DE102022102501B3

DE102022102501B3 - Verfahren, System und Computerprogrammprodukt zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs

Info

Publication number: DE102022102501B3
Application number: DE102022102501.2A
Authority: DE
Inventors: Moritz Markofsky
Original assignee: Dr Ing HCF Porsche AG
Current assignee: Dr Ing HCF Porsche AG
Priority date: 2022-02-03
Filing date: 2022-02-03
Publication date: 2023-04-27
Anticipated expiration: 2042-02-04

Abstract

Die Erfindung betrifft ein Verfahren zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs, insbesondere eines Fahrassistenzsystems, beim Befahren einer bestimmten Fahrstrecke, wobei die Fahrstrecke als eine zeitliche Sequenz von verschiedenen Szenario-Typen darstellbar ist und ein Szenario-Typ ein spezifisches Verkehrsgeschehen abbildet, umfassend- Bereitstellen von Daten von Sensorsignalen zumindest eines Sensors durch ein Eingabemodul, wobei die Daten während des Befahrens des Kraftfahrzeugs entlang der Fahrstrecke in einer zeitlichen Sequenz aufgenommen und an das Eingabemodul in Echtzeit gesendet werden oder aus einer Datenbank abgerufen werden, und wobei die Daten Messergebnisse von Eigenschaften des Kraftfahrzeugs und der Umgebung repräsentieren;- Analysieren und Klassifizieren der Daten hinsichtlich einer Sequenz von Szenario-Typen von einem Szenario-Identifikationsmodul;- Weitergeben der identifizierten Szenario-Typen an ein Bewertungsmodul, wobei das Bewertungsmodul eine Vielzahl von trainierten Szenario-Modellen aufweist, die jeweils einem spezifischen Szenario-Typ zugeordnet sind;- Berechnen eines Bewertungsindex für zumindest einen identifizierten Szenario-Typ;- Erstellen eines Bewertungsfaktors für die Fahrstrecke.

Description

Die Erfindung betrifft ein Verfahren, ein System und ein Computerprogrammprodukt zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs.
Der Trend zu Fahrerassistenzsystemen (engl. Advanced Driver Assistance System, ADAS) und hochautomatisierten Fahrfunktionen (HAF) bei Kraftfahrzeugen, aber auch bei Luftfahrzeugen oder Wasserfahrzeugen erfordert umfangreiche Absicherungsstrategien, da die Verantwortung über die Fahrzeugführung nicht mehr uneingeschränkt beim Fahrer liegt, sondern aktive Funktionen von Rechnereinheiten im Fahrzeug übernommen werden. Daher muss sichergestellt werden, dass sich autonom bewegende Objekte eine sehr geringere Fehlerrate beim Fahrverhalten aufweisen. Die Erkennung und Klassifizierung von Objekten und die Interpretation von Verkehrsszenarien im Umfeld eines Fahrzeugs sind wichtige Voraussetzungen für eine sichere Funktionsfähigkeit von Fahrerassistenzsystemen. Hierfür ist das gezielte Testen sowohl von Extrem- und Ausnahmesituationen (engl. Corner-Cases) als auch von alltäglichen Situationen erforderlich.
Auch wenn Fahrassistenzsysteme sich durch eine weiterhin zunehmende Sicherheit und Zuverlässigkeit auszeichnen, besteht jedoch nach wie vor bei manchen Fahrern und Nutzern eine gewisse Skepsis, was die Praxistauglichkeit und den Komfort dieser Fahrassistenzsysteme angeht. Hinzu kommt das subjektive Empfinden des Fahrers, die Kontrolle über wichtige Entscheidungen im Straßenverkehr an eine Einrichtung abzugeben, die nicht vollständig verstanden wird und der daher auch nicht immer das erforderliche Vertrauen entgegengebracht wird. Es ist daher für die Akzeptanz von Fahrassistenzsystemen zunehmend erforderlich, bereits bei der Entwicklung von Fahrassistenzsystemen die zu erwartenden Reaktionen von Nutzern und Fahrern des Fahrzeuges zu berücksichtigen. Da Fahrassistenzsysteme in vielen Situationen sicherer als die natürlichen Reaktionen eines menschlichen Fahrers sind, ist eine zunehmende Akzeptanz entscheidend, um die Sicherheit im Straßenverkehr zu erhöhen.
Bisher wird aber lediglich das subjektive Urteil und Empfinden von Nutzern und Fahrern abgefragt hinsichtlich der Funktionsfähigkeit von Komponenten eines Kraftfahrzeugs, wie insbesondere eines Fahrassistenzsystems, aber es steht keine objektive Methodik zur Verfügung, um die zu erwartende Akzeptanz und subjektive Bewertung über die Funktionsfähigkeit von Kraftfahrzeugkomponenten objektiv messen zu können.
Die US 2021 / 0 278 840 A1 offenbart ein autonomes Kraftfahrzeug mit einer Sensoreinrichtung zur Erfassung der Gewohnheiten eines Fahrers, wobei die Sensorsignale mittels künstlicher Intelligenz ausgewertet und basierend darauf das Kraftfahrzeug gesteuert wird.
Die DE 10 2019 116 980 A1 offenbart ein Verfahren zum selektiven Lernen von Kraftfahrzeugdaten, wobei Fahrmanöver erkannt werden und basierend darauf eine Bewertungsanfrage bezüglich des Fahrmanövers an einen Nutzer des Kraftfahrzeugs ausgegeben wird.
Die WO 2015 / 032 508 A1 offenbart ein Verfahren zur Optimierung von Fahrassistenzsystemen, wobei verschiedene Funktionen auf der Grundlage des Betriebszustandes eines Fahrzeugs und von Umgebungsparametern erstellt werden.
Die DE 10 2013 000 131 A1 offenbart ein Feedbacksystem zum Einsatz in einem Kraftfahrzeug umfassend Szenariosensoren zur Erfassung von Szenariodaten bezüglich eines oder mehrerer das Kraftfahrzeug betreffender Szenarien während einer Fahrt und eine Szenariobewertungseinheit, die ausgebildet ist, die Szenarien zu bewerten und abhängig von dem Szenariobewertungsergebnis über eine Ausgabeeinheit ein Feedback für einen Fahrer des Kraftfahrzeugs bereitzustellen.
Die DE 10 2019 213 797 A1 offenbart ein Verfahren zur Bewertung einer Sequenz von Repräsentationen eines Szenarios einer zumindest teilautomatisierten mobilen Plattform. Die Sequenz der Repräsentationen des Szenarios basiert auf Datensequenzen von zumindest einem Sensor. Es wird eine Vielzahl von Validierungspunkten gebildet und eine Analyse von Korrelationen der gebildeten Vielzahl von Validierungspunkten in einem Koordinatenraum der Validierungspunkte durchgeführt, um die Sequenz von Repräsentationen des Szenarios zu bewerten.
