information about the road contained in the digital map material and the current motor vehicle-specific data (6.25).

procedure after claim 1 , wherein the method (1) further comprises the following step: - providing the determined most probable driving path to driver assistance systems and/or electronic components of the motor vehicle (9).

procedure after claim 1 or 2 , wherein the motor vehicle-specific data have time data, seat occupancy data, loading data, charge level data, tank data, calendar data and/or weather data.

Procedure according to one of Claims 1 until 3 , wherein the artificial intelligence module is trained, the most probable driving path based on learned conditional probabilities, which are dependent on motor vehicle-specific data, and which indicate how often users of the motor vehicle in the past in the presence of certain motor vehicle-specific data based on a in the digital Map material contained crossing point, starting from which users of the motor vehicle can follow different streets, have followed a street, and wherein the step of determining the most likely route of the motor vehicle by the artificial intelligence module (25) has the following steps: - providing corresponding learned conditional probabilities based on the current vehicle-specific data (26); and - determining the most likely driving path based on the corresponding learned conditional probabilities (27).

procedure after claim 4 , wherein the step of providing corresponding learned conditional probabilities based on the current vehicle-specific data (26) comprises providing one or more correspondingly trained ML models.

procedure after claim 4 or 5 , wherein when providing the corresponding learned conditional probabilities (26), roads which have a learned conditional probability that is less than a predetermined threshold value are not taken into account.

Procedure according to one of Claims 4 until 6 , wherein the artificial intelligence module is designed to continuously update the learned conditional probabilities, and wherein recent trips in the motor vehicle are weighted more heavily when updating the conditional probabilities than trips in the motor vehicle that are longer in the past.

Procedure according to one of Claims 4 until 7 , wherein the step of determining the most probable driving path based on the corresponding learned conditional probabilities (27) further comprises the following step: - Selecting a route which, starting from a starting position in the digital map material corresponding to the current absolute position data of the motor vehicle, has the highest conditional probability , as part of the most probable driving path, with the road branching off from the corresponding crossing point having the greatest conditional probability based on the current motor vehicle-specific data then being selected as part of the most probable driving path at crossing points along the most probable driving path.

Procedure according to one of Claims 4 until 7 , wherein the step of determining the most probable driving path based on the corresponding learned conditional probabilities further comprises the following steps: - For one or more possible target positions, determining all possible routes between a starting position in the digital map material corresponding to the current absolute position data of the motor vehicle and the corresponding target position; - selecting the route between the starting position and a destination position of the one or more possible destination positions as the most probable Driving path, which has the greatest overall probability of all determined routes.

procedure after claim 9 , wherein the one or more possible destinations are one or more predetermined destinations, one or more destination points that can be reached after a certain time based on the digital map material, or one or more destination points that can be reached after covering a certain distance based on the digital map material acts.

Procedure according to one of Claims 1 until 10 , wherein the artificial intelligence module is trained to determine the most probable driving path based on a road on which the motor vehicle is currently located, the current motor vehicle-specific data and user-specific data, and the method further has the following steps: - determining a driver the motor vehicle (10); - determining user-specific data (11) assigned to the driver of the motor vehicle; and - determining a highly probable driving path for the motor vehicle by the artificial intelligence module based on the information about the road contained in the digital map material, the current motor vehicle-specific data and the user-specific data (12).

Control unit for determining a most probable driving path of a motor vehicle, the control unit (40) being designed using a method according to one of Claims 1 until 11 to execute.

Motor vehicle, which a control unit claim 12 having.

A computer program product comprising instructions executable by a computer to perform a method according to any one of Claims 1 until 11 to execute.