DE102022101233A1 - Verkehrssimulation und strassennetzmodellierung für autonome fahrzeuge - Google Patents

Verkehrssimulation und strassennetzmodellierung für autonome fahrzeuge Download PDF

Info

Publication number
DE102022101233A1
DE102022101233A1 DE102022101233.6A DE102022101233A DE102022101233A1 DE 102022101233 A1 DE102022101233 A1 DE 102022101233A1 DE 102022101233 A DE102022101233 A DE 102022101233A DE 102022101233 A1 DE102022101233 A1 DE 102022101233A1
Authority
DE
Germany
Prior art keywords
vehicle
driving
processor
graph node
graph
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
Application number
DE102022101233.6A
Other languages
English (en)
Inventor
Archak Mittal
James Fishelson
Yifan Chen
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of DE102022101233A1 publication Critical patent/DE102022101233A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Transportation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)

Abstract

Ein Verfahren zum Verbessern der Rechengeschwindigkeit eines Fahrzeugmodellierungsprozessors beinhaltet Diskretisieren einer Straßenkarte eines kontinuierlichen Raums durch Erzeugen eines ersten Graphenknotens, der einem ersten Infrastrukturmerkmal und einem ersten Gebiet zugeordnet ist, und Erzeugen eines zweiten Graphenknotens, der einem zweiten Infrastrukturmerkmal und einem zweiten Gebiet zugeordnet ist. Das System bestimmt ein erstes Graphenknotengebiet, das dem ersten Graphenknoten zugeordnet ist, bestimmt ein zweites Graphenknotengebiet, das dem zweiten Graphenknoten zugeordnet ist, und bestimmt eine Vernetzungsgliedart, die den ersten Graphenknoten mit dem zweiten Graphenknoten vernetzt, und berechnet einen Satz von Wahrscheinlichkeiten für Knoten, die durch einen Fahrzeugagenten aus einer Vielzahl von Fahrzeugagenten belegt sind. Das System erzeugt eine Simulation, die eine Fahrzeugagentenfahrhandlung auf Grundlage eines Satzes von Fahrhandlungswahrscheinlichkeiten modelliert. Die Verarbeitungsleistung des Modellierungscomputers wird verbessert, indem Berechnungen für nicht belegte Knoten unter Verwendung von Regeln für zelluläre Automaten weggelassen werden.