Die DE 10 2017 006 434 A1 offenbart ein Verfahren zum vorausschauenden Bewerten einer aktuellen Fahrsituation eines Fahrzeugs. Eine aktuell vorliegende Fahrsituations-Information wird an ein trainiertes neuronales Netz gegeben, das der Fahrsituations-Information eine Fahrsituations-Kategorie zuordnet, wobei die Fahrsituations-Kategorie eine sich in Zukunft aus der aktuellen Fahrsituation entwickelnde Fahrsituation des Fahrzeuges angibt.
Die der Erfindung zu Grunde liegende Aufgabe besteht nun darin, Möglichkeiten zur verbesserten Ermittlung der subjektiven Akzeptanz und Bewertung von Nutzern hinsichtlich der Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs, wie insbesondere eines Fahrassistenzsystems, anzugeben, die auf einer objektiven und nachprüfbaren Basis erstellt werden.
Diese Aufgabe wird hinsichtlich eines Verfahrens durch die Merkmale des Patentanspruchs 1, hinsichtlich eines Systems durch die Merkmale des Patentanspruchs 10, und hinsichtlich eines Computerprogrammprodukts durch die Merkmale des Patentanspruchs 15 erfindungsgemäß gelöst. Die weiteren Ansprüche betreffen bevorzugte Ausgestaltungen der Erfindung.
Durch die vorliegende Erfindung kann die zu erwartende Akzeptanz und Bewertung hinsichtlich der Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs, wie insbesondere eines Fahrassistenzsystems, mittels eines Berechnungsverfahrens, das auf Algorithmen der künstlichen Intelligenz beruht und Messergebnisse von Sensoren zu verschiedenen Szenarien und Bewertungsangaben von verschiedenen Nutzern verwendet, objektiv berechnet werden. Dies gilt insbesondere für kritische Verkehrssituationen, bei denen der Frage nach der sicheren Funktionsfähigkeit einer Komponente von Nutzern besondere Aufmerksamkeit geschenkt wird. Insbesondere können durch die Kenntnis einer zu erwartenden Akzeptanz von Nutzern die Sicherheit und die Einsatzmöglichkeiten von Fahrassistenzsystemen erhöht werden, da diese objektiv ermittelten Bewertungen von Nutzern in die Entwicklung der Fahrassistenzsysteme einfließen können, um weitere Optimierungen zu ermöglichen.
Gemäß einem ersten Aspekt stellt die Erfindung ein Verfahren zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs, insbesondere eines Fahrassistenzsystems, beim Befahren einer bestimmten Fahrstrecke bereit. Die Fahrstrecke ist als eine zeitliche Sequenz von verschiedenen Szenario-Typen darstellbar und ein Szenario-Typ bildet ein spezifisches Verkehrsgeschehen ab. Das Verfahren umfasst die folgenden Verfahrensschritte:

- Bereitstellen von Daten von Sensorsignalen zumindest eines Sensors durch ein Eingabemodul, wobei die Daten während des Befahrens des Kraftfahrzeugs entlang der Fahrstrecke in einer zeitlichen Sequenz aufgenommen und an das Eingabemodul in Echtzeit gesendet werden oder aus einer Datenbank abgerufen werden, und wobei die Daten Messergebnisse von Eigenschaften des Kraftfahrzeugs und der Umgebung repräsentieren;
- Weitergeben der Daten an ein Szenario-Identifikationsmodul;
- Analysieren und Klassifizieren der Daten hinsichtlich einer Sequenz von Szenario-Typen von dem Szenario-Identifikationsmodul;
- Weitergeben der identifizierten Szenario-Typen an ein Bewertungsmodul, wobei das Bewertungsmodul eine Vielzahl von trainierten Szenario-Modellen aufweist, die jeweils einem spezifischen Szenario-Typ zugeordnet sind;
- Berechnen eines Bewertungsindex für zumindest einen identifizierten Szenario-Typ von dem Szenario-Modell für diesen Szenario-Typ;
- Erstellen eines Bewertungsfaktors für die Fahrstrecke aus den berechneten Bewertungsindizes für die Sequenz von identifizierten Szenario-Typen;
- Ausgeben des Bewertungsfaktors durch ein Ausgabemodul.

In einer Weiterbildung ist vorgesehen, dass das Trainieren der Vielzahl von Szenario-Modellen mit einem Trainingssatz von Testdaten erfolgt, wobei die Testdaten Sensorsignale von Sensoren und Bewertungsangaben umfassen. Die Sensorsignale wurden während des Befahrens einer Vielzahl von Fahrstrecken mit dem Kraftfahrzeug in einer zeitlichen Sequenz aufgenommen und repräsentieren Messergebnisse von Eigenschaften des Kraftfahrzeugs und der Umgebung. Die Bewertungsangaben wurden von einem Nutzer des Kraftfahrzeugs während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen in einer zeitlichen Sequenz ausgewählt.
In einer vorteilhaften Ausführungsform ist vorgesehen, dass die Szenario-Typen durch Parameter definierbar sind, wobei die Parameter ein bewegliches Objekt wie ein Kraftfahrzeug, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, eine Geschwindigkeit, eine Beschleunigung, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, eine Beschleunigung, eine Richtung, einen Winkel, einen Radius, einen Ort, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung, eine Jahreszeit, etc. umfassen.
In einer weiteren Ausführungsform ist vorgesehen, dass die Sensoren als Radarsysteme, LIDAR-Systeme zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kameras im sichtbaren Bereich, IR- und/oder UV-Bereich, GPS-Systeme, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Niederschlagssensoren und/oder Temperatursensoren ausgebildet sind.
Insbesondere umfasst das Szenario-Identifikationsmodul eine Softwareapplikation zum Extrahieren und Klassifizieren der verschiedenen Szenario-Typen aus den Testdaten und den Daten der Sensorsignale der Sensoren, wobei die Softwareapplikation Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke verwendet.
In einer Weiterentwicklung ist vorgesehen, dass das Bewertungsmodul zum Trainieren der Szenario-Modelle Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke verwendet.
Insbesondere sind die neuronalen Netzwerke als tiefe neuronale Netzwerke, gefaltete neuronale Netzwerke (Convolutional Neural Network) oder rückgekoppelte Netzwerke (engl. Recurrent Neural Network (RNN)) ausgebildet.
Vorteilhafterweise verwendet die Softwareapplikation und/oder das Bewertungsmodul zumindest einen Encoder und/oder zumindest einen Decoder.
Insbesondere ist vorgesehen, dass der Bewertungsfaktor auf einer Skala von 1-10 angegeben wird.
