DE102022004426A1 - Method for predicting movements of road users - Google Patents
Method for predicting movements of road users Download PDFInfo
- Publication number
- DE102022004426A1 DE102022004426A1 DE102022004426.9A DE102022004426A DE102022004426A1 DE 102022004426 A1 DE102022004426 A1 DE 102022004426A1 DE 102022004426 A DE102022004426 A DE 102022004426A DE 102022004426 A1 DE102022004426 A1 DE 102022004426A1
- Authority
- DE
- Germany
- Prior art keywords
- class
- trajectory
- agent
- prediction
- trajectory set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006399 behavior Effects 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims 2
- 239000003795 chemical substances by application Substances 0.000 description 46
- 239000010749 BS 2869 Class C1 Substances 0.000 description 14
- 238000013459 approach Methods 0.000 description 10
- 241000501754 Astronotus ocellatus Species 0.000 description 3
- 240000002834 Paulownia tomentosa Species 0.000 description 3
- 235000010678 Paulownia tomentosa Nutrition 0.000 description 3
- 241001136792 Alle Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 210000002023 somite Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Prädiktion von Bewegungen von Verkehrsteilnehmern, wobei zur Prädiktion ein Modell (2) erstellt wird, welches mit zumindest einem vorgegebenen oder dynamisch erstellten Trajektorienset (S, S1, S2) trainiert wird. Erfindungsgemäß werden bei der Prädiktion zu berücksichtigende Verkehrsteilnehmer als Agenten nach ihrer Art klassifiziert, wobei die Verkehrsteilnehmer bei der Klassifizierung jeweils zumindest einer von mehreren Agentenklassen (C1 bis Cm) zugeordnet werden. Das Training wird jeweils individuell für jede Agentenklasse (C1 bis Cm) mittels zumindest eines Trajektoriensets (S, S1, S2) durchgeführt, wobei das jeweilige Trajektorienset (S, S1, S2) speziell für die jeweilige Agentenklasse (C1 bis Cm) dynamisch erstellt oder aus einem vorgegebenen Trainingsdatensatz ausgewählt wird.The invention relates to a method for predicting movements of road users, wherein a model (2) is created for the prediction, which is trained with at least one predetermined or dynamically created trajectory set (S, S1, S2). According to the invention, road users to be taken into account in the prediction are classified as agents according to their type, wherein the road users are each assigned to at least one of several agent classes (C1 to Cm) during the classification. The training is carried out individually for each agent class (C1 to Cm) using at least one trajectory set (S, S1, S2), wherein the respective trajectory set (S, S1, S2) is created dynamically specifically for the respective agent class (C1 to Cm) or is selected from a predetermined training data set.
Description
Die Erfindung betrifft ein Verfahren zur Prädiktion von Bewegungen von Verkehrsteilnehmern gemäß dem Oberbegriff des Anspruchs 1.The invention relates to a method for predicting movements of road users according to the preamble of claim 1.
Die Prädiktion von Bewegungen von am Straßenverkehr teilnehmenden Verkehrsteilnehmern, beispielsweise Fahrzeugen, bildet einen essenziellen Bestandteil beim Betrieb automatisiert, beispielsweise hochautomatisiert oder autonom fahrender Fahrzeuge. Eine zuverlässige und sichere Bewegungsplanung ist nur dann möglich, wenn auch die Prädiktion von hoher Qualität ist.The prediction of movements of road users, such as vehicles, is an essential component in the operation of automated vehicles, such as highly automated or autonomous vehicles. Reliable and safe movement planning is only possible if the prediction is also of high quality.
Aus „
Weiterhin ist aus „
Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Prädiktion von Bewegungen von Verkehrsteilnehmern anzugeben.The invention is based on the object of specifying a novel method for predicting movements of road users.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die im Anspruch 1 angegebenen Merkmale aufweist.The object is achieved according to the invention by a method which has the features specified in claim 1.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous embodiments of the invention are the subject of the subclaims.
In einem Verfahren zur Prädiktion von Bewegungen von Verkehrsteilnehmern wird ein Modell erstellt, welches mit zumindest einem vorgegebenen oder dynamisch erstellten Trajektorienset trainiert wird.In a method for predicting movements of road users, a model is created which is trained with at least one predefined or dynamically created set of trajectories.
Erfindungsgemäß werden bei der Prädiktion zu berücksichtigende Verkehrsteilnehmer als Agenten nach ihrer Art klassifiziert, wobei die Verkehrsteilnehmer bei der Klassifizierung jeweils zumindest einer von mehreren Agentenklassen zugeordnet werden. Das Training wird jeweils individuell für jede Agentenklasse mittels zumindest eines Trajektoriensets durchgeführt, wobei das jeweilige Trajektorienset speziell für die jeweilige Agentenklasse dynamisch erstellt oder aus einem vorgegebenen Trainingsdatensatz ausgewählt wird.According to the invention, road users to be taken into account in the prediction are classified as agents according to their type, with the road users being assigned to at least one of several agent classes during the classification. The training is carried out individually for each agent class using at least one trajectory set, with the respective trajectory set being dynamically created specifically for the respective agent class or selected from a predetermined training data set.
