-
Die Erfindung betrifft ein computerimplementiertes Verfahren und ein Computerprogramm zur Generierung von Fahrstrecken für ein automatisiertes Fahrsystem.
-
Die im Folgenden eingeführten Begriffe behalten ihre jeweilige Bedeutung für den gesamten Gegenstand der Erfindung.
-
Ein automatisiertes Fahrsystem umfasst zumindest eine Umfelderkennungseinheit, die das Umfeld wahrnimmt, eine Steuereinheit, die ausgehend von der Umfeldwahrnehmung Längs- und/oder Querführung des Fahrsystems regelt und/oder steuert und Trajektorien prädiziert, und Aktuatoren, die in Abhängigkeit von Regel- und/oder Steuerungssignalen der Steuereinheit die Längs- und/oder Querführung des Fahrsystems steuern. Ein automatisiertes Fahrsystem ist beispielsweise ein PKW, LKW, Bus, people mover, ein Personal oder Group Rapid Transit System, Shuttle, Robotertaxi oder eine Drohne mit entsprechender technischer Ausrüstung zur Automatisierung der Fahraufgaben. Automatisierungsstufen werden beispielsweise nach der SAE J 3016 Norm eingeteilt, die von Stufe L0, das heißt keine Automation, bis hin zu Stufe L5, das heißt Vollautomation oder auch autonomes Fahren, reicht.
-
Funktionalitäten des Fahrsystems betreffen bestimme Fahraufgaben bei einer entsprechenden Automatisierungsstufe. Eine Funktionalität ist beispielsweise eine L3, das heißt bedingt automatisierte, Autobahnfahrt. Bei L3 übernimmt die Längs- und Querführung und die Umgebungsbeobachtung das Fahrsystem, der menschliche Fahrer bleibt aber Rückfallebene. Verschiedene Funktionalitäten müssen für die gleiche Fahraufgabe unterschiedlich validiert werden. Bei dem Ereignis, dass ein vorausfahrendes Fahrzeug am Abbremsen ist, wird von einem L3 Fahrsystem beispielsweise verlangt, dem vorausfahrenden Fahrzeug zunächst zu folgen, abzubremsen, und anzuhalten. Für das gleiche Ereignis wird von einem L4 Fahrsystem verlangt, dem vorausfahrenden Fahrzeug zunächst zu folgen, abzubremsen, ggf. anzuhalten, Spur zu wechseln und vorbeizufahren. Bei L3 übernimmt die Längs- und Querführung, die Umgebungsbeobachtung und die Rückfallebene das Fahrsystem.
-
Validierung bezieht sich auf die Prüfung von Funktionalitäten eines automatisierten Fahrsystems bezogen auf einen konkreten Einsatzzweck. Die Prüfung erfolgt auf Grundlage eines vorher aufgestellten Anforderungsprofils. Beispielsweise wird eine Strecke, die das automatisierte Fahrsystem bei Tag automatisiert fahren soll, zunächst bei Tag von einem Fahrzeug, das von einem menschlichen Fahrer gefahren wird, abgefahren. Dabei wird die Strecke beispielsweise per Video aufgezeichnet. Diese Aufzeichnung wird nun analysiert hinsichtlich möglichen Anforderungen, die das automatisierte Fahrsystem auf dieser Strecke erfüllen muss. Beispielsweise umfasst die Strecke einen Kreisverkehr. Eine Anforderung an das automatisierte Fahrsystem ist dann beispielsweise, einen Kreisverkehr zu erkennen, beispielsweise die entsprechenden Verkehrszeichen, in einen Kreisverkehr einzufahren und auszufahren unter Beachtung der geltenden Verkehrsvorschriften. Ein Steuerungssystem umfassend Algorithmen zur Umfelderkennung, Trajektorienplanung und zum Ableiten von Regel- und/oder Steuerungssignalen und Aktuatoren für Längs- und/oder Querführung des automatisierten Fahrsystems wird davon ausgehend programmiert und konzipiert, für den Einsatzzweck des Fahrens bei Tag auf dieser Strecke die Fahraufgabe des Fahrens durch den Kreisverkehr zu erfüllen. In der Validierung wird geprüft, ob das automatisierte Fahrsystem für diesen Einsatzzweck diese Fahraufgabe erfüllt.
-
Um die Einsatzfähigkeit von automatisierten Fahrsystemen auf verschiedensten Strecken oder Routen zu bewerten oder die Einsatzfähigkeit auf einer erweiterten Operational Design Domain, abgekürzt ODD, zu bewerten, wird eine Vielzahl von Strecken in der realen Welt benötigt, die alle definierten Parameterbereiche und Kombinatorik von Objekten abdeckt. Die
DE 10 2020 205 310.3 offenbart ein Verfahren und eine Datenstruktur zur Abdeckung der definierten Parameterbereiche und Kombinatorik von Objekten. Die ODD betrifft Betriebsbedingungen, unter denen ein bestimmtes automatisiertes Fahrsystem oder ein technisches Merkmal davon für eine bestimmte Funktionalität ausgelegt ist. Die ODD stellt einen Lösungsraum dar, für den der Einsatz von automatisierten Fahrsystemen vorgesehen ist. Die ODD beschreibt die Gesamtheit der Betriebsrahmenbedingungen, umfassend Route, Umweltbedingungen, Geschwindigkeiten und weitere Aspekte, siehe weiter unten.
