-
Die vorliegende Erfindung betrifft ein Verfahren zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke. Darüber hinaus betrifft die vorliegende Erfindung ein entsprechendes Fahrerassistenzsystem sowie ein Kraftfahrzeug mit einem solchen Fahrerassistenzsystem.
-
Fahrerassistenzsysteme und Fahrfunktionen sind in der Regel wenig individualisiert und bieten dem Fahrer entsprechend wenig Spielraum für ein emotionales Fahrerlebnis beziehungsweise generieren geringe Akzeptanz aufgrund nicht nachvollziehbarer Eingriffe. Individuelle Fahrerassistenzsysteme hingegen ermöglichen eine verbesserte Kundenakzeptanz und damit verbunden einen Mehrwert beziehungsweise eine erhöhte Motivation, das Fahrzeug entsprechend zu konfigurieren.
-
Eine fahrdynamische Analyse des Fahrverhaltens und Fahrkönnens eines Fahrers erfolgt bei bekannten Verfahren meist durch Zuordnung des Fahrers in individuelle Klassen, wie „sportlich“, „vorsichtig“, etc. Diese Zuordnung kann beispielsweise in Form von GG-Diagrammen (Beschleunigungsdiagramme) erfolgen, in denen die Längs- und Querbeschleunigung zweidimensional aufgetragen sind. Auf diese Weise kann eine grobe Beschreibung der Grenzen des Fahrverhaltens beziehungsweise Fahrkönnens erfolgen, aber detaillierte Vorlieben bei der Fahrzeugführung können so nicht berücksichtigt werden.
-
Dokument
US 2021/0012590 A1 offenbart eine Überwachungsvorrichtung zur Bereitstellung von Fahrzeug-Telemetriedaten. Die Überwachungsvorrichtung umfasst einen Sensor zum Erfassen von Vibrationen, die durch Fahrzeug- und Motorbewegungen in Fahrzeugteilen hervorgerufen werden, um entsprechende Vibrationsdaten zu erzeugen. Aus den Vibrationsdaten können Charakteristiken für das Fahrzeug oder den Motor extrahiert werden.
-
Darüber hinaus offenbart die Druckschrift
WO 2019/134110 A1 ein Verfahren und ein System zum autonomen Fahren. Aus Sensordaten wird eine Fahrsituationskarte erzeugt. Ein Deep-Learning-Algorithmus wird trainiert, um auf der Basis der Fahrsituationskarte einen Fahrbefehl zu erzeugen.
-
Die Druckschrift
DE 10 2017 209 258 A1 offenbart ein Verfahren und eine Vorrichtung zum Überwachen einer Fahrstabilität eines Fahrzeugs auf einer vorausliegenden Fahrroute. Es werden eine aktuelle Geschwindigkeit, ein aktueller Lenkwinkel und eine aktuelle Position des Fahrzeugs ermittelt. Ferner wird ein Fahrertyp bestimmt. Anhand dieser Daten wird ein Geschwindigkeitssignal und ein Lenkwinkelsignal prognostiziert.
-
Das Dokument
US 2016/0026182 A1 offenbart ein personalisiertes Fahren von autonom betriebenen Fahrzeugen. Dazu wird zumindest ein Teil eines Fahrprofils auf ein Fahrzeug geladen. Anhand des Fahrprofils wird das Fahrzeug gesteuert.
-
Die Aufgabe der vorliegenden Erfindung besteht darin, ein Fahrerassistenzsystem vorzuschlagen, mit dem eine individuellere Unterstützung des Fahrers möglich ist.
-
Erfindungsgemäß wird diese Aufgabe durch die Gegenstände der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen der Erfindung ergeben sich aus den Unteransprüchen.
-
Entsprechend der vorliegenden Erfindung wird insbesondere ein Verfahren zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke bereitgestellt. Ein derartiges Verfahren wird beispielsweise in einem Fahrerassistenzsystem durchgeführt. Das Verfahren kann aber auch dazu verwendet werden, ein Fahrzeug autonom zu steuern. In einem Fall erhält der Fahrer eine individuelle, auf den Fahrer zugeschnittene Unterstützung, und im anderen Fall wird ihm das Steuern vollständig abgenommen, indem das Fahrzeug individuell gemäß den Gewohnheiten des Fahrers geführt wird.
-
Zunächst wird eine Teststrecke durch einen Fahrer befahren. Natürlich können in der Folge auch weitere Teststrecken durch diesen Fahrer befahren werden, um entsprechende Testdaten zu gewinnen. Die Teststrecke beziehungsweise die Teststrecken sollten möglichst viele unterschiedliche Merkmale besitzen, damit vielfältigste Testdaten gewonnen werden können.
-
Von der Teststrecke werden geometrische Testdaten erfasst. Dieses Erfassen der geometrischen Testdaten kann mittels Sensorik des Fahrzeugs erfolgen. Bei dem Befahren der Teststrecke nehmen diese Sensoren derartige geometrische Testdaten wie Spurbreite beziehungsweise Streckenbreite, Krümmung der Strecke und dergleichen auf. Solche geometrische Testdaten können aber auch beispielsweise von einer Datenbank zur Verfügung gestellt werden und bei Gelegenheit in das Fahrzeug geladen werden. Diese geometrischen Testdaten sind die Grundlage dafür, in der Zukunft zu befahrende Strecken beziehungsweise Streckenabschnitte zu klassifizieren.
