DE102022106338A1

DE102022106338A1 - Anpassen eines Fahrverhaltens eines autonomen Fahrzeugs

Info

Publication number: DE102022106338A1
Application number: DE102022106338.0A
Authority: DE
Inventors: Daniel Wedekind
Original assignee: Joynext GmbH
Current assignee: Joynext GmbH
Priority date: 2022-03-18
Filing date: 2022-03-18
Publication date: 2023-09-21
Also published as: CN116767272A

Abstract

Die Erfindung betrifft ein Verfahren zum Anpassen eines Fahrverhaltens eines autonomen Fahrzeugs (217). Bei dem Verfahren wird eine Verkehrssituation mit einem von dem autonomen Fahrzeug (217) auszuführenden Fahrmanöver definiert. Ferner wird ein Modell zum Ausführen des Fahrmanövers in der Verkehrssituation trainiert. Das Modell berücksichtigt und bewertet einen auf die Verkehrssituation bezogenen Verkehrsfluss. Das Ausführen des Fahrmanövers wird derart trainiert, dass der Verkehrsfluss gemäß dessen Bewertung optimiert wird. In der Verkehrssituation wird das Fahrmanöver von dem autonomen Fahrzeug (217) gemäß dem Modell in Abhängigkeit von dem Verkehrsfluss ausgeführt.

Description

Die Erfindung betrifft ein Verfahren zum Anpassen eines Fahrverhaltens eines autonomen Fahrzeugs.
Unter einem autonomen Fahrzeug wird hier ein selbstfahrendes Fahrzeug verstanden, das heißt ein Fahrzeug, das Fahrmanöver selbständig ohne Eingriff eines Fahrers ausführt. Das selbständige Ausführen von Fahrmanövern stellt vielfältige Anforderungen an ein autonomes Fahrzeug. Insbesondere müssen Verkehrssituationen einschließlich anderer Verkehrsteilnehmer und deren Bewegungen erfasst und bewertet werden. Zu diesem Zweck weist ein autonomes Fahrzeug eine Vielzahl von Sensoren auf, um seine Umgebung zu erfassen, beispielsweise Kameras, Lidar-, Radar- und/oder Ultraschallsensoren. Die Sensorsignale dieser Sensoren werden von dem autonomen Fahrzeug ausgewertet und beurteilt, um den Verkehrssituationen angepasste Fahrmanöver auszuführen. Eine besondere Bedeutung kommt dabei der Anforderung zu, dass von dem autonomen Fahrzeug ausgeführte Fahrmanöver andere Verkehrsteilnehmer nicht gefährden. Ein autonomes Fahrzeug weist daher typischerweise eine so genannte defensive Fahrweise auf, die Sicherheitsaspekte in den Vordergrund stellt. Eine übertrieben defensive Fahrweise kann jedoch zu Behinderungen des Verkehrs führen. Ferner kann eine übertrieben defensive Fahrweise andere Verkehrsteilnehmer verärgern und zu riskanten Fahrmanövern verleiten, beispielsweise zu gefährlichen Überholmanövern.
EP 3 598 414 A1 offenbart ein Verfahren zum Vorhersagen einer Trajektorie mindestens eines Verkehrsteilnehmers, um eine Kollision eines Host-Fahrzeugs, insbesondere eines autonomen Fahrzeugs, mit dem Verkehrsteilnehmer zu vermeiden. Dabei wird ein Cluster möglicher Trajektorien des Verkehrsteilnehmers ermittelt und daraus wird wenigstens eine Trajektorie für den Verkehrsteilnehmer vorhergesagt. Basierend auf der wenigstens einen vorhergesagten Trajektorie wird von dem Host-Fahrzeug wenigstens eine Aktion ausgeführt.
WO 2020/040975 A1 offenbart ein Verfahren, bei dem mittels Fahrzeugsensoren erfasste Daten gespeichert werden, die das Fahrverhalten manuell gesteuerter Fahrzeuge in Verkehrssituationen beschreiben und beispielsweise verwendet werden, um ein maschinell lernendes Modell zum Steuern eines autonomen Fahrzeugs zu trainieren oder einen Fahrer eines Fahrzeugs zu unterstützen. Um die Menge zu speichernder Daten zu begrenzen, werden hochaufgelöste Daten eines Fahrverhaltens nur dann gespeichert, wenn das Fahrverhalten von speziellem Interesse ist, beispielsweise wenn das Fahrverhalten signifikant von einem vorhergesagten Fahrverhalten abweicht.
Der Erfindung liegt die Aufgabe zugrunde, Verkehrsbehinderungen durch das Fahrverhalten eines autonomen Fahrzeugs zu reduzieren.
Die Aufgabe wird erfindungsgemäß mit einem Verfahren zum Anpassen eines Fahrverhaltens eines autonomen Fahrzeugs gelöst, wobei

- eine Verkehrssituation mit einem von dem autonomen Fahrzeug auszuführenden Fahrmanöver definiert wird,
- ein Modell zum Ausführen des Fahrmanövers in der Verkehrssituation trainiert wird,
- wobei das Modell einen auf die Verkehrssituation bezogenen Verkehrsfluss berücksichtigt und bewertet und das Ausführen des Fahrmanövers derart trainiert wird, dass der Verkehrsfluss gemäß dessen Bewertung optimiert wird,
- und in der Verkehrssituation das Fahrmanöver von dem autonomen Fahrzeug gemäß dem Modell in Abhängigkeit von dem Verkehrsfluss ausgeführt wird.

Das erfindungsgemäße Verfahren richtet das Fahrverhalten eines autonomen Fahrzeugs in einer Verkehrssituation an dessen Auswirkungen auf einen auf die Verkehrssituation bezogenen Verkehrsfluss aus. Dabei wird ein Modell des Fahrverhaltens des autonomen Fahrzeugs in der Verkehrssituation mit dem Ziel trainiert, den Verkehrsfluss zu optimieren. Dies unterscheidet das erfindungsgemäße Verfahren beispielsweise von dem aus EP 3 598 414 A1 bekannten Stand der Technik, der auf die Vermeidung von Kollisionen eines Host-Fahrzeugs, insbesondere eines autonomen Fahrzeugs, mit anderen Verkehrsteilnehmern gerichtet ist.
Beim Trainieren des Modells wird die Auswirkung des Fahrverhaltens des autonomen Fahrzeugs auf den Verkehrsfluss anhand geeigneter Optimierungsparameter bewertet und optimiert. Somit werden das Fahrverhalten des autonomen Fahrzeugs und dessen Auswirkungen beim Trainieren des Modells retrospektiv unter dem Aspekt einer Optimierung des Verkehrsflusses betrachtet und bewertet. Eine derartige retrospektive Betrachtung und Bewertung des Fahrverhaltens ist ein weiterer Unterschied zu dem beispielsweise aus EP 3 598 414 A1 und WO 2020/040975 A1 bekannten Stand der Technik.
Bei einer Ausführungsform der Erfindung basiert das Modell auf einem künstlichen neuronalen Netzwerk. Künstliche neuronale Netzwerke sind Mittel der künstlichen Intelligenz, die beispielsweise zum Mustererkennen und maschinellen Lernen eingesetzt werden. Sie eignen sich daher insbesondere auch zum maschinellen Erlernen eines Fahrverhaltens auf der Basis von Trainingsdaten.
Bei einer weiteren Ausführungsform der Erfindung wird das Modell mit in der Realität aufgezeichneten Daten trainiert. Insbesondere kann das Modell dabei durch bestärkendes Lernen (engl. Reinforced Learning) Ausführungen des Fahrmanövers besonders belohnen, die in der Realität von nicht autonomen Fahrzeugen ausgeführt wurden.
Die vorgenannte Ausführungsform der Erfindung ermöglicht, das Fahrverhalten des autonomen Fahrzeugs dem Fahrverhalten nicht autonom fahrender Fahrzeuge anzupassen. Dadurch kann insbesondere ein übertrieben defensives Fahrverhalten des autonomen Fahrzeugs vermieden werden, das zu unnötigen Fahrverzögerungen des autonomen Fahrzeugs und zu Fahrbehinderungen anderer Fahrzeuge führen kann.
Bei einer weiteren Ausführungsform der Erfindung wird der Verkehrsfluss in der Verkehrssituation mit wenigstens einem Sensor des autonomen Fahrzeugs erfasst. Sensoren, die zum Erfassen des Verkehrsflusses in Frage kommen, sind beispielsweise Kameras, Lidar-, Radar- und Ultraschallsensoren. Ein autonomes Fahrzeug weist in Regel mehrere derartige Sensoren auf.
Bei einer weiteren Ausführungsform der Erfindung werden beim Bewerten des Verkehrsflusses Fahrverzögerungen sowohl des autonomen Fahrzeugs als auch durch das Fahrverhalten des autonomen Fahrzeugs verursachte Fahrverzögerungen anderer Fahrzeuge berücksichtigt. Beispielsweise wird beim Optimieren des Verkehrsflusses eine Pareto-Optimierung mit den Zielen des Minimierens von Fahrverzögerungen des autonomen Fahrzeugs und von durch das Fahrverhalten des autonomen Fahrzeugs verursachten Fahrverzögerungen anderer Fahrzeuge durchgeführt.
Unter einer Pareto-Optimierung, die auch als Mehrzieloptimierung bezeichnet wird, wird das Lösen eines Optimierungsproblems mit mehreren, oft gegenläufigen Zielen, verstanden. In diesem Fall sind diese Ziele das Minimieren von Fahrverzögerungen verschiedener Fahrzeuge unter Einschluss des autonomen Fahrzeugs selbst. Gemäß der vorgenannten Ausführungsform der Erfindung werden also beim Bewerten und Optimieren des Verkehrsflusses Fahrverzögerungen auch des autonomen Fahrzeugs selbst in die Bewertung einbezogen. Auch dadurch kann ein übertrieben defensives Fahrverhalten des autonomen Fahrzeugs vermieden werden. Beispielsweise können durch das Fahrmanöver des autonomen Fahrzeugs verursachte geringfügige Fahrverzögerungen anderer Fahrzeuge in Kauf genommen werden, um eine übermäßige Fahrverzögerung des autonomen Fahrzeugs zu vermeiden.
Bei einer weiteren Ausführungsform der Erfindung ist die Verkehrssituation das Erreichen einer Kreuzung und das von dem autonomen Fahrzeug auszuführende Fahrmanöver ist ein Befahren der Kreuzung, beispielsweise ein Abbiegen an der Kreuzung oder ein Überqueren der Kreuzung auf einer von dem autonomen Fahrzeug bereits vor dem Erreichen der Kreuzung befahrenen Fahrspur. Unter einer Kreuzung wird hier jedes Zusammentreffen von Verkehrswegen verstanden. Beispielsweise wird auch eine Einmündung („T-Kreuzung“), an der ein Verkehrsweg endet und auf einen anderen Verkehrsweg trifft, als Kreuzung bezeichnet. Das Erreichen einer Kreuzung ist eine für ein autonomes Fahrzeug potenziell anspruchsvolle Verkehrssituation, da sie von aus verschiedenen Richtungen kommenden Fahrzeugen befahren werden kann und oft relativ komplexe Vorfahrtregeln zu beachten sind, insbesondere wenn es sich nicht um eine beispielsweise durch eine Lichtsignalanlage gesteuerte Kreuzung handelt. Das erfindungsgemäße Verfahren zielt daher insbesondere auf das Fahrverhalten eines autonomen Fahrzeugs beim Erreichen und Befahren einer Kreuzung.
Bei der vorgenannten Ausführungsform der Erfindung werden als Maße des Verkehrsflusses beispielsweise folgende Größen definiert und verwendet:

- eine individuelle Wartedauer, die das autonome Fahrzeug vor der Kreuzung wartet, während es auf der von ihm befahrenen Fahrspur das erste vor der Kreuzung wartende Fahrzeug ist,
- eine integrale Wartedauer, die eine Gesamtwartezeit von während der individuellen Wartedauer auf der von dem autonomen Fahrzeug befahrenen Fahrspur hinter dem autonomen Fahrzeug vor der Kreuzung wartenden Fahrzeugen angibt, und
- ein dominanter Verkehrsfluss, der definiert ist als das Produkt der individuellen Wartedauer mit der Anzahl aller Fahrzeuge, die die Kreuzung während der individuellen Wartedauer unter Verwendung wenigstens einer Fahrspur passieren, die das autonome Fahrzeug beim Befahren der Kreuzung kreuzen muss oder in die sich das autonome Fahrzeug einordnen muss.

Die individuelle Wartedauer ist ein Maß für die Fahrverzögerung des autonomen Fahrzeugs. Die integrale Wartedauer ist die Summe der Wartezeiten anderer Fahrzeuge, die während der individuellen Wartedauer hinter dem autonomen Fahrzeug an der Kreuzung warten. Die integrale Wartedauer ist also ein Maß für die Fahrverzögerungen aller Fahrzeuge, die durch das Warten des autonomen Fahrzeugs an der Kreuzung während der individuellen Wartedauer an einem Weiterfahren auf der von dem autonomen Fahrzeug befahrenen Fahrspur gehindert werden. Der dominante Verkehrsfluss ist ein Maß für den Verkehrsfluss auf allen anderen Fahrspuren, auf denen Fahrzeuge durch das Fahrmanöver des autonomen Fahrzeugs potenziell behindert werden können.
In dem Fall, dass die Verkehrssituation das Erreichen einer Kreuzung ist, wird zur Optimierung des Verkehrsflusses beispielsweise ein Ego-Verkehrsflussverhältnis minimiert, das definiert ist als die durch den dominanten Verkehrsfluss dividierte Summe der individuellen Wartedauer und der integralen Wartedauer. Die Minimierung des Ego-Verkehrsflussverhältnisses zielt entsprechend der Definition des Ego-Verkehrsflussverhältnisses auf eine optimierte Balance zwischen Fahrverzögerungen des autonomen Fahrzeugs und Fahrverzögerungen anderer Fahrzeuge, die durch das Fahrverhalten des autonomen Fahrzeugs verursacht werden.
Alternativ wird das Ego-Verkehrsflussverhältnis beispielsweise unter der Nebenbedingung minimiert, dass eine Manöververzögerung minimal ist. Dabei ist die Manöververzögerung definiert als eine Funktion von fahrmanöververursachten Geschwindigkeitsdifferenzen für Geschwindigkeiten von infolge des Ausführens des Fahrmanövers abgebremsten Fahrzeugen, wobei jede fahrmanöververursachte Geschwindigkeitsdifferenz definiert ist als die Differenz einer Referenzgeschwindigkeit für das abgebremste Fahrzeug und einer Geschwindigkeit, auf die dieses Fahrzeug abgebremst wurde.
Die Manöververzögerung ist beispielsweise als eine Summe von fahrmanöververursachten Geschwindigkeitsdifferenzen während eines Auswertezeitraums definiert.
Der Auswertezeitraum erstreckt sich beispielsweise von einem Beginn des Fahrmanövers bis zu einem spätesten Zeitpunkt, zu dem mit wenigstens einem Sensor des autonomen Fahrzeugs fahrmanöververursachte Geschwindigkeitsdifferenzen erfassbar sind.
Die Referenzgeschwindigkeit eines abgebremsten Fahrzeugs ist beispielsweise das Minimum einer unmittelbar vor dem Ausführen des Fahrmanövers mit dem Verkehrsfluss vereinbaren Geschwindigkeit des abgebremsten Fahrzeugs und einer zulässigen Höchstgeschwindigkeit auf einer von dem abgebremsten Fahrzeug befahrenen Fahrspur. Alternativ ist die Referenzgeschwindigkeit eines abgebremsten Fahrzeugs beispielsweise die Geschwindigkeit des abgebremsten Fahrzeugs unmittelbar vor dem Ausführen des Fahrmanövers.
Ausführungsformen der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert. Dabei zeigen:

1 ein Ablaufdiagramm einer Ausführungsform des erfindungsgemäßen Verfahrens,
2 eine Straßenszene an einer Kreuzung.

1 (1) zeigt ein Ablaufdiagramm 100 einer Ausführungsform des erfindungsgemäßen Verfahrens mit Verfahrensschritten 101 bis 103 zum Anpassen eines Fahrverhaltens eines autonomen Fahrzeugs.
Die Verfahrensschritte 101 bis 103 werden nachfolgend auch unter Bezugnahme auf 2 beschrieben.
2 (2) zeigt schematisch eine Straßenszene 200 an einer Kreuzung 201. An der Kreuzung 201 kreuzen sich eine erste Straße 202 und eine zweite Straße 203, wobei die erste Straße 202 ist die Vorfahrtstraße an der Kreuzung 201 ist. Die erste Straße 202 weist zwei Fahrspuren 204, 205 mit voneinander verschiedenen vorgeschriebenen Fahrtrichtungen auf. Die zweite Straße 203 weist ebenfalls zwei Fahrspuren 206, 207 mit voneinander verschiedenen vorgeschriebenen Fahrtrichtungen auf. Die jeweils vorgeschriebenen Fahrtrichtungen der Fahrspuren 204 bis 207 sind in 2 durch Pfeile dargestellt.
Dargestellt sind ferner Fahrzeuge 208, 209, 210, die eine erste Fahrspur 204 der ersten Straße 202 befahren, Fahrzeuge 211, 212, 213, die die zweite Fahrspur 205 der ersten Straße 202 befahren, ein Fahrzeug 214, das eine erste Fahrspur 206 der zweiten Straße 203 befährt, und Fahrzeuge 215, 216, 217, die die zweite Fahrspur 207 der zweiten Straße 203 befahren. Das Fahrzeug 217 ist ein autonomes Fahrzeug.
In einem ersten Verfahrensschritt 101 wird eine Verkehrssituation mit einem von dem autonomen Fahrzeug 217 auszuführenden Fahrmanöver definiert.
Die Definition der Verkehrssituation umfasst beispielsweise eine Beschreibung der statischen Struktur einer Verkehrsumgebung. Dazu zählen beispielsweise Verkehrswege in der Verkehrsumgebung wie Straßen und deren Fahrspuren sowie deren Verknüpfungen, aber auch Fußgängerübergänge oder Lichtsignalanlagen. Ferner umfasst die Definition der Verkehrssituation beispielsweise in der Verkehrsumgebung geltende Verkehrsregeln wie Vorfahrtsregeln oder Geschwindigkeitsbegrenzungen. Außerdem umfasst die Definition der Verkehrssituation eine Beschreibung eines von dem autonomen Fahrzeug 217 auszuführenden Fahrmanövers, das heißt einer Fahraufgabe für das autonome Fahrzeug 217.
In dem in 2 gezeigten Beispiel ist die Verkehrssituation das Erreichen der Kreuzung 201 mit einer Fahraufgabe für das autonome Fahrzeug 217. Die zugehörige Definition einer Verkehrssituation umfasst eine Abstraktion der in 2 dargestellten Kreuzung 201 mit zwei sich kreuzenden Straßen 202, 203 und deren Fahrspuren 204 bis 207. Ferner umfasst die Definition der Verkehrssituation die an der Kreuzung 201 geltenden Verkehrsregeln, insbesondere die Charakterisierung der ersten Straße 202 als Vorfahrtsstraße und die für die Fahrspuren 204 bis 207 vorgeschriebenen Fahrtrichtungen. Außerdem umfasst die Definition der Verkehrssituation eine Beschreibung der Fahraufgabe für das autonome Fahrzeug 217, das heißt des von dem autonomen Fahrzeug 217 an der Kreuzung 201 auszuführenden Fahrmanövers. Die Fahraufgabe ist beispielsweise ein Abbiegen an der Kreuzung 201 von der zweiten Fahrspur 207 der zweiten Straße 203 auf die erste Fahrspur 204 der ersten Straße 202, ein Abbiegen an der Kreuzung 201 von der zweiten Fahrspur 207 der zweiten Straße 203 auf die zweite Fahrspur 205 der ersten Straße 202 oder ein Überqueren der Kreuzung 201 auf der zweiten Fahrspur 207 der zweiten Straße 203.
In einem zweiten Verfahrensschritt 102 wird ein Modell zum Ausführen des Fahrmanövers in der Verkehrssituation trainiert. Das Modell basiert beispielsweise auf einem künstlichen neuronalen Netzwerk.
Das Modell berücksichtigt und bewertet einen auf die Verkehrssituation bezogenen Verkehrsfluss. Das Ausführen des Fahrmanövers wird derart trainiert, dass der Verkehrsfluss gemäß dessen Bewertung optimiert wird. Beim Bewerten des Verkehrsflusses werden Fahrverzögerungen sowohl des autonomen Fahrzeugs 217 als auch durch das Fahrverhalten des autonomen Fahrzeugs 217 verursachte Fahrverzögerungen anderer Fahrzeuge 208 bis 216 berücksichtigt. Beim Optimieren des Verkehrsflusses wird beispielsweise eine Pareto-Optimierung mit den Zielen des Minimierens von Fahrverzögerungen des autonomen Fahrzeugs 217 und von durch das Fahrverhalten des autonomen Fahrzeugs 217 verursachten Fahrverzögerungen anderer Fahrzeuge 208 bis 216 durchgeführt.
Im Folgenden wird das Trainieren eines solchen Modells am Beispiel einer Verkehrssituation beschrieben, die das Erreichen einer in 2 dargestellten Kreuzung 201 ist, wobei das von dem autonomen Fahrzeug 217 an der Kreuzung 201 auszuführende Fahrmanöver ein Abbiegen an der Kreuzung 201 von der Fahrspur 207 der zweiten Straße 203 auf eine der Fahrspuren 204, 205 der ersten Straße 202 oder ein Überqueren der Kreuzung 201 auf der Fahrspur 207 der zweiten Straße 203 ist.
Dabei wird beispielsweise ein Stopppunkt definiert, an dem das autonome Fahrzeug 217 auf der Fahrspur 207 vor der Kreuzung 201 spätestens anhalten muss, um nicht in die Fahrspur 205 der ersten Straße 202 hineinzuragen. An diesem Stopppunkt befinde sich das autonome Fahrzeug 217 in 2. An dem Stopppunkt muss das autonome Fahrzeug 217 in der Regel anhalten und warten bis es die Kreuzung 201 befahren kann, da es aufgrund des Vorfahrtcharakters der ersten Straße 202 zunächst Fahrzeuge 208 bis 213 die Kreuzung 201 passieren lassen muss, die von einer der Fahrspuren 204, 205 der ersten Straße 202 kommend die Kreuzung 201 befahren. An dem Stopppunkt ist das autonome Fahrzeug 217 auf der von ihm befahrenen Fahrspur 207 das erste vor der Kreuzung 201 wartende Fahrzeug. Hinter dem autonomen Fahrzeug 217 auf der Fahrspur 207 fahrende Fahrzeuge 215, 216 müssen ebenfalls anhalten und warten bis das autonome Fahrzeug 217 von dem Stopppunkt losfährt.
Das Trainieren des Modells dient insbesondere dazu, den Zeitpunkt zu bestimmen, zu dem das autonome Fahrzeug 217 von dem Stopppunkt losfährt, um das Fahrmanöver auszuführen. Dieser Zeitpunkt wird derart bestimmt, dass durch das Ausführen des Fahrmanövers der Verkehrsfluss gemäß dessen Bewertung optimiert wird.
Zum Bewerten und Optimieren des Verkehrsflusses werden als Maße des Verkehrsflusses folgende Größen definiert und verwendet:

- eine individuelle Wartedauer, die das autonome Fahrzeug 217 an dem Stopppunkt wartet, beziehungsweise die das autonome Fahrzeug 217 vor der Kreuzung 201 wartet, während es auf der von ihm befahrenen Fahrspur 207 das erste vor der Kreuzung 201 wartende Fahrzeug ist,
- eine integrale Wartedauer, die eine Gesamtwartezeit von während der individuellen Wartedauer hinter dem autonomen Fahrzeug 217 vor der Kreuzung 201 wartenden Fahrzeugen 215, 216, das heißt die Summe der Wartezeiten aller Fahrzeuge 215, 216, die während der individuellen Wartedauer hinter dem autonomen Fahrzeug 217 vor der Kreuzung 201 warten, angibt, und
- ein dominanter Verkehrsfluss, der definiert ist als das Produkt der individuellen Wartedauer mit der Anzahl aller Fahrzeuge 208 bis 214, die die Kreuzung während der individuellen Wartedauer unter Verwendung wenigstens einer Fahrspur 204 bis 206 passieren, die das autonome Fahrzeug 217 beim Befahren der Kreuzung 201 kreuzen muss oder in die sich das autonome Fahrzeug 217 einordnen muss.

Im Fall, dass das Fahrmanöver ein Überqueren der Kreuzung 201 auf der Fahrspur 207 ist, muss das autonome Fahrzeug 217 die beiden Fahrspuren 204, 205 der ersten Straße 202 kreuzen. In diesem Fall ist der dominante Verkehrsfluss also das Produkt der individuellen Wartedauer mit der Anzahl aller Fahrzeuge 208 bis 214, die die Kreuzung während der individuellen Wartedauer unter Verwendung einer der Fahrspuren 204, 205 der ersten Straße 202 passieren.
Im Fall, dass das Fahrmanöver ein Abbiegen von der Fahrspur 207 auf die Fahrspur 205 ist, muss sich das autonome Fahrzeug 217 auf die Fahrspur 205 einordnen. In diesem Fall ist der dominante Verkehrsfluss also das Produkt der individuellen Wartedauer mit der Anzahl aller Fahrzeuge 211 bis 213, die die Kreuzung während der individuellen Wartedauer unter Verwendung der Fahrspur 205 der ersten Straße 202 passieren.
Im Fall, dass das Fahrmanöver ein Abbiegen von der Fahrspur 207 auf die Fahrspur 204 ist, muss das autonome Fahrzeug die Fahrspuren 205 und 206 kreuzen und sich auf die Fahrspur 204 einordnen. In diesem Fall ist der dominante Verkehrsfluss also das Produkt der individuellen Wartedauer mit der Anzahl aller Fahrzeuge 208 bis 214, die die Kreuzung während der individuellen Wartedauer unter Verwendung wenigstens einer der Fahrspuren 204 bis 206 passieren.
Aus der individuellen Wartedauer, der integralen Wartedauer und dem dominanten Verkehrsfluss wird ein auf das autonome Fahrzeug 217 bezogenes Ego-Verkehrsflussverhältnis gebildet, das definiert ist als die durch den dominanten Verkehrsfluss dividierte Summe der individuellen Wartedauer und der integralen Wartedauer. Das Modell zum Ausführen des Fahrmanövers wird dann beispielsweise derart trainiert, dass das Ego-Verkehrsflussverhältnis minimiert wird.
Alternativ wird das Modell zum Ausführen des Fahrmanövers beispielsweise derart trainiert, dass das Ego-Verkehrsflussverhältnis unter der Nebenbedingung minimiert wird, dass eine Manöververzögerung minimal ist. Die Manöververzögerung wird definiert als eine Funktion von fahrmanöververursachten Geschwindigkeitsdifferenzen für Geschwindigkeiten von infolge des Ausführens des Fahrmanövers abgebremsten Fahrzeugen 208 bis 214, wobei jede fahrmanöververursachte Geschwindigkeitsdifferenz definiert ist als die Differenz einer Referenzgeschwindigkeit für das abgebremste Fahrzeug 208 bis 214 und einer Geschwindigkeit, auf die dieses Fahrzeug 208 bis 214 abgebremst wurde.
Beispielsweise wird die Manöververzögerung als eine Summe von fahrmanöververursachten Geschwindigkeitsdifferenzen während eines Auswertezeitraums definiert. Der Auswertezeitraum erstreckt sich beispielsweise von einem Beginn des Fahrmanövers bis zu einem spätesten Zeitpunkt, zu dem mit wenigstens einem Sensor des autonomen Fahrzeugs fahrmanöververursachte Geschwindigkeitsdifferenzen erfassbar sind.
Die Referenzgeschwindigkeit eines abgebremsten Fahrzeugs 208 bis 214 ist beispielsweise das Minimum einer unmittelbar vor dem Ausführen des Fahrmanövers mit dem Verkehrsfluss vereinbaren Geschwindigkeit des abgebremsten Fahrzeugs 208 bis 214 und einer zulässigen Höchstgeschwindigkeit auf einer von dem abgebremsten Fahrzeug 208 bis 214 befahrenen Fahrspur 204 bis 206. Alternativ ist die Referenzgeschwindigkeit eines abgebremsten Fahrzeugs 208 bis 214 die Geschwindigkeit des abgebremsten Fahrzeugs 208 bis 214 unmittelbar vor dem Ausführen des Fahrmanövers.
Das Modell dient damit in diesem Fall als Klassifikator einer Situation am Stopppunkt des autonomen Fahrzeugs 217 vor der Kreuzung 201. Das Modell ermittelt als Ausgangsparameter eine zeitaktuelle Empfehlung zum Stehenbleiben am Stopppunkt oder Losfahren vom Stopppunkt. Eingangsparameter des Modells sind die Beschreibung der Verkehrssituation mit dem auszuführenden Fahrmanöver und dynamische Randbedingungen, beispielsweise aktuelle Belegungen der einzelnen Fahrspuren 204 bis 207, aktuelle Verkehrsflüsse auf den Fahrspuren 204 bis 207 oder durchschnittliche Fahrzeugabstände auf den Fahrspuren 204 bis 207.
In einem dritten Verfahrensschritt 103 wird das Modell von dem autonomen Fahrzeug 217 in der Realität angewendet. Das autonome Fahrzeug 217 folgt typischerweise einer Fahrtroute von einer Startposition zu einer Zielposition. Für die Navigation und Objekterkennung entlang der Fahrtroute weist das autonome Fahrzeug 217 eine Navigationseinrichtung und mehrere Sensoren, beispielsweise Kameras, Lidar-, Radar- und/oder Ultraschallsensoren, auf. Die Navigationseinrichtung umfasst eine Positionsbestimmungseinheit, die Satellitensignale von Navigationssatelliten eines oder mehrerer Navigationssatellitensysteme wie GPS, GLONASS, Galileo oder/und Beidou empfängt und auswertet, um die aktuelle Position des autonomen Fahrzeugs 217 zu bestimmen und zu verfolgen. Ferner wertet die Navigationseinrichtung Kartendaten einer oder mehrerer digitaler Landkarten aus, die in einer Speichereinheit des autonomen Fahrzeugs 217 gespeichert sind und/oder von einem Datenwolkendienst einer Datenwolke (engl. Cloud) bereitgestellt werden. Zusätzlich kann das autonome Fahrzeug 217 eingerichtet sein, Daten einer V2X-Kommunikation zu empfangen und auszuwerten. V2X-Kommunikation wird auch als Vehicle-to-Everything Communication, Car2X-Kommunikation oder Car-to-X Communication bezeichnet und ermöglicht den Austausch von Daten zwischen einem Fahrzeug und einer Umgebung des Fahrzeugs, insbesondere auch die Kommunikation zwischen Fahrzeugen, die auch als Car2Car-Kommunikation, Car-to-Car Communication, V2V-Kommunikation oder Vehicle-to-Vehicle Communication bezeichnet wird. V2X-Kommunikation erfolgt in der Regel durch Funksignale in Frequenzbändern des WLAN, mit DSRC (Abkürzung für Dedicated Short Range Communication) oder Mobilfunknetzes.
Um das trainierte Modell anzuwenden, erfasst das autonome Fahrzeug 217 bei einer Annäherung an die Verkehrssituation kontinuierlich die dynamischen Eingangsparameter des Modells. In der oben anhand von 2 beschriebenen Verkehrssituation erfasst das autonome Fahrzeug 217 beispielsweise mit seinen Sensoren bei Annäherung an die Kreuzung 201 aktuelle Belegungen der einzelnen Fahrspuren 204 bis 207, aktuelle Geschwindigkeiten von Fahrzeugen 208 bis 216 auf den Fahrspuren 204 bis 207 und aktuelle Fahrzeugabstände auf den Fahrspuren 204 bis 207. In Abhängigkeit von den dynamischen Eingangsparametern gibt das Modell eine kontinuierliche Handlungsempfehlung an die autonome Manöverplanung des autonomen Fahrzeugs 217. In der oben anhand von 2 beschriebenen Verkehrssituation ist die Handlungsempfehlung am Stopppunkt auf der Fahrspur 207 vor Kreuzung 201 beispielsweise die Empfehlung, an dem Stopppunkt zu warten oder von dem Stopppunkt loszufahren.
Der zweite Verfahrensschritt 102 wird zunächst in einer Trainingsphase ausgeführt. Vorzugsweise wird das Modell dabei mit in der Realität aufgezeichneten Daten trainiert. Beispielsweise belohnt das Modell dabei durch bestärkendes Lernen Ausführungen des Fahrmanövers besonders, die in der Realität von nicht autonomen Fahrzeugen ausgeführt wurden. Dadurch kann die Ausführung des Fahrmanövers durch das autonome Fahrzeug 217 dem Verhalten von Fahrern nicht autonomer Fahrzeuge angepasst werden. Nach der Trainingsphase wird das trainierte Modell an das autonome Fahrzeug 217 übertragen.
In dem dritten Verfahrensschritt 103 können von dem autonomen Fahrzeug 217 während und nach dem Anwenden des Fahrmanövers die Verkehrsflüsse erfasst und die sich daraus ergebenden Optimierungsparameter, die beim Trainieren des Modells optimiert werden, ermittelt werden. In der oben anhand von 2 beschriebenen Verkehrssituation werden von dem autonomen Fahrzeug 217 beispielsweise seine individuelle Wartedauer, die integrale Wartedauer, der dominante Verkehrsfluss und die fahrmanöververursachten Geschwindigkeitsdifferenzen anderer Fahrzeuge 208 bis 213 erfasst und als Optimierungsparameter werden daraus das Ego-Verkehrsflussverhältnis und die Manöververzögerung ermittelt.
Die während und nach dem Anwenden des Fahrmanövers ermittelten Optimierungsparameter können dann zu einem weiteren Trainieren des Modells verwendet werden, das zu einer Verbesserung des Modells führen kann. Dieses weitere Trainieren des Modells kann beispielsweise von einer fahrzeuginternen Einheit des autonomen Fahrzeugs 217 durchgeführt werden. Alternativ oder zusätzlich werden die ermittelten Optimierungsparameter beispielsweise an eine Datenwolke gesendet, die eine Instanz des Modells verwaltet und das Modell anhand an sie auch von anderen Fahrzeugen gesendeter Daten fortlaufend trainiert und verbessert. Die in der Datenwolke trainierte Instanz des Modells kann beispielsweise verwendet werden, um sie in einem autonomen Fahrzeug 217 zu implementieren oder eine in einem autonomen Fahrzeug 217 bereits implementierte Instanz des Modells zu ersetzen oder zu aktualisieren.
Bezugszeichenliste