-
In der Regel werden sogenannte Open Drive-Karten (xodr Format) benötigt. OpenDrive ist ein standardisiertes Format zur Beschreibung der Infrastruktur und des Straßennetzwerks entsprechend einer Moment-Aufnahme der statischen Umgebung, welche u.a. zur Navigation von automatisierten Fahrsystemen genutzt wird. Die Generierung dieser Opendrive-Karten erfolgt manuell, ist äußerst aufwändig und zeitintensiv. Erste Ansätze existieren, diese aus Lidar-Punktewolken zu generieren. Für beide Fälle muss ein speziell ausgestattetes Mess-Fahrzeug vor Ort die Infrastruktur screenen und Daten aufzeichnen, um im Post-Processing die relevanten Informationen für die Kartengenerierung zu extrahieren. Die generierten Karten sind Darstellungen der realen Welt, das heißt die Darstellung der statischen Infrastruktur in einem formalisierten und standardisierten Format. Die Karten werden für die Navigation von automatisierten Fahrsystem genutzt, sowohl in der realen Welt als auch in der Simulation.
-
Problematisch bei diesen Vorgehensweisen ist neben der sehr hohen Kombinatorik der gültige Parameter-Wertebereich und die Auftretenswahrscheinlichkeit von Objekten, die zum Beispiel je nach Einsatzzweck oder -land unterschiedlich sind. Um viele Strecken innerhalb der definierten ODD abzutesten und zu bewerten, muss ein relativ großer Aufwand für die Kartengenerierung betrieben werden. Außerdem ist eine Skalierbarkeit auf weitere Strecken, insbesondere innerhalb der ODD, händisch nicht möglich. In einer erweiterten ODD ist eine Skalierbarkeitsbewertung ist sehr aufwändig und händisch nicht möglich. Des Weiteren ist der Aufwand für eine Identifizierung der Strecken in der realen Welt relativ groß. Zudem erfordert es immer eine Vor-Ort Messung, um eine Karte zu generieren.
-
Aufgabe der Erfindung war es, die voran genannten Probleme zu lösen, insbesondere, wie die Kombinatorik reduziert werden kann, wie Vor-Ort-Messungen umgangen werden können und wie ODD Randbedingungen generalisiert werden können.
-
Die Gegenstände der Ansprüche 1 und 8 lösen jeweils diese Aufgabe.
-
Nach einem Aspekt stellt die Erfindung ein computerimplementiertes Verfahren bereit zur Generierung von Fahrstrecken für ein automatisiertes Fahrsystem. Das Verfahren umfasst die Schritte
- • Generieren von Fahrszenen umfassend Geradeaus-Fahrt, Kreuzungs- und/oder Kreisverkehr,
- • Generieren von ersten Objekten umfassend Infrastruktur-Objekte umfassend Brücken, Straßenüberquerungen, Verkehrsinseln, Straßenmarkierungen,
- • Plausibilisieren der generierten Fahrszenen und ersten Objekte basierend auf vorgegebenen Einsatzzwecken des Fahrsystems mit einem Maschinenlernalgorithmus, der auf Trainingsdaten umfassend Vor-Ort-Vermessungen von Fahrszenen und Objekte umfassend die ersten Objekte auf Fahrstrecken trainiert wurde und Relationen zwischen Fahrszenen, Objektklassen und Parametern der Objektklassen und/oder der Fahrszenen bestimmt,
- • Generieren von Fahrstrecken durch Kombinieren von Sequenzen der plausibilierten Fahrszenen und den plausibilisierten ersten Objekten, und
- • Entwickeln, Bewerten und/oder Validieren von Funktionalitäten des automatisierten Fahrsystems auf den generierten Fahrstrecken.
-
Das Verfahren wird ganz oder teilweise auf einem integrierten Schaltkreis, von einem Computer, einem eingebetteten System oder in einem Remote-System umfassend eine Cloud ausgeführt.
-
Nach einem weiteren Aspekt stellt die Erfindung ein Computerprogramm bereit zur Generierung von Fahrstrecken für ein automatisiertes Fahrsystem. Das Computerprogramm umfasst Befehle, die bewirken, dass ein Computer das erfindungsgemäße Verfahren ausführt, wenn das Programm auf dem Computer läuft.
-
Die Befehle des erfindungsgemäßen Computerprogramms umfassen Maschinenbefehle, Quelltext oder Objektcode geschrieben in Assemblersprache, einer objektorientierten Programmiersprache, beispielsweise C++, oder in einer prozeduralen Programmiersprache, beispielsweise C. Das Computerprogramm wird ganz oder teilweise auf einem integrierten Schaltkreis oder in einem Remote-System umfassend eine Cloud ausgeführt.
-
Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Definitionen, den Unteransprüchen, den Zeichnungen und der Beschreibung bevorzugter Ausführungsbeispiele.