Description

  • QUERVERWEIS AUF VERWANDTE PATENTANMELDUNG(EN)
  • Diese Anmeldung beansprucht den Vorteil der vorläufigen US-Anmeldung Nr. 63/139,276 , eingereicht am 19. Januar 2021, deren Offenbarung durch Bezugnahme vollständig wie dargelegt aufgenommen ist.
  • GEBIET DER TECHNIK
  • Die Offenbarung ist dazu konfiguriert und/oder programmiert, einen diskreten Modellierungsansatz für die Verkehrssimulation unter Verwendung von Logikregeln für zelluläre Automaten (cellular automata - CA) in Kombination mit realen Verkehrsdaten umzusetzen, um eine automatisch kalibrierte Verkehrssimulation wie in dieser Schrift beschrieben zu erschaffen.
  • ALLGEMEINER STAND DER TECHNIK
  • Es ist wünschenswert, den Verkehrsfluss vernetzter und automatisierter Fahrzeuge (connected and automated vehicle - CAV) sowohl auf der Fahrzeug- als auch auf der Systemebene auf eine Weise zu simulieren, die flexibel, schnell, genau, skalierbar und cyber-sicher ist. Aktuelle Techniken simulieren einzelne Fahrzeugbewegungen über ihre Interaktionen miteinander, was es ermöglicht, die CAV-Leistung frühzeitig zu untersuchen und ihre Auswirkungen auf den Transport zu bewerten. Gegenwärtig sind verschiedene Werkzeuge zum Simulieren des Fahrzeugverhaltens verfügbar, wenn sich CAVs in den allgemeinen Verkehr mit von Menschen gefahrenen Fahrzeugen integrieren. Es gibt jedoch erhebliche Einschränkungen bei bestehenden Werkzeugen, die sie daran hindern, CAVs effizient zu simulieren. Diese Werkzeuge sind (i) sehr detaillierte, parametrisierte Modelle für Fahrerverhalten; (ii) gut darin, herkömmliche Fahrzeuge und gegenwärtigen Verkehr darzustellen; und (iii) schlecht beim Simulieren von CAVs oder anderen unbekannten Modi, wobei typischerweise entweder grobe Schätzungen (endogen, aber ungenau) verwendet werden oder eine Co-Simulation (exogen) erforderlich ist.
  • Das Simulieren des CAV-Verkehrsflusses weist mehrere einzigartige Herausforderungen auf. Zum Beispiel sind CAVs keine einzelne Art von Fahrzeugen und viele Faktoren beeinflussen ihre Leistung. CAVs verhalten sich anders als von Menschen gefahrene Fahrzeuge, mit begrenzten realen Daten, um eine Kalibrierung zu ermöglichen. Selbst Richtungsbefunde können schwierig sein, wie etwa die Erzeugung zuverlässiger Vorhersagen, die bestimmen, ob die Integration autonomer Fahrzeuge (autonomous vehicle - AVs) in den von Menschen gefahrenen Fahrzeugverkehr die Fahrbahnstauung erhöhen oder verringern wird. Herkömmlichen Werkzeugen kann es zudem an Simulations- und Modellierungseffizienz mangeln, wenn Umgebungsbedingungen, wie etwa Spursperrungen, Straßenqualitätsänderungen und Wetterbedingungen, die Verkehrsmuster verändern können, modelliert werden.
  • Die Offenbarung in dieser Schrift wird in Bezug auf diese und andere Erwägungen dargelegt.
  • KURZDARSTELLUNG
  • Die Systeme und Verfahren, die in dieser Schrift offenbart sind, sind dazu konfiguriert und/oder programmiert, einen diskreten Modellierungsansatz für die Verkehrssimulation unter Verwendung von Logikregeln für zelluläre Automaten (CA) in Kombination mit realen Verkehrsdaten umzusetzen, um eine automatisch kalibrierte Verkehrssimulation wie in dieser Schrift beschrieben zu erschaffen.
  • In einigen Ausführungsformen erschafft das System ein flexibles Gitternetz, um eine Gebietskarte von realen Fahrbahnen zu diskretisieren, um vernetzte autonome Fahrzeuge (CAVs) zu modellieren, wie sie auf verschiedenen Arten von Fahrbahnen in verschiedenen Verkehrssituationen betrieben würden, die auch von Menschen gefahrenen Verkehr berücksichtigen. Aspekte der vorliegenden Offenbarung beschreiben Systeme, die die Genauigkeit und Recheneffizienz für CA-Verkehrssimulationscomputer verbessern können, wenn sie Schlüsselleistungsindikator-(key performance indicator - KPI-)Daten auswerten, modellieren und erzeugen, die CAVs und anderen Fahrzeugverkehr in realen Straßennetzen messen. Beispielhafte KPIs können Verkehrsdurchsatz (Fahrzeuge pro Stunde pro Spur), Fahrgeschwindigkeit, Kraftstoffverbrauch, Verzögerung an einer Kreuzung, Warteschlangenlänge oder andere Indikatoren des Verkehrsflusses beinhalten.
  • Ein System und ein Verfahren umfassen das Verwenden eines doppelt tiefen neuronalen Netzes, um genaue CA-Modelle zu erschaffen, wenn es einen Mangel an Daten für autonom gefahrene Fahrzeuge gibt.
  • Ein System und ein Verfahren umfassen Erschaffen einer CA-basierten Umgebung, um mehrere Fahrzeugarten gleichzeitig zu emulieren. In einigen Aspekten können die Fahrzeugarten autonome Fahrzeuge (AVs), von Menschen gefahrene Fahrzeuge, drahtlos vernetzte Fahrzeuge und andere Fahrzeugarten beinhalten, wie in den folgenden Ausführungsformen beschrieben.
  • In einigen Aspekten kann ein mikroskaliges Modellierungssystem für ein vernetztes autonomes Fahrzeug (CAV) (nachfolgend „CAV-Modellierungssystem“) Techniken zellulärer Automaten (CA) anwenden, um herkömmliche Karten eines kontinuierlichen Raums, wie etwa zum Beispiel Straßen- und Infrastrukturkarten, in die diskretisierten gerichteten Graphen zu importieren und umzuwandeln. In einigen Aspekten können die Straßen- und Infrastrukturkarten Kartendarstellungen von Straßen, Kreuzungen, Verkehrssignalen, Abbiegespuren, Fahrbahnrichtungsinformationen und anderen Eigenschaften, die realer Infrastruktur zugeordnet sind, beinhalten. Das CAV-Modellierungssystem kann einen flexiblen Graphen erzeugen, der in vernetzte Knoten diskretisiert wird. Das offenbarte System gibt flexible und skalierbare Verkehrssimulationen für CAV- und von Menschen gefahrenen Fahrzeugverkehr mit Flexibilität aus, was eine einfache Verwendung ermöglicht, und mit Techniken, die die Leistung von Computerverarbeitungsvorrichtungen verbessern, die das Modell ausführen.
  • In einigen Ausführungsformen wendet das CAV-Modellierungssystem vereinfachte CA-Regelsätze an, um komplexe Phänomene menschlichen Verhaltens genau darzustellen, während es große Flexibilität und einfache Modifikationen bereitstellt. Das CAV-Modellierungssystem ist dazu konfiguriert und/oder programmiert, reale Fahrerdaten zu empfangen und das System durch Kalibrieren und Trainieren von grundlegenden CA-Fahrermodellen zu aktualisieren. Die CA-Fahrermodelle können mikroskalige hierarchische probabilistische Verhaltensregeln beinhalten.
  • In einer anderen Ausführungsform stellt die Offenbarung eine endogene Modellierung des CAV-Fahrverhaltens in der virtuellen Umgebung bereit. Zum Beispiel können die Systeme und Verfahren die AV-Logik unter Verwendung eines doppelt tiefen neuronalen Netzes mit Selbstlernfähigkeiten in einfache CA-Regeln mit leicht einstellbaren Parametern umwandeln. In einigen Aspekten kann das CAV-Modellierungssystem AV-Fahrermodelle unter Verwendung eines Greedy-Algorithmus iterativ trainieren. In anderen Aspekten kann das CAV-Modellierungssystem eine Benutzerschnittstelle beinhalten, die eine elegante Steuerumgebung bereitstellt, die es Benutzern ermöglicht, neue Parameter für verschiedene Fahrzeugarten/-verhalten hinzuzufügen, wobei Steuermerkmale Parameter zur Regelumsetzung zuweisen.
  • In einer anderen beispielhaften Ausführungsform erzeugt das CAV-Modellierungssystem ausführbare Anweisungssätze, um vernetzte Fahrzeuge als „informierte AVs“ zu modellieren, die sich den Handlungen und der Kinematik anderer vernetzter Fahrzeuge bewusst sind und diese Daten von anderen vernetzten Fahrzeugen oder Infrastrukturknoten innerhalb ihres Erfassungsbereichs empfangen. Das System ist dazu konfiguriert und/oder programmiert, die modellierten vernetzten Fahrzeuge getrennt oder kombiniert mit Automatisierung mit einem einstellbaren Erfassungsbereich zu betrachten, der durch eine vom Benutzer auswählbare zelluläre Dimension definiert ist, die diskretisierten Eigenschaften der modellierten Umgebung zugeordnet sein kann.
  • Diese und andere Vorteile der vorliegenden Offenbarung werden in dieser Schrift ausführlicher bereitgestellt.
  • Figurenliste
  • Die detaillierte Beschreibung wird unter Bezugnahme auf die beigefügten Zeichnungen dargelegt. Die Verwendung der gleichen Bezugszeichen kann ähnliche oder identische Elemente angeben. Für verschiedene Ausführungsformen können andere Elemente und/oder Komponenten als die in den Zeichnungen veranschaulichten genutzt werden und einige Elemente und/oder Komponenten sind in verschiedenen Ausführungsformen unter Umständen nicht enthalten. Elemente und/oder Komponenten in den Figuren sind nicht zwingend maßstabsgetreu gezeichnet. Für die gesamte Offenbarung gilt, dass Terminologie im Singular und Plural in Abhängigkeit vom Kontext austauschbar verwendet werden kann.
    • 1 bildet eine beispielhafte Rechenumgebung ab, in der Techniken und Strukturen zum Bereitstellen der in dieser Schrift offenbarten Systeme und Verfahren umgesetzt sein können.
    • 2A veranschaulicht eine Verkehrssimulation, die Fahrzeugverkehr und Stoßwellenausbreitung unter Verwendung von zellulären Automaten (CA) gemäß der vorliegenden Offenbarung zeigt.
    • 2B bildet eine Vielzahl von Graphenknoten in einem CA-Modell gemäß der vorliegenden Offenbarung ab.
    • 3A veranschaulicht eine beispielhafte Benutzerschnittstelle des offenbarten CA-Modellierungssystems gemäß der vorliegenden Offenbarung.
    • 3B-3D bilden beispielhafte Straßennetzmodelle gemäß Ausführungsformen der vorliegenden Offenbarung ab.
    • 4 bildet ein Ablaufdiagramm eines beispielhaften Verfahrens zum Verbessern der Rechengeschwindigkeit eines Fahrzeugmodellierungsprozessors gemäß der vorliegenden Offenbarung ab.
    • 5 ist eine beispielhafte programmatische Logik zum Steuern eines vernetzten autonomen Fahrzeugs gemäß der vorliegenden Offenbarung.
    • 6 veranschaulicht das Umwandeln einer kontinuierlichen Fahrbahnkarte in einen diskretisierten Graphenknotenmodus gemäß Ausführungsformen der vorliegenden Offenbarung.
    • 7 bildet einen Graphen von Belohnungsfunktionsattributen gemäß Ausführungsformen der vorliegenden Offenbarung ab.
  • DETAILLIERTE BESCHREIBUNG
  • Die Offenbarung wird nachfolgend unter Bezugnahme auf die beigefügten Zeichnungen, in denen beispielhafte Ausführungsformen der Offenbarung gezeigt sind, ausführlicher beschrieben und soll nicht einschränkend sein.
  • Das Simulieren des CAV-Verkehrsflusses weist mehrere einzigartige Herausforderungen auf. Zum Beispiel sind CAVs keine einzelne Fahrzeugart, sondern können vielmehr verschiedene Formen annehmen und unterschiedliche Navigations- und Betriebsfähigkeiten aufweisen. Viele Faktoren können ihre Leistung beeinflussen. Sobald sie von der breiten Öffentlichkeit weitgehend angenommen werden, werden CAVs anders als von Menschen gefahrene Fahrzeuge mit begrenzten realen Daten handeln, um eine Kalibrierung ihrer Betriebsverarbeitung zu ermöglichen. Selbst Richtungsbefunde können schwierig sein, wie etwa die Erzeugung zuverlässiger Vorhersagen, die bestimmen, ob die Integration von AVs in den von Menschen gefahrenen Fahrzeugverkehr die Fahrbahnstauung erhöhen oder verringern wird.
  • Dementsprechend sind zelluläre Automaten-(CA-)Ansätze und insbesondere die in dieser Schrift beschriebenen Ansätze gut geeignet für unbekannte Landschaften und aufkommende Phänomene, die diese Probleme angehen können. Herkömmlichen Werkzeugen kann es zudem an Simulations- und Modellierungseffizienz mangeln, wenn Umgebungsbedingungen, wie etwa Spursperrungen, Straßenqualitätsänderungen und Wetterbedingungen, die Verkehrsmuster verändern können, modelliert werden. Darüber hinaus stellen herkömmliche CAV-Verkehrsmodellierungssysteme möglicherweise keine Verkehrsmodellierung für den von Menschen gefahrenen Fahrzeugverkehr bereit, und sie wurden auch verwendet, um den CAV-Verkehr zu modellieren. Es kann daher vorteilhaft sein, ein System bereitzustellen, das komplexe CAV- und von Menschen gefahrene Verkehrsszenarien modellieren kann, ohne ein überwältigendes Volumen an Rechenanforderungen an die Prozessoren bereitzustellen, die zum Ausführen der Modelle verwendet werden. Anders ausgedrückt ist ein System, das dazu konfiguriert und/oder programmiert ist, CAV- und von Menschen gefahrenen Fahrzeugverkehr zu modellieren, das die Funktionalität der Rechenplattform verbessert, aus vielen Gründen vorteilhaft.
  • 1 bildet eine beispielhafte Rechenumgebung 100 ab, die ein Fahrzeug 105 beinhalten kann, das ein Beispiel für ein Fahrzeug sein kann, dessen Betrieb unter Verwendung des offenbarten Systems modelliert wird. Das Fahrzeug 105 kann einen Automobilcomputer 145 und eine Fahrzeugsteuereinheit (Vehicle Controls Unit - VCU) 165 beinhalten, die eine Vielzahl von elektronischen Steuereinheiten (electronic control units - ECUs) 117 beinhalten kann, die in Kommunikation mit dem Automobilcomputer 145 angeordnet sind.
  • Das Fahrzeug 105 kann außerdem ein globales Positionsbestimmungssystem (Global Positioning System - GPS) 175 empfangen und/oder mit diesem in Kommunikation stehen. Das GPS 175 kann ein Satellitensystem (wie in 1 abgebildet) sein, wie etwa das globale Navigationssatellitensystem (global navigation satellite system - GLNSS), Galileo oder ein Navigationssystem oder ein anderes ähnliches System. In anderen Aspekten kann das GPS 175 ein terrestrisches Navigationsnetzwerk sein. In einigen Ausführungsformen kann das Fahrzeug 105 eine Kombination aus GPS und Koppelnavigation als Reaktion darauf, dass bestimmt wird, dass eine Schwellenwertanzahl an Satelliten nicht erkannt wurde, nutzen.
  • Der Automobilcomputer 145 kann eine elektronische Fahrzeugsteuerung sein oder beinhalten, die einen oder mehrere Prozessoren 150 und einen Speicher 155 aufweist. Der Fahrzeugcomputer 145 kann in einigen beispielhaften Ausführungsformen in Kommunikation mit einem oder mehreren Servern 170 angeordnet sein. Der eine oder die mehreren Server 170 können Teil einer cloudbasierten Recheninfrastruktur sein und einem Telematik-Dienstbereitstellungsnetz (Service Delivery Network - SDN) zugeordnet sein und/oder ein solches beinhalten, das dem Fahrzeug 105 und anderen Fahrzeugen (in 1 nicht gezeigt), die Teil einer Fahrzeugflotte sein können, digitale Datendienste bereitstellt. Wie hierin verwendet, kann sich die Fahrzeugflotte auf verwandte oder nicht verwandte Fahrzeuge beziehen, die auf Fahrbahnen betrieben werden, indem Informationen drahtlos miteinander ausgetauscht werden, die den Verkehrsfluss und den Betrieb jeweiliger Fahrzeuge auf den Fahrbahnen unterstützen.