Gemäß einem zweiten Aspekt stellt die Erfindung ein System zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs, insbesondere eines Fahrassistenzsystems, beim Befahren einer bestimmten Fahrstrecke bereit. Die Fahrstrecke ist als eine zeitliche Sequenz von verschiedenen Szenario-Typen darstellbar und ein Szenario-Typ bildet ein spezifisches Verkehrsgeschehen ab. Das System umfasst ein Eingabemodul, ein Szenario-Identifikationsmodul, ein Bewertungsmodul und ein Ausgabemodul. Das Eingabemodul ist ausgebildet, Daten von Sensorsignalen zumindest eines Sensors bereitzustellen und die Daten an ein Szenario-Identifikationsmodul weiterzugeben, wobei die Daten während des Befahrens des Kraftfahrzeugs entlang der Fahrstrecke in einer zeitlichen Sequenz aufgenommen und an das Eingabemodul in Echtzeit gesendet werden oder aus einer Datenbank abgerufen werden, und wobei die Daten Messergebnisse von Eigenschaften des Kraftfahrzeugs und der Umgebung repräsentieren. Das Szenario-Identifikationsmodul ist ausgebildet, die Daten hinsichtlich einer Sequenz von Szenario-Typen zu analysieren und zu klassifizieren und die identifizierten Szenario-Typen an ein Bewertungsmodul weiterzugeben. Das Bewertungsmodul weist eine Vielzahl von trainierten Szenario-Modellen auf, die jeweils einem spezifischen Szenario-Typ zugeordnet sind. Das Bewertungsmodul ist ausgebildet, einen Bewertungsindex für zumindest einen identifizierten Szenario-Typ von dem Szenario-Modell für diesen Szenario-Typ zu berechnen, und einen Bewertungsfaktor für die Fahrstrecke aus den berechneten Bewertungsindizes für die Sequenz von identifizierten Szenario-Typen zu erstellen. Das Ausgabemodul ist ausgebildet ist, den Bewertungsfaktor auszugeben.
In einer vorteilhaften Weiterbildung ist das Bewertungsmodul ausgebildet, dass das Trainieren der Vielzahl von Szenario-Modellen mit einem Trainingssatz von Testdaten erfolgt, wobei die Testdaten Sensorsignale von Sensoren und Bewertungsangaben umfassen. Die Sensorsignale wurden während des Befahrens einer Vielzahl von Fahrstrecken mit dem Kraftfahrzeug in einer zeitlichen Sequenz aufgenommen und repräsentieren Messergebnisse von Eigenschaften des Kraftfahrzeugs und der Umgebung. Die Bewertungsangaben wurden von einem Nutzer des Kraftfahrzeugs während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen in einer zeitlichen Sequenz ausgewählt.
In einer vorteilhaften Ausführungsform sind die Szenario-Typen durch Parameter definierbar, wobei die Parameter ein bewegliches Objekt wie ein Kraftfahrzeug, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, eine Geschwindigkeit, eine Beschleunigung, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, eine Beschleunigung, eine Richtung, einen Winkel, einen Radius, einen Ort, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung, eine Jahreszeit, etc. umfassen.
In einer weiteren Ausführungsform ist vorgesehen, dass die Sensoren als Radarsysteme, LIDAR-Systeme zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kameras im sichtbaren Bereich, IR- und/oder UV-Bereich, GPS-Systeme, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Niederschlagssensoren und/oder Temperatursensoren ausgebildet sind.
Insbesondere umfasst das Szenario-Identifikationsmodul eine Softwareapplikation zum Extrahieren und Klassifizieren der verschiedenen Szenario-Typen aus den Testdaten und den Daten der Sensorsignale der Sensoren, wobei die Softwareapplikation Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke verwendet.
Gemäß einem dritten Aspekt stellt die Erfindung ein Computerprogrammprodukt bereit, das einen ausführbaren Programmcode umfasst, der derart konfiguriert ist, dass er bei seiner Ausführung das Verfahren gemäß dem ersten Aspekt ausführt.
Nachfolgend wird die Erfindung anhand von in der Zeichnung dargestellten Ausführungsbeispielen näher erläutert.
Dabei zeigt:

1 ein Blockdiagramm zur Erläuterung eines Ausführungsbeispiels eines erfindungsgemäßen Systems;
2 ein Flussdiagramm zur Erläuterung der einzelnen Verfahrensschritte eines erfindungsgemäßen Verfahrens;
3 ein Blockdiagramm eines Computerprogrammprodukt gemäß einer Ausführungsform des dritten Aspekts der Erfindung.

Zusätzliche Kennzeichen, Aspekte und Vorteile der Erfindung oder ihrer Ausführungsbeispiele werden in der nachfolgenden Beschreibung in Verbindung mit den Ansprüchen erläutert.
Moderne Fahrzeuge sind mit einer Vielzahl von Fahrassistenzsystemen bzw. Fahrassistenzfunktionen ausgestattet, um den Fahrer beim Fahren zu unterstützen und seine Sicherheit zu erhöhen. Fahrassistenzsysteme unterstützen beispielsweise die Geschwindigkeits- und Abstandsregelung sowie Spurhalte- und Spurwechselfunktionen. Hierbei kann eine bestimmte maximale Geschwindigkeit eingestellt werden, die nicht überschritten wird, solange die Geschwindigkeitsbegrenzungsfunktion aktiviert ist. Für die Abstandsregelung, bei der ein bestimmter Abstand insbesondere zu einem vorausfahrenden Fahrzeug eingestellt wird, werden Radarsensoren, aber auch Kamerasysteme eingesetzt. Hierdurch kann der Abstand zu vorausfahrenden Fahrzeugen, aber auch zu Fahrzeugen im Seitenbereich überwacht werden. Hierdurch können der Fahrkomfort und die Sicherheit insbesondere bei Fahrten auf der Autobahn und bei Überholmanövern erhöht werden.
Darüber hinaus sind Fahrassistenzsysteme bekannt, die basierend auf Navigationsdaten für die nächsten Kilometer der Wegstrecke optimale Beschleunigungs- und Verzögerungswerte berechnen und mittels einer Steuerungseinrichtung den Motor und die Bremsvorrichtungen des Fahrzeugs entsprechend aktivieren. Da durch die Navigationsdaten der Streckenverlauf bekannt ist, können Daten zu den Straßenverhältnissen und der Topographie, wie etwaige Kurven und Steigungen, abgerufen und für die Berechnung verwendet werden. Zusätzlich können Daten zur aktuellen Verkehrssituation, die mittels eines Radar- und Kamerasystems des Fahrzeugs aufgenommen werden, berücksichtigt werden. Hierdurch kann die Sicherheit insbesondere beim Befahren von Landstraßen erhöht und zudem der Kraftstoffverbrauch optimiert werden.