-
Das Verfahren und die Software, die das Verfahren ausführt, kombinieren verschiedene Sequenzen von plausibilierten Fahrszenen, zum Beispiel Geradeaus-Fahrt, Kreuzung, Kreisverkehr, mit verschiedenen plausibilierten Objekten, zum Beispiel Infrastruktur-Elemente wie Brücken, Zebrastreifen, Verkehrsinseln, Spur-Typen, Spurmarkierungen. Die Fahrszenen haben eine eindeutige Topologie-Beschreibung, zum Beispiel Anzahl Spuren, Spurmarkierungstyp. Das Verfahren und die Software generieren Strecken, die nicht an eine Strecke in der realen Welt geknüpft sind. Es werden virtuelle Strecken generiert. Nach einem Aspekt der Erfindung wird das Verfahren und/oder die Software für die Generierung von Fahrszenarien eingesetzt.
-
Für den Aufbau von Strecken werden plausibilierte Fahrszenen und plausibilierte Objekte benötigt. Dafür wird die Plausibilität von Szenen, Objekten und deren Kombination für den jeweiligen Einsatzzweck überprüft. Durch die Plausibilisierung wird die Kombinatorik reduziert. Beispielsweise werden unzählige Streckenabschnitte mit Brücken generiert. Das Verfahren und die Software validieren im Rahmen des vorgegebenen Einsatzzweckes, ob die generierten Topologien, im Kontext der Brücke: Höhe, Winkel zur Straße, Sinn machen. In städtischen Einsatzgebieten werden beispielsweise niedrigere Brücken als außerstädtisch generiert oder eine Brücke muss immer 90° zur Straße orientiert sein. Die Plausibilisierung erfolgt mit Hilfe von maschinellem Lernen.
-
Maschinelles Lernen ist eine Technologie, die Computern und anderen Datenverarbeitungsvorrichtungen die Ausführung von Aufgaben durch Lernen aus Daten lehrt, anstatt für die Aufgaben programmiert zu werden. Der Maschinenlernalgorithmus lernt auf denTrainingsdaten in einem überwachten Lernen, Relationen zwischen Fahrszenen, Objektklassen und Parametern der Objektklassen und/oder der Fahrszenen zu bestimmen. Damit sind Vor-Ort-Messungen auf Strecken nicht mehr notwendig. Das Maschinenlernmodell ist beispielsweise ein künstliches neuronales Netzwerk. Für das Training ist es vorteilhaft, dass der Computer, der den Maschinenlernalgorithmus ausführt, eine Mikroarchitektur zum parallelisierten Ausführen von Prozessen umfasst, um das künstliche neuronale Netzwerk mit einer großen Anzahl an Daten zeiteffizient trainieren zu können. Graphikprozessoren umfassen eine derartige Mikroarchitektur.
-
Nach einem Aspekt der Erfindung ist der Schritt des Plausibilisierens ein eigenständiger Befehlscode-Abschnitt des Computerprogramms.
-
Nach einem weiteren Aspekt der Erfindung werden bei der Generierung von Fahrszenen geometrische Attribute umfassend Krümmung, Spurbreite und Anzahl der Spuren variiert werden. Damit werden mehrere Kombinationen und damit mehrere Fahrszenen erhalten. Damit werden mehr Strecken aufgebaut und das Entwickeln, Bewerten und/oder Validieren von Funktionalitäten des automatisierten Fahrsystems auf den generierten Fahrstrecken verbessert.
-
Nach einem weiteren Aspekt der Erfindung werden bei der Generierung von Fahrszenen folgende Attribute folgender Objekte variiert:
- • Straßenoberflächen umfassend Asphalt, Beton, Mischung, Kies, befestigt, nicht befestigt, Gras, Verschmutzungsgrad, Reibwert, Straßenarten,
- • Straßenarten umfassend Autobahn, Bundesstraße, Landstraße, Brücke, Tunnels, jeweils mehr- oder einspurig, Kreuzungen, Kreisverkehre, Spurzusammenführungen, Straßenüberquerungen,
- • Straßenmarkierungen umfassend Spurmarkierungen, Fahrbahnmarkierungen,
- • Umweltbedingungen umfassend
- ◯ Wetter umfassend umfassen Schnee, Wind, Temperatur, Nieselregen, Durchschnittsregen, Starkregen,
- ◯ Beleuchtung umfassend Tag, Dämmerung, Nacht, Straßenbeleuchtung, Fahrzeugleuchten,
- ◯ Wetter bedingte Straßenbedingungen umfassend trocken, nass, vereist.
-
Damit die Vielfalt von Fahrszenen weiter erhöht und damit das das Entwickeln, Bewerten und/oder Validieren von Funktionalitäten des automatisierten Fahrsystems auf den generierten Fahrstrecken verbessert.