  • Obwohl das Fahrzeug 105 als Geländelimousine veranschaulicht ist, kann es die Form eines anderen Passagier- oder Nutzwagens, wie zum Beispiel eines Autos, eines Trucks, eines Crossover-Fahrzeugs, eines Vans, eines Minivans, eines Taxis, eines Busses usw., annehmen und dazu konfiguriert und/oder programmiert sein, verschiedene Arten von Automobilantriebssystemen zu beinhalten. Beispielhafte Antriebssysteme können verschiedene Arten von Antriebssträngen von Brennkraftmaschinen (internal combustion engine - ICE) beinhalten, die einen mit Benzin, Diesel oder Erdgas angetriebenen Verbrennungsmotor mit herkömmlichen Antriebskomponenten, wie etwa einem Getriebe, einer Antriebswelle, einem Differential usw., aufweisen.
  • In einer anderen Konfiguration kann das Fahrzeug 105 als Elektrofahrzeug (electric vehicle - EV) konfiguriert sein. Insbesondere kann das Fahrzeug 105 ein Batterie-EV-(BEV-)Antriebssystem beinhalten oder als Hybrid-EV (HEV), das ein unabhängiges bordeigenes Triebwerk aufweist, oder als Plugin-HEV (PHEV), das einen HEV-Antriebsstrang beinhaltet, der mit einer externen Leistungsquelle verbunden werden kann, konfiguriert sein und/oder es beinhaltet einen Parallel- oder Serien-Hybridantriebsstrang, der ein Verbrennungsmotortriebwerk und ein oder mehrere EV-Antriebssysteme aufweist. HEVs können ferner Batterie- und/oder Superkondensatorbänke zur Leistungsspeicherung, Schwungradleistungsspeichersysteme oder andere Infrastruktur zur Leistungserzeugung und - speicherung beinhalten. Das Fahrzeug 105 kann ferner als Brennstoffzellenfahrzeug (fuel cell vehicle - FCV), das unter Verwendung einer Brennstoffzelle flüssigen oder festen Kraftstoff in nutzbare Leistung umwandelt (z. B. Antriebsstrang eines Fahrzeugs mit Wasserstoffbrennstoffzelle (hydrogen fuel cell vehicle - HFCV) usw.) und/oder als eine beliebige Kombination aus diesen Antriebssystemen und Komponenten konfiguriert sein.
  • Ferner kann das Fahrzeug 105 ein manuell gefahrenes Fahrzeug sein und/oder dazu konfiguriert und/oder programmiert sein, in einem vollständig autonomen (z. B. fahrerlosen) Modus (z. B. Autonomiestufe 5) oder in einem oder mehreren Teilautonomiemodi betrieben zu werden, die Fahrerassistenztechnologien beinhalten können. Beispiele für Teilautonomiemodi (oder Fahrerassistenzmodi) sind auf dem Fachgebiet weithin als Autonomiestufe 1 bis 4 bekannt.
  • Ein Fahrzeug, das eine Automatisierung der Autonomiestufe 0 aufweist, kann keine autonomen Fahrmerkmale beinhalten. Ein Fahrzeug, das eine Automatisierung der Autonomiestufe 1 aufweist, kann ein einzelnes automatisiertes Fahrerassistenzmerkmal, wie etwa Lenk- oder Beschleunigungsassistenz, beinhalten. Adaptive Geschwindigkeitsregelung ist ein derartiges Beispiel für ein System der Autonomiestufe 1, das Aspekte sowohl der Beschleunigung als auch der Lenkung beinhaltet. Autonomiestufe 2 bei Fahrzeugen kann Fahrerassistenztechnologien bereitstellen, wie etwa eine partielle Automatisierung der Lenk- und Beschleunigungsfunktionalität, wobei das bzw. die automatisierten Systeme von einem menschlichen Fahrer überwacht wird/werden, der nicht automatisierte Vorgänge wie etwa Bremsen und andere Steuerungsvorgänge vornimmt. In einigen Aspekten mit Merkmalen der Autonomiestufe 2 und höher kann ein primärer Benutzer das Fahrzeug 140 steuern, während sich der Benutzer innerhalb des Fahrzeugs befindet, oder in einigen beispielhaften Ausführungsformen von einem Standort entfernt vom Fahrzeug, aber innerhalb einer Steuerzone, steuern, die sich bis zu mehrere Meter vom Fahrzeug entfernt erstreckt, während es sich im Fernbetrieb befindet. Autonomiestufe 3 in einem Fahrzeug kann bedingte Automatisierung und Steuerung von Fahrmerkmalen bereitstellen. Beispielsweise kann eine Autonomiestufe 3 des Fahrzeugs „Umgebungserfassungs“-Fähigkeiten beinhalten, bei denen das autonome Fahrzeug (AV) unabhängig von einem vorhandenen Fahrer informierte Entscheidungen treffen kann, wie etwa Beschleunigen an einem sich langsam bewegenden Fahrzeug vorbei, während der vorhandene Fahrer jederzeit bereit ist, wieder die Steuerung des Fahrzeugs zu übernehmen, falls das System nicht in der Lage ist, die Aufgabe auszuführen. AVs mit Autonomiestufe 4 können unabhängig von einem menschlichen Fahrer betrieben werden, aber weiterhin Bedienelemente für den Menschen für den Übersteuerungsbetrieb beinhalten. Die Autonomiestufe 4 kann es zudem ermöglichen, dass ein Selbstfahrmodus als Reaktion auf einen vordefinierten bedingten Auslöser, wie etwa eine Gefahr im Straßenverkehr oder ein Systemereignis, eingreift. AVs mit Autonomiestufe 5 können vollständig autonome Fahrzeugsysteme beinhalten, die keine menschliche Eingabe für den Betrieb erfordern und keine Bedienelemente für menschliches Fahren beinhalten können. Dementsprechend kann das CAV-Modellierungssystem 107 dem Fahrzeug 105 Anweisungssätze bereitstellen, die einige Aspekte einer Steuerung steuern, wenn das Fahrzeug als AV konfiguriert ist.
  • Die drahtlose(n) Verbindung(en) 130 kommuniziert/kommunizieren, wie in 1 dargestellt, über das eine oder die mehreren Netzwerke 125 und über eine oder mehrere drahtlose Verbindungen, bei denen es sich um eine oder mehrere direkte Verbindungen zwischen dem Fahrzeug 105 und anderen Vorrichtungen handeln kann. Die eine oder die mehreren drahtlosen Verbindung 130 können verschiedene Low-Energy-Protokolle, einschließlich beispielsweise Bluetooth®, Bluetooth®-Low-Energy (BLE®), UWB (Ultra-Wideband, Ultrabreitband), Nahfeldkommunikation (near field communication - NFC), oder andere Protokolle beinhalten. CAVs oder vernetzte, aber von Menschen gefahrene Fahrzeuge können Informationen auch ohne einen dazwischenliegenden Server oder ein verteiltes Rechensystem direkt austauschen.
  • Das/die Netzwerk(e) 125 veranschaulicht/veranschaulichen eine beispielhafte Kommunikationsinfrastruktur, in der die verbundenen Vorrichtungen, die in verschiedenen Ausführungsformen dieser Offenbarung erörtert werden, kommunizieren können. Das/die Netzwerk(e) 125 kann/können das Internet, ein privates Netzwerk, ein öffentliches Netzwerk oder eine andere Konfiguration sein und/oder beinhalten, die unter Verwendung eines oder mehrerer bekannter Kommunikationsprotokolle betrieben werden, wie zum Beispiel Transmission Control Protocol/Internet Protocol (TCP/IP), Bluetooth®, BLE®, WLAN auf Grundlage des Standards 802.11 des Institute of Electrical and Electronics Engineers (IEEE), UWB und Mobilfunktechnologien, wie etwa Time Division Multiple Access (TDMA), Code Division Multiple Access (CDMA), High Speed Packet Access (HSPDA), Long-Term Evolution (LTE), Global System for Mobile Communications (GSM) und Fifth Generation (5G), um nur einige Beispiele zu nennen.
  • Der Automobilcomputer 145 kann in einem Motorraum des Fahrzeugs 105 (oder an anderer Stelle im Fahrzeug 105) installiert sein und als Funktionsbestandteil des CAV-Modellierungssystems 107 gemäß der Offenbarung fungieren. Der Automobilcomputer 145 kann einen oder mehrere Prozessoren 150 und einen computerlesbaren Speicher 155 beinhalten.
  • Der eine oder die mehreren Prozessoren 150 können in Kommunikation mit einer oder mehreren Speichervorrichtungen angeordnet sein, die in Kommunikation mit den jeweiligen Rechensystemen angeordnet sind (z. B. dem Speicher 155 und/oder einer oder mehreren externen Datenbanken 169). Der/die Prozessor(en) 150 kann/können den Speicher 155 nutzen, um Programme in Code zu speichern und/oder um Daten zum Durchführen von Aspekten gemäß der Offenbarung zu speichern. Der Speicher 155 kann ein nicht transitorischer computerlesbarer Speicher sein, der CAV-Programmcode speichert. Der CAV-Programmcode kann eine Ausgabe vom CAV-Modellierungssystem 107 sein oder beinhalten, wobei das System einen funktionalen Anweisungssatz für ein autonomes Fahrzeug erzeugt und verbessert. Der Speicher 155 kann ein beliebiges oder eine Kombination von flüchtigen Speicherelementen (z. B. dynamischem Direktzugriffsspeicher (dynamic random access memory - DRAM), synchronem dynamischem Direktzugriffsspeicher (SDRAM) usw.) beinhalten und ein beliebiges oder mehrere beliebige nichtflüchtige Speicherelemente (z. B. löschbaren programmierbaren Festwertspeicher (erasable programmable read-only memory - EPROM), Flash-Speicher, elektronisch löschbaren programmierbaren Festwertspeicher (EEPROM), programmierbaren Festwertspeicher (PROM) usw.) beinhalten.
  • Die VCU 165 kann einen Leistungsbus 178 gemeinsam mit dem Automobilcomputer 145 nutzen und dazu konfiguriert und/oder programmiert sein, die Daten zwischen Systemen des Fahrzeugs 105, verbundenen Servern (z. B. dem/den Server(n) 170) und anderen Fahrzeugen (in 1 nicht gezeigt), die als Teil einer Fahrzeugflotte betrieben werden, zu koordinieren. Die VCU 165 kann eine beliebige Kombination der ECUs 117 beinhalten oder mit diesen kommunizieren, wie etwa zum Beispiel ein Karosseriesteuermodul (Body Control Module - BCM) 193, ein Motorsteuermodul (Engine Control Module - ECM) 185, ein Getriebesteuermodul (Transmission Control Module - TCM) 190, die TCU 160, eine Fahrerassistenztechnologie-(Driver Assistance Technology - DAT-)Steuerung 199 usw. Die VCU 165 kann ferner ein Fahrzeugwahrnehmungssystem (Vehicle Perception System - VPS) 181 beinhalten und/oder damit kommunizieren, das Konnektivität mit einem oder mehreren Fahrzeugsensoriksystemen 182 aufweist und/oder diese steuert. In einigen Aspekten kann die VCU 165 Betriebsaspekte des Fahrzeugs 105 aus einem oder mehreren Anweisungssätzen steuern, die im computerlesbaren Speicher 155 des Automobilcomputers 145 gespeichert sind, einschließlich Anweisungen, die durch das CAV-Modellierungssystem 107 erzeugt werden.
  • Die TCU 160 kann dazu konfiguriert und/oder programmiert sein, Fahrzeugkonnektivität mit drahtlosen Rechensystemen an Bord und außerhalb des Fahrzeugs 105 bereitzustellen, und kann einen Navigationsempfänger (NAV) 188 zum Empfangen und Verarbeiten eines GPS-Signals von dem GPS 175, ein BLE®-Modul (BLEM) 195, einen Wi-Fi-Sendeempfänger, einen UWB-Sendeempfänger und/oder andere drahtlose Sendeempfänger (in 1 nicht gezeigt) beinhalten, die zur drahtlosen Kommunikation zwischen dem Fahrzeug 105 und anderen Systemen, Computern und Modulen konfigurierbar sein können. Die TCU 160 kann mittels eines Busses 180 in Kommunikation mit den ECUs 117 angeordnet sein. In einigen Aspekten kann die TCU 160 als Knoten in einem CAN-Bus Daten abrufen und Daten senden.
  • Das BLEM 195 kann eine drahtlose Kommunikation unter Verwendung von Bluetooth®- und BLE®-Kommunikationsprotokollen herstellen, indem es kleine Werbepakete aussendet und/oder nach Aussendungen kleiner Werbepakete Ausschau hält und Verbindungen mit antwortenden Vorrichtungen herstellt, die gemäß in dieser Schrift beschriebenen Ausführungsformen konfiguriert sind. Zum Beispiel kann das BLEM 195 Konnektivität mit einer Vorrichtung mit generischem Attributprofil (Generic Attribute Profile - GATT) für Client-Vorrichtungen beinhalten, die auf GATT-Befehle und -Anforderungen reagieren oder diese einleiten.
  • Der Bus 180 kann als Controller-Area-Network-(CAN-)Bus konfiguriert sein, der mit einem seriellen Busstandard mit mehreren Mastern zum Verbinden von zwei oder mehr der ECUs 117 als Knoten unter Verwendung eines nachrichtenbasierten Protokolls organisiert ist, das dazu konfiguriert und/oder programmiert sein kann, den ECUs 117 zu ermöglichen, miteinander zu kommunizieren. Der Bus 180 kann ein Highspeed-CAN sein (der Bit-Geschwindigkeiten von bis zu 1 Mbit/s auf dem CAN, 5 Mbit/s auf einem CAN mit flexibler Datenrate (CAN-FD) aufweisen kann) oder ein solches beinhalten und kann ein Lowspeed- oder fehlertolerantes CAN (bis zu 125 Kbit/s) beinhalten, das in einigen Konfigurationen eine lineare Buskonfiguration verwenden kann. In einigen Aspekten können die ECUs 117 mit einem Host-Computer (z. B. dem Automobilcomputer 145, und/oder dem CAV-Modellierungssystem 107, das auf dem/den Server(n) 170 in Betrieb sein oder diese beinhalten kann, usw.) kommunizieren und können zudem ohne die Notwendigkeit eines Host-Computers miteinander kommunizieren.
  • Die VCU 165 kann verschiedene Verbraucher direkt über die Kommunikation des Busses 180 steuern oder eine derartige Steuerung in Verbindung mit dem BCM 193 umsetzen. Die in Bezug auf die VCU 165 beschriebenen ECUs 117 sind nur zu Beispielzwecken bereitgestellt und sollen nicht einschränkend oder ausschließend sein. Steuerung und/oder Kommunikation mit anderen nicht in 1 gezeigten Steuermodulen ist möglich und eine derartige Steuerung wird in Betracht gezogen.
  • In einem Ausführungsbeispiel können die ECUs 117 Aspekte des Fahrzeugbetriebs und der Kommunikation unter Verwendung von Eingaben durch menschliche Fahrer, Eingaben von einer Steuerung des autonomen Fahrzeugs, dem CAV-Modellierungssystem 107 und/oder über drahtlose Signaleingaben, die über die eine oder mehreren drahtlosen Verbindungen 130 von anderen verbundenen Vorrichtungen empfangen werden, steuern. Die ECUs 117 können, wenn sie als Knoten im Bus 180 konfiguriert sind, jeweils eine zentrale Verarbeitungseinheit (central processing unit - CPU), eine CAN-Steuerung und/oder einen Sendeempfänger (in 1 nicht gezeigt) beinhalten.
  • Das BCM 193 beinhaltet im Allgemeinen die Integration von Sensoren, Fahrzeugleistungsindikatoren und variablen Drosseln, die Fahrzeugsystemen zugeordnet sind, und kann prozessorbasierte Leistungsverteilungsschaltungen beinhalten, die Funktionen steuern können, die der Fahrzeugkarosserie zugeordnet sind, wie etwa Leuchten, Fenster, Sicherheit, Türverriegelungen und Zugangssteuerung und verschiedene Komfortsteuerungen. Das BCM 193 kann zudem als Gateway für Bus- und Netzwerkschnittstellen betrieben werden, um mit entfernten ECUs (in 1 nicht gezeigt) zu interagieren.