Die Funktionsfähigkeit von Fahrassistenzsystemen sowie anderen Komponenten eines Kraftfahrzeugs wird jedoch von unterschiedlichen Nutzern unterschiedlich beurteilt. Um die Bewertung von Nutzern hinsichtlich der Funktionsfähigkeit von einzelnen Komponenten eines Kraftfahrzeugs, insbesondere von Fahrerassistenzsystemen, objektiv beurteilen zu können, stellt die Erfindung ein in der 1 dargestelltes System 100 zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs 10, insbesondere eines Fahrassistenzsystems 12, beim Befahren einer bestimmten Fahrstrecke bereit.
Dabei wird eine Fahrstrecke als eine zeitliche Sequenz von verschiedenen Szenario-Typen SZ₁, SZ₂, ..., SZ_n dargestellt. Als Szenario SZ wird im Rahmen der Erfindung ein Verkehrsgeschehen in einer zeitlichen Sequenz bezeichnet, wobei ein Szenario-Typ SZ_i ein spezifisches Verkehrsgeschehen abbildet. Ein Beispiel für einen Szenario-Typ SZ_i ist das Befahren einer Autobahnbrücke, das Abbiegen auf einer Abbiegespur, das Durchfahren eines Tunnels, das Einbiegen in einen Kreisverkehr oder das Halten vor einem Fußgängerübergang. Darüber hinaus können spezifische Sichtverhältnisse beispielsweise aufgrund der Dämmerung oder einer hohen Sonnenlichteinstrahlung sowie Umweltbedingungen wie das Wetter und die Jahreszeit, das Verkehrsaufkommen sowie bestimmte geographische topographische Verhältnisse ein Szenario SZ beeinflussen. Beispielsweise kann ein Überholvorgang als ein Szenario SZ beschrieben werden, bei dem ein erstes Fahrzeug sich zunächst hinter einem anderen Fahrzeug befindet, dann einen Spurwechsel auf die andere Fahrbahn durchführt und die Geschwindigkeit erhöht, um das andere Fahrzeug zu überholen. Zudem kann die Jahreszeit eine Rolle spielen, da ein Überholmanöver bei Starkregen und Glätte anders aussieht als bei Sonnenschein.
Ein Szenario-Typ SZ_i kann durch verschiedene Parameter P₁, P₂, ..., P_n aus einer Menge von möglichen Parametern P_i und zugehörigen Parameterwerten PV₁, PV₂, ..., PV_n aus einer Menge von möglichen Parameterwerten PV_i definiert werden. Die Parameterwerte PV_i legen den Wertebereich eines Parameters P_i fest. Die Parameter P_i umfassen beispielsweise ein bewegliches Objekt wie ein Kraftfahrzeug, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, eine Geschwindigkeit, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, eine Beschleunigung, eine Richtung, einen Winkel, einen Radius, einen Ort, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung, eine Jahreszeit. Als Parameter P_i werden somit im Rahmen der Erfindung Eigenschaften und Merkmale, die Elemente eines Szenarios SZ beschreiben, bezeichnet.
Das System 100 umfasst ein Eingabemodul 200, ein Szenario-Identifikationsmodul 300, ein Bewertungsmodul 400 und ein Ausgabemodul 500. Das Eingabemodul 200, das Szenario-Identifikationsmodul 300, das Bewertungsmodul 400 und das Ausgabemodul 500 können jeweils mit einem Prozessor und/oder einer Speichereinheit versehen sein. Das Szenario-Identifikationsmodul 300 und das Bewertungsmodul 400 können als selbstständige Rechnereinheiten oder als cloudbasierte Lösung ausgebildet sein.
Unter einem „Prozessor“ kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrocontroller, beispielsweise eine anwendungsspezifische integrierte Schaltung oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, etc. handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor, eine virtuelle Maschine oder eine Soft-CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit Konfigurationsschritten zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet wird oder mit Konfigurationsschritten derart konfiguriert ist, dass der programmierbare Prozessor die erfindungsgemäßen Merkmale des Verfahrens, des Systems, der Module, oder anderer Aspekte und/oder Teilaspekte der Erfindung realisiert. Insbesondere kann der Prozessor hochparallele Recheneinheiten und leistungsfähige Grafikmodule enthalten.
Unter einer „Speichereinheit“ oder „Speichermodul“ und dergleichen kann im Zusammenhang mit der Erfindung beispielsweise ein flüchtiger Speicher in Form eines Arbeitsspeichers (engl. Random-Access Memory (RAM)) oder ein dauerhafter Speicher wie eine Festplatte oder ein Datenträger oder z. B. ein wechselbares Speichermodul verstanden werden. Es kann sich bei dem Speichermodul aber auch um eine cloudbasierte Speicherlösung handeln.
Unter einem „Modul“ kann im Zusammenhang mit der Erfindung beispielsweise ein Prozessor und/oder eine Speichereinheit zum Speichern von Programmbefehlen verstanden werden. Beispielsweise ist der Prozessor speziell dazu eingerichtet, die Programmbefehle derart auszuführen, damit der Prozessor und/oder die Steuereinheit Funktionen ausführt, um das erfindungsgemäße Verfahren oder einen Schritt des erfindungsgemäßen Verfahrens zu implementieren oder realisieren.
Das Eingabemodul 200 kann in einem Computer, einem Tablet, einem Smartphone, etc. integriert sein und weist eine Benutzerschnittstelle 210 zur Eingabe von Daten wie Bildern, Graphiken, Diagrammen, Zeitreihen, etc. auf.
Zudem ist das Eingabemodul 200 mit Sensoren 700 verbunden, die Daten 220 von Sensorsignalen 720, die von dem Kraftfahrzeug 10 sowie von dessen Umgebung erfassen werden, an das Eingabemodul 200 übermitteln. Insbesondere können die Sensorsignale 720 in Echtzeit an das Eingabemodul 200 gesendet werden Die Daten 220 werden während des Befahrens des Kraftfahrzeugs 10 entlang der Fahrstrecke in einer zeitlichen Sequenz aufgenommen und repräsentieren Messergebnisse von Eigenschaften des Kraftfahrzeugs 10 und der Umgebung. Unter „Daten“ sind im Zusammenhang mit der Erfindung sowohl Rohdaten als auch bereits aufbereitete Daten zu verstehen. Die Sensoren 700 können insbesondere als Radarsysteme, LIDAR-Systeme zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kameras im sichtbaren Bereich, aber auch im IR- und/oder UV-Bereich, und/oder GPS-Systeme ausgebildet sein. Des Weiteren können Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Niederschlagssensoren und/oder Temperatursensoren, etc. vorgesehen sein.