-
Nach einem weiteren Aspekt der Erfindung werden die generierten Fahrstrecken mit dem Maschinenlernalgorithmus plausibilisiert. Durch diese zusätzliche Plausibilisierung der Fahrstrecke wird die Kombinatorik weiter reduziert
-
Nach einem weiteren Aspekt der Erfindung umfassen die generierten Fahrstrecken erste Fahrstrecken, die innerhalb von Systemgrenzen des Fahrsystems liegen, und zweite Fahrstrecken, die außerhalb der Systemgrenzen liegen. Damit werden Strecken und insbesondere in Kombination mit dem Plausibilisieren von Fahrstrecken plausibilisierte virtuelle Straßennetzwerke generiert, die innerhalb einer gegebenen ODD gültig sind oder außerhalb liegen. Automatisiert generierte und plausibilisierte Strecken und Straßennetzwerke innerhalb der ODD dienen zum Entwickeln, Bewerten und Validieren von Funktionalitäten innerhalb der definierten ODD und schaffen damit die Bewertbarkeit von neuen Strecken innerhalb einer ODD. Automatisiert generierte und plausibilisierte Strecken außerhalb der ODD dienen zum Entwickeln, Bewerten und Validieren von Funktionalitäten und damit langfristig zur Erweiterung und/oder Skalierbarkeit der ODD.
-
Nach einem weiteren Aspekt der Erfindung entfernt der Maschinenlernalgorithmus in Abhängigkeit der Einsatzzwecke und/oder Funktionalitäten Objektklassen und/oder Parameterbereiche. Damit werden spezifische Parameterbereiche oder Objekt-Klassen ausgeschlossen um bei Bedarf, je nach Einsatzzweck, den möglichen Parameterraum gering zu halten oder um einen Schwerpunkt auf spezifische Objekte zu setzen.
-
Nach einem weiteren Aspekt der Erfindung werden auf den generierten oder plausibilisierten Fahrstrecken zweite Objekte umfassend Verkehrsteilnehmer und Verkehrszeichen generiert und plausibilisiert werden. Zusätzlich oder alternativ werden die zweiten Objekte auf den generierten oder plausibilisierten Fahrstrecken permutiert und die Permutationen plausibilisiert. Damit werden auf den generierten Strecken auch andere Verkehrsteilnehmer und deren Manöver permutiert. Dies ist relevant für die Entwicklung, Bewertung und/oder Validierung der Object Event Detection and Response, abgekürzt OEDR. Die OEDR beschreibt das Systemverhalten auf Objekte, die in der direkten Umgebung des Systems detektiert werden und bestimmte Manöver durchführen oder Events auslösen. Damit werden die OEDR-Objekte permutiert und plausibilisiert. Nicht plausibel sind zum Beispiel ein Zug außerhalb von Schienen oder ein Zug, der eine Fußgängerinsel überquert. Die Permutationslogik wird nach einem Aspekt der Erfindung mit Hilfe einer Auftretenswahrscheinlichkeit realisiert, um den Fokus auf bestimmte Objekte zu setzen.
-
In Koopman P., Fratrik F., „How Many Operational Desgin Domains, Objects, and Events?“, Preprint: Safe AI 2019: AAAI Workshop on Artificial Intelligence Safety, Jan 27, 2019, sind Faktoren offenbart, die aus Sicht der Autoren relevant für die Validierung von automatisierten Fahrsystemen sind.
-
Nach einem weiterenn Aspekt der Erfindung wird eine Datenstruktur bereitgestellt. Die Datenstruktur ist in einem Datenspeicher enthalten. Die Datenstruktur umfasst mehrere Objektklassen, Hauptklassen und Unterklassen. Die Objekte und/oder Objektattribute sind mittels einer Indexstruktur identifiziert sind. Wenigstens eine erste Objektklasse bildet Einsatzzwecke des automatisierten Fahrsystems, umfassend die ODD, und eine zweite Objektklasse die Überwachung des Fahrumfeldes, umfassend OEDR, ab. Die erste Objektklasse umfasst wenigstens eine erste Hauptklasse. Die erste Hauptklasse bildet eine Infrastruktur ab. Die erste Hauptklasse umfasst wenigstens eine erste Unterklasse. Die erste Unterklasse bildet Geradeaus-Fahrt-, Kreuzungs- und/oder Kreisverkehr- Fahrszenen und die ersten Objekte und erste Parameter zur Beschreibung der ersten Objekte ab. Die zweite Objektklasse umfasst wenigstens eine zweite Hauptklasse. Die zweite Hauptklasse bildet Objektdetektierung und Reaktion auf die Objektdetektierung ab. Die zweite Hauptklasse umfasst wenigstens eine zweite Unterklasse. Die zweite Unterklasse bildet zweite Objekte umfassend Verkehrsteilnehmer und Verkehrszeichen, zweite Parameter zur Beschreibung der zweiten Objekte und Reaktion auf die zweiten Objekte ab. Die Fahrszenen, die ersten Objekte und/oder die zweiten Objekte werden durch Abfragen der Datenstruktur mittels der Indexstruktur generiert werden.
