DE102022108677B3

DE102022108677B3 - Verfahren, System und Computerprogrammprodukt zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrassistenzfunktion

Info

Publication number: DE102022108677B3
Application number: DE102022108677.1A
Authority: DE
Inventors: Moritz Markofsky
Original assignee: Dr Ing HCF Porsche AG
Current assignee: Dr Ing HCF Porsche AG
Priority date: 2022-04-11
Filing date: 2022-04-11
Publication date: 2023-06-01
Anticipated expiration: 2042-04-12

Abstract

Die Erfindung betrifft ein Verfahren zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems (12) und/oder einer automatisierten Fahrassistenzfunktion (14) eines Kraftfahrzeugs (10) beim Befahren einer Fahrstrecke mit verschiedenen Szenario-Typen umfassend:- Generieren von Daten (220) aus Sensorsignalen zumindest eines Sensors (700) durch ein Eingabemodul (200), wobei die Daten (220) Messergebnisse von Parameterwerten von Parametern der verschiedenen durchfahrenen Szenario-Typen darstellen;- Generieren eines Bewertungsindex (240) von einem Nutzer über die subjektive Bewertung einer bestimmten Ausführungsvariante eines Szenario-Typs;- Extrahieren eines Minimalwertes und eines Maximalwertes für den Wertebereich zumindest eines Parameters für eine mit dem gleichen Bewertungsindex (240) bewertete Vielzahl von Ausführungsvarianten eines ausgewählten Szenario-Typs;- Erstellen einer Korrelationsmetrik (450) zwischen den verschiedenen Bewertungsindizes (240) und dem jeweiligen extrahierten Minimalwert und Maximalwert eines Wertebereiches eines Parameters;- Berechnen zumindest einer Kenngröße (470) zur Prädiktion einer subjektiven Bewertung des Fahrassistenzsystems und/oder der Fahrassistenzfunktion für den ausgewählten Szenario-Typ mittels der Korrelationsmetrik.

Description

Die Erfindung betrifft ein Verfahren, ein System und ein Computerprogrammprodukt zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrassistenzfunktion.
Moderne Fahrzeuge sind mit einer Vielzahl von Fahrassistenzsystemen bzw. automatisierten 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.
Dieser 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 autonom sich 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 von Fahrassistenzsystemen 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 wichtig, bereits bei der Entwicklung die zu erwartenden Reaktionen von Nutzern und Fahrern zu berücksichtigen, die bei einer aktivierten und durchgeführten Fahrassistenzfunktion auftreten. 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 jedoch lediglich das subjektive Urteil und Empfinden von Nutzern bzw. Fahrern abgefragt hinsichtlich der Funktionsfähigkeit und Betriebssicherheit eines Fahrassistenzsystems beim Durchfahren von unterschiedlichen Verkehrsszenarien. Es steht daher keine objektiv messbare Methodik zur Verfügung, um eine subjektive Bewertung von Nutzern über die Leistungsfähigkeit eines Fahrassistenzsystem bei der Bewältigung von unterschiedlichen Verkehrssituationen vorhersagen zu können und damit in die Entwicklung von Fahrassistenzsystemen mit aufzunehmen.
Die US 10 449 957 B2 offenbart ein Verfahren zur Steuerung eines autonomen Kraftfahrzeugs, wobei eine im Kraftfahrzeug befindliche Person über einen Feedback-Anforderungsbildschirm eine Bewertung über ein autonom durchgeführtes Fahrmanöver abgeben kann, wobei basierend auf der Bewertung der Person das autonom erfolgende Fahrmanöver, beispielsweise bezüglich der Längsbewegung, der Position der Fahrspur, der Beschleunigung und/oder der Lückengröße zu einem anderen Fahrzeug, angepasst wird.
Die US 9 665 100 B2 offenbart eine autonome Kraftfahrzeugnavigation, wobei bei einer Navigation Benutzereingaben bezüglich der Navigation berücksichtigt werden.
Die DE 10 2016 117 428 A1 offenbart ein System zur Benutzerinteraktion bei einem autonom fahrenden Kraftfahrzeug.
Die WO 2017/099689 A1 offenbart ein System und ein Verfahren zur Bewertung des Fahrverhaltens eines Kraftfahrzeugs, wobei die Fahrmanöver von erfahrenen Fahrern bewertet werden.
Die DE 10 2016 001 955 A1 offenbart ein Verfahren zum Ermitteln von Korrekturdaten für eine Konfiguration eines Fahrassistenzsystems, wobei durch eine Benutzereingabe eine Fehlfunktion erkannt und bewertet wird.
Die DE 10 2018 103 107 A1 offenbart ein Verfahren zum Steuern eines autonomen Kraftfahrzeugs, wobei ein Steuermodell auf Feedback von zumindest einem Fahrgast sowie auf Sensordaten und Steuerdaten von zumindest einem autonomen Kraftfahrzeug basiert.
Die DE 10 2019 217 431 A1 offenbart ein Verfahren zum Bewerten des fahrdynamischen Verhaltens eines Fahrzeugs mit einem Fahrerassistenzsystem, wobei ein Messdatensatz mit einem spezifischen Parametersatz für ein Fahrmanöver und für das fahrdynamische Verhalten des Fahrzeugs bereitgestellt wird, eine aus dem Messdatensatz abgeleitete Bewertungsgröße berechnet wird und eine Bewertungsfunktion zur Erzeugung einer Kennzahl zwischen einem minimalen Wert und einem maximalen Wert in Abhängigkeit von der Bewertungsgröße bereitgestellt wird.
Die AT 514 754 A1 offenbart ein Verfahren zur Optimierung eines Fahrerassistenzsystems, wobei eine Korrekturfunktion berechnet wird, welche von einer Fahrsituationskennwertfunktion abhängt und eine subjektive Wahrnehmung der Fahrsituation durch zumindest einen Fahrzeuginsassen charakterisiert.