-
Bei dem Befahren der Teststrecke durch den Fahrer erfolgt ein Erfassen von fahrdynamischen Testdaten. Solche Testdaten umfassen beispielsweise Beschleunigungen, Geschwindigkeiten und dergleichen. Selbstverständlich sind diese fahrdynamischen Testdaten den geometrischen Testdaten zugeordnet. Nur so lässt sich beispielsweise bei einer Kurvenfahrt das Fahrerverhalten individuell feststellen. Die fahrdynamischen Testdaten werden durch eine Sensorik des Fahrzeugs ermittelt und abgespeichert. Gegebenenfalls werden diese fahrdynamischen Testdaten unter Umständen zusammen mit den geometrischen Testdaten an eine fahrzeugexterne Recheneinheit übertragen, um sie dort zu verarbeiten und entsprechend verarbeitete Daten zurück an das Fahrzeug zu schicken. Die fahrdynamischen Testdaten geben Auskunft über das Fahrverhalten des Fahrers in bestimmten Situationen beziehungsweise auf bestimmten Streckenabschnitten.
-
Die erfassten beziehungsweise teilweise bereitgestellten Testdaten, also die geometrischen Testdaten und ggf. weitere objektive Situationsdaten bilden zusammen üblicherweise eine Punktewolke in einem Testdatenraum, der in der Regel mehrdimensional ist. Jeder Parameter der geometrischen Testdaten und der weiteren Situationsdaten bildet eine eigene Dimension in dem Testdatenraum. Der Testdatenraum oder die Punktewolke werden nun in Cluster aufgeteilt. Dazu kann eine Clusteranalyse durchgeführt werden, um Ähnlichkeitsstrukturen in dem Datenbestand zu entdecken. Die Clusteranalyse entsteht auf Basis objektivierbarer Größen, wie Streckenbreite, Krümmung, Neigung, Steigung, Temperatur, Verkehrsaufkommen, Wetter (nass, trocken,...), Untergrund (Asphalt, Kopfsteinpflaster), Referenzgrößen einer Planung (Geschwindigkeiten, Beschleunigungen, Gierwinkel, etc.) nicht aber auf Basis der subjektiven Größen eines Fahrers. Das Clustering dient dabei einer automatisierten Unterteilung gefahrener Strecken in Szenarien / Segmente. Es soll als Tool dienen, um Bereiche zur Extraktion des Fahrstils objektiv bereitstellen zu können. Auf diese Weise lässt sich der Testdatenraum beziehungsweise die Testdaten in eine Vielzahl von Clustern aufteilen, die für eine spätere Klassifizierung als Grundlage dienen können.
-
In einem weiteren Schritt werden die fahrdynamischen Daten für jedes Cluster auf der Basis der fahrdynamischen Testdaten des jeweiligen Clusters festgelegt. Dies bedeutet, dass mit der Clusterung Szenarien identifiziert wurden, in denen sich ein Fahrer mit hoher Wahrscheinlichkeit reproduzierbar verhält, und nun auf dieser Basis das Verhalten bestimmt und später angewendet wird. Beispielsweise fährt der Fahrer bei einer Linkskurve auf einer Fahrbahn mit Standstreifen näher am äußeren Fahrbahnrand als an der Mittellinie. Dies wurde beispielsweise in mehreren Testfahrten belegt. Durchschnittlich hält der Fahrer in solchen Situationen zum äußeren Fahrbahnrand einen Abstand von einem Meter ein. Daher wird dieser Abstand zum äußeren Fahrbahnrand als dynamischer Datensatz für genau dieses Cluster festgelegt. Fährt das Fahrzeug dann autonom oder assistiert, so wird das Fahrzeug versuchen, genau diesen individuellen Abstand von einem Meter zum äußeren Fahrbahnrand beim Durchfahren der Linkskurve einzuhalten. Dadurch kann der Fahrer genau so unterstützt werden wie er selbst entscheiden würde.
-
In einem weiteren Schritt erfolgt ein Zuordnen von Streckenabschnitten der zu fahrenden Strecke zu den Clustern anhand von geometrischen Daten der zu fahrenden Strecke. Es wird also eine neue, unbekannte Strecke, die der Fahrer fahren will, automatisiert in Segmente unterteilt. Jedes Segment, d.h. jeder Streckenabschnitt, ist einem Cluster zugeordnet. Die Zuordnung erfolgt u.a. über geometrische Daten, die vor der zu fahrenden Strecke vorliegen, und ggf. weiteren Daten, die jeweilige Szenarien beschreiben (Streckenbreite, Krümmung, Neigung, Steigung, Temperatur, Verkehrsaufkommen, Wetter, Untergrund, Referenzgrößen einer Planung, etc.). Beispielsweise wurden die geometrischen Daten von einem Navigationssystem oder von einer fahrzeugextern Datenbank gewonnen. Die geometrischen Daten der zu fahrenden Strecke, wie etwa die Koordinaten, die Krümmung und die Streckenbreite, können berücksichtigt werden, um beispielsweise jeden Punkt der zu fahrenden Strecke einem Cluster zuzuordnen. So kann beispielsweise eine Centroid-Methode angewandt werden, um jeden Punkt der zu fahrenden Strecke einem jeweiligen Cluster zuzuordnen. Dabei erfolgt die Zuordnung des Punkts zu demjenigen Cluster, zu dem der Punkt den geringsten Abstand in dem Datenraum besitzt. Auf diese Weise lässt sich die gesamte zu fahrende Strecke in Streckenabschnitte beziehungsweise Segmente unterteilen, die jeweils einem der Cluster zugeordnet sind.
