DE102021203354A1 - Verfahren zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt mittels eines Assistenzsystems des Kraftfahrzeugs, Computerprogrammprodukt sowie Assistenzsystem - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen einer zukünftigen Unfallschwere (5) eines Kraftfahrzeugs (1), mit den Schritten:- Erfassen einer Umgebung (7) mit zumindest einer ein Objekt (6) charakterisierenden Information (8) mittels einer Umgebungserfassungseinrichtung (4) des Assistenzsystems;- Bestimmen einer geometrischen Repräsentation (10) des Objekts (6) in Abhängigkeit von der zumindest einen charakterisierenden Information (8);- Bereitstellen eines Unfallschweremodells (11) mittels einer elektronischen Recheneinrichtung (3) des Assistenzsystems (2), wobei das Unfallschweremodell (11) auf Basis von der approximierten geometrischen Repräsentation (10) und auf Basis von zumindest einem davon abhängigen die Kollision charakterisierenden Parameter bestimmt; und- Bestimmen der Unfallschwere (5) in Abhängigkeit von dem bestimmten die Kollision charakterisierenden Parameter mittels eines vorgegebenen mathematischen Modells (13) zur Bestimmung der Unfallschwere (5) mittels der elektronischen Recheneinrichtung (3). Ferner betrifft die Erfindung ein Computerprogrammprodukt sowie ein Assistenzsystem (2).