Des Weiteren kann das Eingabemodul 200 mit zumindest einer Datenbank 750 verbunden sein, aus der das Eingabemodul weitere Daten 220 abruft. Es kann sich dabei um gespeicherte Sensorsignale 720, aber auch um weitere Informationen in Form von Bildern, Graphiken, Zeitreihen, Kenngrößen, etc. handeln. So können beispielsweise Zielgrößen und Zielwerte in der Datenbank 750 abgelegt sein, die einen Sicherheitsstandard definieren. Unter „Datenbank“ ist sowohl ein Speicheralgorithmus als auch die Hardware in Form einer Speichereinheit zu verstehen. Insbesondere kann die Datenbank 750 als Cloud-Computing-Infrastruktur 790 ausgebildet sein bzw. in einer Cloud-Computing-Infrastruktur 790 integriert sein.
Die von dem Eingabemodul 200 generierten Daten 220 werden mittels Kommunikationsverbindungen wie beispielsweise eines CAN-Bus-Systems (Controller Area Network) an das Szenario-Identifikationsmodul 300 weitergeleitet. Es können aber auch drahtlose Verbindungen vorgesehen sein. Eine drahtlose Kommunikationsverbindung ist insbesondere als Mobilfunkverbindung und/oder Nahfeldkommunikationsverbindung wie Bluetooth^®, Ethernet, NFC (near field communication) oder Wi-Fi® ausgebildet.
In dem Szenario-Identifikationsmodul 300 werden die Daten 220 hinsichtlich einer Sequenz von Szenario-Typen SZ₁, SZ₂, ..., SZ_n analysiert und klassifiziert. Hierzu verwendet das Szenario-Identifikationsmodul 300 eine Softwareapplikation 350 zum Extrahieren und Klassifizieren der verschiedenen Szenario-Typen SZ₁, SZ₂, ..., SZ_n aus den Daten 220 der Sensorsignale der Sensoren 700. Die Softwareapplikation 350 verwendet hierzu Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke.
Die identifizierten Szenario-Typen SZ₁, SZ₂, ..., SZ_n werden an das Bewertungsmodul 400 weitergegeben. Das Bewertungsmodul 400 umfasst eine Vielzahl von trainierten Szenario-Modellen M₁, M₂, ..., M_n, die insbesondere als neuronale Netzwerke ausgebildet sind. Jedes Szenario-Modell M_i bezieht sich jeweils auf einen spezifischen Szenario-Typ SZ_i und wurde mit Testdaten 240 dieses Szenario-Typs SZ_i trainiert. Von dem Szenario-Modell M_i wird ein Bewertungsindex VI_i für den identifizierten Szenario-Typ SZ_i berechnet. Der Bewertungsindex VI_i kann beispielsweise Werte auf einer Skala von 0 bis 1 aufweisen. Da eine Sequenz von identifizierten Szenario-Typen SZ₁, SZ₂, ..., SZ_n für die bestimmte Fahrstrecke vorliegt, wird somit für die Szenario-Typen SZ₁, SZ₂, ..., SZ_n eine Sequenz von berechneten Bewertungsindizes VI₁, VI, ..., VI_n erstellt. Aus diesen berechneten Bewertungsindizes VI, VI, ..., VI_n wird dann ein Bewertungsfaktor 450 für die gesamte bestimmte Fahrstrecke erstellt. Es kann sich bei dem Bewertungsfaktor 450 um einen Mittelwert über die berechneten Bewertungsindizes VI₁, VI, ..., VI_n handeln, aber im Rahmen der Erfindung können auch andere arithmetische Verfahren verwendet werden. Insbesondere können die jeweils berechneten Bewertungsindizes VI₁, VI, ..., VI_n mit Gewichtsfaktoren multipliziert werden, die beispielsweise die Wertigkeit und Wichtigkeit der einzelnen identifizierten Szenario-Typen SZ₁, SZ₂, ..., SZ_n widerspiegeln. Der Bewertungsfaktor 450 wird dann durch das Ausgabemodul 500 ausgegeben.
Der Bewertungsfaktor 450 beruht somit auf einer objektiven Metrik, die sich durch das Trainieren der Vielzahl von Szenario-Modellen M₁, M₂, ..., M_n mit einem Trainingssatz von Testdaten 240 ergibt.
Der Trainingssatz der Testdaten 240 für das Training der Szenario-Modellen M₁, M₂, ..., M_n setzt sich sowohl aus Sensorsignalen 720 der Sensoren 700 als auch aus Bewertungsangaben 740 von Nutzern zusammen. Die Sensorsignale 720 wurden während des Befahrens einer Vielzahl von Fahrstrecken mit dem Kraftfahrzeug 10 in einer zeitlichen Sequenz aufgenommen und repräsentierten Messergebnisse von Eigenschaften des Kraftfahrzeugs 10 und der Umgebung. Die Vielzahl der Fahrstrecken umfasst unterschiedliche Szenario-Typen SZ₁, SZ₂, ..., SZ_n und sie wurden von unterschiedlichen Fahrern bzw. Nutzern des Kraftfahrzeugs 10 abgefahren. Während des Befahrens der jeweiligen Fahrstrecke haben die Fahrer bzw. Nutzer des Kraftfahrzeugs auf einer Bewertungsskala, die beispielsweise zwischen 1 und 10 liegt, ihre persönliche subjektive Bewertung in Form einer Bewertungsangabe 740 eingegeben mittels einer entsprechenden Eingabevorrichtung. Die Eingabe kann beispielsweise manuell per Touch-Screen oder akustisch mithilfe eines Mikrofons erfolgen. Die Eingabe der Bewertungsangabe 740 sollte dabei möglichst zeitgleich während oder kurz nach dem Durchfahren eines Szenarios erfolgen, sodass eine Zuordnung zwischen einem bestimmten Szenario-Typ SZ_i und der Bewertungsangabe 740 eindeutig ist. Die Bewertungsangaben 740 werden somit von dem Nutzer des Kraftfahrzeugs 10 während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen 720 in einer zeitlichen Sequenz ausgewählt. Da die Fahrstrecken von unterschiedlichen Nutzern des Kraftfahrzeugs 10 abgefahren werden, liegen somit zu unterschiedlichen Szenario-Typen SZ₁, SZ₂, ..., SZ_n auch unterschiedliche Bewertungsangaben 740 vor, da unterschiedliche Nutzer jeweils ein sich unterscheidendes subjektives Empfinden entwickeln hinsichtlich der Bewertung der Reaktion einer Komponente eines Kraftfahrzeugs, insbesondere eines Fahrassistenzsystems, bezogen auf einen bestimmten Szenario-Typ SZ_i. Da in dem Trainingssatz der Testdaten 240 diese Vielfalt an Bewertungsangaben 740 für einen bestimmten Szenario-Typ SZ_i vorgesehen ist, kann durch das Training des jeweiligen Szenario-Modells M_i diese Vielfalt berücksichtigt und ein objektiver Bewertungsfaktor 450 ermittelt werden.