  • Das BCM 193 kann eine beliebige oder mehrere Funktionen aus einem breiten Spektrum von Fahrzeugfunktionen koordinieren, einschließlich Energieverwaltungssystemen, Alarmen, Wegfahrsperren, Fahrer- und Mitfahrerzugangsberechtigungssystemen, Fahrerassistenzsystemen, AV-Steuersystemen, elektrischen Fensterhebern, Türen, Aktoren und anderen Funktionen usw. Das BCM 193 kann für die Fahrzeugenergieverwaltung, Außenbeleuchtungssteuerung, Scheibenwischerfunktionalität, elektrische Fensterheber- und Türfunktionalität, Heizungs-, Lüftungs- und Klimatisierungssysteme und Fahrerintegrationssysteme konfiguriert sein. In anderen Aspekten kann das BCM 193 die Funktionalität von Zusatzausrüstung steuern und/oder für die Integration einer derartigen Funktionalität zuständig sein.
  • Die DAT-Steuerung 199 kann automatisierte Fahr- und Fahrerassistenzfunktionen der Stufe 1 bis Stufe 3 bereitstellen, die zum Beispiel neben anderen Merkmalen aktive Einparkassistenz, Anhängerrückfahrassistenz, adaptive Geschwindigkeitsregelung, Spurhaltung und/oder Fahrerstatusüberwachung beinhalten können. Die DAT-Steuerung 199 kann zudem Aspekte von Benutzer- und Umgebungseingaben bereitstellen, die zur Benutzerauthentifizierung verwendet werden können. Authentifizierungsmerkmale können zum Beispiel biometrische Authentifizierung und Erkennung beinhalten.
  • Die DAT-Steuerung 199 kann Eingabeinformationen über das/die Sensoriksystem(e) 182 erhalten, das/die Sensoren beinhalten kann/können, die an der Innenseite und/oder Außenseite des Fahrzeugs angeordnet sind (Sensoren in 1 nicht gezeigt). Die DAT-Steuerung 199 kann die Sensorinformationen, die Fahrerfunktionen, Fahrzeugfunktionen und Umgebungseingaben zugeordnet sind, und andere Informationen empfangen. Die DAT-Steuerung 199 kann die Sensorinformationen zur Identifizierung von biometrischen Markern, die an Bord des Fahrzeugs 105 und/oder über den/die Server 170 in einem sicheren Datenspeicher für biometrische Daten (in 1 nicht gezeigt) gespeichert sind, charakterisieren.
  • In anderen Aspekten kann die DAT-Steuerung 199 auch dazu konfiguriert und/oder programmiert sein, Fahrerassistenz der Stufe 1 und/oder Stufe 2 zu steuern, wenn das Fahrzeug 105 Fahrmerkmale für autonome Fahrzeuge der Stufe 1 oder Stufe 2 beinhaltet. Die DAT-Steuerung 199 kann mit einem Fahrzeugwahrnehmungssystem (Vehicle Perception System - VPS) 181 verbunden sein und/oder dieses beinhalten, das interne und externe Sensoriksysteme (die gemeinsam als Sensoriksystem(e) 182 bezeichnet sind) beinhalten kann.
  • Eine AV-Steuerung (AV Controller - AVC) 196 kann eine Objekterfassung, eine Navigation durchführen und interaktive Navigationssteuerungsmerkmale für einen autonomen Fahrzeugbetrieb bereitstellen. Die AVC 196 kann gemäß den in dieser Schrift beschriebenen Ausführungsformen in Kommunikation mit dem CAV-Modellierungssystem 107 angeordnet sein und/oder dieses beinhalten. Zum Beispiel kann die AVC 196 (AVC 196) einen oder mehrere Fahrzeuganweisungssätze für ein vernetztes autonomes Fahrzeug empfangen, was die AVC dazu veranlassen kann, das Fahrzeug 105 in einem oder mehreren vorbestimmten Verkehrsszenarien zu steuern, die einer Simulation zugeordnet sind, die die Leistung des Fahrzeugs 105 in diesem konkreten Szenario modelliert und verbessert hat. In anderen Aspekten kann die AVC historische Betriebsdaten sammeln und die Daten wieder in das CAV-Modellierungssystem 107 einspeisen, um die Maschinenlernalgorithmen, die so in Betrieb sind, wie in einer oder mehreren Ausführungsformen beschrieben, zu verbessern.
  • Der Speicher 155 kann ausführbare Anweisungen, welche die grundlegende Funktion der AVC 196 umsetzen, und eine Datenbank von Orten in einem geografischen Gebiet beinhalten.
  • Wenn das Fahrzeug 105 als autonomes Fahrzeug der Stufe 5 konfiguriert ist, kann das VPS 181 einer autonomen Fahrzeugsteuerung (AVC) 196 zur autonomen Navigation Situationsbewusstsein bereitstellen. Zum Beispiel kann das VPS 181 einen oder mehrere Näherungssensoren beinhalten, einen oder mehrere Radio-Detection-and-Ranging(RADAR oder „Radar“)-Sensoren, die zum Erkennen und Lokalisieren von Objekten unter Verwendung von Funkwellen konfiguriert sind, einen Light-Detecting-and-Ranging(LiDAR oder „Lidar“)-Sensor, ein Sichtsensorsystem, das Fähigkeiten für Bewegungsbahnerkennung, Hinderniserkennung, Objektklassifizierung, erweiterte Realität und/oder andere Fähigkeiten aufweist, und/oder dergleichen beinhalten.
  • Der/Die Näherungssensor(en) des VPS 181 kann/können das AVC 196 auf das Vorhandensein von sensorisch erfassten Hindernissen aufmerksam machen und Bewegungsbahninformationen bereitstellen, wobei die Bewegungsbahninformationen sich bewegende Objekte oder Personen angeben, die mit dem Fahrzeug 105 interagieren können. Die Bewegungsbahninformationen können eines oder mehrere von einem relativen Abstand, einer Bewegungsbahn, einer Geschwindigkeit, einer Größenannäherung, einer Gewichtsannäherung und/oder anderen Informationen beinhalten, die physische Eigenschaften eines physischen Objektes oder einer Person angeben können. In anderen Aspekten kann das VPS 181 anderen Fahrzeugen, die drahtlos mit dem Fahrzeug 105 vernetzt sind und Informationen mit diesem teilen, Sensorikinformationen bereitstellen. Ein derartiges Szenario ist der „vernetzte“ Abschnitt von vernetzten autonomen Fahrzeugen, wie er auf dem Gebiet der autonomen Fahrzeugsteuerung verstanden wird.
  • Die AVC 196 kann dazu konfiguriert und/oder programmiert sein, Informationen von dem/den NAV 188, wie etwa die aktuelle Position und Geschwindigkeit, zusammen mit erfassten Hindernissen von dem VPS 181 zu aggregieren und die aggregierten Informationen zu interpretieren, um einen effizienten Weg in Richtung eines Ziels zu berechnen, sodass das Fahrzeug 105 Kollisionen vermeiden kann. Erfasste Hindernisse können andere Fahrzeuge, Fußgänger, Tiere, Strukturen, Bordsteine und andere zufällige Objekte beinhalten. In einigen Umsetzungen kann/können der/die Näherungssensor(en) dazu konfiguriert und/oder programmiert sein, die Querabmessungen des Wegs zu bestimmen, auf dem das Fahrzeug 105 fährt, z. B. das Bestimmen des relativen Abstands von der Seite eines Gehwegs oder Bordsteins, um Fahrzeugnavigation und Steuerung beim Aufrechterhalten der genauen Navigation auf einem konkreten Weg zu unterstützen.
  • In einigen Aspekten kann ein mikroskaliges Modellierungssystem für ein vernetztes autonomes Fahrzeug (CAV) (nachfolgend „CAV-Modellierungssystem“) Techniken zellulärer Automaten (CA) anwenden, um herkömmliche Karten eines kontinuierlichen Raums, wie etwa zum Beispiel Straßen- und Infrastrukturkarten, in die diskretisierten gerichteten Graphen zu importieren und umzuwandeln. In einigen Aspekten können die Straßen- und Infrastrukturkarten Kartendarstellungen von Straßen, Kreuzungen, Verkehrssignalen, Abbiegespuren, Fahrbahnrichtungsinformationen und anderen Eigenschaften, die realer Infrastruktur zugeordnet sind, beinhalten. Das CAV-Modellierungssystem kann einen flexiblen Graphen erzeugen, der in vernetzte Knoten diskretisiert wird. Das offenbarte System gibt flexible und skalierbare Verkehrssimulationen für CAV- und von Menschen gefahrenen Fahrzeugverkehr mit Flexibilität aus, was eine einfache Verwendung ermöglicht, und mit Techniken, die die Leistung von Computerverarbeitungsvorrichtungen verbessern, die das Modell ausführen.
  • Flexible Graphen können anstelle eines Gitters mit fester Größe morphologische räumliche Merkmale wie reale Fahrbahnen, Spurwechsel und Straßenkrümmungen handhaben. Zum Beispiel kann sich entlang von Autobahnen und Fahrbahnen der Abstand zwischen einzelnen Fahrbahnknoten auf Grundlage der tatsächlichen Verkehrsgeschwindigkeit adaptiv ändern. In einigen Aspekten kann sich das CAV-Modellierungssystem 107 an die Verkehrsflussbedingung konkreter Fahrbahnabschnitte anpassen, um die Zellen- (Knoten-) Größe aktiv zu ändern, um Fahrzeuge unterschiedlicher Größe aufzunehmen. Zum Beispiel kann der Sattelaufliegerverkehr Modelle mit wesentlich größerer Gittergröße erfordern als der Verkehr mit Motorrädern oder Kompaktfahrzeugen.
  • In anderen Aspekten ist es vorteilhaft, die Größe der Graphenknoten auf Grundlage der Fahrzeuggeschwindigkeit weiter zu skalieren, wobei eine Fahrt mit höherer Geschwindigkeit von größeren Abständen zwischen Knoten profitieren kann.
  • In einigen Ausführungsformen kann das CAV-Modellierungssystem 107 vereinfachte CA-Regelsätze anwenden, die komplexe Phänomene menschlichen und autonomen Fahrzeugverhaltens genau darstellen. Das CAV-Modellierungssystem 107 kann dazu programmiert und/oder konfiguriert sein, reale Fahrerdaten von vernetzten Fahrzeugsystemen (z. B. der AVC 196) zu empfangen und das CAV-Modellierungssystem 107 durch Kalibrieren und Trainieren von CA-Fahrermodellen zu aktualisieren, auf die auch in dieser Schrift als Fahrzeugagenten Bezug genommen wird. Die Fahrzeugagenten können mikroskalige hierarchische probabilistische Verhaltensregeln als Teil ihrer jeweiligen Anweisungssätze beinhalten, sodass die Fahrzeugagenten die Verhaltensregeln anwenden, wenn sie Verkehrsszenarien in der realen Welt simulieren. Diese Szenarien können Aspekte des Verkehrsflusses berücksichtigen und modellieren, die eine Stoßwellenausbreitung erzeugen können, wobei ein oder mehrere Fahrzeuge eine Handlung durchführen, die den Gesamtfluss des Verkehrs progressiv verlangsamt. Dies ist häufig eine Quelle einer Verkehrsstauung.
  • 2A veranschaulicht eine Verkehrssimulation, die Fahrzeugverkehr und Stoßwellenausbreitung unter Verwendung von zellulären Automaten (CA) gemäß der vorliegenden Offenbarung zeigt. Diese Figur veranschaulicht einen Graphen von Knoten 205, die durch Vernetzungsglieder 210 verbunden sind. Die Verkehrssimulation veranschaulicht einen Abschnitt einer diskretisierten Karte eines kontinuierlichen Raums, wobei jeder der größeren Kreise, die die Fahrzeugagenten 215 darstellen, autonome und von Menschen gefahrene Fahrzeuge modelliert, die auf den Fahrbahnen betrieben werden. Die Vernetzungsglieder 210 können jeweils Attribute beinhalten, die das Modellierungssystem darüber informieren, wie sich Fahrzeugagenten (die tatsächliche Fahrzeuge im Verkehr darstellen) bei verschiedenen Verkehrsszenarien verhalten können. Wie in 2A gezeigt, arbeiten die Fahrzeugagenten 215 in Verkehrsszenarien mit einer Fahrgeschwindigkeit, die von keiner Geschwindigkeit bis zur maximalen Geschwindigkeit variieren kann. Das veranschaulichte Szenario aus 2 zeigt, wie sich eine starke Stauung im realen Leben aufbauen kann, und ein derartiger Verkehr kann unter Verwendung von Fahrzeugagenten modelliert werden, die in einer virtuellen Verkehrsumgebung (virtual traffic environment - VTE) betrieben werden.
  • 2B bildet, unter Berücksichtigung von Aspekten von CA mit größerem Detail, eine Vielzahl von Graphenknoten 200 in einem CA-Modell 220 gemäß der vorliegenden Offenbarung ab. Das CAV-Modellierungssystem 107 kann kontinuierliche Straßenkartendaten empfangen und Straßensegmente erzeugen, die zum Beispiel als die Vielzahl von Graphenknoten 225 dargestellt sind. Die Vielzahl von Graphenknoten ist einem oder mehreren Infrastrukturmerkmalen zugeordnet, wie etwa Nebenstraßen, Schnellstraßen, Abbiegespuren, Kreuzungen usw.
  • Das CAV-Modellierungssystem 107 kann diskrete Verkehrssimulationsmodellierungstechniken verwenden, um eine mikroskopische virtuelle Verkehrsumgebung (VTE) zu entwickeln, die CAV-Verhalten simuliert und CAV-Entwicklung und virtuelles Testen unterstützt. Der in 2B gezeigte VTE-Abschnitt beinhaltet virtuelle Darstellungen von Straßensegmenten, die in Zellen oder Graphenknoten 230 unterteilt sind, die Abschnitten einer kontinuierlichen Straße zugeordnet sind. Insbesondere stellen die Graphenknoten 225 jeweilige Abschnitte von Fahrbahnen dar, die eine vom Benutzer auswählbare Abmessung in Länge und Breite aufweisen, sodass der Graph von Knoten dicht (eine jeweils kleinere Abmessung für jeden Abschnitt der Fahrbahn aufweisend) oder weniger dicht (jeweils eine größere Abmessung für jeden Abschnitt der Fahrbahn aufweisend) sein kann. Obwohl er kreisförmig ist, stellt jeder Knoten (z. B. 230) einen diskretisierten Fahrbahnabschnitt mit einer im Allgemeinen rechteckigen Form (z. B. eine Breite und eine Länge aufweisend) dar.
  • Die Graphenknoten 230 können ein Infrastrukturmerkmal darstellen, wie etwa einen Straßenabschnitt, eine Kreuzung, ein Verkehrssignal, einen Abbiegespurabschnitt, einen Autobahnspurabschnitt usw. Konkrete Fahrhandlungen können jeweiligen Knoten unter Verwendung eines Verhaltensregelsatzes zugeordnet sein, der Fahrhandlungen für Fahrzeuge modelliert, die auf dem jeweiligen Knoten betrieben werden. Beispielhafte Fahrhandlungen können Einordnen, aggressives Einordnen, Bewegen nach links, aggressives Bewegen nach links, Bewegen nach rechts, aggressives Bewegen nach rechts, Überholen, aggressives Überholen, Rechtsüberholen, aggressives Rechtsüberholen, Driften nach rechts, Driften nach links, Fahren mit Reisegeschwindigkeit, Fahren mit Reisegeschwindigkeit nach links und Fahren mit Reisegeschwindigkeit nach rechts, unter anderen Verhalten, beinhalten. Falls zum Beispiel ein Knoten einem mittleren Autobahnspurabschnitt auf einer Geraden zugeordnet ist, können mögliche Fahrhandlungsverhalten, die für diesen Abschnitt typisch sind, Überholen, aggressives Überholen, Driften nach rechts oder links, Fahren mit Reisegeschwindigkeit usw. beinhalten.
  • Jede der Fahrhandlungen kann analytisch gemäß der Wahrscheinlichkeit, dass sie in jedem jeweiligen Knoten auftreten, dargestellt werden. Zum Beispiel kann in dem geraden Abschnitt eines Autobahnspurbeispiels eine relativ höhere Wahrscheinlichkeit für aggressives Überholen im Vergleich zu Anhalten oder anderen Handlungen vorliegen. In einem Aspekt kann das CAV-Modellierungssystem 107 ein Schnittstellenelement zum Festlegen einer Wahrscheinlichkeit für jedes jeweilige Verhalten bereitstellen.
