-
Gebiet der Erfindung
-
Die Erfindung betrifft ein Verfahren zum Erkennen eines Fahrstils sowie ein entsprechendes Steuergerät.
-
Stand der Technik
-
Wenn ein Fahrzeug von einem menschlichen Fahrer gefahren wird, so fährt der Fahrer einen individuellen Fahrstil. Wenn der Fahrer die Kontrolle über das Fahrzeug abgibt, also das Fahrzeug autonom oder teilautonom fahren lässt, wird sich der von dem Fahrzeug gefahrene Fahrstil von dem Fahrstil des Fahrers mehr oder weniger unterscheiden. Je stärker der autonom gefahrene Fahrstil von dem Fahrstil des Fahrers abweicht, umso weniger wohl wird sich der Fahrer während der autonomen Fahrt fühlen.
-
Offenbarung der Erfindung
-
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren zum Erkennen eines Fahrstils sowie ein entsprechendes Steuergerät, sowie schließlich entsprechende Computerprogrammprodukte und maschinenlesbare Speichermedien gemäß den unabhängigen Ansprüchen vorgestellt. Vorteilhafte Weiterbildungen und Verbesserungen des hier vorgestellten Ansatzes ergeben sich aus der Beschreibung und sind in den abhängigen Ansprüchen beschrieben.
-
Vorteile der Erfindung
-
Ausführungsformen der vorliegenden Erfindung können in vorteilhafter Weise ermöglichen, einen Fahrstil zu Klassifizieren. Dabei kann die Klassifikation basierend auf einer abstrakten Fahrstilrepräsentation des Fahrstils ohne vorfestgelegte Variablen basieren.
-
Es wird ein Verfahren zum Erkennen eines Fahrstils vorgeschlagen, wobei unter Verwendung eines trainierten Stilencoders eines neuronalen Netzwerks sensorische Eingabegrößen, die eine Bewegung eines bewegten Systems und ein Umfeld des Systems abbilden, als abstrakte Fahrstilrepräsentation des aktuellen Fahrstils in zumindest einen Teil eines latenten Raums des neuronalen Netzwerks komprimiert werden, wobei die Fahrstilrepräsentation aus dem latenten Raum extrahiert wird und unter Verwendung von vordefinierten Merkmalsumfängen einer von zumindest zwei möglichen Fahrstilklassen zugeordnet wird.
-
Ideen zu Ausführungsformen der vorliegenden Erfindung können unter anderem als auf den nachfolgend beschriebenen Gedanken und Erkenntnissen beruhend angesehen werden.
-
Ein System, wie es hierin beschrieben wird und welches teilweise auch als bewegungsfähiges oder fahrfähiges System bezeichnet wird, kann ein Fahrzeug oder ein Roboter sein. Das System kann durch einen Fahrer gesteuert werden oder zumindest teilautonom eine vorgegebene Fahraufgabe ausführen. Wenn das System von dem Fahrer gesteuert wird kann der Fahrer ein Umfeld des Systems überwachen und über Bedienelemente Steuerbefehle eingeben, die von Aktoren des Systems ausgeführt werden. Wenn das System autonom oder zumindest teilautonom die Fahraufgabe erfüllt, kann das System Sensordaten auswerten, die das Umfeld abbilden und Steuerbefehle zum Ansteuern der Aktoren generieren.
-
Ein individueller Fahrstil eines Fahrers unterscheidet sich von einem individuellen Fahrstil eines anderen Fahrers. Beispielsweise kann der Fahrstil des einen Fahrers als sportlich umschrieben werden, während der Fahrstil des anderen Fahrers als vorsichtig umschrieben werden kann. Die Fahrstile können sich beispielsweise darin unterscheiden, wie stark das System beschleunigt und verzögert wird. Ebenso können sich die Fahrstile darin unterscheiden, wie sich der Fahrer gegenüber anderen Verkehrsteilnehmern verhält. Der eine Fahrer kann beispielsweise dichter auf ein vorausfahrendes System auffahren als der andere Fahrer. Die Fahrstile der Fahrer können sich auch darin unterscheiden, wieviel Risiko der Fahrer in Kauf nimmt oder wie wenig Rücksicht der Fahrer auf die anderen Verkehrsteilnehmer nimmt.
-
Ein neuronales Netzwerk kann insbesondere ein Convolutional Neural Network (CNN) sein. Das trainierte neuronale Netzwerk liest Eingabegrößen ein und verarbeitet in den Eingabegrößen enthaltene Informationen zu Ausgabegrößen. Das untrainierte neuronale Netzwerk kann unter Verwendung von maschinellem Lernen trainiert werden.
-
Das neuronale Netzwerk weist zumindest einen Encoder und zumindest einen Decoder auf. Zwischen dem Encoder und dem Decoder befindet sich ein latenter Raum des neuronalen Netzwerks. Der latente Raum bildet einen Flaschenhals für die Informationen. Der Encoder komprimiert daher einen Umfang der eingelesenen Informationen und bildet die komprimierten Informationen im latenten Raum ab. Zum Komprimieren der Informationen können überflüssige Informationen beispielsweise verworfen werden. Der latente Raum weist wesentlich weniger Dimensionen auf als die Eingabegrößen. Der Decoder liest Daten aus dem latenten Raum ein und dekomprimiert diese Daten zu den Ausgabegrößen des neuronalen Netzes.
-
Die Eingabegrößen können als Matrix, Tensor beziehungsweise multidimensionaler Vektor bereitgestellt werden. Die Eingabegrößen beziehungsweise Eingangsgrößen können eine momentane beziehungsweise zurückliegende Fahrsituation abbilden. Die Eingabegrößen können beispielsweise dynamische Fahrdaten sein. Die Eingabegrößen können Sensordaten von Sensoren des Systems umfassen. Insbesondere können die Eingabegrößen Trajektoriendaten über eine Trajektorie des Systems und Umfelddaten über das Umfeld des Systems beziehungsweise über eine zeitliche Veränderung des Umfelds sein.
-
Der trainierte Stilencoder ist durch einen vorhergehenden Trainingsprozess so strukturiert worden, dass er die den Fahrstil des Fahrers abbildenden Informationen aus den Eingabegrößen extrahiert und als die Fahrstilrepräsentation im latenten Raum bereitstellt. Dabei verwirft der Stilencoder Informationen, die nicht den Fahrstil des Fahrers kennzeichnen. Der Trainingsprozess kann unter Verwendung von künstlich erzeugten oder real erfassten Eingabegrößen beziehungsweise Trainingsdaten erfolgen. Die künstlich erzeugten Eingabegrößen für das Training können durch zumindest ein Fahrermodell eines idealen Fahrers mit einem bekannten Fahrstil bereitgestellt werden. Während des Trainingsprozesses kann eine Rückführung der Ausgabegrößen stattfinden, um einen Vergleich zwischen den Ausgabegrößen und den Eingabegrößen zu ermöglichen. Nach dem Trainingsprozess kann die Struktur des Stilencoders zumindest anteilig fixiert werden, also nicht weiter verändert werden.
-
Die Fahrstilrepräsentation kann die den Fahrstil abbildenden Informationen mehrdimensional enthalten, also mehrere unabhängige Informationen aufweisen. Ein Merkmalsumfang kann zumindest einen Anteil der Informationen der Fahrstilrepräsentation umfassen. Der Merkmalsumfang kann Wertebereiche für die enthaltenen Informationen definieren, innerhalb derer der Fahrstil einer bestimmten Fahrstilklasse entspricht. Eine Fahrstilklasse kann eine Verallgemeinerung eines Fahrstils sein. Die Fahrstilklassen können den Fahrstil beispielsweise in sportlich, aggressiv oder zurückhaltend beziehungsweise vorsichtig unterteilen.
-
Es kann der Fahrstil eines beobachteten Fremd-Systems erkannt werden. Unter Verwendung der zugeordneten Fahrstilklasse und einer Fahraufgabe eines Ego-Systems kann eine Trajektorie für das Ego-System geplant werden, wenn das Ego-System in einem autonomen Fahrmodus zum Ausführen der Fahraufgabe betrieben wird. Ein Ego-System kann ein eigenes Fahrzeug oder ein eigener Roboter sein. Ein Fremd-System kann ein anderes Fahrzeug beziehungsweise ein anderer Roboter sein. Eine Fahraufgabe kann beispielsweise durch ein gewünschtes Fahrziel beziehungsweise eine Routenplanung für das System vorgegeben sein. Die Fahraufgabe kann beispielsweise ein Einfädeln in eine höherrangige Straße sein. Die Fahraufgabe kann beispielsweise auch ein Abbiegen sein. Die Routenplanung kann eine Aneinanderreihung von Fahraufgaben umfassen. Eine Trajektorie bildet eine Bewegung als Ort, Richtung und Geschwindigkeit ab. Beispielsweise kann die Trajektorie den Ort in regelmäßigen Zeitabschnitten abbilden, wobei die Geschwindigkeit durch eine Distanz zwischen den Orten repräsentiert wird. Die Trajektorie kann unter Verwendung von Regeln in einem Trajektorienplaner geplant werden. Die Trajektorie kann alle Konflikte mit Fremd-Trajektorien vermeiden.