Die DE 10 2015 209 969 A1 offenbart ein Verfahren zum Evaluieren einer Fahrassistenzfunktion eines Kraftfahrzeugs, wobei erste Daten über ein Umfeld des Kraftfahrzeugs und zweite Daten über einen Fahrer des Kraftfahrzeugs erfasst werden und die Fahrassistenzfunktion in Abhängigkeit von den vernetzten Daten bewertet wird.
Die DE 11 2017 002 942 T5 offenbart ein Verfahren zur Bewertung der Betriebsleistung eines Fahrerassistenzsystems, wobei aufgezeichnete Daten hinsichtlich der Fahrsituationen kategorisiert werden, um die Betriebsleistung des Fahrerassistenzsystems zu bewerten.
Die der Erfindung zu Grunde liegende Aufgabe besteht nun darin, Möglichkeiten zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrfunktion durch Nutzer anzugeben, um damit eine Basis für die Verbesserung und technische Weiterentwicklung von Fahrassistenzsystemen und Fahrassistenzfunktionen zu schaffen.
Diese Aufgabe wird hinsichtlich eines Verfahrens durch die Merkmale des Patentanspruchs 1, hinsichtlich eines Systems durch die Merkmale des Patentanspruchs 11, und hinsichtlich eines Computerprogrammprodukts durch die Merkmale des Patentanspruchs 15 erfindungsgemäß gelöst. Die weiteren Ansprüche betreffen bevorzugte Ausgestaltungen der Erfindung.
Durch die vorliegende Erfindung können Kenngrößen für eine zu erwartende Akzeptanz und subjektive Bewertung von Nutzern hinsichtlich der Leitungs- und Funktionsfähigkeit eines Fahrassistenzsystems und/oder einer Fahrassistenzfunktion mittels einer Korrelationsmetrik, die 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 von Nutzern besondere Aufmerksamkeit geschenkt wird. Insbesondere können durch die Kenntnis einer zu erwartenden Akzeptanz von Nutzern die Sicherheit und die Einsatzmöglichkeiten von Fahrassistenzsystemen und Fahrassistenzfunktionen erhöht werden, da diese objektiv ermittelten zu erwartenden subjektiven Bewertungen von Nutzern in die Entwicklung der Fahrassistenzsysteme einfließen können und somit weitere Optimierungen ermöglichen.
Gemäß einem ersten Aspekt stellt die Erfindung ein Verfahren zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrassistenzfunktion eines Kraftfahrzeugs beim Befahren einer Fahrstrecke bereit. Eine Fahrstrecke ist als eine zeitliche Sequenz von verschiedenen Szenario-Typen darstellbar, wobei ein Szenario-Typ ein spezifisches Verkehrsgeschehen bestehend aus Eigenschaften des Kraftfahrzeugs und der Umgebung des Kraftfahrzeugs repräsentiert und durch Parameter und zugehörige Parameterwerte definierbar ist, und wobei der Wertebereich eines Parameters durch einen Minimalwert und einen Maximalwert bezogen auf verschiedene Ausführungsvarianten des Szenario-Typs bestimmt wird. Das Verfahren umfasst die Verfahrensschritte:

- Generieren von Daten aus Sensorsignalen zumindest eines Sensors durch ein Eingabemodul, wobei die Sensorsignale während des mehrfachen Befahrens des Kraftfahrzeugs entlang zumindest einer Fahrstrecke in einer zeitlichen Sequenz von dem Sensor aufgenommen und an das Eingabemodul in Echtzeit gesendet werden, wobei die Fahrstrecke von dem Kraftfahrzeug jeweils in unterschiedlichen Fahrmodi durchfahren wird, und wobei die Daten Messergebnisse von Parameterwerten von Parametern der verschiedenen durchfahrenen Szenario-Typen darstellen;
- Generieren eines Bewertungsindex von einem Nutzer über die subjektive Bewertung einer bestimmten Ausführungsvariante eines Szenario-Typs und Zuordnen dieses Bewertungsindex zu dieser bestimmten Ausführungsvariante des Szenario-Typs, so dass für eine Vielzahl von Ausführungsvarianten eines Szenario-Typs eine Vielzahl von Bewertungsindizes entsteht;
- Weitergeben der Daten und der Bewertungsindizes an ein Extraktionsmodul;
- Extrahieren eines Minimalwertes und eines Maximalwertes für den Wertebereich zumindest eines Parameters für eine mit dem gleichen Bewertungsindex bewertete Vielzahl von Ausführungsvarianten eines ausgewählten Szenario-Typs beim mehrfachen Befahren der zumindest einen Fahrstrecke;
- Erstellen einer Korrelationsmetrik zwischen den verschiedenen Bewertungsindizes und dem jeweiligen extrahierten Minimalwert und Maximalwert eines Wertebereiches eines Parameters für den ausgewählten Szenario-Typ von einem Analysemodul;
- Berechnen zumindest einer Kenngröße zur Prädiktion einer subjektiven Bewertung des Fahrassistenzsystems und/oder der Fahrassistenzfunktion für den ausgewählten Szenario-Typ mittels der Korrelationsmetrik;
- Ausgeben der Kenngröße durch ein Ausgabemodul.

In einer Weiterentwicklung ist vorgesehen, dass ein Mittelwert und/oder ein Median und/oder Ableitungen zusätzlich zu dem Minimalwert und dem Maximalwert für den Wertebereich des Parameterwertes des Parameters für den ausgewählten Szenario-Typ bezogen auf einen festgelegten Bewertungsindex extrahiert wird/werden.
In einer vorteilhaften Ausführungsform ist vorgesehen, dass der Bewertungsindex von einem Nutzer des Kraftfahrzeugs während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen in einer zeitlichen Sequenz ausgewählt wird und/oder nach dem Befahren der jeweiligen Fahrstrecke insbesondere mittels eines Fragebogens von dem Nutzer des Kraftfahrzeugs angegeben wird.
