DE102022117675A1 - Verfahren, System sowie neuronales Netz zum Betreiben eines Fahrzeugs, insb. eines Assistenzsystems, eines Systems aktiver Sicherheit oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs - Google Patents

Verfahren, System sowie neuronales Netz zum Betreiben eines Fahrzeugs, insb. eines Assistenzsystems, eines Systems aktiver Sicherheit oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs Download PDF

Info

Publication number
DE102022117675A1
DE102022117675A1 DE102022117675.4A DE102022117675A DE102022117675A1 DE 102022117675 A1 DE102022117675 A1 DE 102022117675A1 DE 102022117675 A DE102022117675 A DE 102022117675A DE 102022117675 A1 DE102022117675 A1 DE 102022117675A1
Authority
DE
Germany
Prior art keywords
driver
vehicle
neural network
error
vehicles
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102022117675.4A
Other languages
English (en)
Inventor
Alexander Augst
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Priority to DE102022117675.4A priority Critical patent/DE102022117675A1/de
Publication of DE102022117675A1 publication Critical patent/DE102022117675A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren (100), ein System, ein neuronales Netz (DNN1, DNNZ, DNN2) sowie ein Computerprogramm zum Betreiben eines Fahrzeugs (10, 11, 12, 20, 21, 22), insbesondere eines Fahrerassistenzsystems (FAS), eines Systems aktiver Sicherheit (SAS), eines Systems zum zumindest teilweise automatisierten Fahren (TAF, HAF) oder Parken (TAP, HAP), oder eines Systems (SIG) zur Signalisierung an die Umgebung des Fahrzeugs (10, 11, 12, 20, 21, 22). Das Verfahren umfasst:- Erkennen (101) eines eine Fahrzeugführung betreffenden Fahrerfehlers bei einer ersten Fahrerhandlung eines ersten Fahrers eines ersten Fahrzeugs (10, 11, 12);- Ermitteln (102) von ersten Daten im Zusammenhang mit dem ersten Fahrerfehler;- abhängig von den ersten Daten Trainieren (103) eines neuronalen Netzes (DNN1, DNNZ, DNN2) zum Betreiben (104) des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiten Fahrzeuge (20, 21, 22).

