DE102022109017A1

DE102022109017A1 - Modell zur risikobewertung der kollisionsminderung an kreuzungen

Info

Publication number: DE102022109017A1
Application number: DE102022109017.5A
Authority: DE
Inventors: Lawrence Andrew Bush; Prabhjot Kaur
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2021-06-28
Filing date: 2022-04-13
Publication date: 2022-12-29
Also published as: CN115601956A; US20220410882A1

Abstract

Ein Fahrzeug umfasst ein System und ein Verfahren zum Navigieren des Fahrzeugs. Das System umfasst einen Sensor und einen Prozessor. Der Sensor nimmt ein Bild einer Fahrbahn auf. Der Prozessor richtet den Sensor auf ein Straßensegment aus, das aus einer Vielzahl von Straßensegmenten der Fahrbahn ausgewählt wurde, indem er ein maschinelles Lernprogramm verwendet, das auf einem Risiko des Straßensegments beruht. Das maschinelle Lernprogramm wird so trainiert, dass es den Sensor ausrichtet, indem es das Risiko für jedes aus der Vielzahl von Straßensegmenten der Fahrbahn auf Grundlage einer mit jedem Straßensegment verbundenen Gefährdungswahrscheinlichkeit und einer mit jedem Straßensegment verbundenen Nutzungswahrscheinlichkeit berechnet, es das Straßensegment aus der Vielzahl von Straßensegmenten auf Grundlage des mit dem Straßensegment verbundenen Risikos auswählt und eine Risikoverringerung für ein Verkehrsrisikomodell der Fahrbahn aufgrund der Auswahl des Straßensegments ermittelt.

Description

EINLEITUNG
Die vorliegende Offenbarung betrifft die Risikominderung für ein Fahrzeug, das in einen Straßenabschnitt einfährt, und insbesondere ein System und ein Verfahren zur Berechnung eines Risikos für eine Kreuzung und zum Betrieb des Fahrzeugs entsprechend dem berechneten Risiko.
Das Unfallrisiko eines Fahrzeugs erhöht sich, wenn das Fahrzeug über eine Kreuzung fährt, weil es Querverkehr, wechselnde Geschwindigkeiten, wechselnde Lichtverhältnisse, Fußgänger, die die Kreuzung überqueren, usw. gibt. Daher muss ein autonomes Fahrzeug, das in die Kreuzung einfährt, zusätzliche Messungen der Verkehrsbedingungen in seiner Umgebung vornehmen, um sicherzustellen, dass es ohne Zwischenfälle über die Kreuzung fahren kann. Um wirksam zu sein, müssen solche Messungen und anschließenden Berechnungen in Echtzeit durchgeführt werden. Dementsprechend ist es wünschenswert, ein einfaches Verfahren zur Bewertung des Risikos für ein Fahrzeug beim Überqueren einer Kreuzung auf Grundlage der aktuellen Verkehrsbedingungen bereitzustellen.
ZUSAMMENFASSUNG
Bei einer beispielhaften Ausgestaltung ist ein Verfahren zum Navigieren eines Fahrzeugs offenbart. Ein Sensor liefert ein Bild einer Fahrbahn. Der Sensor ist auf ein Straßensegment ausgerichtet, das aus einer Vielzahl von Straßensegmenten der Fahrbahn ausgewählt wird, wobei das Straßensegment mit Hilfe eines maschinellen Lernprogramms auf Grundlage eines Risikos des Straßensegments ausgewählt wird. Das maschinelle Lernprogramm wird so trainiert, dass es das Straßensegment auswählt, indem es das Risiko für jedes aus der Vielzahl von Straßensegmenten der Fahrbahn berechnet, wobei das mit dem Straßensegment verbundene Risiko auf einer mit dem Straßensegment verbundenen Gefährdungswahrscheinlichkeit und einer mit dem Straßensegment verbundenen Nutzungswahrscheinlichkeit beruht, es das Straßensegment aus der Vielzahl von Straßensegmenten auf Grundlage des mit dem Straßensegment verbundenen Risikos auswählt und eine Risikoverringerung für ein Verkehrsrisikomodell der Fahrbahn aufgrund der Auswahl des Straßensegments ermittelt.
Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale umfasst das Berechnen des Risikos für das Straßensegment ferner das Berechnen eines Produkts aus der Gefährdungswahrscheinlichkeit für das Straßensegment und der Nutzungswahrscheinlichkeit für das Straßensegment. Das Ausrichten des Sensors umfasst ferner das Durchführen einer Zufallsauswahl für die Vielzahl von Straßensegmenten, bei dem eine Wahrscheinlichkeit der Auswahl des Straßensegments auf dem mit dem Straßensegment verbundenen Risiko beruht. Das Verfahren umfasst ferner das Warnen des Fahrers des Fahrzeugs, wenn die Aufmerksamkeit des Fahrers des Fahrzeugs nicht auf dem Straßensegment liegt. Das Verfahren umfasst ferner das Lenken der Aufmerksamkeit des Fahrers auf das Straßensegment unter Verwendung eines haptischen Signals. Das Verfahren umfasst ferner das Vergleichen des Risikos des Straßenrisikomodells mit einer Risikometrik und das Belohnen des maschinellen Lernprogramms für die Auswahl des Straßensegments, wenn das Risiko geringer ist als die Risikometrik. Bei einer Ausgestaltung umfasst der Sensor einen ersten und einen zweiten Sensor, und das Verfahren umfasst ferner das Ausrichten des ersten Sensors auf das Straßensegment, während mit dem zweiten Sensor ein weites Sichtfeld auf die Fahrbahn aufrechterhalten wird.
Bei einer weiteren beispielhaften Ausgestaltung ist ein System zum Navigieren eines Fahrzeugs offenbart. Das System umfasst einen Sensor und einen Prozessor. Der Sensor ist dazu ausgelegt, ein Bild einer Fahrbahn aufzunehmen. Der Prozessor ist dazu ausgelegt, den Sensor auf ein Straßensegment auszurichten, das aus einer Vielzahl von Straßensegmenten der Fahrbahn ausgewählt wurde, indem er ein maschinelles Lernprogramm verwendet, das auf einem Risiko des Straßensegments beruht. Das maschinelle Lernprogramm wird so trainiert, dass es den Sensor ausrichtet, indem es das Risiko für jedes aus der Vielzahl von Straßensegmenten der Fahrbahn berechnet, wobei das mit dem Straßensegment verbundene Risiko auf einer mit dem Straßensegment verbundenen Gefährdungswahrscheinlichkeit und einer mit dem Straßensegment verbundenen Nutzungswahrscheinlichkeit beruht, es das Straßensegment aus der Vielzahl von Straßensegmenten auf Grundlage des mit dem Straßensegment verbundenen Risikos auswählt und eine Risikoverringerung für ein Verkehrsrisikomodell der Fahrbahn aufgrund der Auswahl des Straßensegments ermittelt.
Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale ist der Prozessor ferner dazu ausgelegt, das Risiko für das Straßensegment zu berechnen, indem er ein Produkt aus der Gefährdungswahrscheinlichkeit für das Straßensegment und der Nutzungswahrscheinlichkeit für das Straßensegment berechnet. Der Prozessor ist ferner dazu ausgelegt, den Sensor auszurichten, indem er eine Zufallsauswahl für die Vielzahl von Straßensegmenten durchführt, bei der eine Wahrscheinlichkeit der Auswahl des Straßensegments auf dem mit dem Straßensegment verbundenen Risiko beruht. Der Prozessor ist ferner dazu ausgelegt, den Fahrer des Fahrzeugs zu warnen, wenn die Aufmerksamkeit des Fahrers nicht auf dem Straßensegment liegt. Der Prozessor ist ferner dazu ausgelegt, die Aufmerksamkeit des Fahrers unter Verwendung eines haptischen Signals auf das Straßensegment zu lenken. Der Prozessor ist ferner dazu ausgelegt, das maschinelle Lernprogramm zu trainieren, indem er das Risiko des Straßenrisikomodells mit einer Risikometrik vergleicht und das maschinelle Lernprogramm für die Auswahl des Straßensegments belohnt, wenn das Risiko geringer ist als die Risikometrik. Bei einer Ausgestaltung umfasst der Sensor einen ersten und einen zweiten Sensor, und der Prozessor ist ferner dazu ausgelegt, den ersten Sensor auf das Straßensegment auszurichten, während er mit dem zweiten Sensor ein weites Sichtfeld auf die Fahrbahn aufrechterhält.
Bei noch einer weiteren beispielhaften Ausgestaltung ist ein Fahrzeug offenbart. Das Fahrzeug umfasst einen Sensor und einen Prozessor. Der Sensor ist dazu ausgelegt, ein Bild einer Fahrbahn aufzunehmen. Der Prozessor ist dazu ausgelegt, den Sensor auf ein Straßensegment auszurichten, das aus einer Vielzahl von Straßensegmenten der Fahrbahn ausgewählt wurde, indem er ein maschinelles Lernprogramm verwendet, das auf einem Risiko des Straßensegments beruht. Das maschinelle Lernprogramm wird so trainiert, dass es den Sensor ausrichtet, indem es das Risiko für jedes aus der Vielzahl von Straßensegmenten der Fahrbahn berechnet, wobei das mit dem Straßensegment verbundene Risiko auf einer mit dem Straßensegment verbundenen Gefährdungswahrscheinlichkeit und einer mit dem Straßensegment verbundenen Nutzungswahrscheinlichkeit beruht, es das Straßensegment aus der Vielzahl von Straßensegmenten auf Grundlage des mit dem Straßensegment verbundenen Risikos auswählt und eine Risikoverringerung für ein Verkehrsrisikomodell der Fahrbahn aufgrund der Auswahl des Straßensegments ermittelt.
Zusätzlich zu einem oder mehreren der hierin beschriebenen Merkmale ist der Prozessor ferner dazu ausgelegt, das Risiko für das Straßensegment zu berechnen, indem er ein Produkt aus der Gefährdungswahrscheinlichkeit für das Straßensegment und der Nutzungswahrscheinlichkeit für das Straßensegment berechnet. Der Prozessor ist ferner dazu ausgelegt, den Sensor auszurichten, indem er eine Zufallsauswahl für die Vielzahl von Straßensegmenten durchführt, bei der eine Wahrscheinlichkeit der Auswahl des Straßensegments auf dem mit dem Straßensegment verbundenen Risiko beruht. Der Prozessor ist ferner dazu ausgelegt, die Aufmerksamkeit des Fahrers des Fahrzeugs unter Verwendung eines haptischen Signals auf das Straßensegment zu lenken, wenn die Aufmerksamkeit des Fahrers nicht auf dem Straßensegment liegt. Der Prozessor ist ferner dazu ausgelegt, das maschinelle Lernprogramm zu trainieren, indem er das Risiko des Straßenrisikomodells mit einer Risikometrik vergleicht und das maschinelle Lernprogramm für die Auswahl des Straßensegments belohnt, wenn das Risiko geringer ist als die Risikometrik. Bei einer Ausgestaltung umfasst der Sensor einen ersten und einen zweiten Sensor, und der Prozessor ist ferner dazu ausgelegt, den ersten Sensor auf das Straßensegment auszurichten, während er mit dem zweiten Sensor ein weites Sichtfeld auf die Fahrbahn aufrechterhält.
Die vorgenannten Merkmale und Vorteile sowie andere Merkmale und Vorteile der Offenbarung sind aus der folgenden detaillierten Beschreibung in Verbindung mit den beigefügten Zeichnungen ohne weiteres ersichtlich.
Figurenliste
Weitere Merkmale, Vorteile und Details sind nur beispielhaft in der folgenden detaillierten Beschreibung aufgeführt, wobei sich die detaillierte Beschreibung auf die Zeichnungen bezieht, in denen:

1 ein Fahrzeug gemäß einer beispielhaften Ausgestaltung zeigt,
2 ein Fahrerwarnsystem für das Fahrzeug von 1 in einer Ausgestaltung zeigt,
3 eine Draufsicht auf eine Kreuzung in einer veranschaulichenden Ausgestaltung zeigt,
4 eine vollständige Gefährdungswahrscheinlichkeitskarte der Kreuzung von 3 für das Host-Fahrzeug zeigt, während sich das Host-Fahrzeug der Kreuzung nähert,
5 die Gefährdungswahrscheinlichkeitskarte der Kreuzung von 3 zeigt, während sich das Host-Fahrzeug an der Kreuzung befindet,
6 eine Nutzungswahrscheinlichkeitskarte der Kreuzung von 3 zeigt,
7 ein Bild einer veranschaulichenden Kreuzung aus der Sicht eines sich der Kreuzung nähernden Host-Fahrzeugs zeigt,
8 eine Nahaufnahme eines ausgewählten Straßensegments der Kreuzung zeigt,
9 ein Blockdiagramm eines Verfahrens zum Trainieren eines maschinellen Lernprogramms auf eine solche Weise, dass ein Sensor auf ein Straßensegment ausgerichtet wird, bei einer Ausgestaltung zeigt,
10 ein Flussdiagramm für ein Verfahren zum Warnen eines Fahrgastes oder eines Fahrers des Fahrzeugs vor einem in einer Kreuzung bestehenden Risiko zeigt und
11 ein Flussdiagramm eines Verfahrens zum Ermitteln des Risikos einer Kreuzung oder eines Straßensegments zeigt, bei dem die Möglichkeit besteht, dass die Sicht des Sensorsystems auf ein Objekt verdeckt wird.