In einer weiteren Ausführungsform ist vorgesehen, dass die Parameter eine Geschwindigkeit, eine Beschleunigung, eine Distanz, ein bewegliches Objekt wie ein Kraftfahrzeug, einen Fußgänger, einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, 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.
Insbesondere wird/werden als Parameter eine Relativgeschwindigkeit, eine Relativbeschleunigung und/oder eine Relativdistanz zwischen dem Kraftfahrzeug als Ego-Fahrzeug und einem anderen Target-Fahrzeug ausgewählt.
Vorteilhafterweise ist der Sensor als Beschleunigungssensor, Geschwindigkeitssensor, Radarsystem, LIDAR-System zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kamera im sichtbaren Bereich, IR- und/oder UV-Bereich, GPS-System, kapazitiver Sensor, induktiver Sensor, Niederschlagssensor und/oder Temperatursensor ausgebildet.
In einer weiteren Ausführungsform ist vorgesehen, dass das Analysemodul für die Erstellung der Korrelationsmetrik und das Berechnen der Kenngröße eine Softwareapplikation umfasst, wobei die Softwareapplikation Algorithmen der künstlichen Intelligenz verwendet.
Insbesondere ist vorgesehen, dass das Extraktionsmodul eine Softwareapplikation zum Extrahieren und Klassifizieren der verschiedenen Szenario-Typen aus den Daten der Sensorsignale des zumindest einen Sensors umfasst, wobei die Softwareapplikation Algorithmen der künstlichen Intelligenz verwendet.
Vorteilhafterweise ist vorgesehen, dass die Algorithmen der künstlichen Intelligenz ein oder mehrere neuronale Netzwerke umfassen, wobei zumindest ein neuronales Netzwerk als gefaltetes neuronales Netzwerk (Convolutional Neural Network) oder rückgekoppeltes Netzwerk (engl. Recurrent Neural Network (RNN)) ausgebildet ist.
Insbesondere wird/werden der Bewertungsindex und/oder die Kenngröße auf einer Skala von 1-10 angegeben.
Gemäß einem zweiten Aspekt stellt die Erfindung ein System zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrassistenzfunktion eines Kraftfahrzeugs beim Befahren einer Fahrstrecke bereit. Eine Fahrstrecke ist als eine zeitliche Sequenz von verschiedenen Szenario-Typen darstellbar, wobei ein Szenario-Typ ein spezifisches Verkehrsgeschehen bestehend aus Eigenschaften des Kraftfahrzeugs und der Umgebung des Kraftfahrzeugs repräsentiert und durch Parameter und zugehörige Parameterwerte definierbar ist, und wobei der Wertebereich eines Parameters durch einen Minimalwert und einen Maximalwert bezogen auf verschiedene Ausführungsvarianten des Szenario-Typs bestimmt wird. Das System umfasst ein Eingabemodul, ein Extraktionsmodul, ein Analysemodul und ein Ausgabemodul. Das Eingabemodul ist ausgebildet, Daten von Sensorsignalen zumindest eines Sensors durch ein Eingabemodul zu generieren, wobei die Sensorsignale während des mehrfachen Befahrens des Kraftfahrzeugs entlang zumindest einer Fahrstrecke in einer zeitlichen Sequenz von dem Sensor aufgenommen und an das Eingabemodul in Echtzeit gesendet werden, wobei die Fahrstrecke von dem Kraftfahrzeug jeweils in unterschiedlichen Fahrmodi durchfahren wird, und wobei die Daten Messergebnisse von Parameterwerten von Parametern der verschiedenen durchfahrenen Szenario-Typen darstellen. Des Weiteren ist das Eingabemodul ausgebildet, einen Bewertungsindex von einem Nutzer über die subjektive Bewertung einer bestimmten Ausführungsvariante eines Szenario-Typs zu generieren und diesen Bewertungsindex dieser bestimmten Ausführungsvariante des Szenario-Typs zuzuordnen, so dass für eine Vielzahl von Ausführungsvarianten eines Szenario-Typs eine Vielzahl von Bewertungsindizes entsteht, und die Daten und die Bewertungsindizes an das Extraktionsmodul weiterzugeben. Das Extraktionsmodul ist ausgebildet ist, einen Minimalwert und einen Maximalwert für den Wertebereich zumindest eines Parameters für eine mit dem gleichen Bewertungsindex bewertete Vielzahl von Ausführungsvarianten eines ausgewählten Szenario-Typs beim mehrfachen Befahren der zumindest einen Fahrstrecke zu extrahieren. Das Analysemodul ist ausgebildet, eine Korrelationsmetrik zwischen den verschiedenen Bewertungsindizes und dem jeweiligen extrahierten Minimalwert und Maximalwert eines Wertebereiches eines Parameters für den ausgewählten Szenario-Typ zu erstellen und zumindest eine Kenngröße zur Prädiktion einer subjektiven Bewertung des Fahrassistenzsystems und/oder der Fahrassistenzfunktion für den ausgewählten Szenario-Typ mittels der Korrelationsmetrik zu berechnen. Das Ausgabemodul ist ausgebildet ist, die Kenngröße auszugeben.
In einer Weiterbildung ist vorgesehen, dass ein Mittelwert und/oder ein Median und/oder Ableitungen zusätzlich zu dem Minimalwert und dem Maximalwert für den Wertebereich des Parameterwertes des Parameters für den ausgewählten Szenario-Typ bezogen auf einen festgelegten Bewertungsindex extrahiert wird/werden.
In einer vorteilhaften Ausführungsform ist vorgesehen, dass der Bewertungsindex von einem Nutzer des Kraftfahrzeugs während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen in einer zeitlichen Sequenz ausgewählt wird und/oder nach dem Befahren der jeweiligen Fahrstrecke insbesondere mittels eines Fragebogens von dem Nutzer des Kraftfahrzeugs angegeben wird.