Mittels des Verfahrens ist eine signifikante Verbesserung einer Prädiktionsgüte setbasierter Trajektorienprädiktionsansätze durch eine Einbringung von Vorwissen über die Agentenklasse realisierbar. Dabei ist es insbesondere möglich, Trajektorien zu prädizieren, welche kinematisch von dem jeweiligen Agenten in der Zukunft gefahren werden können. Somit kann gegenüber dem Fall, dass kein agentenspezifisches Trajektorienset verwendet wird, vermieden werden, dass in einem Trajektorienset Bewegungen vorhanden sind, die der jeweilige Verkehrsteilnehmer überhaupt nicht kinematisch durchführen kann. Würde beispielsweise ein einziges fixes Trajektorienset für mehrere Agentenklassen verwendet, bestünde die Gefahr, dass beispielsweise für Personenkraftwagen Trajektorien prädiziert werden, die ursprünglich zu Fußgängern gehört haben, wie zum Beispiel eine Drehung auf der Stelle. Dies wird durch das vorliegende Verfahren vermieden. Würde beispielsweise ein einziges dynamisches Trajektorienset mit einem kinematischen Fahrradmodell für alle Agentenklassen verwendet, bestünde die Gefahr, dass beispielsweise für Lastkraftwagen unrealistische Trajektorien prädiziert, da deren Bewegung sich typischerweise nicht mit einem Fahrradmodell abdecken lässt. Auch dies wird durch das vorliegende Verfahren vermieden.Using the method, a significant improvement in the prediction quality of set-based trajectory prediction approaches can be achieved by incorporating prior knowledge about the agent class. In particular, it is possible to predict trajectories that can be kinematically driven by the respective agent in the future. In contrast to the case where no agent-specific trajectory set is used, it can be avoided that a trajectory set contains movements that the respective road user cannot kinematically perform at all. If, for example, a single fixed trajectory set were used for several agent classes, there would be a risk that trajectories would be predicted for passenger cars, for example, that originally belonged to pedestrians, such as turning on the spot. This is avoided by the present method. If, for example, a single dynamic trajectory set with a kinematic bicycle model were used for all agent classes, there would be a risk that unrealistic trajectories would be predicted for trucks, for example, since their movement cannot typically be covered by a bicycle model. This is also avoided by the present method.
In einer möglichen Ausgestaltung des Verfahrens wird die dynamische Erstellung des zumindest einen Trajektoriensets zusätzlich in Abhängigkeit eines Umgebungszustands und/oder von visuellen Merkmalen und/oder eines Fahrverhaltens des Verkehrsteilnehmers durchgeführt. Hierdurch kann die Prädiktionsgüte setbasierter Trajektorienprädiktionsansätze weiter verbessert werden.In a possible embodiment of the method, the dynamic creation of the at least one trajectory set is additionally carried out depending on an environmental state and/or visual features and/or a driving behavior of the road user. This can further improve the prediction quality of set-based trajectory prediction approaches.
In einer weiteren möglichen Ausgestaltung des Verfahrens wird die Auswahl des zumindest einen Trajektoriensets aus dem vorgegebenen Trainingsdatensatz zusätzlich in Abhängigkeit eines Umgebungszustands und/oder von visuellen Merkmalen und/oder eines Fahrverhaltens des Verkehrsteilnehmers durchgeführt. Hierdurch kann die Prädiktionsgüte setbasierter Trajektorienprädiktionsansätze weiter verbessert werden.In a further possible embodiment of the method, the selection of at least one trajectory set from the given training data set is additionally carried out depending on an environmental condition and/or visual features and/or driving behavior of the road user. This can further improve the prediction quality of set-based trajectory prediction approaches.