Description

• Die Erfindung betrifft ein Verfahren zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt mittels eines Assistenzsystems des Kraftfahrzeugs. Ferner betrifft die Erfindung ein Computerprogrammprodukt sowie ein Assistenzsystem.
• Beim automatisierten Fahren von einem Kraftfahrzeug beziehungsweise bei einem zumindest teilweise assistiert betriebenen Kraftfahrzeug mit entsprechenden Fahrerassistenzsystemen werden bei der Verhaltensausplanung unter anderem Fahrtrajektorien ermittelt. Hierbei gilt es für die Sicherheit und den Schutz beteiligter Verkehrsteilnehmer, Unfälle beziehungsweise Kollisionen zu vermeiden oder, sollte dies nicht möglich sein, zumindest die Unfallschwere zu reduzieren. Daher wird durch zum Beispiel integrierte Fahrtsensorik und beispielsweise einer Kraftfahrzeug-zu-Infrastruktur-Kommunikation die Umgebung wahrgenommen, im automatisierten Fahren mittels Objektprädiktion das Verhalten anderer Verkehrsteilnehmer beziehungsweise beim assistierten Fahren zusätzlich dazu das Fahrverhalten des eigenen Fahrzeugs abgeschätzt und auf Basis dieses Wissens eine eigene Fahrtrajektorie geplant. In besonders kritischen Situationen gewinnt die potentielle Unfallschwere an Bedeutung. Diese kann zum Beispiel in der Risikobestimmung von Trajektorien genutzt werden. Darüber hinaus ist eine Gestaltung beziehungsweise Anpassung von adaptiven Rückhaltesystemen ebenfalls möglich.
• Die Vorhersage der Unfallschwere ist dabei jedoch nicht trivial. Einerseits erschweren Unsicherheiten der Umfeldwahrnehmung und -prädiktion die Ermittlung. Andererseits müssen für Echtzeitanforderungen stark vereinfachte Modelle genutzt werden, um die Unfallschwere im sogenannten Pre-Crash-Fall im Kraftfahrzeug bestimmen zu können. Hierfür eignen sich insbesondere Stoßmodelle. Dabei beeinflusst insbesondere die Wahl der repräsentativen Objektkonturen sowie die Richtung der wirkenden Kräfte die Ergebnisse stark.
• Die Crash-Schwereberechnung ist dabei bereits aus dem Stand der Technik bekannt. Insbesondere im Feld der Unfallforschung und Fahrzeugkonstruktion werden Modelle genutzt, um Unfälle zu rekonstruieren beziehungsweise die Crashsicherheit zu modellieren. Hierbei sind insbesondere rechenintensive FEM-Simulationen bekannt, welche insbesondere in nicht-echtzeitkritischen Anwendungen durchgeführt werden können.
• Aufgabe der vorliegenden Erfindung ist es, ein Verfahren, ein Computerprogrammprodukt sowie ein Assistenzsystem zu schaffen, mittels welchen eine Unfallschwerebestimmung im Kraftfahrzeug in Echtzeit und insbesondere pre-crash, also vor einem Unfall, durchgeführt werden kann.
• Diese Aufgabe wird durch ein Verfahren, ein Computerprogrammprodukt sowie ein Assistenzsystem gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben.
• Ein Aspekt der Erfindung betrifft ein Verfahren zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt mittels eines Assistenzsystems des Kraftfahrzeugs. Es erfolgt ein Erfassen einer Umgebung des Kraftfahrzeugs mit zumindest einer das Objekt charakterisierenden Information mittels einer Umgebungserfassungseinrichtung des Assistenzsystems. Es wird eine geometrische Repräsentation des Objekts in Abhängigkeit von der zumindest einen charakterisierenden Information bestimmt. Es wird ein Unfallschweremodell mittels einer elektronischen Recheneinrichtung des Assistenzsystems bereitgestellt, wobei das Unfallschweremodell auf Basis von der approximierten geometrischen Repräsentation und auf Basis von zumindest einem davon abhängigen bestimmten die Kollision charakterisierenden Parameter zwischen dem Kraftfahrzeug und dem Objekt bestimmt wird. Es erfolgt ein Bestimmen der Unfallschwere in Abhängigkeit von den bestimmten die Kollision charakterisierenden Parameter, welcher insbesondere durch die dynamische und statische Parameter des Kraftfahrzeuges und des Objektes beeinflusst wird, mittels eines vorgegebenen mathematischen Modells zur Bestimmung der Unfallschwere mittels der elektronischen Recheneinrichtung.
• Insbesondere kann somit ein Verfahren zum Bestimmen der Unfallschwere in Echtzeit, insbesondere innerhalb des Kraftfahrzeugs, durchgeführt werden. Es wird somit eine effiziente Berechnungsmethode vorgestellt, die für Echtzeitanforderungen, wie sie in kritischen Notmanövern gestellt werden, geeignet sind und gleichzeitig die notwendige Güte liefert. Die Unfallschwere wird insbesondere für einen zugkünftigen potentiellen Unfall für zumindest einen zukünftigen Zeitpinkt vorhergesagt. Insbesondere kann auch für eine Vielzahl von zukünftigen Zeitpunkten die Unfallschwere in jedem dieser Zeitpunkte vorhergesagt werden.
• Der die Kollision charakterisierende Parameter kann beispielsweise ein Kollisionspunkt und/oder eine Kollisionskraft und/oder beispielsweise im Falle eines neuronalen Netzwerks ein Gewicht dessen sein. Das Unfallschweremodell kann beispielsweise als Hyperparemtrierung für das mathematische Modell angesehen werden.
• Insbesondere schlägt somit die Erfindung vor, dass beispielsweise das Unfallschweremodell bereits offline bereitgestellt wird. Unter offline ist hierbei zu verstehen, dass das Modell bereits vor dem Fahrbetrieb erstellt wurde und beispielsweise auf einer Speichereinrichtung bereitgestellt wird. Insbesondere ist es hierzu notwendig, dass die Fähigkeiten der eigenen Fahrzeugsensorik, mit anderen Worten der Umgebungserfassungseinrichtung, bekannt sind und beispielsweise nicht messbare Parameter, wie beispielsweise die Elastizität, mithilfe des Umfeldmodells, beispielsweise auf Basis einer Referenzdatenbank, statistisch ermittelt werden können. Das vorgegebene Umfeldmodell kann dann wiederum im Kraftfahrzeug, beispielsweise auf einer Speichereinrichtung, abgespeichert werden. Online wird dann wiederum durch die Umgebungserfassungseinrichtung die aktuelle Situation des Kraftfahrzeugs aufgenommen beziehungsweise ein Umfeldmodell dazu erstellt. Es erfolgt dann eine Approximation einer geometrischen Repräsentation des Objekts. Auf Basis der geometrischen Repräsentation und auf Basis des Unfallschweremodells können dann beispielsweise entsprechende Kräfte über die Tangential- und Normalenrichtung des Kollisionspunktes in der aktuellen Situation durch die Umfeldsensorik bestimmt werden. Unter Kollisionspunkt ist insbesondere vorliegend der Berührungspunkt des Kraftfahrzeugs mit dem Objekt zu verstehen. Es erfolgt dann wiederum die Bestimmung der Unfallschwere auf Basis des mathematischen Modells. Die Unfallschwere wiederum kann dazu genutzt werden, um die Trajektorienplanung oder allgemein beispielsweise ein integrales Sicherheitssystem entsprechend anzusteuern.
• Insbesondere können unbekannte beziehungsweise schwer zu ermittelnde Parameter, wie zum Beispiel die Elastizität, vorab offline ermittelt werden. Hierfür werden mithilfe beispielsweise einer FEM-Referenzdatenbank statistische Werte für diese Parameter ermittelt, die dann im Fahrzeug für die Anwendung hinterlegt werden können. Alternativ oder ergänzend können diese Parameter auch auf Basis von historischen Daten bestimmt werden.
• Unter dem Objekt kann vorliegend beispielsweise ein weiteres Kraftfahrzeug verstanden werden. Es könne jedoch auch andere Objekte beziehungsweise Verkehrsteilnehmer und dem Begriff Objekt verstanden werden. Das Objekt kann dabei sowohl dynamisch als auch statisch sein.
• Gemäß einer vorteilhaften Ausgestaltungsform werden als geometrische Repräsentation eine Stadiumform und/oder eine Ellipsenform und/oder eine Kreisform des Objekts bestimmt.
• Es sind auch alternative Formen ermöglicht. Insbesondere kann somit eine Konturapproximation stattfinden, sodass sich in einer physikalisch sinnvollen Kollision, insbesondere sind dabei Seite-Seite-Crashs ausgenommen, immer ein eindeutiger Berührungspunkt, also Kollisionspunkt, ergibt, in dem sich eine Tangential- und Normalenrichtung eindeutig definieren lässt. Entsprechend dieser Tangential- und Normalenrichtung können dann wiederum die Kräfte in diesem Punkt aufgeprägt werden.
• In einer weiteren vorteilhaften Ausgestaltungsform wird der zumindest eine Kollisionspunkt auf Basis einer Verschiebung der approximierten geometrischen Repräsentation entlang einer Schwerpunktlinie zwischen den Schwerpunkten des Kraftfahrzeugs und des Objekts bestimmt. Insbesondere kann beispielsweise dazu vorgesehen sein, dass von einer rechteckigen geometrischen Repräsentation, wie dies beispielsweise zur Objekterfassung durchgeführt wird, auf eine Stadiumform gewechselt wird. Insbesondere beim Wechsel der geometrischen Repräsentation der kollidierenden Fahrzeuge beziehungsweise des Kraftfahrzeugs mit dem Objekt wird die Unfallsituation über das Verschieben entlang der Schwerpunktlinie, welche auch als Center of Gravity line (COG-Linie) bezeichnet werden kann, transformiert. Dadurch werden möglichst viele Eigenschaften der ursprünglichen Unfallkonstellation, insbesondere wie beispielsweise die Schwerpunktlagen, in der Approximation berücksichtigt.
• Weiterhin vorteilhaft ist, wenn das mathematische Modell auf Basis eines exzentrischen Stoßes oder auf Basis eines zentrischen Stoßes die Unfallschwere bestimmt. Insbesondere entspricht ein entsprechender Unfall zumindest approximiert mit den physikalischen Eigenschaften im Wesentlichen einem exzentrischen Stoß, welcher insbesondere rechenkapazitätseinsparend mittels des mathematischen Modells gelöst werden kann. Alternativ kann auf Basis eines zentrischen Stoßes die Unfallschwere bestimmt werden. Mit dem zentrischen Stoß kann noch rechenzeitsparender die Unfallschwere bestimmt werden.
• Ebenfalls vorteilhaft ist, wenn das mathematische Modell mittels eines trainierbaren Algorithmus, insbesondere mittels eines neuronalen Netzwerks oder eines Regressionsverfahrens, die Unfallschwere bestimmt. Insbesondere kann das neuronale Netzwerk bereits über entsprechende Datenbanken antrainiert worden sein. Auf Basis des somit trainierten neuronalen Netzwerks kann dann wiederum die Unfallschwere entsprechend bestimmt werden. Alternativ zum neuronalen Netz kann auch ein Regressionsverfahren, insbesondere eine sogenannte Random Forrest Regression, durchgeführt werden. Hierbei handelt es sich um ein Klassifikations- und Regressionsverfahren, das aus mehreren unkorrelierten Entscheidungsbäumen besteht.
• In einer weiteren vorteilhaften Ausgestaltungsform kann mittels eines Trainingsprozesses das Unfallschweremodell und/oder das mathematische Modell trainiert werden. Bei den Trainingsdaten kann es sich um historische Daten oder auch um simulierte Daten handeln.
• Ferner hat es sich als vorteilhaft erwiesen, wenn zum Bestimmen der Unfallschwere eine relative Geschwindigkeitsänderung während der Kollision berücksichtigt wird. Insbesondere kann auf Basis der relativen Geschwindigkeitsänderung eine sogenannte technische Unfallschwere berücksichtigt werden. Die technische Unfallschwere quantifiziert die mechanische Fahrzeugbelastung durch Krafteinwirkungen, die zu Beschleunigung a(t), Geschwindigkeit v(t) und Verformung s(t) im Zeitverlauf führen. Neben der technischen Unfallschwere ist es auch möglich, dass weitere Definitionen der Unfallschwere genutzt werden können.
• In einer weiteren vorteilhaften Ausgestaltungsform wird in Abhängigkeit von der bestimmten Unfallschwere eine Trajektorienplanung für das Kraftfahrzeug und/oder eine Einstellung eines Sicherheitssystems im Kraftfahrzeug durchgeführt. Insbesondere, wenn beispielsweise das Kraftfahrzeug zumindest teilweise assistiert betrieben ist, können auf Basis der Unfallschwereschätzung Notmanöver eingeleitet werden. Hierbei kann es sich sowohl um ein Ausweichmanöver als auch um ein sogenanntes Mitigationsmanöver handeln, welches die Folgen eines Unfalls beziehungsweise die Unfallschwere reduziert. Ferner kann, sollte beispielsweise eine Kollision unvermeidbar sein, ein entsprechendes Sicherheitssystem, wie beispielsweise ein Rückhaltesystem, im Kraftfahrzeug entsprechend der bestimmten Unfallschwere angepasst werden. Somit kann die Sicherheit im Straßenverkehr für einen Insassen des Kraftfahrzeugs erhöht werden.
• Bei dem vorgestellten Verfahren handelt es sich insbesondere um ein computerimplementiertes Verfahren. Hierzu betrifft ein weiterer Aspekt der Erfindung ein Computerprogrammprodukt mit Programmcodemitteln, welche eine elektronische Recheneinrichtung dazu veranlassen, wenn die Programmcodemittel von dieser abgearbeitet werden, ein Verfahren nach dem vorhergehenden Aspekt durchzuführen. Daher betrifft ein weiterer Aspekt der Erfindung auch ein computerlesbares Speichermedium mit einem entsprechenden Computerprogrammprodukt.
• Ein nochmals weiterer Aspekt der Erfindung betrifft ein Assistenzsystem für ein Kraftfahrzeug zum Bestimmen einer zukünftigen Unfallschwere eines Kraftfahrzeugs mit einem Objekt, mit zumindest einer Umgebungserfassungseinrichtung und mit einer elektronischen Recheneinrichtung, wobei das Assistenzsystem zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels des Assistenzsystems durchgeführt.
• Die elektronische Recheneinrichtung weist insbesondere elektrische Bauteile, beispielsweise integrierte Schaltkreise, Prozessoren und weitere elektronische Bauteile auf, um ein entsprechendes Verfahren durchführen zu können.
• Ferner betrifft ein nochmals weiterer Aspekt der Erfindung auch ein Kraftfahrzeug mit einem Assistenzsystem nach dem vorhergehenden Aspekt. Das Kraftfahrzeug kann dabei insbesondere als zumindest teilweise assistiert betriebenes Kraftfahrzeug ausgebildet sein. Ferner kann das Kraftfahrzeug auch als vollautonomes Kraftfahrzeug ausgebildet sein.
• Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Assistenzsystems sowie des Kraftfahrzeugs, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfindungsgemäßen Assistenzsystems und des erfindungsgemäßen Kraftfahrzeugs hier nicht noch einmal beschrieben.
• Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.
• Im Folgenden werden Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
• 1 eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs mit einer Ausführungsform eines Assistenzsystems;
• 2 ein schematisches Blockschaltbild einer Ausführungsform des Assistenzsystems sowie einer Ausführungsform eines Parametrisierungsprozesses; und
• 3 eine schematische Draufsicht auf eine Unfallkonstellation.
• 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.
• 1 zeigt eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs 1 mit einem Assistenzsystem 2. Das Kraftfahrzeug 1 ist bevorzugt zumindest teilweise assistiert betrieben. Alternativ kann das Kraftfahrzeug 1 auch vollautomatisiert, insbesondere vollautonom, betrieben sein. Das Assistenzsystem 2 weist vorliegend eine elektronische Recheneinrichtung 3 sowie eine Umgebungserfassungseinrichtung 4 auf. Mit dem Assistenzsystem 2 kann insbesondere eine zukünftige Unfallschwere 5 (2) des Kraftfahrzeugs 1 mit einem Objekt 6, welches vorliegend ebenfalls als Kraftfahrzeug dargestellt ist, bestimmt werden.
• 2 zeigt ein schematisches Blockschaltbild gemäß einer Ausführungsform des Verfahrens. Insbesondere zeigt die 2 ein Blockschaltbild für das Assistenzsystem 2. Insbesondere ist vorgesehen, dass zum Bestimmen der Unfallschwere 5 eine Umgebung 7 (1) des Kraftfahrzeugs 1 mit zumindest einer das Objekt 6 charakterisierenden Information 8 mittels der Umgebungserfassungseinrichtung 4 bestimmt wird. Es kann ebenfalls vorgesehen sein, dass auch kraftfahrzeugspezifische Informationen 9 des Kraftfahrzeugs 1 mit einfließen. Beispielsweise können Gewicht, Form, Geschwindigkeit und ähnliches als kraftfahrzeugspezifische Informationen mit einfließen. Bei diesen Informationen kann es sich beispielsweise um direkt messbare Größen oder auch um indirekt messbare Größen handeln.
• Es wird eine geometrische Repräsentation 10 (3) des Objekts 6 und/oder des Kraftfahrzeugs 1 in Abhängigkeit von der zumindest einen charakterisierenden Information 8 bestimmt. Es erfolgt ein Bereitstellen eines Unfallschweremodells 11 mittels der elektronischen Recheneinrichtung 3 des Assistenzsystems 2, wobei das Unfallschweremodell 11 auf Basis von der approximierten geometrischen Repräsentation 10 und auf Basis von zumindest einem davon abhängigen bestimmten die Kollision charakterisierenden Parameter, beispielsweise ein Kollisionspunkt 12 (3) und/oder zumindest eine Kollisionskraft K (3) zwischen dem Kraftfahrzeug 1 und dem Objekt 6, bestimmt wird. Die Unfallschwere 5 wird in Abhängigkeit von dem bestimmten die Kollision charakterisierenden Parameter, beispielsweise dem Kollisionspunkt 12 und der Kollisionskraft K, mittels eines vorgegebenen mathematischen Modells 13 zur Bestimmung der Unfallschwere 5 mittels der elektronischen Recheneinrichtung 3 bestimmt.
• Insbesondere kann vorgesehen sein, dass das mathematische Modell 13 auf Basis eines exzentrischen Stoßes oder auf Basis eines zentrischen Stoßes bestimmt wird. Alternativ kann vorgesehen sein, dass das mathematische Modell 13 mittels eines trainierbaren Algorithmus, insbesondere mittels eines neuronalen Netzwerks oder eines Regressionsverfahrens, die Unfallschwere 5 bestimmt. Insbesondere können Parameter für den exzentrischen Stoß und/oder den zentrischen Stoß und/oder das neuronale Netzwerk und/oder das Regressionsverfahren mittels eines Trainingsprozesses 14 trainiert werden. Hierbei könne die Parameter für das Unfallschweremodell 11 und/oder für das Mathematische Modell 13 bestimmt beziehungsweise trainiert werden.
• Hierzu kann insbesondere vorgesehen sein, dass beispielsweise das neuronale Netz beziehungsweise der trainierbare Algorithmus auf einer kraftfahrzeugexternen Datenbank 15 bereits über Daten verfügt und diese entsprechend, insbesondere vor Fahrtantritt, ausgewertet hat. Alternativ oder ergänzend können auch vom Kraftfahrzeug 1 gewonnene Daten, welche beispielsweise auf einer kraftfahrzeuginternen Datenbank 16 ausgebildet sind, genutzt werden.
• 3 zeigt eine schematische Draufsicht auf eine Verkehrssituation mit dem Kraftfahrzeug 1. Insbesondere ist hierbei die Kollision mit dem Objekt 6, welches ebenfalls als Kraftfahrzeug dargestellt ist, gezeigt. Vorliegend ist insbesondere gezeigt, dass als geometrische Repräsentation eine sogenannte Stadiumform für die Kraftfahrzeuge genutzt wird. Alternativ oder ergänzend kann auch eine Ellipsenform oder eine Kreisform für das Objekt 6 genutzt werden. Insbesondere ist vorgesehen, dass der zumindest eine Kollisionspunkt 12 auf Basis einer Verschiebung der approximierten geometrischen Repräsentation 10 entlang einer Schwerpunktlinie 17 (COG-Line) zwischen den Schwerpunkten 18, vorliegend des Kraftfahrzeugs 1, und 19, vorliegend des Objekts 6, bestimmt wird. Die Schwerpunkte 18, 19 können dabei mit Hilfe der Informationen der Umgebungserfassungseinrichtung 4 und/oder unter Beachtung des Unfallschweremodells 11 approximiert und/oder bestimmt werden. Die Schwerpunktlinie 17 korreliert insbesondere mit der Masse und der Form des Objekts 6 und/oder des Kraftfahrzeugs 1.
• Die Unfallschwere 5 wird in Abhängigkeit von beispielsweise dem bestimmten Kollisionspunkt 12 und er Kollisionskraft K mittels eines vorgegebenen mathematischen Modells 13 zur Bestimmung der Unfallschwere 5 mittels der elektronischen Recheneinrichtung bestimmt.
• Insbesondere kann vorgesehen sein, dass das mathematische Modell 13 auf Basis eines exzentrischen Stoßes oder auf Basis eines zentrischen Stoßes bestimmt. Alternativ kann vorgesehen sein, dass das mathematische Modell 13 mittels eine trainierbaren Algorithmus, insbesondere mittels eines neuronalen Netzwerks oder eines Regressionsverfahrens, die Unfallschwere bestimmt.
• Hierzu kann insbesondere vorgesehen sein, dass beispielsweise das neuronale Netz beziehungsweise der trainierbare Algorithmus auf einer kraftfahrzeugexternen Datenbank 15 bereits Daten verfügt und diese entsprechend ausgewertet hat. Alternativ oder ergänzend können auch von Kraftfahrzeug 1 gewonnene Daten, welche beispielsweise auf einer kraftfahrzeuginternen Datenbank 16 angeordnet sind, genutzt werden.
• Es kann ein neuronales Netz mit Vorwärtskopplung verwendet werden, um die Eingangs-Unfallkonstellation z_input auf den Schweregrad-Ausgang, beispielsweise Δv, zu propagieren.
• Der Eingang z_input muss die sensitivsten Abhängigkeiten der Unfallschwere 5 enthalten. Dazu gehören insbesondere der Auftreffpunkt, Geschwindigkeiten und Massen. Weiter ist vorgesehen, dass alle anderen Merkmale entweder zu vernachlässigen sind oder indirekt durch die statistisch trainierte Funktion abgedeckt werden können. Die Eingabeschicht basiert daher auf messbaren Daten aus der Unfallkonstellation:
• Z_input = [V_E; V_K; a_E; a_K; I_E; I_K; W_E; W_K; M_E; M_K; ω_E; ω_K; J_E, J_K]^T
• Darin sind die Geschwindigkeiten v_E/K, die Winkel zur Linie zwischen den COGs a_E/K, die Maße I_E/K und W_E/K und die Massen m_E/K enthalten. Dabei fällt auf, dass die geometrische Konstellation der beiden Objekte g^~ _E/K = [x_E/K; y_E/K; j_E/K]^T zu zwei Winkeln a_E/K zusammengefasst wird. Das reduziert zum einen die Anzahl der unabhängigen Variablen und damit die Komplexität der Netztopologie. Andererseits wird dadurch die Objektposition unabhängig von der Fahrzeugform beschrieben, was es kompatibel zu anderen Darstellungen macht. Dennoch wird der Aufprallpunkt indirekt mit einbezogen. Er kann mit Hilfe der beiden Winkel, einer Fahrzeugform und der Definition, dass das Ego-Fahrzeug immer auf der linken Seite gegenüber dem Objektfahrzeug bleibt, rekonstruiert werden. Die Anzahl der Schichten und Neuronen wird durch eine Hyperparametrisierung bestimmt, wie später erläutert. Es wird zunächst nur eine versteckte Schicht definiert, um die Netztopologie im Hinblick auf die Echtzeitanwendung einfach zu halten. Ferner ist auch eine versteckte Schicht für beliebige Darstellungen in Abhängigkeit von der Anzahl der Neuronen ausreichend. Bevorzugt wird eine Netztopologie mit 36 Neuronen für das Training mit allen Testdaten gewählt. Die Neuronen der versteckten und der Ausgabeschicht verwenden eine „tanh“- bzw. lineare Aktivierungsfunktion.
• Alternativ kann auch eine Random-Forest-Regression verwendet werden, welches einer Methode des Ensemble-Lernens entspricht, um mehrere Entscheidungsbäume zu kombinieren. Die endgültige Ausgabe basiert auf dem Durchschnitt dieser mehreren Bäume, wobei jeder Baum nur mit einer zufälligen Teilmenge der Trainingsdaten trainiert wird, was ein Overfitting verhindert. Außerdem verringert sich die Menge der Trainingsdaten für tiefere Knoten und die Aufteilung auf jeden Knoten hängt von einer zufälligen Teilmenge von Features ab. Die Auswahl der Eingabe-Features folgt der Diskussion obigen Diskussion mit $${\text{z}}_{\text{input}}={\left[{\text{v}}_{\text{E}};{\text{v}}_{\text{K}};{\text{a}}_{\text{E}};{\text{a}}_{\text{K}};{\text{I}}_{\text{E}};{\text{I}}_{\text{K}};{\text{w}}_{\text{E}};{\text{w}}_{\text{K}};{\text{m}}_{\text{E}};{\text{m}}_{\text{K}};{\mathrm{\omega }}_{\text{E}};{\mathrm{\omega }}_{\text{K}};{\text{J}}_{\text{E}};{\text{J}}_{\text{K}}\right]}^{\text{T}}.$$