DETAILLIERTE BESCHREIBUNG
Die folgende Beschreibung hat lediglich beispielhaften Charakter und ist nicht dazu bestimmt, die vorliegende Offenbarung, ihre Anwendung oder ihren Gebrauch einzuschränken. Es versteht sich, dass in den Zeichnungen entsprechende Bezugszeichen gleiche oder entsprechende Teile und Merkmale bezeichnen.
Gemäß einer beispielhaften Ausgestaltung zeigt 1 ein Fahrzeug 10. Das Fahrzeug 10 kann bei verschiedenen Ausgestaltungen autonom oder teilautonom sein. Bei einer beispielhaften Ausgestaltung ist das Fahrzeug 10 ein so genanntes Level-Vier- oder Level-Fünf-Automatisierungssystem. Ein Level-Vier-System kennzeichnet einen „hohen Automatisierungsgrad“ und bezieht sich auf die fahrmodusspezifische Ausführung aller Aspekte der dynamischen Fahraufgabe durch ein automatisiertes Fahrsystem, selbst wenn ein menschlicher Fahrer nicht angemessen auf eine Aufforderung zum Eingreifen reagiert. Ein Level-Fünf-System kennzeichnet die „Vollautomatisierung“, d.h. dass ein automatisiertes Fahrsystem alle Aspekte der dynamischen Fahraufgabe unter allen Fahrbahn- und Umgebungsbedingungen, die von einem menschlichen Fahrer bewältigt werden können, vollständig ausführt. Es versteht sich, dass das hierin offenbarte System und die hierin offenbarten Verfahren auch bei einem Fahrzeug verwendet werden können, das auf einer der Stufen Level Eins bis Level Fünf betrieben wird.
Das Fahrzeug 10 umfasst allgemein wenigstens ein Navigationssystem 20, ein Antriebssystem 22, ein Getriebesystem 24, ein Lenksystem 26, ein Bremssystem 28, ein Sensorsystem 30, ein Aktorensystem 32 und ein Steuergerät 34. Das Navigationssystem 20 ermittelt einen straßenbezogenen Routenplan für das automatisierte Fahren des Fahrzeugs 10. Das Antriebssystem 22 stellt Leistung zur Erzeugung einer Antriebskraft für das Fahrzeug 10 bereit und kann bei verschiedenen Ausgestaltungen einen Verbrennungsmotor, eine elektrische Maschine, wie z.B. einen Fahrmotor, und/oder ein Brennstoffzellenantriebssystem umfassen. Das Getriebesystem 24 ist dazu ausgelegt, die Leistung des Antriebssystems 22 auf zwei oder mehr Räder 16 des Fahrzeugs 10 gemäß wählbaren Übersetzungsverhältnissen zu übertragen. Das Lenksystem 26 beeinflusst die Stellung der zwei oder mehr Räder 16. Obwohl zur Veranschaulichung ein Lenkrad 27 dargestellt ist, umfasst das Lenksystem 26 bei einigen Ausgestaltungen, die im Rahmen der vorliegenden Offenbarung denkbar sind, möglicherweise kein Lenkrad 27. Das Bremssystem 28 ist dazu ausgelegt, ein Bremsmoment für die zwei oder mehr Räder 16 bereitzustellen.
Das Sensorsystem 30 umfasst Sensoren oder Detektoren, die ein Objekt 50 in einer äußeren Umgebung des Fahrzeugs 10 erfassen und verschiedene Parameter des Objekts ermitteln, die für die Lokalisierung der Position und der relativen Geschwindigkeiten verschiedener entfernter Fahrzeuge in der Umgebung des autonomen Fahrzeugs nützlich sind. Solche Parameter können dem Steuergerät 34 zur Verfügung gestellt werden. Das Sensorsystem 30 kann einen ersten Sensor und einen zweiten Sensor umfassen. Bei verschiedenen Ausgestaltungen kann der erste Sensor zum Ausrichten auf ein ausgewähltes Straßensegment oder eine Kreuzung verwendet werden, während der zweite Sensor zum Erhalten eines weiten Sichtfeldes der Straße oder Kreuzung verwendet wird. Der erste Sensor kann sein Sichtfeld von weit bis eng einstellen und auch seine Ausrichtung ändern. Bei einer Ausgestaltung umfasst das Sensorsystem 30 eine oder mehrere Digitalkameras zum Aufnehmen eines oder mehrerer Bilder der Straße oder Kreuzung. Bei alternativen Ausgestaltungen kann das Sensorsystem 30 ein Radarsystem und/oder ein Lidarsystem usw. umfassen, um die Entfernung, die relativen Geschwindigkeiten, den Azimut und die Höhe eines Objekts 50, z.B. eines Zielfahrzeugs, eines Fußgängers usw., zu erfassen.
Das Steuergerät 34 umfasst einen Prozessor 36 und eine computerlesbare Speichereinrichtung oder ein computerlesbares Speichermedium 38. Das Speichermedium umfasst Programme oder Anweisungen 39, die bei Ausführung durch den Prozessor 36 das Fahrzeug 10 auf Grundlage der Ausgangsgrößen des Sensorsystems 30 betreiben. Das Steuergerät 34 kann eine Trajektorie für das Fahrzeug 10 auf Grundlage der Ausgangsgröße des Sensorsystems 30 erstellen und die Trajektorie an das Betätigungssystem 32 weiterleiten, um das Antriebssystem 22, das Getriebesystem 24, das Lenksystem 26 und/oder das Bremssystem 28 zu steuern und das Fahrzeug 10 in Bezug auf das Objekt 50 zu navigieren.
Das computerlesbare Speichermedium 38 kann ferner Programme oder Anweisungen 39 umfassen, die bei Ausführung durch den Prozessor 36 ein Risiko für das Fahrzeug 10 in einem Verkehrsszenario, insbesondere an einer Kreuzung, ermitteln. Das Steuergerät 34 kann einen Fahrer des Fahrzeugs 10 warnen und/oder den Betrieb des Fahrzeugs auf Grundlage des Risikos steuern. Bei verschiedenen Ausgestaltungen kann das Steuergerät 34 außerdem das Fahrzeug 10 beschleunigen und/oder abbremsen, das Fahrzeug lenken, die Bremsen betätigen usw., um einen Zwischenfall oder eine Kollision mit dem Objekt 50 zu vermeiden.
Das computerlesbare Speichermedium 38 kann ferner Programme oder Anweisungen 39 umfassen, die bei Ausführung durch den Prozessor 36 einen Sensor auf ein ausgewähltes Straßensegment der Fahrbahn auf Grundlage eines mit dem Straßensegment verbundenen Risikos ausrichten. Der Sensor kann mit einem maschinellen Lernprogramm, z.B. einem neuronalen Netz, ausgerichtet werden. Das maschinelle Lernprogramm kann so trainiert werden, dass es den Sensor unter Verwendung echter oder simulierter Daten ausrichtet, wie hierin beschrieben.