-
In einem abschließenden Schritt des Verfahrens erfolgt ein Steuern mindestens einer Fahrzeugkomponente des Fahrzeugs in einem der Streckenabschnitte entsprechend den festgelegten fahrdynamischen Daten des jeweiligen Cluster. Es wird also mindestens eine Fahrzeugkomponente entsprechend angesteuert, was bedeutet, dass der Fahrer entweder unterstützt wird oder das Fahrzeug autonom gesteuert wird. Da der zu befahrene Streckenabschnitt eindeutig klassifiziert, d.h. einem Cluster zugeordnet wurde, können zur Steuerung genau diejenigen festgelegten fahrdynamischen Daten des jeweiligen Clusters benutzt werden. Fällt der zu befahrene Abschnitt beispielsweise in das Cluster „gerade Strecke“ und der Fahrer ist solche „geraden Strecken“ bei den Testfahrten immer mit einer Geschwindigkeit von 90 km/h gefahren, so wird auch hier bei der individuellen Fahrerunterstützung das Fahrzeug so gesteuert, dass es auf der „geraden Strecke“ 90 km/h fährt.
-
Bislang gab es beispielsweise lediglich eine Art Fahrprofilauswahl. Mit diesem optionalen Feature ist es möglich, immer das passende Fahrprofil auszuwählen: z.B. Normal, Eco, Sport, Komfort oder Individual. Die Motor- und Getriebeabstimmung sowie das Verhalten bestimmter Assistenzsysteme werden so den Gegebenheiten angepasst. Diese Einstellungen lernen jedoch nicht szenarienbasiert und passen die Unterstützung nicht entsprechend der jeweiligen Fahrsituation gezielt an. Zudem werden keine individualisierten Fahrstile berücksichtigt, die z.B. Linienführung, Bremspunkte etc. betrachten.
-
Mit der oben vorgestellten, erfindungsgemäßen Lösung wird es jedoch möglich, gezielt Features, die das Kundenverhalten szenarienbasiert beschreiben, so zu extrahieren und in ein individualisiertes Assistenzsystem zu implementieren. Dies bietet den Vorteil potentiell höherer Akzeptanz bei der fahrdynamischen Unterstützung. Zusätzlich könnte die Funktion als optionales Feature zu einer bestehenden Funktion angeboten werden, wodurch die Wertschöpfung des Produkts ohne signifikante Mehrkosten erhöht wird.
-
In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass die geometrischen Testdaten Positionsdaten, eine Krümmung, eine Streckenbreite, Kombination von Streckenabschnittstypen (z.B. Kurve mit anschließender Gerade etc.) und/oder eine Anzahl an Fahrspuren der Teststrecke beinhalten. Dies bedeutet, dass die Geometrie der Teststrecke hinreichend bekannt ist. Aus diesen geometrischen Testdaten können weitere Informationen gewonnen werden, wie beispielsweise die Länge einer geraden Strecke, die Länge einer Kurve, das Gefälle und dergleichen. Darüber hinaus ist es mit diesen Testdaten auch möglich, das Zusammenwirken von Streckenabschnitten zu analysieren. Beispielsweise wird ein Fahrer anders in eine Linkskurve fahren, wenn der vorausliegende Streckenabschnitt ein gerader Streckenabschnitt oder einer Rechtskurve war. Ähnliches gilt für das Beschleunigen aus einer Kurve heraus, wenn nach einer Kurve ein gerade Abschnitt liegt und nicht wieder eine Kurve. Auch wird die Anzahl der Fahrspuren das Fahrverhalten beeinflussen. So wird in der Regel auf einer zweispurigen Strecke schneller gefahren als auf einer einspurigen. All diese geometrischen Parameter besitzen in der Regel also Einfluss auf das Fahrverhalten eines individuellen Fahrers und werden vorzugsweise für die Clusteranalyse verwendet.