Für die Szenario-Modelle M₁, M₂, ..., M_n werden wiederum Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke verwendet. Insbesondere können die neuronalen Netzwerke sowohl der Softwareapplikation 300 als auch der Szenario-Modelle M₁, M₂, ..., M_n als tiefe neuronale Netzwerke, gefaltete neuronale Netzwerke (Convolutional Neural Network) oder rückgekoppelte Netzwerke (engl. Recurrent Neural Network (RNN)) ausgebildet sein. Insbesondere können die Softwareapplikation 350 und oder/das Bewertungsmodul 400 zumindest einen Encoder und/oder zumindest einen Decoder verwenden.
Ein neuronales Netzwerk besteht aus Neuronen, die in mehreren Schichten angeordnet und unterschiedlich miteinander verbunden sind. Ein Neuron ist in der Lage, an seinem Eingang Informationen von außerhalb oder von einem anderen Neuron entgegenzunehmen, die Information in einer bestimmten Art zu bewerten und sie in veränderter Form am Neuronen-Ausgang an ein weiteres Neuron weiterzuleiten oder als Endergebnis auszugeben. Hidden-Neuronen sind zwischen den Input-Neuronen und Output-Neuronen angeordnet. Je nach Netzwerktyp können mehrere Schichten von Hidden-Neuronen vorhanden sein. Sie sorgen für die Weiterleitung und Verarbeitung der Informationen. Output-Neuronen liefern schließlich ein Ergebnis und geben dieses an die Außenwelt aus. Durch die Anordnung und die Verknüpfung der Neuronen entstehen verschiedene Typen von neuronalen Netzwerken wie Feedforward-Netzwerke, Rekurrente Netzwerke oder gefaltete neuronale Netzwerke (engl. Convolutional Neural Networks (CNN)).
Das Convolutional Neural Network ist eine besondere Form eines künstlichen neuronalen Netzwerks. Es besitzt mehrere Faltungsschichten und ist für maschinelles Lernen und Anwendungen mit Künstlicher Intelligenz (KI) im Bereich der Mustererkennung sehr gut geeignet. Die einzelnen Schichten des CNN sind die Convolutional-Schicht, die Pooling-Schicht und die vollständig verknüpfte Schicht. Die Convolutional-Schicht ist die eigentliche Faltungsebene und in der Lage, in den Eingabedaten einzelne Merkmale zu erkennen und zu extrahieren. Bei der Muster- und Bilderkennung können dies Merkmale wie Linien, Kanten oder bestimmte Formen sein. Die Verarbeitung der Eingabedaten erfolgt in Form von Tensoren wie einer Matrix oder Vektoren. Die Pooling-Schicht, auch Subsampling-Schicht genannt, verdichtet und reduziert die Auflösung der erkannten Merkmale durch passende Filterfunktionen. Durch das reduzierte Datenaufkommen erhöht sich die Berechnungsgeschwindigkeit. Da das CNN in mehrere lokale teilverknüpfte Schichten aufgeteilt ist, hat es einen wesentlich geringeren Speicherplatzbedarf als vollverknüpfte neuronale Netzwerke. Ebenfalls stark verkürzt ist die Trainingszeit des Convolutional Neural Networks. Mit dem Einsatz moderner Grafikprozessoren lassen sich CNNs sehr effizient trainieren.
Das Ausgabemodul 500 kann ebenfalls in einem Hardwaregerät wie einem Computer, einem Tablet, einem Smartphone, etc. integriert sein, wobei insbesondere das Hardwaregerät für das Eingabemodul 200 und das Ausgabemodul 500 identisch sind.
Des Weiteren kann vorgesehen sein, dass die Ausgabedaten 450 direkt an eine Simulationssoftware weitergeleitet werden, wobei die Simulationssoftware insbesondere dazu ausgebildet ist, Fahrassistenzsysteme zu simulieren.
Da insbesondere eine Berechnung des Bewertungsfaktors 450 in Echtzeit erfolgen soll, ist eine Durchführung der Rechenoperationen des Szenario-Identifikationsmoduls 300 und des Bewertungsmoduls 400 in einer Cloud-Computing-Infrastruktur 790 erstrebenswert. Hierdurch kann eine schnelle Berechnung gewährleistet werden, da cloudbasierte Lösungen den Vorteil von hohen und damit schnellen Rechenleistungen bieten. Für die Kommunikation des Eingabemoduls 200 mit der Cloud-Computing-Infrastruktur 790 ist eine 5G-Mobilfunkverbindung vorteilhaft, um die von dem Eingabemodul 200 generierten Daten 250 in Echtzeit an das in der Cloud-Computing-Infrastruktur 700 integrierte Szenario-Identifikationsmoduls 300 zu senden.
5G ist der Mobilfunkstandard der fünften Generation und zeichnet sich im Vergleich zum 4G-Mobilfunkstandard durch höhere Datenraten bis zu 10 Gbit/sec, der Nutzung höherer Frequenzbereiche wie beispielsweise 2100, 2600 oder 3600 Megahertz, eine erhöhte Frequenzkapazität und damit einen erhöhten Datendurchsatz und eine Echtzeitdatenübertragung aus, da bis zu eine Million Geräte pro Quadratkilometer gleichzeitig ansprechbar sind. Die Latenzzeiten betragen wenige Millisekunden bis unter 1 ms, so dass Echtzeitübertragungen von Daten und von Berechnungsergebnissen möglich sind. Diese Geschwindigkeit bei der Datenübermittlung ist sinnvoll, wenn cloudbasierte Lösungen für die Verarbeitung der Daten verwendet werden sollen.
Um die Verbindung zu der Cloud-Computing-Infrastruktur 790 mittels einer Mobilfunkverbindung zu schützen, sind insbesondere kryptographische Verschlüsselungsverfahren für die Verbindung zwischen dem Eingabemodul 200 und dem Szenario-Identifikationsmodul 300 und/oder der Verbindung zwischen dem Bewertungsmodul 400 und dem Ausgabemodul 500 vorgesehen.
Insbesondere kann vorgesehen sein, dass die trainierten Szenario-Modelle M₁, M₂, ..., M_n in der Cloud-Computing-Infrastruktur 790 gespeichert werden. Hierdurch kann die Recheneffizienz gesteigert werden, da die Zugriffsmöglichkeiten und die Zugriffsgeschwindigkeiten zu den trainierten Szenario-Modellen M₁, M₂, ..., M_n vereinfacht ist.
In der 2 sind die Verfahrensschritte zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs 10, insbesondere eines Fahrassistenzsystems 12, beim Befahren einer bestimmten Fahrstrecke dargestellt.