  
• In der Hyperparametrisierung werden die Anzahl der Bäume N_t, die Merkmale pro Knoten N_v, die Datenaufteilung für jeden Baum N_ds und die Datenzuweisung für jeden Knoten N_da bestimmt. Außerdem zeigen empirische Untersuchungen, dass die Performance des Random Forests bei größeren Wäldern als N_t > 100 Bäumen für die meisten Probleme nicht signifikant ansteigt. Die Ergebnisse der Hyperparametrisierung haben dabei gezeigt, dass der Zufallsforst mit N_t = 2000 Entscheidungsbäumen etwas besser abschneidet als der kleinere Zufallsforst mit N_t = 100. Allerdings übersteigt die größere Instanz die verfügbare Rechenzeit. Aus diesem Grund wird die Anzahl der Entscheidungsbäume auf N_t = 100 in einem bevorzugten Ausführungsbeispiel verwendet. Die systematische Suche nach den anderen Hyperparametern ergibt die vollen Eingangsmerkmale pro Knoten N_v = 10, fast alle Daten in jedem Entscheidungsbaum N_ds = 0:99 und eine Knotengröße von N_da ≥ 2.
• Die Fahrzeugkonfiguration w ist durch den Zustandsvektor (Sample) z_EK = (z_E; z_K)^T spezifiziert. Hierbei ist es notwendig geeignete Schwerevorhersagefunktionen h zu finden.
• Die Schwerevorhersagefunktion η bildet diesen Zustand z_EK auf den gewünschten Wert, die Unfallschwere ψ, ab: $$\eta :\underset{:=\omega }{\underbrace{z_{\text{EK}}}}\to \Psi$$