-
Gemäß einem weiteren Ausführungsbeispiel können bei dem Befahren der Teststrecke zusätzliche Situationsdaten bezüglich Wetter, Uhrzeit, Verkehrsdichte und/oder Umgebung erfasst werden, wobei die Situationsdaten in den Testdatenraum und die Clusterbildung mit eingehen, aktuelle Situationsdaten für das Befahren der zu befahrenden Strecke erfasst werden und das Zuordnen der Streckenabschnitte zu den Clustern auch in Abhängigkeit von den aktuellen Situationsdaten erfolgt. Dies bedeutet, dass für die Clusterbildung nicht nur Geometriedaten der Teststrecke beziehungsweise der Teststrecken herangezogen werden können, sondern auch weitere Daten, die das Fahrverhalten eines Fahrers beeinflussen können. Diesbezügliche Situationsdaten beschreiben also die Situation beziehungsweise das Szenario, in die/das die bevorstehende Fahrt eingebettet ist. Speziell kann das Wetter eine Rolle spielen, wenn die Fahrbahn nass oder schneebedeckt ist. Darüber hinaus kann auch die Uhrzeit eine Rolle spielen, gemäß der beispielsweise Staus vorhergesagt werden können. Gegebenenfalls kann die Verkehrsdichte beispielsweise über zusätzliche Informationskanäle wie Rundfunk und dergleichen ermittelt werden. Darüber hinaus kann es für die Fahrsituation auch von Bedeutung sein, wie die Umgebung der Strecke gestaltet ist. Das Fahrverhalten ändert sich beispielsweise, wenn die Fahrstrecke nicht in freier Umgebung, sondern in einem Tunnel verläuft. Darüber hinaus zählen zu den Situationsdaten betreffend die Umgebung auch beispielsweise Verkehrszeichen am Fahrbahnrand. So fährt beispielsweise ein Fahrer im Stadtbereich, der auf eine Höchstgeschwindigkeit von 50 km/h begrenzt ist, in der Regel 55 km/h, während ein anderer Fahrer in dieser Situation meist genau 50 km/h fährt. Auch dieses situationsspezifische individuelle Verhalten kann hier dadurch berücksichtigt werden, dass zu dem Streckenabschnitt „Ortsbereich“ die fahrdynamischen Testdaten (hier die Geschwindigkeit) festgehalten und für das individuelle Steuern verwendet werden.
-
Generell können also die obigen Situationsdaten in dem Testdatenraum als eigene Dimensionen berücksichtigt werden. Es können damit spezielle Szenarien beziehungsweise Cluster gebildet werden, wie etwa „Kurvenfahrt auf nasser Fahrbahn“, „Kurvenfahrt im Ortsbereich“, „Kurvenfahrt auf Landstraße“ und dergleichen. Für den Transfer von der Teststrecke auf die zukünftig zu befahrende Strecke bedeutet dies, dass entsprechende aktuelle Situationsdaten für das Befahren der zu fahrenden Strecke erfasst beziehungsweise gewonnen werden können/müssen. Wenn also beispielsweise über eine Wettervorhersage oder einen Regensensor festgestellt wird, dass aktuell Regen fällt, kann der Algorithmus auf Clusterelemente zugreifen, die die Situation „Regen“ beziehungsweise „nasse Fahrbahn“ beinhalten. Damit können die Streckenabschnitte der zu befahrenden Strecke der aktuellen Situation geschuldet situationsspezifischen Clustern zugeordnet werden. Entsprechend kann die Steuerung des Fahrzeugs mit den fahrdynamischen Daten dieser Cluster erfolgen.
-
In einem weiteren Ausführungsbeispiel kann vorgesehen sein, dass das Erfassen der fahrdynamischen Daten für mehrere Fahrmodi des Fahrers und das Aufteilen des Testdatenraums in Cluster auch in Abhängigkeit von den mehreren Fahrmodi erfolgt, für die zu fahrende Strecke einer der mehreren Fahrmodi gewählt wird, und das Zuordnen der Streckenabschnitte zu den Clustern in Abhängigkeit von dem gewählten Fahrmodus erfolgt. In diesem Fall besteht also die Möglichkeit, dass der Fahrer selbst seinen Fahrstil, wie etwa Sport, Komfort, Eco etc., wählt und der Algorithmus dennoch fahrerindividuell assistiert beziehungsweise die Steuerung übernimmt. Dazu ist es notwendig, dass der Fahrer bei den Testfahrten als zusätzlichen Parameter den Fahrmodus für sich festlegt. Beispielsweise will er die Teststrecke in möglichst kurzer Zeit, also „sportlich“ zurücklegen. In einem anderen Fall will der Fahrer auf der Teststrecke sicher beziehungsweise komfortabel fahren und dies entsprechend bei der Testfahrt als Parameter eingeben. Im Anwendungsfall für eine zukünftig zu fahrende Strecke wird der Algorithmus dann beim Wählen des entsprechenden Fahrmodus die Streckenabschnitte in Cluster dieses spezifischen Fahrmodus unterteilen und die Steuerung entsprechend durchführen.
-
Weiterhin kann vorgesehen sein, dass die fahrdynamischen Daten eine Linienführung, einen Sicherheitsabstand, eine Beschleunigung, eine Geschwindigkeit und/oder einen Ruck beinhalten. Dies bedeutet, dass die fahrdynamischen Daten sowohl bei der Testfahrt als auch für die Steuerung einer zukünftig oder aktuell zu fahrenden Strecke einen oder mehrere Parameter umfassen können. Einer dieser Parameter ist die Linienführung, die ein Fahrer in der Regel individuell wählt, wenn er eine Strecke abfährt. Die Linienführung kann beispielsweise bei gleicher Geometrie in unterschiedlichen Situationen jedoch auch verschieden sein. Ähnliches gilt beim Sicherheitsabstand zum vorausfahrenden Fahrzeug. Jeder Fahrer wählt den für ihn richtigen Sicherheitsabstand individuell und situationsabhängig. Insbesondere ältere Verkehrsteilnehmer halten einen höheren Sicherheitsabstand ein als jüngere Verkehrsteilnehmer. Dieser fahrerspezifische Sicherheitsabstand unterscheidet sich nochmals in den verschiedenen Situationen. Auch die weiteren Parameter wie Beschleunigung, Geschwindigkeit und Ruck sind in der Regel sehr fahrerspezifisch. So wählt beispielsweise jeder Fahrer beim Start an einer Ampel eine individuelle Beschleunigung. Der Fahrer akzeptiert eine diesbezügliche Fahrerassistenz umso mehr, wenn diese genau diese individuelle Beschleunigung wählt.