2 zeigt ein Fahrerwarnsystem 200 für das Fahrzeug 10 von 1 in einer Ausgestaltung. Das Fahrerwarnsystem 200 umfasst eine Fahrerüberwachungsvorrichtung 202, das den Fahrer und den Aufmerksamkeitsgrad des Fahrers beobachtet. Bei der Fahrerüberwachungsvorrichtung 202 kann es sich um einen Augenüberwachungs- oder biometrischen Sensor handeln, der bei verschiedenen Ausgestaltungen den Grad oder die Richtung der Aufmerksamkeit des Fahrers anzeigt. Die Daten der Fahrerüberwachungsvorrichtung 202 werden an das Steuergerät 34 weitergeleitet. Das Steuergerät 34 steht in Verbindung mit dem Lenksystem 26 und/oder einem Fahrersitz 204. Das Steuergerät 34 vergleicht eine Ausrichtung des Sensorsystems (z.B. eine Ausrichtung des ersten Sensors oder des zweiten Sensors) und gibt dem Fahrer einen Alarm, wenn die Aufmerksamkeit des Fahrers von der Ausrichtung des Sensorsystems 30 abweicht. Das Steuergerät 34 kann einen Alarm auslösen oder eine haptische Warnung ausgeben, z.B. durch Vibration eines mit dem Fahrer in Kontakt stehenden Objekts, wie des Lenkrads 27 oder des Fahrersitzes 204. Der Fahrersitz 204 kann an verschiedenen Stellen des Fahrersitzes 204 haptische Sender aufweisen. Befindet sich die Aufmerksamkeit des Fahrers nicht in Einklang mit der Ausrichtung des Sensorsystems 30, kann ein haptischer Sender ausgewählt werden, der der Ausrichtung des Sensorsystems 30 entspricht. Beispielsweise kann ein rechtsseitiger haptischer Sender aktiviert werden, um die Aufmerksamkeit des Fahrers auf die rechte Seite zu lenken, und ein linksseitiger haptischer Sender kann aktiviert werden, um die Aufmerksamkeit des Fahrers auf die linke Seite zu lenken.
3 zeigt eine Draufsicht 300 auf eine Kreuzung 302 bei einer beispielhaften Ausgestaltung. Die Kreuzung 302 kann bei verschiedenen Ausgestaltungen eine beliebige Konfiguration geeigneter Verkehrsanzeigen aufweisen, wie z.B. ein Vier-Wege-Stoppschild, ein Zwei-Wege-Stoppschild und Ampeln. Zur Veranschaulichung umfasst die Draufsicht 300 eine ausgewählte Fahrspur 304, auf der ein Host-Fahrzeug 301 (wie das Fahrzeug 10 in 1) sich der Kreuzung 302 nähert, eine Gegenfahrspur 306, die es dem Verkehr ermöglicht, sich in einer der ausgewählten Fahrspur entgegengesetzten Richtung zu bewegen, eine erste Querfahrspur 308 und eine zweite Querfahrspur 310. Eine Haltelinie 312 auf der ausgewählten Fahrspur 304 zeigt an, wo das Host-Fahrzeug 301 bei für die ausgewählte Fahrspur 304 gegebenem Stoppschild oder roten Ampelzustand anhalten muss, wenn es sich der Kreuzung 302 nähert.
3 zeigt außerdem zum Teil ein Modell zum Ermitteln der Gefährdungswahrscheinlichkeit innerhalb der ausgewählten Fahrspur 304. Das Steuergerät 34 unterteilt die ausgewählte Fahrspur 304 in eine Vielzahl von Straßensegmenten gemäß einem Segmentierungsalgorithmusmodell und weist jedem Straßensegment eine Gefährdungswahrscheinlichkeit zu. Die Gefährdungswahrscheinlichkeit gibt die Wahrscheinlichkeit eines Unfalls oder einer gefährlichen Begegnung für das Host-Fahrzeug 301 an, wenn sich ein Objekt 50, z.B. ein Zielfahrzeug, auf dem Straßensegment befindet. Die Gefährdungswahrscheinlichkeit setzt nicht voraus, dass sich ein solches Objekt 50 in dem Straßensegment befindet, und der Wert der Gefährdungswahrscheinlichkeit hängt nicht davon ab, ob sich ein Objekt in dem Straßensegment befindet oder nicht. Die ausgewählte Fahrspur 304 zeigt eine Vielzahl von Straßensegmenten vor dem Fahrzeug 10.
Jedes Straßensegment ist schattiert, um einen Bereich für die mit dem Straßensegment verbundene Gefährdungswahrscheinlichkeit anzugeben. Beispielsweise weist ein erstes vorderes Straßensegment 314 unmittelbar vor dem Host-Fahrzeug 301 eine hohe damit verbundene Gefährdungswahrscheinlichkeit auf, da eine hohe Kollisionswahrscheinlichkeit besteht, wenn sich ein Zielfahrzeug darauf befindet. Ein zweites vorderes Straßensegment 316, das weiter von dem Host-Fahrzeug 301 entfernt ist, weist eine mittlere damit verbundene Gefährdungswahrscheinlichkeit auf, was in erster Linie auf die zusätzliche Zeit zurückzuführen ist, die dem Host-Fahrzeug 301 zur Verfügung steht, um auf ein darauf befindliches Zielfahrzeug zu reagieren. Ebenso weist ein drittes vorderes Straßensegment 318 eine geringe damit verbundene Gefährdungswahrscheinlichkeit auf, und ein viertes vorderes Straßensegment 320 weist eine sehr geringe damit verbundene Gefährdungswahrscheinlichkeit auf. Bei verschiedenen Ausgestaltungen liegt die hohe Gefährdungswahrscheinlichkeit zwischen ungefähr 0,75 und 1, die mittlere Gefährdungswahrscheinlichkeit liegt zwischen ungefähr 0,5 und ungefähr 0,75, die geringe Gefährdungswahrscheinlichkeit liegt zwischen ungefähr 0,25 und 0,5, und die sehr geringe Gefährdungswahrscheinlichkeit liegt zwischen 0 und ungefähr 0,25.
4 zeigt eine vollständige Gefährdungswahrscheinlichkeitskarte 400 für die Kreuzung 302 von 3 für das Host-Fahrzeug 301, wenn sich das Host-Fahrzeug der Kreuzung 302 nähert. Die ausgewählte Fahrspur 304, die Gegenfahrspur 306 sowie die erste Querfahrspur 308 und die zweite Querfahrspur 310 sind vom Steuergerät 34 aufgeteilt und entsprechende Gefährdungswahrscheinlichkeiten zugeordnet.