Description

  • Die Erfindung betrifft ein Verfahren, eine Vorrichtung, ein neuronales Netz sowie ein Computerprogrammprodukt zum Betreiben eines Fahrzeugs, insbesondere eines Assistenzsystems, insbesondere eines Fahrerassistenzsystems, eines Systems aktiver Sicherheit, eines Systems zum zumindest teilweise automatisierten Fahren oder Parken, und/oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs.
  • Ein Fehler, der durch einen Fahrer eines Fahrzeugs begangen bzw. durch den Fahrer zugelassen wird, ist normalerweise nicht anhand logischer Zusammenhänge prädizierbar. Im Gegensatz zu einer technischen Vorrichtung sind die sehr zahlreiche subjektiven Ursachen, die bei einem Menschen zu einem Fehlverhalten bzw. zu dem sogenannten menschlichen Versagen führen, nicht eindeutig bzw. hinreichend mathematisch nachvollziehbar, abbildbar, berechenbar bzw. prädizierbar.
  • Auch bei steigender Verlässlichkeit der Fahrzeugsysteme und Automatisierung des Fahrens bzw. Parkens kann das menschliche Versagen des Fahrers des Fahrzeugs (sowohl bei manuell ausgeführten Fahrerhandlungen als auch beim Umgang mit Fahrzeugsystemen) weiterhin eine schwer kalkulierbare Unsicherheit darstellen.
  • Es ist Aufgabe der Erfindung, ein verbessertes Verfahren, eine Vorrichtung, ein System sowie ein Computerprogramm zum Betreiben eines Fahrzeugs, insbesondere eines Fahrerassistenzsystems, eines Systems aktiver Sicherheit, eines Systems zum zumindest teilweise automatisierten Fahren oder Parken, oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs aufzuzeigen. Insbesondere adressiert die Aufgabe der Erfindung eine verbesserte Handhabung möglicher Fehler, die einem Fahrer des Fahrzeugs zumindest potentiell passieren können, und/oder einen hinsichtlich der Fehlertoleranz verbesserten Betrieb des Fahrzeugs bzw. einer Fahrzeugflotte in Bezug auf potentielle Fahrerfehler.
  • Gemäß einem ersten Aspekt der Erfindung wird ein Verfahren zum Betreiben eines Fahrzeugs vorgeschlagen. Das Verfahren umfasst: Erkennen eines eine Fahrzeugführung betreffenden ersten Fahrerfehlers bei einer ersten Fahrerhandlung eines ersten Fahrers eines ersten Fahrzeugs, und (daraufhin): Ermitteln von ersten Daten im Zusammenhang mit dem ersten Fahrerfehler; und (daraufhin): Trainieren eines neuronalen Netzes zum Betreiben des ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge, abhängig von den ersten Daten.
  • Bevorzugt umfasst das Verfahren ein Bereitstellen des trainierten neuronalen Netzes zum Betreiben des ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge, und/oder ein Betreiben des ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge abhängig von der Ausgangsschicht des (derart) trainierten neuronalen Netzes.
  • Der erste (die Fahrzeugführung des ersten Fahrzeugs betreffende) Fahrerfehler bezieht sich insbesondere auf eine Ausführung einer zumindest teilweise manuell und/oder zumindest teilweise automatisiert veranlasste Fahrerhandlung.
  • Die Fahrerfehler betrifft die Fahrzeugführung insbesondere in der Hinsicht, dass sich aufgrund des Fahrerfehlers eine (z.B. unmittelbare oder mittelbare) unerwünschte Auswirkung auf die Fahrzeugführung, insbesondere auf die Längsführung und/oder Querführung, das Parken oder Rangieren, eine Manöverausführung mit dem Fahrzeug und/oder eine Signalisierung des Fahrzeugs an seine Umgebung (z.B. Hupen, Lichtsignalisierung, etc.) ergeben hat oder hätte (z.B. zumindest mit einer gewissen Wahrscheinlichkeit) ergeben können. Die Fahrzeugführung kann insbesondere die Signalisierung des Fahrzeugs an seine Umgebung umfassen oder sein.
  • Zu den Fahrerfehlern können daher Fahrerfehler gezählt werden, die zu einer (z.B. einer bestimmten oder ein bestimmtes Maß übersteigenden) Konsequenz geführt haben, oder Fahrerfehler, die zumindest potentiell zu einer Konsequenz (z.B. mit einem gewissen Wahrscheinlichkeitsmaß) hätten führen können. Beispielsweise kann es sich um einen Fahrerfehler handeln, der nur unter bestimmten Umständen und/oder potentiell zu einer (z.B. unerwünschten Konsequenz führt. Insbesondere zeichnet sich ein Fahrerfehler dadurch aus, dass (z.B. bei der zumindest teilweise manuellen und/oder zumindest teilweise unterstützen, insbesondere automatisierten, Führung des Fahrzeugs) durch den Fahrer (unmittelbar oder mittelbar, z.B. durch nicht hinreichende Steuerung und/oder Einstellung und/oder Überwachung eines Systems des Fahrzeugs) ein Ergebnis erzielt wird, das sich qualitativ, insbesondere prinzipiell, von seinem Ziel unterscheidet.
  • Zu dem Begriff Fahrzeugführung kann im Rahmen des vorliegenden Dokuments auch ein Parken oder Rangieren (z.B. Einparkvorgang, Ausparkvorgang, Rangiervorgang) sowie der Übergang zwischen einem Fahren und Parken gezählt werden. Unter einem Begriff Manöver kann z.B. ein Spurwechselmanöver, Ausweichmanöver, Überholmanöver, Abbiegen, Ausfahren, Einfahren (z.B. Schnellstraßen) aufgefasst werden. Der zumindest eine Fahrzeugführung betreffende erste Fahrerfehler bei einer ersten Fahrerhandlung kann ein Fahrerfehler sein, der die Führung des Fahrzeugs in irgendeiner Weise betrifft, beispielsweise im Rahmen der Führung des Fahrzeugs passiert und/oder sich auf die Führung des Fahrzeugs auswirkt.
  • Die ersten Fahrerfehler sind solche, die in dem einen oder in mehreren (bevorzugt einer Vielzahl) der ersten Fahrzeuge passiert sind (auch zu verstehen als gemacht oder verursacht wurden).
  • Bevorzugt werden die ersten Daten aus einer Vielzahl der ersten Fahrzeuge und/oder aus einer Vielzahl von ersten Fahrern und/oder bei einer Vielzahl von Fahrsituationen und/oder (Fahr-)Kontexten und/oder an unterschiedlichen Orten ermittelt. Die ersten Daten können abhängig von statistischen Häufungen und/oder Mustern von Auftritten und/oder Nicht-Auftritten erster Fahrerfehler bestimmter Arten und/oder erster Fahrerfehler ermittelt werden oder die Information über derartige Häufungen bzw. Muster umfassen.
  • Im Rahmen des Verfahrens können (z.B. vorab) erste Daten in Bezug auf eine Mehrzahl (z.B. Hunderte, Tausende, Millionen) von ersten Fahrerhandlungen bzw. der in diesen Zusammenhang erkannten Fahrerfehlern ermittelt werden. Diese können mittels eines Backend-Servers ermittelt, von diesem gespeichert und/oder verarbeitet werden. Die ersten Fahrerhandlungen können dabei in einem oder in mehreren unterschiedlichen (ggf. baugleichen) Fahrzeugen erfolgt sein. Auf Basis der Daten kann eine Häufigkeitsinformation in Bezug auf die Häufigkeit eines bestimmten Fahrerfehlers bei der Mehrzahl von ersten Fahrerhandlungen ermittelt werden.
  • Insbesondere kann ermittelt werden bzw. (zu dem Zeitintervall, zu dem ein zweiter Fahrerfehler bei einem zweiten Fahrzeug passieren kann) bereits ermittelt worden sein, wie häufig der Fahrerfehler, insbesondere ein bestimmter Fahrerfehler oder ein Fahrerfehler einer bestimmten Art, bei den ersten Fahrerhandlungen ist. Insbesondere kann eine Häufung von (z.B. untereinander) ähnlichen Gruppen aus Fahrerhandlungen und (z.B. untereinander) ähnlichen Fahrerfehlern (z.B. gegenüber einem Durchschnittswert bzw. einem statistischen Wert) erkannt werden und die entsprechende Häufigkeitsinformation im Verfahren berücksichtigt werden. Beispielsweise kann die Häufigkeitsinformation beim Trainieren des neuronalen Netzes und/oder beim Betreiben des neuronalen Netzes und/oder beim Betreiben des ersten bzw. zweiten Fahrzeugs abhängig von der Ausgangsschicht des neuronalen Netzes berücksichtigt werden.
  • Alternativ oder zusätzlich kann eine aus den Informationen abgeleitete Maßnahme in Bezug auf den möglichen Fahrerfehler bei der zweiten Fahrerhandlung gemäß einer vorausbestimmten Abhängigkeit von der ermittelten Häufigkeitsinformation bewirkt werden.
  • Beispielsweise erfolgen die Auswahl und/oder Verarbeitung der ersten Daten zum Trainieren des neuronalen Netzes und/oder von zweiten Daten zum Steuern des neuronalen Netzes und/oder die Auswahl einer Maßnahme abhängig von der Häufigkeitsinformation. Beispielsweise kann keine Maßnahme bewirkt werden, wenn die Häufigkeit des Fahrerfehlers kleiner als ein bestimmter Häufigkeits-Schwellenwert ist. Andererseits kann ggf. nur dann oder vorrangig eine Maßnahme (z.B. eine Maßnahme einer bestimmten Art und/oder eine Maßnahme mit einem bestimmten Parameterwertebereich) bewirkt werden, wenn die Häufigkeit des Fahrerfehlers größer als der bestimmte Häufigkeits-Schwellenwert ist. Besonders durch die Berücksichtigung von Häufigkeitsinformation können der Komfort und die Zuverlässigkeit der Bedienung des Fahrzeugs weiter erhöht werden.
  • Alternativ oder zusätzlich kann erkannt und berücksichtigt werden, wenn (besonders) viele (z.B. untereinander ähnliche) Fahrerfehler der Fahrers des zumindest einen zweiten Fahrzeugs mit den Fahrerfehlern des Fahrers des einen oder der mehreren ersten Fahrzeugs zumindest ein gewisses (möglichst hohes) Ähnlichkeitsmaß aufweisen. Wenn dies (z.B. im besonderen Maße bzw. besonders häufig) bei zweiten Fahrerhandlungen erkannt wird, die zumindest ein gewisses Ähnlichkeitsmaß mit dem einen oder den mehreren ersten Fahrerhandlungen aufweisen, kann daraufhin eine für diese bestimmte oder angepasste (d.h. auch für diese spezifische und/oder auf diese zugeschnittene) Maßnahme bewirkt werden. Dabei kann das Trainieren und/oder Betreiben des zumindest einen neuronalen Netzes oder eines oder mehrerer weiterer Schritte des Verfahrens zumindest vorrangig auf besonders häufig wiederholende Fahrerfehler, die sich gemäß einem im Verfahren ermitteltem Muster (z.B. personenspezifisch, personenprofilspezifisch, personengruppenspezifisch, kontextspezifisch) wiederholen, zugeschnitten sein.
  • In einem vereinfachten Fall kann ein bzw. der zweite Fahrerfehler ein Fahrerfehler von (demselben) ersten Fahrer und/oder in einem (ggf. demselben) ersten Fahrzeug sein. In einem Beispiel des Verfahrens wird eine Information betreffend eine Vielzahl der von menschlichen Fahrern bei einem manuellen Fahren gemachten ersten Fahrerfehler an ein automatisiert fahrendes Fahrzeug bereitgestellt.
  • Beispielsweise betrifft der (erster bzw. zweite) Fahrerfehler:
    • - ein Wahrnehmung, Einschätzung und/und Interpretation einer (Fahr-)Situation,
    • - eine Fahrzeugführung, insbesondere eine sogenannte Bahnführung des Fahrzeugs, z.B. ein Lenken, Bremsen oder Beschleunigen;
    • - eine steuernde Aktion oder einen steuernden Eingriff z.B. durch ein Pedal und/oder das Lenkrad,
    • - eine Steuerung eines Fahrerassistenzsystems, z.B. ein Veranlassen, Verändern, Überstimmen oder Beenden einer durch das Fahrerassistenzsystem zumindest teilweise automatisiert auszuführenden Aktion;
    • - ein Veranlassen einer Signalisierung, insbesondere eine in der Umgebung des Fahrzeugs hörbare und/oder sichtbare Signalisierung, z.B. an andere Verkehrsteilnehmer.
  • Bei dem Fahrerfehler handelt es sich um einen Fehler des Fahrers, der insbesondere eine bestimmte fahrerische Handlung bzw. eine fahrerische Handlung einer bestimmten Art betrifft. Bei dem Fahrerfehler kann es sich um eine fehlerhafte, fehlende (z.B. vergessene) und/oder zu der Situation, Fahrbahnstelle, etc. unpassende fahrerische Handlung handeln. Die fahrerische Handlung kann eine Aktion des Fahrers in Bezug auf das Fahrzeug oder eine Interaktion des Fahrers mit dem Fahrzeug sein.
  • Bei dem Fahrerfehler kann es sich um einen Fahrerfehler mit Merkmalen des sogenannten menschlichen Versehens bzw. Versagens handeln. Beispiele für unterschiedliche Arten eines Fahrerfehlers können z.B. sein: ein vergessener Blinker, ein Blinker in eine falsche Richtung, ein nicht ausgeschalteter Blinker; ein fehlender oder zu später Blick in eine bestimmte Richtung, z.B. in Richtung einer Ausfahrt, Vorfahrtstraße oder in Richtung eines Verkehrsteilnehmer, eine fehlende, fehlerhafte, insbesondere hinsichtlich einer Intensität übertriebene, untertriebene Handlung des Fahrers, insbesondere eine unangemessene Reaktion auf ein Situation, z.B. in der Umgebung des Fahrzeugs und/oder innerhalb des Fahrzeugs, eine Fahrsituation und/oder eine Handlung eines weiteren Verkehrsteilnehmers.
  • Bei dem Fahrerfehler kann es sich insbesondere um einen Fahrerfehler aufgrund einer Ablenkung, z.B. durch einen anderen Verkehrsteilnehmer, ein Geschehen in der Nähe des Fahrzeugs, oder aufgrund eines Übersehens oder beinahe Übersehens oder einer falschen Annahme über die Bewegung eines anderen Verkehrsteilnehmers handeln.
  • Alternativ oder zusätzlich kann eine Fahrerhandlung eine Sequenz von Fahrerhandlungen und/oder Manöverphasen sein. Eine solche Sequenz kann umfassen oder sein: eine Fahrzeuggeschwindigkeitsreduzierung, ein Blinken, ein Abbiegen oder Einfädeln in die Blinkrichtung, etc. Der Fahrerfehler kann z.B. ein Fehlen eines Teils einer solchen Sequenz und/oder eine nicht regelkonforme, in sich und/oder zu der Fahrtsituation unpassende Sequenz und/oder unrichtige Reihenfolge bzw. unpassende Zeitintervalle zwischen einzelnen Teilen der Sequenz umfassen oder sein.
  • Bevorzugt umfasst die (erste und/oder zweite) Fahrerhandlung eine oder mehrere innerhalb eines Zeitintervalls (z.B. von 1 - 30 Sekunden) zumindest teilweise kontinuierlich ausführbaren Auswahl und/oder Veränderung einer Größe. Solche Fahrerhandlungen können typischerweise mit mehreren bzw. unterschiedlichen Fahrerfehlern behaftet sein.
  • Bevorzugt werden ein oder mehrere Parameter, die für einen Ablauf der Fahrerhandlung kennzeichnend sind, ermittelt und berücksichtigt. Ein oder mehrere solcher Parameter, insbesondere eine Veränderungscharakteristik eines oder mehrerer Parameterwerte (z.B. kennzeichnend eine Interaktion mit der Bedienschnittstelle) können im Zeitverlauf ermittelt und berücksichtigt werden.
  • Alternativ oder zusätzlich kann der Fahrerfehler eine (z.B. einen bestimmten Grenzwert bzw. Normwert) übersteigende Abweichung (z.B. von etwa 20%, mehr als 30%, 50 %) umfassen oder sein. Dies kann z.B. eine Querführung des Fahrzeugs, z.B. eine Position innerhalb der Spur oder ein Verlassen der Spur bzw. Fahrbahn umfassen oder sein. Der Fahrerfehler kann sich beziehen auf die (z.B. unmittelbare oder mittelbare) Ausführung einer (z.B. zumindest teilweise manuell ausgeführten und/oder zumindest teilweise automatisiert ausgeführten) Fahrerhandlung.
  • Alternativ oder zusätzlich kann ein Erkennen einer fehlerfreien, insbesondere bis auf eine bestimmte Toleranz, fehlerfrei und/oder präzise ausgeführten Fahrerhandlung ausgeführt werden. Dabei können sich die (alternativ, bevorzugt zusätzlich zu berücksichtigenden) ersten ermittelten Daten auf fehlerfreie, insbesondere bis auf bestimmte Toleranz, fehlerfreie und/oder präzise ausgeführten Fahrerhandlung beziehen.
  • Die Fahrerfehler und/oder Fehlerfreiheit und/oder Präzision kann sich (auch nur) auf die Handlungen des Fahrers, insbesondere den Beitrag des Fahrers zu der Führung des Fahrzeugs (z.B. zum Gesamtergebnis aus der Interaktion des Fahrers mit einem oder mehreren Systemen des Fahrzeugs) beziehen. Dabei kann der Fahrer auch der (handelnde) Nutzer eines zumindest teilweise automatisiert fahrbaren Fahrzeugs bzw. der Nutzer der in bestimmten Situationen sein.
  • Das Erkennen einer fehlerfreien, insbesondere bis auf bestimmte Toleranz, fehlerfrei und/oder präzise ausgeführten Fahrerhandlung und/oder die entsprechenden ersten Daten können gemäß einem oder mehreren Merkmalen des Verfahrens berücksichtigt werden.
  • Der Begriff „Betreiben“ kann insbesondere als Steuern, Verändern eines Betriebsmodus, und/oder Variieren eines oder mehrerer Betriebsparameter (insbesondere auch aufzufassen als das Veranlassen entsprechender, insbesondere bestimmter Änderungen) ausgefasst werden. Beispielsweise umfasst das Betreiben des Fahrzeugs ein Steuern, Verändern der Betriebsmodi und/oder Variieren eines oder mehrerer Parameter eines Fahrzeugsystems (ebenso zu verstehen einer Fahrzeugfunktionalität). Insbesondere kann das Betreiben ein Bewirken oder Anpassen einer (z.B. bestimmten bzw. zweckmäßigen) Maßnahme umfassen oder sein.
  • Beispielsweise wird abhängig von der Ausgangsschicht des neuronalen Netzes (auch zu verstehen als: unmittelbar oder mittelbar angesteuert durch die Ausgangsschicht des neuronalen Netzes) eine Maßnahme bewirkt oder ausgesetzt. Dies kann eine Auswahl der Maßnahme, ein Veranlassen, ein Deaktivieren, insbesondere ein (z.B. temporäres) auf einen bestimmten Fall bezogenes Aussetzen der Maßnahme und/oder Bestimmen oder Anpassen eines oder mehrerer Parameter der Maßnahme umfassen oder sein.
  • Dabei kann das neuronale Netz zum vorausschauenden Steuern, Verändern eines Betriebsmodus, und/oder Variieren eines oder mehrerer Betriebsparameter bzw. Veranlassen entsprechender, insbesondere bestimmter, Änderungen, insbesondere eine Änderung eines oder mehrerer Fahrzeugsysteme im Fahrzeug trainiert und/oder betrieben werden.
  • Der Begriff neuronales Netz versteht sich als (zumindest) ein oder mehrere neuronale Netze. Das neuronale Netz kann einen Bereich (z.B. einige bestimmte Schichten) eines größeren neuronalen Netzes umfassen oder sein. Insbesondere kann das neuronales Netz als eine Summe von mehreren, insbesondere abhängig voneinander trainierten und/oder verschalteten (z.B. zum Betreiben des ersten Fahrzeugs und/oder eines oder mehrerer zweiten Fahrzeuge unmittelbar oder mittelbar verschaltete) neuronalen Netze aufgefasst werden. Bei dem zumindest einem neuronalen Netz kann es sich um ein neuronales Netz eines Fahrerassistenzsystems, eines Systems zur aktiven Sicherheit, eines Systems zum zumindest teilweise automatisierten Fahren bzw. Parken, oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs, bzw. eines neuronalen Netz zum Betreiben eines oder mehrerer dieser Systeme (bzw. Funktionalitäten) des ersten Fahrzeugs und/oder des einen oder mehrerer zweiten Fahrzeuge handeln.
  • Abhängig von der Ausgangsschicht des neuronalen Netzes kann ein Fahrzeugsystem (insbesondere auch ebenso eine Fahrzeugfunktionalität zu verstehen), insbesondere ein Fahrerassistenzsystem und/oder ein System aktiver Sicherheit und/oder ein System zum zumindest teilweise automatisierten Fahren bzw. Parken und/oder System zum Signalisieren an die Umgebung des Fahrzeugs betrieben, insbesondere gesteuert werden. Dabei kann alternativ oder zusätzlich zu einem Bewirken einer Aktion (z.B. einem Eingriff ins Fahrwerk, Licht, Hupe des Fahrzeugs) eine Eigenschaft des Fahrzeugsystems (z.B. seine Reaktion oder Reaktionsweise auf noch nicht eingetroffene Ereignisse) zumindest temporär verändert werden.
  • Beispielsweise kann abhängig von der Ausgangsschicht des neuronalen Netzes eine Empfindlichkeit und/oder Reaktion des ersten Fahrzeugs und/oder des einen oder mehreren zweiten Fahrzeuge (z.B. entsprechender Fahrerassistenzsysteme, Systeme aktiver Sicherheit, Systeme zum zumindest teilweise automatisierten Fahren) und/oder eines Systems zur Signalisierung des Fahrzeugs an seine Umgebung auf bestimmte Ereignisse des ersten Fahrzeugs und/oder des einen oder mehreren zweiten Fahrzeuge (z.B. in bestimmten Situationen) verändert, insbesondere angepasst werden. Dies kann vorausschauend erfolgen.
  • Unter dem Begriff „neuronales Netz“ kann alternativ oder zusätzlich auch eine andere Form der (insbesondere ein neuronales Netz oder eine vergleichbare Struktur umfassende) künstlichen Intelligenz aufgefasst werden. Insbesondere ist unter dem Trainieren und/oder Betreiben des zumindest einen neuronalen Netzes (auch) eine sinngemäße Anwendung anderer Arten eines maschinellen Lernens zu verstehen. Beispielsweise kann das zumindest eine neuronales Netz, das Trainieren und/oder Betreiben von diesem eine sinngemäße Anwendung eines oder mehrere nachfolgend aufgezählten Gegebenheiten oder Kombination davon umfassen oder sein: supervised learning, unsupervised learning, reinforcement learning, multitask learning, classification and regressions trees, support vector machines, logical and relational learning, probabilistic graphical models, rule learning, instance based learning, latent representation, bio-inspired approache.
  • Ein oder mehrere Schritte des Verfahrens können, insbesondere End-to-End, mittels eines jeweils entsprechend trainierten und/oder betriebenen neuronalen Netzes ausgeführt werden. Selbstverständlich schließt das die Verwendung bzw. Mitverwendung anderer Mittel, (z.B. einer oder mehrerer computerimplementierter Berechnungsformeln, regelbasierter Algorithmen etc.) nicht aus. Beispielsweise kann zumindest ein Teil eines oder mehrerer Schritte des Verfahrens (zumindest zum Teil auch) mit anderen Mitteln ausgeführt werden. Bevorzugt kann ein wesentlicher Teil der Verarbeitung der im vorliegenden Dokument beschriebener Daten und/oder ein wesentlicher Teil der Wirkung des Verfahrens mittels des zumindest einen neuronalen Netzes erfolgen.
  • Das Verfahren kann insbesondere derart ausgeführt werden, dass das Steuern, Verändern eines Betriebsmodus, und/oder Variieren eines oder mehrerer Betriebsparameter des ersten Fahrzeugs und/oder des einen oder mehreren zweiten Fahrzeuge ausgeführt wird, bevor (bevorzugt kurz bevor) der Fahrerfehler gemacht wird, insbesondere bevor dieser zumindest Größtenteils gemacht wird oder bevor die Konsequenz des Fahrerfehlers eintrifft.
  • Beispielsweise kann das neuronale Netz trainiert und/oder betrieben werden, um die Unterstützung des (ersten oder ggf. zweiten) Fahrers des ersten Fahrzeugs und/oder des einen oder der mehreren zweiten Fahrzeuge durch ein Fahrerassistenzsystem, System aktiver Sicherheit, System zum zumindest teilweise automatisierten Fahren bzw. Parken und/oder System zur Signalisierung des Fahrzeugs an seine Umgebung zumindest temporär (z.B. im Zusammenhang mit einer bestimmten, konkreten zweiten Fahrerhandlung) zu aktivieren, zu deaktivieren und/oder zu verändern (z.B. zu intensivieren und/oder anzupassen).
  • Im Verfahren muss auch kein unmittelbares oder mittelbares Steuern des ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge abhängig von ersten Daten ausgeführt werden.
  • Unter dem Begriff „Trainieren“ ist insbesondere ein maschinelles Lernen, ein nicht-regelbasiertes Lernen und/oder Deep Learning bzw. die Ausführung eines maschinellen Lernens, eines nicht-regelbasiertes Lernens und/oder eines Deep Learning zu verstehen. Das Trainieren kann ein überwachtes oder nicht überwachtes Trainieren sein.
  • Das Trainieren des neuronalen Netzes ist insbesondere (auch) als Einrichten des neuronalen Netzes aufzufassen. Das Betreiben des neuronalen Netzes ist insbesondere ein Steuern des neuronalen Netzes, insbesondere der Eingangsschicht (eines oder mehrerer Eingänge) des neuronalen Netzes. Ferner kann ein Verändern des Betriebsmodus des zumindest einen neuronalen Netzes ebenfalls zum Betreiben gezählt werden.
  • Das Trainieren des zumindest einen neuronalen Netzes kann ein End-to-End Learning (zu Deutsch auch: Ende-zu-Ende-Lernen) und/oder Reinforcement Learning (zu Deutsch auch: ein bestärkendes Lernen oder verstärkendes Lernen) umfassen oder sein. Dabei können mehrere, insbesondere eine überwiegende Anzahl, oder (im Wesentlichen) alle für das Anstreben eines oder mehrerer Ziele notwendigen Zwischenschritte in dem (zumindest teilweise trainierten) neuronalen Netz abgebildet bzw. integriert sein. Das Trainieren kann für ein oder mehrere vorausbestimmte und/oder im Verfahren bestimmte Ziele erfolgen.
  • Das Ziel des Trainierens (insbesondere auch zu verstehen als das Ziel des maschinellen Lernens) kann umfassen oder sein:
    • - Verbesserung einer qualitativen und/oder quantitative Kennzahl, die den Erfolg einer Fahrerhandlung und/oder des resultierenden Fahrens kennzeichnet; und/oder
    • - eine verbesserte Übereinstimmung eines Ergebnisses der Fahrerhandlung mit der Motivation und/oder der Erwartung des jeweiligen Fahrers; und/oder
    • - eine Reduktion der Anzahl und/oder der Schwere und/oder des Risikos von Fahrerfehlern; und/oder
    • - eine Reduktion der Konsequenzen der Fahrerfehler (z.B. eines oder mehrerer nach dem Fahrerfehler bzw. infolge des Fahrerfehlers aufgetretenen Vorkommnisse).
  • Zu einem oder zu mehreren (z.B. den oben genannten) Zielen kann ein Zielwert vorgebbar sein bzw. vorgegeben werden. Beispielsweise kann ein erster Zielwert beim Trainieren des neuronalen Netzes vorgegeben werden und/oder ein zweiter Zielwert beim Betreiben (bei der Nutzung des trainierten neuronalen Netzes im Betrieb) vorgegeben werden.
  • Beispielsweise umfasst die Erfindung ein erstes Verfahren oder einen Teil des Verfahrens zum Trainieren des neuronalen Netzes und/oder ein zweites Verfahren oder einen Teil des Verfahrens, bei dem das trainierte neuronale Netz (zum Betreiben der Fahrzeuge im Nutzbetrieb) betrieben wird. Das Betreiben umfasst z.B. den aktiven Nutzerbetrieb, wobei das neuronale Netz gemäß einem Merkmal der Erfindung verwendet wird. Das Verfahren kann auch beide dieser Verfahren umfassen, die z.B. gleichzeitig, nacheinander oder abwechselnd ausgeführt werden können.