-
In einem weiteren Ausführungsbeispiel kann vorgesehen sein, dass bei dem Zuordnen von Streckenabschnitten der zu fahrenden Strecke zu den Clustern die geometrischen Daten der zu fahrenden Strecke und/oder die aktuellen Situationsdaten individuell gewichtet werden. So kann es beispielsweise für einen Fahrer weniger relevant sein, die Uhrzeit bei der Steuerung zu berücksichtigen als die Umgebung der aktuell zu befahrenden Strecke. Auf diese Weise kann vermieden werden, dass nicht viele Einflussparameter einfach gemittelt werden, wie das derzeit bei üblichen Systemen der Fall ist, die beispielsweise nur „sportliche“ Fahrt oder dergleichen anbieten.
-
Bei einer weiteren vorteilhaften Ausgestaltung beruht das Zuordnen von Streckenabschnitten der zu fahrenden Strecke zu den Clustern auf maschinellem Lernen. Dieses maschinelle Lernen kann insbesondere unüberwacht stattfinden. Bei einer speziellen Ausgestaltung des maschinellen Lernens wird ein neuronales Netzwerk verwendet. Ein solches Netzwerk kann beispielsweise mit den Testdaten trainiert und für das Klassifizieren der Streckenabschnitte der zu fahrenden Strecke verwendet werden.
-
Darüber hinaus kann auch vorgesehen sein, dass in dem Testdatenraum auch Fahrzeugdaten über das Fahrzeug enthalten sind, und das Steuern der mindestens einen Fahrzeugkomponente spezifisch für das Fahrzeug erfolgt. Dies bedeutet, dass der Fahrer die fahrdynamischen Testdaten spezifisch für ein Fahrzeug gewinnen kann. Fährt der Fahrer in einem anderen Fahrzeug die gleiche Teststrecke, können die fahrdynamischen Testdaten durchaus anders ausfallen. Dementsprechend kann es von Vorteil sein, zu den Testdaten auch Fahrzeugdaten und insbesondere den Fahrzeugtyp abzuspeichern. Auf diese Weise kann der Fahrer seine Testdatenbank für mehrere Fahrzeuge nutzen und dazu beispielsweise einen Fahrzeugtyp für die aktuelle Steuerung wählen.
-
Darüber hinaus wird die oben genannte Aufgabe erfindungsgemäß gelöst durch ein Fahrerassistenzsystem zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke mit einer Erfassungseinrichtung zum Erfassen von geometrischen Testdaten der Teststrecke und zum Erfassen von fahrdynamischen Testdaten bei einem Befahren einer Teststrecke durch einen Fahrer, einer Klassifikationseinrichtung zum Aufteilen eines von den geometrischen Testdaten gebildeten Testdatenraums in Cluster sowie einer Datenverarbeitungseinrichtung zum Festlegen von fahrdynamischen Daten für jedes Cluster auf der Basis derjenigen fahrdynamischen Testdaten, die einem jeweiligen Cluster zuordenbar sind, wobei die Klassifikationseinrichtung ausgelegt ist zum Zuordnen von Streckenabschnitten der zu fahrenden Strecke zu den Clustern anhand von geometrischen Daten der zu fahrenden Stecke und das Fahrerassistenzsystem eine Steuereinrichtung aufweist zum Steuern mindestens einer Fahrzeugkomponente des Fahrzeugs in einem der Streckenabschnitte entsprechend den festgelegten fahrdynamischen Daten des jeweiligen Cluster. D.h. die Clusterung erfolgt auf Basis objektivierbarer Größen, wie Streckenbreite, Krümmung, Neigung, Steigung, Temperatur, Verkehrsaufkommen, Wetter (nass, trocken,...), Untergrund (Asphalt, Kopfsteinpflaster), Referenzgrößen einer Planung (Geschwindigkeiten, Beschleunigungen, Gierwinkel, etc.), nicht aber auf Basis der subjektiven Größen eines Fahrers.
-
Ein derartiges Fahrerassistenzsystem besitzt also eine Erfassungseinrichtung, welche ihrerseits beispielsweise eine entsprechende Sensorik aufweist. Darüber hinaus kann die Erfassungseinrichtung auch geeignete Schnittstellen zum Aufnehmen von Testdaten umfassen. Die Klassifikationseinrichtung des Fahrerassistenzsystems kann auf Vektormaschinen oder neuronalen Netzen oder Ähnlichem beruhen. In jedem Fall besitzt die Klassifikationseinrichtung für die automatisierte Klassifizierung einen Prozessor und entsprechende Speicherbausteine. Ebenso ist die Datenverarbeitungseinrichtung des Fahrerassistenzsystems mit einem entsprechenden Prozessor und Speicherbausteinen ausgestattet. Gegebenenfalls sind die Klassifikationseinrichtung und die Datenverarbeitungseinrichtung in einer Einheit realisiert. Darüber hinaus besitzt das Fahrerassistenzsystem eine Steuereinrichtung, mit der Fahrzeugkomponenten des Fahrzeug ansteuerbar sind. Gegebenenfalls sind hierfür entsprechende Treiber vorzusehen.