In einer weiteren Ausführungsform ist vorgesehen, dass als Parameter eine Relativgeschwindigkeit, eine Relativbeschleunigung und/oder eine Relativdistanz zwischen dem Kraftfahrzeug als Ego-Fahrzeug und einem anderen Target-Fahrzeug ausgewählt wird/werden.
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;
2a eine schematische Darstellung eines ersten Korrelationsdiagramms;
2b eine schematische Darstellung eines zweiten Korrelationsdiagramms;
3 ein Flussdiagramm zur Erläuterung der einzelnen Verfahrensschritte eines erfindungsgemäßen Verfahrens;
4 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. automatisierten 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 und der Komfort von Fahrassistenzsystemen und Fahrassistenzsystemen wird jedoch von unterschiedlichen Nutzern bzw. Fahrern unterschiedlich beurteilt. Dies kann sich beispielsweise auf Vorlieben des Fahrstils wie sportlich oder eher defensiv oder das subjektive Sicherheitsbedürfnis beziehen, die von einem Fahrassistenzsystem unterstützt werden. Um die subjektive Bewertung von Nutzern hinsichtlich Funktionsfähigkeit von Fahrerassistenzsystemen, objektiv beurteilen zu können, stellt die Erfindung ein in der 1 dargestelltes System 100 zur Ermittlung von objektiven Kenngrößen zur Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrassistenzfunktion von einem Nutzer hinsichtlich der Akzeptanz und Wahrnehmung der Leistungs- und Funktionsfähigkeit bereit.
Betrachtet wird eine virtuelle Applikation eines Fahrerassistenzsystems und/oder einer Fahrassistenzfunktion, die auch als ADAS/ADS bezeichnet wird. Um das zu erwartende subjektive Empfinden eines Nutzers bzw. Fahrers einschätzen zu können, werden erfindungsgemäß Kenngrößen für die verschiedene Verkehrsszenarien berechnet, die von dem Fahrerassistenzsystem und/oder der Fahrassistenzfunktion durchgeführt bzw. durchfahren werden.
Erfindungsgemäß werden verschiedene Szenarien unter Verwendung von ADAS/ADS auf einem Prüfgelände oder im realen Straßenverkehr abgefahren, wobei verschiedene Sensorsignale gemessen werden sowie die subjektive Bewertung eines Nutzers beispielsweise in Form eines Fragebogens aufgenommen wird. Die Szenarien können sich sowohl vom Typus, wie beispielsweise das Einbiegen in eine andere Straße, eine Folgefahrt hinter einem anderen Kraftfahrzeug, ein Überholmanöver, etc. als auch der Ausführungsvariante beispielsweise hinsichtlich der Geschwindigkeit, des Verkehrsverhaltens anderer Verkehrsteilnehmer wie beispielsweise defensiv oder offensiv, etc. voneinander unterscheiden. Das Ergebnis ist ein Datensatz mit gemessenen Sensordaten sowie der subjektiven Bewertung des Nutzers zu verschiedenen Aspekten wie Komfort, Sicherheitsempfinden, etc. Diese Daten werden für eine Vielzahl von Szenarien erstellt.
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 definiert werden. Die Parameterwerte legen den Wertebereich eines Parameters P_i fest. Die Parameter P_i umfassen beispielsweise ein bewegliches Objekt wie ein Kraftfahrzeug, einen Fußgänger, einen Radfahrer, 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.
Insbesondere wird/werden als Parameter P_i für die Ermittlung von objektiven Kenngrößen zur Prädiktion einer subjektiven Bewertung, wie ein Fahrassistenzsystem 12 und/oder eine Fahrassistenzfunktion 14 einen Szenario-Typ SZ_i durchführt bzw. durchfährt, eine Relativgeschwindigkeit, eine Relativbeschleunigung und/oder eine Relativdistanz zwischen dem Kraftfahrzeug 10 als Ego-Fahrzeug und einem anderen Target-Fahrzeug ausgewählt. Diese Parameter P_i treten insbesondere bei Überholmanövern und Abbiegungsmanövern auf. Diese Verkehrsmanöver bzw. Szenario-Typen SZ_i können wiederum in unterschiedlichen Ausführungsvarianten SZv_i hinsichtlich der Geschwindigkeit, der Beschleunigung und/oder Distanz zu einem anderen Objekt wie einem anderen Target-Fahrzeug durchgeführt werden. Dies bedeutet, dass einem Parameter P_i wie beispielsweise der Relativgeschwindigkeit ein Wertebereich zugeordnet werden kann, der durch einen Minimalwert Min und einen Maximalwert Max bestimmt ist, die das gesamte Spektrum der möglichen Ausprägungen der Parameterwerte für diesen Parameter P_i bei den verschiedenen Ausführungsvarianten SZv_i des jeweiligen Szenario-Typs SZ_i abdecken.
Das System 100 umfasst ein Eingabemodul 200, ein Extraktionsmodul 300, ein Analysemodul 400 und ein Ausgabemodul 500. Das Eingabemodul 200, das Extraktionsmodul 300, das Analysemodul 400 und das Ausgabemodul 500 können jeweils mit einem Prozessor und/oder einer Speichereinheit versehen sein. Das Extraktionsmodul 300 und das Analysemodul 400 können als selbstständige Rechnereinheiten oder als cloudbasierte Lösung ausgebildet sein.
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.
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.
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 zumindest einem Sensor 700 verbunden, der Sensorsignale von Eigenschaften des Kraftfahrzeugs 10 sowie von dessen Umgebung erfasst und als Daten 220 an das Eingabemodul 200 übermittelt. Insbesondere können die Sensorsignale in Echtzeit an das Eingabemodul 200 gesendet werden Die Sensorsignale 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.