In einer weiteren möglichen Ausgestaltung des Verfahrens werden
der Umgebungszustand mittels
- - Wetterbedingungen und/oder
- - Umgebungslichtbedingungen, beispielsweise tiefstehende Sonne, und/oder
- - einer Fahrbahnbeschaffenheit, beispielsweise durch Erkennung von Niederschlägen, wie zum Beispiel Regen und/oder Schnee und/oder Eis, auf einer Fahrbahnoberfläche,
- - Lichtzeichen von Verkehrsanlagen, beispielsweise Verkehrsampeln, und/oder
- - Regelungsgehalten von Verkehrszeichen und/oder
- - Lichtzeichen von Verkehrsteilnehmern, beispielsweise mittels eines Fahrtrichtungsanzeigers und/oder eines Rücklichts und/oder eines Bremslichts und/oder eines Rückfahrscheinwerfers und/oder einer Nebelschlussleuchte und/oder Warnleuchten eines Einsatzfahrzeugs,
- - eines Fahrzeugtyps und/oder
- - einer Geschwindigkeit des Verkehrsteilnehmers und/oder
- - einer Dynamik einer Bewegung des Verkehrsteilnehmers
the environmental condition by means of
- - Weather conditions and/or
- - Ambient light conditions, such as low sun, and/or
- - a road surface condition, for example by detecting precipitation, such as rain and/or snow and/or ice, on a road surface,
- - Traffic light signals, such as traffic lights, and/or
- - Regulatory content of traffic signs and/or
- - light signals from road users, for example by means of a direction indicator and/or a tail light and/or a brake light and/or a reversing light and/or a rear fog light and/or warning lights of an emergency vehicle,
- - a vehicle type and/or
- - a speed of the road user and/or
- - a dynamic movement of the road user
In einer weiteren möglichen Ausgestaltung des Verfahrens werden als Agentenklassen
- - eine Personenkraftwagen-Klasse und/oder
- - eine Nutzfahrzeug-Klasse und/oder
- - eine Lastkraftwagen-Klasse und/oder
- - eine Bus-Klasse und/oder
- - eine Motorrad-Klasse und/oder
- - eine Fußgänger-Klasse und/oder
- - eine Fahrradfahrer-Klasse
- - a passenger car class and/or
- - a commercial vehicle class and/or
- - a truck class and/or
- - a bus class and/or
- - a motorcycle class and/or
- - a pedestrian class and/or
- - a cycling class
In einer weiteren möglichen Ausgestaltung des Verfahrens wird das Modell durch ein lernbasiertes Trajektorienprädiktionsmodell gebildet, welchem bei dessen Anwendung als Eingabedatum eine jeweilige Agentenklasse mitgeteilt wird und welches in einem Lernprozess lernt, wie einzelne Trajektorien eines Trajektoriensets für jede Agentenklasse angeordnet sind. Dies ermöglicht einen besonders zuverlässigen Lernprozess des Modells.In another possible embodiment of the method, the model is formed by a learning-based trajectory prediction model, which is given a respective agent class as input data when it is used and which learns in a learning process how individual trajectories of a trajectory set are arranged for each agent class. This enables a particularly reliable learning process of the model.
In einer weiteren möglichen Ausgestaltung des Verfahrens wird die Auswahl des jeweiligen Trajektoriensets aus dem vorgegebenen Trainingsdatensatz von einem neuronalen Netz erlernt und mittels diesem durchgeführt. Somit kann eine manuell durchgeführte Auswahl entfallen.In another possible embodiment of the method, the selection of the respective trajectory set from the given training data set is learned by a neural network and carried out using this network. This means that manual selection is no longer necessary.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.Embodiments of the invention are explained in more detail below with reference to drawings.
Dabei zeigen:
-
1 schematisch ein Blockschaltbild einer Vorrichtung zur Prädiktion von Bewegungen von Verkehrsteilnehmern, -
2 schematisch ein Trajektorienset und -
3 schematisch ein weiteres Trajektorienset.
-
1 schematically a block diagram of a device for predicting movements of road users, -
2 schematically a trajectory set and -
3 schematically another set of trajectories.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.Corresponding parts are provided with the same reference numerals in all figures.
In
Die Vorrichtung 1 umfasst ein Modell 2, welches als lern- und setbasiertes Trajektorienprädiktionsmodell und dabei zur Prädiktion von Wahrscheinlichkeiten p einzelner Trajektorien T1 bis Tn eines Trajektoriensets S ausgebildet ist. Weiterhin umfasst die Vorrichtung 1 ein Modul 3, welches zu einer Auswahl eines Trajektoriensets S aus einem vorgegebenen Trainingsdatensatz und/oder zu einer dynamischen Erstellung eines Trajektoriensets S ausgebildet ist.The device 1 comprises a
Die Prädiktion von Bewegungen von am Straßenverkehr teilnehmenden Verkehrsteilnehmern, beispielsweise Fahrzeugen, bildet einen essenziellen Bestandteil beim Betrieb automatisiert, beispielsweise hochautomatisiert oder autonom fahrender Fahrzeuge. Eine zuverlässige und sichere Bewegungsplanung ist nur dann möglich, wenn auch die Prädiktion von hoher Qualität ist.The prediction of movements of road users, such as vehicles, is an essential component in the operation of automated vehicles, such as highly automated or autonomous vehicles. Reliable and safe movement planning is only possible if the prediction is also of high quality.