Wie in 4 veranschaulicht, kann ein Straßensegment auf einer Fahrspur (z.B. das zweite vordere Straßensegment 416 auf der ausgewählten Fahrspur 304) ein Straßensegment auf einer querende Fahrspur (z.B. das dritte querende Straßensegment 406 auf der ersten Querfahrspur 308) überlagern. Es versteht sich, dass jedes dieser sich überlagernden Straßensegmente aufgrund der relativen Verkehrsrichtung, die mit jedem Straßensegment verbunden ist, eine andere Gefährdungswahrscheinlichkeit aufweisen kann.
Wie außerdem in 4 veranschaulicht, kann die Gefährdungswahrscheinlichkeit für ein Straßensegment auf einer Geschwindigkeit, die ein Zielfahrzeug innerhalb des Straßensegments aufweisen würde, sowie auf einem aktuellen Zustand des Host-Fahrzeugs 301 beruhen. Der Zustand des Host-Fahrzeugs 301 umfasst die Position des Host-Fahrzeugs in Bezug auf die Kreuzung und die aktuelle Geschwindigkeit des Host-Fahrzeugs usw. Das Gefährdungswahrscheinlichkeitsmodell kann außerdem verschiedene mögliche Manöver des Host-Fahrzeugs 301 beim Ermitteln der Gefährdungswahrscheinlichkeit berücksichtigen, wenn dieses z.B. nach links abbiegt, nach rechts abbiegt, geradeaus durch die Kreuzung fährt usw. Die Gefährdungswahrscheinlichkeiten können im Voraus berechnet werden, bevor das Host-Fahrzeug 301 an der Kreuzung 302 eintrifft.
Ein erstes querendes Straßensegment 402, ein zweites querendes Straßensegment 404, ein drittes querendes Straßensegment 406 und ein viertes querendes Straßensegment 408 veranschaulichen die Auswirkungen der angenommenen Geschwindigkeit des Zielfahrzeugs auf die Gefährdungswahrscheinlichkeit. Was das erste querende Straßensegment 402 betrifft, befindet sich ein Zielfahrzeug auf diesem Straßensegment aufgrund seiner angenommenen Geschwindigkeit auf Kollisionskurs mit dem Host-Fahrzeug 301, obwohl dieses Straßensegment von der Kreuzung entfernt ist.
Das zweite querende Straßensegment 404 weist eine mittlere Gefährdungswahrscheinlichkeit auf, weil ein eine angenommene Geschwindigkeit aufweisendes Zielfahrzeug auf diesem Straßensegment eine geringere Wahrscheinlichkeit für eine Kollision mit dem Host-Fahrzeug 301 aufweist. Ebenso weist das dritte querende Straßensegment 406 eine geringe Gefährdungswahrscheinlichkeit auf, weil ein Zielfahrzeug auf diesem Straßensegment höchstwahrscheinlich aus dem Weg des Host-Fahrzeugs 301 fahren würde, wenn das Host-Fahrzeug dieses Straßensegment erreicht. Ebenso weist das vierte querende Straßensegment 408 aufgrund seiner relativen Unzugänglichkeit für das Host-Fahrzeug 301 eine sehr geringe Gefährdungswahrscheinlichkeit auf.
5 zeigt eine Gefährdungswahrscheinlichkeitskarte 500 der Kreuzung 302 von 3, wenn sich das Host-Fahrzeug 301 an der Kreuzung 302 befindet. Ein Vergleich von 4 und 5 veranschaulicht, wie sich die Gefährdungswahrscheinlichkeit für jedes Straßensegment auf Grundlage des Zustandes des Host-Fahrzeugs 301 ändert. Während die Gefährdungswahrscheinlichkeit für das erste querende Straßensegment 402 hoch bleibt, hat sich die Wahrscheinlichkeit für das zweite querende Straßensegment 404 von mittel (in 4) zu hoch (in 5) geändert. Ebenso hat sich die Gefährdungswahrscheinlichkeit des dritten querenden Straßensegments 406 von gering (in 4) zu mittel (in 5) geändert, und die Gefährdungswahrscheinlichkeit des vierten querenden Straßensegments 408 hat sich von sehr gering (in 4) zu gering (in 5) geändert.
6 zeigt eine Nutzungswahrscheinlichkeitskarte 600 der Kreuzung 302 von 3. Die Nutzungswahrscheinlichkeitskarte 600 beruht auf Entdeckungen durch das Sensorsystem 30. Die in 6 gezeigte Nutzungswahrscheinlichkeitskarte 600 gilt für einen Zeitpunkt, zu dem das Host-Fahrzeug 301 an der Kreuzung angehalten wird. Die Entdeckungen werden in ein ausgewähltes Modell, z.B. ein dynamisches Markov-Modell oder ein erfassendes Bayes-Statistik-Modell, eingegeben, um eine Nutzungswahrscheinlichkeit für eine Vielzahl von Straßensegmenten zu ermitteln. Diese Modelle können zum Beispiel ein Straßensegment 602 mit hoher Nutzung ermitteln, das der Position der Entdeckungen entspricht, aber auch ein Straßensegment 604 mit mittlerer Nutzung, das sich in der Nähe befindet. Ein Straßensegment 606 mit geringer Nutzung ist weiter von der Position der Entdeckungen entfernt, während ein Straßensegment 608 mit sehr geringer Nutzung noch weiter entfernt ist.
Sobald die Gefährdungswahrscheinlichkeit und die Nutzungswahrscheinlichkeit bekannt sind, kann für jedes Straßensegment und für die gesamte Kreuzung ein Risiko berechnet werden. Das Risiko für ein ausgewähltes Straßensegment (n-tes Straßensegment) ist das Produkt aus der Nutzungswahrscheinlichkeit für das Straßensegment und der Gefährdungswahrscheinlichkeit für das Straßensegment, wie in Gleichung (1) dargestellt: $R i s i k o_{n} = P (O_{n}) \times P (C_{n})$
wobei P(O_n) die Nutzungswahrscheinlichkeit des n-ten Straßensegments ist und P(C_n) die Gefährdungswahrscheinlichkeit des n-ten Straßensegments ist. Das Risiko für die gesamte Kreuzung ist die Summe der Risiken für die Vielzahl von Straßensegmenten der Kreuzung, wie in Gleichung (2) dargestellt: $R i s i k o (K r e u z u n g) = \sum_{n = 1}^{N} P (O_{n}) \times P (C_{n})$
wobei N die Gesamtzahl der Straßensegmente ist. Das ermittelte Risiko für die Kreuzung kann mit einem Warnschwellenwert verglichen werden, damit ein Signal an den Prozessor oder den Fahrer gesendet wird, um zu verhindern, dass sich das Host-Fahrzeug 301 in eine Situation auf der Kreuzung begibt, in der es zu einem Unfall kommen kann.