In einem Schritt S10 werden Daten 220 von Sensorsignalen 720 zumindest eines Sensors 700 durch ein Eingabemodul 200 bereitgestellt, wobei die Daten 220 während des Befahrens des Kraftfahrzeugs 10 entlang der Fahrstrecke in einer zeitlichen Sequenz aufgenommen und an das Eingabemodul 200 in Echtzeit gesendet werden oder aus einer Datenbank 750 abgerufen werden, und wobei die Daten 220 Messergebnisse von Eigenschaften des Kraftfahrzeugs 10 und der Umgebung repräsentieren.
In einem Schritt S20 werden die Daten 220 an ein Szenario-Identifikationsmodul 300 weitergegeben.
In einem Schritt S30 werden die Daten 220 hinsichtlich einer Sequenz von Szenario-Typen SZ₁, SZ₂, ..., SZ_n von dem Szenario-Identifikationsmodul 300 analysiert und klassifiziert.
In einem Schritt S40 werden die identifizierten Szenario-Typen SZ₁, SZ₂, ..., SZ_n an ein Bewertungsmodul 400 weitergegeben, wobei das Bewertungsmodul 400 eine Vielzahl von trainierten Szenario-Modellen M₁, M₂, ..., M_n aufweist, die jeweils einem spezifischen Szenario-Typ SZ_i zugeordnet sind.
In einem Schritt S50 wird ein Bewertungsindex VI_i für zumindest einen identifizierten Szenario-Typ SZ_i von dem Szenario-Modell M_i für diesen Szenario-Typ SZ_i berechnet.
In einem Schritt S60 wird ein Bewertungsfaktor 450 für die Fahrstrecke aus den berechneten Bewertungsindizes VI₁, VI, ..., VI_n für die Sequenz von identifizierten Szenario-Typen SZ₁, SZ₂, ..., SZ_n erstellt.
In einem Schritt S70 wird der Bewertungsfaktor 450 durch ein Ausgabemodul 500 ausgegeben.
3 stellt schematisch ein Computerprogrammprodukt 900 dar, das einen ausführbaren Programmcode 950 umfasst, der konfiguriert ist, um das Verfahren gemäß dem ersten Aspekt der vorliegenden Erfindung auszuführen, wenn es ausgeführt wird.
Mit dem Verfahren und dem System 100 der vorliegenden Erfindung kann die zu erwartende Akzeptanz und Bewertung hinsichtlich der Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs, wie insbesondere eines Fahrassistenzsystems, mittels eines Berechnungsverfahrens, das auf Algorithmen der künstlichen Intelligenz beruht und Messergebnisse von Sensoren zu verschiedenen Szenarien und Bewertungsangaben von verschiedenen Nutzern verwendet, objektiv berechnet werden. Dies gilt insbesondere für kritische Verkehrssituationen, bei denen der Frage nach der sicheren Funktionsfähigkeit einer Komponente von Nutzern besondere Aufmerksamkeit geschenkt wird. Insbesondere können durch die Kenntnis einer zu erwartenden Akzeptanz von Nutzern die Sicherheit und die Einsatzmöglichkeiten von Fahrassistenzsystemen erhöht werden, da diese objektiv ermittelten Bewertungen von Nutzern in die Entwicklung der Fahrassistenzsysteme einfließen können, um weitere Optimierungen zu ermöglichen.
Bezugszeichenliste

10: Kraftfahrzeug
12: Fahrassistenzsystem
100: System
200: Eingabemodul
210: Benutzerschnittstelle
220: Daten
240: Testdaten
300: Szenario-Identifikationsmodul
350: Softwareapplikation
400: Bewertungsmodul
450: Bewertungsfaktor
500: Ausgabemodul
700: Sensoren
720: Sensorsignale
740: Bewertungsangaben
750: Datenbank
790: Cloud-Computing-Infrastruktur
900: Computerprogrammprodukt
950: Programmcode

Claims

Verfahren zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs (10), insbesondere eines Fahrassistenzsystems (12), beim Befahren einer bestimmten Fahrstrecke, wobei die Fahrstrecke als eine zeitliche Sequenz von verschiedenen Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) darstellbar ist und ein Szenario-Typ (SZ_i) ein spezifisches Verkehrsgeschehen abbildet, umfassend - Bereitstellen (S10) von Daten (220) von Sensorsignalen (720) zumindest eines Sensors (700) durch ein Eingabemodul (200), wobei die Daten (220) während des Befahrens des Kraftfahrzeugs (10) entlang der Fahrstrecke in einer zeitlichen Sequenz aufgenommen und an das Eingabemodul (200) in Echtzeit gesendet werden oder aus einer Datenbank (750) abgerufen werden, und wobei die Daten (220) Messergebnisse von Eigenschaften des Kraftfahrzeugs (10) und der Umgebung repräsentieren; - Weitergeben (S20) der Daten (220) an ein Szenario-Identifikationsmodul (300); - Analysieren und Klassifizieren (S30) der Daten (220) hinsichtlich einer Sequenz von Szenario-Typen (SZ ₁, SZ₂, ..., SZ_n) von dem Szenario-Identifikationsmodul (300); - Weitergeben (S40) der identifizierten Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) an ein Bewertungsmodul (400), wobei das Bewertungsmodul (400) eine Vielzahl von trainierten Szenario-Modellen (M₁, M₂, ..., M_n) aufweist, die jeweils einem spezifischen Szenario-Typ (SZ_i) zugeordnet sind; - Berechnen (S50) eines Bewertungsindex (VI_i) für zumindest einen identifizierten Szenario-Typ (SZ_i) von dem Szenario-Modell (M_i) für diesen Szenario-Typ (SZ_i); - Erstellen (S60) eines Bewertungsfaktors (450) für die Fahrstrecke aus den berechneten Bewertungsindizes (VI₁, VI, ..., VI_n) für die Sequenz von identifizierten Szenario-Typen (SZ₁, SZ₂, ..., SZ_n); - Ausgeben (S70) des Bewertungsfaktors (450) durch ein Ausgabemodul (500).
Verfahren nach Anspruch 1, wobei das Trainieren der Vielzahl von Szenario-Modellen (M₁, M₂, ..., M_n) mit einem Trainingssatz von Testdaten (240) erfolgt, und wobei die Testdaten (240) Sensorsignale (720) von Sensoren (700) und Bewertungsangaben (740) umfassen, wobei die Sensorsignale (720) während des Befahrens einer Vielzahl von Fahrstrecken mit dem Kraftfahrzeug (10) in einer zeitlichen Sequenz aufgenommen wurden und Messergebnisse von Eigenschaften des Kraftfahrzeugs (10) und der Umgebung repräsentieren, und die Bewertungsangaben (740) von einem Nutzer des Kraftfahrzeugs (10) während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen (720) in einer zeitlichen Sequenz ausgewählt wurden.