Zu einer solchen Prädiktion existieren lernbasierte Methoden zur Trajektorienprädiktion. Eine Art solcher lernbasierten Prädiktionsansätze sind setbasierte Prädiktionsansätze mit fixem oder dynamischem Trajektorienset S.Learning-based methods for trajectory prediction exist for such prediction. One type of such learning-based prediction approaches are set-based prediction approaches with a fixed or dynamic trajectory set S.
Bei klassischen Regressionsansätzen wird mittels eines Trainingsdatensatzes für die Trajektorienprädiktion gelernt, wie eine Trajektorie T1 bis Tn der Zukunft aussehen wird. Eine direkte Ausgabe des lernbasierten Modells 2 sind dabei Koordinaten x, y über mehrere Zeitschritte hinweg, meist in einem lokalen Koordinatensystem. Um eine Multimodalität zu erreichen, also einen Verkehrsteilnehmer, auch als Agent bezeichnet, mit mehreren möglichen Zukünften prädizieren zu können, muss bereits vor dem Training des Modells 2 eine Anzahl von Prädiktionsköpfen festgelegt werden.In classic regression approaches, a training data set for trajectory prediction is used to learn what a trajectory T1 to Tn of the future will look like. A direct output of the learning-based
Die genannten setbasierten Prädiktionsansätze hingegen haben ein anderes Funktionsprinzip, bei dem bei fixen Trajektoriensets S noch vor dem Training des lernbasierten Modells 2 mittels eines Algorithmus ein Trajektorienset S aus dem Trainingsdatensatz extrahiert wird. Das Trajektorienset S besteht aus einigen, mittels des Algorithmus ausgewählten zukünftig möglicherweise gefahrenen Trajektorien T1 bis Tn. Während des Trainings des lernbasierten Modells 2 lernt das Modell 2 im Anschluss, welche Trajektorie T1 bis Tn des Trajektoriensets S am wahrscheinlichsten der Zukunft des zu prädizierenden Agenten entspricht. Das Regressionsproblem ganzer Trajektorien T1 bis Tn wird somit in ein Klassifikationsproblem überführt. Ein Vorteil hierbei ist, dass eine Anzahl der Moden nicht während des Trainings festgelegt werden muss. Noch während der Ausführung kann dynamisch entschieden werden, wie viele Trajektorien T1 bis Tn für eine Weiterverarbeitung ausgewählt werden, weil jeder Trajektorie T1 bis Tn im Trajektorienset S eine Wahrscheinlichkeit p zugewiesen wird. Während der Anwendung bedeutet dies konkret, dass zuvor aus dem Trainingsdatensatz extrahierte und das Trajektorienset S bildende Trajektorien T1 bis Tn für die Prädiktion „ausgewählt“ werden. Diese Auswahl geschieht über eine Klassifikation über das Trajektorienset S, indem bestimmt wird, wie wahrscheinlich ein Eintreten jeder einzelnen Trajektorie T1 bis Tn des Trajektoriensets S in einer aktuellen Verkehrsszene ist.The set-based prediction approaches mentioned above, however, have a different operating principle in which, for fixed trajectory sets S, a trajectory set S is extracted from the training data set using an algorithm before the learning-based
Bei dynamischen Trajektoriensets S wird dagegen kein gleichbleibendes, das heißt fixes, Trajektorienset S aus dem Trainingsdatensatz generiert, sondern während des Trainings und/oder der Ausführung für den zu prädizierenden Agenten ein Trajektorienset S generiert, welches auf einem Zustand des Agenten, beispielsweise einem Geschwindigkeitsvektor und/oder einem Winkel, basiert. In diesem Zusammenhang ist bekannt, ein kinematisches Modell heranzuziehen. Dabei kann vereinfacht immer ein kinematisches Fahrradmodell (englisch: Kinematic Bicycle Model) herangezogen werden. Das kinematische Fahrradmodell ist ein klassisches Zustandsmodell. Integriert man dieses Modell mit einem gegebenen Startzustand über die Zeit und variiert dabei Beschleunigungen und Lenkwinkel an verschiedenen Zeitpunkten, entsteht ein dynamisches Trajektorienset S.In the case of dynamic trajectory sets S, however, no constant, i.e. fixed, trajectory set S is generated from the training data set, but rather a trajectory set S is generated during training and/or execution for the agent to be predicted, which is based on a state of the agent, for example a velocity vector and/or an angle. In this context, it is known to use a kinematic model. For simplicity, a kinematic bicycle model can always be used. The kinematic bicycle model is a classic state model. If this model is integrated with a given starting state over time and accelerations and steering angles are varied at different points in time, a dynamic trajectory set S is created.