100: Ablaufdiagramm
101 bis 103: Verfahrensschritt
200: Straßenszene
201: Kreuzung
202, 203: Straße
204 bis 207: Fahrspur
208 bis 216: Fahrzeug
217: autonomes Fahrzeug

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

EP 3598414 A1 [0003, 0007, 0008]
WO 2020040975 A1 [0004, 0008]

Claims

Verfahren zum Anpassen eines Fahrverhaltens eines autonomen Fahrzeugs (217), wobei - eine Verkehrssituation mit einem von dem autonomen Fahrzeug (217) auszuführenden Fahrmanöver definiert wird, - ein Modell zum Ausführen des Fahrmanövers in der Verkehrssituation trainiert wird, - wobei das Modell einen auf die Verkehrssituation bezogenen Verkehrsfluss berücksichtigt und bewertet und das Ausführen des Fahrmanövers derart trainiert wird, dass der Verkehrsfluss gemäß dessen Bewertung optimiert wird, - und in der Verkehrssituation das Fahrmanöver von dem autonomen Fahrzeug (217) gemäß dem Modell in Abhängigkeit von dem Verkehrsfluss ausgeführt wird.
Verfahren gemäß Anspruch 1, wobei das Modell auf einem künstlichen neuronalen Netzwerk basiert.
Verfahren gemäß Anspruch 1 oder 2, wobei das Modell mit in der Realität aufgezeichneten Daten trainiert wird.
Verfahren gemäß Anspruch 3, wobei das Modell durch bestärkendes Lernen Ausführungen des Fahrmanövers besonders belohnt, die in der Realität von nicht autonomen Fahrzeugen ausgeführt wurden.
Verfahren gemäß einem der vorhergehenden Ansprüche, wobei der Verkehrsfluss in der Verkehrssituation mit wenigstens einem Sensor des autonomen Fahrzeugs (217) erfasst wird.
Verfahren gemäß einem der vorhergehenden Ansprüche, wobei beim Bewerten des Verkehrsflusses Fahrverzögerungen sowohl des autonomen Fahrzeugs (217) als auch durch das Fahrverhalten des autonomen Fahrzeugs (217) verursachte Fahrverzögerungen anderer Fahrzeuge (208 bis 216) berücksichtigt werden.
Verfahren gemäß Anspruch 6, wobei beim Optimieren des Verkehrsflusses eine Pareto-Optimierung mit den Zielen des Minimierens von Fahrverzögerungen des autonomen Fahrzeugs (217) und von durch das Fahrverhalten des autonomen Fahrzeugs (217) verursachten Fahrverzögerungen anderer Fahrzeuge (208 bis 216) durchgeführt wird.
Verfahren gemäß einem der vorhergehenden Ansprüche, wobei die Verkehrssituation das Erreichen einer Kreuzung (201) ist und das Fahrmanöver ein Befahren der Kreuzung (201) ist.
Verfahren gemäß Anspruch 8, wobei als Maße des Verkehrsflusses folgende Größen definiert und verwendet werden: - eine individuelle Wartedauer, die das autonome Fahrzeug (219) vor der Kreuzung (201) wartet, während es auf der von ihm befahrenen Fahrspur (207) das erste vor der Kreuzung (201) wartende Fahrzeug ist, - eine integrale Wartedauer, die eine Gesamtwartezeit von während der individuellen Wartedauer auf der von dem autonomen Fahrzeug (217) befahrenen Fahrspur (207) hinter dem autonomen Fahrzeug (217) vor der Kreuzung (201) wartenden Fahrzeugen (215, 216) angibt, und - ein dominanter Verkehrsfluss, der definiert ist als das Produkt der individuellen Wartedauer mit der Anzahl aller Fahrzeuge (208 bis 214), die die Kreuzung (201) während der individuellen Wartedauer unter Verwendung wenigstens einer Fahrspur (204 bis 206) passieren, die das autonome Fahrzeug (217) beim Befahren der Kreuzung (201) kreuzen muss oder in die sich das autonome Fahrzeug (217) einordnen muss.
Verfahren gemäß Anspruch 9, wobei zur Optimierung des Verkehrsflusses ein Ego-Verkehrsflussverhältnis minimiert wird, das definiert ist als die durch den dominanten Verkehrsfluss dividierte Summe der individuellen Wartedauer und der integralen Wartedauer.
Verfahren gemäß Anspruch 10, wobei das Ego-Verkehrsflussverhältnis unter der Nebenbedingung minimiert wird, dass eine Manöververzögerung minimal ist, wobei die Manöververzögerung definiert ist als eine Funktion von fahrmanöververursachten Geschwindigkeitsdifferenzen für Geschwindigkeiten von infolge des Ausführens des Fahrmanövers abgebremsten Fahrzeugen (208 bis 214), wobei jede fahrmanöververursachte Geschwindigkeitsdifferenz definiert ist als die Differenz einer Referenzgeschwindigkeit für das abgebremste Fahrzeug (208 bis 214) und einer Geschwindigkeit, auf die dieses Fahrzeug (208 bis 214) abgebremst wurde.
Verfahren gemäß Anspruch 11, wobei die Manöververzögerung als eine Summe von fahrmanöververursachten Geschwindigkeitsdifferenzen während eines Auswertezeitraums definiert ist.
Verfahren gemäß Anspruch 12, wobei sich der Auswertezeitraum von einem Beginn des Fahrmanövers bis zu einem spätesten Zeitpunkt erstreckt, zu dem mit wenigstens einem Sensor des autonomen Fahrzeugs (217) fahrmanöververursachte Geschwindigkeitsdifferenzen erfassbar sind.
Verfahren gemäß einem der Ansprüche 11 bis 13, wobei die Referenzgeschwindigkeit eines abgebremsten Fahrzeugs (208 bis 214) das Minimum einer unmittelbar vor dem Ausführen des Fahrmanövers mit dem Verkehrsfluss vereinbaren Geschwindigkeit des abgebremsten Fahrzeugs (208 bis 214) und einer zulässigen Höchstgeschwindigkeit auf einer von dem abgebremsten Fahrzeug (208 bis 214) befahrenen Fahrspur (204 bis 206) ist.
Verfahren gemäß einem der Ansprüche 11 bis 13, wobei die Referenzgeschwindigkeit eines abgebremsten Fahrzeugs (208 bis 214) die Geschwindigkeit des abgebremsten Fahrzeugs (208 bis 214) unmittelbar vor dem Ausführen des Fahrmanövers ist.