Verfahren nach Anspruch 1 oder 2, wobei die Szenario-Typen (SZ₁, SZ₂, ...,SZ_n) durch Parameter (P_i) definierbar sind, und wobei die Parameter (P_i) ein bewegliches Objekt wie ein Kraftfahrzeug, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, eine Geschwindigkeit, eine Beschleunigung, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, eine Beschleunigung, eine Richtung, einen Winkel, einen Radius, einen Ort, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung, eine Jahreszeit, etc. umfassen.
Verfahren nach einem der Ansprüche 1 bis 3, wobei die Sensoren (700) als Radarsysteme, LIDAR-Systeme zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kameras im sichtbaren Bereich, IR- und/oder UV-Bereich, GPS-Systeme, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Niederschlagssensoren und/oder Temperatursensoren ausgebildet sind.
Verfahren nach einem der Ansprüche 1 bis 4, wobei das Szenario-Identifikationsmodul (300) eine Softwareapplikation (350) zum Extrahieren und Klassifizieren der verschiedenen Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) aus den Testdaten (240) und den Daten (220) der Sensorsignale der Sensoren (700) umfasst, und wobei die Softwareapplikation (350) Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke verwendet.
Verfahren nach einem der Ansprüche 1 bis 5, wobei das Bewertungsmodul (400) zum Trainieren der Szenario-Modelle (M₁, M₂, ..., M_n) Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke verwendet.
Verfahren nach Anspruch 5 oder Anspruch 6, wobei die neuronalen Netzwerke als tiefe neuronale Netzwerke, gefaltete neuronale Netzwerke (Convolutional Neural Network) oder rückgekoppelte Netzwerke (engl. Recurrent Neural Network (RNN)) ausgebildet sind.
Verfahren nach Anspruch 5 oder Anspruch 6, wobei die Softwareapplikation (350) und/oder das Bewertungsmodul (400) zumindest einen Encoder und/oder einen Decoder verwendet.
Verfahren nach einem der Ansprüche 1 bis 8, wobei der Bewertungsfaktor (450) auf einer Skala von 1-10 angegeben wird.
System (100) zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs (10), insbesondere eines Fahrassistenzsystems (12), beim Befahren einer bestimmten Fahrstrecke, wobei die Fahrstrecke als eine zeitliche Sequenz von verschiedenen Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) darstellbar ist und ein Szenario-Typ (SZ_i) ein spezifisches Verkehrsgeschehen abbildet, wobei das System ein Eingabemodul (200), ein Szenario-Identifikationsmodul (300), ein Bewertungsmodul (400) und ein Ausgabemodul (500 umfasst, wobei das Eingabemodul (200) ausgebildet ist, Daten (220) von Sensorsignalen (720) zumindest eines Sensors (700) bereitzustellen und die Daten (220) an ein Szenario-Identifikationsmodul (300) weiterzugeben; wobei die Daten (220) während des Befahrens des Kraftfahrzeugs (10) entlang der Fahrstrecke in einer zeitlichen Sequenz aufgenommen und an das Eingabemodul (200) in Echtzeit gesendet werden oder aus einer Datenbank (750) abgerufen werden, und wobei die Daten (220) Messergebnisse von Eigenschaften des Kraftfahrzeugs (10) und der Umgebung repräsentieren; wobei das Szenario-Identifikationsmodul (300) ausgebildet ist, die Daten (220) hinsichtlich einer Sequenz von Szenario-Typen (SZ ₁, SZ₂, ..., SZ_n) zu analysieren und zu klassifizieren und die identifizierten Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) an ein Bewertungsmodul (400) weiterzugeben; wobei das Bewertungsmodul (400) eine Vielzahl von trainierten Szenario-Modellen (M₁, M₂, ..., M_n) aufweist, die jeweils einem spezifischen Szenario-Typ (SZ_i) zugeordnet sind, und ausgebildet ist, einen Bewertungsindex (VI_i) für zumindest einen identifizierten Szenario-Typ (SZ_i) von dem Szenario-Modell (M_i) für diesen Szenario-Typ (SZ_i) zu berechnen, und einen Bewertungsfaktor (450) für die Fahrstrecke aus den berechneten Bewertungsindizes (VI₁, VI, ..., VI_n) für die Sequenz von identifizierten Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) zu erstellen; und wobei das Ausgabemodul (500) ausgebildet ist, den Bewertungsfaktor (450) auszugeben.
System (100) nach Anspruch 10, wobei das Bewertungsmodul (400) ausgebildet ist, dass das Trainieren der Vielzahl von Szenario-Modellen (M₁, M₂, ..., M_n) mit einem Trainingssatz von Testdaten (240) erfolgt, und wobei die Testdaten (240) Sensorsignale (720) von Sensoren (700) und Bewertungsangaben (740) umfassen, wobei die Sensorsignale (720) während des Befahrens einer Vielzahl von Fahrstrecken mit dem Kraftfahrzeug (10) in einer zeitlichen Sequenz aufgenommen wurden und Messergebnisse von Eigenschaften des Kraftfahrzeugs (10) und der Umgebung repräsentieren, und die Bewertungsangaben (740) von einem Nutzer des Kraftfahrzeugs (10) während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen (720) in einer zeitlichen Sequenz ausgewählt wurden.
System (100) nach Anspruch 10 oder 11, wobei die Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) durch Parameter (P_i) definierbar sind, und wobei die Parameter (P_i) ein bewegliches Objekt wie ein Kraftfahrzeug, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, eine Geschwindigkeit, eine Beschleunigung, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, eine Beschleunigung, eine Richtung, einen Winkel, einen Radius, einen Ort, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung, eine Jahreszeit, etc. umfassen.
System (100) nach einem der Ansprüche 10 bis 12, wobei die Sensoren (700) als Radarsysteme, LIDAR-Systeme zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kameras im sichtbaren Bereich, IR- und/oder UV-Bereich, GPS-Systeme, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Niederschlagssensoren und/oder Temperatursensoren ausgebildet sind.
System (100 nach einem der Ansprüche 10 bis 13, wobei das Szenario-Identifikationsmodul (300) eine Softwareapplikation (350) zum Extrahieren und Klassifizieren der verschiedenen Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) aus den Testdaten (240) und den Daten (220) der Sensorsignale der Sensoren (700) umfasst, und wobei die Softwareapplikation (350) Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke verwendet.
Computerprogrammprodukt (900), umfassend einen ausführbaren Programmcode (950), der derart konfiguriert ist, dass er bei seiner Ausführung das Verfahren nach einem der Ansprüche 1 bis 9 ausführt.