Die dargestellte Vorrichtung 1 ist ausgebildet, unterschiedliche und somit spezialisierte Trajektoriensets S für unterschiedliche Agentenklassen C1 bis Cm zu verwenden, wobei dies sowohl für fixe als auch für dynamische setbasierte Prädiktionsansätze angewandt wird.The illustrated device 1 is designed to use different and thus specialized trajectory sets S for different agent classes C1 to Cm, whereby this is applied both for fixed and dynamic set-based prediction approaches.
Dabei können bestehende setbasierte Prädiktionsansätze mit dem Modul 3, das passend zur entsprechenden Agentenklasse C1 bis Cm ein korrektes Trajektorienset S auswählt (= fixes Trajektorienset S) oder ein solches generiert (= dynamisches Trajektorienset S), erweitert werden.Existing set-based prediction approaches can be extended with
Wie dargestellt werden dabei dem Modell 2 als Eingabedaten D1 bis D5 historische Zustände umliegender Agenten (= Eingabedatum D1), Informationen einer hochauflösenden Umgebungskarte (= Eingabedatum D2), sensornahe Informationen (= Eingabedatum D3), wie beispielsweise Rohdaten oder Merkmale erkannter Objekte, zum Beispiel deren Farbe, eine jeweilige Agentenklasse C1 bis Cm eines zu prädizierenden Agenten (= Eingabedatum D4) sowie ein historischer Zustand des zu prädizierenden Agenten (= Eingabedatum D5) zugeführt.As shown, historical states of surrounding agents (= input data D1), information from a high-resolution environment map (= input data D2), sensor-related information (= input data D3), such as raw data or features of recognized objects, for example their color, a respective agent class C1 to Cm of an agent to be predicted (= input data D4) and a historical state of the agent to be predicted (= input data D5) are fed to
Der historische Zustand des zu prädizierenden Agenten (= Eingabedatum D5)kann bei dynamischen Trajektoriensets S auch dem Modul 3 zur Setzung eines Initialzustands des kinematischen Modells zugeführt werden.In the case of dynamic trajectory sets S, the historical state of the agent to be predicted (= input data D5) can also be fed to
Mittels des Moduls 3 wird dabei für fixe Trajektoriensets S je Agentenklasse C1 bis Cm ein Trajektorienset S generiert. Dabei können/kann beispielsweise ein in [1]: „
- In [1] und [2] werden jeweils alle gefahrenen Trajektorien T1 bis Tn eines Trainingsdatensatzes unabhängig von ihrer Agentenklasse C1 bis Cm betrachtet. Im Trainingsdatensatz besteht hierbei eine Trajektorie T1 bis Tn aus vergangenheitsbezogenen Eingabedaten und zukünftigen, das heißt zu prädizierenden, Ausgabedaten. Für eine Auswahl der Trajektoriensets S werden immer nur zukünftige Ausschnitte betrachtet. Dabei wird beispielsweise in [1] immer der zukünftige Trajektorienausschnitt ausgewählt, der räumlich gesehen eine Maximalanzahl anderer zukünftiger Trajektorienausschnitte abdeckt. In [2] wird dies durch einen Clusteralgorithmus ähnlich gelöst. Somit wird in [1] und [2] die Generierung von fixen Trajektoriensets S als allgemeingültige Sets für alle Agentenklassen C1 bis Cm beschrieben.
- In [1] and [2], all trajectories T1 to Tn of a training data set are considered, regardless of their agent class C1 to Cm. In the training data set, a trajectory T1 to Tn consists of past-related input data and future, i.e., predictable, output data. For a selection of the trajectory sets S, only future sections are considered. In [1], for example, the future trajectory section is always selected that spatially covers a maximum number of other future trajectory sections. In [2], this is solved in a similar way using a cluster algorithm. Thus, in [1] and [2] the generation of fixed trajectory sets S is described as generally valid sets for all agent classes C1 to Cm.
Zum Betrieb der gezeigten Vorrichtung 1 sind in einer möglichen Ausgestaltung die in [1] und [2] beschriebenen Algorithmen derart angepasst, dass eine Generierung von agentenklassenspezifischen fixen Trajektoriensets S möglich ist. Hierzu wird als Zusatzinformation eine jeweilige Agentenklasse C1 bis Cm des zu prädizierenden Agenten verwendet und es wird eine Generierung eines entsprechenden Trajektoriensets S für jede Agentenklasse C1 bis Cm durchgeführt. Soll beispielsweise ein Trajektorienset S für einen Radfahrer generiert werden, wird der gesamte Trainingsdatensatz initial gefiltert, so dass nur noch Trajektorien T1 bis Tn von Radfahrern vorhanden sind. Auf diesem gefilterten Trainingsdatensatz kann dann eine Setgenerierungsmethode aus [1] oder [2] angewandt werden.To operate the device 1 shown, in one possible embodiment, the algorithms described in [1] and [2] are adapted in such a way that a generation of agent class-specific fixed trajectory sets S is possible. For this purpose, a respective agent class C1 to Cm of the agent to be predicted is used as additional information and a corresponding trajectory set S is generated for each agent class C1 to Cm. If, for example, a trajectory set S is to be generated for a cyclist, the entire training data set is initially filtered so that only trajectories T1 to Tn of cyclists are present. A set generation method from [1] or [2] can then be applied to this filtered training data set.