  
• Die kollisionsfreien Fahrzeug-Objektkonstellationen w_coll führen zu einem trivialen Schwereergebnis ψ = η (w_coll) = 0 ms. Daher werden diese Fälle in diesem Kapitel nicht weiter betrachtet und der Fokus liegt auf den Kollisionskonfigurationen w_coll. Aus Sicht der Ausgabe muss der Zustand z_EK die empfindlichsten Abhängigkeiten der Unfallschwere ψ enthalten. Bei Frontalcrashs sind dies der Aufprallpunkt, die Fahrzeugabmessungen, Geschwindigkeiten und Massen. Bei anderen Unfallkonstellationen, insbesondere bei Rotationen mit großen Hebeln, gewinnen die Gierraten und Trägheitsmomente an Bedeutung.
• Aus Sicht der Schwerevorhersage haben die Prädiktoren η unterschiedliche modellierte Abhängigkeiten, die durch den Zustand z_EK abgedeckt werden müssen. Aus Sicht der Fahrfunktion und mit Bezug auf die verwendeten Prüfmittel werden die Elemente des Zustands z_EK in die beiden Kategorien (direkt oder indirekt) messbare und nicht messbare Parameter sortiert. Die Zuordnung der möglichen Eingangsparameter (Abhängigkeiten) zu diesen beiden Kategorien schränkt die unabhängigen Variablen ein. Mit anderen Worten: Die Ausführung der Vorhersagefunktion η im Fahrzeug, also online, darf nur von Variablen z_input abhängen, die während der Fahrt (direkt oder indirekt) messbar sind. Genauer gesagt, direkt messbar bedeutet, dass die Sensoren die Werte direkt wahrnehmen können. Indirekt messbar bedeutet, dass etablierte Modelle f_model existieren, wie zum Beispiel dynamische Modelle t_dyn, um aus den direkt messbaren Werten weitere Werte mit entsprechender Unsicherheit zu schätzen. Alle anderen Einflüsse (nicht messbar) müssen entweder vorher ermittelt oder aus der Modellierung ausgeschlossen werden. Letzteres würde das Vorhersagemodell indirekt verändern. Mit anderen Worten: Die Referenzdatenbank wird verwendet, um die Parameter z_train statistisch zu ermitteln.
• Dabei liegt der Fokus auf einer Gesamtunfallschwerevorhersage für die Risikobewertung und nicht auf der Darstellung von detaillierten Crashverläufen für einzelne Crasharten.
• Der messbare Input ist approximiert durch die folgenden Gleichung darstellbar: $$z_{\text{input}}={\left[\mathrm{\Delta }x,\mathrm{\Delta }y,\mathrm{\Delta }\phi ,v_{\text{E}/\text{K}},{\omega }_{\text{E}/\text{K}},l_{\text{E}/\text{K}},w_{\text{E}/\text{K}},m_{\text{E}/\text{K}},J_{\text{E}/\text{K}}\right]}^{\text{T}}$$

  

  , die die relative Lage [Δx; Δy; Δj], Geschwindigkeiten v_E/K, Gierraten w_E/K, Fahrzeugabmessungen [l_E/K; w_E/K], Massen m_E/K und Trägheitsmomente J_E/K umfasst.
• Der dynamische Zustand des Kraftfahrzeugs 1 z_E;dyn wird durch interne Sensoren gemessen und durch ein dynamisches Modell auf zukünftige Zeitschritte vorhergesagt. Die Länge l_E und die Breite w_E sind über den gesamten Fahrprozess statisch und werden daher vorher bestimmt. Die Masse m_E und das Trägheitsmoment J_E werden entweder durch interne Sensoren zur Erfassung der Belastung gemessen oder durch die Nenndaten des Fahrzeugs approximiert. Ebenso müssen die internen Materialeigenschaften vor der Abfahrt ermittelt werden. Im Gegensatz zum Kraftfahrzeug 1 werden die Parameter des Objekts 6 nur durch exterozeptive Sensoren ermittelt. Aufgrund der geringen Marktdurchdringung sind in diesem Ausführungsbeispiel neue Technologien, wie zum Beispiel V2X-Kommunikation, nicht berücksichtigt. Als Ergebnis werden nur der dynamische Zustand z_{K; dyn} (momentane und zukünftige Zeitschritte aufgrund des dynamischen Modells) und die Objektform l_K, w_K ermittelt. Alle anderen Einflüsse werden auf andere Weise ermittelt werden.
• Eine Ausnahme bilden die Masse m_K und das Trägheitsmoment J_K. Es kann eine starke Korrelation dieser Parameter mit der Objektform angenommen werden. Daher werden diese als indirekt messbar betrachtet und unabhängig vom Tuning-Prozess ermittelt. Aus dem Stand der Technik sind Methoden zu Bestimmung des Trägheitsmoments bekannt. Vorliegend wird es berechnet durch: J_K = 0:0863ml². Die Masse m_K basiert auf einer Kleinste-Quadrate-Anpassung einer linearen Funktion.
• Darüber hinaus stellt die Fahrzeugform beziehungsweise die Formdarstellung einen weiteren wichtigen Aspekt dar. Auch wenn die Aufstandsfläche die geometrische Unfallkonstellation und damit wichtige Eingangsparameter wie den Aufprallpunkt entscheidend beeinflusst, wird sie oft vereinfacht durch ein Rechteck mit der Länge l und der Breite w dargestellt. In diesem Ausführungsbeispiel wird für den exzentrischen Stoß eine Stadionfläche verwendet, die folgende Vorteile hat. Zum einen deckt das Stadion die Fahrzeugfront- und -heckform realistischer ab als ein Rechteck. Dennoch ist auch das Stadion eine Annäherung an die Fahrzeugkontur und schneidet die Fahrzeugecken höchstwahrscheinlich leicht an. Zusätzlich ist zu beachten, dass für die Berechnung einer Kollisionswahrscheinlichkeit P(C), die ein überapproximierendes Rechteck verwendet, die verwendeten Fahrzeugformen unabhängig von der Fahrzeugkontur für die Unfallschwerbestimmung bestimmt werden können. Vernachlässigt man die unrealistischen Seitencrashs aufgrund holonomer Beschränkungen, so enthält eine anfängliche Kollisionskonfiguration von Stadien nur einen Kollisionspunkt statt einer Kollisionslinie. Das ermöglicht zudem die Formulierung eines einzigen tangentialen und normalen Koordinatensystems im Kontaktpunkt für die Krafteinleitung. Zusammenfassend lässt sich sagen, dass das Stadion einen geeigneten Kompromiss zwischen der Fahrzeugkontur und der Krafteinleitungseigenschaft darstellt und daher bevorzugt genutzt wird. Die mathematischen Modelle des exzentrischen Stoßes als auch die trainierbaren Algorithmen, wie beispielsweise das neuronale Netz und das Regressionsverfahren, verwenden die Länge I und die Breite w als Eingabe, während der zentrische Stoß mit einer Punktmasse angesetzt wird. Außerdem beziehen sich alle Vorhersagefunktionen auf ebene Körper, was zu einem Kraftaufwand nur in zwei Dimensionen führt.
• Darüber hinaus ist beim Wechsel der Fahrzeugkontur von einer Darstellung in eine andere (z.B. Rechteck zu Stadion, Rechteck zu Kreis) folgendes Problem zu beachten. Ausgehend von einer Crash-Konstellation w_coll kann es vorkommen, dass sich die Fahrzeuge beim Wechsel zentriert auf dem COG nicht mehr berühren. Da es sich immer noch um einen momentanen Teilzustand handelt, sollen sich die Fahrzeugformen nicht entsprechend der zugrundeliegenden Dynamik bewegen, sondern nur entlang der Verbindungslinie zwischen den Schwerpunkten 18, 19 (COG-Linie) verschoben werden. Damit wird angenommen, dass der Krafteintrag angemessen dargestellt wird.
• Das Schweremaß wird in der nachfolgenden Betrachtung als der Absolutwert der vektorisierten Geschwindigkeitsänderung eingeführt, die sich aus ψ = Δv = |Δv| ergibt. Bei starren Körpern überlagern sich bei einem Fahrzeugaufprall Translation und Rotation, so dass der Schweregradwert in zwei Komponenten unterteilt wird: $$\begin{array}{l}=\mathrm{\Delta }v:=\left|\mathrm{\Delta }{\overrightarrow{v}}_{\text{E},\text{TM}}\right|=\left|{\overrightarrow{v}}_{\text{E},\text{TM}}\text{'}-{\overrightarrow{v}}_{\text{E},\text{TM}}\right|\\ =\mathrm{\Delta }{v}_{\text{E},\text{trans}}+\mathrm{\Delta }{v}_{\text{E},\text{rot},\text{TM}}\\ =\mathrm{\Delta }{v}_{\text{COG}}+r_{\text{TM}}\mathrm{\Delta }{\omega }_{\text{COG}}\end{array}$$

  
• Die Translation einzelner Punkte des starren Körpers ist gleich der Bewegung des COG. Die Rotation basiert auf der Änderung der Gierrate Δw gewichtet mit dem Abstand r vom COG. Als Bezugspunkt wird die Tunnelmitte TM gewählt und damit der Abstand r = r_TM bestimmt. Nachteilig in Bezug auf die Normierung ist, dass das Schweremaß ψ = Δv nicht in die Sättigung geht. Das heißt, je mehr kinetische Energie in den Crash involviert ist, desto mehr steigt das Schweremaß ψ an. Andererseits ist es durch die möglichen Fahrgeschwindigkeiten näherungsweise begrenzt. Dennoch kann der Skalarwert Δv mit Verletzungsrisikofunktionen in einen Wahrscheinlichkeitswert bekannter Grenzen überführt werden.
• Das exzentrische Stoßmodell als das mathematische Modell 13 überlagert den Impulserhaltungssatz (Translation) und den Drehimpulssatz (Rotation). Die Kräfte beziehungsweise Momente wirken im Berührungspunkt B, welcher auch dem Kollisionspunkt 12 entspricht. Aufgrund der Stadionform der Objekte und holonomischer Zwänge der Fahrzeuge ist die Richtung des Impulses S deterministisch definiert. Die Formen trennen eine tangentiale St- und eine normale S_n-Komponente, die die beiden Starrkörper im Berührungspunkt B berühren beziehungsweise senkrecht schneiden. Die Zustandsvektoren z_E/K umfassen dabei die Geschwindigkeiten v_E/K, die Gierrate w, Massen m_E/K, Trägheitsmomente J_E/K und Abstände r_t=n zwischen COG und Berührungspunkt B.
• Als Ergebnis beschreiben folgende Gleichungen den Stoß: $$\left(\begin{array}{l}{m}_{\text{E}}\left(v_{\text{E},\text{n}}-v{\text{'}}_{\text{E},\text{n}}\right)\hfill \\ m_{\text{E}}\left(v_{\text{E},\text{t}}-v{\text{'}}_{\text{E},\text{t}}\right)\hfill \\ 0\hfill \end{array}\right)=\left(\begin{array}{l}{S}_{\text{n}}\hfill \\ S_{\text{t}}\hfill \\ 0\hfill \end{array}\right)$$