7 zeigt ein Bild 700 einer veranschaulichenden Kreuzung aus der Sicht eines sich der Kreuzung nähernden Host-Fahrzeugs 301. Das Bild 700 zeigt ein erstes Zielfahrzeug 702 auf der Gegenfahrbahn und ein zweites Zielfahrzeug 704 auf einer Querfahrbahn. Das Bild 700 umfasst außerdem Ampeln 706. Das Steuergerät 34 isoliert das erste Zielfahrzeug 702 und das zweite Zielfahrzeug 704 unter Verwendung von Umschließungsboxen, die dann zur Identifizierung der Fahrzeuge verwendet werden können. Das Steuergerät 34 isoliert außerdem die Ampeln 706, um den Zustand der Ampeln zu erkennen.
8 zeigt eine Nahaufnahme eines ausgewählten Straßensegments der Kreuzung. Bei verschiedenen Ausgestaltungen identifiziert das Steuergerät 34 ein Straßensegment, das das höchste damit verbundene Risiko aufweist (z.B. das Straßensegment des zweiten Zielfahrzeugs 704) und richtet dann ein Sichtfeld des Sensorsystems 30 auf das Straßensegment mit dem höchsten Risiko aus, um das Risiko zu verringern. Das Ausrichten kann unter Verwendung des ersten oder des zweiten Sensors des Sensorsystems 30 erfolgen. Während sich einer des ersten oder zweiten Sensors auf ein ausgewähltes Straßensegment ausrichtet, hält der andere Sensor ein weites Sichtfeld auf die Kreuzung aufrecht. Durch das Ausrichten eines Sensors auf ein ausgewähltes Straßensegment kann das Steuergerät 34 einen aktualisierten Nutzungswahrscheinlichkeits- und Risikowert für die ausgewählten Straßensegmente erhalten. Die aktualisierte Nutzungswahrscheinlichkeit kann verwendet werden, um das Risiko für die gesamte Kreuzung zu aktualisieren.
9 zeigt bei einer Ausgestaltung ein Blockdiagramm 900 eines Verfahrens zum Trainieren eines maschinellen Lernprogramms auf eine solche Weise, dass ein Sensor auf ein Straßensegment ausgerichtet wird. Das Verfahren nimmt Eingangsgrößen von verschiedenen Sensoren entgegen und ermittelt auf Grundlage dieser Eingangsgrößen Merkmale der Fahrbahn. Diese Merkmale werden in ein maschinelles Lernprogramm eingegeben, das eine stochastische Auswahlstrategie zur Auswahl eines Straßensegments implementiert, auf das ein Sensor ausgerichtet werden soll. Auf Grundlage der Sensorausrichtung wird dann ein Straßenrisikomodell ermittelt. Das Straßenrisikomodell definiert ein mit der gesamten Fahrbahn verbundenes Risiko und kann zum Trainieren des maschinellen Lernprogramms verwendet werden.
Die Eingangsgrößen für das Trainieren des maschinellen Lernprogramms können aus vielen Quellen stammen. Ein Straßenwichtigkeitsmodell 902 und eine Kreuzungskarte 904 können von einer Datenbank oder einem entfernten Server bereitgestellt werden. Die Kameradaten 906 und andere Sensordaten 908 können von den verschiedenen Komponenten des Sensorsystems 30 wie der Digitalkamera 40 und/oder Radar, Lidar usw. stammen. Die Erkennbarkeit 910 der Kreuzung und die Daten der vorherigen Ausrichtungsposition 912 können z.B. im computerlesbaren Speichermedium 38 oder im Steuergerät 34 gespeichert werden.
Das Straßenwichtigkeitsmodell 902 und die Kreuzungskarte 904 werden verwendet, um ein ein weites Sichtfeld umfassendes Bild 914 der Straßenkreuzung mit Gewichtungen für eine Gefährdungswahrscheinlichkeitskarte zu ermitteln. Die Kameradaten 906 und andere Sensordaten 908 werden verwendet, um die Stra-ßensegmentierung 916 durchzuführen und vorherige Fahrzeugentdeckungen 918 von Objekten auf der Straße zusammen mit deren Positionen und Geschwindigkeiten zu ermitteln. Die Erkennbarkeit 910 der Kreuzung und die Daten der vorherigen Ausrichtungsposition 912 werden verwendet, um eine Unsicherheitskarte 920 zu erstellen, die zum Trainieren des maschinellen Lernprogramms 922 verwendet werden kann.
Das maschinelle Lernprogramm 922 kann ein neuronales Netz, eine Gaußprozess-Maschine, eine Support-Vector-Machine oder ein anderes geeignetes maschinelles Lernprogramm sein. Das ein weites Sichtfeld umfassende Bild 914, die Straßensegmentierung 916, die vorherigen Fahrzeugentdeckungen 918 und die Unsicherheitskarte 920 werden dem maschinellen Lernprogramm 922 zur Verfügung gestellt. Das maschinelle Lernprogramm 922 empfängt diese Merkmale und Trainingsdaten 948 und implementiert eine stochastische Strategie 924 zur Auswahl eines Straßensegments, auf das der Sensor ausgerichtet werden soll. Die stochastische Strategie 924 umfasst die zufällige Auswahl eines Straßensegments auf Grundlage der Gewichtungen des Straßensegments. Das Risiko für das Stra-ßensegment wird bei der zufälligen Auswahl als Gewichtung für das Straßensegment verwendet. Die Wahrscheinlichkeit, dass ein Straßensegment unter Verwendung der Zufallsauswahl ausgewählt wird, bezieht sich auf das mit dem Straßensegment verbundene Risiko. Beispielsweise wird ein Straßensegment mit einem hohen damit verbundenen Risiko mit größerer Wahrscheinlichkeit ausgewählt als ein Straßensegment mit einem niedrigen damit verbundenen Risiko.
Die Zufallsauswahl gibt ein ausgewähltes Straßensegment 926 für die nähere Betrachtung aus. Anschließend wird eine Simulation 930 durchgeführt, um ein Stra-ßenrisikomodell auf Grundlage der Auswahl des ausgewählten Straßensegments zu ermitteln. In der Simulation wird der erste Sensor auf das ausgewählte Straßensegment ausgerichtet, um ein ein enges Sichtfeld umfassendes Kamerabild 932 zu erhalten. Ein zweiter Sensor verbleibt auf dem weiten Sichtfeld der Kreuzung der Simulation, um ein ein weites Sichtfeld umfassendes Kamerabild 934 zu erhalten. Im Allgemeinen ist das ein enges Sichtfeld umfassende Bild ein hochauflösendes Bild, während das ein weites Sichtfeld umfassende Bild der Kreuzung ein Bild mit geringerer Auflösung ist.