-
Das Fahrerassistenzsystem ist vorzugsweise in der Lage, das oben geschilderte Verfahren und dessen Weiterentwicklungen auszuführen. Damit ergeben sich für das Fahrerassistenzsystem die gleichen Vorteile wie für die entsprechenden Verfahren.
-
Zudem kann ein Kraftfahrzeug mit dem oben genannten Fahrerassistenzsystem ausgestattet sein. Somit kann das Kraftfahrzeug individuell mit den Eigenheiten eines Fahrers gesteuert beziehungsweise unterstützt werden.
-
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.
-
Im Folgenden werden Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
- 1 ein Diagramm von zwei Fahrstrecken;
- 2 ein Beschleunigungsdiagramm für eine der beiden Strecken von 1 für einen bestimmten Fahrer;
- 3 ein Beschleunigungsdiagramm der anderen Strecke von 1 für den gleichen Fahrer;
- 4 eine der beiden Strecken in segmentierter Form; und
- 5 die andere der beiden Strecken in segmentierter Form.
-
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsbeispiele der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsbeispiele auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
-
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.
-
Die vorliegende Erfindung zielt darauf ab, dass ein Fahrer und ein Fahrzeug in Symbiose eine Fahraufgabe bewältigen können. Dabei soll beispielsweise dem Fahrer möglichst viel Freiheit gewährt werden und das Assistenzsystem aufgabenspezifisch den Aktions- und Zustandsraum überwachen und bedarfsgerecht eingreifen.
-
Hierzu sollte eine möglichst präzise und situationsabhängige Identifikation fahrerspezifischer Eigenschaften und Charakteristika erfolgen, die entsprechend einer vorgegebenen Aufgabe identifiziert und für ein künftiges Assistenzsystem zur Verfügung gestellt werden können.
-
Wie eingangs erwähnt wurde, ist aus dem Stand der Technik die Einordnung von Fahrern in Klassen, z.B. sportlich, vorsichtig, bekannt. Diese Klassifizierung ist jedoch sehr rudimentär, und es besteht der Bedarf nach einer genaueren, individuelleren Abbildung des Fahrers in einem Assistenzsystem.
-
Es wird daher vorgeschlagen, dass der Fahrer in geometrisch ähnlichen Streckensegmenten analysiert wird. Über eine Differenz zu einer geplanten, objektiv beschreibbaren Trajektorie können fahrerspezifische Charakteristika abgeleitet werden, die in Bezug auf das jeweilige Streckensegment in objektiv beschreibbare Klassen überführt werden.
-
So sollen beispielsweise eine präferierte Linienführung, ein individuell gewählter Sicherheitsabstand, Beschleunigungen, Geschwindigkeiten und Rucke entsprechend der analysierten Streckengeometrie einen fahrerindividuellen „Fingerprint“ liefern, der eine lokale Abbildung ermöglicht und über die Einteilung in globale Klassen hinausgeht. Mit Hilfe der Streckenabschnittsanalyse können zudem unbekannte Streckensegmente bewertet werden. Mit Hilfe dieser Extrapolation können zukünftige Präferenzen bei der Fahrzeugführung auf unbekannte Streckensegmente abgebildet und eine maßgeschneiderte Unterstützung bereitgestellt werden.
-
In einer Ausführungsform werden Fahrerdaten in unterschiedlichen Modi aufgezeichnet (z.B. Sport, Komfort, Eco, Race). Unter Umständen wird aber auch nur ein einziger Modus aufgezeichnet und als Datengrundlage verwendet.
-
Speziell können beispielsweise Streckendaten und Randdaten (Daten von der Umgebung der Strecke beziehungsweise des Fahrzeugs) gespeichert werden. Die Daten können etwa nach Streckengeometrie (Krümmung), Streckenbreite, Referenz-Geschwindigkeit, Referenz-Beschleunigung sowie dem zukünftigen Streckenverlauf geclustert werden. Die Clusterung kann aber auch nach einer Auswahl dieser Kenngrößen oder aber auch nach zusätzlichen anderen Kenngrößen erfolgen.
-
Das Führungsverhalten des Fahrers kann nun in diesen Clustern analysiert werden. Daraus können nun Kenngrößen, die das Fahrverhalten beziehungsweise die Fahrweise beschreiben, in Bezug auf die geometrischen Segmente abgeleitet werden. Für einen Unterstützungsalgorithmus können entsprechend der gebildeten Cluster unbekannte Streckendaten analysiert und das Fahrverhalten in diesen Segmenten prädiziert werden.
-
Somit lässt sich ein Fahrer-Fingerprint bilden, der für eine individuell angepasste Unterstützungsfunktion an ein „ADAS“ (Advanced Driver Assistance System) übergeben werden kann.