  

  $$\left(\begin{array}{l}{m}_{\text{K}}\left(v_{\text{K},\text{n}}-v{\text{'}}_{\text{K},\text{n}}\right)\hfill \\ m_{\text{K}}\left(v_{\text{K},\text{t}}-v{\text{'}}_{\text{K},\text{t}}\right)\hfill \\ 0\hfill \end{array}\right)=\left(\begin{array}{l}-S_{\text{n}}\hfill \\ -S_{\text{t}}\hfill \\ 0\hfill \end{array}\right)$$

  

  $$\left(\begin{array}{l}0\hfill \\ 0\hfill \\ J\left(\omega {\text{'}}_{\text{E}}-{\omega }_{\text{E}}\right)\hfill \end{array}\right)=\left(\begin{array}{l}{r}_{\text{E},\text{n}}\hfill \\ r_{\text{E},\text{t}}\hfill \\ 0\hfill \end{array}\right)\times \left(\begin{array}{l}{S}_{\text{n}}\hfill \\ S_{\text{t}}\hfill \\ 0\hfill \end{array}\right)=\left(\begin{array}{l}0\hfill \\ 0\hfill \\ r_{\text{E},\text{n}}{S}_{\text{t}}-r_{\text{E},\text{t}}{S}_{\text{n}}\hfill \end{array}\right)$$

  

  $$\left(\begin{array}{l}0\hfill \\ 0\hfill \\ J\left(\omega {\text{'}}_{\text{K}}-{\omega }_{\text{K}}\right)\hfill \end{array}\right)=\left(\begin{array}{l}{r}_{\text{n}}\hfill \\ r_{\text{t}}\hfill \\ 0\hfill \end{array}\right)\times \left(\begin{array}{l}{S}_{\text{K},\text{n}}\hfill \\ S_{\text{K},\text{t}}\hfill \\ 0\hfill \end{array}\right)=\left(\begin{array}{l}0\hfill \\ 0\hfill \\ r_{\text{E},\text{n}}{S}_{\text{t}}-r_{\text{E},\text{t}}{S}_{\text{n}}\hfill \end{array}\right)$$

  
• Aufgrund von 6 Gleichungen, aber 8 Unbekannten, ist das System unterbestimmt und somit sind weitere Hypothesen zur Ableitung der nachträglichen Geschwindigkeiten erforderlich. Daher werden Annahmen zur Elastizität und Reibung nach getroffen. Es wird angenommen, dass die Crash-Gegner nach dem Crash nicht verhakt bleiben und somit die Elastizität nur in der Normalenrichtung wirkt. Der Restitutionskoeffizient e ε [0;1] beschreibt den Zusammenhang zwischen der Kompressionsphase mit der Impulsänderung ΔS_com und der Restitutionsphase mit der Impulsänderung ΔS_res: $$e=\frac{\mathrm{\Delta }{S}_{\text{res}}}{\mathrm{\Delta }{S}_{\text{com}}}=\frac{{\displaystyle {\int }_{t*}^{t\text{'}}{F}_B\text{d}t}}{{\displaystyle {\int }_t^{t*}{F}_B\text{d}t}}$$

  
• In der Kompressionsphase konvergieren die beiden Geschwindigkeiten v_E/K,B im Punkt B. Danach versucht die Energie im Material, die Ausgangssituation wieder herzustellen. Wenn keine kinetische Energie verloren geht, beträgt der Restitutionskoeffizient e = 1, was auch als perfekt elastischer Stoß bezeichnet wird. Mit anderen Worten: Der Impuls der Kompression ist gleich dem Impuls der Restitution: $$\mathrm{\Delta }{\text{S}}_{\text{com}}=\mathrm{\Delta }{\text{S}}_{\text{res}}.$$

  
• Wenn Teile der kinetischen Energie in andere Energieformen umgewandelt werden, zum Beispiel in Verformungsenergie, ist der Restitutionskoeffizient e < 1. Bei einem perfekt unelastischen Stoß sind die beiden Objekte nach dem Stoß verklebt und es findet keine Restitution statt: ΔS_res = 0.
• Somit ist der Kollisionskoeffizient e = 0. Damit wird die Gleichung (8) äquivalent durch die Relativgeschwindigkeiten im Kontaktpunkt B vor und nach der Kollision ausgedrückt: $$e=-\frac{v_{\text{rel},\text{n},B}\text{'}}{v_{\text{rel},\text{n},B}}=-\frac{v_{\text{K},\text{n},\text{B}}\text{'}+r_{\text{t}}{\omega }_{\text{K}}\text{'}-v_{\text{E},\text{n},\text{B}}\text{'}-r_{\text{t}}{\omega }_{\text{K}}\text{'}}{v_{\text{K},\text{n},\text{B}}+r_{\text{t}}{\omega }_{\text{K}}-v_{\text{E},\text{n},\text{B}}-r_{\text{t}}{\omega }_{\text{K}}}$$

  
• Die zweite Hypothese bezieht sich auf die Reibung während der Kollisionsphase. Der Reibungskoeffizient µ setzt den Impuls in normaler und tagentialer Richtung im Auftreffpunkt B in Beziehung: $$\mu =\frac{S_{\text{t}}}{S_{\text{n}}}$$

  
• Somit sind alle Eingangsparameter messbar bis auf den Restitutionskoeffizienten e und den Reibungskoeffizienten µ. Diese werden daher datengetrieben ermittelt und bilden somit die Trainingsparameter z_train = (e; µ)^T.
• Alternativ kann im mathematischen Modell 13 auch der zentrische Stoß genutzt werden. Das zentrische Stoßmodell ist eine Vereinfachung des vorgestellten exzentrischen Stoßes. Ein zentrischer Stoß bedeutet, dass die Schwerpunkte COG_E/K beider Fahrzeuge auf einer Linie liegen müssen, die sich auf den normalen Stoßvektor ${\overrightarrow{e}}_n=\frac{{\overrightarrow{S}}_{\text{n}}}{\left|S_{\text{n}}\right|}$

  

  bezieht. In diesem Ausführungsbeispiel wird dies dadurch erzwungen, dass die Crash-Gegner auf Punktmasse und damit die Form auf Punkte mit r_E = 0 und r_K = 0 reduziert werden, sodass kein Abstand mehr zwischen COG und dem Aufprallpunkt B besteht und somit die Aufprallvektoren S kein
• Drehmoment ergeben. Der Drehimpulssatz kann daher vernachlässigt werden. Als Ergebnis reduzieren sich die Gleichungen des exzentrischen Stoßes zu: $$\left(\begin{array}{l}{m}_{\text{E}}\left(v_{\text{E},\text{n}}-v{\text{'}}_{\text{E},\text{n}}\right)\hfill \\ m_{\text{E}}\left(v_{\text{E},\text{t}}-v{\text{'}}_{\text{E},\text{t}}\right)\hfill \\ 0\hfill \end{array}\right)=\left(\begin{array}{l}{S}_{\text{n}}\hfill \\ S_{\text{t}}\hfill \\ 0\hfill \end{array}\right)$$

  

  $$\left(\begin{array}{l}{m}_{\text{K}}\left(v_{\text{K},\text{n}}-v{\text{'}}_{\text{K},\text{n}}\right)\hfill \\ m_{\text{K}}\left(v_{\text{K},\text{t}}-v{\text{'}}_{\text{K},\text{t}}\right)\hfill \\ 0\hfill \end{array}\right)=\left(\begin{array}{l}-S_{\text{n}}\hfill \\ -S_{\text{t}}\hfill \\ 0\hfill \end{array}\right)$$

  
• Die beiden verbleibenden Bedingungen werden durch den Restitutionskoeffizienten e und den Reibungskoeffizienten µ analog zum exzentrischen Stoß bestimmt. Beide Parameter sind die Trainingsparameter z_train = (e; µ)^T im datengetriebenen Ansatz.
• Die Parametrierung beziehungsweise das Training des mathematischen Modells 13 stellt ein Optimierungsproblem dar. Ziel ist es, für jedes Modell die optimalen Parameter z*_train zu finden, die den Kostenwert E minimieren: $$z_{\text{train}}^{\ast }=ar{g}_{ztrain}minE\left(z_{\text{train}}\right)$$