Der erste Sensor beobachtet das enge Sichtfeld, um alle ein enges Sichtfeld umfassenden Fahrzeugentdeckungen 936 zu erhalten. Der zweite Sensor beobachtet das weite Sichtfeld, um alle ein weites Sichtfeld umfassenden Fahrzeugentdeckungen 938 zu erhalten. Die ein enges Sichtfeld umfassenden Fahrzeugentdeckungen 936 und die ein weites Sichtfeld umfassenden Fahrzeugentdeckungen 938 werden in einem Nutzungsrasterrechner 940 verwendet, um ein ausgerichtetes Nutzungsraster 942 für die Kreuzung und ein nicht ausgerichtetes Nutzungsraster 944 für die Kreuzung zu berechnen. Die Werte des ausgerichteten Nutzungsrasters 942 und des nicht ausgerichteten Nutzungsrasters 944 werden verwendet, um ein Straßenrisikomodell 946 für die Kreuzung zu aktualisieren, das als Trainingsdaten 948 in einer nachfolgenden Iteration eines Trainingsschritts zum Trainieren des maschinellen Lernprogramms 922 verwendet werden kann. Das Straßenrisikomodell 946 zeigt an, ob das Ausrichten des Sensors auf das ausgewählte Straßensegment über das ausgerichtete Nutzungsraster 942 das Risiko in Bezug auf das nicht ausgerichtete Nutzungsraster 944 verringert oder reduziert. Das maschinelle Lernprogramm 922 kann belohnt werden, wenn das Ausrichten des Sensors auf ein ausgewähltes Straßensegment das mit dem Straßenrisikomodell verbundene Risiko verringert, oder bestraft werden, wenn das Ausrichten des Sensors das Risiko erhöht. Bei verschiedenen Ausgestaltungen kann das mit dem Straßenrisikomodell verbundene Risiko mit einer Risikometrik verglichen werden, und das maschinelle Lernprogramm kann belohnt werden, wenn das Risiko aufgrund der Ausrichtung des Sensors geringer ist als die Risikometrik.
10 zeigt ein Flussdiagramm 1000 für ein Verfahren zum Warnen eines Fahrgastes oder Fahrers des Host-Fahrzeugs 301 vor einem in einer Kreuzung bestehenden Risiko. In Feld 1002 wird die Nutzungswahrscheinlichkeit für ein Straßensegment ermittelt. In Feld 1004 wird die Kollisionswahrscheinlichkeit für das Straßensegment ermittelt. Die Nutzungswahrscheinlichkeit und die Kollisionswahrscheinlichkeit werden einem Ausrichtungsmodell 1006 zur Verfügung gestellt, das das mit dem Straßensegment verbundene Risiko ermittelt. Das Ausrichtungsmodell 1006 ermittelt ein betreffendes ausgewähltes Straßensegment, das ein hohes damit verbundenes Risiko aufweist. Der Sensor ist allgemein auf das ausgewählte Straßensegment ausgerichtet. Nachdem das maschinelle Lernprogramm 922 trainiert worden ist, bewirkt es, dass das Ausrichtungsmodell 1006 ein Straßensegment für die Sensorausrichtung auswählt.
In Feld 1008 wird die Überwachung des Fahrers durchgeführt, um zu ermitteln, worauf der Fahrer seine Aufmerksamkeit richtet. Die Überwachung des Fahrverhaltens kann z.B. unter Verwendung von Augensensoren erfolgen, die die Position oder die Ausrichtung der Augen des Fahrers nachverfolgen.
In Feld 1010 werden das ausgewählte Straßensegment und der Blickpunkt des Fahrers einem Disparitätsabbildungsmodul zur Verfügung gestellt, das einen Unterschied zwischen dem ausgewählten Straßensegment und dem Blickpunkt oder der Aufmerksamkeit des Fahrers ermittelt. Besteht ein Unterschied zwischen dem Blickpunkt des Fahrers und dem ausgewählten Straßensegment (d.h. wenn der Fahrer dem Straßensegment mit dem größten Risiko keine Aufmerksamkeit schenkt), kann ein Achtsamkeitssignal erzeugt werden, um den Fahrer zu warnen.
In Feld 1012 wird das ausgewählte Straßensegment auf einen haptischen Aktor abgebildet. Das haptische Signal kann einem oder mehreren haptischen Aktoren, z.B. auf einem Fahrersitz, zugeordnet werden. Ein ausgewähltes haptisches Signal kann übertragen werden, um die Aufmerksamkeit des Fahrers auf eine ausgewählte Stelle auf der Fahrbahn zu lenken. Die haptischen Aktoren können zum Beispiel eine erste Vibrationsvorrichtung auf der linken Seite des Fahrersitzes und eine zweite Vorrichtung auf der rechten Seite des Fahrersitzes umfassen. Befindet sich ein ausgewähltes Straßensegment auf der linken Seite des Fahrers, kann die erste Vibrationseinrichtung aktiviert werden; befindet sich das ausgewählte Straßensegment auf der rechten Seite des Fahrers, kann die zweite Vibrationseinrichtung aktiviert werden. Darüber hinaus kann die Intensität des haptischen Signals hoch sein, um eine hohe Risikostufe und starke Bedenken anzuzeigen, und sie kann niedrig sein, um eine niedrige Risikostufe und geringe Bedenken anzuzeigen. In Feld 1014 wird das abgebildete haptische Signal an ein Haptik-Steuergerät gesendet, um den entsprechenden haptischen Aktor zu betätigen.
11 zeigt ein Flussdiagramm 1100 eines Verfahrens zum Ermitteln des Risikos einer Kreuzung oder eines Straßensegments, bei dem die Möglichkeit besteht, dass die Sicht des Sensorsystems 30 auf ein Objekt verdeckt wird. In Feld 1102 wird eine vorherige Annahme über den Zustand der Kreuzung erstellt. In Feld 1104 werden die Beobachtungen der Sensoren bereitgestellt. Aus der vorherigen Annahme und den Beobachtungen wird eine Verdeckungswahrscheinlichkeit ermittelt. In Feld 1106 wird die Verdeckungswahrscheinlichkeit auf Grundlage der vorherigen Annahme und der Beobachtungen unter Verwendung eines Aktualisierungsprozesses nach Bayes aktualisiert.
In Feld 1108 wird die Wahrscheinlichkeit, dass keine Verdeckung vorliegt, einen Verarbeitungspfad für das Szenario „keine Verdeckung“ entlang gesendet, und die Wahrscheinlichkeit, dass eine Verdeckung vorliegt, wird einen Verarbeitungspfad für das Szenario „Verdeckung“ entlang gesendet. Diese Verarbeitungspfade verlaufen parallel zueinander. In Feld 1110 wird unter der Annahme, dass keine Verdeckung vorliegt, den Verarbeitungspfad für das Szenario „keine Verdeckung“ entlang ein Systemdynamikmodell für die Kreuzung ausgeführt. In Feld 1112 wird auf Grundlage des Systemdynamikmodells eine aktualisierte Annahme über den Zustand der Kreuzung getroffen. In Feld 1114 wird der aktualisierte Zustand mit der Wahrscheinlichkeit, dass keine Verdeckung vorliegt, multipliziert, um einen gewichteten Nichtverdeckungszustand zu erzeugen.