  • Der Graphenknoten 230 kann einem auswählbaren Satz von unabhängigen Regeln zugeordnet sein, die definieren oder charakterisieren, wie ein Fahrzeug auf diesem Fahrbahnabschnitt fahren würde. Das Modellieren des Verkehrs unter Verwendung von CA-Techniken unterscheidet sich von herkömmlichen Ansätzen, die Straßensegmente als Analysebasis nicht in diskrete Abschnitte oder Zellen aufteilen. Stattdessen können herkömmliche Modellierungssysteme Regelsätze erzeugen, die über das gesamte modellierte System hinweg laufen, was erhebliche Rechenressourcen in größeren, komplexeren Modellen in Anspruch nehmen kann. Die vorliegenden Systeme können flexible und leicht anpassbare Analysewerkzeuge bereitstellen, die vordefinierten Regeln folgen, die nur angewendet werden, wenn eine oder mehrere der Zellen oder Knoten (z. B. 215) durch ein Fahrzeug belegt sind. 2B veranschaulicht den Graphenknoten 230 als durch ein Fahrzeug belegt, wobei die anderen Knoten nicht belegt sind. Wenn der Fahrzeugagent im Graphenknoten 230 arbeitet, können die möglichen Bewegungen, die das Fahrzeug durchführen kann, Vorwärts-Links, Vorwärts-Geradeaus und Vorwärts-Rechts beinhalten.
  • Dementsprechend und auf Grundlage des Verhaltensregelsatzes, der dem Graphenknoten 230 zugeordnet ist, kann das CAV-Modellierungssystem 107 einen Satz von Wahrscheinlichkeiten der Fahrzeugagentenfahrhandlungen berechnen. Jedoch kann das CAV-Modellierungssystem 107 die Berechnung des Satzes von Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen für den Rest der Vielzahl von Graphenknoten, in denen keine Fahrzeuge betrieben werden, weglassen. In dieser Hinsicht verbessert das System die Funktionalität des Rechensystems, indem es Berechnungen für Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen nur für belegte Knoten durchführt.
  • 3A veranschaulicht eine beispielhafte Benutzerschnittstelle 300 für das offenbarte CA-Modellierungssystem gemäß der vorliegenden Offenbarung. Das CAV-Modellierungssystem 107 kann die Benutzerschnittstelle 300 erzeugen, um einen einfachen und leicht zu verwendenden Steuermechanismus zum Modellieren der Fahrzeugdynamik unter Verwendung von mikroskaligen hierarchischen probabilistischen Verhaltensregeln, die in CA-Regeln übersetzt werden, bereitzustellen. Das CAV-Modellierungssystem 107 kann Fahrermodelle mit realen Fahrzeugbewegungsbahnen kalibrieren, die realistische vorherrschende Verkehrsbedingungen emulieren.
  • Die Benutzerschnittstelle 300 kann eine Steuerung 302 zum Speichern von Einstellungen in der Benutzerschnittstelle 300 beinhalten. Ein Benutzer kann dieses Werkzeug auf Grundlage einfacher visueller Hinweise verwenden, die definieren, wie sich ein Fahrzeug unter verschiedenen Bedingungen verhalten soll.
  • In einer beispielhaften Ausführungsform kann das CAV-Modellierungssystem 107 eine Steuerung zum Eingeben einer eindeutigen Fahrzeugart 306 und eine Steuerung zum Speichern der neuen Fahrzeugart 304 beinhalten. Beispielhafte Fahrzeugarten können Autos, Lastwagen, Vans, Sattelschlepper usw. beinhalten. Das System kann ferner eine Steuerung 308 zum Löschen von Fahrzeugarten und eine Steuerung zum Beschreiben von Fahrbahnbedingungen, wie etwa zum Beispiel mehrere Spuren, Freiflussgeschwindigkeiten, Spurzusammenführungshinweise usw. beinhalten.
  • In einem Abschnitt 312 zum Hinzufügen/Umbenennen/Löschen von Regeln kann das CAV-Modellierungssystem 107 Steuerungen zum Festlegen von Regelattributen ausgeben, die den in den Regeln 316 gezeigten Fahrverhalten zugeordnet sind. Eine visuelle Darstellung von Knoten ist dargestellt, die die Fahrzeugfahrtrichtung 340 für eine Vielzahl von Knoten 338 zeigt. Zum Beispiel kann ein Fahrzeug von einem konkreten Knoten aus vorwärts, links, rechts oder abgewinkelt vorwärts fahren. Andere Richtungen sind möglich und können durch den Benutzer angegeben werden.
  • Das CAV-Modellierungssystem 107 kann Steuerungen ausgeben, die es einem Benutzer (in 3A nicht gezeigt) ermöglichen, leere Knoten 332 oder belegte Knoten 334 unter Verwendung einer Knotenbelegungssteuerung 318 oder einer Wahrscheinlichkeitssteuerung 323 auszuwählen und Knotenbelegungsregeln 328 oder Wahrscheinlichkeitsregeln 330 für jede entsprechende Regel eines Satzes von Regeln 342 festzulegen. Das CAV-Modellierungssystem 107 kann eine relative Reihenfolge oder Priorität zum Anwenden der Regeln 316 unter Verwendung von Hoch- und Runtersteuerungen bereitstellen.
  • Zum Beispiel kann das System eine auswählbare Verhaltensregel darstellen, die gemäß der Straßenart (z. B. für alle Autobahnstraßen, Nebenstraßen usw.) auf eine oder mehrere Zellen 336 im System angewendet werden kann. In einem anderen Beispiel kann das System eine auswählbare Verhaltensregel darstellen, die auf Fahrzeugarten angewendet werden kann, die innerhalb eines beliebigen gegebenen Knotens betrieben werden, oder auf Grundlage anderer Attribute, wie etwa Fahrtrichtung der Fahrbahn usw.
  • In anderen Aspekten kann das CAV-Modellierungssystem 107 Regeln und entsprechende Wahrscheinlichkeiten auf Grundlage von Fahrbahnkonfigurationen anwenden, die als Straßennetzmodelle dargestellt sind, die gemeinsame Fahrbahnkonfigurationen und Infrastrukturmerkmale darstellen. 3B-3D bilden beispielhafte Straßennetzmodelle gemäß Ausführungsformen der vorliegenden Offenbarung ab.
  • 3B bildet eine Vielzahl von Infrastrukturmerkmalen, die Kreuzungen beinhalten, ab. Zum Beispiel veranschaulichen die Infrastrukturmerkmale 344-350 einen zweispurigen Knotenpunkt, der in vier Konfigurationen ausgerichtet ist, die senkrechten Verkehr zusammenführen. Die Verkehrsrichtung kann in den Fahrbahnkonfigurationen 346, 348 und 350 ausgewählt werden. Der vierspurige Knotenpunkt 352 veranschaulicht einen zweiten Satz von Infrastrukturmerkmalen mit auswählbaren Verkehrsrichtungen 354, 356 und 358.
  • 3C veranschaulicht ein anderes auswählbares Straßennetzmodell, das ein Kleeblatt und Punkte mit unterschiedlichem Verkehrsfluss 360 aufweist. Die Punkte mit unterschiedlichem Verkehrsfluss können Knoten beinhalten, die Attribute beinhalten können, die der Fahrzeugart, der Geschwindigkeit oder anderen Eigenschaften zugeordnet sind, die sich auf Grundlage des Fahrzeugverkehrs ändern.
  • 3D veranschaulicht eine andere Autobahnkonfiguration, die ein Gitter von Knoten 365 aufweist, das auswählbar sein kann, um einzigartige Verhaltensregeln einzuschließen, wie in 3A erklärt.
  • 4 ist ein Flussdiagramm eines beispielhaften Verfahrens 400 zum Verbessern der Rechengeschwindigkeit eines Fahrzeugmodellierungsprozessors gemäß der vorliegenden Offenbarung. 4 kann unter fortgesetzter Bezugnahme auf vorherige Figuren, einschließlich 1-3D, beschrieben werden. Der folgende Prozess ist beispielhaft und nicht auf die nachfolgend beschriebenen Schritte beschränkt. Darüber hinaus können alternative Ausführungsformen mehr oder weniger Schritte, die in dieser Schrift gezeigt oder beschriebenen sind, beinhalten und können diese Schritte in einer anderen Reihenfolge als der in den folgenden beispielhaften Ausführungsformen beschriebenen Reihenfolge beinhalten.
  • Unter Bezugnahme auf 4 kann das Verfahren 400 bei Schritt 405 mit dem Diskretisieren einer Straßenkarte eines kontinuierlichen Raums beginnen, was das Erzeugen eines ersten Graphenknotens, der einem ersten Infrastrukturmerkmal und einem ersten Gebiet zugeordnet ist, beinhalten kann. Die Straßenkarte eines kontinuierlichen Raums kann eine öffentlich verfügbare digitale oder analoge Straßenkarte sein oder beinhalten. Das CAV-Modellierungssystem 107 kann die Straßenkarte in eine erste Vielzahl von Graphenknoten, die mindestens einen Fahrzeugagenten aufweist, der innerhalb definierter Grenzen von jedem Knoten der ersten Vielzahl von Graphenknoten arbeitet, und eine zweite Vielzahl von Graphenknoten, die keinen Fahrzeugagenten aufweist, der innerhalb dfinierter Grenzen eines beliebigen Knotens der zweiten Vielzahl von Graphenknoten arbeitet, diskretisieren. Der Graphenknoten kann zum Beispiel der Graphenknoten 230 sein, der in Bezug auf 2B veranschaulicht ist.
  • Bei Schritt 410 kann das Verfahren 400 ferner Erzeugen eines zweiten Graphenknotens, der einem zweiten Infrastrukturmerkmal und einem zweiten Gebiet zugeordnet ist, beinhalten. Dieser Schritt kann das Bestimmen einer relativen Größe eines Knotens beinhalten, um die kontinuierliche Straßenkarte zu diskretisieren und den zweiten Knoten nahe dem ersten Knoten zu erschaffen. Der erste Knoten und der zweite Knoten stellen zusammenhängende Abschnitte der diskretisierten Karte dar und können unter Verwendung eines Vernetzungsglieds (z. B. einer Linie, die eine relative Zuordnung zwischen zwei Knoten darstellt) vernetzt sein.
  • Bei Schritt 415 kann das Verfahren 400 ferner Bestimmen eines ersten Graphenknotengebiets, das dem ersten Graphenknoten zugeordnet ist, über den Prozessor beinhalten.
  • Bei Schritt 420 kann das Verfahren 400 ferner Bestimmen eines zweiten Graphenknotengebiets, das dem zweiten Graphenknoten zugeordnet ist, über den Prozessor auf Grundlage des geografischen Gebiets von jeweiligen kontinuierlichen Kartenabschnitten beinhalten. Dieser Schritt kann Auswerten eines relativen Gebiets nahe des ersten Knotens und Bestimmen eines Gebiets oder von Begrenzungsabmessungen, die eine Knotengröße definieren, auf Grundlage einer Benutzereingabe beinhalten.
  • Bei Schritt 425 kann das Verfahren 400 ferner Bestimmen einer Vernetzungsgliedart, die den ersten Graphenknoten mit dem zweiten Graphenknoten vernetzt, beinhalten. Dieser Schritt kann Identifizieren des ersten Knotens und des zweiten Knotens und Bestimmen ihrer relativen Nähe zueinander beinhalten.
  • Bei Schritt 430 kann das Verfahren 400 ferner Berechnen eines Satzes von Wahrscheinlichkeiten für Knoten, die durch einen Fahrzeugagenten aus einer Vielzahl von Fahrzeugagenten belegt sind, über den Prozessor beinhalten. Die Wahrscheinlichkeiten können sich auf jeweilige Wahrscheinlichkeiten für ein Fahrzeug beziehen, einen Vorgang durchzuführen, der mit einem Fahrzeugverhalten vereinbar ist, wie etwa Überholen eines anderen Fahrzeugs, Einordnen nach links, Einordnen nach rechts, Verlangsamen und Rechtsüberholen eines anderen Fahrzeugs oder andere Optionen.
  • Dieser Schritt kann Empfangen einer Benutzerauswahl über den Prozessor, die eine auswählbare Verhaltensregel auf einer Verhaltensregelliste angibt, Empfangen einer Benutzereingabe über den Prozessor, die einen Wahrscheinlichkeitsindikator umfasst, der der auswählbaren Verhaltensregel zugeordnet ist, Erzeugen eines Modells für die Fahrzeugagentenfahrhandlung auf Grundlage des Wahrscheinlichkeitsindikators und der auswählbaren Verhaltensregel und Ausgeben des KPI, der der Fahrzeugagentenfahrhandlung unter Verwendung des Modells zugeordnet wird, beinhalten.
  • Bei Schritt 435 kann das Verfahren 400 ferner Erzeugen einer Simulation, die eine Fahrzeugagentenfahrhandlung modelliert, auf Grundlage eines Satzes von Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen über den Prozessor beinhalten. Dieser Schritt kann Berechnen des Satzes von Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen für die erste Vielzahl von Graphenknoten und Weglassen der Berechnung des Satzes von Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen für die zweite Vielzahl von Graphenknoten beinhalten. In einigen Aspekten kann Modellieren der Fahrzeugagentenfahrhandlung Bestimmen einer Verhaltensregel auf Grundlage einer Gliedart und ferner basierend auf einer Regel eines Verhaltensregelsatzes über den Prozessor; und Zuweisen eines Schlüsselleistungsindikators (KPI), der der Fahrzeugagentenfahrhandlung zugeordnet ist, über den Prozessor und auf Grundlage der Regel beinhalten. In einigen Aspekten ist der Verhaltensregelsatz durch den Benutzer auswählbar, um gewichtete Modellierungsregeln einzuschließen, die einer Fahrhandlung eines Satzes von Fahrhandlungen zugeordnet sind, die Einordnen, aggressives Einordnen, Bewegen nach links, aggressives Bewegen nach links, Bewegen nach rechts, aggressives Bewegen nach rechts, Überholen, aggressives Überholen, Rechtsüberholen, aggressives Rechtsüberholen, Driften nach rechts, Driften nach links, Fahren mit Reisegeschwindigkeit nach links und Fahren mit Reisegeschwindigkeit nach rechts beinhalten. Der Fahrzeugagent führt einen Fahrmodellanweisungssatz aus, der das Fahrverhalten eines vernetzten autonomen Fahrzeugs nachahmt.
  • 5 ist eine beispielhafte programmatische Logik zum Steuern eines vernetzten autonomen Fahrzeugs gemäß der vorliegenden Offenbarung. Gemäß einer beispielhaften Ausführungsform kann das CAV-Modellierungssystem 107 das Verhalten eines vernetzten Fahrzeugs durch Erzeugen der simulierten Straßennetzumgebung modellieren, wie in vorherigen Figuren gezeigt. In einigen Aspekten kann das CAV-Modellierungssystem 107 eine kontinuierliche Straßennetzkarte in ein Graphenknotennetz umwandeln. Zum Beispiel kann das System, wie in Block 505 gezeigt, ein zu modellierendes geografisches Gebiet bestimmen und von einem Kartenanbieter (bei Block 510) eine kontinuierliche Fahrbahnkarte empfangen. Das CAV-Modellierungssystem 107 kann die kontinuierliche Straßennetzkarte in ein Graphenknotennetz von diskretisierten gerichteten Graphen, die Straßen, Kreuzungen, Verkehrssignale und andere Infrastrukturelemente darstellen, in einen flexiblen und skalierbaren Graphen von Fahrbahnknoten umwandeln. Der Graph kann insofern flexibel und skalierbar sein, als die jeweilige Größe, Abmessungen und Zuordnungen der jeweiligen Knoten durch den Benutzer des Modellierungssystems leicht veränderbar sein können.
  • Dementsprechend kann das System einen dritten Graphenknoten des Graphenknotennetzwerks identifizieren, einen vierten Graphenknoten des Graphenknotennetzwerks identifizieren, bestimmen, dass sich einer von dem dritten Graphenknoten und dem vierten Graphenknoten innerhalb einer Schwellenwertentfernung von dem ersten Graphenknoten oder dem zweiten Graphenknoten befindet, ein zweites Vernetzungsglied vom dritten Graphenknoten zum vierten Graphenknoten erschaffen; und ein drittes Vernetzungsglied von einem von dem ersten Knoten und dem zweiten Knoten zu einem von dem dritten Graphenknoten und dem vierten Graphenknoten erschaffen. Das System kann fehlende Vernetzungen auf Grundlage von durch den Benutzer auswählbaren Knotengrößen und Abständen zwischen Knoten verbinden.