  
• Als Kostenfunktion wird in hier der mittlere quadratische Fehler (MSE) zwischen der vorhergesagten Unfallschwere ψ^, also der zukünftigen Unfallschwere 5, und den zugehörigen Referenzwerten ψ verwendet.
• Das Quadrat sorgt dafür, dass sich die Fehler nicht gegenseitig aufheben und Ausreißer im Vergleich zu zugehörigen, gut passenden Werten stärker gewichtet werden. Theoretisch spielt es keine Rolle, welche Zahlenwerte die Parameter z*_train haben, solange die Modelle die Unfallschwere ψ^ mit ausreichender Genauigkeit vorhersagen. Andererseits haben die bereits vorgestellten mathematischen Modelle 13 einen mechanischen Hintergrund, sodass die Randbedingungen mit Bezug auf die physikalische Plausibilität definiert werden. Das soll die Interpretierbarkeit der Berechnungen erhöhen. Im Bereich der Fahrzeugsicherheit kann das eine wichtige Eigenschaft sein. Entsprechend der Modellierung werden die Restitution und der Reibungskoeffizient der Aufprallmodelle zwischen 0 und 1 eingeschränkt. Das neuronale Netz und der Random Forest werden als Black-Box-Modelle betrachtet und daher werden keine weiteren Beschränkungen angegeben. Es kann die Trust-Range-Reflective-Methode verwendet werden, um den Trainingsparameter z*_train zu erhalten.
• Der Optimierungslöser muss entsprechend der Form des zugrunde liegenden mathematischen Problems gewählt werden. Ein Screening für die Stoß-Modelle hat ergeben, dass eine gradientenbasierte Optimierung bevorzugt genutzt wird, um die optimale Lösung zu finden.
• Die Referenzdatenbank stellt nur eine spärliche Repräsentation der möglichen Unfallkonfigurationen dar. Daher werden Verfahren des statistischen Lernens eingesetzt, um die Modellgenauigkeit zu optimieren sowie die Generalisierungsfähigkeit zu bewerten. Die Problemstellung bezieht sich auf das überwachte Lernen, bei dem die Eingangs- und Ausgangsbeziehung in der Referenzdatenbank enthalten ist. Die Datenbank wird zufällig in einen Teil für das Training und den Test mit einem Verhältnis von 80 % zu 20 % aufgeteilt. Die Trainingsdaten werden verwendet, um die optimalen Parameter z*_train entsprechend den verfügbaren Daten zu erhalten und die Testdaten werden verwendet, um die Generalisierung zu bewerten.
• Wie bereits erwähnt wird in diesem Ausführungsbeispiel die technische Unfallschwere ψ (Output) auf Basis der Fahrzeug-Unfallkonfiguration w_coll (Input) genutzt: $$\eta :{\omega }_{\text{coll}}\to \mathrm{\Psi }$$

  
• Dabei kann unter Bezugnahme auf die zur Verfügung stehenden Messgeräte zwischen unterschiedlichen Input gewählt werden, insbesondere der direkt (Sensoren) oder indirekt (etablierte Modelle, wie zum Beispiel Dynamikmodell), die während der Fahrt messbar sind (zum Beispiel Lage [x; y; j]^T, Geschwindigkeit v, Gierrate w und Fahrzeugabmessungen [I; w]), und Parameter, die nicht messbar sind (zum Beispiel Rückstellkoeffizient e, Steifigkeit k) und somit eine eigenständige Bestimmungsstrategie erfordern. Entsprechend der oben vorgestellten Modellierung bezieht sich der Input in diesem Ausführungsbeipsiel zum größten Teil auf die zeitvarianten, dynamischen Fahrzeugzustände und die Parameter umfassen alle anderen Einflüsse.
• Stoßmodelle stellen einen häufig verwendeten mechanischen Ansatz dar und haben aufgrund der Einfachheit eine lange Tradition. Die zugrundeliegende Theorie basiert auf dem Impulserhaltungssatz. Der diskontinuierliche Prozess stellt eine Differentialgleichung erster Ordnung dar, die die komplexen Stoffgesetze des kontinuierlichen Crash-Prozesses vernachlässigt. Dieser Informationsverlust muss mit zusätzlichen Annahmen aufgefüllt werden. Zu den Hauptannahmen gehören eine unendlich kleine Stoßzeit, die Dominanz der Stoßkräfte gegenüber allen anderen Kräften, die Endlichkeit des Impulses und das Verbleiben der kinematischen sowie der geometrischen Konfiguration während der Stoßphase.
• Außerdem werden die Stoßarten in geraden und schrägen Stoß, sowie zentrischen und exzentrischen Stoß unterteilt. Im Allgemeinen sind die Stoßmodelle unterbestimmt und erfordern daher weitere Annahmen zur Lösung der mathematischen Gleichungen. Diese Annahmen beziehen sich auf die Materialelastizität, die Lage und Richtung des Stoßes sowie die Gleit- beziehungsweise Nicht-Gleitbedingungen einschließlich des Reibungsparameters. Außerdem konzentriert sich die Problemstellung im Stand der Technik auf planare Objekte.
• In dem vorgestellten Ausführungsbeispiel werden das zentrische und das exzentrische Stoßmodell verwendet. Das zentrische Stoßmodell wird aufgrund der allgemeinen Einfachheit und der angenommenen Echtzeitfähigkeit verwendet. Es ist jedoch nicht in der Lage, verschiedene Kollisionskonfigurationen basierend auf der Aufprallposition zu unterscheiden. Daher wird zusätzlich das exzentrische Aufprallmodell berücksichtigt. Eine wesentliche Herausforderung bei der Anwendung für die integrale Sicherheit liegt in der Parameteridentifikation, wie zum Beispiel der Bestimmung des Restitutionskoeffizienten und des Reibungskoeffizienten. Hierbei sind grundlegende Zusammenhänge zwischen dem Restitutionskoeffizienten und der Aufprallgeschwindigkeit sowie der Aufprallposition bekannt. Allerdings sind ausschließlich Frontalzusammenstöße in bekannten Literaturquellen berücksichtigt und es ist nicht sichergestellt, dass die Ergebnisse verallgemeinert werden können. Vielmehr ist zu erwarten, dass die Anwendung bei anderen Kollisionstypen nicht geeignet ist.
• Zur Quantifizierung des Grads der Unfallschwere von Crash-Folgen können verschiedene Maße definiert werden. Die Kennwerte variieren je nach Forschungsgebiet und spezifischem Interessenbereich. Ein Unfall liegt im Allgemeinen dann vor, wenn ungewollte Kräfte auf die Karosserie einwirken, die zu gesundheitlichen Beeinträchtigungen oder Schäden führen. Darüber hinaus wirken eine Vielzahl von Einflüssen auf den Crash-Ausgang, was eine objektive Quantifizierung der Unfallschwere, insbesondere durch wenige Einzelwerte, erschwert. So kann zum Beispiel der gleiche technische Unfallablauf zu völlig unterschiedlichen kurzfristigen Folgen für vitale und nicht-vitale Verkehrsteilnehmer führen, wobei die langfristigen Auswirkungen noch unsicherer sind. Daher wird der Bereich der Unfallschwere im Folgenden in vier Gruppen unterteilt,
• Ein erste Gruppe bildet dabei die Fahrzeug- und Insassenbelastung, eine zweite Gruppe die technische Schwere, eine dritte Gruppe die Verletzungsschwere und eine vierte Gruppe die Langzeitfolgen.
• Aufgrund von Vor- und Nachteilen bestimmen die jeweilige Anwendung und die Anforderungen das geeignete Schweregradmaß. Darüber hinaus führt die Verfügbarkeit von Daten zu notwendigen Näherungen.
• Die technische Unfallschwere quantifiziert die mechanische Fahrzeugbelastung durch Krafteinwirkungen, die zu Beschleunigung a(t), Geschwindigkeit v(t) und Verformung s(t) im Zeitverlauf führen.
• Die technische Unfallschwere ist unter Anderem abhängig von der Art der Kollisionsobjekte (Massen, Formen, Kompatibilität, etc.), der Geschwindigkeit und der Aufprallposition. Charakteristische Werte der Kinematik werden verwendet, um die Schwere durch Einzelwerte anzugeben. Dabei kommt es darauf an, wo und wie die Daten gewonnen werden. Während FEM-Simulationen, Crashtests und Event-Recordern detaillierte Informationen über den Crashverlauf (z. B. a(t), v(t) und s(t)) liefern, nehmen Polizei und Unfallermittler den Vorfall retrospektiv auf, wobei sie das Fahrzeug nur in der Ruheposition vorfinden. Dennoch haben sich im Laufe der Jahre verschiedene Unfallschweremaße etabliert. So wird zum Beispiel die Deformationsenergie ΔT durch Rekonstruktion der Kraft über die Intrusion gewonnen. Da die Intrusion nach dem Aufprall gemessen wird, gibt sie nur den plastischen Energieaustausch an. Die Äquivalentenergie Geschwindigkeit (EES) setzt die Deformationsenergie ΔT als kinetische Energie in Beziehung zur Fahrzeugmasse m: ΔT = 0:5mEES². Die Rekonstruktion des Unfalls beinhaltet die Bestimmung der Geschwindigkeiten beim Aufprall, bezeichnet als vrel, sowie der Geschwindigkeitsänderung während des Crashs Δv.
• Bezogen auf das eigene Fahrzeug belastet die äußere Krafteinwirkung den Fahrzeugaufbau und damit indirekt die Insassen. Folglich sind der Crashimpuls a(t) und die Intrusion s(t) die Hauptursachen für Verletzungen. Um den Schaden zu mindern, wird durch die Fahrzeugdeformation Energie aus der Fahrgastzelle entnommen.
• Zusätzlich sind die Rückhaltesysteme so konstruiert, dass sie die Belastung der Insassen über die Crashzeit entsprechend der menschlichen Belastungsgrenzen verteilen. Trotzdem können auf den einzelnen Insassen starke Stöße einwirken. Diese werden zum Beispiel durch das Head Injury Criterion (HIC) oder Neck Injury Criterion (NIC) gemessen, die die Beschleunigung der jeweiligen Körperregion über ein bestimmtes Zeitintervall angeben. Das Gleiche gilt für andere Verkehrsteilnehmer, wie zum Beispiel gefährdete Verkehrsteilnehmer (VRU). Der einzige Unterschied liegt wahrscheinlich im Fehlen eines geeigneten Aufprallschutzes.
• Die Verletzungsschwere hängt neben der Krafteinwirkung und dem Rückhaltesystem von den insassenbezogenen Merkmalen, wie Vitalität, Größe oder Geschlecht, und der Insassenposition im Fahrzeug ab. Die Abbreviated Injury Scale (AIS) ist ein in der Unfallforschung ein häufig verwendetes Maß zur Angabe und zum Vergleich des medizinischen Schweregrades.
• Der AIS bewertet die Letalität von Einzelverletzungen. Der maximale AIS (MAIS) repräsentiert diese Einzelverletzungen von Körperregionen oder der gesamten Person durch ihren Maximalwert. Alternativ aggregiert der Injury Severity Score (ISS) die schwersten Traumata von drei Körperregionen quadratisch.
• Darüber hinaus können die langfristigen Folgen in monetären Größen ausgedrückt werden, wie zum Beispiel Fahrzeugschäden und medizinische Kosten, oder in menschenbezogenen Eigenschaften, wie zum Beispiel Rekonvaleszenz, Überlebenswahrscheinlichkeit oder Letalitätsrate.
• Zusammenfassend lässt sich sagen, dass es nach diesem Überblick keine All-in-One-Lösung gibt, um den Schaden einer Kollision auszudrücken. Vielmehr muss die Anwendung das geeignete Schweregradmaß bestimmen. Aufgrund des automatisierten Fahrens mit menschlichen Verkehrsteilnehmern ist in den genannten Ausführungsbeispielen der Schutz der Verkehrsteilnehmer nach ethischen Richtlinien das Ziel. Daher ist die Verletzungsschwere als Maß berücksichtigt worden. Allerdings sind die Verletzungsschweregrade sehr individuell, was eine objektive Crashbeurteilung erschwert, und lassen sich nur sehr schwer, wenn überhaupt, mit ausreichender Genauigkeit in Echtzeit vorhersagen. Darüber hinaus basiert das gewählte Anwendungsbeispiel in diesem Ausführungsbeispiel auf dem Aufprall der Fahrzeugstruktur. Sie erfordert nicht unbedingt eine Verletzungsschwere und kann durch die Fahrzeug-Crashdynamik ausgedrückt werden. Daher wird in diesen Ausführungsbeispielen die technische Unfallschwere 11 gewählt, um den Unfallschaden darzustellen. Vorteilhaft für das vorgestellte Verfahren ist eine Auswahl der technischen Unfallschwere über Δv.
• Auch bei beispielsweise einem frontalen Unfall sind mehrere Kennwerte möglich, um die Schwere anzugeben. Außerdem sind die einzelnen Fahrzeugdynamiken a(t), v(t) und s(t) konvertierbar beziehungsweise redundant, so dass es sinnvoll erscheint, die Betrachtungen zu reduzieren. Die Rückhaltesysteme sind hauptsächlich von der Verzögerung und der Geschwindigkeit abhängig. Die Verformung gibt keinen Aufschluss über das Auslaufverhalten und mögliche Mehrfachkollisionen.
• Außerdem werden die Beschleunigungssignale bei Messung zum Beispiel mittels eines Event Recorder oder bei FEM-Simulationen in den meisten Fällen verrauscht sein. Zusätzlich muss erwähnt werden, dass ein einzelner Wert eine grobe Näherung darstellt und in diesem Fall wichtige zeitliche Merkmale vernachlässigt, wie zum Beispiel die maximale oder mittlere Verzögerung
• Andererseits hat der Wert Δv eine lange Tradition bei Tiefenuntersuchungen und er weist eine starke Korrelation zu Verletzungswahrscheinlichkeiten auf. Die Wahrscheinlichkeit einer bestimmten MAIS-Stufe wird durch logistische Regression mit dem erfassten Δv-Wert in Beziehung gesetzt.
• Nomenklaturliste und Symbolliste
• Die nachfolgende Nomenklaturliste und Symbolliste ist aufgrund der hauptsächlich genutzten Sprache im Bereich des autonomen Fahrens und aus Konsistenzgründen zu entsprechenden genutzten Abkürzungen auf Englisch verfasst. Diese dient der Vollständigkeit halber insbesondere für die Interpretation und Auslegung der in der Beschreibung genutzten Formeln. Eventuell nicht ausgeschriebene Abkürzungen und/oder nicht erklärte Formelzeichen/-symbole können also der nachfolgenden Liste entnommen werden. Der Fachmann erhält aus den nachfolgenden Abkürzungen und Symbolnutzungen die entsprechenden Hinweise zur Berechnung der einzelnen Formeln beziehungsweise zu entsprechenden Zusammenhängen.