Der Sensor 700 kann insbesondere als Radarsystem, LIDAR-System zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kamera im sichtbaren Bereich, aber auch im IR- und/oder UV-Bereich, und/oder als GPS-System ausgebildet sein. Des Weiteren kann zumindest ein Beschleunigungssensor, ein Geschwindigkeitssensor, ein kapazitiver Sensor, ein induktiver Sensor, ein Niederschlagssensor und/oder ein 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, 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 800 ausgebildet sein bzw. in einer Cloud-Computing-Infrastruktur 800 integriert sein.
Die von dem Eingabemodul 200 generierten Daten 220 werden mittels Kommunikationsverbindungen wie beispielsweise ein CAN-Bus-System (Controller Area Network) an das Extraktionsmodul 300 weitergeleitet. Es können aber auch drahtlose Verbindungen vorgesehen sein. Eine drahtlose Kommunikationsverbindung ist insbesondere als Mobilfunkverbindung und/oder einer Nahfeldkommunikationsverbindung wie Bluetooth^®, Ethernet, NFC (near field communication) oder Wi-Fi® ausgebildet.
Die Sensorsignale werden 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 die Fahrstrecken können von einem oder mehreren Nutzern des Kraftfahrzeugs 10 abgefahren werden. Während des Befahrens der jeweiligen Fahrstrecke kann der Nutzer auf einer Bewertungsskala, die beispielsweise zwischen 1 und 10 liegt, seine persönliche subjektive Bewertung in Form eines Bewertungsindex 240 eingegeben mittels einer entsprechenden Eingabevorrichtung. Es können auch mehrere Bewertungsindizes zu unterschiedlichen Kriterien wie Komfort oder Sicherheit für einen Szenario-Typ SZ_i abgegeben werden. Die Eingabe kann beispielsweise manuell per Touch-Screen oder akustisch mithilfe eines Mikrofons erfolgen. Die Eingabe des Bewertungsindex 240 sollte dabei möglichst zeitgleich während oder kurz nach dem Durchfahren eines Szenarios erfolgen, sodass eine Zuordnung zwischen einem bestimmten Szenario-Typ SZ_i und dem Bewertungsindex 240 eindeutig ist. Es kann aber auch vorgesehen sein, einen Bewertungsindex 240 erst nach der Fahrt für einen bestimmten ausgewählten Szenario-Typ SZ_i beispielsweise mittels eines Fragebogens zu erfassen. Insbesondere werden die Bewertungsindizes 240 von dem Nutzer des Kraftfahrzeugs 10 während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen in einer zeitlichen Sequenz ausgewählt.
Da die Fahrstrecken insbesondere von unterschiedlichen Nutzern des Kraftfahrzeugs 10 abgefahren werden, liegen somit zu unterschiedlichen Ausführungsvarianten SZv₁, SZv_Z, ...,SZv_n eines Szenario-Typs SZ_i auch unterschiedliche Bewertungsindizes 240 vor, da unterschiedliche Nutzer jeweils ein sich unterscheidendes subjektives Empfinden entwickeln hinsichtlich der Bewertung eines Wertes eines Parameters P_i wie beispielsweise einer Relativgeschwindigkeit eines Kraftfahrzeugs bei einem Szenario-Typ wie einem Überholmanöver. Für den einen Nutzer wird eine hohe Relativgeschwindigkeit zu einem anderen Fahrzeug als angenehm und aufregend empfunden, während sie für einen anderen Nutzer bereits unangenehm ist und sein Sicherheitsbedürfnis beeinträchtigt.
In dem Extraktionsmodul 300 werden die Daten 220 hinsichtlich der verschiedenen Szenario-Typen SZ₁, SZ₂, ... ,SZ_n und der zugehörigen Parameter P_i und Parameterwerte analysiert und klassifiziert. Wie in den 2a und 2b dargestellt, liegen nun für zumindest einen Szenario-Typ SZ_i Messergebnisse in Form von Daten 220 für zumindest einen Parameter P_i für eine Vielzahl von Ausführungsvarianten SZv_i vor. Diese Messergebnisse für einen Parameter P_i sind auf der Y-Achse aufgetragen. Auf der X-Achse sind die Bewertungsindizes 240, in diesem Beispiel von 1 - 5, aufgetragen. Da jeder Ausführungsvariante SZv_i ein Bewertungsindex 240 zugeordnet wurde, ergibt sich eine Verteilung der Parameterwerte W(P_i) für jeden Bewertungsindex 240. So kann beispielsweise eine niedrige Geschwindigkeit von einem sicherheitsbedürftigen Nutzer bereits einen hohen Bewertungsindex 240 erhalten, während von einem anderen Nutzer, der deutlich risikobereiter ist, für die gleiche Geschwindigkeit ein wesentlich geringerer Bewertungsindex 240 abgegeben wird. In dem Extraktionsmodul 300 wird nun ein Minimalwert Min und ein Maximalwert Max für den Wertebereich des Parameters P_i jeweils für einen festgelegten Bewertungsindex 240 bestimmt.
Diese verarbeiteten Daten werden an das Analysemodul 400 weitergegeben, das einer Korrelationsmetrik 450 zwischen den verschiedenen Bewertungsindizes 240 und dem jeweiligen extrahierten Minimalwert Min und Maximalwert Max eines Wertebereiches eines Parameters P_i für den jeweils ausgewählten Szenario-Typ SZ_i erstellt. Wie in der 2a dargestellt, ist eine nur sehr geringe Korrelation zwischen den Parameterwerten W(P_i) eines Parameters P_i und subjektiven Bewertungsindizes 240 festzustellen. In der 2b hingegen korrelieren die verschiedenen Bewertungsindizes 240 mit bestimmten Minimal- und Maximalwerten des Parameters P_i. Die Korrelationsmetrik 450 spiegelt das jeweilige Maß der Korrelation von Parameterwerten W(P_i) zu einem Bewertungsindex 240 wider. Mittels dieser Korrelationsmetrik 450 berechnet das Analysemodul 400 nun eine Kenngröße 470 zur Prädiktion einer subjektiven Bewertung des Fahrassistenzsystems 12 und/oder der Fahrassistenzfunktion 14 für den ausgewählten Szenario-Typ SZ_i. Eine solche Kenngröße 470 kann für eine große Vielfalt von Szenario-Typen SZ₁, SZ₂, ..., SZ_n berechnet werden, so dass diese Kenngrößen 470 insgesamt eine objektive Vorhersage treffen können, ob ein bestimmtes Fahrassistenzsystem 12 und/oder eine bestimmte Fahrassistenzfunktion 14 die Erwartungen von Nutzern erfüllt.