-
Im Zusammenhang mit den 1 bis 5 wird nun ein konkretes Beispiel erläutert, wie ein erfindungsgemäßes Verfahren zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke realisiert werden kann. Zunächst wird von einem Fahrer eine Teststrecke 1 befahren. In 1 ist diese Teststrecke 1 in einem kartesischen Koordinatensystem mit x-Koordinaten und y-Koordinaten wiedergegeben. Darüber hinaus ist in 1 auch eine zweite Strecke 2 dargestellt, die die zu fahrende Strecke widergibt. Das Fahrzeug beziehungsweise das Fahrerassistenzsystem soll also mit der Teststrecke 1 „angelernt“ werden, und auf der Basis der damit gewonnenen Daten soll die Strecke 2 assistiert oder autonom gefahren werden.
-
Bei dem Befahren der Teststrecke 1 werden geometrische Testdaten der Teststrecke 1 erfasst. Das Erfassen dieser geometrischen Testdaten kann aber auch bereits vor der Testfahrt beispielsweise dadurch erfolgen, dass die Testdaten aus einer Datenbank für das Steuerungssystem bereitgestellt werden.
-
Bei der Testfahrt auf der Teststrecke 1 werden zudem fahrdynamische Testdaten von dem Fahrer erfasst. Diese fahrdynamischen Testdaten charakterisieren den Fahrer. Sie stellen den oben genannten fahrerindividuellen Fingerprint dar und betreffen z.B. die Geschwindigkeiten, die Beschleunigungen, den Sicherheitsabstand und dergleichen in Bezug auf die geometrischen Testdaten der Teststrecke 1.
-
Die 2 und 3 zeigen Beschleunigungsdiagramme, die beispielsweise auf den Strecken 1 und 2 mit ein und demselben Fahrer gewonnen werden können. Speziell ist in beiden Figuren die Beschleunigung ay in y-Richtung nach rechts und die Beschleunigung ax in x-Richtung nach oben eingezeichnet. Beim Befahren der Strecken 1 und 2 ergeben sich zahlreiche Beschleunigungsmesspunkte, die in den Figuren dargestellt sind. Es ergeben sich dabei jeweils typische Punktewolken, die das Verhalten des Fahrers in Bezug auf Beschleunigungen charakterisieren. Die beiden Punktewolken sollen hier zeigen, dass ein zweidimensionaler Datenraum in Bezug auf das Fahrerverhalten gewonnen werden kann. Zusätzlich beziehungsweise alternativ können auf den Strecken auch andere der oben genannten Daten, beispielsweise die Beschleunigung, die Streckenbreite und dergleichen, aufgezeichnet werden. Dementsprechend ergeben die aufgezeichneten Daten einen mehrdimensionalen Datenraum beziehungsweise eine mehrdimensionale Punktewolke.
-
Im vorliegenden Beispiel ergibt sich in 2 in der Mitte oben ein Bereich 3, der Datenpunkte beinhaltet, welche häufiger auftreten als die anderen Punkte. Diese Punkte liegen um den Querbeschleunigungswert 0 m/s2. Die Längsbeschleunigung ax ist in diesem Bereich 3 meist leicht positiv. Das Beschleunigungsdiagramm von 2 bezieht sich auf die Strecke 2 von 1. Diese Strecke 2 besitzt längere gerade Abschnitte und nur wenige Kurven. Auf den geraden Abschnitten beschleunigt der Fahrer, so dass die Längsbeschleunigung ax einen entsprechenden positiven Wert zeigt. Da wenige starke Kurven vorliegen, treten hohe Querbeschleunigungen ay nur mit geringer Häufigkeit auf.
-
3 hingegen zeigt das Beschleunigungsdiagramm für die Teststrecke 1. In der Punktewolke von 3 ist ein Bereich 4 kenntlich gemacht, der wiederum gehäufte Beschleunigungswerte darstellt. Dieser Bereich 4 befindet sich hier im Diagramm rechts oben, d.h. bei kleinen positiven Längsbeschleunigungswerten und bei positiven Querbeschleunigungswerten. Dies liegt daran, dass die Teststrecke 1 kurvenreicher ist und wegen des Rundkurses bei einer Befahrung im Uhrzeigersinn mehr Rechtskurven aufweist. Durch diese Rechtskurven ergeben sich im Diagramm von 3 positive Querbeschleunigungswerte ay.
-
Für das erfindungsgemäße Verfahren genügt es, wenn für die Testdaten beispielsweise zunächst die Teststrecke 1 befahren wird. Natürlich ist es besser, wenn grundsätzlich mehr Daten als Datengrundlage zur Verfügung stehen. Prinzipiell könnten natürlich auch die Daten von Strecke 2 zusätzlich als Testdaten herangezogen werden. Zum Zwecke der Erläuterung der Erfindung werden jedoch die Testdaten von Teststrecke 1 dazu benutzt, um das Verhalten des Fahrers auf die Strecke 2 zu extrapolieren.
-
Hierzu wird zunächst die Teststrecke 1 in Segmente 5 aufgeteilt. Jedes Segment 5 stellt einen Streckenabschnitt dar und ist demnach einem Teil der geometrischen Testdaten zugeordnet. Jedes Segment ist einem der vorgegebenen Cluster A bis J zugeordnet. Der gesamte Testdatenraum wird hier beispielsweise in zehn verschiedene Cluster A bis J unterteilt. Grundsätzlich kann die Anzahl der Cluster beliebig gewählt werden. Es können also auch weniger oder mehr als zehn Cluster gewählt werden, in die der Testdatenraum unterteilt wird.