  • Das Trainieren kann in mehreren Phasen, im Verlauf eines langen Zeitraums und/oder über mehrere Ausführungen bzw. Betriebszyklen des Verfahrens ausgeführt werden. Das Verfahren kann eine Veränderung, insbesondere eine längerfristige, langsame, eine Vielzahl der Betriebszyklen umfassende Aktualisierung des neuronalen Netzes abhängig von einer Vielzahl der in diesem Dokument beschriebener Parameter umfassen. Das Trainieren des zumindest einen neuronalen Netzes kann zumindest teilweise, insbesondere nur oder überwiegend automatisch, im Laufe des Betreibens eines bereits zumindest teilweise trainierten neuronalen Netzes und/oder einem separaten Vorgang erfolgen.
  • Das Trainieren kann ein Moderieren umfassen. Das Moderieren kann abhängig von den im Verfahren ermittelten Parameter ausgeführt werden. Beispielsweise kann das Moderieren abhängig von einem Maß der Verfehlung eines Zielwerts (z.B. bei unterschiedlichen Arten der Fahrerhandlungen, Kontexten, Fahrsituationen und/oder durch unterschiedliche Fahrer) erfolgen.
  • Das Verfahren kann ein Auswählen und/oder Ausschließen der zum Trainieren des zumindest einen neuronalen Netzes zu verarbeitenden Abschnitte der ersten Daten nach einem oder mehreren vorausbestimmten Kriterien ausgeführt werden. Alternativ oder zusätzlich kann das neuronale Netz (auch) mit anderen Daten trainiert werden, wobei der Vorgang des Trainierens abhängig von den ersten Daten betrieben, insbesondere gesteuert wird.
  • Es kann eine Auswahl eines oder mehrerer Abschnitte der ersten Daten, ein Ausschluss eines oder mehrerer Abschnitte und/oder Aufteilung der ersten Daten in mehreren (unterschiedliche) Kategorien ausgeführt werden. Diese (z.B. zu unterschiedliche Kategorien zugeordnete Abschnitte) können jeweils unterschiedlich zum Trainieren und/oder Betreiben des zumindest einen neuronalen Netzes verwendet werden.
  • Die Auswahl, der Ausschluss und/oder die Aufteilung in mehrere Kategorien kann abhängig von der mit den ersten Daten (auch zu verstehen Datenabschnitten auf Basis der ersten Daten) korrespondierenden Erreichung des Ziels bzw. Zielwerts bei einem oder mehreren ersten Fahrerhandlungen erfolgen.
  • Beispielsweise kann das Trainieren, insbesondere die Auswahl, der Ausschluss und/oder die Aufteilung der ersten Daten ausgeführt werden, abhängig von:
    • - einer Kennzahl, die den Erfolg einer ersten Fahrerhandlung kennzeichnet; und/oder
    • - einer Übereinstimmung eines Ergebnisses der Fahrerhandlung mit der (z.B. für die Art der Fahrerhandlung typischen und/oder im Verfahren anhand beliebiger Mittel ermittelter, insbesondere geschätzter) Motivation und/oder der Erwartung des jeweiligen Fahrers bei einem oder mehreren ersten Fahrerhandlungen; und/oder
    • - einer Anzahl und/oder Schwere der Fahrerfehler bei einem oder mehreren ersten Fahrerhandlungen; und/oder
    • - einer Konsequenz, insbesondere eines qualitativen und/oder quantitativer KonsequenzMaßes, eines oder mehreren ersten Fahrerfehler (z.B. eines oder mehreren nach dem Fahrerfehler bzw. infolge des Fahrerfehlers aufgetretenen Vorkommnisse).
  • Das Trainieren (insbesondere auch zu verstehen als der Vorgang des Trainierens) kann umfassen oder sein:
    • - Ermitteln von Trainingsdaten, insbesondere auf Basis der ersten Datenabschnitte und/oder der zweiten Datenabschnitte und/oder weiterer Daten; und/oder
    • - Ermitteln der Backpropagation; und/oder
    • - Auswahl oder Anpassen eines Parameters des Trainiervorgangs.
  • Ein oder mehrere oben beschriebene Aspekte des Trainierens können abhängig von einem oder mehreren ersten Fahrerfehler und/oder abhängig von den ersten Daten im Zusammenhang mit dem ersten Fahrerfehler variiert werden.
  • Dabei stehen die ersten Daten z.B. in einem zeitlichen und/oder kausalen Zusammenhang mit einem oder mehreren ersten Fahrerhandlungen, insbesondere mit (z.B. bestimmten) Fahrerfehlern oder Fahrerfehlern einer bestimmten Art bei einer oder mehreren ersten Fahrerhandlungen. Beispielsweise handelt es sich um die ersten Daten aus einem Zeitintervall (z.B. von ca. 10, 20, 30 Sekunden) vor dem Fahrerfehler, und/oder aus einem Zeitintervall, in dem der Fahrerfehler passiert (z.B. während Fahrerfehler begangen wird), und/oder in einem Zeitintervall (z.B. von ca. 10, 20, 30 Sekunden) nach dem Fahrerfehler.
  • Die ersten Daten können umfassen, sein oder ermittelt werden abhängig von:
    • - Daten eines oder mehrerer Bedienelemente zur Ausführung der Fahrerhandlung, insbesondere zum Führen des Fahrzeugs (z.B. Parameter des Lenkwinkels, Fahrpedals, Bremspedals) im Zusammenhang mit der Fahrerhandlung;
    • - Daten zum Zustand des jeweiligen Fahrers;
    • - Daten einer oder mehreren vom Fahrer des Fahrzeugs abweichenden Handlungen des jeweiliger Fahrers, die in einem zeitlichen und/oder kausalen Zusammenhang mit der Fahrerhandlung ausgeführt hat.
  • Zu den ersten Daten können insbesondere (auch) Daten gezählt werden, die abhängig, insbesondere auf Basis der ersten Daten ermittelt werden.
  • Bevorzugt können (auch) erste Daten ermittelt werden, die (auch) in einem Zeitintervall gültig waren, das dem Auftritt des Fahrerfehlers vorangegangen ist (z.B. ein Geschähen einige Sekunden vor dem Fahrerfehler charakterisieren). Die ersten Daten können zunächst in einem Speicher, z.B. in einem Ringspeicher bzw. in einer vergleichbaren Speicherstruktur, gespeichert und (später) abhängig von einem Auftritt bzw. Erkennen eines Fahrerfehlers bereitgestellt und/oder weiterverarbeitet werden.
  • Beispielsweise sind die ersten Daten (auch) kennzeichnend für eine oder mehrere Information(en) über eine oder mehrere technische Parameter des ersten Fahrzeugs und/oder der jeweils zum Zeitpunkt der Fahrerhandlung aktiven Einstellungen und/oder Bedienlogik des ersten Fahrzeugs, insbesondere eines Fahrerassistenzsystems, Systems aktiver Sicherheit und/oder Systems zum zumindest teilweise automatisierten Fahren des (jeweiligen) ersten Fahrzeugs. Dabei können die (zum Trainieren des neuronalen Netzes ermittelte) ersten Daten abhängig von technischen Parametern des ersten Fahrzeugs und/oder abhängig von jeweils zum Zeitpunkt der Fahrerhandlung aktiven Einstellungen und/oder der Bedienlogik des ersten Fahrzeugs erfasst, ausgewählt, verarbeitet und/oder beim Trainieren verwendet werden.
  • In einem weiteren mit allen im vorliegendem Dokument beschriebenen Merkmalen kombinierbaren Beispiel können die ersten Daten umfassen, sein oder ermittelt werden abhängig von
    • - einer oder mehreren (z.B. bereits bei einem oder mehreren ersten Fahrerhandlungen ausgeführte) ersten Maßnahmen zur Prävention und/oder Korrektur eines oder mehrerer Fahrerfehler bei einem oder mehreren ersten Fahrerhandlungen. Es können Maßnahmen sein, die den ersten Fahrerfehler bzw. die Konsequenz des ersten Fahrerfehlers zumindest teilweise vermieden haben: und/oder
    • - einem Ergebnis, insbesondere einem Maß des Erfolgs, der Prävention und/oder Korrektur eines oder mehrerer Fahrerfehler bei einem oder mehreren ersten Fahrerhandlungen.
  • Unter dem Begriff „Erkennen“ (z.B. des Fahrerfehlers) ist im Rahmen des vorliegenden Dokuments insbesondere auch ein Prädizieren zu verstehen. Ermitteln kann insbesondere heißen, dass eine Fahrerhandlung in Bezug auf die Zukunft (z.B. mit einem gewissen Wahrscheinlichkeitsmaß und/oder für ein bestimmtes Zeitintervall) prädiziert wird. Ein solches Erkennen bzw. Prädizieren kann sich auf eine Bedienhandlung beziehen, die nur teilweise (z.B. erst zu einem kleinen Teil) umgesetzt ist oder noch nicht angefangen wurde. Dabei kann ein Steuern des Fahrzeugs, z.B. ein Veranlassen einer Maßnahme noch vor oder in einem frühen Stadium der Ausführung der Fahrerhandlung ausgeführt werden (und somit besonders effektiv sein).
  • Das Ermitteln, insbesondere Prädizieren kann anhand einer (z.B. ermittelten bzw. prädizierten) Absicht des Fahrers, eine (bestimmte) Fahrerhandlung auszuführen, und/oder anhand diverser weiterer Anzeichen, z.B. anhand von Parametermustern, die häufig kurz vor einer (bestimmten) Fahrerhandlung oder einer Fahrerhandlung, in einer bestimmten Art vorkommt, erfolgen. Beispielsweise werden nur oder vorranging die ersten Fahrerhandlungen berücksichtigt, die zumindest mit einem bestimmten Wahrscheinlichkeitsmaß erkannt, insbesondere prädiziert worden sind.
  • Das Betreiben des ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge kann derart und/oder mit dem Ziel erfolgen, dass der Betrieb der Fahrzeuge und/oder die Wirkung des Fahrzeugs (z.B. gegenüber der Umgebung des Fahrzeugs) in Bezug auf (mögliche und/oder prädizierte) zweite Fahrerfehler zumindest teilweise tolerant ist bzw. dass weniger und/oder weniger schwere zweite Fahrerfehler (von dem jeweiligen zweiten Fahrer) gemacht werden.
  • Der ein oder die mehreren (z.B. zunächst lediglich mögliche oder wahrscheinliche oder prädizierte) zweiten Fahrerfehler können auswahlweise die Merkmale von ersten Fahrerfehlern derselben Art aufweisen. Es können oder müssen aber nicht die gleichen Fahrerfehler sein.
  • Bevorzugt handelt es sich bei dem zweiten (möglichen bzw. prädizierten) Fahrerfehler um einen Fahrerfehler in einem zweiten Fahrzeug und/oder einen Fahrerfehler von einem zweiten Fahrer. Der zweite Fahrer ist insbesondere ein von dem einen oder mehreren ersten Fahrern unterschiedlicher Fahrer. Das zweite Fahrzeug ist insbesondere ein von dem einen oder den mehreren ersten Fahrzeugen unterschiedliches Fahrzeug, z.B. ein anders an dem Verfahren teilnehmendes Fahrzeug.
  • Bei dem (zweiten) Fahrerfehler kann es sich um einen Fehler handeln, der noch nicht erkannt wurde bzw. erkennbar ist und/oder in einer noch nicht stattgefundenen (sondern beispielsweise lediglich prädizierten) oder nicht hinreichend fortgeschrittenen zweiten Fahrerhandlung stattfindet bzw. möglicherweise stattfinden wird.
  • Insbesondere ist oder umfasst eine (erste und/oder zweite) Fahrerhandlung des (ersten bzw. zweiten) Fahrers eine Interaktion des Fahrers mit dem jeweiligen Fahrzeug, insbesondere hinsichtlich der Führung des Fahrzeugs.
  • Die zweite Fahrerhandlung kann sich von der ersten Fahrerhandlung unterscheiden. Beispielsweise kann es ein artverwandter und/oder eine zu einem Anteil von zumindest 30, 50, 70 % gleiche (aber nicht exakt derselbe) Fahrerhandlung, wie die ein oder die mehreren ersten Fahrerhandlungen sein. Beispielsweise kann die ermittelte bzw. erwartete zweite Fahrerhandlung der einen oder der mehreren ersten Fahrerhandlungen hinsichtlich zumindest 30, 50, 70% der Merkmale ähneln oder gleichen. Dadurch erhöht sich die Menge der zweiten Fahrerhandlungen, bei welchen der jeweilige Fahrer im Verfahren unterstützt werden kann.
  • Beispielsweise wird für konkrete zweite Fahrerhandlungen jeweils eine (für diese spezifische) Maßnahmen bewirkt. Besonders bevorzugt handelt es sich um bestimmte für eine bestimmte Fahrerhandlung ermittelte, z.B. für die bestimmte Fahrerhandlung bestimmte oder angepasste Maßnahme. Es können jeweils auf die ermittelten oder prädizierten Fahrerhandlungen bestimmte bzw. zugeschnittene Maßnahmen sein. Dabei kann das Verfahren dynamisch ausgeführt werden. Die Wirkung des Verfahrens kann sich daher von einer allgemeinen Verbesserung der Fahrzeuge unterscheiden oder wesentlich darüber hinausgehen. Besonders bevorzugt kann sich die Maßnahme auf eine bestimmte zweite Fahrerhandlung oder eine zweite Fahrerhandlung einer bestimmten Art beziehen. Die Maßnahme kann sich auch auf die Fahrerhandlung eines bestimmten (auch als der zweite Fahrer bezeichneten) Fahrers bzw. eines Fahrers aus einer bestimmten Personengruppe bzw. mit einem bestimmten Fahrerprofil beziehen.
  • Bevorzugt kann der zumindest eine Fahrerfehler ein typisch menschlicher Fehler sein, z.B. ein Flüchtigkeitsfehler, ein Aufmerksamkeitsfehler, ein Gedächtnisfehler, ein Geschicklichkeitsfehler, Wahrnehmungsfehler etc. Bei dem Fahrerfehler kann es sich um eine unbeabsichtigt, fehlerhaft, anders als gewünscht und/oder in Erwartung eines anderen Ergebnisses ausgeführte Aktion des Fahrers handeln. Insbesondere wird ein „Fahrerfehler“ im Rahmen dieses Dokuments zusammenfassend als ein Teil einer Fahrerhandlung bezeichnet, die oder deren Ergebnis nicht der Motivation bzw. der Erwartung des jeweiligen Fahrers entspricht. Es kann sich dabei um einen technisch korrekt bzw. einwandfrei durch das Fahrzeug erfassten bzw. ausgeführten Vorgang (z.B. Lenken, Bremsen, Beschleunigen, Manöver ausführen, etc.) handeln. Insbesondere handelt es sich bei dem (ersten und/oder zweite) Fahrerfehler um Fehler, die nicht mit einem technischen Fehler des jeweiligen Fahrzeugsystems einhergehen. Der zweite (z.B. zunächst nur potentielle oder erwartete) Fahrerfehler kann (jeweils) von demselben Typ sein, wie der erster Fehler.
  • Bevorzugt umfasst das Verfahren ein Erkennen der ein oder mehreren Fahrerfehler. Diese können als bestimmte Fahrerfehler und/oder Fahrerfehler einer bestimmten Art und/oder einem bestimmten Muster entsprechende Fahrerfehler erkannt werden. Insbesondere umfasst das Verfahren zumindest vorrangig das Erkennen von menschlichen bzw. für Menschen spezifische Fehler. Diese können als solche erkennbar sein und (insbesondere abweichend von etwaigen weiteren Effekten oder Defekten) berücksichtigt werden. Es können Fahrerfehler sein, die speziell für das menschliche Naturell bzw. für die menschenspezifische Schwächen (etwa im Gegensatz bzw. Vergleich zu Fehlern, Defekten oder Schwächen von Fahrzeugsystemen) typisch sind. Beispielsweise werden die erkannten Fahrerfehler abhängig von ihrem Parameter (z.B. kennzeichnend ihre jeweilige Art, Muster, Intensität bzw. Konsequenz) zu unterschiedlichen Gruppen von Fehlern zugeordnet und die Gruppen der jeweiligen Fehler beim Trainieren berücksichtigt.
  • Bevorzugt kann für eine bestimmte (bereits stattfindenden bzw. prädizierten) zweite Fahrerhandlung oder für eine zweite Fahrerhandlung einer bestimmten Art eine bestimmte Maßnahme ermittelt und insbesondere vorausschauend bewirkt werden. Die Maßnahme kann den zumindest einen (zweiten) Fahrer des zumindest zweiten Fahrzeugs unterstützen, indem der (zweite) Fahrerfehler, insbesondere der bestimmte (zweite) Fahrerfehler und/oder der Fahrerfehler einer bestimmten Art, zumindest teilweise vermieden oder in seiner Konsequenz vermindert werden kann.
  • Das Ausführen einer Maßnahme kann zum Verfahren gehören. Es kann eine Auswahl einer Maßnahme, ein Bestimmen oder Anpassen eines oder mehrerer Parameter der Maßnahme, ein Veranlassen und/oder ein unmittelbares oder mittelbares Bewirken der Maßnahme, z.B. mit entsprechend eingerichteten Mitteln des jeweiligen Fahrzeugs und/oder Backends, umfassen. Derart eingerichtete Mittel des Fahrzeugs bilden einen weiteren Aspekt der Erfindung.
  • Insbesondere handelt es sich bei dem zweiten Fahrzeug um ein anderes Fahrzeug als das erste Fahrzeug. Bevorzugt kann das zweite Fahrzeug ein ähnliches Fahrzeug, wie das erste Fahrzeug sein. Beispielsweise kann es sich bei dem zweiten Fahrzeug um ein Fahrzeug mit derselben oder ähnlichen Funktionalität, Anwendung, Verwendungsweck, wie die ein oder mehreren ersten Fahrzeuge handeln. Insbesondere kann es sich bei dem zweiten Fahrzeug um ein Fahrzeug von demselben oder ähnlichen Bautyp wie die ein oder mehreren ersten Fahrzeuge handeln. Ausnahmsweise kann das zweite Fahrzeug dasselbe Fahrzeug wie das erste Fahrzeug sein. Insbesondere kann das zweite Fahrzeug einem ersten Fahrzeug zu einem späteren Zeitintervall entsprechen. Auch kann das Verfahren derart ausgeführt werden, dass ein erstes Fahrzeug zugleich oder zu einem späteren Zeitpunkt ein zweites Fahrzeug ist oder als solches gehandhabt wird.
  • Insbesondere handelt es sich bei einem ersten Fahrzeug und/oder einem zweiten Fahrzeug um unmittelbar oder bevorzugt mittelbar (z.B. über eine oder mehrere weitere Vorrichtungen, z.B. eine drahtlose Verbindung) vernetzte Fahrzeuge. Das Verfahren kann (zumindest teilweise oder vollständig) mit dem System, insbesondere umfassend ein oder mehrere erste Fahrzeuge und/oder ein zweites Fahrzeug und/oder einen Backend-Server, ausgeführt werden.
  • Im Verfahren muss keine bestimmte logische oder kausale Verbindung zwischen einer (möglichen) Ursache eines Fahrerfehler und einem Fahrerfehler oder seiner Konsequenz explizit bekannt oder ermittelt oder berücksichtigt werden. Vielmehr kann im Verfahren eine objektive technische Wirkung erreicht werden, bei der eine Prädiktion eines Fahrerfehlers auch ohne eine Kenntnis über (typischerweise beliebig vielfältige und komplexe) logische oder kausale Verbindungen zwischen bestimmten Ursachen und bestimmten Fahrerfehlern ermöglicht wird. Insbesondere muss auch nicht die logische bzw. kausale Frage zu den (typischerweise sehr komplexen und subjektiven) Ursachen des Zustandekommens eines menschlichen Fehlers beantwortet werden.
  • Beispielsweise kann ein Fahrerfehler prädiziert werden, der dadurch verursacht oder begünstigt wurde, dass ein Fahrer an einer bestimmten Fahrbahnstelle von einer Reflektion von einer Fläche, z.B. einem Fenster oder Vitrine geblendet wird, insbesondere nur, wenn er zu einer bestimmten Uhrzeit zum Überholen auf eine andere Spur kommt. Ein derartiger Fahrerfehler (von den es unendlich viele verschiedene geben kann) wäre kaum auf einem analytischen Wege und/oder durch die Berücksichtigung konkreter Zusammenhänge prädizierbar.
  • Beispielsweise kann ein zweiter Fahrerfehler vermieden oder eine oder mehrere Konsequenzen eines zweiten Fahrerfehlers vermieden bzw. verringert werden, der an einer bestimmten Fahrbahnstelle (auch zu verstehen: an einer Fahrbahnstelle einer bestimmten Art) und/oder beim Vorliegen einer Situation mit einer bestimmten Wahrscheinlichkeit oder mit zumindest einer gewissen Wahrscheinlichkeit gemacht wird. Dies kann auch dann erfolgen, wenn der Fahrerfehler, insbesondere bei Fahrern eines bestimmten Alters, mit bestimmter Fahrerfahrung zumindest mit einer gewissen Wahrscheinlichkeit passieren wird.
  • Im Verfahren kann sich der Vorteil ergeben, dass ein (zumindest teilweise) vorausschauendes Betreiben, insbesondere Steuern, des ersten Fahrzeugs bzw. des zweiten Fahrzeugs ausgeführt wird. Beispielsweise kann das abhängig von dem (ganz oder zumindest bis zu einem gewissen Grad trainierten) einen neuronalen Netz betriebene Fahrzeug bereits auf etwas reagieren und/oder zweckmäßig eingestellt werden, bevor ein (z.B. sonst erkennbares) das Eintreten und/oder eine mögliche Konsequenz eines bestimmten (zweiten) Fahrerfehlers ermittelt wird oder ermittelbar sein wird. Bevorzugt wird ein Fahrerfehler bereits (z.B. einige Sekunden oder Bruchteile einer Sekunde) vor seinem erwarteten Auftritt, insbesondere vor der zweiten Fahrerhandlung, prädiziert. Bereits dadurch kann eine (wertvolle) Zeit für das Bestimmen bzw. das Auswählen und Ausführen der Maßnahme gewonnen werden. Insbesondere kann ein zeitlicher Vorsprung (sozusagen eine „Vorlaufzeit“) zu einem möglichen zweiten Fahrerfehler gewonnen werden. Dabei kann z.B. eine weniger intensive oder für den Fahrer des Fahrzeugs überraschende Anpassung des Betriebs des Fahrzeugs bzw. die zumindest eine Maßnahme veranlasst werden, als eine Maßnahme die bei einem bereits erkennbaren Fahrerfehler ausführbar wäre.
  • Das Verfahren kann das Ermitteln einer Eingabe des Fahrers des Fahrzeugs betreffend eine gewünschte Reaktion auf einen (seinen) Fahrerfehler umfassen. In der Eingabe kann der Fahrer beispielsweise bestimmen (auch zu verstehen als auszuwählen bzw. festlegen), wie auf einen möglichen Fahrerfehler reagiert werden soll (z.B. durch automatische Korrektur des möglichen Fahrerfehlers und/oder durch Ausgabe eines Hinweises in Bezug auf den möglichen Fahrerfehler). Daraufhin kann (z.B. im Falle des Eintritts des Fahrerfehlers und/oder bei einer erhöhten Wahrscheinlichkeit, dass der Fahrerfehler passieren wird) eine von der Eingabe des Fahrers abhängige Maßnahme ermittelt und/oder bewirkt werden. Mit anderen Worten kann der Fahrer ggf. vorab entscheiden, wie ihm im Falle welcher Fehler geholfen werden soll.
  • Beispielsweise kann das zumindest eine (z.B. beim Betreiben einzusetzende) neuronale Netz als Teil eines mit Daten auf Basis des zumindest eines (z.B. zumindest teilweise trainierten) neuronalen Netzes aufgefasst werden. Beispielsweise werden die Daten beim Trainieren des zumindest einen neuronalen Netzes auf einer beliebigen Recheneinheit, insbesondere der Recheneinheit des Backends erzeugt werden, z.B. um diese dann auf einer oder mehreren anderen Recheneinheiten, insbesondere in (z.B. jeweiligen, bestimmten) Fahrzeugen und/oder im Backend (z.B. für ein oder mehrere Fahrzeuge) betreibbar (auch zu verstehen: ausführbar) zu machen. Das Trainieren des zumindest einen neuronalen Netzes kann ein Einrichten des zumindest einen neuronalen Netzes abhängig von den Daten von jeweils zumindest einem entsprechenden bzw. für den entsprechenden Einsatz trainierten neuronalen Netzes umfassen oder sein.
  • Im Zusammenhang des Verfahrens ist die Verwendung eines rekurrenten neuronalen Netzes besonders vorteilhaft. Dabei können die Topologie, insbesondere über direkte Rückkopplungen, und/oder über eine oder mehrere indirekte Rückkopplungen, des neuronalen Netzes (auch zu verstehen einer Verschaltung der zumindest zwei neuronaler Netze) eingerichtet werden.
  • Insbesondere werden Daten auf Basis der ersten Daten als Backpropagation zum Trainieren und/oder als Eingangsgröße zum Betreiben des zumindest einen neuronalen Netzes verwendet. Die Backpropagation kann abhängig von den jeweils in mehreren unterschiedlichen Zeitintervallen (z.B. bei unterschiedlichen Gegebenheiten) erzielten Parametern bzw. den entsprechenden Datenabschnitten, insbesondere abhängig von dem Abgleich der resultierender Parameter, mit einem Zielwert ermittelt und/oder zum Trainieren des zumindest einen neuronalen Netzes bereitgestellt werden. Beispielsweise wird die Backpropagation des zumindest einen neuronalen Netzes (auch) abhängig von dem Maß einer oder mehrerer Abweichungen von dem einen oder den mehreren (jeweils gewählten) Zielwerten ermittelt werden.
  • Das Betreiben des Fahrzeugs kann ein, insbesondere ein dynamisches und/oder temporäres (z.B. auf das Zeitintervall eines möglichen zweiten Fahrerfehlers bezogenes) Bestimmen oder Anpassen der Parameter, Funktionslogik, und/oder des Verhaltens des Fahrzeugs, insbesondere des Fahrerassistenzsystems, Systems aktiver Sicherheit und/oder des zumindest teilweise automatisierten Fahrens umfassen oder sein. Beispielsweise kann ein dynamisches in kurzen Zeitintervallen aktualisierbares, insbesondere nur oder im Wesentlichen nur für bestimmte Fahrbahnstellen und/oder Situationen bzw. Fahrbahnstellen und/oder Situationen, die durch bestimmte Merkmale gekennzeichnet sind, geltende Steuerung erfolgen.
  • Das Trainieren des neuronalen Netzes und/oder das Betreiben des ersten Fahrzeugs und/oder des einen oder der mehreren zweiten Fahrzeuge kann z.B. auf eine möglichst antizipative Wirkung (für den einen bzw. einen bestimmten Fahrer) ausgelegt bzw. optimiert sein. Dadurch kann eine für menschliche Wahrnehmung angenehme und praktisch nützliche Wirkungsweise erzeugt werden.
  • Durch das Trainieren und/oder Betreiben des zumindest einen neuronalen Netzes können sich besondere Vorteile (z.B. betreffend die Wirksamkeit des Verfahrens) ergeben, weil ein (gemäß den Merkmalen der Erfindung) trainiertes neuronale Netz sehr komplexe und sonst typischerweise nicht regelbasiert nachvollziehbare bzw. prädizierbare betreffende Vorgänge handhaben kann.
  • Der Begriff „Fahrsituation“ kann im Rahmen des vorliegenden Dokuments z.B. als eine bestimmte durch eine Anordnung, Aktion oder Interaktion von Verkehrsteilnehmer oder durch bestimmte Fahrparameter von Verkehrsteilnehmern gekennzeichnete Situation (insbesondere auf der Betrachtungsebene von bestimmten Objekten) verstanden werden. Insbesondere unterscheidet sich die Bedeutung des Begriffs „Fahrsituation“ daher von einer häufig umgangssprachlich verwendeten Bedeutung des Begriffs „Verkehrssituation“ welche vielmehr zusammenfassenden, allgemeinen Kategorien wie etwa „freier Verkehr“, „dichter Verkehr“, „zähfließender Verkehr“, „Stau“, „Stauende“ etc. entspricht.
  • Eine Fahrsituation kann durch Parameter der Fahrsituation beschrieben werden. Ein oder mehrere Parameter der Fahrsituation können ein bestimmtes Muster (auch zu verstehen als ein Datenmuster), z.B. ein Muster kennzeichnend eine Anordnung und/oder Geschwindigkeit der Objekte und/oder ein Muster der Parameter der Fahrsituation, kennzeichnen, insbesondere repräsentieren. Auch kann die Fahrsituation durch ein räumliches Muster der sogenannten Freiräume in der Umgebung des Fahrzeugs bzw. durch entsprechende Parameter gekennzeichnet sein.
  • Bevorzugt kann die zumindest eine Fahrsituation gekennzeichnet sein durch einen oder mehrere nachfolgend aufgezählte Merkmale (bzw. diesen entsprechende Parameter der Fahrsituation):
    • - eine (bestimmte) räumliche Verteilung der Verkehrsteilnehmer und/oder der Bewegungsparameter der Verkehrsteilnehmer, insbesondere ein Anordnungsmuster der Verkehrsteilnehmer in der Umgebung des (realen) Fahrzeugs,
    • - eine (bestimmte) räumliche Verteilung unbeweglicher Objekte in der Umgebung des Fahrzeugs,
    • - eine relative Position und/oder Bewegungsparameter zu bestimmten Arten von Spurmarkierungen, Verkehrszeichen, Ampeln (nicht notwendigerweise zu bestimmten Ampeln, etc.),