Beispielsweise legen Fußgänger aufgrund geringerer Geschwindigkeiten während des Prädiktionshorizonts von beispielsweise 3 Sekunden bis 6 Sekunden deutlich geringere Strecken zurück als Fahrzeuge. Die Generierung agentenklassenspezifischer fixer Trajektoriensets S ermöglicht in diesem Fall, solche kinematischen Eigenschaften explizit zu berücksichtigen. Ein Beispiel für zwei verschiedene generierte fixe Trajektoriensets S1, S2 für Personenkraftwagen, Busse und Motorräder (= Trajektorienset S1) sowie Fußgänger und Fahrradfahrer (= Trajektorienset S2) sind in den
Das Modul 3 wählt während des Trainings des Modells 2 und auch während der späteren Anwendung desselben das passende fixe Trajektorienset S, S1, S2 zur entsprechenden Agentenklasse C1 bis Cm des zu prädizierenden Agenten.During the training of
Für dynamische Trajektoriensets S kann pro Agentenklasse C1 bis Cm ein spezifisch hierfür ausgelegtes kinematisches Modell verwendet werden. So können Fußgänger beispielsweise durch ein so genanntes „Constant Velocity Modell“ (kurz: CVM) beschrieben werden, Fahrradfahrer durch ein kinematisches Fahrradmodell, zweispurige Fahrzeuge durch ein kinematisches Zweispurmodell und Lastwagen mit Anhänger durch ein komplexeres Modell. Abhängig von der jeweiligen Agentenklasse C1 bis Cm und einem Zustand des zu prädizierenden Agenten kann dann zur Laufzeit durch Variation der Eingabeparameter, beispielsweise einem Lenkwinkel und einer Beschleunigung, ein ganzes Trajektorienset S an agentenklassenspezifischen Trajektorien T1 bis Tn generiert werden. Die Bereitstellung des agentenklassenspezifischen kinematischen Modells wird ebenfalls durch das Modul 3 durchgeführt.For dynamic trajectory sets S, a kinematic model specifically designed for this purpose can be used for each agent class C1 to Cm. For example, pedestrians can be described by a so-called "constant velocity model" (CVM for short), cyclists by a kinematic bicycle model, two-lane vehicles by a kinematic two-lane model and trucks with trailers by a more complex model. Depending on the respective agent class C1 to Cm and a state of the agent to be predicted, an entire trajectory set S of agent class-specific trajectories T1 to Tn can then be generated at runtime by varying the input parameters, for example a steering angle and an acceleration. The provision of the agent class-specific kinematic model is also carried out by
Das heißt, es werden fixe und/oder dynamische agentenklassenspezifische Trajektoriensets S erstellt und mittels des Moduls 3 wird während der Anwendung das zur zu prädizierenden Agentenklasse C1 bis Cm passende Trajektorienset S ausgewählt. Zusätzlich wird dem als lernbasiertes Trajektorienprädiktionsmodell ausgebildeten Modell 2 die Agentenklasse C1 bis Cm als Eingabedatum D4 zur Verfügung gestellt. Bei setbasierten Ansätzen wird ein Klassifikator als Eingabedatum D4 zur Verfügung gestellt. Das Modell 2 lernt demnach implizit mit, wie die Trajektorien T1 bis Tn für jede Agentenklasse C1 bis Cm im Trajektorienset S angeordnet sind.This means that fixed and/or dynamic agent class-specific trajectory sets S are created and, using
In einer möglichen Ausgestaltung wird die Auswahl des jeweiligen Trajektoriensets S nicht nur in Abhängigkeit von der Agentenklasse C1 bis Cm durchgeführt, sondern zusätzlich in Abhängigkeit eines Umgebungszustands und/oder von visuellen Merkmalen und/oder eines Fahrverhaltens des Verkehrsteilnehmers.In one possible embodiment, the selection of the respective trajectory set S is not only carried out depending on the agent class C1 to Cm, but additionally depending on an environmental state and/or visual features and/or a driving behavior of the road user.