-
Es kann ein Fahrstil eines Fahrers des Systems erkannt werden. Unter Verwendung der zugeordneten Fahrstilklasse und einer Fahraufgabe des Systems kann eine Trajektorie für das System geplant werden. Die Trajektorie kann beispielsweise geplant werden, wenn der Fahrer den autonomen Fahrmodus zum Ausführen der Fahraufgabe aktiviert. Ebenso kann die Trajektorie vorausgeplant werden, während der Fahrer das Fahrzeug steuert, um bereits eine geplante Trajektorie zu haben, wenn der Fahrer den autonomen Fahrmodus aktiviert.
-
Zu zumindest zwei unterschiedlichen Zeitpunkten können Fahrstilrepräsentationen aus dem latenten Raum extrahiert werden. Die extrahierten Fahrstilrepräsentationen können in einen Merkmalsraum übertragen werden. Die Merkmalsumfänge der Fahrstilklassen können unter Verwendung von Häufungen der Fahrstilrepräsentationen im Merkmalsraum eingestellt werden. In einem Merkmalsraum kann eine Vielzahl von Fahrstielrepräsentationen kumuliert werden. Beim Kumulieren können sich Häufungen im Merkmalsraum ergeben. Die Häufungen können je einer Fahrstilklasse zugeordnet werden. Die Merkmalsumfänge der Fahrstilklassen können je zumindest einen Großteil einer Häufung einschließen. Die Häufungen können sich über die Zeit verschieben. Durch die Verschiebungen der Häufungen können die Merkmalsumfänge verändert werden. Durch das Einstellen der Merkmalsumfänge können die Merkmalsumfänge aktuell gehalten werden.
-
Es können in zumindest zwei unterschiedlichen Fahrsituationen Fahrstilrepräsentationen aus dem latenten Raum extrahiert werden. Pro Fahrsituation können individuelle Merkmalsumfänge der Fahrstilklassen eingestellt werden. In verschiedenen Fahrsituationen können sich unterschiedliche Merkmalsumfänge zum Klassifizieren der Fahrstilrepräsentationen ergeben. Beispielsweise kann ein Fahrer auf der Autobahn eher aggressiv fahren, während er auf der Landstraße defensiv fährt.
-
Unter Verwendung einer, während einer zurückliegenden Fahrsituation zugeordneten Fahrstilklasse kann eine äquivalente Fahrstilklasse einer aktuellen Fahrsituation ausgewählt werden. Unter Verwendung der äquivalente Fahrstilklasse und der Fahraufgabe des Systems kann eine Trajektorie für das System geplant werden, wenn der Fahrer in der aktuellen Fahrsituation den autonomen Fahrmodus zum Ausführen der Fahraufgabe aktiviert. Der Fahrer wird von Fahrsituation zu Fahrsituation seinen Fahrstil nicht vollständig ändern. Daher kann davon ausgegangen werden, dass der Fahrstil näherungsweise konsistent bleibt. Je nach Fahrsituation kann aber eine Fahrweise in geringem Ausmaß abweichen. Daher können die Fahrstilklasse und die in der Fahrstilklasse hinterlegten Parameter passend zur Fahrsituation gewählt werden. Dabei kann trotzdem von einer vorausgehenden Fahrsituation auf die nächste Fahrsituation geschlossen werden.
-
Die äquivalente Fahrstilklasse kann ausgewählt werden, wenn in der aktuellen Fahrsituation der Fahrstil bis zum Aktivieren des autonomen Fahrmodus unklassifizierbar ist. Der Fahrer kann den autonomen Fahrmodus kurz nach einem Wechsel der Fahrsituation aktivieren. Dann kann nicht genug Zeit vergangen sein, um den momentanen Fahrstil zu klassifizieren. Beispielsweise kann der Fahrer den autonomen Fahrmodus unmittelbar nach der Auffahrt auf die Autobahn aktivieren. Dann kann das System den Fahrstil übernehmen, den der Fahrer vor dem Auffahren auf die Autobahn gefahren ist.
-
Dem Fahrer kann ein die erkannte Fahrstilklasse repräsentierender Fahrstilvorschlag vorgeschlagen werden, wenn der Fahrer den autonomen Fahrmodus aktiviert. Dabei kann die Trajektorie unter Verwendung der dem Fahrstilvorschlag zugeordneten Fahrstilklasse und der Fahraufgabe geplant werden, wenn der Fahrer den Fahrstilvorschlag auswählt. Wenn der Fahrer den Fahrstilvorschlag nicht auswählt, kann die Trajektorie mit Standardeinstellungen geplant werden.
-
Dem Fahrer kann zumindest ein alternativer Fahrstilvorschlag vorgeschlagen werden. Die Trajektorie kann unter Verwendung einer dem alternativen Fahrstilvorschlag zugeordneten alternativen Fahrstilklasse und der Fahraufgabe geplant werden, wenn der Fahrer den alternativen Fahrstilvorschlag auswählt. Durch einen alternativen Fahrstilvorschlag hat der Fahrer die Wahl des Fahrstils.
-
Das Verfahren kann beispielsweise in Software oder Hardware oder in einer Mischform aus Software und Hardware beispielsweise in einem Steuergerät implementiert sein.
-
Der hier vorgestellte Ansatz schafft ferner ein Steuergerät, das dazu ausgebildet ist, um die Schritte einer Variante des hier vorgestellten Verfahrens in einem neuronalen Netz durchzuführen, anzusteuern bzw. umzusetzen.
-
Das Steuergerät kann ein elektrisches Gerät mit zumindest einer Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest einer Speichereinheit zum Speichern von Signalen oder Daten, und zumindest einer Schnittstelle und/oder einer Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten, die in ein Kommunikationsprotokoll eingebettet sind, sein. Die Recheneinheit kann beispielsweise ein Signalprozessor, ein sogenannter System-ASIC oder ein Mikrocontroller zum Verarbeiten von Sensorsignalen und Ausgeben von Datensignalen in Abhängigkeit von den Sensorsignalen sein. Die Speichereinheit kann beispielsweise ein Flash-Speicher, ein EPROM oder eine magnetische Speichereinheit sein. Die Schnittstelle kann als Sensorschnittstelle zum Einlesen der Sensorsignale von einem Sensor und/oder als Aktorschnittstelle zum Ausgeben der Datensignale und/oder Steuersignale an einen Aktor ausgebildet sein. Die Kommunikationsschnittstelle kann dazu ausgebildet sein, die Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben. Die Schnittstellen können auch Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.
-
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
-
Es wird darauf hingewiesen, dass einige der möglichen Merkmale und Vorteile der Erfindung hierin mit Bezug auf unterschiedliche Ausführungsformen beschrieben sind. Ein Fachmann erkennt, dass die Merkmale des Steuergeräts und des Verfahrens in geeigneter Weise kombiniert, angepasst oder ausgetauscht werden können, um zu weiteren Ausführungsformen der Erfindung zu gelangen.
-
Figurenliste
-
Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, wobei weder die Zeichnungen noch die Beschreibung als die Erfindung einschränkend auszulegen sind.
- 1 bis 3 zeigen Darstellungen von Verfahrensabläufen gemäß Ausführungsbeispielen.
-
Die Figuren sind lediglich schematisch und nicht maßstabsgetreu. Gleiche Bezugszeichen bezeichnen in den Figuren gleiche oder gleichwirkende Merkmale.
-
Ausführungsformen der Erfindung
-
1 zeigt eine Darstellung eines Verfahrensablaufs eines Verfahrens zum Erkennen eines Fahrstils gemäß einem Ausführungsbeispiel. Sensorische Eingabegrößen 100 werden erfasst. Die sensorischen Eingabegrößen 100 bilden eine Bewegung 102 eines bewegten Systems 104 und ein Umfeld 106 des Systems 104 ab. Die sensorischen Eingabegrößen 100 werden unter Verwendung eines trainierten Stilencoders 108 eines neuronalen Netzwerks 110 als abstrakte Fahrstilrepräsentation 112 des aktuellen Fahrstils in zumindest einen Teil eines latenten Raums 114 des neuronalen Netzwerks 110 komprimiert. Die Fahrstilrepräsentation 112 wird dann aus dem latenten Raum 114 extrahiert und unter Verwendung von vordefinierten Merkmalsumfängen 118 einer von zumindest zwei möglichen Fahrstilklassen 120 zugeordnet.
-
In einem Ausführungsbeispiel wird der Fahrstil eines Fahrers des Systems 104 einer der Fahrstilklassen 120 zugeordnet. Die sensorischen Eingabegrößen 100 werden dabei erfasst, während das System 104 in einem manuellen Fahrmodus betrieben wird. Wenn der Fahrer einen autonomen Fahrmodus zum Ausführen einer Fahraufgabe aktiviert, wird unter Verwendung der zugeordneten Fahrstilklasse 120 und der Fahraufgabe eine Trajektorie 122 für das System 104 geplant.
-
Als Fahraufgabe ist hier beispielsweise ein Überholvorgang dargestellt. Abhängig von der zugeordneten Fahrstilklasse 120 kann dann beispielsweise ein Auffahrabstand, also wie nah das System 104 auf ein vorausfahrendes System auffährt, bis es mit dem Ausscheren beginnt, eingestellt werden. Weiterhin kann eine Spurwechseldynamik eingestellt werden. Ebenso kann ein Einscherabstand, also wie weit vor dem anderen System das System 104 mit dem Einscheren beginnt, eingestellt werden.
-
In einem Ausführungsbeispiel wird dem Fahrer ein die erkannte Fahrstilklasse 120 repräsentierender Fahrstilvorschlag 124 vorgeschlagen, wenn der Fahrer den autonomen Fahrmodus aktiviert. Die Trajektorie 122 wird dann unter Verwendung der dem Fahrstilvorschlag 124 zugeordneten Fahrstilklasse 120 und der Fahraufgabe geplant, wenn der Fahrer den Fahrstilvorschlag 124 auswählt.
-
In einem Ausführungsbeispiel wird dem Fahrer zumindest ein alternativer Fahrstilvorschlag 126 vorgeschlagen, wenn der Fahrer den autonomen Fahrmodus aktiviert. Die Trajektorie 122 wird dann unter Verwendung einer dem alternativen Fahrstilvorschlag 126 zugeordneten alternativen Fahrstilklasse 120 und der Fahraufgabe geplant, wenn der Fahrer den alternativen Fahrstilvorschlag 126 auswählt. Am Beispiel des Überholvorgangs wird dann ein anderer Auffahrabstand, eine andere Spurwechseldynamik und/oder ein anderer Einscherabstand eingestellt.
-
In einem Ausführungsbeispiel werden zu unterschiedlichen Zeitpunkten Fahrstilrepräsentationen 112 aus dem latenten Raum 114 extrahiert. Die extrahierten Fahrstilrepräsentationen 112 werden jeweils in einen Merkmalsraum 128 übertragen. Der Merkmalsraum 128 ist hier zur Vereinfachung der Darstellung zweidimensional dargestellt. Auf jeder Achse des Merkmalsraums 128 ist ein anderes Kriterium der Fahrstilrepräsentationen 112 angetragen. Der Merkmalsraum 128 kann dabei auch multidimensional sein. Insbesondere kann der Merkmalsraum 128 so viele Dimensionen aufweisen, wie die Fahrstilrepräsentation 112. Jede Fahrstilrepräsentation 112 wird als Koordinatenpunkt im Merkmalsraum 128 angetragen.
-
Im Merkmalsraum 128 werden die Fahrstilrepräsentationen 112 gespeichert. Die vielen Fahrstilrepräsentationen 112 unterscheiden sich dabei mehr oder weniger stark. Nach mehreren Extraktionen und Übertragungen bildet sich im Merkmalsraum 128 eine Punktewolke aus Fahrstilrepräsentationen 112. Wenn viele ähnliche Fahrstilrepräsentationen 112 angetragen werden, ergeben sich Häufungen 130 der Fahrstilrepräsentationen 112 im Merkmalsraum 128. Die Häufungen 130 sollten mit den Merkmalsumfängen 118 der Fahrstilklassen 120 im Wesentlichen übereinstimmen, Wenn die Häufungen 130 gegenüber den Merkmalsumfängen 118 verschoben sind, werden die Merkmalsumfänge 118 der Fahrstilklassen 120 an die Häufungen 130 angepasst. Dadurch können die Fahrstilklassen 120 für den Fahrer personalisiert werden.
-
Beim Anpassen der Merkmalsumfänge 118 kann beispielsweise ein Schwerpunkt der Häufung 130 bestimmt werden und ein Schwerpunkt des entsprechenden Merkmalsumfangs 118 auf den Schwerpunkt der Häufung 130 verschoben werden.
-
2 zeigt eine Darstellung eines Verfahrensablaufs eines Verfahrens zum Erkennen eines Fahrstils gemäß einem Ausführungsbeispiel. Der Verfahrensablauf entspricht dabei im Wesentlichen dem Verfahrensablauf in 1. Hier werden die während unterschiedlichen Fahrsituationen 200, 202 extrahierten Fahrstilrepräsentationen 112 in unterschiedliche Merkmalsräume 128, 204 übertragen. So ergeben sich für eine Fahrstilklasse 120 pro Fahrsituation 200, 202 unterschiedliche Merkmalsumfänge 118. Eine Fahrsituation 200 kann dabei beispielsweise innerörtliches Fahren sein. Die andere Fahrsituation 202 kann beispielsweise das Fahren auf der Autobahn sein. Eine weitere Fahrsituation kann beispielsweise das Fahren auf der Landstraße sein.
-
In dem dargestellten Ausführungsbeispiel ist das System 104 zurückliegend in der ersten Fahrsituation 200 gefahren. Dabei konnte zumindest eine Fahrstilrepräsentation 112 extrahiert werden. Die Fahrstilrepräsentation 112 konnte einer Fahrstilklasse 120 zugeordnet werden und so der gefahrene Fahrstil klassifiziert werden.
-
Aktuell fährt das System 104 in der zweiten Fahrsituation 202 und der Fahrer hat den autonomen Fahrmodus aktiviert, bevor zumindest eine Fahrstilrepräsentation 112 extrahiert werden konnte und bevor der Fahrstil in der zweiten Fahrsituation klassifiziert werden konnte.
-
Um dem Fahrer trotzdem einen Fahrstilvorschlag 124 vorschlagen zu können, wird der Fahrstilvorschlag 124 basierend auf dem während der vorherigen Fahrsituation 200 gefahrenen Fahrstil 120 gemacht. Wenn der Fahrer den Fahrstilvorschlag 124 annimmt, wird die Trajektorie 122 unter Verwendung der in der Vergangenheit während des zweiten Fahrsituation 202 abgespeicherten Merkmalsumfänge 118 für den vorgeschlagenen Fahrstil geplant.
-
Wenn der Fahrer einen vorgeschlagenen alternativen Fahrstilvorschlag 126 annimmt, wird die Trajektorie 122 unter Verwendung der in der Vergangenheit während des zweiten Fahrsituation 202 abgespeicherten Merkmalsumfänge 118 für den alternativen Fahrstil geplant
-
3 zeigt eine Darstellung eines Verfahrensablaufs eines Verfahrens zum Erkennen eines Fahrstils gemäß einem Ausführungsbeispiel. Der Verfahrensablauf ist dabei dem Verfahrensablauf in den 1 und 2 ähnlich. Im Gegensatz zu den 1 und 2 bilden die sensorischen Eingabegrößen 100 hier eine Bewegung 102 eines bewegten Fremd-Systems 300 und ein Umfeld 106 des Fremd-Systems 300 ab. Die extrahierte Fahrstilrepräsentation 112 repräsentiert daher auch einen aktuellen Fahrstil des Fremd-Systems 300. Unter Berücksichtigung des Fahrstils des Fremd-Systems 300 wird dann die Trajektorie 122 für das eigene System 104 geplant.
-
In einem Ausführungsbeispiel wird der Fahrstil des Fremd-Systems 300 unter Verwendung von Merkmalsumfängen mehrerer möglicher Fahrstilklassen klassifiziert. Die Trajektorie 122 für das eigene System 104 wird dann unter Berücksichtigung der Fahrstilklasse geplant.
-
In einem Ausführungsbeispiel werden zu unterschiedlichen Zeitpunkten mehrere Fahrstilrepräsentationen 112 von Fremd-Systemen 300 extrahiert und in den Merkmalsraum 128 übertragen. Mit der Zeit entsteht im Merkmalsraum 128 die Punktewolke. Häufungen innerhalb der Punktewolke können verwendet werden, um die Fahrstilklassen von unterschiedlichen Fremd-Systemen 300 zu klassifizieren.
-
Mit anderen Worten wird die Personalisierung eines automatisierten Fahrsystems in Autobahnszenarien vorgestellt.
-
Ein Fahrstil eines herkömmlichen automatisierten Fahrsystems kann kaum anpassbar sein. Auch eine Charakterisierung eines Fahrstils eines menschlichen Fahrers oder des automatisierten Fahrsystems kann sehr rudimentär sein.
-
Bei dem hier vorgestellten Ansatz kann durch maschinelles Lernen eine abstrakte Fahrstilrepräsentation (abstract driving style representation ADSR) für das automatisierte Fahrsystem gewonnen werden, um eine Charakterisierung des Fahrstils eines menschlichen Fahrers oder des automatisierten Fahrsystems zu finden.
-
Die abstrakte Fahrstilrepräsentation beschreibt den Fahrstil systematisch. Dieser Ansatz bietet einen erschöpfenden Satz von Fahrstilen, aus denen der menschliche Fahrer wählen kann. Dies kann die Produktakzeptanz und Zufriedenheit des menschlichen Fahrers gewährleisten.
-
Der Fahrstil des automatisierten Fahrsystems kann vom menschlichen Fahrer aus einem kleinen Satz von kommerziellen Stildefinitionen beziehungsweise Fahrstilvorschlägen gewählt werden. Diese Auswahl kann von Hand über eine Benutzeroberfläche erfolgen. Der vorgestellte Ansatz bietet die Personalisierung solcher Stile, basierend auf dem realen beobachteten Verhalten des aktuellen menschlichen Fahrers.
-
Das automatisierte Fahrsystem für die Autobahn wird verbessert, indem der Fahrstil des menschlichen Fahrers nachgeahmt wird, basierend auf der Beobachtung desselben Fahrers auf der Autobahn in ähnlichen Situationen während des nicht automatisierten Fahrens. Die Stilauswahl kann durch die Verfeinerung solcher Stile weiter personalisiert und automatisiert werden und ein noch höheren Niveau an Komfort, Zufriedenheit und Produktakzeptanz ermöglichen.
-
Im ersten Schritt wird das Verhalten des Fahrers in verschiedenen Situationsszenarien auf einer Autobahn überwacht. Im zweiten Schritt wird eine abstrakte Fahrstilrepräsentation des menschlichen Fahrers durch maschinelles Lernen erzeugt. Im dritten Schritt werden die Parameter des automatisierten Fahrsystems so eingestellt, dass es sicher ist, wenn es das Verhalten des menschlichen Fahrers imitiert, indem es mit einem Stil ähnlich dem menschlichen Fahrer fährt.
-
Im dritten Schritt können Cluster der abstrakte Fahrstilrepräsentationen im abstrakten Raum erstellt und ein Cluster davon ausgewählt werden. Außerdem kann ein vortrainiertes neuronales Netzwerk verwendet werden, um die abstrakte Fahrstilrepräsentation den Parametern des automatisierten Fahrsystems zuzuordnen. Einige Parameter des automatisierten Fahrsystems, wie die Geschwindigkeit, der Abstand zu vorausfahrenden Fahrzeugen und die Spurwechselgeschwindigkeit können direkt vom menschlichen Fahrer gemessen werden, während andere auf der Grundlage der abstrakten Fahrstilrepräsentation geschätzt werden können.
-
Die erlernten Funktionen können in der Rückschlusszeit während automatisiertem Betrieb verwendet werden. So kann das beobachtete Verhalten des menschlichen Fahrers bei Verwendung der automatisierten Funktionen nachgeahmt werden. Dies kann in Autobahnsituationen geschehen, in denen der Fahrstil in Situationen beobachtet werden kann, die den Situationen sehr ähnlich sind, auf die das automatisierte Fahrsystem trifft. Dies kann zu einem bequemeren Stil des automatisierten Fahrsystems führen, der ähnlich dem Stil des menschlichen Fahrers ist.
-
Weiterhin wird eine Personalisierung eines automatisierten Fahrsystems in einem gemischten Stadt-Autobahn-Szenario vorgestellt.
-
Dieser Ansatz ist eine Erweiterung der oben beschriebenen Lösung für neue und erheblich unterschiedliche Anwendungsfälle. Für die oben genannte Lösung sind ausreichend Fahrproben des aktuellen Anwenders des Systems aus Autobahnszenarien notwendig. Es ist jedoch sehr wahrscheinlich, dass viele Fahrer das automatisierte System sofort nach der Einfahrt auf die Autobahn aktivieren werden. In einer solchen Situation können nicht ausreichend Proben vom Fahrer erfasst werden. Zumindest nicht in einer Autobahnsituation.
-
Die vorgestellte Lösung ermöglicht die Personalisierung des automatisierten Fahrsystems auf der Autobahn, basierend auf dem realen beobachteten Verhalten des aktuellen menschlichen Fahrers, auch wenn das Verhalten nur auf Nicht-Autobahn (highway) Szenarien, wie beispielsweise im innerstädtischen Verkehr (urban) beobachtet wird.