Für die Extraktion der Szenarien-Typen SZ₁, SZ₂, ..., SZ_n und die Extraktion der Minimalwerte und Maximalwerte verwendet das Extraktionsmodul 300 eine Softwareapplikation 320, die insbesondere Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke umfasst. Ebenso verwendet das Analysemodul 400 für die Erstellung der Korrelationsmetrik 450 und der Berechnung der Kenngrößen 470 eine Softwareapplikation 420, die ebenfalls insbesondere Algorithmen der künstlichen Intelligenz wie beispielsweise neuronale Netze umfasst.
Insbesondere kann ein neuronales Netzwerk als tiefes neuronales Netzwerk, gefaltete neuronales Netzwerk (Convolutional Neural Network) oder rückgekoppeltes Netzwerk (engl. Recurrent Neural Network (RNN)) ausgebildet sein.
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 und/oder Fahrassistenzfunktionen zu simulieren.
Für die Durchführung der Rechenoperationen des Extraktionsmoduls 300 und des Analysemoduls 400 ist insbesondere eine Cloud-Computing-Infrastruktur 800 sinnvoll. 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 800 ist eine 5G-Mobilfunkverbindung vorteilhaft, um die von dem Eingabemodul 200 generierten Daten 220 in Echtzeit an das in der Cloud-Computing-Infrastruktur 800 integrierte Extraktionsmodul 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 Extraktionsmodul 300 und/oder der Verbindung zwischen dem Analysemodul 400 und dem Ausgabemodul 500 vorgesehen.
In der 3 sind die Verfahrensschritte zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems 12 und/oder einer automatisierten Fahrassistenzfunktion 14 eines Kraftfahrzeugs 10 beim Befahren einer Fahrstrecke dargestellt.
In einem Schritt S10 werden Daten 220 aus Sensorsignalen zumindest eines Sensors 700 durch ein Eingabemodul 200 generiert, wobei die Sensorsignale während des mehrfachen Befahrens des Kraftfahrzeugs 10 entlang zumindest einer Fahrstrecke in einer zeitlichen Sequenz von dem Sensor 700 aufgenommen und an das Eingabemodul 200 in Echtzeit gesendet werden, wobei die Fahrstrecke von dem Kraftfahrzeug 10 jeweils in unterschiedlichen Fahrmodi durchfahren wird, und wobei die Daten 220 Messergebnisse von Parameterwerten von Parametern P₁, P₂ ..., P_n der verschiedenen durchfahrenen Szenario-Typen SZ₁, SZ₂, ...,SZ_n darstellen.
In einem Schritt S20 wird ein Bewertungsindex 240 von einem Nutzer über die subjektive Bewertung einer bestimmten Ausführungsvariante eines Szenario-Typs SZv_i generiert, und dieser Bewertungsindex 240 wird dieser bestimmten Ausführungsvariante SZv_i des Szenario-Typs zugeordnet, so dass für eine Vielzahl von Ausführungsvarianten SZv_i eines Szenario-Typs eine Vielzahl von Bewertungsindizes 240 entsteht.
In einem Schritt S30 werden die Daten 220 und die Bewertungsindizes 240 an ein Extraktionsmodul 300 weitergegeben.
In einem Schritt S40 werden ein Minimalwert Min und ein Maximalwert Max für den Wertebereich zumindest eines Parameters P_i für eine mit dem gleichen Bewertungsindex 240 bewertete Vielzahl von Ausführungsvarianten SZv_i eines ausgewählten Szenario-Typs beim mehrfachen Befahren der zumindest einen Fahrstrecke extrahiert.
In einem Schritt S50 wird eine Korrelationsmetrik 450 zwischen den verschiedenen Bewertungsindizes 240 und dem jeweiligen extrahierten Minimalwert Min und Maximalwert Max eines Wertebereiches eines Parameters P_i für den ausgewählten Szenario-Typ SZ_i von einem Analysemodul 400 erstellt.
In einem Schritt S60 wird zumindest eine Kenngröße 470 zur Prädiktion einer subjektiven Bewertung des Fahrassistenzsystems und/oder der Fahrassistenzfunktion für den ausgewählten Szenario-Typ SZ_i mittels der Korrelationsmetrik berechnet.
In einem Schritt S70 wird die Kenngröße 470 durch ein Ausgabemodul 500 ausgegeben.
4 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.
Durch die vorliegende Erfindung können Kenngrößen für eine zu erwartende Akzeptanz und subjektive Bewertung von Nutzern hinsichtlich der Leitungsfähigkeit und Funktionsfähigkeit eines Fahrassistenzsystems und/oder einer Fahrassistenzfunktion mittels einer Korrelationsmetrik, die 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 von Nutzern besondere Aufmerksamkeit geschenkt wird. Insbesondere können durch die Kenntnis einer zu erwartenden Akzeptanz von Nutzern die Sicherheit und die Einsatzmöglichkeiten von Fahrassistenzsystemen und Fahrassistenzfunktionen erhöht werden, da diese objektiv ermittelten zu erwartenden subjektiven Bewertungen von Nutzern in die Entwicklung der Fahrassistenzsysteme einfließen können und somit weitere Optimierungen ermöglichen.