  • Zum Beispiel kann das CAV-Modellierungssystem 107 einen ersten Graphenknoten identifizieren, der einem ersten Infrastrukturmerkmal und einem ersten Gebiet zugeordnet ist, einen zweiten Graphenknoten identifizieren, der einem zweiten Infrastrukturmerkmal und einem zweiten Gebiet zugeordnet ist, und fehlende Vernetzungen zwischen jeweiligen Knoten verbinden, wie in Block 515 gezeigt. In einigen Aspekten kann das CAV-Modellierungssystem 107 ein erstes Vernetzungsglied erschaffen, das den ersten Graphenknoten mit dem zweiten Graphenknoten verbindet, und dem ersten Vernetzungsglied eine erste Gliedart zuweisen, der eine Fahrzeugbewegung auf einem dem ersten Graphenknoten und dem zweiten Graphenknoten zugeordneten Fahrbahnabschnitt angibt, und die simulierte Straßennetzumgebung, die das erste Glied und das zweite Glied aufweist, erzeugen, wobei ein Fahrzeugagent ausführbar ist, um Fahrverhalten auf Grundlage der ersten Gliedart zu modellieren.
  • Der Prozessor kann ferner programmiert sein zum Erschaffen der ersten Gliedart durch Auswählen aus einer Gruppe von Gliedarten, die Fahrt in eine Richtung, Fahrt in zwei Richtungen, Autobahnfahrt und Nebenstraßenfahrt beinhalten kann. In anderen Aspekten kann das CAV-Modellierungssystem 107 die Verarbeitungsgeschwindigkeit des das Modell erzeugenden Rechenprozessors verbessern, indem der Satz von Gliedattributen vom ersten Vernetzungsglied zum dritten Vernetzungsglied kopiert wird, wobei das erste Vernetzungsglied und das zweite Vernetzungsglied die gleichen Gliedattribute umfassen.
  • Das CAV-Modellierungssystem 107 kann den Fahrzeugagenten durch Ausführen der Anweisungen zum Bestimmen einer Verhaltensregel auf Grundlage einer Gliedart und ferner auf Grundlage einer Regel eines Verhaltensregelsatzes modellieren, und auf Grundlage der Regel einen Schlüsselleistungsindikator (KPI) zuweisen, der der Fahrzeugagentenfahrhandlung zugeordnet ist. In einigen Aspekten kann der Verhaltensregelsatz durch den Benutzer auswählbar sein, um gewichtete Modellierungsregeln einzuschließen, die einer Fahrhandlung eines Satzes von Fahrhandlungen zugeordnet sind, wie in 3A veranschaulicht.
  • Das CAV-Modellierungssystem 107 kann zelluläre Automaten-(CA-)Parameter kalibrieren, wie in Block 520 gezeigt, indem es historische Fahrzeugbewegungsbahndaten 525 empfängt, die CA-Parameter auf Grundlage der historischen Fahrzeugbewegungsbahndaten 525 erzeugt und die CA-Parameter bei Schritt 545 bereitstellt. Die Verkehrsumgebungs- und - flussbedingungen 535 können tatsächliche oder vorhergesagte Verkehrsinformationen 540 und beobachtete oder vorhergesagte Fahrerverhalten 550 beinhalten, die relative Wahrscheinlichkeiten für Fahrer oder AVs angeben, Manöver unter gegebenen konkreten Fahrbahnbedingungen durchzuführen. Die AV-Verhaltensdaten 570 können verwendet werden, um eine oder mehrere CAV-Verhaltensdatenbank(en) 560 zu aktualisieren, die zum Trainieren der AVs auf neue Verkehrsflussbedingungen verwendet werden können, auf die möglicherweise nicht alle AVs gestoßen sind. Anders ausgedrückt kann die Erfahrung einiger AVs durch das CAV-Modellierungssystem 107 verwendbar sein, um Regeln auf Grundlage einer erfolgreichen Navigation durch konkrete und einzigartige Verkehrsbedingungen zu trainieren. Das CAV-Modellierungssystem 107 kann bei Schritt 555 bestimmen, ob ein AV für diese konkrete Verkehrsbedingung trainiert ist, und als Reaktion auf Bestimmen, dass es durch diese Verkehrsbedingung erfolgreich navigiert hat, kann das CAV-Modellierungssystem 107 entweder die CAV-Verhaltensdatenbank(en) 560 aktualisieren oder einen überarbeiteten Regelsatz an das AV weiterleiten (Schritt 565), falls es auf diese Bedingung nie mit relativem Erfolg gestoßen ist oder nie trainiert wurde, durch die Verkehrsbedingung zu navigieren.
  • 6 veranschaulicht das Umwandeln einer kontinuierlichen Fahrbahnkarte in einen diskretisierten Graphenknotenmodus gemäß Ausführungsformen der vorliegenden Offenbarung. Dementsprechend kann das CAV-Modellierungssystem 107 eine virtuelle Verkehrsumgebung auf Grundlage einer Straßenkarte eines kontinuierlichen Raums erzeugen. Dieser Prozess kann Modellieren eines ersten Fahrzeugagenten, der in der virtuellen Verkehrsumgebung betrieben wird, über einen Prozessor und Festlegen eines einstellbaren Erfassungsbereichs, der einen Kommunikationsabstand für den Fahrzeugagenten angibt, über den Prozessor, um Verkehrsinformationen an einen zweiten Fahrzeugagenten, der in der virtuellen Verkehrsumgebung arbeitet, zu senden und von diesem zu empfangen, beinhalten. In einigen Aspekten können der erste Fahrzeugagent und der zweite Fahrzeugagent vom Benutzer auswählbar sein, um das Fahrverhalten eines vernetzten autonomen Fahrzeugs oder eines von einem Menschen gefahrenen Fahrzeugs zu modellieren. Beispiele für eine zu diesem Zweck verwendbare Schnittstelle wurden in 3A gezeigt. Das System kann auf Grundlage der virtuellen Verkehrsumgebung und ferner auf Grundlage des einstellbaren Erfassungsbereichs einen Satz von Schlüsselleistungsindikatoren erzeugen, die dem Verkehrsfluss zugeordnet sind. Das diskretisierte Gitternetz, wie in vorherigen Figuren gezeigt, beinhaltet eine Vielzahl von Knoten, die eine auswählbare Graphenknoten-Gitterdichte aufweisen, die eine Graphenknotengröße erhöht oder verringert. Das System ist insofern flexibel, als es einen Mechanismus zum Ändern eines Graphenknotengitterabstands auf Grundlage der Verkehrsdichte bereitstellen kann. Dies kann eine Vielzahl von Knoten bereitstellen, die eine auswählbare Graphenknotengröße aufweist oder auf der Fahrzeuggeschwindigkeit oder der Fahrzeugart basiert. Die Graphenknotengröße kann ferner auf der Fahrbahnart basieren.
  • Zum Beispiel ist, wie in 6 gezeigt, eine kontinuierliche Karte 605 abgebildet, wobei eine reale Karte einer kontinuierlichen Fahrbahn in den CA-Graph mit den Zellen 610 diskretisiert ist. Der relative Raum des Gitternetzes in 610 kann eine erste Gitterdichte 620, die dem beobachteten Verkehr an der Einordnungsrampe 615 zugeordnet ist, und eine zweite Gitterdichte 625, die dem Abschnitt der Fahrbahn zugeordnet ist, der näher an der Hauptdurchgangsstraße liegt, wo Fahrzeuge dazu neigen, ihre Geschwindigkeit zu erhöhen, beinhalten.
  • 7 bildet einen Graphen von Belohnungsfunktionsattributen gemäß Ausführungsformen der vorliegenden Offenbarung ab. In einigen Aspekten kann das CAV-Modellierungssystem 107 eine Belohnungsfunktion auf Grundlage eines Rückwärtsabstands, einer gewünschten Richtung, eines gewünschten Abstands von einem vorderen Auto, einer gewünschten Geschwindigkeit und einer Anzahl von Spurwechseln, neben anderen möglichen Kriterien, verwenden, um ein Computermodell unter Verwendung von maschinellen Lerntechniken zu trainieren.
  • Zum Beispiel kann, unter erneuter Bezugnahme auf 5, das CAV-Modellierungssystem 107 dazu konfiguriert und/oder programmiert sein, Anweisungen zum Modellieren einer virtuellen Verkehrsumgebung (Simulationsaufbau 530) auszuführen und eine Simulation zu erzeugen, die eine Fahrzeugagentenfahrhandlung auf Grundlage des Verkehrsmodellierungssystems des CA-Graphenknotens modelliert. Das CAV-Modellierungssystem 107 kann einen Fahrzeuganweisungssatz für das vernetzte autonome Fahrzeug auf Grundlage der Simulation erzeugen, wie bei Kasten 565 (AV-Training für neuen Verkehrsfluss) gezeigt, und bestimmen, dass das vernetzte autonome Fahrzeug auf ein vorbestimmtes Verkehrsszenario gestoßen ist, das der Simulation zugeordnet ist. Das CAV-Modellierungssystem 107 kann den Fahrzeuganweisungssatz an das vernetzte autonome Fahrzeug übertragen, wobei das empfangende AV von der verbesserten Funktionalität zum Navigieren in einzigartigen Verkehrssituationen profitieren kann.
  • In einigen Aspekten kann das CAV-Modellierungssystem 107 die Simulation unter Verwendung eines tiefen neuronalen Netzes erzeugen und einen oder mehrere Modellparameter unter Verwendung des tiefen neuronalen Netzes bestimmen. Dementsprechend kann das System eine Belohnungsfunktion parametrisieren, um ein oder mehrere Fahrzeugmanöver zu identifizieren, die dem Navigieren der Fahrzeugagentenfahrhandlung im vorbestimmten Verkehrsszenario zugeordnet sind, und den Fahrzeuganweisungssatz unter Verwendung der Belohnungsfunktion erzeugen.
  • In der vorstehenden Offenbarung wurde auf die beigefügten Zeichnungen Bezug genommen, die einen Teil hiervon bilden und spezifische Umsetzungen veranschaulichen, in denen die vorliegende Offenbarung praktisch umgesetzt werden kann. Es versteht sich, dass auch andere Umsetzungen genutzt und strukturelle Änderungen vorgenommen werden können, ohne vom Umfang der vorliegenden Offenbarung abzuweichen. Bezugnahmen in der Beschreibung auf „eine Ausführungsform“, „eine beispielhafte Ausführungsform“ usw. geben an, dass die beschriebene Ausführungsform ein(e) bestimmte(s) Merkmal, Struktur oder Eigenschaft beinhalten kann, doch nicht notwendigerweise jede Ausführungsform diese(s) bestimmte Merkmal, Struktur oder Eigenschaft beinhalten muss. Darüber hinaus beziehen sich derartige Formulierungen nicht unbedingt auf dieselbe Ausführungsform. Ferner wird, wenn ein(e) Merkmal, Struktur oder Eigenschaft in Verbindung mit einer Ausführungsform beschrieben ist, der Fachmann ein(e) derartige(s) Merkmal, Struktur oder Eigenschaft in Verbindung mit anderen Ausführungsformen erkennen, ob dies nun ausdrücklich beschrieben ist oder nicht.
  • Ferner können gegebenenfalls die in dieser Schrift beschriebenen Funktionen in einem oder mehreren von Hardware, Software, Firmware, digitalen Komponenten oder analogen Komponenten durchgeführt werden. Eine oder mehrere anwendungsspezifische integrierte Schaltungen (Application Specific Integrated Circuit - ASICs) können zum Beispiel dazu programmiert sein, eine(s) oder mehrere der in dieser Schrift beschriebenen Systeme und Prozeduren auszuführen. Gewisse Ausdrücke werden in der gesamten Beschreibung verwendet und Patentansprüche beziehen sich auf konkrete Systemkomponenten. Für den Fachmann liegt auf der Hand, dass die Komponenten mit anderen Benennungen bezeichnet werden können. In dieser Schrift soll nicht zwischen Komponenten unterschieden werden, die sich der Benennung nach unterscheiden, nicht jedoch hinsichtlich ihrer Funktion.
  • Es versteht sich zudem, dass das Wort „Beispiel“, wie in dieser Schrift verwendet, nicht ausschließender und nicht einschränkender Natur sein soll. Insbesondere gibt das Wort „Beispiel“, wie in dieser Schrift verwendet, eines von mehreren Beispielen an und es versteht sich, dass keine übermäßige Betonung oder Bevorzugung auf das konkrete beschriebene Beispiel gerichtet ist.
  • Ein computerlesbares Medium (auch als prozessorlesbares Medium bezeichnet) beinhaltet ein beliebiges nichttransitorisches (z. B. physisches) Medium, das am Bereitstellen von Daten (z. B. Anweisungen) beteiligt ist, die durch einen Computer (z. B. durch einen Prozessor eines Computers) gelesen werden können. Ein derartiges Medium kann viele Formen annehmen, einschließlich unter anderem nicht flüchtiger Medien und flüchtiger Medien. Rechenvorrichtungen können computerausführbare Anweisungen beinhalten, wobei die Anweisungen durch eine oder mehrere Rechenvorrichtungen, wie etwa durch die vorstehend aufgeführten, ausführbar sein können und auf einem computerlesbaren Medium gespeichert sein können.
  • Hinsichtlich der in dieser Schrift beschriebenen Prozesse, Systeme, Verfahren, Heuristiken usw. versteht es sich, dass die Schritte derartiger Prozesse usw. zwar als gemäß einer bestimmten Reihenfolge erfolgend beschrieben worden sind, derartige Prozesse jedoch umgesetzt werden könnten, wobei die beschriebenen Schritte in einer Reihenfolge durchgeführt werden, die von der in dieser Schrift beschriebenen Reihenfolge abweicht. Es versteht sich ferner, dass gewisse Schritte gleichzeitig durchgeführt, andere Schritte hinzugefügt oder bestimmte in dieser Schrift beschriebene Schritte weggelassen werden könnten. Anders ausgedrückt, dienen die Beschreibungen von Prozessen in dieser Schrift dem Zwecke der Veranschaulichung verschiedener Ausführungsformen und sollten keinesfalls dahingehend ausgelegt werden, dass sie die Patentansprüche einschränken.
  • Dementsprechend versteht es sich, dass die vorstehende Beschreibung veranschaulichend und nicht einschränkend sein soll. Aus der Lektüre der vorstehenden Beschreibung ergeben sich viele andere Ausführungsformen und Anwendungen als die aufgeführten Beispiele. Der Umfang sollte nicht unter Bezugnahme auf die vorstehende Beschreibung, sondern stattdessen unter Bezugnahme auf die beigefügten Patentansprüche bestimmt werden, zusammen mit der gesamten Bandbreite an Äquivalenten, zu denen diese Patentansprüche berechtigen. Es ist davon auszugehen und beabsichtigt, dass es zukünftige Entwicklungen im in dieser Schrift erörterten Stand der Technik geben wird und dass die offenbarten Systeme und Verfahren in derartige zukünftige Ausführungsformen aufgenommen werden. Insgesamt versteht es sich, dass die Anmeldung modifiziert und verändert werden kann.
  • Allen in den Patentansprüchen verwendeten Ausdrücken soll deren allgemeine Bedeutung zugeordnet werden, wie sie Fachleuten auf dem Gebiet der in dieser Schrift beschriebenen Technologien bekannt ist, sofern in dieser Schrift kein ausdrücklicher Hinweis auf das Gegenteil erfolgt. Insbesondere ist die Verwendung der Singularartikel, wie etwa „ein“, „eine“, „der“, „die“, „das“ usw., dahingehend zu verstehen, dass eines oder mehrere der angegebenen Elemente genannt werden, sofern ein Patentanspruch nicht eine ausdrückliche gegenteilige Einschränkung nennt. Mit Formulierungen, die konditionale Zusammenhänge ausdrücken, wie unter anderem „kann“, „könnte“ , „können“ oder „könnten“, soll im Allgemeinen vermittelt werden, dass gewisse Ausführungsformen gewisse Merkmale, Elemente und/oder Schritte beinhalten könnten, wohingegen andere Ausführungsformen diese nicht beinhalten können, es sei denn, es ist konkret etwas anderes angegeben oder es ergibt sich etwas anderes aus dem jeweils verwendeten Kontext. Somit sollen derartige Formulierungen, die konditionale Zusammenhänge ausdrücken, nicht implizieren, dass Merkmale, Elemente und/oder Schritte für eine oder mehrere Ausführungsformen in irgendeiner Weise erforderlich sind.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 63139276 [0001]

Claims (15)

  1. Verfahren zum Verbessern der Rechengeschwindigkeit eines Fahrzeugmodellierungsprozessors, das Folgendes umfasst: Diskretisieren einer Straßenkarte eines kontinuierlichen Raums, das Folgendes umfasst: Erzeugen eines ersten Graphenknotens, der einem ersten Infrastrukturmerkmal und einem ersten Gebiet zugeordnet ist; und Erzeugen eines zweiten Graphenknotens, der einem zweiten Infrastrukturmerkmal und einem zweiten Gebiet zugeordnet ist; Bestimmen eines ersten Graphenknotengebiets, das dem ersten Graphenknoten zugeordnet ist, über den Prozessor; Bestimmen eines zweiten Graphenknotengebiets, das dem zweiten Graphenknoten zugeordnet ist, über den Prozessor; Bestimmen einer Vernetzungsgliedart, die den ersten Graphenknoten mit dem zweiten Graphenknoten vernetzt; Berechnen eines Satzes von Wahrscheinlichkeiten für Knoten, die durch einen Fahrzeugagenten aus einer Vielzahl von Fahrzeugagenten belegt sind, über den Prozessor; und Erzeugen einer Simulation über den Prozessor, die eine Fahrzeugagentenfahrhandlung auf Grundlage eines Satzes von Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen modelliert.
  2. Verfahren nach Anspruch 1, wobei die Straßenkarte eines kontinuierlichen Raums Folgendes umfasst: eine erste Vielzahl von Graphenknoten, die mindestens einen Fahrzeugagenten aufweist, der innerhalb definierter Grenzen von jedem Knoten aus der ersten Vielzahl von Graphenknoten arbeitet; und eine zweite Vielzahl von Graphenknoten, die keinen Fahrzeugagenten aufweist, der innerhalb definierter Grenzen von einem beliebigen Knoten aus der zweiten Vielzahl von Graphenknoten arbeitet.
  3. Verfahren nach Anspruch 2, wobei Modellieren der Fahrzeugagentenfahrhandlung ferner Folgendes umfasst: Berechnen des Satzes von Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen für die erste Vielzahl von Graphenknoten und Weglassen der Berechnung des Satzes von Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen für die zweite Vielzahl von Graphenknoten.
  4. Verfahren nach Anspruch 2, wobei Modellieren der Fahrzeugagentenfahrhandlung ferner Folgendes umfasst: Bestimmen einer Verhaltensregel auf Grundlage einer Gliedart und ferner auf Grundlage einer Regel eines Verhaltensregelsatzes über den Prozessor; und Zuweisen eines Schlüsselleistungsindikators (key performance indicator - KPI), der der Fahrzeugagentenfahrhandlung zugeordnet ist, über den Prozessor und auf Grundlage der Regel.
  5. Verfahren nach Anspruch 4, wobei der Verhaltensregelsatz vom Benutzer auswählbar ist, um gewichtete Modellierungsregeln einzuschließen, die einer Fahrhandlung aus einem Satz von Fahrhandlungen zugeordnet sind, der Folgendes umfasst: Einordnen; aggressives Einordnen Bewegen nach links aggressives Bewegen nach links; Bewegen nach rechts; aggressives Bewegen nach rechts; Überholen; aggressives Überholen; Rechtsüberholen; aggressives Rechtsüberholen; Driften nach rechts; Driften nach links; Fahren mit Reisegeschwindigkeit; Fahren mit Reisegeschwindigkeit nach links; und Fahren mit Reisegeschwindigkeit nach rechts.
  6. Verfahren nach Anspruch 5, wobei Diskretisieren der Straßenkarte eines kontinuierlichen Raums ferner Folgendes umfasst: Empfangen einer Benutzerauswahl, die eine auswählbare Verhaltensregel auf einer Verhaltensregelliste angibt, über den Prozessor; Empfangen einer Benutzereingabe, die einen Wahrscheinlichkeitsindikator umfasst, der der auswählbaren Verhaltensregel zugeordnet ist, über den Prozessor; Erzeugen eines Modells für die Fahrzeugagentenfahrhandlung auf Grundlage des Wahrscheinlichkeitsindikators und der auswählbaren Verhaltensregel; und Ausgeben des KPI, der der Fahrzeugagentenfahrhandlung unter Verwendung des Modells zugeordnet wird.
  7. Verfahren nach Anspruch 1, wobei der Fahrzeugagent einen Fahrmodellanweisungssatz ausführt, der das Fahrverhalten eines vernetzten autonomen Fahrzeugs (CAV) nachahmt.
  8. Verfahren nach Anspruch 1, wobei das erste Infrastrukturmerkmal und das zweite Infrastrukturmerkmal eines der Folgenden umfassen: eine Fahrbahnfahrtrichtung; eine Autobahn; eine Nebenstraße; eine mautpflichtige Straße; eine Kreuzung; und eine Anzahl von Abbiegespuren.
  9. System, das Folgendes umfasst: einen Prozessor; und einen Speicher zum Speichern von ausführbaren Anweisungen, wobei der Prozessor dazu programmiert ist, die ausführbaren Anweisungen zu Folgendem auszuführen: Diskretisieren einer Straßenkarte eines kontinuierlichen Raums, das Folgendes umfasst: Erzeugen eines ersten Graphenknotens, der einem ersten Infrastrukturmerkmal und einem ersten Gebiet zugeordnet ist; und Erzeugen eines zweiten Graphenknotens, der einem zweiten Infrastrukturmerkmal und einem zweiten Gebiet zugeordnet ist; Bestimmen eines ersten Graphenknotengebiets, das dem ersten Graphenknoten zugeordnet ist, über den Prozessor; Bestimmen eines zweiten Graphenknotengebiets, das dem zweiten Graphenknoten zugeordnet ist, über den Prozessor; Bestimmen einer Vernetzungsgliedart, die den ersten Graphenknoten mit dem zweiten Graphenknoten vernetzt; und Berechnen eines Satzes von Wahrscheinlichkeiten für Knoten, die durch einen Fahrzeugagenten aus einer Vielzahl von Fahrzeugagenten belegt sind, über den Prozessor; und Erzeugen einer Simulation über den Prozessor, die eine Fahrzeugagentenfahrhandlung auf Grundlage eines Satzes von Wahrscheinlichkeiten von Fahrzeugagentenfahrhandlungen modelliert.
  10. System nach Anspruch 9, wobei die Straßenkarte eines kontinuierlichen Raums Folgendes umfasst: eine erste Vielzahl von Graphenknoten, die mindestens einen Fahrzeugagenten aufweist, der innerhalb definierter Grenzen von jedem Knoten aus der ersten Vielzahl von Graphenknoten arbeitet; und eine zweite Vielzahl von Graphenknoten, die keinen Fahrzeugagenten aufweist, der innerhalb definierter Grenzen von einem beliebigen Knoten aus der zweiten Vielzahl von Graphenknoten arbeitet.
  11. System nach Anspruch 10, wobei der Prozessor ferner dazu programmiert ist, die Fahrzeugagentenfahrhandlung zu modellieren, indem er die Anweisungen zu Folgendem ausführt: Berechnen eines Satzes von Wahrscheinlichkeiten der Fahrzeugagentenfahrhandlungen für die erste Vielzahl von Graphenknoten; und Weglassen der Berechnung des Satzes von Wahrscheinlichkeiten für die Fahrzeugagentenfahrhandlungen für die zweite Vielzahl von Graphenknoten.
  12. System nach Anspruch 10, wobei der Prozessor ferner dazu programmiert ist, den Fahrzeugagenten zu modellieren, indem er die ausführbaren Anweisungen zu Folgendem ausführt: Bestimmen einer Verhaltensregel auf Grundlage einer Gliedart und ferner auf Grundlage einer Regel eines Verhaltensregelsatzes; und Zuweisen eines Schlüsselleistungsindikators (KPI), der der Fahrzeugagentenfahrhandlung zugeordnet ist, auf Grundlage der Regel.
  13. System nach Anspruch 12, wobei der Verhaltensregelsatz vom Benutzer auswählbar ist, um gewichtete Modellierungsregeln einzuschließen, die einer Fahrhandlung aus einem Satz von Fahrhandlungen zugeordnet sind, die Folgendes umfassen: Einordnen; aggressives Einordnen Bewegen nach links aggressives Bewegen nach links; Bewegen nach rechts; aggressives Bewegen nach rechts; Überholen; aggressives Überholen; Rechtsüberholen; aggressives Rechtsüberholen; Driften nach rechts; Driften nach links; Fahren mit Reisegeschwindigkeit; Fahren mit Reisegeschwindigkeit nach links; und Fahren mit Reisegeschwindigkeit nach rechts.
  14. System nach Anspruch 13, wobei der Prozessor ferner dazu programmiert ist, die Straßenkarte eines kontinuierlichen Raums zu diskretisieren, indem er die ausführbaren Anweisungen zu Folgendem ausführt: Empfangen einer Benutzerauswahl, die eine auswählbare Verhaltensregel auf einer Verhaltensregelliste angibt; Empfangen einer Benutzereingabe, die einen Wahrscheinlichkeitsindikator umfasst, der der auswählbaren Verhaltensregel zugeordnet ist; Erzeugen eines Modells für die Fahrzeugagentenfahrhandlung auf Grundlage des Wahrscheinlichkeitsindikators und der auswählbaren Verhaltensregel; und Ausgeben des KPI, der der Fahrzeugagentenfahrhandlung unter Verwendung des Modells zugeordnet wird.
  15. System nach Anspruch 9, wobei die Vielzahl von Fahrzeugagenten einen Fahrmodellanweisungssatz ausführt, der das Fahrverhalten eines vernetzten autonomen Fahrzeugs (CAV) nachahmt.
DE102022101233.6A 2021-01-19 2022-01-19 Verkehrssimulation und strassennetzmodellierung für autonome fahrzeuge Pending DE102022101233A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202163139276P 2021-01-19 2021-01-19
US63/139,276 2021-01-19
US17/574,240 US20220229954A1 (en) 2021-01-19 2022-01-12 Autonomous vehicle traffic simulation and road network modeling
US17/574,240 2022-01-12

Publications (1)

Publication Number Publication Date
DE102022101233A1 true DE102022101233A1 (de) 2022-07-21

Family

ID=82217841

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022101233.6A Pending DE102022101233A1 (de) 2021-01-19 2022-01-19 Verkehrssimulation und strassennetzmodellierung für autonome fahrzeuge

Country Status (3)

Country Link
US (1) US20220229954A1 (de)
CN (1) CN115221774A (de)
DE (1) DE102022101233A1 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11760368B2 (en) * 2021-10-19 2023-09-19 Cyngn, Inc. System and method of same-loop adaptive simulation for autonomous driving
US20240149913A1 (en) * 2022-11-09 2024-05-09 Gatik AI, Inc. Systems and methods for assessing and enhancing autonomous vehicle performance
CN116702389B (zh) * 2023-04-27 2024-04-19 北京交通大学 一种针对混合交通流的嵌套流量计算方法
CN116884225B (zh) * 2023-09-05 2023-12-26 天津大学 评估自动驾驶车辆比例对交通效率影响的方法及装置

Also Published As

Publication number Publication date
US20220229954A1 (en) 2022-07-21
CN115221774A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
DE102019115030B4 (de) Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs
DE102022101233A1 (de) Verkehrssimulation und strassennetzmodellierung für autonome fahrzeuge
DE102009011259A1 (de) Fahrzeug-Fahrzeug-Positionserkennungssystem und in Beziehung stehendes Betriebsverfahren
DE102019110759A1 (de) System und verfahren zum steuern eines autonomen fahrzeugs
DE102017221643A1 (de) System und Verfahren zur Fahrzeugsteuerung unter Verwendung von Fahrzeugkommunikation
DE102021112349A1 (de) Fahrzeugbetrieb unter verwendung eines dynamischen belegungsrasters
DE102020111250A1 (de) Grafische benutzerschnittstelle zur anzeige des verhaltens autonomer fahrzeuge
DE102017221616A1 (de) System und Verfahren für einen Einfädelassistenten unter Anwendung von Fahrzeugkommunikation
DE102022105584A1 (de) Dynamische verkehrsgeschwindigkeitssteuerung in echtzeit
DE102018131646A1 (de) Fahrerwarnsysteme und verfahren
DE102020103522A1 (de) Fahrzeugsteuerung durch fahrbahnreibung
DE102019114595B4 (de) Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs und zum Ableiten von Straßenabschnittsgeschwindigkeitsgrenzwerten
DE102021117852A1 (de) Fahrzeugkonstruktion und routenoptimierung für unebenes gelände
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
DE102021132850A1 (de) Homotopiebasierter planer für autonome fahrzeuge
DE102021123721A1 (de) Fahrzeugbetrieb unter verwendung eines verhaltensregelmodells
DE102020114306A1 (de) Schätzen von geschwindigkeitsprofilen
DE102022109164A1 (de) Verbessserter fahrzeugbetrieb
DE102022100549A1 (de) Mit einem rang versehene fehlerzustände
DE102021128506A1 (de) Fernsteuerung von fahrzeugbewegungen mit optimierter lokalisierung von mobilen vorrichtungen
DE102022112395A1 (de) Von kreuzungsknoten unterstützte hochauflösende kartierung
DE102020122086A1 (de) Messen von vertrauen in tiefen neuronalen netzwerken
DE102022132428A1 (de) Lokalisierung von fahrzeugen
DE102022125732A1 (de) Frühreaktionssystem für angehaltenen verkehr
DE102022108506A1 (de) Fahrzeugbetrieb

Legal Events

Date Code Title Description
R082 Change of representative

Representative=s name: LORENZ SEIDLER GOSSEL RECHTSANWAELTE PATENTANW, DE