  GDP	Gross domestic product
  SAE	Society of Automotive Engineers
  EgoOwn	(ego) vehicle
  TTC	Time-To-Collision
  NCAP	New Car Assessment Programme
  AIS	Abbreviated Injury Scale
  MAIS	Maximal Abbreviated Injury Scale
  GIDAS	German In-Depth Accident Study
  GPU	Graphics Processing Unit
  FRG	Federal Republic of Germany
  ADAS	Advanced Driver Assistance Systems
  IIHS	Institute for Highway Safety
  ABS	Anti-lock Braking System
  ESC	Electronic Stability Control
  AACN	Advanced Automatic Crash Notification
  eCall	Emergency call E911
  TPS	Third Party Services
  MKB	Multi collision brake
  ATMS	Advanced Traffic Management Systems
  DMS	Dynamic Message Sign
  HMI	Human Machine Interface
  FE(M)	Finit Element (Method)
  NASS-CDS	National Automotive Sampling System - Crashworthiness Data System
  ICS	Inevitable collision state
  TM	Tunnel Middle
  TTX	Time to x
  TTR	Time to react
  TTB	Time to brake
  TTS	Time to steer
  CA	Collision avoidance
  CM	Collision mitigation
  ASIL	Automotive Safety Integrity Level
  TTCCP	Time-to-critical-collision-probability
  OEM	Original Equipment Manufacturer
  MPC	Model Predictive Control
  RK3	Runge-Kutta integrator third order
  AEB	Automatic Emergency Braking
  VRU	Vulnerable Road User
  MDP	Markov Decision Process
  PDF	Probability density function
  DOF	Degree of freedom
  CDF	Cumulative density function
  PCA	Principal Component Analysis
  COG	Center of Gravity
  SUV	Sports utility vehicle
  MSE	Mean squared error
  TP / FP	True / false positives
  TN / FN	True / false negatives
  FFNN	Feed forward neuronal network
  RF	Random forest
  CIM	Centric impact model
  EIM	Eccentric impact model Kelvin modelTwo masses are connect by a parallel spring and damper
  NOC	Number of Conflicts
  CV	Constant velocity
  CTR	Constant turn rate
  LHS	Latin hypercube sampling
  FS	Functional scenario
  FES	Functional evaluation scenario
  LS	Logical scenario
  CS	Concrete scenario
  GA	Genetic algorithm
  GPSA	Generalized Pattern Search Algorithm
  UTYPGIDAS	accident type
  HIL	Hardware-in-the-loop
  INS	Inertial Navigation System
  GNSS	Global Navigation Satellite System
  PCM	Pre-Crash-Matrix
  V2I	Vehicle-to-infrastructure
  LPTB	Last point to brake
  LPTS	Last point to steer
  SIL	Software in the loop
  (·)	Placeholder for a variable
  n	arbitrary counter
  N	Absolute number of a finite set
  ab,c	Notation means: variable a with the properties b AND c (e.g. ego velocity in longitudinal direction: vE,long)
  ab/c	Notation means: variable a with the property b AND variable a with the property c (e.g., velocity v for the ego vehicle E and velocity for the target vehicle K: vE/K)
  a|b	Event a under the condition b (e.g., accident severity under the condition of collision: |coll)
  A	bold, capital letter indicates a matrix, or vector of random variables
  A, a	bold symbol indicates a vector or matrix
  P(e)	Probability of event
  e (·)(t)	Time variant value (e.g., a(t), v(t), s(t))
  (·)long	Value in longitudinal direction (e.g., along)
  (·)lat	Value in lateral direction (e.g., alat)
  pz(z)	Probability density function to the random variable
  Z	sample
  (·)E, (·)K, (·)EK	The bidirectional relation between ego vehicle E and one target object K is emphasised by the identifiers E / K / EK
  Z ∼ (µ,σ)	The random variable Z is normal distributed with the expected value µ and standard derivation
  Z ∼ (µ,Σ)	The random vector Z is normal distributed with the expected value vector µ and covariance matrix Σ
  z: Ω → ℝ	The random variable z maps the sample space Ω to a scalar value of a real number ℝ Real numbers
  E(·)	Expected value
  (·)*	Optimal value
  (·)n, (·)t	Normal and tangential direction
  (·)ƒ, (·)r	Front and rear axle of the non-linear single track model
  (·) and (·)'	Before and afterwards
  Δ(·)	Relative values (e.g., relative pose such as Δx, Δy, and Δφ)
  (̂·), (·)	Estimated value (̂·) in relation to the reference value (·)
  ƒ(·)	Function in general;
  t	time
  t0	Time at the moment 0 (begin of a sequence);
  tp, ti, tm	Different time t discretisation levels (tp: between states s, ti: reward generation, tm: integration steps dynamic model)
  i	Index of time step ti for the reward Generation
  ti (s,a,s')	of the MDP
  F	Force
  a	Acceleration;
  ain	Input acceleration and deceleration due to the engine and brake, respectively, according to the motion planning
  v	Velocity
  vrel	Relative velocity
  vego, vE	Velocity of ego vehicle
  vtarget, vK	Velocity of target vehicle sDisplacement;
  Ekin	Kinetic energy
  p	Momentum;
  ΔT	Deformation energy
  s	Displacement on a trajectory; State in the MDP s ∈ ; empirical standard derivation
  { , , , , γ}	5-tupel which defines the Markov Decision Process (MDP) with the set of states , the set of actions , the set of transitions , set of rewards , and discount factor γ
  	Set of available actions a in state s aaction
  s'	Future state in the MDP s’ ∈ with reference to state s
  T(s,a,s')	Transition in the MDP between the state s and s' according to the action a
  Re(s,a,s')	Reward in the MDP between the state s and s' according to the action a
  ƒ(s,a,s')	Feature in the MDP which is derived between the state s and s' according to the action a
  θ	Weight of the reward function
  π	Policy (sample of Π)
  π*	Optimal policy
  πs	Selected policy
  Π	Set of possible policies
  ΔtE,dyn	Step size to integrate the dynamic model
  τE,dyn (ΔtE,dyn = tm+1 - tm)	V(s) Value in the MDP of the state s
  TH	Time horizon of the planning process
  ψ∈Ψ	Accident severity as part of risk
  R	(criticality feature)
  R,ƒ	Risk (criticality feature) - in general terms and as feature in the motion planning (partly aggregated)
  Δv	velocity change during crash / technical acccident severity
  P(C)	Collision probability
  ψimpact	Severity in the moment of impact
  Rthr	Risk threshold for the graceful degradation
  M	Environment model
  η	Accident severity prediction function
  ω	Label for the instantaneous vehicle object (collision) configuration (ω: = zEK); Yaw rate
  ωcoll, ω colll	Instantaneous vehicle object configuration which is in collision or not in collision
  ${\omega }_{\text{coll}}^{\text{Pmax}}$	Most probable collision configuration
  Ω	Sample space; Random variable to the yaw rate
  ωΩdyn	Sample space of dynamic elements
  Ωstat	Sample space of static elements
  Ωvoc	Sample space of vehicle object constellations
  τ	Dynamic model (e.g., τE,dyn represents the ego vehicle dynamic with a non-linear single track model)
  x	Position in x direction
  y	Position in y direction
  φ	Orientation
  ok ∈	The sample target vehicles ok are summarised by the set $\mathcal{O}{h}_k^j\in H_k$ $$ The sample intentions $h_k^j$ of target vehicle ok are summarised by the set Hk of the target vehicle
  EK	Bidirectional event between ego vehicle E and one target object
  ok=K.	It relates to the substate zEK of one time step ti of object ok with intention hj and thus is equal to $\text{EK}\stackrel{\wedge}{=}{\text{EK}}_{i,k}^j$
  C	Event collision
  z ∈ Z	State vector as sample vector and random vector(e.g., zE ∈ ZE, zK ∈ ZK)
  xc ∈ Xc	Object classification as sample and random variable
  zEK ∈ ZEK	State vector of bidirectional substate between ego E and one target object K as sample vector and random vector with
  $\text{EK}\stackrel{\wedge}{=}{\text{EK}}_{i,k}^j{\text{z}}_{\text{dyn}}\in {\text{Z}}_{\text{dyn}}$	State vector with dynamic, time variant elements of z as sample vector and random vector
  zstat ∈ Zstat	State vector with static, time invariant elements of z as sample vector and random vector
  g ∈ G	State vector with geometric elements of z as sample vector and random vector
  g̃ ∈ G̃	Reduced state vector with geometric elements of z as sample vector and random vector
  p ∈ P	Reduced state vector excluding geometric elements of z as sample vector and random vector
  zinput ∈ zinput	Reduced state vector with directly and indirectly measureable elements of z as sample vector and random vector
  ztrain ∈ ztrain	Reduced state vector with non-measureable elements of z as sample vector and random vector
  ƒcrit(s,a,s')	Feature for the criticality estimation
  ƒcomfort(s,a,s')	Feature for the comfort estimation
  ƒprogress(s,a,s')	Feature for the progress estimation
  ψPmax	Accident severity at the most probable collision configuration ${\omega }_{\text{coll}}^{\text{Pmax}}$
  D,D' etc.	Minkowski Difference. The apostrophe indicates a transformed Minkowski Difference.
  δ	Confidence interval for the angle probability; Steering angle
  A	Matrix of eigenvalues
  V	Matrix of eigenvectors
  α	Rotation angle of eigenvectors; Angle to COG line; Accuracy function α(·); Slip angle
  Σ	Covariance matrix
  l	Length of a vehicle
  w	Width of a vehicle
  e	Restitution coefficient
  M	Mass matrix of multi-body system mMass; Index of time step tm for the integration of a dynamic model
  C	Damper matrix of multi-body system c Damper coefficient of a damper
  K	Stiffness matrix of multi-body system
  k	Stiffness of a spring, Index of objects ok
  ξ	Additional static feature
  J	Moment of inertia;
  ƒmodel	Established models (e.g., dynamic model τ) to map direct measreable parameters
  ϱ	Correlation coefficient
  q	Weighting factor between self and target protection
  S	Momentum (impact drive)
  B	Impact point
  µ	Friction; Expected value
  r	Distance vector
  rF	Distance vector to force insertion
  e	Error (defined as difference between the estimated and reference value such as e = (·̂) - (·); Restitution coefficient
  α	Rotation angle of eigenvectors; angle to COG line; accuracy function α(·)
  ϕ(·)	Relevance function
  F1-score	harmonic mean (e.g., between precision and recall)
  g(t)	Execution time value
  T-score	harmonic mean (e.g., between F1-score and g(t))
  σ	Standard derivation; Mechanical load
  ∈	Deformation / displacement
  zcm	State to the crash motion model τcm
  λ	Eigenvalue; Constraint; Progress on trajectory (e.g., λego)
  kair	Constant of the flow resistance
  ke	Engine proportion relating to front and rear axle
  d	Distance (e.g. distance between current position of the vehicle and the centerline
  dlat,	distance to potential collision objects at the moment of appearance dappear
  ƒupdate	Update frequency of the planning process