Bezugszeichenliste

10: Kraftfahrzeug
12: Fahrassistenzsystem
14: Fahrassistenzfunktion
100: System
200: Eingabemodul
210: Benutzerschnittstelle
220: Daten
240: Bewertungsindex
300: Extraktionsmodul
320: Softwareapplikation
400: Analysemodul
420: Softwareapplikation
450: Korrelationsmetrik
470: Kenngröße
500: Ausgabemodul
700: Sensor
750: Datenbank
800: Cloud-Computing-Infrastruktur
900: Computerprogrammprodukt
950: Programmcode

Claims

Verfahren zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems (12) und/oder einer automatisierten Fahrassistenzfunktion (14) eines Kraftfahrzeugs (10) beim Befahren einer Fahrstrecke, wobei eine Fahrstrecke als eine zeitliche Sequenz von verschiedenen Szenario-Typen (SZ₁,SZ₂, ...,SZ_n) darstellbar ist, wobei ein Szenario-Typ (SZ_i) ein spezifisches Verkehrsgeschehen bestehend aus Eigenschaften des Kraftfahrzeugs (10) und der Umgebung des Kraftfahrzeugs (10) repräsentiert und durch Parameter (P_i) und zugehörige Parameterwerte definierbar ist, und wobei der Wertebereich eines Parameters (P_i) durch einen Minimalwert (Min) und einen Maximalwert (Max) bezogen auf verschiedene Ausführungsvarianten des Szenario-Typs (SZ_i) bestimmt wird; umfassend: - Generieren (S10) von Daten (220) aus Sensorsignalen zumindest eines Sensors (700) durch ein Eingabemodul (200), wobei die Sensorsignale während des mehrfachen Befahrens des Kraftfahrzeugs (10) entlang zumindest einer Fahrstrecke in einer zeitlichen Sequenz von dem Sensor (700) aufgenommen und an das Eingabemodul (200) in Echtzeit gesendet werden, wobei die Fahrstrecke von dem Kraftfahrzeug (10) jeweils in unterschiedlichen Fahrmodi durchfahren wird, und wobei die Daten (220) Messergebnisse von Parameterwerten von Parametern (P₁, P₂ ..., P_n) der verschiedenen durchfahrenen Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) darstellen; - Generieren (S20) eines Bewertungsindex (240) von einem Nutzer über die subjektive Bewertung einer bestimmten Ausführungsvariante eines Szenario-Typs (SZv_i) und Zuordnen dieses Bewertungsindex (240) zu dieser bestimmten Ausführungsvariante des Szenario-Typs (SZv_i), so dass für eine Vielzahl von Ausführungsvarianten eines Szenario-Typs (SZv_i) eine Vielzahl von Bewertungsindizes (240) entsteht; - Weitergeben (S30) der Daten (220) und der Bewertungsindizes (240) an ein Extraktionsmodul (300); - Extrahieren (S40) eines Minimalwertes (Min) und eines Maximalwertes (Max) für den Wertebereich zumindest eines Parameters (P_i) für eine mit dem gleichen Bewertungsindex (240) bewertete Vielzahl von Ausführungsvarianten (SZv_i) eines ausgewählten Szenario-Typs beim mehrfachen Befahren der zumindest einen Fahrstrecke; - Erstellen (S50) einer Korrelationsmetrik (450) zwischen den verschiedenen Bewertungsindizes (240) und dem jeweiligen extrahierten Minimalwert (Min) und Maximalwert (Max) eines Wertebereiches eines Parameters (P_i) für den ausgewählten Szenario-Typ (SZ_i) von einem Analysemodul (400); - Berechnen (S60) zumindest einer Kenngröße (470) zur Prädiktion einer subjektiven Bewertung des Fahrassistenzsystems und/oder der Fahrassistenzfunktion für den ausgewählten Szenario-Typ (SZ_i) mittels der Korrelationsmetrik; - Ausgeben (S70) der Kenngröße (470) durch ein Ausgabemodul (500).
Verfahren nach Anspruch 1, wobei ein Mittelwert und/oder ein Median und/oder Ableitungen zusätzlich zu dem Minimalwert (Min) und dem Maximalwert (Max) für den Wertebereich des Parameters (P_i) für den ausgewählten Szenario-Typ (SZ_i) bezogen auf einen festgelegten Bewertungsindex (240) extrahiert wird/werden.
Verfahren nach Anspruch 1 oder 2, wobei der Bewertungsindex (240) 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 wird und/oder nach dem Befahren der jeweiligen Fahrstrecke insbesondere mittels eines Fragebogens von dem Nutzer des Kraftfahrzeugs (10) angegeben wird.
Verfahren nach einem der Ansprüche 1 bis 3, wobei die Parameter (P_i) eine Geschwindigkeit, eine Beschleunigung, eine Distanz, ein bewegliches Objekt wie ein Kraftfahrzeug, einen Fußgänger, einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, 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 Anspruch 4, wobei als Parameter (P_i) eine Relativgeschwindigkeit, eine Relativbeschleunigung und/oder eine Relativdistanz zwischen dem Kraftfahrzeug (10) als Ego-Fahrzeug und einem anderen Target-Fahrzeug ausgewählt wird/werden.
Verfahren nach einem der Ansprüche 1 bis 5, wobei der Sensor (700) als Beschleunigungssensor, Geschwindigkeitssensor, Radarsystem, LIDAR-System zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kamera im sichtbaren Bereich, IR- und/oder UV-Bereich, GPS-Systeme, kapazitiver Sensor, induktiver Sensor, Niederschlagssensor und/oder Temperatursensor ausgebildet ist.
Verfahren nach einem der Ansprüche 1 bis 6, wobei das Analysemodul (400) für die Erstellung der Korrelationsmetrik (450) und das Berechnen der Kenngröße (470) eine Softwareapplikation (420) umfasst, wobei die Softwareapplikation (420) Algorithmen der künstlichen Intelligenz verwendet.