Dabei können der Umgebungszustand mittels
- - Wetterbedingungen und/oder
- - Umgebungslichtbedingungen, beispielsweise tiefstehende Sonne, und/oder
- - einer Fahrbahnbeschaffenheit, beispielsweise durch Erkennung von Niederschlägen, wie zum Beispiel Regen und/oder Schnee und/oder Eis, auf einer Fahrbahnoberfläche,
- - Lichtzeichen von Verkehrsanlagen, beispielsweise Verkehrsampeln, und/oder
- - Regelungsgehalten von Verkehrszeichen und/oder
- - Lichtzeichen von Verkehrsteilnehmern, beispielsweise mittels eines Fahrtrichtungsanzeigers und/oder eines Rücklichts und/oder eines Bremslichts und/oder eines Rückfahrscheinwerfers und/oder einer Nebelschlussleuchte und/oder Warnleuchten eines Einsatzfahrzeugs,
- - eines Fahrzeugtyps und/oder
- - einer Geschwindigkeit des Verkehrsteilnehmers und/oder
- - einer Dynamik einer Bewegung des Verkehrsteilnehmers
- - Weather conditions and/or
- - Ambient light conditions, such as low sun, and/or
- - a road surface condition, for example by detecting precipitation, such as rain and/or snow and/or ice, on a road surface,
- - Traffic light signals, such as traffic lights, and/or
- - Regulatory content of traffic signs and/or
- - light signals from road users, for example by means of a direction indicator and/or a tail light and/or a brake light and/or a reversing light and/or a rear fog light and/or warning lights of an emergency vehicle,
- - a vehicle type and/or
- - a speed of the road user and/or
- - a dynamic movement of the road user
Weiterhin ist es möglich, dass die Auswahl des passenden Trajektoriensets S nicht durch manuell erstellte Regeln durchgeführt wird, sondern von einem neuronalen Netz erlernt wird.Furthermore, it is possible that the selection of the appropriate trajectory set S is not possible by manually created rules, but is learned by a neural network.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA accepts no liability for any errors or omissions.
Zitierte Nicht-PatentliteraturCited non-patent literature
- Tung Phan-Minh, Elena Corina Grigore, Freddy A. Boulton, Oscar Beijbom, Eric M. Wolff - CoverNet: Multimodal Behavior Prediction using Trajectory Sets; arXiv:1911.10298 [0003, 0031]Tung Phan-Minh, Elena Corina Grigore, Freddy A. Boulton, Oscar Beijbom, Eric M. Wolff - CoverNet: Multimodal Behavior Prediction using Trajectory Sets; arXiv:1911.10298 [0003, 0031]
- Yuning Chai, Benjamin Sapp, Mayank Bansal, Dragomir Anguelov - MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction; arXiv:1910.05449 [0004, 0031]Yuning Chai, Benjamin Sapp, Mayank Bansal, Dragomir Anguelov - MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction; arXiv:1910.05449 [0004, 0031]
Claims (7)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022004426.9A DE102022004426A1 (en) | 2022-11-28 | 2022-11-28 | Method for predicting movements of road users |
PCT/EP2023/078161 WO2024114988A1 (en) | 2022-11-28 | 2023-10-11 | Method for predicting movements of traffic participants |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022004426.9A DE102022004426A1 (en) | 2022-11-28 | 2022-11-28 | Method for predicting movements of road users |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022004426A1 true DE102022004426A1 (en) | 2024-05-29 |
Family
ID=88412143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022004426.9A Pending DE102022004426A1 (en) | 2022-11-28 | 2022-11-28 | Method for predicting movements of road users |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102022004426A1 (en) |
WO (1) | WO2024114988A1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015225751A1 (en) | 2015-12-17 | 2017-06-22 | Robert Bosch Gmbh | Method and device for predicting a movement of a road user in a traffic area |
DE102017212629A1 (en) | 2017-07-24 | 2019-01-24 | Bayerische Motoren Werke Aktiengesellschaft | Predicting the behavior of a road user |
DE102018211726A1 (en) | 2018-07-13 | 2020-01-16 | Audi Ag | Method for automatic machine training of an electronic vehicle guidance system, and motor vehicle |
DE102020129456A1 (en) | 2019-11-07 | 2021-05-12 | Motional Ad Llc | TRAJECTORY PREDICTION FROM A PRECALCULATED OR DYNAMICALLY GENERATED BANK OF TRAJECTORIES |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113168176A (en) * | 2018-10-17 | 2021-07-23 | 柯尼亚塔有限公司 | System and method for generating realistic simulation data for training automated driving |
CN115115084A (en) * | 2021-03-18 | 2022-09-27 | 伟摩有限责任公司 | Predicting future movement of an agent in an environment using occupancy flow fields |
-
2022
- 2022-11-28 DE DE102022004426.9A patent/DE102022004426A1/en active Pending