    • - eine Information über die Vorfahrt des Fahrzeugs, insbesondere gegenüber bestimmten Verkehrsteilnehmern und/oder Verkehrsteilnehmern, die tatsächlich oder zumindest potentiell aus bestimmten Richtungen, z.B. einer querenden Straße von rechts oder von links kommen oder kommen können,
    • - eine Information zu einer, z.B. einen Grenzwert überschreitenden, Handlung eines Verkehrsteilnehmers in der Umgebung des Fahrzeugs, wie z.B. ein Hupen, Lichthupen, Drängeln, Überholen des Fahrzeugs, ein Überholversuch und dergleichen.
  • Ferner kann die Fahrsituation durch einen oder mehrere Parameter im Zusammenhang mit relevanten Verkehrsregeln, Verkehrszeichen, Vorfahrten, Ampeln und/oder Ampelphasen gekennzeichnet sein.
  • Bevorzugt kann es sich bei der zumindest einen Fahrsituation um eine bestimmte Grenzwerte überschreitende Fahrsituation bzw. um eine Fahrsituation, die durch bestimmte Grenzwerte überschreitende Parameter gekennzeichnet ist, handeln. Beispielsweise kann es sich bei der zumindest einen Fahrsituation um eine Fahrsituation mit einer unerwünschten bzw. gefährlichen Annäherung an ein Objekt oder einen Verkehrsteilnehmer, einen einen Grenzwert überschreitenden Beschleunigungswert, eine unterwünschte Anordnung zu weiteren Verkehrsteilnehmern etc. handeln.
  • Bei der Fahrsituation kann es sich um eine (z.B. vergleichsweise selten vorkommende) Sondersituation oder eine gefährliche Fahrsituation handeln, z.B. eine Fahrsituation, für die ein erhöhtes Risiko ermittelt oder angenommen wird.
  • Beispielsweise kann die Fahrsituation einen oder mehrere Parameter der (im Zusammenhang mit dieser relevanten) Verkehrsregeln, z.B. Verkehrszeichen, Vorfahrten, Ampelphasen berücksichtigen oder umfassen. Beispielsweise können der oder die Fahrsituationsparameter betreffend oder basierend auf Umfeldsensordaten und/oder von einer zum Fahrzeug (z.B. von einem weiteren Verkehrsteilnehmer, mittels einer Car-2-Car oder Car-to-X) übermittelter Informationen berücksichtigt werden. Dabei kann es sich bei den Umfeldsensordaten um auf eine bestimmte Art und Weise verarbeitete Daten eines umfelderfassenden Sensors insbesondere eines Sensorsystems zumindest eines Fahrzeugs handeln.
  • Als ein oder mehrere Parameter der Fahrsituation und/oder eine oder mehrere weiteren im vorliegendem Dokument beschriebener Gegebenheiten (z.B. des Fahrerfehlers, des Kontextes, etc.) kann (auch) eine zeitliche und/oder räumliche Veränderungscharakteristik, insbesondere ein Gradient, etwa ein zeitlicher und/oder räumlicher Gradient des jeweiligen Parameterwerts gelten bzw. berücksichtigt werden.
  • Beim Betreiben des ersten Fahrzeugs und/oder des einen oder der mehreren zweiten Fahrzeuge (mit dem vollständig oder zumindest bis zu einem gewissen Grad trainierten neuronalen Netz) können zweite Daten berücksichtigt werden. Diese können zum Steuern des Eingangs (der Eingangsschicht) des neuronalen Netzes verwendet werden.
  • Die zweiten Daten können (ganz oder auswahlweise) die gleichen oder ähnlichen Größen, wie die jeweils ersten Daten kennzeichnen und/oder die gleichen bzw. korrespondierende Merkmale in Bezug auf das zweite Fahrzeug bzw. auf den zweiten Fahrer des zweiten Fahrzeugs aufweisen. Die zweiten Daten verstehen sich insbesondere als (etwa vor und/oder während einer möglichen zweiten Fahrerhandlung gültige bzw. für das Zeitintervall der zweiten Fahrerhandlung) prädizierte Daten.
  • Die zweiten Daten können zum Steuern des zumindest einen (abhängig von den ersten Daten trainierten) neuronalen Netzes verwendet werden. Beispielsweise werden die zweiten Daten (mit oder ohne einen Verarbeitungsschritt) an der Eingangsschicht des zumindest einen neuronalen Netzes eingelesen.
  • Es können ein oder mehrere Ähnlichkeitsmaße zwischen den ersten Daten und den zweiten Daten ermittelt und berücksichtigt werden. Beispielsweise wird die Eingangsschicht des neuronalen Netzes (auch) abhängig von einem Ähnlichkeitsmaß zwischen den (z.B. jeweils aktuellen) zweiten Daten mit den (z.B. zumindest hinsichtlich eines Merkmal oder mehrerer Merkmale, Parameter, Muster, Art einer Fahrerhandlung korrespondierenden) ersten Daten, die zum Trainieren des zumindest einen neuronalen Netzes verwendet wurden, trainiert.
  • Alternativ oder zusätzlich können ein oder mehrere Muster der Parameter der zweiten Daten ermittelt und mit einem oder mehreren Mustern in den ersten Daten verglichen, und das Ergebnis des Vergleichs berücksichtigt werden. Beispielsweise wird die Eingangsschicht des neuronalen Netzes (auch) abhängig von dem Ergebnis des Vergleichs gesteuert.
  • Bevorzugt kann das Verfahren ganz oder überwiegend automatisch, dynamisch, und/oder fahrerspezifisch bzw. fahrergruppenspezifisch ausgeführt werden. Im einfachsten Fall können Fahrergruppen berücksichtigt werden, die jeweils kennzeichnend sind für Fahrer, die das Fahrzeug überwiegend manuell fahren oder Fahrer die das Fahrzeug überwiegend austomatisiert fahren. Dabei kann im Verfahren berücksichtigt werden, dass Fahrer aus unterschiedlichen Fahrergruppen unterschiedliche Arten der Fahrerfehler bzw. Fahrerfehler mit unterschiedlicher Wahrscheinlichkeit bzw. mit unterschiedlichen Konsequenzen (z.B. beim Bedienen eines bestimmten Fahrerassistenzsystems) verursachen. Insbesondere kann das Verfahren (aufgrund des beschriebenen Trainierens des neuronalen Netzes) die objektive technische Wirkung aufweisen, dass (zumindest im Ergebnis) typische und/oder wahrscheinliche Fahrer aus unterschiedlichen Fahrergruppen unterschiedliche Arten der Fahrerfehler bzw. Fahrerfehler, die (zumindest potentiell) zu bestimmten Konsequenzen führen können, jeweils zweckmäßig berücksichtigt werden.
  • Das Verfahren kann ein Verfahren zum Trainieren des zumindest einen neuronalen Netzes und/oder ein Verfahren zum Betreiben des (ersten und/oder eines oder mehrerer zweiten) Fahrzeuge abhängig von einen gemäß eines oder mehrerer im vorliegenden Dokument beschriebener Merkmale trainierten neuronalen Netzes umfassen oder sein.
  • Gemäß einer weiteren Ausgestaltung bezieht sich der die Fahrzeugführung betreffende (d.h. insbesondere sich auf die Fahrzeugführung zumindest potentiell auswirkender) erste Fahrerfehler auf die Längsführung, Querführung, Manöverausführung, auf einen Parkvorgang des Fahrzeugs, auf eine (insbesondere die Führung des Fahrzeugs begleitende oder vor der Ausführung eines Abschnitts der Fahrzeugführung erfolgende) Signalisierung an die Umgebung des Fahrzeugs und/oder auf ein Bedienen, insbesondere Steuern und/oder Einstellen eines oder mehrerer Fahrzeugsysteme, insbesondere Fahrerassistenzsysteme, Systeme aktiver Sicherheit und/oder Systeme zum zumindest teilweise automatisierten Fahren und/oder Systeme zur Signalisierung des Fahrzeugs an seine Umgebung; und/oder ein Veranlassen und/oder Überwachen einer zumindest teilweise automatisiert ausführbaren Fahrerhandlung.
  • Gemäß einer weiteren Ausgestaltung wird die Eingangsschicht des (z.B. vollständig oder zumindest bis zu einem gewissen Grad trainierten) neuronalen Netzes (beim Betreiben des ersten Fahrzeugs und/oder des einen oder mehreren zweiten Fahrzeuge) abhängig von den zweiten Daten gesteuert wird. Die zweiten Daten können kennzeichnend sein für: eine jeweils aktuell erkannte zweite Fahrsituation, eine mögliche, insbesondere prädizierte, zweite Fahrsituation, für eine jeweils aktuell erkannte zweite Fahrerhandlung und/oder eine mögliche, insbesondere prädizierte, zweite Fahrerhandlung.
  • Die Eingangsschicht des (ganz oder zumindest zu einem bestimmten Grad trainierten) neuronalen Netzes kann von den zweiten Daten angesteuert werden.
  • Die zweite Fahrerhandlung kann eine Fahrerhandlung sein, die im Zusammenhang mit der zweiten Fahrsituation möglich oder erwartbar ist, insbesondere auch prädiziert wird.
  • Gemäß einer weiteren Ausgestaltung werden abhängig von der Ausgangschicht des neuronalen Netzes (insbesondere zu verstehen als angesteuert durch die Ausgangsschicht des neuronalen Netzes) ein oder mehrere Grenzparameter kennzeichnend einen mit einer Fahrerhandlung bewirkbaren (z.B. ausführbaren bzw. zur Ausführung vorgebbaren) Eingriff in das Fahrwerk des ersten Fahrzeugs und/oder des einen oder der mehreren zweiten Fahrzeuge und/oder ein oder mehrere Grenzparameter kennzeichnend einen zumindest teilweise automatisierten Eingriff ins Fahrwerk des ersten Fahrzeugs und/oder des einen oder mehreren zweiten Fahrzeuge und/oder eine oder mehrere Auslöseschwellen zur Auslösung einer Fahrerassistenzfunktion, einer Funktion aktiver Sicherheit und/oder eines zumindest teilweise automatisierten Eingriffs ins Fahrwerk und/oder einer Signalisierung an die Umgebung des ersten Fahrzeugs und/oder des einen oder der mehreren zweiten Fahrzeuge verändert.
  • Als ein mit einer Fahrerhandlung bewirkbarer Eingriff in das Fahrwerk des jeweiligen Fahrzeugs ist insbesondere ein Eingriff zu verstehen, der ohne eine Übernahme der Führung des Fahrzeugs durch den Fahrer und/oder ohne ein Überschreiten einer Schwelle für einen manuellen Eingriff (z.B. Kick-Off Schwelle oder Dergleichen) ausführbar ist.
  • Gemäß einer weiteren Ausgestaltung wird abhängig von der Ausgangsschicht des neuronalen Netzes eine Maßnahme ausgeführt. Dabei kann es sich um eine Maßnahme zur Unterstützung des Fahrers bei der Ausführung einer zweiten Fahrerhandlung und/oder eine Maßnahme zum Abwenden oder Verändern der zweiten Fahrerhandlung in dem ersten Fahrzeug und/oder in einem oder mehreren zweiten Fahrzeugen handeln.
  • Bei der Maßnahme handelt es sich bspw. um eine Information, insbesondere eine sichtbare Anzeige, eine auditive Ausgabe, ein haptisches, taktiles und/oder kinästhetisches Einwirkung auf den jeweiligen Fahrer des ersten Fahrzeugs und/oder des einen oder der mehreren zweiten Fahrzeuge. Dabei kann die Unterstützung der (z.B. möglichen oder prädizierten) Fahrerhandlung derart erfolgen, dass eine einen (z.B. möglichen und/oder prädizierten) zweiten Fahrerfehler abwendende und/oder korrigierende Einwirkung auf den Fahrer erzeugt wird. Das zumindest eine neuronale Netz kann trainiert und/oder betrieben werden, um qualitative und/oder quantitative Parameter der Maßnahme zu bestimmen oder anzupassen.
  • Alternativ oder zusätzlich kann sich die Maßnahme auf das Abwenden oder Verändern der zweiten Fahrerhandlung richten. Dabei kann auf den jeweiligen Fahrer eingewirkt werden, seine (z.B. zuvor erkannte) Absicht eine bestimmte zweite Fahrerhandlung (z.B. mit bestimmten Parametern) auszuführen zu verändern. Beispielsweise kann es dem jeweiligen Fahrer (dringend) abgeraten werden, eine zweite Fahrerhandlung (bei der er z.B. wahrscheinlich einen Fahrerfehler machen wird) auszuführen.
  • Gemäß einer weiteren Ausgestaltung wird das neuronale Netz trainiert und/oder betrieben, einen zweiten Fahrerfehler, insbesondere einen Parameter des zweiten Fahrerfehlers, in dem ersten Fahrzeug und/oder in einem oder mehreren zweiten Fahrzeugen zu prädizieren und/oder einen zweiten Fahrerfehler, insbesondere einen bestimmten Wertebereich eines Parameters des zweiten Fahrerfehlers, in dem ersten Fahrzeug und/oder in einem oder mehreren zweiten Fahrzeugen zu vermeiden und/oder ein Wahrscheinlichkeitsmaß des Vorkommens eines zweiten Fahrerfehlers und/oder ein Konsequenzmaß eines möglichen zweiten Fahrerfehlers in dem ersten Fahrzeug und/oder in einem oder mehreren zweiten Fahrzeugen zu reduzieren.
  • Der eine oder die mehreren Parameter des Fahrerfehlers können z.B. eine Abweichung von einer korrekten und/oder präzisen Fahrerhandlung kennzeichnen. Der eine oder die mehreren Parameter des Fahrerfehlers und/oder des Wahrscheinlichkeitsmaßes und/oder des Konsequenzmaßes können bevorzugt qualitative und/oder quantitative Parameter sein.
  • Das Prädizieren eines Fahrerfehlers kann ein Prädizieren eines Parameters des Fahrerfehlers sein. Ein Parameter des Fahrerfehlers kann ein Maß der Wahrscheinlichkeit, mit der dieser auftreten wird, eine Klasse (auch zu verstehen als Art bzw. Kategorie) des Fahrerfehlers, eine Ursache, die zu dem Fahrerfehler führen wird, und/oder ein Maß einer Konsequenz des Fahrerfehlers kennzeichnen. Beispielsweise wird ein Maß für eine Wahrscheinlichkeit und/oder ein Maß für eine Konsequenz eines bereits gemachten, aktuell stattfindenden oder prädizierten Fahrerfehlers ermittelt, bereitgestellt und/oder berücksichtigt.
  • Abhängig von den ermittelten Informationen können z.B. eine oder mehrere Varianten zum Ansteuern des Fahrerassistenzsystems ermittelt werden. Es kann ein Ansteuern sein, das zum Vorbeugen eines (bestimmten, erwarteten) Fahrerfehlers und/oder zur Vermeidung bzw. Reduktion einer Konsequenz des Fahrerfehlers bestimmt wird.
  • Beispielsweise kann das Betreiben des ersten und/oder zweiten Fahrzeugs abhängig von einem zweiten Parameter eines zweiten (z.B. möglichen, erwarteten und/oder prädizierten) Fahrerfehlers prädiziert werden. Der zweite Parameter des zweiten Fahrerfehlers kann einen bestimmten Fahrerfehler oder einen Fahrerfehler einer bestimmten Art kennzeichnen. Ein Parameter des Fahrerfehlers kann auch eine bestimmte fahrerische Handlung oder eine Art einer fahrerischen Handlung kennzeichnen, die von dem Fahrerfehler betroffen ist. Dabei kann beispielsweise eine an das zweite Fahrzeug bereitgestellte Information betreffend den prädizierten Fahrerfehler (in einer sehr einfachen Art und Weise) abhängig von der in dem zweiten Fahrzeug erkannten oder prädizierten fahrerischen Handlung verwendet werden.
  • Beispielsweise kann ein abhängig von einem (qualitativen und/oder quantitativen) Parameter eines prädizierten zweiten Fahrerfehlers ein (qualitativer und/oder quantitativer) Parameter einer Maßnahme bestimmt oder angepasst werden. Eine derartige Maßnahme kann daher präzise bzw. situationsabhängig gewählt und/oder dosiert werden. Abhängig von dem prädizierten zweiten Fahrerfehler kann (z.B. in dem betreffenden zweiten Fahrzeug) eine Maßnahme veranlasst oder vorbereitet werden, bevor der möglicher Fahrerfehler als solcher erkennbar sein wird. Es kann eine bestimmte Maßnahme gegen den bestimmten prädizierten Fahrerfehler bzw. den Fahrerfehler einer bestimmten (prädizierten) Art und/oder zur Reduktion der Konsequenz des bestimmten Fahrerfehlers bzw. eines Fahrerfehlers einer bestimmten Art veranlasst werden.
  • Das Prädizieren des zweiten Fahrerfehlers, insbesondere in einer expliziten Form, ist im Verfahren lediglich optional. Das Verfahren muss keine Prädiktion und/oder eine explizites Ermitteln des Fahrerfehlers umfassen. Zu der erfinderischen Lehre der Erfindung gehört es auch, dass ein neuronales Netz (insbesondere End-to-End) auf das Betreiben des Fahrzeugs, insbesondere das Fahrzeugsystems, z.B. die auszuführende (z.B. zumindest näherungsweise optimierte) Maßnahme trainiert werden kann. Das Verfahren kann ein Vermeiden und/oder Absenken des Wahrscheinlichkeitsmaßes und/oder des Konsequenzmaßes eines Fahrerfehlers umfassen, ohne diesen (explizit) zu prädizieren bzw. prädizieren zu müssen.
  • Gemäß einer weiteren Ausgestaltung wird abhängig von der Ausgangsschicht des neuronalen Netzes eine Signalisierung des ersten Fahrzeugs und/oder des zweiten Fahrzeugs veranlasst oder verändert, insbesondere angepasst.
  • Bei der Signalisierung kann es sich um eine Signalisierung an die Umgebung des Fahrzeugs und/oder Signalisierung an einen möglicherweise vorhandenen oder (z.B. mit Mitteln des Fahrzeugs) erkannten Verkehrsteilnehmer, insbesondere einen oder mehrere bestimmte Verkehrsteilnehmer handeln. Bei der Signalisierung kann es sich um eine Signalisierung im Zusammenhang mit der Fahrzeughandlung handeln, z.B. als Teil der Fahrzeughandlung und/oder bedingt durch eine aktuelle und/oder beabsichtigte Bewegung des Fahrzeugs (z.B. abbiegen, ausweichen, überholen, informieren, insbesondere über eigene Absicht, sich entschuldigen).
  • Die Signalisierung des Fahrzeugs kann eine Ausgabe einer (z.B. in zumindest einem Teil der Umgebung hörbaren) auditiven und/oder (z.B. in zumindest einem Teil der Umgebung sichtbaren) visuellen Information umfassen oder sein. Insbesondere kann es sich um ein Hupen und/oder Blinken und/oder Lichtsignal (z.B. ein Anleuchten eines Teils der Umgebung des Fahrzeugs) und/oder eine von außerhalb des Fahrzeugs sichtbare Projektion (z.B. auf die Fahrbahn und/oder ein Objekt in der Umgebung) handeln.
  • Beispielsweise kann dabei die Signalisierung an die Umgebung des Fahrzeugs folgende Signalisierungsformen und/oder Signalisierungsarten umfassen:
    • - ein Lichtsignal in eine bestimmte Raumrichtung;
    • - ein Tonsignal in einen bestimmte Raumrichtung;
    • - ein Anzeigen einer zweidimensionalen oder dreidimensionalen Grafik und/oder einer fotorealistischen oder eines fotorealistisch verwandelten Bildes;
    • - ein Anzeigen einer beweglichen Darstellung, beispielsweise einer Animation oder einer Bildsequenz; und/oder
    • - ein Veranlassen einer Darstellung eines Abschnitts einer virtuellen Realität für zumindest einen Verkehrsteilnehmer.
  • Signalisierung vom Fahrzeug an die Umgebung eine bestimmte und/oder geplante Aktion des Fahrzeugs bzw. des Fahrers des Fahrzeugs und/oder eine empfohlene oder zu vermeidende Handlung für einen Verkehrsteilnehmer in der Umgebung des ersten Fahrzeugs repräsentieren. Diese kann die Signalisierung für einen bestimmten Verkehrsteilnehmer innerhalb der ersten Fahrsituation, z.B. für ein querendes Fahrzeug, ein zu überholendes Fahrzeug, einen Fußgänger, Fahrradfahrer, einen Verkehrsteilnehmer, der eine bestimmte Rolle innerhalb der ersten Verkehrssituation spielt, bestimmt sein.
  • Bevorzugt wird mit der Signalisierung eine Information zu einer Bewegungsabsicht des Fahrers des Fahrzeugs und/oder eines Systems des Fahrzeugs übermittelt. Dabei kann es sich (nebst einer vereinfachten Information (wie etwa „rechts“, „links“, „Vorsicht!“, etc.) eine detaillierte Information, z.B. mehr als 8, 16, 32, 64, 128, 256, 516, 1024 Bit der Information und/oder um eine mögliche Varianten der Kommunikationsbotschaft umfassende Information handeln. Beispielsweise kann die Signalisierung einen Text und/oder ein Symbol, insbesondere eine Kombination aus mehreren Symbolen, umfassen. Beispielsweise kann es sich bei der Signalisierung um eine auf die aktuelle und/oder prädizierte Fahrsituation angepasste Signalisierung handeln.
  • Gemäß einer weiteren Ausgestaltung umfassen die ersten Daten einen ersten Fahrsituationsparameter und/oder einen ersten Kontext-Parameter im Zusammenhang mit dem einen oder mehreren ersten Fahrerfehler bei dem einen oder mehreren ersten Fahrerhandlungen. Gemäß einer weiteren Ausgestaltung umfassen die zweiten Daten einen zweiten Fahrsituationsparameter und/oder einen zweiten Kontext-Parameter im Zusammenhang mit einer möglichen, erkannten und/oder prädizierten zweiter Fahrerhandlung.
  • Gemäß einer weiteren Ausgestaltung umfasst das Verfahren ein Prädizieren eines Konsequenz-Parameters in Bezug auf eine Konsequenz des möglichen oder prädizierten zweiten Fahrerfehlers bei der zweiten Fahrerhandlung und ein Trainieren des neuronalen Netzes, sowie oder alternativ ein Steuern der Eingangsschicht des zumindest einen neuronalen Netzes abhängig von dem ermittelten Konsequenz-Parameter.
  • Das Prädizieren eines Konsequenz-Parameters kann sich auf die (aktuelle, mögliche bzw. wahrscheinlich erwartete bzw. prädizierte) Fahrsituation beziehen. Es kann (auch) vorab und/oder offline (unabhängig von einem aktuellen Fahrgeschähen) und/oder im Backend (vorab) prädiziert werden. Das Trainieren des neuronalen Netzes und/oder Steuern der Eingangsschicht des neuronalen Netzes erfolgt mit dem Ziel, ausgeführt zu werden bzw. derart ausgeführt zu werden, um
    • - vorrangig Fahrerfehler mit einer großen oder vergleichsweise größeren als Durchschnitt Konsequenz zu vermeiden, und/oder
    • - den Konsequenz-Parameter (zumindest den Durchschnittswert der nicht vermeidbaren Konsequenzen) abzusenken, und/oder
    • - eine bestimmte, insbesondere prädizierte Konsequenz, insbesondere einen oder mehrere Konsequenz-Parameter des möglichen oder prädizierten zweiten Fahrerfehlers (in dem ersten Fahrzeug und/oder in dem einen oder mehreren zweiten Fahrzeugen) zu vermeiden oder zu senken. Dies kann auch dann erfolgen, wenn die Fahrsituation, die Fahrerhandlung und/oder der Fahrerfehler nicht oder nicht vollständig vermeidbar ist oder vermieden wird.
  • Gemäß einer weiteren Ausgestaltung umfasst das Verfahren ein Ermitteln einer ersten Personeninformation in Bezug auf einen ersten Fahrer des ersten Fahrzeugs und/oder ein Ermitteln einer zweiten Personeninformation in Bezug auf einen zweiten Fahrer des zweiten Fahrzeugs und abhängig von der ersten Personeninformation und/oder von der zweiten Personeninformation ein Trainieren des zumindest einen neuronalen Netzes und/oder ein Steuern des zumindest einen neuronalen Netzes im Betrieb.
  • Die zumindest eine (erste und/oder zweite) Personeninformation kann abhängig von einem Altersabschnitt, einer Fahrerfahrung des (ersten bzw. zweiten) Fahrers, einer Fahrerlaubnis (z.B. Führerscheinklasse und/oder absolvierte Fahrertrainings und/oder Ergebnis der Fahrerprüfungen), eines Verhaltensprofils und/oder eines Geschlechts des Fahrers bestimmt werden. Insbesondere können die Personengruppen eines oder mehrerer (ersten und/oder zweiten) Fahrer (z.B. bereits vorab) bestimmt werden. Die Personengruppe kann auch als ein Profil, insbesondere Fehlerprofil eines jeweiligen Fahrers in Bezug auf Fahrerfehler verstanden werden.
  • Beispielsweise kann die Personeninformation eines Fahrers abhängig von seinem Altersabschnitt etwa von 18, 18 - 21, 21 - 35, 35 - 55, 55 - 65, älter als 65 Jahren, seiner Fahrerfahrung (z. B. 0 - 5000, 5000 - 20000, mehr als 20000 km) bestimmt werden. Dabei kann berücksichtigt werden, dass bestimmte Fahrerfehler bzw. Fehler der bestimmten Arten für bestimmte Personen oder Personen zugehörig zu bestimmten Fahrergruppen spezifisch bzw. besonders häufig oder selten sind.
  • Bevorzugt kann (auch) die erste Personeninformation beim Trainieren des neuronalen Netzes berücksichtigt werden. Bevorzugt wird das (ganz oder zumindest bis zu einem gewissen Grad trainierte) neuronale Netz abhängig von der zweiten Personeninformation des Fahrers des ersten Fahrzeugs und/oder des zweiten Fahrzeugs betrieben, insbesondere gesteuert.
  • Gemäß einer weiteren Ausgestaltung wird das neuronales Netz trainiert und/oder betrieben, um einen oder mehrere Funktionsparameter und/oder eine Funktionslogik des ersten Fahrzeugs und/oder des einen oder der mehreren zweiten Fahrzeuge, insbesondere fahrerspezifisch, und/oder fahrsituationsspezifisch, zu bestimmen oder anzupassen.
  • Gemäß einer weiteren Ausgestaltung wird das neuronales Netz trainiert und/oder betrieben, um eine Ausgabe an den ersten Fahrer des ersten Fahrzeugs und/oder an einen oder mehrere zweite Fahrer eines oder mehrerer zweiten Fahrzeuge zu erzeugen, wobei die Ausgabe kennzeichnend ist für einen Vorschlag zur Änderung der Funktionsparameter und/oder Funktionslogik des ersten Fahrzeugs und/oder des einen oder mehrerer zweiten Fahrzeuge und/oder für einen veränderten Funktionsparameter und/oder eine veränderte Funktionslogik des ersten Fahrzeugs und/oder des einen oder mehreren zweiten Fahrzeuge.
  • Gemäß einem zweiten Aspekt der Erfindung wird ein Verfahren zum Betreiben eines Fahrzeugs vorgeschlagen. Das Verfahren umfasst ein Betreiben eines ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge abhängig von der Ausgangsschicht eines trainierten neuronalen Netzes, wobei das neuronale Netz trainiert ist oder wird, abhängig von den ersten Daten, die im Zusammenhang mit einem ersten Fahrzeugführung betreffenden Fehler eines ersten Fahrers des erstes Fahrzeugs stehen.
  • Das Verfahren gemäß dem ersten Aspekt oder Schritte des Verfahrens gemäß dem ersten Aspekt können mit dem Verfahren gemäß dem zweiten Aspekt kombiniert werden. In der bevorzugten Ausgestaltung können diese das Verfahren (Gesamtverfahren) bilden. Das Verfahren (Gesamtverfahren) kann umfassen: Erkennen eines eine Fahrzeugführung betreffenden ersten Fahrerfehlers bei einer ersten Fahrerhandlung eines ersten Fahrers eines ersten Fahrzeugs, und (daraufhin bzw. abhängig von dem Erkennen des Fahrerfehlers) Ermitteln von ersten Daten im Zusammenhang mit dem ersten Fahrerfehler; und (daraufhin), abhängig von den ersten Daten Trainieren eines neuronalen Netzes, und (daraufhin) Betreiben des ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge abhängig von der Ausgangsschicht des trainierten neuronalen Netzes.
  • Gemäß einem dritten Aspekt der Erfindung wird ein System zum Betreiben eines Fahrzeugs vorgeschlagen, wobei das System ausgebildet ist zum Erkennen eines ersten Fahrerfehlers bei einer oder mehreren ersten Fahrerhandlungen eines ersten Fahrers eines ersten Fahrzeugs, zum Ermitteln von ersten Daten im Zusammenhang mit dem ersten Fahrerfehler und zum Trainieren eines neuronalen Netzes zum Betreiben des ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge abhängig von den ersten Daten. Das System gemäß dem dritten Aspekt kann ein Teil des Systems (z.B. des Gesamtsystems) sein.