-
In einem ersten Schritt wird das Verhalten des Fahrers in verschiedenen Situationsszenarien überwacht, bevor das Fahrzeug auf die Autobahn einfährt. Im zweiten Schritt werden abstrakte Fahrstilrepräsentationen des menschlichen Fahrers durch maschinelles Lernen erzeugt, die den Fahrerstil in urbanen (d.h. in Nicht-Autobahn) Situationen darstellen. Der dritte Schritt ist die Suche nach dem Stildeskriptor des menschlichen Fahrers, der den Stil in Autobahnsituationen darstellt. Um den passenden Stildeskriptor zu finden, wird die gelernte Zuordnung über die Werkzeuge von Machine Learning, zwischen urbanen und Autobahnstilen desselben Fahrers, durchgeführt. Dieser Schritt ist eine Version der Domänenanpassung in Bezug auf die Charakterisierung des Fahrstils. Der vierte Schritt besteht darin, die Parameter des automatisierten Fahrsystems so einzurichten, dass es sicher ist, während es das Verhalten des menschlichen Fahrers imitiert, indem er mit einem ähnlichen Stil fährt.
-
Aufgrund der zunehmenden Anwendung des maschinellen Lernens in autonomen Fahrfunktionen betont die Aufgabe der Planung einer realisierbaren Trajektorie das Problem der Analyse des Verhaltens der umliegenden Fahrzeuge. Das Verhalten der anderen Verkehrsteilnehmer hat einen starken Einfluss auf die Machbarkeit der Trajektorie des automatisierten Fahrsystems.
-
Im Idealfall untersucht ein Planer seine Umgebung, um eine Trajektorie für das System zu erstellen. Dabei die zukünftigen Schritte eines anderen Fahrers in der Umgebung zu überwachen und abzuschätzen ist eine äußerst komplizierte Aufgabe. Die Planung beinhaltet die Berücksichtigung der Umgebung und der anderen Verkehrsteilnehmer. Aus diesem Grund ist die zukünftige Ego-Trajektorie in hohem Maße von der Bewegung und dem Verhalten des anderen abhängig.
-
Die Einschätzung zukünftiger Trajektorien der Verkehrsteilnehmer ist äußerst schwierig. Vor allem in dichten Umgebungen kann die Vorhersage sehr unsicher sein. Durch die hier vorgestellte Einbeziehung der abstrakten Fahrstilrepräsentation kann diese Ambivalenz gesenkt werden.
-
Der hier vorgestellte Planer für automatisierte Fahrsysteme nutzt die Fahrstilinformationen über andere Autofahrer in der Autobahnsituation. Verbesserte, machbare und valide Trajektorien werden in fraglichen Situationen gewonnen. Der Planer ist interpretierbarer und verständlicher.
-
Die Grundlage unserer vorgeschlagenen Methode ist die Überwachung des Verhaltens der umliegenden Fahrer durch Beobachtung. Je mehr Details aus einem Objekt gewonnen werden, desto besser und genauer kann die Schätzung sein. Die anfängliche Vermutung kann den derzeit verwendeten Schätzungen etwas ähnlich sein. Je länger die Autos sichtbar sind, desto besser wird die Schätzung ihres Verhaltens.
-
Aus dem beobachteten Verhalten wird der Fahrstil der umliegenden Fahrer geschätzt. Diese Stilinformationen dienen als Eingabe für den Planer, der alle Faktoren berücksichtigt. Der Planer kann entweder ein konventionelles regelbasiertes oder ein modernes maschinelles Lernsystem sein. Jeder Ansatz hat seine eigenen Vorzüge.
-
Ein regelbasierter Planer kann um solche neuen Regeln erweitert werden, die die machbaren Trajektorien auf den Fahrstil anderer konditionieren. Beispiele sind ein Spurwechsel, wenn sich ein scheinbar aggressiver Fahrer von hinten nähert oder einen größeren Abstand zu einem möglicherweise unsicheren, unerfahrenen Fahrer einnimmt.
-
Die auf maschinellem Lernen basierte Methode nimmt die abstrakte Fahrstilrepräsentation als erweiterte Eingabe und enthält in der Regel keine semantischen Informationen für den Menschen, sondern kann den Planer durch maschinelles Lernen verbessern. Ein zusätzlicher Teil eines neuronalen Netzwerks kann implementiert und trainiert werden, um menschenlesbare und verständliche Daten zu extrahieren.
-
Abschließend ist darauf hinzuweisen, dass Begriffe wie „aufweisend“, „umfassend“, etc. keine anderen Elemente oder Schritte ausschließen und Begriffe wie „eine“ oder „ein“ keine Vielzahl ausschließen. Bezugszeichen in den Ansprüchen sind nicht als Einschränkung anzusehen.