-
Die Datenstruktur dient der Speicherung und Organisation der Objekte und/oder Objektattribute. Beispielsweise werden in Aufnahmen eines Fahrzeug-Umfelderkennungssensors, beispielsweise Videoaufnahmen einer Kamera, Punktewolken eines Radars und/oder Lidars oder Cepstrum eines Akustiksensors, Spurmarkierungen, Verkehrsschilder, Fußgänger und weitere Verkehrteilnehmer erkannt, klassifiziert, lokalisiert und semantisch segmentiert. Die Segmentierungen werden in der Datenstruktur als Objekte gespeichert und organisiert. Damit wird vorteilhafterweise die Grundstruktur der Datenstruktur an der Struktur des Umfeldes des Fahrzeuges ausgerichtet. Die Objekte der Datenstruktur entsprechen den Objekten der objektorientierten Programmierung, das heißt auf die Objekte der Datenstruktur wird beispielsweise mittels Methoden zugegriffen. Nach einem Aspekt der Erfindung umfasst die Datenstruktur eine Programmierschnittstelle, im Englischen application programming interface, abgekürzt API, genannt, beispielsweise eine C++ API, um die Objekte der Datenstruktur basierend auf der Indexstruktur mittels Methoden abzufragen.
-
In den Klassen sind die Objekte und deren Attribute festgelegt. Durch die Klassenhierarchie der Objektklassen, Hauptklassen und Unterklassen ist die Datenstruktur als eine objektorientierte Datenstruktur realisiert. Ein weiterer Vorteil einer objektorientierten Datenstruktur ist, dass die Objekte einfach über die in der Indexstruktur enthaltenen Beziehungen der Objekte abgefragt werden. Durch die Indexstruktur, die die Klassenhierarchie abbildet und mittels der die Objekte in der Datenstruktur gesucht werden, sind ferner semantische Zusammenhänge zwischen den Objekten bekannt. Die Datenstruktur hat damit ein Verständnis darüber, welche Daten oder Objekte zusammengehören. Bei einer Abfrage werden keine Datensätze, sondern vorteilhafterweise einzelne Objekte erhalten.
-
Die erste Objektklasse beschreibt die Betriebsfunktionen, das heißt die ODDs. Hauptklassen für ODDs umfassen Infrastruktur, Betriebsbedingungen, Objekte, Konnektivität und Umweltbedingungen. Unterklassen der Infrastruktur umfassen Straßengeometrie, Straßenoberflächen, Straßenarten, Straßenmarkierungen, auch länderspezifische Straßenmarkierungen. Objektattribute für Straßengeometrien umfassen Kurve, Hügel, geradlinig, Spurbreite. Objektattribute für Straßenoberflächen umfassen Asphalt, Beton, Mischung, Kies, befestigt, nicht befestigt, Gras, Verschmutzungsgrad, Reibwert. Objektattribute für Straßenarten umfassen Autobahn, Bundesstraße, Landstraße, Brücke, Tunnels, jeweils mehr- oder einspurig, Kreuzungen, Kreisverkehre, Spurzusammenführungen, Straßenüberquerungen. Objektattribute für Straßenmarkierungen umfassen Spurmarkierungen, Fahrbahnmarkierungen. Unterklassen der Konnektivität umfassen V2V und V2X Kommunikation. Objektattribute für V2V und/oder V2X Kommunikation umfassen Kommunikationsprotokolle, Bandbreite, Latenzzeiten, Stabilität, Verfügbarkeit. Als ein weiteres Beispiel umfassen Unterklassen der Umweltbedingungen Wetter, Beleuchtung und Wetter bedingte Straßenbedingungen. Objektattribute für Wetter umfassen Schnee, Wind, Temperatur und Regen. Objektattribute für Regen umfassen Nieselregen, Durchschnittsregen und Starkregen. Objektattribute für Beleuchtung umfassen Tag, Dämmerung, Nacht, Straßenbeleuchtung, Fahrzeugleuchten. Objektattribute für Wetter bedingte Straßenbedingungen umfassen trocken, nass, vereist.
-
Die zweite Objektklasse beschreibt die Überwachung des Fahrumfeldes, das heißt die OEDRs. Hauptklassen für OEDRS umfassen Objektdetektierung, Ereignisdetektierung, Erkennung, Klassifikation und Reaktion auf die Objekt- und/oder Ereignisdetektierung. Unterklassen der Objektdetektierung umfassen Detektierung von Fahrzeugen, Fußgängern, Fahrradfahrern, Tieren, Verkehrszeichen, Baustellen und Spuränderungen. Objektattribute von Fahrzeugen umfassen Passagierfahrzeuge, Nutzfahrzeuge, Lastfahrzeuge, Busse, Motorräder. Objektattribute von Verkehrszeichen umfassen minimale Geschwindigkeitsbegrenzung, maximale Geschwindigkeitsbegrenzung, Stopp-Schilder, Bahnüberquerungen. Unterklassen der Ereignisdetektierung umfassen Abbremsen oder Beschleunigen eines vorausfahrenden Fahrzeuges, Überqueren einer Straße eines Fußgängers. Unterklassen der Reaktionen umfassen Ausführen einer Verfolgung eines vorausfahrenden Fahrzeuges.
-
Die Datenstruktur umfasst Objektklassen, beispielsweise Brücken, Objekt-Beziehungen zueinander, zum Beispiel Brücke gehört zur Oberklasse statisches Objekt, sowie die relevanten Parameter, die zur Beschreibung der jeweiligen Objektklasse nötig sind, zum Beispiel Brückenhöhe, Brückenbreite, Ausrichtung/Winkel zur Straße. Durch den Schritt des erfindungsgemäßen Verfahrens betreffend das Generieren von Fahrstrecken durch Kombinieren von Sequenzen der plausibilierten Fahrszenen und den plausibilisierten ersten Objekten werden verschiedene Parameterbereiche und Kombinationen von Elementen der Datenstruktur abgebildet. Die mögliche Menge von OEDR Objekten, das heißt die zweiten Objekte, werden auch aus der Datenbank extrahiert.
-
Nach einem weiteren Aspekt der Erfindung umfasst die Datenstruktur eine dritte Objektklasse. Die dritte Objektklasse beschreibt die Trajektorienplanung, das heißt maneuver behavior. Hauptklassen der Trajektorienplanung umfassen Fahrverhalten. Unterklassen des Fahrverhaltens umfassen Parken, Geschwindigkeit Halten, Fahrzeug Folgen, in der Spur Fahren, Spurwechsel, einem Hindernis ausweichen, Verkehrsregeln Beachten, Kreisverkehre Navigieren und Routenplanung.
-
Nach einem weiteren Aspekt der Erfindung umfasst die Datenstruktur eine vierte Objektklasse. Die vierte Objektklasse beschreibt Systemfehler, das heißt failure mode behaviors. Hauptklassen der Systemfehler umfassen Sensorfehler, Kommunikationsfehler, Wahrnehmungsfehler, Fehler in Navigation und Regelung und/oder Steuerung, Fehler in Mensch-Maschinen-Benutzungsschnittstellen. Hinsichtlich Sensorfehler sind Fehler betreffend die funktionale Sicherheit nach ISO 2626.2 umfasst. Hinsichtlich Wahrnehmungsfehler sind Fehler betreffend die safety of the intended functions nach ISO/PAS 21448 umfasst. Unterklassen der Sensorfehler umfassen Hardware- und Softwarefehler, beispielsweise Stromausfall, Ausfall einer Datenverbindung. Sensoren umfassen Radar, Lidar, Kamera, Schall, GPS, Beschleunigungssensoren, Radsensoren. Unterklassen der Wahrnehmungsfehler umfassen Softwarefehler von Algorithmen zum Prozessieren von Daten und zur Bilderkennung. Unterklassen der Fehler in Mensch-Maschinen-Benutzungsschnittstellen, auch human machine interface, abgekürzt HMI, genannt, umfassen Fehler in optischen Anzeigevorrichtungen. Die Systemfehler einzelner Komponenten des Fahrsystems, beispielsweise Fehler des Perzeptionssystems, pflanzen sich auf andere Komponenten und das Gesamtsystem fort, beispielsweise das Antriebssystem. Die Systemfehler resultieren in einer suboptimalen Performanz des Fahrsystems, beispielsweise fährt das Fahrsystem langsamer als erlaubt basierend auf einem Wahrnehmungsfehler eines Geschwindigkeitsschildes, oder das Fahrsystem führt unerwartete oder unsichere Manöver aus, beispielsweise plötzliches Beschleunigen oder Verlassen der Fahrspur, oder es kommt zu Kollisionen. Diese Fehler werden während Fahrten aufgezeichnet und/oder in Simulationen modelliert und gehen in die Validierung ein. Beispielsweise werden Sensorrauschen oder Hardwarefehler modelliert. Auf die die Fehler wird mit fail-safe und/oder fail-operational Verfahren reagiert. Das validierte Fahrsystem wird auf die Fehler situationsbedingt mit fail-safe oder fail-operational reagieren. Fail-safe ist beispielsweise ein Sicherheitsstopp. Fail-operational ist beispielsweise Fahren mit verringerter Maximalgeschwindigkeit.
-
Ein Szenario, für die das Fahrsystem beispielsweise validiert wird, ist Erkennung und Reaktion auf einen Schulbus. Die ODD Kennzeichen umfassen beispielsweise mehrspurige Fahrbahnen, Asphalt als Straßenoberfläche, Spurmarkierungen, Tageslicht, trockenes, sonniges Wetter. Die OEDR Kennzeichen umfassen als Objekte Schulbusse. Vereinfacht wird kein Fehlverhalten angenommen. Während einer Testfahrt auf einer ersten Strecke wurden in der ersten Objektklasse der Datenstruktur bereits in die erste Hauptklasse der Infrastruktur die Attribute geradlinige Fahrspur, keine Steigung aufgenommen. Werden nun während einer Testfahrt auf einer zweiten Strecke enge Kurven gefahren, lautet eine Abfrage basierend auf der Indexstruktur der Datenbank beispielsweise:
| SELECT ODD.Infrastructure | /*Hauptklasse Infrastruktur der Objektklasse ODD wählen*/ |
| FROM Infrastructure in DATA | /*Durchlauf aller Objekte/Objektattribute in der Hauptklasse Infrastrukttur*/ |
| IF narrow bends IN DATA THEN OUTPUT Object is in DATA | /*Abfrage positiv, dann Bereitstellen der Information, dass das Fahrsystem für dieses Objekt und/oder Objektattribut validiert ist */ |
| ELSE SAFE narrow bends IN | /*Abfrage negativ, dann Speichern des Objekts |
| DATA WITH ODD.Infrastructure. narrow_bends | und/oder Objektattributs in der von der Indexstruktur abhängigen Klasse*/ |
-
Die Indexstruktur wird beispielsweise mit einer Abfragesprache für Objektdatenbanken erzeugt. Die Abfragesprache basiert beispielsweise auf object querry language.
-
Über diese Abfragen werden gegebenenfalls auch neue Hauptklassen und/oder Unterklassen angelegt. Damit ist die Datenstruktur skalierbar.
-
Die Datenstruktur ist nach einem Aspekt der Erfindung in einem lokalen Speicher eines Computers oder in einem Cloud-Speicher gespeichert. Ein Cloud-Speicher speichert Daten in logischen Pools. Der physische Speicher erstreckt sich beispielsweise über mehrere Server. Mit dem Cloud-Speicher werden große Datenmengen gespeichert. Mittels internet-of-things-Technik ist ein globaler, Zeit unabhängiger Zugriff auf den Speicher bereitgestellt.
-
Gemäß einem weiteren Aspekt stellt die Erfindung einen computerlesbaren Datenträger bereit, auf dem eine erfindungsgemäße Datenstruktur und/oder das erfindungsgemäße Computerprogramm gespeichert sind.
-
Nach einem Aspekt der Erfindung ist der Datenträger ein digitales Medium, beispielsweise eine DVD oder Blue-ray Disc oder ein nicht-flüchtiger Halbleiterspeicher, beispielsweise ein Flash-Speicher.
-
Ein Aspekt der Erfindung betrifft das Anbieten, beispielsweise als Software-as-a-Service, des erfindungsgemäßen Verfahrens und des erfindungsgemäßen Computers an Kunden, die ein automatisiertes Fahrsystem oder zum Validieren des Fahrsystems erforderliche Strecken, real oder virtuell, fordern. Falls die Kundenanforderung auf der erfindungsgemäße Klassenhierarchie basiert, wird die Kundenanforderung erfindungsgemäß sehr schnell gegen die von der erfindungsgemäßen Datenstruktur schon abgebildeten Objekte und/oder Objektattribute abgeglichen. Die nicht von der Datenstruktur behandelten Objekte und/oder Objektattribute werden schnell transparent dargestellt, nämlich mittels einer Abfrage der Datenstruktur basierend auf der Indexstruktur. Damit sind Aufwände besser kalkulierbar. Ferner werden nach einem Aspekt der Erfindung die geforderten Objekte und/oder Objektattribute mit den zu entwickelnden Eigenschaften des Fahrsystems gegenübergestellt, um die technische Machbarkeit zu prüfen und das zukünftige Portfolio der zu entwickelnden Eigenschaften des automatisierten Fahrsystems zu definieren.
-
Software-as-a-Service bedeutet, dass ein Nutzungszugang zu dem erfindungsgemäßen Verfahren und damit auch zu dem erfindungsgemäßen Computerprogramm in einer Cloud angeboten wird. Das erfindungsgemäße Verfahren und das erfindungsgemäße Computerprogramm werden damit als eine Cloud-basierte Anwendungssoftware bereitgestellt. Die Cloud umfasst Speicherplatz, Rechenleistung und Anwendungssoftware, die über internet-of-things-Technik verfügbar gemacht werden. Beispielsweise wird der Maschinenlernalgorithmus in der Cloud trainiert und ausgeführt.
-
Die Erfindung wird in den folgenden Ausführungsbeispielen verdeutlicht. Es zeigen:
- 1 ein Ausführungsbeispiel einer erfindungsgemäßen Datenstruktur,
- 2 eine schematische Darstellung eines erfindungsgemäßen Verfahrens und
- 3 ein Ausführungsbeispiel einer Fahraufgabe.
-
In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder funktionsähnliche Bezugsteile. Übersichtshalber werden in den einzelnen Figuren nur die jeweils relevanten Bezugsteile hervorgehoben.
-
1 zeigt die erfindungsgemäße Datenstruktur DS. Die Datenstruktur DS ist beispielsweise eine Cloud basierte objektorientierte Datenbank. Eine erste Objektklasse 1 beschreibt die ODD. Eine zweite Objektklasse 2 beschreibt die OEDR. Eine dritte Objektklasse 3 beschreibt maneuver behavior. Eine vierte Objektklasse 4 beschreibt failure mode behaviors.