  • Gemäß einem vierten Aspekt der Erfindung wird ein System zum Betreiben eines Fahrzeugs vorgeschlagen, wobei das System ausgebildet ist zum Betreiben eines ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge abhängig von der Ausgangsschicht eines trainierten neuronalen Netzes, wobei das neuronale Netz trainiert ist oder wird abhängig von den ersten Daten, die im Zusammenhang mit einem eine Fahrzeugführung betreffenden ersten Fehler eines ersten Fahrers des erstes Fahrzeugs. Das System gemäß dem vierten Aspekt kann auch ein Teil des Systems (z.B. des Gesamtsystems) sein.
  • Das System gemäß dem dritten Aspekt oder Teile des Systems gemäß dem dritten Aspekt können mit dem System gemäß dem vierten Aspekt kombiniert werden. Insbesondere ist das System gemäß dem dritten Aspekt ausgebildet, zusammen mit dem System gemäß dem vierten Aspekt ein System (als Gesamtsystem) zu bilden bzw. als System (Gesamtsystem) betrieben zu werden.
  • In der bevorzugten Ausgestaltung kann das System (z.B. als Gesamtsystem) ausgebildet sein zum Erkennen eines eine (erste) Fahrzeugführung betreffenden ersten Fahrerfehlers bei einer ersten Fahrerhandlung eines ersten Fahrers eines ersten Fahrzeugs und zum Ermitteln von ersten Daten im Zusammenhang mit dem ersten Fahrerfehler und zum Trainieren eines neuronalen Netzes abhängig von den ersten Daten und ferner zum Betreiben des ersten Fahrzeugs und/oder eines oder mehrerer zweiter Fahrzeuge abhängig von der Ausgangsschicht des trainierten neuronalen Netzes.
  • Bevorzugt umfasst das System ein oder mehrere erste Fahrzeuge, zumindest ein zweites Fahrzeug und/oder ein Backend (auch zu verstehen als eine Cloud, ein Server, ein Portal). Bevorzugt sind ein oder mehrere erste Fahrzeuge zu einer unmittelbaren oder mittelbaren Wirkverbindung mit dem zumindest einen zweiten Fahrzeug und/oder dem Backend ausgestaltet. Dabei können die ein oder mehreren ersten Fahrzeuge ausgestaltet sein, Parameter kennzeichnend einen oder mehrere (erste) Fahrerfehler, z.B. Art der Fahrerfehler, Art der entsprechenden Fahrerhandlungen, etc. zu ermitteln.
  • Ferner können die ein oder mehreren ersten Fahrzeuge ausgestaltet sein, die entsprechenden Daten (z.B. bei der Ausführung der Wirkverbindung) an das Backend zu übermitteln. Das Backend kann ausgestaltet sein, die Daten aus einer Mehrzahl der ersten Fahrzeuge zu verarbeiten, insbesondere eine oder mehrere Häufigkeitsinformationen (z.B. zu mehreren unterschiedlichen Gruppen aus Fahrerhandlungen und Fahrerfehlern) zu ermitteln. Auf Basis der verarbeiteten Daten (insbesondere in Bezug auf die erste Daten), insbesondere auf Basis der Häufigkeitsinformation, kann (zumindest teilweise in dem Backend und/oder zumindest teilweise in dem zweiten Fahrzeug) eine Maßnahme bewirkt werden.
  • Insbesondere kann zu dem System auch ein Betriebssystem der Fahrzeuge und/oder eine zur Ausführung des Verfahrens eingerichtete Datenschnittstellen, z.B. hardwarenahe Schnittstellen, gezählt werden. Das System, z.B. die Mehrzahl der ersten und/oder zweiten Fahrzeuge und/oder das Backend können von demselben Anbieter, Betreiber, Dienstleister und/oder einem entsprechend der Erfindung gestalteten Standard oder einer Konvention betrieben werden. Die ein oder mehreren ersten Fahrzeuge und die ein oder mehreren zweiten Fahrzeuge können direkt oder indirekt vom demselben Hersteller oder Betreiber angeboten werden.
  • Gemäß einem fünften Aspekt der Erfindung wird ein neuronales Netz zum Betreiben eines Fahrzeugs vorgeschlagen. Das neuronale Netz wird oder ist abhängig von den ersten Daten im Zusammenhang mit einen oder mehreren ersten Fahrerhandlungen in einem oder mehreren ersten Fahrzeugen trainiert, wobei die ersten Daten im Zusammenhang mit einem oder mehreren ersten Fahrerfehlern bei einem oder mehreren ersten Fahrerhandlungen und/oder bei fehlerfrei ausgeführten Fahrerhandlungen des einen oder mehrerer Fahrer des einen oder der mehreren ersten Fahrzeuge stehen.
  • Beispielsweise kann das zumindest eine (z.B. beim Betreiben einzusetzende) neuronale Netz als Merkmale von bzw. mit Daten auf Basis des zumindest eines (z.B. zumindest teilweise trainierten) neuronalen Netzes aufgefasst werden.
  • Beispielsweise werden die Daten beim Trainieren des zumindest einen neuronalen Netzes auf einer beliebigen Recheneinheit, insbesondere der Recheneinheit des Backends erzeugt, z.B. um diese dann auf einer oder mehreren anderen Recheneinheiten, insbesondere in (z.B. jeweiligen, bestimmten) Fahrzeugen und/oder im Backend (z.B. für ein oder mehrere Fahrzeuge) betreibbar (auch zu verstehen: ausführbar) zu machen. Das Trainieren des zumindest einen neuronalen Netzes kann ein Einrichten des zumindest einen neuronalen Netzes abhängig von den Daten von jeweils zumindest einem entsprechenden bzw. für den entsprechenden Einsatz trainierten neuronalen Netzes umfassen oder sein.
  • Gemäß einem sechsten Aspekt der Erfindung wird ein Computerprogrammprodukt umfassend ein Computerprogramm und/oder Daten zum Ausführen des Computerprogramms, vorgeschlagen, wobei das Computerprogrammprodukt ausgebildet ist, bei seiner Ausführung auf zumindest einer Recheneinheit das in diesem Dokument beschriebene Verfahren auszuführen.
  • Das Computerprogrammprodukt kann als ein Update eines bisherigen Computerprogramms ausgebildet sein, welches beispielsweise im Rahmen einer Funktionserweiterung, beispielsweise im Rahmen eines sogenannten „Remote Software Update“, die Teile des Computerprogramms bzw. des entsprechenden Programmcodes umfasst. Das Computerprogrammprodukt umfasst insbesondere ein von der Datenverarbeitungsvorrichtung lesbares Medium, auf dem der Programmcode gespeichert ist, oder zumindest eine verschlüsselte Datei. Gemäß einem weiteren Aspekt wird ein Programmprodukt beschrieben, das ein autorisiertes Zugriffsrecht auf abgelegte Daten des Computerprogrammprodukts umfasst.
  • Im Weiteren wird die Erfindung ohne Beschränkung der Allgemeinheit anhand von Ausführungsbeispielen näher beschrieben. Alle Merkmale der Ausführungsbeispiele sind untereinander und/oder mit den Merkmalen der Ansprüche kombinierbar. Dabei zeigen:
    • 1 veranschaulicht eine Variante des Systems. Bei dieser Variante erfolgt das Trainieren 103 des zumindest einen neuronalen Netzes DNN1 im selben Fahrzeug 10 und/oder für dasselbe Fahrzeug 10. Bei dieser Variante können (z.B. nur oder vorrangig nur) die ersten Daten aus demselben ersten Fahrzeug 10, 11, 12 verwendet werden, für welches das zumindest eine neuronale Netz DNN1 trainiert wird. Selbstverständlich können auch die ersten Daten von anderen ersten Fahrzeugen und/oder zweiten Fahrzeugen (mit-)verwendet werden.
  • Das Trainieren 103 kann dabei ganz oder teilweise im Fahrzeug 10 selbst (z.B. ohne eine Datenübertragung zum Backend BE bzw. unmittelbar oder mittelbar zu anderen Fahrzeugen auszuführen), oder ganz oder teilweise in einem Backend BE ausgeführt werden.
  • Dabei können die ersten Daten aus dem ersten Fahrzeug 10, insbesondere über einen längeren Zeitraum, (z.B. von einigen Tagen, Wochen, Monaten) ins Backend BE (z.B. jeweils Schritt für Schritt, im Laufe der Auftritte der ersten Fahrerfehler) übermittelt werden.
  • Das Trainieren 103 des zumindest einen neuronalen Netzes DNN1, DNNZ, DNN2 (in jeder der Variante des Verfahrens) kann ein Ermitteln (auch zu verstehen als: Generieren) von Trainingsdaten und/oder Lerndaten umfassen oder sein.
  • Die Trainingsdaten auf Basis der ersten Daten und/oder Lerndaten des zumindest einen neuronalen Netzes DNN1 können im Backend BE ermittelt werden. Diese können wiederum zur Verwendung im Fahrzeug 10 (unmittelbar oder mittelbar) zum Fahrzeug 10 (z.B. in Reaktion auf das Versenden einer Vielzahl von ersten Daten) übertragen werden. Die Lerndaten (insbesondere zu verstehen, als Daten des zumindest einen neuronalen Netzes DNN1 bzw. zum Einrichten des neuronalen Netzes DNN1) können auf das erste Fahrzeug 10 und/oder (optional) auch auf andere Fahrzeuge 11, 12, 20, 21, 22 geladen und/oder aufgespielt werden, um in diesen das zumindest eine neuronale Netz DNN1 abhängig von den Lerndaten zu betreiben.
  • 2 veranschaulicht eine weitere Variante des Systems. Bei dieser Variante erfolgt das Trainieren 103 des zumindest einen neuronalen Netzes DNN1, DNNZ, DNN2 abhängig von den ersten Daten aus einer Anzahl der ersten Fahrzeuge 10, 11, 12. Dabei kann das Trainieren (bevorzugt) abhängig von den aggregierten, insbesondere gemäß einer vorausbestimmten Bedingung verarbeiteten ersten Daten aus mehreren Fahrzeugen 10, 11, 12, von Fahrerhandlungen und/oder Fahrerfehlern, die bei unterschiedlichen Kontexten, Fahrsituationen aufgetreten und/oder die von mehreren unterschiedlichen Fahrern bzw. Fahrern mit unterschiedlichen Fahrerprofilen und/oder zugehörig zu unterschiedlichen Personengruppen (unmittelbar bzw. mittelbar) begangen (auch zu verstehen: verursacht) wurden trainiert werden.
  • Diese bzw. eine derartige Variante ist z.B. deswegen vorteilhaft, weil eine wesentlich größere Menge der ersten Daten als Ausgangsdaten zum Erzeugen der Trainingsdaten verwendet. Beispielsweise können (nur oder vorrangig) erste Daten zu Trainingsdaten verarbeitet werden, die in einem (zeitlichen und/oder kausalen Zusammenhang mit (besonders) stark ausgeprägten und/oder mit hoher Wahrscheinlichkeit erkannten Fahrerfehlern stehen. Dabei können eine oder mehrere vorausbestimmte bzw. im Verfahren bestimmbare Ziele des Trainierens (z.B. besser und/oder schneller und/oder präziser) erreicht werden.
  • 3 veranschaulicht eine weitere Variante des Systems. Bei dieser Variante kann ein neuronales Netz DNN2, welches hier beispielhaft in einem zweiten Fahrzeug 20 betrieben wird, abhängig von den (beim Trainieren erzeugten und/oder aktualisierten) Lerndaten eines neuronalen Netzes DNNZ deployed (insbesondere auch zu verstehen als geladen und/oder aktualisiert) wird. Dabei können die Vorteile eines Systems gemäß Merkmalen der 1 und Vorteile eines Systems gemäß Merkmalen der 2 zumindest teilweise kombiniert werden.
  • Die Merkmale unterschiedlicher Varianten des Systems sind untereinander frei kombinierbar. Beispielsweise kann das Betreiben des ersten Fahrzeugs 10, 11, 12,... und/oder des zweiten Fahrzeugs 20, 21, 22 (in allen Varianten der Erfindung) abhängig von dem zumindest einem (physikalisch im Backend BE befindlichen bzw. dort ausgeführten) neuronalen Netz DNN1, DNNZ, DNN2 erfolgen.
  • Dabei kann es sich um ein für das jeweilige Fahrzeug 10, 11, 12, 20, 21, 22 vorgesehenes und/oder für das jeweilige Fahrzeug 11, 12, 20, 21, 22 oder eine Gruppe von ähnlichen Fahrzeugen 11, 12, 20, 21, 22 trainierte, neuronale Netz DNN1 (für das ein oder mehrere erste Fahrzeuge 10, 11, 12) bzw. DNN2 (für das ein oder mehrere zweite Fahrzeuge 20, 21, 22) und/oder um ein (zumindest für eine Anzahl der Fahrzeuge 20, 21, 22) zentrales neuronales Netz DNNZ handeln. In diesem Fall zählen zum Aspekt des Trainierens des neuronalen Netzes DNN1, DNNZ, DNN2 die Steuerungssignale, die (z.B. aus dem Backend) zum Betreiben des ersten Fahrzeugs 10, 11, 12,... und/oder des zweiten Fahrzeugs 20, 21, 22 übermittelt werden.
  • Dabei werden das erste Fahrzeug 10, 11, 12,... und/oder das ein oder die mehreren zweiten Fahrzeuge 20, 21, 22 im Betrieb nicht abhängig von den ersten Daten gesteuert bzw. es bzw. sie müssen nicht abhängig von ersten Daten gesteuert werden. Vielmehr werden diese abhängig von der Ausgangsschicht des neuronalen Netzes DNN1, DNNZ, DNN2 gesteuert.
  • Die Eingangsschicht des neuronalen Netzes DNN1, DNNZ, DNN2 kann im Betrieb (z.B. kurz vor, während und/oder nach einer zweiten Fahrerhandlung) (wiederum) abhängig von den (z.B. jeweils aktuellen und/oder für eine nahe Zukunft von einigen Sekunden prädizierten und/oder jeweils lokalen) zweiten Daten gesteuert werden.
  • Unter dem Begriff „neuronales Netz“ DNN1, DNNZ, DNN2 kann alternativ oder zusätzlich auch eine andere Form der (insbesondere ein neuronales Netz DNN1, DNN2, DNNZ oder eine vergleichbare Struktur umfassende) künstlichen Intelligenz aufgefasst werden.
  • Insbesondere ist unter dem Trainieren und/oder Betreiben des zumindest einen neuronalen Netzes DNN1, DNNZ, DNN2 (auch) eine sinngemäße Anwendung anderer Arten eines maschinellen Lernens zu verstehen. Beispielsweise kann das zumindest eine neuronale Netz DNN1, DNN2, DNNZ das Trainieren und/oder Betreiben von diesem oder eine sinngemäße Anwendung eines oder mehrere nachfolgend aufgezählten Gegebenheiten oder Kombination davon umfassen oder sein: supervised learning, unsupervised learning, reinforcement learning, multitask learning, classification and regressions trees, support vector machines, logical and relational learning, probabilistic graphical models, rule learning, instance based learning, latent representation, bio-inspired approache.
  • Ein oder mehrere Schritte des Verfahrens können, insbesondere End to End, mittels eines jeweils entsprechend trainierten und/oder betriebenen neuronalen Netzes DNN1, DNNZ, DNN2 ausgeführt werden. Selbstverständlich schließt das die Verwendung bzw. Mitverwendung anderer Mittel, z.B. einer oder mehrerer computerimplementierter Berechnungsformeln, regelbasierter Algorithmen etc. nicht aus. Beispielsweise kann zumindest ein Teil eines oder mehrerer Schritte des Verfahrens (zumindest zum Teil auch) mit anderen Mitteln ausgeführt werden. Bevorzugt kann ein wesentlicher Teil der Verarbeitung der im vorliegenden Dokument beschriebener Daten und/oder ein wesentlicher Teil der Wirkung des Verfahrens mittels des zumindest einen neuronalen Netzes DNN1, DNNZ, DNN2 erfolgen. Das neuronale Netz DNN1, DNNZ, DNN2 kann als ein zumindest teilweises Update eines (z.B. bisherigen) neuronalen Netzes DNN1, DNNZ, DDN2 ausgebildet sein, welches beispielsweise im Rahmen einer Funktionserweiterung, beispielsweise im Rahmen eines Funktionsupdates aktualisiert wird.
  • Beispielsweise kann eine Berechnungsformel zur Aufbereitung der Steuerungsinformation zum Steuern der Eingangsschicht des neuronalen Netzes eingelesen werden und/oder zur Nachbereitung der Parameter, die aus der Ausgangsschicht ausgelesen werden, verwendet werden. Alternativ oder zusätzlich kann das zumindest eine neuronale Netz DNN1, DNNZ, DNN2 z.B. eine Vorverarbeitung und/oder eine Nachbearbeitung der Daten, z.B. der jeweiligen Parameter ausführen.
  • Es können mehrere, insbesondere abhängig voneinander trainierte und/oder verschaltete (z.B. zum Betreiben des ersten Fahrzeugs 10, 11, 12,... und/oder eines oder mehrerer zweiten Fahrzeuge 20, 21, 22 unmittelbar oder mittelbar verschaltete) neuronale Netze DNN1, DNNZ, DNN2 verwendet werden. Je nach Variante des Verfahrens können sich die im vorliegenden Dokument beschriebenen Merkmale auf ein oder (auswahlweise oder jedes) mehrere der neuronalen Netze DNN1, DNNZ, DNN2 beziehen. Beispielsweise können sich diese (jeweils bzw. nur) auswahlweise auf zur Ausführung bestimmter Schritte des Verfahrens eingerichtete bzw. verwendete neuronale Netze DNN1, DNNZ, DNN2 beziehen.
  • Beispielsweise kann eine Backpropagation, insbesondere die Fehler-Backpropagation, zum Trainieren 103 des zumindest einen neuronalen Netzes DNN1, DNN2, DNNZ abhängig von der Verarbeitung der (insbesondere ausgewählten und/oder vorverarbeiteten) Abschnitten auf Basis der ersten Daten (z.B. eines oder mehreren unterschiedlichen Kategorien zugeordneter Abschnitte) ermittelt werden.
  • Beispielsweise erfolgt abhängig von einer ersten Kategorie der ersten Daten zumindest überwiegend ein Belohnen des zumindest einen neuronalen Netzes DNN1, DNN2, DNNZ. Beispielsweise erfolgt abhängig von einer zweiten Kategorie zumindest überwiegend ein Bestrafen des zumindest einen neuronalen Netzes DNN1, DNNZ, DNN2.
  • Alle (z.B. jeweils korrespondierende) Merkmale des Verfahrens können in allen Kombinationen untereinander und/oder mit allen (z.B. korrespondierenden) Merkmalen des Systems, insbesondere einer oder mehreren Varianten des Systems kombiniert werden.
  • Des Weiteren kann das jeweilige Fahrzeug 10, 11, 12, 20, 21, 22 eine (Steuer-) Vorrichtung umfassen, die eingerichtet ist, das Fahrzeug 10, 11, 12, 20, 21, 22 zu betreiben. In den Fahrzeugen 10, 11, 12, ... 20, 21, 22 sind jeweils ein Fahrerassistenzsystem FAS, ein System aktiver Sicherheit SAS, ein System zum zumindest teilweise automatisierten Fahren TAF, HAF bzw. Parken TAP, HAP, und/oder ein System SIG zur Signalisierung an die Umgebung des Fahrzeugs 10, 11, 12, 20, 21, 22 vorgesehen.
  • Das neuronale Netz DNN1, DNNZ, DNN2 kann (z.B. zugleich) als das neuronale Netz DNN1, DNNZ, DNN2 des jeweiligen Fahrerassistenzsystems FAS, des Systems aktiver Sicherheit SAS, des Systems zum zumindest teilweise automatisierten Fahren TAF, HAF bzw. Parken TAP, HAP, und/oder des Systems SIG zur Signalisierung an die Umgebung des Fahrzeugs 10, 11, 12, 20, 21, 22 angesehen werden.
  • Es kann erkannt werden, dass ein bestimmter Fahrer des (jeweiligen) Fahrzeugs 10, 11, 12, 20, 21, 22 einer Fahrergruppe angehört oder zugeordnet wird und/oder Wertebereich einer Personeninformation aufweist. Dabei kann die objektive technische Wirkung erzielt werden, dass (insbesondere durch das Trainieren des neuronalen Netzes) das Ergebnis des Verfahrens (im zweckmäßigen Maße) personenspezifisch ist.
  • Alternativ oder ergänzend können Konsequenzen (beliebiger oder einer oder mehreren bestimmten Arten) der ersten Fahrerhandlung des ersten Fahrers, z.B. bei unterschiedlichen fahrerischen Handlungen, Situationen, Kontexten, etc., ermittelt werden. Es können Konsequenzen sein, die (insbesondere im Nachhinein gesehen bzw. gemäß einer nachträglichen Auswertung der Daten) zu einem unterwarteten, mit keinem von ein oder mehreren vorausbestimmten (als „korrekt“, „positiv“, bzw. „nicht fehlerhaft“ definierten) Kriterien und/oder Muster hinreichend übereinstimmenden oder ähnlichen, sozusagen komischen bzw. offensichtlich unerwünschten Ergebnis geführt haben.
  • Alternativ oder ergänzend kann eine Abweichung eines oder mehrerer Parameter der Fahrerhandlung von einer bestimmten (z.B. rechnerisch ermittelter und/oder theoretischen und/oder optimierten) und/oder einer statistisch typischen (z.B. sich aus der Normalverteilung ergebenden) Fahrerhandlung ermittelt und berücksichtigt werden.
  • Ggf. kann ein Fahrerfehler aus der Vergangenheit „im Nachhinein“ als ein Fahrerfehler, insbesondere als ein bestimmter Fahrerfehler bzw. ein Fahrerfehler einer bestimmten Art, bewertet werden und in der Zukunft, z.B. wenn das nächste Mal ein Muster mit den erkannten Randbedingungen und/oder bei der erkannten Situation vorliegt, vermieden werden.
  • Wenn ein Fahrerfehler bei der Bedienung eines Fahrzeugs 10, 11, 12, ... 20, 21, 22 erkannt wird, kann zumindest eine (z.B. möglichst zweckmäßige bzw. passende) präventive Maßnahme veranlasst werden. Die Maßnahme kann abhängig von den ein oder mehreren Mustern (z.B. abhängig von einem Handlungsmuster, das nicht zu einem erwarteten oder zufriedenstellenden Ergebnis führt) ermittelt werden.
  • Dabei kann die Maßnahme an denselben konkreten Fahrer des zweiten Fahrzeugs 20, 21, 22 und/oder für einen anderen Fahrer, z.B. einen Fahrer, der zu derselben oder einer anderen Personengruppe gehört und/oder ein ähnliches oder unähnliches Fahrerprofil im Vergleich zu dem ersten Fahrer des ersten Fahrzeugs 10, 11, 12 aufweist, angepasst werden.
  • Alternativ oder ergänzend kann eine Maßnahme auf eine Vermeidung oder Verminderung einer Konsequenz des Fahrerfehlers gerichtet sein. Dabei kann ggf. eine Wiederholung des Fahrerfehlers zugelassen werden, es kann aber auch zumindest eine Maßnahme zur Vermeidung einer mit dem Fahrerfehler verbundenen Konsequenz (an dem Fahrzeug 10, 11, 12, ... 20, 21, 22, ...) veranlasst oder vorbereitet werden.
  • Im Rahmen des in diesem Dokument beschriebenen Verfahrens kann die Erfassung (auch zu verstehen als eine Art „Beobachtung“ und/oder statistische „Auswertung“) derart erfolgen, dass bestimmte Fahrerfehler und/oder bestimmte Häufigkeitsverteilungen von (bestimmten) Fahrerfehlern von einer Persönlichkeitsinformation, z.B. einem Wertebereich personenspezifischer Parameter und/oder von der Fahrergruppe, zu der der Fahrer zugeordnet werden kann, abhängen.
  • 4 zeigt ein Ablaufdiagramm eines beispielhaften (ggf. computerimplementierten) Verfahrens 100 zur zum Betreiben eines Fahrzeugs 10, 11, 12, 20, 21, 22.
  • Das Verfahren 100 umfasst das Ermitteln 101, insbesondere das Erkennen, eines Fahrerfehlers bei Betrieb von einem oder mehreren ersten Fahrzeugen 10, 11, 12, insbesondere eines Teils einer Fahrzeugflotte (z.B. einer Versuchs- oder Kundenflotte).
  • Diese können als solche, insbesondere im Nachhinein bzw. Post-Factum (z.B. in den von den Fahrzeugen gesammelten Daten), erkannt werden.
  • Das Verfahren 100 umfasst ferner das Betreiben des ersten Fahrzeugs 10, 11, 12,... und/oder eines oder mehrerer zweiter Fahrzeuge 20, 21, 22 abhängig von der Ausgangschicht des zumindest einen (z.B. vollständig oder zumindest bis zu einem gewissen Grad trainierten) neuronalen Netzes DNN1, DNNZ, DNN2.
  • Dies kann das Veranlassen und/oder Ausführen (insbesondere auch zu verstehen als ein Bewirken) 103 einer Maßnahme in Bezug auf einen (zunächst möglichen bzw. als möglich zu betrachtenden) Fahrerfehler bei einer (z.B. möglichen oder prädizierten) zweiten Fahrerhandlung bewirken.
  • Dabei kann es sich um einen zweiten Fahrerfehler eines zweiten Fahrers handeln, der sich von dem einen oder mehreren ersten Fahrerfehlern (z.B. hinsichtlich eines oder mehrerer qualitativen und/oder quantitativen Parameter) unterscheidet.
  • Somit ergibt sich zumindest im Ergebnis des Verfahrens 100 die Wirkung, dass einem möglichen Fahrerfehler eines zweiten Fahrers vorgebeugt wird, noch ehe der Fahrer einen Fahrerfehler gemacht hat bzw. ehe der Fahrer mit einer (bestimmten und/oder von einem potentiellen zweiten Fahrerfehler betroffenen) Fahrerhandlung angefangen hat.
  • Das Verfahren 100 kann ein Erkennen 101 (unter dem Begriff „Erkennen“ kann insbesondere auch ein vorausschauendes Erkennen oder Prädizieren verstanden werden) einer zweiten Fahrerhandlung an dem Fahrzeug 10, 11, 12, ... 20, 21, 22, ... umfassen oder sein, wobei die zweite Fahrerhandlung eine Ähnlichkeit mit der einen oder mehreren ersten Fahrerhandlungen aufweist (bzw. voraussichtlich aufweisen wird), wobei die erste Fahrerhandlung einen Fahrerfehler aufwies.
  • Alternativ oder zusätzlich können erste Daten ermittelt und im Verfahren (mit) berücksichtigt werden, die zumindest vorrangig, insbesondere mit besonders erfolgreich ausgeführten ersten Fahrerhandlungen korrespondieren.
  • Das Verfahren 100 kann insbesondere (auch) als ein Verfahren zur Handhabung von Fahrerfehlern aufgefasst werden. Das Verfahren 100 kann das Ermitteln eines Fahrerfehlers beim Betrieb eines ersten Fahrzeugs 10, 11, 12, ... 20, 21, 22, ... bei einem oder mehreren ersten Fahrerhandlungen mit dem ersten Fahrzeug 10, 11, 12, ... 20, 21, 22, .... umfassen.
  • Das Verfahren 100 kann ferner das Erkennen, insbesondere das Prädizieren einer zweiten Fahrerhandlung an einem zweiten Fahrzeug 10, 11, 12, ... 20, 21, 22, ... umfassen, wobei die zweite Fahrerhandlung ein gewisses (hinreichendes, z.B. einen vorausbestimmten statischen oder dynamischen Schwellwert übersteigendes) Ähnlichkeitsmaß mit der ein oder den mehreren ersten Fahrerhandlungen aufweist. Das zweite Fahrzeug 10, 11, 12, ... 20, 21, 22, ... und das erste Fahrzeug 10, 11, 12, ... 20, 21, 22, ... können ggf. das gleiche Fahrzeug, oder baugleiche Fahrzeuge oder ggf. unterschiedliche (ähnliche) Fahrzeuge sein.
  • Das Verfahren 100 kann auf das Erkennen 101 (z.B. in Reaktion auf das Erkennen 101 und/oder abhängig von den Parametern der erkannten Fahrerhandlung) umfassen, einen oder mehrere Parameter einer Maßnahme zu bestimmen oder anzupassen. Die Maßnahme kann dabei zur Vermeidung des Fahrerfehlers und/oder zur (zweckmäßigen) Minderung einer Konsequenz eines erwarteten Fahrerfehlers im Zusammenhang mit der erkannten bzw. prädizierten zweiten Fahrerhandlung dienen. Das Ermitteln, insbesondere das Prädizieren, einer Maßnahme kann ein Bestimmen oder ein Anpassen einer Maßnahme, z.B. einer Variante bzw. eines Parameters der Maßnahme, umfassen.
  • Ferner kann die ermittelte, insbesondere prädiktiv (z.B. nur oder vorranging für den Fall, dass ein bestimmter Fahrerfehler wie erwartet gemacht wird) ermittelte Maßnahme ausgeführt werden.
  • Beispielsweise können (für den einen oder die mehreren Fahrer unmerkbar, sozusagen im Hintergrund und/oder bereits bei relativ kleinen Fehlerwahrscheinlichkeiten) eine oder mehrere passende Maßnahmen bzw. Varianten von Maßnahmen vorausermittelt werden. Dabei kann es sich um Maßnahmen handeln, die sich auf (vorerst nur mögliche und/oder prädizierte) Fahrerfehler bei einer (vorerst nur mögliche und/oder prädizierte) zweiten Fahrerhandlungen richten. Erst beim Bedarf z.B. erst im Falle einer steigenden Wahrscheinlichkeit der Ausführung der Fahrerhandlung und/oder des Fahrerfehlers können eine oder mehrere (z.B. bereits zumindest teilweise vorausermittelte und/oder vorab optimierte) Maßnahme ausgeführt werden. Durch das Vorausermitteln einer möglichen Maßnahme kann einem (z.B. prädiktiven) Algorithmus die nötige Zeit verschafft werden, um einen Fahrerfehler zu prädizieren. Wenn erkannt wird, dass eine bestimmte Vorbedingung für eine bestimmte Maßnahme zutrifft, dann kann die Maßnahme ausgewählt und ausgeführt werden.
  • Im Rahmen des Verfahrens 100 können ein oder mehrere Parameter der Fahrsituation und/oder Randbedingungen und/oder des Kontextes im Zusammenhang mit dem Auftritt des zumindest einen Fahrerfehlers bei den ein oder mehreren ersten Fahrerhandlungen ermittelt und berücksichtigt werden. Alternativ oder zusätzlich können ein oder mehrere Parameter der Fahrsituation und/oder Randbedingungen, die dem Auftritt des Fahrerfehlers vorausgehen, und/oder ein oder mehrere Parameter der Randbedingungen, die im Wesentlichen während des Auftritts des Fahrerfehlers vorliegen, ermittelt und berücksichtigt werden.
  • Die ersten Daten können zunächst in einem Speicher, z.B. in einem Ringspeicher bzw. in einer vergleichbaren Speicherstruktur, gespeichert und abhängig von einem Auftritt bzw. Erkennen eines Fahrerfehlers bereitgestellt und/oder weiterverarbeitet werden. Dabei können die ersten Daten ermittelt werden, die (auch) kennzeichnend sind für ein Zeitintervall, das dem Auftritt des Fahrerfehlers vorangegangen ist.
  • Insbesondere können ein oder mehrere Parameter der Randbedingungen, bevorzugt ein Muster aus Parametern der Randbedingungen, in Zusammenhang mit dem Auftritt des Fahrerfehlers bei den ein oder mehreren ersten Fahrerhandlungen ermittelt und berücksichtigt werden. Bevorzugt können erste Daten in Bezug auf die ein oder mehreren Parameter der Randbedingungen bei einer Vielzahl von ersten Fahrerhandlungen ermittelt, abgeglichen, verarbeitet, ausgewählt und/oder (z.B. auswahlweise) berücksichtigt werden.
  • Der Begriff „Parameter“ kann im Rahmen des vorliegenden Dokuments insbesondere aufgefasst werden als:
    • - eine zeitliche und/oder räumliche Veränderungscharakteristik, insbesondere ein Gradient, etwa ein zeitlicher und/oder räumlicher Gradient, eines (jeweiligen) Parameters bzw. eines Parameterwerts; und/oder
    • - ein von einem oder von mehreren Parametern bzw. Parameterwerten gebildetes Muster.
  • Im Rahmen des Verfahrens 100 können ein oder mehrere Parameter der Konsequenz zumindest eines Fahrerfehlers in Bezug auf die ein oder mehreren ersten und/oder zweiten Fahrerhandlungen, insbesondere mehrere Varianten eines Fahrerhandlung, ermittelt und berücksichtigt werden.
  • Bevorzugt wird die zumindest eine Maßnahme abhängig von einem oder mehreren Parametern einer entsprechenden, insbesondere im Rahmen des Verfahrens 100 prädizierten, Konsequenz bestimmt. Abhängig von einer prädizierten Konsequenz kann z.B. früher und/oder mit einer anderen Maßnahme reagiert werden.
  • Beispielsweise erfolgt eine Auswahl einer Maßnahme aus einer Liste von zumindest zwei unterschiedlichen Maßnahmen oder unterschiedliche Arten von Maßnahmen in Zusammenhang mit dem zumindest einen zweiten Fahrerhandlung, ggf. abhängig von den Daten in Bezug auf die ein oder mehreren Parametern der Konsequenzen bei den ein oder mehreren ersten Fahrerhandlungen. Mit anderen Worten ausgedrückt kann eine Prädiktion einer Konsequenz eines bestimmten Fahrerfehlers abhängig von Daten aus den ein oder mehreren ersten Fahrerhandlungen erfolgen.
  • Bevorzugt können die Daten in Bezug auf die ein oder mehreren Parameter der Konsequenz einer Vielzahl der Fahrerfehler ermittelt, abgeglichen und berücksichtigt werden. Beispielsweise können statistische Häufungen von Auftritten bestimmter bzw. durch bestimmte Parameter gekennzeichneter Konsequenzen von Fahrerfehlern einer bestimmten Art, insbesondere bei ein oder mehreren bestimmten Kriterien, z.B. Muster entsprechender erster Fahrerhandlungen, Fahrsituationen, Kontexten, etc., ermittelt und berücksichtigt werden.
  • Bevorzugt kennzeichnen die ersten Daten eine Anzahl oder Häufigkeit bestimmter Datenmuster im Zusammenhang mit dem Auftritt und/oder Nicht-Auftritts des zumindest einen, insbesondere eines bestimmten Fahrerfehlers oder eines Fahrerfehlers einer bestimmten Art. Die ersten Daten können nach und/oder etwa gleichzeitig mit dem Auftritt des Fahrerfehlers aus einer Vielzahl von ersten Fahrerhandlungen ermittelt werden. Dabei können diese Daten bzw. mit diesen korrespondierende erste Daten vorrangig zum Trainieren des zumindest einen neuronalen Netzes verwendet werden.
  • Beispielsweise wird eine Information ermittelt, die kennzeichnend ist für die Anzahl oder Häufigkeit des Auftritts eines Fahrerfehlers, eines bestimmten Fahrerfehlers oder eines Fahrerfehlers einer bestimmten Art bei einer Vielzahl von ersten Fahrerhandlungen, insbesondere in Zusammenhang mit einem bestimmten Parameter der Fahrsituationen, Randbedingungen, beispielsweise einem bestimmten Mustern der Parameter der Fahrsituationen und/oder Randbedingungen.
  • Alternativ oder zusätzlich kann eine Information kennzeichnend die Anzahl oder Häufigkeit des Nicht-Auftritts eines Fahrerfehlers, eines bestimmten Fahrerfehlers oder eines Fahrerfehlers einer bestimmten Art bei einer Vielzahl von ersten Fahrerhandlungen ermittelt werden, insbesondere in Zusammenhang mit einem bestimmten, insbesondere demselben Parameter der Fahrsituationen und/oder der Randbedingungen, beispielsweise dem bestimmten Mustern der Parameter dieser Randbedingung.
  • Im Rahmen des Verfahrens 100 können ein oder mehrere Parameter der zweiten Fahrerhandlung ermittelt werden, und es kann basierend darauf zumindest ein Ähnlichkeitsmaß der ein oder mehreren Parameter der zweiten Fahrerhandlung mit ein oder mehreren Parametern der ein oder mehreren ersten Fahrerhandlungen ermittelt und berücksichtigt werden.
  • Besonders bevorzugt können ein oder mehrere Muster der Parameter der zweiten Fahrerhandlung ermittelt und zumindest ein Ähnlichkeitsmaß der ein oder mehreren ermittelten Muster mit zumindest ein oder mehreren Parametern einer ersten Fahrerhandlung ermittelt und berücksichtigt werden. Beispielsweise können eine Kombination und/oder ein Muster von Parametern, die eine Position und/oder ein Fahrprofil des Fahrers kennzeichnen, ermittelt und berücksichtigt werden.
  • Im Rahmen des Verfahrens 100 kann eine Information kennzeichnend zumindest einen Fahrerfehler in den ein oder mehreren ersten Fahrerhandlungen ermittelt und berücksichtigt werden, insbesondere abhängig von dem Fahrer und/oder der Personengruppe, der der Fahrer angehört bzw. der Fahrer zugeordnet wird.
  • Die zumindest eine Maßnahme, insbesondere eine Variante und/oder ein Parameter der Maßnahme, können abhängig von einer vorab ermittelten Eingabe oder Auswahl des Fahrers bestimmt werden.
  • Insbesondere kann es dem Fahrer ermöglicht werden, (vorab) über eine Maßnahme (mit) zu entscheiden, die ausgeführt werden soll, wenn ein bestimmter Fahrerfehler (z.B. ein Fahrerfehler einer bestimmten Art) erkannt oder prädiziert wird. Beispielsweise kann es dem Fahrer ermöglicht werden, eine (ggf. von dem Fahrer konfigurierbare, gestaltbare) Maßnahme auszuwählen und/oder vorzugeben und/oder aus vorgegebenen Elementen zusammenzustellen.
  • Beispielsweise kann es dem Fahrer ermöglicht werden, sich selbst eine Erinnerungsinformation, z.B. einen Text, ein Stichwort, eine Ansage, etc., insbesondere für den Fall, dass ein bestimmter Fahrerfehler zumindest mit einem gewissen Wahrscheinlichkeitsmaß und/oder Konsequenzmaß prädiziert wird, auszuwählen, zu erstellen bzw. vorzukonfigurieren.
  • Insbesondere kann vorgesehen werden, dass der Fahrer des Fahrzeugs (z.B. mittels einer Dateneingabe und/oder Bedienschnittstelle) vorab über die Maßnahme (mit) entscheiden kann (d.h. auswählen, erstellen bzw. zusammenstellen der Maßnahme), mit der ihm bei einem möglichen bestimmten Fahrerfehler und/oder bei einem Fahrerfehler einer bestimmten Art ggf. geholfen werden kann.
  • Die zumindest eine Maßnahme kann eine Veränderung einer Bedienlogik und/oder eines Parameters einer Steuerungsvorrichtung zum Steuern bzw. Vorgeben der Führung des Fahrzeugs (z.B. Längsführung, Querführung, Manöverausführung, etc.) 10, 11, 12, 20, 21, 22 umfassen. Beispielsweise kann abhängig von einer (statistischen) Häufung von ein oder mehreren bestimmten Fahrerfehlern das Verhalten des jeweiligen Fahrzeugs 10, 11, 12, ... 20, 21, 22, ... insbesondere hinsichtlich der Bedienlogik und/oder Einstellung und/oder eines aktuellen Betriebsparameters des jeweiligen Fahrerassistenzsystems FAS, Systems aktiver Sicherheit SAS, Systems zum zumindest teilweise automatisierten Fahren TAF, HAF bzw. Parken TAP, HAP, und/oder des Systems SIG zur Signalisierung an die Umgebung des Fahrzeugs 10, 11, 12, 20, 21, 22 verändert werden.
  • Im Rahmen des Verfahrens 100 kann die zumindest eine Maßnahme eine Ausgabe einer Fahrerinformation mit einem bestimmten Vorschlag zur Veränderung des Verhaltens des Fahrzeugs (z.B. zumindest einer Vorrichtung bzw. Funktionalität des Fahrzeugs) 10, 11, 12, 20, 21, 22 umfassen. Die Fahrerinformation kann z.B. einen Vorschlag zur Veränderung der Bedienlogik und/oder eines Parameters der Interpretation einer Eingabe des Fahrers des Fahrzeugs 10, 11, 12, 20, 21, 22 umfassen. Die (dann ggf. wirksame) Veränderung des Verhaltens des Fahrzeugs 10, 11, 12, 20, 21, 22 kann abhängig von einer Bestätigung des Fahrers ausgeführt werden.
  • Ein zweites Fahrzeug 10, 11, 12, ... 20, 21, 22, ... kann eingerichtet sein, Daten betreffend eines in diesem Dokument beschriebenen Fahrerfehlers unmittelbar oder mittelbar von den ein oder mehreren ersten Fahrzeugen 10, 11, 12, ... 20, 21, 22, ... zu empfangen. Insbesondere handelt es sich um verarbeitete z.B. im Backend BE bzw. im Rahmen der Datenverarbeitung DV aggregierte Daten.
  • Des Weiteren wird in diesem Dokument ein Verfahren beschrieben, das darauf gerichtet ist, Daten in Bezug auf einen Fahrerfehler zu ermitteln und/oder bereitzustellen (z.B. als Teil eines ersten Fahrzeugs 10, 11, 12, ... 20, 21, 22, ...), bzw. Daten in Bezug auf einen Fahrerfehler zu empfangen und/oder zur Ermittlung einer Maßnahme zu nutzen (z.B. als Teil eines zweiten Fahrzeugs 10, 11, 12, ...20, 21, 22, ...).
  • Ferner wird in diesem Dokument ein System (aus einer oder mehreren Vorrichtungen) beschrieben, das eingerichtet ist, eines der in diesem Dokument beschriebenen Verfahren 100 auszuführen.
  • Insbesondere ist oder umfasst das System das ein oder bevorzugt eine Vielzahl von ersten Fahrzeugen 10, 11, 12, ..., ein oder mehrere zweite Fahrzeuge 20, 21, 22, ... und ggf. ein Backend BE (insbesondere mit einer Datenverarbeitung DV zur Aggregation der Daten aus einer Vielzahl der Fahrzeuge 10, 11, 12, 20, 21, 22). Es kann sich um ein sogenanntes verteiltes System handeln. Abhängig von dem Ergebnis der Datenverarbeitung bzw. der Aggregation der Daten können die Trainingsdaten ermittelt (und in Fahrzeugen F10, F11, F12 verwendet) werden.
  • Das System kann ausgebildet sein, ein oder mehrere der in diesem Dokument beschriebenen Verfahren 100 auszuführen. Es kann sich um ein verteiltes System handeln. Das System kann gemäß einem oder mehreren der in dem Dokument beschriebenen Merkmalen des Verfahrens ausgebildet sein. Das erste Fahrzeug 10, 11, 12, ... und das zweite Fahrzeug 20, 21, 22, ... können dabei Fahrzeuge von unterschiedlicher oder von gleicher Art sein.
  • Ein oder mehrere Parameter kennzeichnend die Fahrerhandlung, die Bediensituation, den Kontext, die Position, eine Fahrsituation, eine Randbedingung, etc., bei der das (jeweilige, erste und/oder zweite) Fahrzeug 10, 11, 12, ... 20, 21, 22, ... betrieben wird, können ermittelt werden. Ein bestimmter Fahrer und/oder eine Personengruppe des Fahrers können ermittelt, erkannt bzw. geschätzt werden. Das Verhalten des bestimmten Fahrers oder eines Fahrers mit der Personeninformation in einem bestimmten Wertebereich (z.B. Fahrer zugehörig zu einer oder mehreren bestimmten Personengruppen), insbesondere hinsichtlich gehäufter und/oder sich wiederholender Fahrerfehler des Fahrers oder der Fahrer mit der Personeninformation in einem bestimmten Wertebereich (z.B. Fahrer zugehörig zu einer oder mehreren bestimmten Personengruppen), können ausgewertet werden. Ein oder mehrere der ermittelten Informationen können für die Erkennung und/oder die Prädiktion der ein oder mehreren Fahrerfehler (z.B. in einem Prädiktionsalgorithmus) bereitgestellt werden.
  • Es kann ermittelt, insbesondere prädiziert, werden, dass der Fahrer (ggf. in der nahen Zukunft) einen Fahrerfehler, insbesondere einen Fahrerfehler einer bestimmten Art, macht und/oder mit zumindest einem gewissen Wahrscheinlichkeitsmaß machen wird oder bereits zumindest teilweise dabei ist, einen Fahrerfehler zu machen. Ggf. kann auch erkannt werden, dass kein Fahrerfehler, insbesondere kein Fahrerfehler einer bestimmten Art, gemacht wird. Auch diese Information kann beim Ermitteln der Maßnahmen und/oder beim allgemeinen Betrieb des Fahrzeugs 10, 11, 12, ... 20, 21, 22, ... berücksichtigt werden.
  • Im Rahmen des Verfahrens 100 kann ein Maß für eine Wahrscheinlichkeit und/oder ein Maß für eine Konsequenz eines bereits gemachten, aktuell stattfindenden oder prädizierten Fahrerfehlers ermittelt und berücksichtigt werden.
  • Abhängig von den ermittelten Informationen können ein oder mehrere Maßnahmen ermittelt werden. Es kann eine Maßnahme ermittelt werden, die zum Vorbeugen eines (bestimmten, erwarteten) Fahrerfehlers und/oder zur Vermeidung bzw. zur Reduktion einer Konsequenz des Fahrerfehlers bestimmt ist. Alternativ oder zusätzlich kann eine Maßnahme zur Fahrerinformation und/oder zur Veränderung des Verhaltens des Fahrzeugs (z.B. einer oder mehreren bestimmten bzw. durch den Fahrerfehler betroffenen Funktionalitäten) 10, 11, 12, 20, 21, 22 ermittelt werden. Bevorzugt werden zwei oder mehr unterschiedliche Maßnahmen ermittelt.
  • Zu den ein oder mehreren Maßnahmen kann (jeweils) eine Vorbedingung bestimmt oder angepasst werden. Eine Vorbedingung kann einen bestimmten Trigger kennzeichnen, bei dem eine bestimmte Maßnahme, insbesondere eine von mehreren Maßnahmen, ausgewählt, parametriert, veranlasst und/oder ausgeführt wird. Die Vorbedingung kann abhängig von einem Parameter der Fahrerhandlung, der Bediensituation, des Kontextes, der Position, der Fahrsituation, einer Randbedingung, bei der das Fahrzeug 10, 11, 12, ... 20, 21, 22, ... bedient wird, und/oder abhängig von beliebigen weiteren Daten sein.
  • Beispielsweise kann die zumindest eine Vorbedingung an eine Handlung und/oder eine Bedienhandlung des Fahrers gekoppelt sein. Die Vorbedingung kann auch an ein bestimmtes Muster aus den in diesem Dokument genannten Daten gekoppelt sein. Alternativ oder zusätzlich kann eine Vorbedingung an ein bestimmtes Maß einer Wahrscheinlichkeit und/oder an eine Konsequenz eines Fahrerfehlers gekoppelt sein.
  • Beispielsweise können Maßnahmen an jeweilige Vorbedingungen gekoppelt bzw. Maßnahmen und Vorbedingungen zueinander zugeordnet, z.B. verlinkt, sein. Die Maßnahmen und/oder Vorbedingungen können z.B. noch vor ihrer (möglichen) Ausführung veranlasst werden.
  • In einem mit allen Merkmalen dieses Dokuments kombinierbaren Beispiel können zumindest eine Maßnahme und/oder zumindest eine Vorbedingung abhängig von ein oder mehreren Einstellungen des Fahrzeugs 10, 11, 12, ... 20, 21, 22, ... und/oder von einer Auswahl des Fahrers ermittelt werden.
  • Beispielsweise kann die Vorbedingung bzw. ein Parameter der Vorbedingung (z.B. durch von dem Fahrer selbst) wählbar sein. Beispielsweise kann z.B. mittels einer Konfiguration bzw. Einstellungen) die Ausführung (bestimmter) Maßnahmen an (bestimmte), insbesondere wählbare, Vorbedingungen geknüpft werden.
  • Es können eine oder mehrere Maßnahmen veranlasst werden, die insbesondere jeweils an ein oder mehrere Vorbedingungen geknüpft sind. Bevorzugt können für mehrere (aktuell wahrscheinliche bzw. drohende) Varianten eines Fahrerfehlers unterschiedliche Maßnahmen mit unterschiedlichen Vorbedingungen veranlasst werden.
  • Beispielsweise können die Maßnahmen im Backend BE ermittelt und an das jeweilige Fahrzeug 10, 11, 12, ... 20, 21, 22, ..., übermittelt werden. Dabei ergibt sich der Vorteil, dass im Backend BE auch eine relativ aufwändige Datenaggregation DV und/oder Prädiktion ermittelt werden kann. Diese muss also nicht notwendigerweise in den Fahrzeugen vorgesehen werden.
  • Beispielsweise wird eine Liste von Anweisungen und/oder eine Logik, die kennzeichnend dafür ist, im Falle bestimmter Ereignisse bestimmte Maßnahmen auszuführen und/oder zu triggern, ermittelt und an dem Fahrzeug 10, 11, 12, 20, 21, 22 veranlasst werden.
  • Je nachdem, ob der Fahrerfehler und ggf. welche Variante des Fahrerfehlers zu erwarten ist, kann daraufhin (in Echtzeit, mit geringem Ressourcenverbrauch) eine Maßnahme ausgewählt und ausgeführt werden. Dabei kann eine Entscheidung in Bezug auf eine Maßnahme hinausgezögert werden. Die Anzahl der wahrscheinlichen Fahrerfehler und/oder Maßnahmen kann z.B. schrittweise auf jeweils besonders wahrscheinliche Varianten reduziert werden. Dies ermöglicht eine verbesserte, präzise und effektive Funktionsweise.
  • Im Rahmen des Verfahrens 100 können ein Parameter eines weiteren Verlaufs der Fahrerhandlung, der Bediensituation, des Kontextes, der Position, des Bewegungsprofils, einer Fahrsituation, einer Randbedingung, bei der das Fahrzeug 10, 11, 12, ... 20, 21, 22, ... bedient wird, und/oder weitere Daten ermittelt werden. Die eine oder die mehreren Vorbedingungen können (z.B. laufend, zyklisch) überprüft werden.
  • Im Rahmen des Verfahrens 100 kann eine Maßnahme veranlasst und/oder ausgeführt werden, wenn ein (bestimmter, erwarteter) Fahrerfehler erkannt wird und/oder wenn die zumindest eine Vorbedingung erfüllt wird und/oder wenn ein bestimmtes Maß einer Wahrscheinlichkeit und/oder einer Konsequenz eines (möglichen, erwarteten) Fahrerfehlers ansteigt.
  • Insbesondere bezieht sich die zumindest eine Maßnahme auf einen oder mehrere Einträge aus der folgenden Liste (der Begriff „sich beziehen“ ist auch zu verstehen im Sinne „umfasst sein“ oder „einen Teil bilden von“):
    • - eine Unterstützung einer Fahrerhandlung des Fahrers des ersten Fahrzeugs,
    • - eine Ausführung einer Beeinflussung der Bewegung des ersten Fahrzeugs,
    • - ein Generieren einer Information für den Fahrer des ersten Fahrzeugs,
    • - ein Ausführen eines zumindest teilweise automatisierten Fahrmanövers, Einparkmanövers, Ausparkmanövers und/oder Rangiermanövers,
    • - eine Auswahl eines Parameters oder Modus des Fahrzeuglichts des ersten Fahrzeugs;
    • - eine Signalisierung von dem Fahrzeug nach außen.
  • In einem Beispiel des Verfahrens kann abhängig von der Ausgangsschicht des neuronalen Netzes DNN1, DNNZ, DNN2 (z.B. im Rahmen einer Maßnahme) eine Signalisierung des Fahrzeugs 20, 21, 22 nach außen, vorgeschlagen, veranlasst, verändert, verhindert und/oder bewirkt werden.
  • Insbesondere kann eine Maßnahme eine Reaktion und/oder Aktion im Zusammenhang mit einem bestimmten Objekt (z.B. Verkehrsteilnehmer), einem bestimmten Vorkommnis, einer bestimmten Situation bzw. einem Objekt, Vorkommnis oder Situation einer bestimmten Art sein. Insbesondere kann es sich um eine Maßnahme im Zusammenhang mit einer bestimmten Fahrsituation oder einer bestimmten Art (Muster) entsprechenden Fahrsituation handeln.
  • Beispielsweise kann die Maßnahme eine, bevorzugt vorausschauende Unterstützung eines Fahrmanöver oder einen Teil eines (mehrteiligen) Fahrmanövers aus nachfolgender Liste umfassen:
    • - eine Einfahrt in eine Schnellstraße,
    • - eine Ausfahrt aus einer Schnellstraße,
    • - einen Spurwechselvorgang,
    • - einen Einfädelvorgang,
    • - einen Überholvorgang,
    • - einen Wendevorgang.
  • Beispielsweise kann die Maßnahme zumindest einen Teil des Fahrmanövers und/oder eine, ein Fahrmanöver begleitende Aktion, insbesondere eine (dem Fahrmanöver entsprechende bzw. das Fahrmanöver begleitende) Signalisierung des Fahrzeugs nach außen (Blinken, Lichtsignale, Projektionen, Generieren einer Anzeige, z.B. Bildanzeige nach außen) umfassen.
  • Bevorzugt kann sich das Ausführen, Unterdrücken und/oder Variieren der zumindest einen Maßnahme an eine Erkennung oder Prädiktion einer bestimmten Fahrsituationen und/oder Fahrbahnkontexts gekoppelt sein.
  • Beispielsweise kann das neuronale Netz DNN1, DNNZ, DNN2 trainiert und/oder betrieben werden, zu bewirken (z.B. ein Steuerungssignal zu generieren und/oder zu beeinflussen), dass die zumindest eine (z.B. sonst auszuführende) Maßnahme nicht ausgeführt (z.B. gemieden und/oder unterdrückt) oder durch eine alternative Maßnahme ersetzt oder mit einem veränderten ersten Maßnahmenparameter ausgeführt wird.
  • Das Ausführen, Unterdrücken und/oder Variieren der zumindest einen Maßnahme in einem Fahrzeug 20, 21, 22 kann ein Steuern, ein Regeln oder ein beliebiges Beeinflussen der ersten Maßnahme sein. Allerdings ist das Verfahren nicht auf das Steuern bzw. Regeln einer Größe etwa im Sinne der Steuerungstechnik bzw. Regelungstechnik beschränkt. Vielmehr kann es eine (unmittelbare oder mittelbare) Einflussnahme auf die Auswahl der Art der ersten Maßnahme, die Variante der ersten Maßnahme und/oder das Bestimmen oder Anpassen eines ersten Maßnahmenparameters umfassen oder sein.
  • Ein Variieren der Maßnahme durch das neuronale Netz DNN1, DNNZ, DNN2 kann auch ein Bestimmen, Vorziehen, und/oder eine Begrenzung eines Lösungsraums oder einer Tendenz zum Ausführen, Unterdrücken und/oder Variieren zumindest einer Maßnahme sein.
  • Das Unterdrücken der zumindest einen (normalerweise, Einfluss des neuronalen Netzes DNN1, DNNZ, DNN2 auszuführenden) Maßnahme kann ein zumindest teilweises Unterdrücken der Maßnahme, eine Begrenzung der Wirkung, der Leistung, eines Leistungsmerkmals der Maßnahme umfassen oder sein. Dabei kann eine Maßnahme auch nur zu einem gewissen Teil oder in einem bestimmten (z.B. von dem neuronalen Netz DNN1, DNNZ, DNN2 bestimmten) Maße unterdrückt werden.
  • Zur Erfindung gehören ferner sämtliche in einem Fahrzeug 10, 11, 12, ... 20, 21, 22 ausführbare Funktionalitäten, die auf Basis des trainierten neuronalen Netzes DNN1, DNNZ, DNN2 betrieben werden bzw. betreibbar (auch zu verstehen als: ausführbar) gemacht werden - beispielsweise für ein entsprechendes (von dem neuronalen Netz DNN1, DNNZ, DNN2 betriebenes) Fahrerassistenzsystem FAS, System aktiver Sicherheit SAS, System zum zumindest teilweise automatisierten Fahren HAF bzw. Parken HAP, Systems SIG zur Signalisierung an die Umgebung des Fahrzeugs.
  • Unter dem Begriff „Fahrzeugfunktionalität“ kann im Rahmen des vorliegenden Dokuments auch ein Leistungsmerkmal (auch zu verstehen als ein Feature) einer (größeren) Funktion, z.B. einer Nutzerfunktion bzw. einer Ausstattung des Fahrzeugs 10, 11, 12, ... 20, 21, 22 aufgefasst werden. Als Funktionalität kann ferner z.B. eine automatische Aktivierung, Deaktivierung und/oder Veränderung einer (weiteren) Funktionalität oder eine Fahrerinformation, die eine Aktivierung, Deaktivierung oder Veränderung eine Funktionalität vorschlägt oder ankündigt, angesehen werden. Beispielsweise kann ein (automatisch generierter) Vorschlag an den Fahrer des Fahrzeugs 10, 11, 12, ... 20, 21, 22, eine bestimmte Funktionalität einzuschalten, auszuschalten oder auf eine bestimmte Art und Weise zu verändern, ebenfalls als eine Funktionalität angesehen werden. Als Funktionalität ist insbesondere eine (zunächst zumindest potentiell) für den Nutzer des Fahrzeugs 10, 11, 12, ... 20, 21, 22 nützliche, nutzbare und/oder ausführbare Funktionalität zu verstehen.
  • Im Rahmen des Verfahrens 100 können je nach ermittelter Information und/oder in Abhängigkeit von dem Fortschritt des Fahrerfehlers ein oder mehrere unterschiedliche Maßnahmen in Bezug auf das zweite Fahrzeug 20, 21, 22 ausgeführt werden.
  • Durch das in diesem Dokument beschriebene Verfahren 100 kann eine individuell zugeschnittene Unterstützung bei (z.B. menschlichen, insbesondere für bestimmte Personen oder Personengruppen typischen) Fahrerfehlern bereitgestellt werden.
  • Ferner kann die Performance eines Fahrzeugs (auch zu verstehen: Fahrzeugfunktionalität bzw. Fahrzeugsystems) 10, 11, 12, ... 20, 21, 22, ... erhöht werden. Des Weiteren kann das subjektive Erlebnis bei der Nutzung des Fahrzeugs verbessert werden.
  • Das System kann auch derart ausgebildet sein, so dass die Erkennung von Fahrerfehlern und die Reaktion auf Fahrerfehler laufend verbessert werden können. Durch die beschriebenen Maßnahmen können die Konsequenzen von Fahrerfehlern reduziert werden. Zur Erkennung von Konsequenzen von (bestimmten) Fahrerfehlern kann ein entsprechend eingerichteter Prädiktionsalgorithmus verwendet werden.
  • Die beschriebenen Maßnahmen ermöglichen es, ein Fahrzeug 10, 11, 12, ... 20, 21, 22, ... mit einer erhöhten Komplexität auszubilden, da mögliche Fahrerfehler frühzeitig erkannt und hinsichtlich ihrer Konsequenz weitgehend entschärft bzw. ggf. kompensiert werden können.
  • Insbesondere umfasst die Erfindung auch den Fall, bei dem das zweite Fahrzeug das erste Fahrzeug (zu einem späteren Zeitpunkt) ist bzw. als solches betrachtet wird. Alternativ oder zusätzlich kann es sich bei dem zweiten Fahrer um den ersten Fahrer (zu einem späteren Zeitpunkt) handeln. Besonders in einem solchen Fall können personenspezifische, insbesondere von dem Fahrer besonders häufig wiederholte, Fahrerfehler nach den in diesem Dokument offenbarten Prinzipien gehandhabt werden.
  • Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren lediglich beispielhaft nur einige Prinzipien der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen.