Verfahren nach einem der Ansprüche 1 bis 7, wobei das Extraktionsmodul (300) eine Softwareapplikation (320) zum Extrahieren und Klassifizieren der verschiedenen Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) aus den Daten (220) der Sensorsignale der Sensoren (700) umfasst, wobei die Softwareapplikation (320) Algorithmen der künstlichen Intelligenz verwendet.
Verfahren nach Anspruch 7 oder 8, wobei die Algorithmen der künstlichen Intelligenz ein oder mehrere neuronale Netzwerke umfassen, wobei zumindest ein neuronales Netzwerk als gefaltetes neuronales Netzwerk (Convolutional Neural Network) oder rückgekoppeltes Netzwerk (engl. Recurrent Neural Network (RNN)) ausgebildet ist.
Verfahren nach einem der Ansprüche 1 bis 9, wobei der Bewertungsindex (240) und/oder die Kenngröße (470) auf einer Skala von 1-10 angegeben wird.
System (100) zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems (12) und/oder einer automatisierten Fahrassistenzfunktion (14) eines Kraftfahrzeugs (10) beim Befahren einer Fahrstrecke, wobei eine Fahrstrecke als eine zeitliche Sequenz von verschiedenen Szenario-Typen (SZ₁, SZ₂, ..., SZ_n) darstellbar ist, wobei ein Szenario-Typ (SZ_i) ein spezifisches Verkehrsgeschehen bestehend aus Eigenschaften des Kraftfahrzeugs (10) und der Umgebung des Kraftfahrzeugs (10) repräsentiert und durch Parameter (P_i) und zugehörige Parameterwerte definierbar ist, und wobei der Wertebereich eines Parameters (P_i) durch einen Minimalwert (Min) und einen Maximalwert (Max) bezogen auf verschiedene Ausführungsvarianten des Szenario-Typs (SZ_i) bestimmt wird; mit einem Eingabemodul (200), einem Extraktionsmodul (300), einem Analysemodul (400) und einem Ausgabemodul (500), wobei das Eingabemodul (200) ausgebildet ist, Daten (220) von Sensorsignalen zumindest eines Sensors (700) durch ein Eingabemodul (200) zu generieren, wobei die Sensorsignale während des mehrfachen Befahrens des Kraftfahrzeugs (10) entlang zumindest einer Fahrstrecke in einer zeitlichen Sequenz von dem Sensor (700) aufgenommen und an das Eingabemodul (200) in Echtzeit gesendet werden, wobei die Fahrstrecke von dem Kraftfahrzeug (10) jeweils in unterschiedlichen Fahrmodi durchfahren wird, und wobei die Daten (220) Messergebnisse von Parameterwerten von Parametern (P₁, P₂ ... ,P_n) der verschiedenen durchfahrenen Szenario-Typen (SZ₁,SZ₂, ...,SZ_n) darstellen; und wobei das Eingabemodul (200) ausgebildet ist, einen Bewertungsindex (240) von einem Nutzer über die subjektive Bewertung einer bestimmten Ausführungsvariante eines Szenario-Typs (SZv_i) zu generieren und diesen Bewertungsindex (240) dieser bestimmten Ausführungsvariante des Szenario-Typs (SZv_i) zuzuordnen, so dass für eine Vielzahl von Ausführungsvarianten (SZv_i) eines Szenario-Typs eine Vielzahl von Bewertungsindizes (240) entsteht, und die Daten (220) und die Bewertungsindizes (240) an das Extraktionsmodul (300) weiterzugeben; wobei das Extraktionsmodul (300) ausgebildet ist, einen Minimalwert (Min) und einen Maximalwert (Max) für den Wertebereich zumindest eines Parameters (P_i) für eine mit dem gleichen Bewertungsindex (240) bewertete Vielzahl von Ausführungsvarianten (SZv_i) eines ausgewählten Szenario-Typs beim mehrfachen Befahren der zumindest einen Fahrstrecke zu extrahieren; wobei das Analysemodul (400) ausgebildet ist, eine Korrelationsmetrik (450) zwischen den verschiedenen Bewertungsindizes (240) und dem jeweiligen extrahierten Minimalwert (Min) und Maximalwert (Max) eines Wertebereiches eines Parameters (P_i) für den ausgewählten Szenario-Typ (SZ_i) zu erstellen und zumindest eine Kenngröße (470) zur Prädiktion einer subjektiven Bewertung des Fahrassistenzsystems und/oder der Fahrassistenzfunktion für den ausgewählten Szenario-Typ (SZ_i) mittels der Korrelationsmetrik zu berechnen; und wobei das Ausgabemodul (500) ausgebildet ist, die Kenngröße (470) auszugeben.
System nach Anspruch 11, wobei ein Mittelwert und/oder ein Median und/oder Ableitungen zusätzlich zu dem Minimalwert (Min) und dem Maximalwert (Max) für den Wertebereich des Parameters (P_i) für den ausgewählten Szenario-Typ (SZ_i) bezogen auf einen festgelegten Bewertungsindex (240) extrahiert wird/werden.
System (100) nach Anspruch 11 oder 12, wobei der Bewertungsindex (240) 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 wird und/oder nach dem Befahren der jeweiligen Fahrstrecke insbesondere mittels eines Fragebogens von dem Nutzer des Kraftfahrzeugs (10) angegeben wird.
System (100) nach einem der Ansprüche 11 bis 13, wobei als Parameter (P_i) eine Relativgeschwindigkeit, eine Relativbeschleunigung und/oder eine Relativdistanz zwischen dem Kraftfahrzeug (10) als Ego-Fahrzeug und einem anderen Target-Fahrzeug ausgewählt wird/werden.
Computerprogrammprodukt (900), umfassend einen ausführbaren Programmcode (950), der derart konfiguriert ist, dass er bei seiner Ausführung das Verfahren nach einem der Ansprüche 1 bis 10 ausführt.