-
Die erste Objektklasse 1 umfasst als Hauptklassen 1.1, 1.2 und 1.3 beispielsweise Infrastruktur 1.1, Objekte 1.2, Umweltbedingungen 1.3. Unterklassen der Hauptklasse 1.3 umfassen als weitere Klassen beispielsweise Wetter 1.3.1, Beleuchtung 1.3.2 und Wetter bedingte Straßenbedingungen 1.3.3. Objektattribute für Wetter umfassen Schnee, Wind, Temperatur und Regen. Objektattribute für Regen umfassen Nieselregen, Durchschnittsregen und Starkregen. Objektattribute für Beleuchtung umfassen Tag, Dämmerung, Nacht, Straßenbeleuchtung, Fahrzeugleuchten. Objektattribute für Wetter bedingte Straßenbedingungen umfassen trocken, nass, vereist. Die Objektattribute sind vererbbar in andere Unterklassen anderer Hauptklassen. Die Objekte und/oder Objektattribute sind mit einer Indexstruktur I indiziert. Mittels der Indexstruktur I werden die in der Datenstruktur DS gespeicherten Objekte und/oder Objektattribute abgefragt. Für neue Objekte und/oder Objektattribute wird gemäß der Indexstruktur I ein neuer Index vergeben, mittels dem die Objekte und/oder Objektattribute gemäß der Klassenhierarchie in der Datenstruktur DS gespeichert werden und referenzierbar sind. Mit dieser Datenstruktur DS, insbesondere deren Objekten, Objektattributen und Indexstruktur I werden erfindungsgemäß Strecken und Straßennetzwerke virtuell generiert und plausibilisiert.
-
Wie in 2 schematisch angedeutet, werden in einem ersten Verfahrensschritt V1 Fahrszenen generiert. Die Fahrszenen umfassen Geradeaus-Fahrt, Kreuzungs- und/oder Kreisverkehr. In einem zweiten Verfahrensschritt V2 werden erste Objekte umfassend Infrastruktur-Objekte umfassend Brücken, Straßenüberquerungen, Verkehrsinseln, Straßenmarkierungen generiert. In einem dritten Verfahrensschritt V3 werden die generierten Fahrszenen und die ersten Objekte basierend auf vorgegebenen Einsatzzwecken des Fahrsystems mit einem Maschinenlernalgorithmus plausibilisiert. Der Maschinenlernalgorithmus wurde auf auf Trainingsdaten umfassend Vor-Ort-Vermessungen von Fahrszenen und Objekte umfassend die ersten Objekte auf Fahrstrecken trainiert. Der Maschinenlernalgorithmus bestimmt Relationen zwischen Fahrszenen, Objektklassen und Parametern der Objektklassen und/oder der Fahrszenen. In einem vierten Verfahrensschritt V4 werden Fahrstrecken durch Kombinieren von Sequenzen der plausibilierten Fahrszenen und den plausibilisierten ersten Objekten generiert. Auf den generierten Fahrstrecken werden in einem fünften Verfahrensschritt V5 Funktionalitäten des automatisierten Fahrsystems entwickelt, bewertet und/oder validiert.
-
3 zeigt als ODD beispielsweise die Fahraufgabe, dass ein Egofahrzeug E, das ist das zu validierende Fahrzeug, in einen Kreisverkehr einfährt und diesen an der zweiten Ausfahrt verlassen möchte. An der dritten Ausfahrt ist ein Fahrradfahrer C in den Kreisverkehr eingefahren. Hinsichtlich OEDR ist dieser als Fahrradfahrer C zu erkennen und in Reaktion auf die Verkehrssituation unter Einhaltung der Straßenverkehrsordnung Vorfahrt zu gewähren. Das Egofahrzeug E soll beim Einfahren in den Kreisverkehr den Fahrradfahrer C erkennen, halten, dem Fahrradfahrer C Vorfahrt gewähren und erst anschließend in den Kreisverkehr einfahren. An der ersten Ausfahrt fährt ein Fremdfahrzeug F ein. Das Fremdfahrzeug F wird den Kreisverkehr an der dritten Ausfahrt verlassen. Das Egofahrzeug E, das bereits im Kreisverkehr ist, wenn das Fremdfahrzeug F in den Kreisverkehr einfahren möchte, hat Vorfahrt. Hinsichtlich OEDR ist das Fremdfahrzeug F zu erkennen und in Reaktion auf die Verkehrssituation unter Einhaltung der Straßenverkehrsordnung weiterzufahren. Der Kreisverkehr als Fahrszene, dessen Straßenmarkierungen als erstes Objekt und der Fahrradfahrer C und das Fremdfahrzeug F jeweils als weitere Verkehrsteilnehmer und damit jeweils als zweite Objekte werden erfindungsgemäß generiert und plausibilisiert.
-
Bezugszeichenliste
-
- E
- Egofahrzeug
- F
- Fremdfahrzeug
- C
- Fahrradfahrer
- DS
- Datenstruktur
- I
- Indexstruktur
- 1
- erste Objektklasse
- 2
- zweite Objektklasse
- 3
- dritte Objektklasse
- 4
- vierte Objektklasse
- 1.1
- Hauptklasse
- 1.2
- Hauptklasse
- 1.3
- Hauptklasse
- 1.3.1
- Unterklasse
- 1.3.2
- Unterklasse
- 1.3.3
- Unterklasse
- V1-V5
- Verfahrensschritte
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