-
Die Segmentierung läuft anhand einer Clusteraufteilung ab, wie sie in dem mehrdimensionalen Testdatenraum (ohne fahrdynamische Daten) getroffen wurde. Bildlich kann man sich diese Punktewolke vorstellen wie in den 2 und 3, allerdings mit entsprechend mehr Dimensionen. Jeder Punkt auf der Teststrecke wird einem der Cluster A bis J zugeordnet. Dadurch ergibt sich eine Vielzahl an zusammenhängenden Punktegruppen auf der Strecke, die jeweils einem der Cluster zugeordnet sind. Jede Punktegruppe stellt geometrisch ein Segment dieser Teststrecke 1 dar.
-
Beispielsweise werden alle Punkte auf einem geraden Streckenabschnitt vor einer scharfen Kurve einem Cluster A zugeordnet. Dieser Streckenabschnitt bildet somit ein Segment 5.
-
Nun muss festgelegt werden, welche fahrdynamischen Daten einem Cluster entsprechen sollen. Dazu können beispielsweise sämtliche fahrdynamischen Daten der Punkte des Clusters gemittelt werden. Es könnte aber auch beispielsweise ein Medianwert des jeweiligen Parameters (z.B. Geschwindigkeit oder Beschleunigung) für das Cluster als fester Wert gewählt werden.
-
Die Einteilung in Cluster führt also zu Segmenten auf der Strecke, die geometrisch ähnlich sind und fahrdynamisch ähnlich befahren werden. Diese gebildeten Cluster können nun benutzt werden, um unbekannte Streckensegmente zu klassifizieren und zuzuordnen. Die Ergebnisse der Fahranalyse der Teststrecke können dann auf das Assistenzsystem übertragen werden. Es kann somit ein Transfer der Analyse der Teststrecke auf die zu fahrende Strecke 2 erfolgen.
-
Die geometrischen Daten der neu zu fahrenden Strecke 2 sind bekannt. Gegebenenfalls werden sie über ein Navigationssystem oder dergleichen ermittelt. Auf der Basis dieser geometrischen Daten kann das Clustern in Segmente erfolgen. Dazu werden die Cluster verwendet, die im Testdatenraum vorab generiert wurden. Durch die Clusterung ergeben sich für die zu fahrende Strecke 2 gemäß 5 die Segmente 5. Die zu fahrende Strecke 2 ist also ähnlich wie die Teststrecke 1 in Streckenabschnitte segmentiert. Jedes Segment 5 steht für ein spezifisches Szenario, z.B. längere gerade Strecke, auf eine Kurve zulaufend, Anfangsgeschwindigkeit 50 km/h, Bremsbeschleunigung -2 m/s2 etc. Das Fahrerassistenzsystem kann dann bei Befahren der Strecke 2 in dem jeweiligen Segment beispielsweise die Geschwindigkeitswerte und Beschleunigungswerte, die für das zugehörige Cluster spezifiziert sind, vorgeben.
-
Eine segmentbasierte Analyse bietet die Möglichkeit, den Fahrer beziehungsweise dessen Identifikation in Teilmengen zu untergliedern. Dabei können grundsätzlich mehr Aspekte in die Beschreibung implementiert beziehungsweise die Kenngrößen unterschiedlich stark gewichtet werden. D.h., entsprechend der ausgewählten Klasse, wie beispielsweise komfortable oder sportliche Fahrt, können einzelne, fahrerindividuelle Merkmale abgebildet werden (wie beispielsweise Linienführung in einem schlecht einsehbaren Szenario, Sicherheitsrand und Streckenbreite, etc.), die nicht für jede Strecke gemittelt, sondern für das beschriebene Szenario einzeln bewertet werden. Dadurch lässt sich eine natürlichere Unterstützung des Fahrers bewerkstelligen, die weniger als ein Aufzwingen von einem von Experten definierten Führungsverhalten wahrgenommen wird. Es kann so eine nachvollziehbare Unterstützung bei hoher Akzeptanz des Fahrers erreicht werden.
-
Gemäß einer weiteren Ausführungsform können bestimmte Modi für die fahrdynamische Unterstützung (etwa Sport, Komfort, Eco, ...) in Kombination mit der Klassifikation des Fahrerkönnens (z.B. sportlich, vorsichtig) bereitgestellt werden.
-
Erfindungsgemäß ergibt sich bei all den genannten Ausführungsbeispielen der Vorteil, gezielt Features, die das Fahrerverhalten szenarienbasiert beschreiben, zu extrahieren und in ein individualisiertes Assistenzsystem zu implementieren. Dies führt zu höherer Akzeptanz bei der fahrdynamischen Unterstützung. Ferner könnte die Funktion als zusätzliches Feature zu einer bestehenden Funktion angeboten werden, wodurch die Wertschöpfung des Produkts ohne signifikante Mehrkosten erhöht wird.
-
Bezugszeichenliste
-
- 1
- Teststrecke
- 2
- Strecke
- 3
- Bereich
- 4
- Bereich
- 5
- Segment
-
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
-
- US 2021/0012590 A1 [0004]
- WO 2019/134110 A1 [0005]
- DE 102017209258 A1 [0006]
- US 2016/0026182 A1 [0007]