Claims (17)

  1. Verfahren (100) zum Betreiben eines Fahrzeugs (10, 11, 12, 20, 21, 22), wobei das Verfahren umfasst: - Erkennen (101) eines eine Fahrzeugführung betreffenden ersten Fahrerfehlers bei einer ersten Fahrerhandlung eines ersten Fahrers eines ersten Fahrzeugs (10, 11, 12); - Ermitteln (102) von ersten Daten im Zusammenhang mit dem ersten Fahrerfehler; - Abhängig von den ersten Daten Trainieren (103) eines neuronalen Netzes (DNN1, DNNZ, DNN2) zum Betreiben (104) des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiter Fahrzeuge (20, 21, 22).
  2. Verfahren (100) nach dem Anspruch 1, wobei sich der die Fahrzeugführung betreffende erste Fahrerfehler bezieht auf: - eine Längsführung, Querführung, Manöverausführung, Parkvorgang des Fahrzeugs, und/oder - eine Signalisierung an die Umgebung des Fahrzeugs, und/oder - ein Bedienen, insbesondere Steuern und/oder Einstellen eines oder mehrerer Fahrzeugsysteme, insbesondere Fahrerassistenzsysteme, dabei insbesondere eines aktiven Sicherheitssystems und/oder eines Systems zum zumindest teilweise automatisierten Fahren, und/oder - ein Veranlassen einer Signalisierung des Fahrzeugs an seine Umgebung, und/oder - ein Veranlassen und/oder Überwachen einer zumindest teilweise automatisiert ausführbaren Fahrerhandlung.
  3. Verfahren nach dem Anspruch 1 oder 2, wobei eine Eingangsschicht des neuronalen Netzes (DNN1, DNNZ, DNN2) abhängig von zweiten Daten gesteuert wird, die kennzeichnend sind für: - eine jeweils aktuell erkannte zweite Fahrsituation und/oder eine mögliche, insbesondere prädizierte, zweite Fahrsituation des ersten Fahrzeugs, und/oder - eine jeweils aktuell erkannte zweite Fahrerhandlung und/oder eine mögliche, insbesondere prädizierte, zweite Fahrerhandlung des Fahrers des ersten Fahrzeugs.
  4. Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei abhängig von der Ausgangsschicht des neuronalen Netzes (DNN1, DNNZ, DNN2) - ein oder mehrere Grenzparameter kennzeichnend einen mit einer Fahrerhandlung bewirkbaren Eingriff ins Fahrwerk des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiter Fahrzeuge (20, 21, 21) verändert, und/oder - ein oder mehrere Grenzparameter kennzeichnend einen zumindest teilweise automatisierten Eingriff ins Fahrwerk des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiter Fahrzeuge (20, 21, 21) verändert, und/oder - eine oder mehrere Auslöseschwellen zur Auslösung einer Fahrerassistenzfunktion (FAS), einer aktiven Sicherheitsfunktion (SF) und/oder eines zumindest teilweise automatisierten Eingriffs ins Fahrwerk und/oder einer Signalisierungsfunktion (SIG) an die Umgebung des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiter Fahrzeuge (20, 21, 21) verändert wird.
  5. Verfahren nach einem der vorangegangener Anspruche, wobei abhängig von der Ausgangsschicht des neuronalen Netzes (DNN1, DNNZ, DNN2) eine Maßnahme - zur Unterstützung des Fahrers bei der Ausführung einer zweiten Fahrerhandlung, und/oder - zum Abwenden oder Verändern einer zweiten Fahrerhandlung in dem ersten Fahrzeug (10, 11, 12) und/oder in einem oder mehreren zweiten Fahrzeugen (20, 21, 22) ausgeführt wird.
  6. Verfahren (100) gemäß einem der vorangegangener Ansprüche, wobei das neuronale Netz (DNN1, DNNZ, DNN2) trainiert (103) und/oder betrieben (104) wird - einen zweiten Fahrerfehler, insbesondere einen Parameter des zweiten Fahrerfehlers, in dem ersten Fahrzeug (10, 11, 12) und/oder in einem oder mehreren zweiten Fahrzeugen (20, 21, 22) zu prädizieren, und/oder - einen zweiten Fahrerfehler in dem ersten Fahrzeug (10, 11, 12) und/oder in einem oder mehreren zweiten Fahrzeugen (20, 21, 22) zu vermeiden, und/oder - ein Wahrscheinlichkeitsmaß des Vorkommens eines zweiten Fahrerfehlers und/oder eine sich ergebende Konsequenz eines möglichen zweiten Fahrerfehlers in dem ersten Fahrzeug (10, 11, 12) und/oder in einem oder mehreren zweiten Fahrzeugen (20, 21, 22) zu reduzieren.
  7. Verfahren (100) gemäß einem der vorangegangener Ansprüche, wobei abhängig von der Ausgangsschicht des neuronalen Netzes (DNN1, DNNZ, DNN2) eine Signalisierung des ersten Fahrzeugs (10, 11, 12) und/oder eines zweiten Fahrzeugs (20, 21, 22) veranlasst oder verändert, insbesondere angepasst wird.
  8. Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei - die ersten Daten einen ersten Fahrsituationsparameter und/oder einen ersten Kontext-Parameter im Zusammenhang mit dem einen oder mehreren ersten Fahrerfehlern bei dem einen oder mehreren ersten Fahrerhandlungen umfassen, und/oder - die zweiten Daten einen zweiten Fahrsituationsparameter und/oder einen zweiten Kontext-Parameter im Zusammenhang mit einer möglichen, erkannten und/oder prädizierten zweiten Fahrerhandlung umfassen.
  9. Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei das Verfahren weiter umfasst: - Prädizieren eines Konsequenz-Parameters in Bezug auf eine Konsequenz des möglichen oder prädizierten zweiten Fahrerfehlers bei der zweiten Fahrerhandlung; und i. Trainieren des neuronalen Netzes (DNN1, DNNZ, DNN2) abhängig von dem ermittelten Konsequenz-Parameter, und/oder ii. Steuern einer bzw. der Eingangsschicht des neuronalen Netzes (DNN1, DNNZ, DNN2) abhängig von dem ermittelten Konsequenz-Parameter.
  10. Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei das Verfahren weiter umfasst: - Ermitteln einer ersten Personeninformation in Bezug auf einen ersten Fahrer des ersten Fahrzeugs (10, 11, 12), und/oder - Ermitteln einer zweiten Personeninformation in Bezug auf einen zweiten Fahrer des zweiten Fahrzeugs (20, 21, 22), und - Trainieren des zumindest einen neuronalen Netzes (DNN1, DNNZ, DNN2) abhängig von der ersten Personeninformation und/oder von der zweiten Personeninformation, und/oder - Steuern des zumindest einen neuronalen Netzes (DNN1, DNNZ, DNN2) im Betrieb abhängig von der ersten Personeninformation und/oder von der zweiten Personeninformation.
  11. Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei das neuronales Netz (DNN1, DNNZ, DNN2) trainiert (103) und/oder betrieben (104) wird, um einen oder mehrere Funktionsparameter und/oder eine Funktionslogik des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiter Fahrzeuge (20, 21, 22), insbesondere fahrerspezifisch, und/oder fahrsituationsspezifisch, zu bestimmen oder anzupassen.
  12. Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei - das neuronale Netz (DNN1, DNNZ, DNN2) trainiert und/oder betrieben wird, um eine Ausgabe an den ersten Fahrer des ersten Fahrzeugs (10, 11, 12) und/oder an einen oder mehrere zweite Fahrer eines oder mehrerer zweiter Fahrzeuge (20, 21, 22) zu erzeugen, wobei die Ausgabe kennzeichnend ist für: i. einen Vorschlag zur Änderung der Funktionsparameter und/oder einer Funktionslogik des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiter Fahrzeuge (20, 21, 22), und/oder ii. eine Veränderung eines Funktionsparameter und/oder einer Funktionslogik des ersten Fahrzeugs (10, 11, 12) und/oder des einen oder der mehreren zweiten Fahrzeuge (20, 21, 22).
  13. Verfahren (100) zum Betreiben eines Fahrzeugs (10, 11, 12, 20, 21, 22), wobei das Verfahren umfasst: - Betreiben (104) des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiter Fahrzeuge (20, 21, 22) abhängig von der Ausgangsschicht des trainierten neuronalen Netzes (DNN1, DNNZ, DNN2), wobei das neuronale Netz (DNN1, DNNZ, DNN2) abhängig von ersten Daten, die im Zusammenhang mit dem ersten Fahrerfehler stehen, trainiert (103) ist.
  14. System zum Betreiben eines Fahrzeugs (10, 11, 12, ... 20, 21, 22) wobei das System ausgebildet ist zum - Erkennen (101) eines eine Fahrzeugführung betreffenden ersten Fahrerfehlers bei einer ersten Fahrerhandlung eines ersten Fahrers eines ersten Fahrzeugs (10, 11, 12); - Ermitteln (102) von ersten Daten im Zusammenhang mit dem ersten Fahrerfehler; - Trainieren (103) eines neuronalen Netzes (DNN1, DNNZ, DNN2) zum Betreiben (104) des ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehreren zweiten Fahrzeuge (20, 21, 22) abhängig von den ersten Daten.
  15. System zum Betreiben eines Fahrzeugs (10, 11, 12, ... 20, 21, 22) wobei das System ausgebildet ist zum: - Betreiben (104) eines ersten Fahrzeugs (10, 11, 12) und/oder eines oder mehrerer zweiter Fahrzeuge (20, 21, 22) abhängig von der Ausgangsschicht des trainierten neuronalen Netzes (DNN1, DNNZ, DNN2), wobei das neuronale Netz (DNN1, DNNZ, DNN2) abhängig von den ersten Daten die im Zusammenhang mit dem ersten Fahrerfehler stehen, trainiert (103) ist.
  16. Neuronales Netz (DNN1, DNNZ, DNN2) zum Betreiben eines Fahrzeugs (10, 11, 12, .. 20, 21, 22), wobei das neuronale Netz (DNN1, DNNZ, DNN2) abhängig von ersten Daten, die im Zusammenhang mit einem eine Fahrzeugführung betreffenden ersten Fahrerfehler bei einer ersten Fahrerhandlung eines ersten Fahrers eines ersten Fahrzeugs (10, 11, 12) und/oder einer fehlerfrei ausgeführten Fahrerhandlung des ersten Fahrers des ersten Fahrzeugs (10, 11, 12) stehen, trainiert ist oder trainiert wird.
  17. Computerprogrammprodukt umfassend ein Computerprogramm und/oder Daten zum Ausführen des Computerprogramms, wobei das Computerprogrammprodukt ausgebildet ist, bei seiner Ausführung auf zumindest einer Recheneinheit, einen oder mehrere Schritte (101, 102, 103, 104) des Verfahrens (100) gemäß zumindest einem der Ansprüchen 1 bis 13 auszuführen.
DE102022117675.4A 2022-07-14 2022-07-14 Verfahren, System sowie neuronales Netz zum Betreiben eines Fahrzeugs, insb. eines Assistenzsystems, eines Systems aktiver Sicherheit oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs Pending DE102022117675A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102022117675.4A DE102022117675A1 (de) 2022-07-14 2022-07-14 Verfahren, System sowie neuronales Netz zum Betreiben eines Fahrzeugs, insb. eines Assistenzsystems, eines Systems aktiver Sicherheit oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022117675.4A DE102022117675A1 (de) 2022-07-14 2022-07-14 Verfahren, System sowie neuronales Netz zum Betreiben eines Fahrzeugs, insb. eines Assistenzsystems, eines Systems aktiver Sicherheit oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs

Publications (1)

Publication Number Publication Date
DE102022117675A1 true DE102022117675A1 (de) 2024-01-25

Family

ID=89429430

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022117675.4A Pending DE102022117675A1 (de) 2022-07-14 2022-07-14 Verfahren, System sowie neuronales Netz zum Betreiben eines Fahrzeugs, insb. eines Assistenzsystems, eines Systems aktiver Sicherheit oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs

Country Status (1)

Country Link
DE (1) DE102022117675A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013114239A1 (de) 2013-01-31 2014-07-31 GM Global Technology Operations LLC Adaptive Benutzerführung für navigations- und ortsbezogene Dienste
DE102020204321A1 (de) 2020-04-02 2021-10-07 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines Fahrerassistenzsystems und Fahrerassistenzsystem für ein Fahrzeug
DE102021100426A1 (de) 2021-01-12 2022-07-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren, Vorrichtung sowie ein Computerprogramm zum Betreiben eines Fahrzeugs
DE102021100424A1 (de) 2021-01-12 2022-07-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Prädizieren eines Fahrerfehlers, insbesondere eines menschlichen Versagens in einem Fahrzeug

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013114239A1 (de) 2013-01-31 2014-07-31 GM Global Technology Operations LLC Adaptive Benutzerführung für navigations- und ortsbezogene Dienste
DE102020204321A1 (de) 2020-04-02 2021-10-07 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines Fahrerassistenzsystems und Fahrerassistenzsystem für ein Fahrzeug
DE102021100426A1 (de) 2021-01-12 2022-07-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren, Vorrichtung sowie ein Computerprogramm zum Betreiben eines Fahrzeugs
DE102021100424A1 (de) 2021-01-12 2022-07-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Prädizieren eines Fahrerfehlers, insbesondere eines menschlichen Versagens in einem Fahrzeug

Similar Documents

Publication Publication Date Title
EP3436325B1 (de) Verfahren zum erzeugen von steuerdaten für ein regelbasiertes unterstützen eines fahrers
EP1687788B1 (de) Verfahren und computerprogramm zum erkennen von unaufmerksamkeiten des fahrers eines fahrzeugs
EP2620314B1 (de) Vorrichtung und Verfahren zur Überwachung des Betriebs eines Fahrzeugs und Vorrichtung und Verfahren zur Warnung des Fahrers
EP1750236B1 (de) Verfahren zur Steuerung eines Fahrerassistenzsystems und dazugehörige Vorrichtung
DE102007039039B4 (de) Ansteuerung von Sicherheitsmitteln eines Kraftfahrzeugs
WO2017167801A1 (de) Fahrerassistenzsystem zum unterstützen eines fahrers beim führen eines fahrzeugs
WO2014198671A1 (de) VERFAHREN UND VORRICHTUNG ZUM AUSFÜHREN VON KOLLISIONSVERMEIDENDEN MAßNAHMEN
DE112012006226T5 (de) Fahrassistenzvorrichtung
DE102011113722A1 (de) Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
WO2006114292A1 (de) Fahrerassistenzsystem zur ausgabe zumindest einer information
WO2016016037A1 (de) Verfahren zur interaktion eines fahrassistenzsystems mit einem fahrer eines fahrzeugs
WO2019174766A1 (de) Verfahren, eine vorrichtung sowie ein korrespondierendes computerprogramm zum variieren oder unterdrücken zumindest einer fahrerinformation
DE102016222581A1 (de) Fahrzeugassistenzfunktionen
DE102020113611A1 (de) Verfahren und Sicherheitssystem zum Absichern einer automatisierten Fahrzeugfunktion und Kraftfahrzeug
EP2054281B1 (de) Ansteuerung von sicherheitsmitteln eines kraftfahrzeugs
EP3619086A1 (de) Vorrichtung zum aktivieren/deaktivieren eines sicherheitssystems eines kraftfahrzeugs bei einem abbiegevorgang des kraftfahrzeugs
DE102017007155A1 (de) Verfahren und System zur Fahrerunterstützung
DE102022117675A1 (de) Verfahren, System sowie neuronales Netz zum Betreiben eines Fahrzeugs, insb. eines Assistenzsystems, eines Systems aktiver Sicherheit oder eines Systems zur Signalisierung an die Umgebung des Fahrzeugs
EP2054280B1 (de) Ansteuerung von sicherheitsmitteln eines kraftfahrzeugs
DE102018203743A1 (de) Verfahren, eine Vorrichtung, ein mobiles Anwendergerät, sowie ein korrespondierendes Computerprogramm zum Variieren oder Unterdrücken zumindest einer Fahrerinformation
DE102022117676A1 (de) Verfahren, System, sowie Computerprogramm zum Trainieren eines zum Betreiben eines Fahrzeugs ausgebildeten neuronalen Netzes und zum Betreiben eines Fahrzeugs mit einem neuronalen Netz
DE102018209755A1 (de) Verfahren, Vorrichtung, mobiles Anwendergerät und Computerprogramm zum Bereitstellen einer Information zur Nutzung in einem Fahrzeug, sowie Verfahren, Vorrichtung und Computerprogramm zur Nutzung einer Information in einem Fahrzeug
DE102022117683A1 (de) Verfahren, System, sowie Computerprogramm zum Trainieren eines zum Betreiben eines Fahrzeugs ausgebildeten neuronalen Netzes und zum Betreiben eines Fahrzeugs mit einem neuronalen Netz
DE102021100424A1 (de) Verfahren zum Prädizieren eines Fahrerfehlers, insbesondere eines menschlichen Versagens in einem Fahrzeug
DE102017217986A1 (de) Verfahren und vorrichtung zum vorhersagen potenzieller kollisionen, fahrerassistenzsystem und fahrzeug

Legal Events

Date Code Title Description
R163 Identified publications notified