• Bezugszeichenliste

1

Kraftfahrzeug

2

Assistenzsystem

3

elektronische Recheneinrichtung

4

Umgebungserfassungseinrichtung

6

Objekt

7

Umgebung

8

charakterisierende Information

9

kraftfahrzeugspezifischer Parameter

10

geometrische Repräsentation

11

Unfallschweremodell

12

Kollisionspunkt

13

mathematisches Modell

14

Trainingsprozess

15

kraftfahrzeugexterne Datenbank

16

kraftfahrzeuginterne Datenbank

17

Schwerpunktlinie

18

Schwerpunkt

19

Schwerpunkt

K

Kollisionspunkt

Claims (10)

1. Verfahren zum Bestimmen einer zukünftigen Unfallschwere (5) eines Kraftfahrzeugs (1) mit einem Objekt (6) mittels eines Assistenzsystems (2) des Kraftfahrzeugs (1), mit den Schritten: - Erfassen einer Umgebung (7) des Kraftfahrzeugs (1) mit zumindest einer das Objekt (6) charakterisierenden Information (8) mittels einer Umgebungserfassungseinrichtung (4) des Assistenzsystems; - Bestimmen einer geometrischen Repräsentation (10) des Objekts (6) in Abhängigkeit von der zumindest einen charakterisierenden Information (8); - Bereitstellen eines Unfallschweremodells (11) mittels einer elektronischen Recheneinrichtung (3) des Assistenzsystems (2), wobei das Unfallschweremodell (11) auf Basis von der approximierten geometrischen Repräsentation (10) und auf Basis von zumindest einem davon abhängigen die Kollision charakterisierenden Parameter bestimmt; und - Bestimmen der Unfallschwere (5) in Abhängigkeit von dem bestimmten die Kollision charakterisierenden Parameter mittels eines vorgegebenen mathematischen Modells (13) zur Bestimmung der Unfallschwere (5) mittels der elektronischen Recheneinrichtung (3).
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als geometrischen Repräsentation (10) eine Stadiumform und/oder eine Ellipsenform und/oder eine Kreisform des Objekts bestimmt wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass zumindest ein Kollisionspunkt (12) als der die Kollision charakterisierende Parameter auf Basis einer Verschiebung der approximierten geometrischen Repräsentation (10) entlang einer Schwerpunktlinie (17) zwischen Schwerpunkten (18, 19) des Kraftfahrzeugs (1) und des Objekts (6) bestimmt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das mathematische Modell (13) auf Basis eines exzentrischen Stoßes oder auf Basis eines zentrischen Stoßes die Unfallschwere (5) bestimmt und/oder das mathematische Modell (13) mittels eines trainierbaren Algorithmus, insbesondere mittels eines neuronalen Netzwerks oder eines Regressionsverfahrens, die Unfallschwere (5) bestimmt.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das mathematische Modell (13) und/oder das Unfallschweremodell (11) mittels eines Trainingsprozesses (14) trainiert wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zum Bestimmen der Unfallschwere (5) eine relative Geschwindigkeitsänderung während der Kollision berücksichtigt wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in Abhängigkeit von der bestimmten Unfallschwere (5) eine Trajektorienplanung für das Kraftfahrzeug (1) und/oder eine Einstellung eines Sicherheitssystems im Kraftfahrzeug (1) durchgeführt wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als charakterisierende Information (8) ein direkt messbarer Parameter des Objekts (6) und/oder ein indirekt messbarer Parameter des Objekts (6) und/oder ein in einer Datenbank (16) hinterlegter Parameter genutzt wird.
9. Computerprogrammprodukt mit Programmcodemitteln, welche eine elektronische Recheneinrichtung (3) dazu veranlassen, wenn die Programmcodemittel von dieser abarbeitet werden, ein Verfahren nach einem der Ansprüche 1 bis 8 durchzuführen.
10. Assistenzsystem (2) für ein Kraftfahrzeug (1) zum Bestimmen einer zukünftigen Unfallschwere (5) eines Kraftfahrzeugs (1) mit einem Objekt (6), mit zumindest einer Umgebungserfassungseinrichtung (4) und mit einer elektronischen Recheneinrichtung (3), wobei das Assistenzsystem (2) zum Durchführen eines Verfahrens nach einem der Ansprüche 1 bis 8 ausgebildet ist.

Images