Ebenso wird in Feld 1116 unter der Annahme, dass eine Verdeckung vorliegt, den Verarbeitungspfad für das Szenario „Verdeckung“ entlang ein Systemdynamikmodell für die Kreuzung ausgeführt. In Feld 1118 wird auf Grundlage des Systemdynamikmodells eine aktualisierte Annahme über den Zustand der Kreuzung getroffen. In Feld 1120 wird der aktualisierte Zustand mit der Wahrscheinlichkeit, dass eine Verdeckung vorliegt, multipliziert, um einen gewichteten Verdeckungszustand zu erzeugen. Im Summationsfeld 1122 werden der gewichtete Nichtverdeckungszustand und der gewichtete Verdeckungszustand addiert, um das mit dem ausgewählten Straßensegment verbundene Risiko in Feld 1124 zu ermitteln.
Auch wenn das Verfahren in Bezug auf ein Fahrzeug erörtert wurde, das sich einer Kreuzung nähert, kann das Verfahren auch auf andere Fahrbahnen angewendet werden, z.B. auf einen geraden Straßenabschnitt, eine geteilte Straße, eine ungeteilte Straße oder eine kurvige Straße. Das Risiko kann auf jeder Art von Kreuzungskonfigurationen beruhen, und die Berechnungen können die Auswirkungen von Hindernissen wie Gebäuden, Hecken oder Hügeln auf das Auftreten von Entdeckungen an einem Sensor umfassen.
Während die obige Offenbarung unter Bezugnahme auf beispielhafte Ausgestaltungen beschrieben wurde, ist es unter Fachleuten bekannt, dass verschiedene Änderungen vorgenommen und gleichwertige Elemente ersetzt werden können, ohne vom Anwendungsbereich abzuweichen. Darüber hinaus können viele Änderungen vorgenommen werden, um eine bestimmte Situation oder ein bestimmtes Material an die Lehren der Offenbarung anzupassen, ohne von ihrem wesentlichen Umfang abzuweichen. Daher soll die vorliegende Offenbarung nicht auf die besonderen offenbarten Ausgestaltungen beschränkt sein, sondern alle Ausgestaltungen umfassen, die in ihren Umfang fallen.

Claims

Verfahren zum Navigieren eines Fahrzeugs, umfassend: Erhalten eines Bildes einer Fahrbahn von einem Sensor und Ausrichten des Sensors auf ein Straßensegment, das aus einer Vielzahl von Straßensegmenten der Fahrbahn ausgewählt wird, wobei das Straßensegment unter Verwendung eines maschinellen Lernprogramms auf Grundlage eines Risikos des Straßensegments ausgewählt wird, wobei das maschinelle Lernprogramm so trainiert wird, dass es das Straßensegment auswählt, indem es: das Risiko für jedes aus der Vielzahl von Straßensegmenten der Fahrbahn berechnet, wobei das mit dem Straßensegment verbundene Risiko auf einer mit dem Straßensegment verbundenen Gefährdungswahrscheinlichkeit und einer mit dem Straßensegment verbundenen Nutzungswahrscheinlichkeit beruht, das Straßensegment aus der Vielzahl von Straßensegmenten auf Grundlage des mit dem Straßensegment verbundenen Risikos auswählt und eine Risikominderung für ein Straßenrisikomodell der Fahrbahn aufgrund der Auswahl des Straßensegments ermittelt.
Verfahren nach Anspruch 1, wobei das Ausrichten des Sensors ferner das Durchführen einer Zufallsauswahl für die Vielzahl von Straßensegmenten umfasst, bei der eine Wahrscheinlichkeit der Auswahl des Straßensegments auf dem mit dem Straßensegment verbundenen Risiko beruht.
Verfahren nach Anspruch 1, ferner umfassend das Warnen des Fahrers des Fahrzeugs, wenn die Aufmerksamkeit des Fahrers des Fahrzeugs nicht auf dem Straßensegment liegt.
Verfahren nach Anspruch 1, ferner umfassend das Vergleichen des Risikos des Straßenrisikomodells mit einer Risikometrik und das Belohnen des maschinellen Lernprogramms für die Auswahl des Straßensegments, wenn das Risiko geringer ist als die Risikometrik.
Verfahren nach Anspruch 1, wobei der Sensor einen ersten und einen zweiten Sensor umfasst, ferner umfassend das Ausrichten des ersten Sensors auf das Straßensegment, während mit dem zweiten Sensor ein weites Sichtfeld auf die Fahrbahn aufrechterhalten wird.
System zum Navigieren eines Fahrzeugs, umfassend: einen Sensor, der dazu ausgelegt ist, ein Bild einer Fahrbahn aufzunehmen, und einen Prozessor, der dazu ausgelegt ist: den Sensor auf ein Straßensegment auszurichten, das unter Verwendung eines maschinellen Lernprogramms auf Grundlage eines Risikos des Straßensegments aus einer Vielzahl von Straßensegmenten der Fahrbahn ausgewählt wird, wobei das maschinelle Lernprogramm so trainiert wird, dass es den Sensor ausrichtet, indem es: das Risiko für jedes aus der Vielzahl von Straßensegmenten der Fahrbahn berechnet, wobei das mit dem Straßensegment verbundene Risiko auf einer mit dem Straßensegment verbundenen Gefährdungswahrscheinlichkeit und einer mit dem Straßensegment verbundenen Nutzungswahrscheinlichkeit beruht, das Straßensegment aus der Vielzahl von Straßensegmenten auf Grundlage des mit dem Straßensegment verbundenen Risikos auswählt und eine Risikominderung für ein Straßenrisikomodell der Fahrbahn aufgrund der Auswahl des Straßensegments ermittelt.
System nach Anspruch 6, wobei der Prozessor ferner dazu ausgelegt ist, den Sensor auszurichten, indem er eine Zufallsauswahl für die Vielzahl von Straßensegmenten durchführt, bei der eine Wahrscheinlichkeit der Auswahl des Straßensegments auf dem mit dem Straßensegment verbundenen Risiko beruht.
System nach Anspruch 6, wobei der Prozessor ferner dazu ausgelegt ist, den Fahrer des Fahrzeugs zu warnen, wenn die Aufmerksamkeit des Fahrers nicht auf dem Straßensegment liegt.
System nach Anspruch 6, wobei der Prozessor ferner dazu ausgelegt ist, das maschinelle Lernprogramm zu trainieren, indem er das Risiko des Straßenrisikomodells mit einer Risikometrik vergleicht und das maschinelle Lernprogramm für die Auswahl des Straßensegments belohnt, wenn das Risiko geringer ist als die Risikometrik.
System nach Anspruch 6, wobei der Sensor einen ersten und einen zweiten Sensor umfasst und der Prozessor ferner dazu ausgelegt ist, den ersten Sensor auf das Straßensegment auszurichten, während er mit dem zweiten Sensor ein weites Sichtfeld auf die Fahrbahn aufrechterhält.