-
2023
- 2023-10-11 WO PCT/EP2023/078161 patent/WO2024114988A1/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015225751A1 (en) | 2015-12-17 | 2017-06-22 | Robert Bosch Gmbh | Method and device for predicting a movement of a road user in a traffic area |
DE102017212629A1 (en) | 2017-07-24 | 2019-01-24 | Bayerische Motoren Werke Aktiengesellschaft | Predicting the behavior of a road user |
DE102018211726A1 (en) | 2018-07-13 | 2020-01-16 | Audi Ag | Method for automatic machine training of an electronic vehicle guidance system, and motor vehicle |
DE102020129456A1 (en) | 2019-11-07 | 2021-05-12 | Motional Ad Llc | TRAJECTORY PREDICTION FROM A PRECALCULATED OR DYNAMICALLY GENERATED BANK OF TRAJECTORIES |
Non-Patent Citations (4)
Title |
---|
CHAI, Yuning [u.a.]: MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction. 12-10-2019. S. 1-14. URL: https://arxiv.org/pdf/1910.05449 [abgerufen am 2021-01-25]. - arXiv:1910.05449 |
PHAN-MINH, Tung [u.a.]: CoverNet: Multimodal behavior prediction using trajectory sets. Version 2. 01-04-2020. S. 1-12. URL: https://arxiv.org/pdf/1911.10298v2 [abgerufen am 2020-11-19]. - arXiv: 1911.10298v2 |
Tung Phan-Minh, Elena Corina Grigore, Freddy A. Boulton, Oscar Beijbom, Eric M. Wolff - CoverNet: Multimodal Behavior Prediction using Trajectory Sets; arXiv:1911.10298 |
Yuning Chai, Benjamin Sapp, Mayank Bansal, Dragomir Anguelov - MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction; arXiv:1910.05449 |
Also Published As
Publication number | Publication date |
---|---|
WO2024114988A1 (en) | 2024-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102014225804A1 (en) | Assistance in driving a vehicle | |
DE102015015021A1 (en) | Method for assisting a driver in driving a vehicle | |
DE102013020435A1 (en) | Method for recognizing objects e.g. lorry, in vehicle environment, involves performing rough categorization of objects based on volume and parameters, and performing fine categorization of objects based on to be fine-categorized object | |
DE102021109395A1 (en) | METHODS, SYSTEMS AND DEVICES FOR USER UNDERSTANDABLE EXPLAINABLE LEARNING MODELS | |
DE102019003431A1 (en) | Method for operating a vehicle designed as an automated, in particular highly automated or autonomous driving mode | |
DE102017211387A1 (en) | System and method for automated maneuvering of an ego vehicle | |
DE102018212033A1 (en) | Method and control device for determining a travel trajectory for a transverse dynamic driving maneuver for a vehicle | |
DE102013019622A1 (en) | Method for detecting traffic light of vehicle i.e. motor car, involves comparing environmental and traffic information for determining traffic light positions and/or light signal information of traffic light with external memory in vehicle | |
DE102018124161A1 (en) | Method for at least partially automated driving of a motor vehicle on a roadway | |
DE112021006846T5 (en) | Systems and methods for scenario-dependent trajectory evaluation | |
DE102019114626B4 (en) | Motor vehicle with a system for checking hardware in a motor vehicle | |
DE102019217533A1 (en) | Method for estimating a coverage of the area of traffic scenarios | |
DE102021000792A1 (en) | Method for operating a vehicle | |
DE102017223621A1 (en) | Method and control unit for controlling a function of an at least partially automated vehicle | |
EP4022535A1 (en) | Classification of ai modules | |
DE102017204393A1 (en) | A method for driving a driving operation of a vehicle | |
DE102022004426A1 (en) | Method for predicting movements of road users | |
DE102019129737A1 (en) | Method for classifying an environment of a vehicle | |
DE102019204187A1 (en) | Classification and temporal recognition of tactical driving maneuvers by road users | |
Yan et al. | Application of fuzzy control under time-varying universe in unmanned vehicles | |
DE102021207456A1 (en) | Method for at least partially automated driving of a motor vehicle | |
DE102020103507A1 (en) | ONLINE DRIVING PERFORMANCE EVALUATION WITH SPATIAL AND TEMPORARY TRAFFIC INFORMATION FOR AUTONOMOUS DRIVING SYSTEMS | |
DE102020206256A1 (en) | Method for displaying and / or outputting a speed limit for a vehicle and method for outputting information about a speed limit to a vehicle | |
DE102010025977A1 (en) | Method for recognizing of driving maneuver of motor vehicle, involves defining of driving maneuver as sequence of base elements, where each base element is defined by fuzzy rule | |
DE102017004770A1 (en) | Method for operating a driver assistance system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |