DE102022126555A1

DE102022126555A1 - Verfahren, System und Computerprogrammprodukt zur Prädiktion von gruppenspezifischen Bewertungen eines ADAS/ADS-Systems

Info

Publication number: DE102022126555A1
Application number: DE102022126555.2A
Authority: DE
Inventors: Moritz Markofsky
Original assignee: Dr Ing HCF Porsche AG
Current assignee: Dr Ing HCF Porsche AG
Priority date: 2022-10-12
Filing date: 2022-10-12
Publication date: 2024-04-18

Abstract

Die Erfindung betrifft ein Verfahren zur Prädiktion einer gruppenspezifischen Bewertung eines ADAS/ADS-Systems (20) und/oder einer automatisierten Fahrfunktion (25) für ein Kraftfahrzeug (10), umfassend:- Bereitstellen (S10) von ersten Daten (220) aus Sensorsignalen zumindest eines Sensors (30), wobei die Sensorsignale während des Befahrens des Kraftfahrzeugs (10) entlang zumindest einer Fahrstrecke mit verschiedenen Szenarien (SZi) von dem Sensor (30) aufgenommen werden; und/oder- Bereitstellen (S20) von zweiten Daten (230) aus mittels eines Simulationsmoduls (50) erstellten virtuellen Messignalen von simulierten Szenarien (SZi);- Bereitstellen (S30) von subjektiven Bewertungsindizes (240) von einer Mehrzahl von Nutzern aus verschiedenen Gruppen (Gi) für zumindest ein ausgewähltes Szenario (SZi),- Identifizieren (S40) von Szenarien (SZi) und Leistungsindikatoren (KPIs) aus den Daten (220, 230);- Erstellen (S50) zumindest einer Korrelationsmetrik (450) zwischen den verschiedenen Bewertungsindizes (240) und den Kennwerten zumindest eines Leistungsindikators für das ausgewählte Szenario (SZi) für zumindest eine Gruppe von Nutzern;- Berechnen (S60) zumindest einer Prädiktionskenngröße (470) zur Prädiktion einer gruppenspezifischen Bewertung des ADAS/ADS-Systems (20) und/oder der Fahrfunktion (25) mittels der Korrelationsmetrik (450).

Description

Die Erfindung betrifft ein Verfahren, ein System und ein Computerprogrammprodukt zur Prädiktion von gruppenspezifischen Bewertungen eines ADAS/ADS-Systems und/oder einer automatisierten Fahrfunktion.
Moderne Fahrzeuge sind mit einer Vielzahl von Fahrerassistenzsystemen bzw. automatisierten Fahrfunktionen ausgestattet, um den Fahrer beim Fahren zu unterstützen und seine Sicherheit zu erhöhen. Fahrerassistenzsysteme unterstützen beispielsweise die Geschwindigkeits- und Abstandsregelung sowie Spurhalte- und Spurwechselfunktionen. Hierbei kann eine bestimmte maximale Geschwindigkeit eingestellt werden, die nicht überschritten wird, solange die Geschwindigkeitsbegrenzungsfunktion aktiviert ist. Für die Abstandsregelung, bei der ein bestimmter Abstand insbesondere zu einem vorausfahrenden Kraftfahrzeugeingestellt wird, werden Radarsensoren, aber auch Kamerasysteme und Lidarsysteme eingesetzt. Hierdurch kann der Abstand zu vorausfahrenden Fahrzeugen, aber auch zu Fahrzeugen im Seitenbereich überwacht werden, wodurch der Fahrkomfort und die Sicherheit insbesondere bei Fahrten auf der Autobahn und bei Überholmanövern erhöht wird.
Dieser Trend zu Fahrerassistenzsystemen (engl. Advanced Driver Assistance System, ADAS) und hochautomatisierten Fahrfunktionen (eng. Automated Driving System, ADS) bei Kraftfahrzeugen, aber auch bei Luftfahrzeugen oder Wasserfahrzeugen erfordert umfangreiche Absicherungsstrategien, da die Verantwortung über die Fahrzeugführung nicht mehr uneingeschränkt beim Fahrer liegt, sondern aktive Funktionen von Rechnereinheiten im Kraftfahrzeugübernommen werden. Daher muss sichergestellt werden, dass autonom sich bewegende Objekte eine sehr geringere Fehlerrate beim Fahrverhalten aufweisen. Die Erkennung und Klassifizierung von Objekten und die Interpretation von Verkehrsszenarien im Umfeld eines Kraftfahrzeugs sind wichtige Voraussetzungen für eine sichere Funktionsfähigkeit von Fahrerassistenzsystemen. Hierfür ist das gezielte Testen sowohl von Extrem- und Ausnahmesituationen (engl. Corner-Cases) als auch von alltäglichen Situationen erforderlich.
Auch wenn Fahrerassistenzsysteme sich durch eine weiterhin zunehmende Sicherheit und Zuverlässigkeit auszeichnen, besteht jedoch nach wie vor bei manchen Fahrzeugnutzern eine gewisse Skepsis, was die Praxistauglichkeit und den Komfort von Fahrerassistenzsystemen angeht. Hinzu kommt das subjektive Empfinden des Fahrers, die Kontrolle über wichtige Entscheidungen im Straßenverkehr an eine Einrichtung abzugeben, die nicht vollständig verstanden wird und der daher auch nicht immer das erforderliche Vertrauen entgegengebracht wird. Es ist daher für die Akzeptanz von Fahrerassistenzsystemen wichtig, bereits bei deren Entwicklung die Ansprüche und Erwartungen von Fahrzeugnutzern an die Performance eines ADAS/ADS-Systems zu berücksichtigen. Da Fahrerassistenzsysteme in vielen Situationen sicherer als die natürlichen Reaktionen eines menschlichen Fahrers sind, ist eine zunehmende Akzeptanz entscheidend, um die Sicherheit im Straßenverkehr zu erhöhen.
Bisher wird jedoch lediglich das subjektive Urteil und Empfinden von einzelnen Fahrzeugnutzern abgefragt hinsichtlich der Funktionsfähigkeit und Betriebssicherheit eines Fahrerassistenzsystems. Allerdings ist die jeweilige subjektive Bewertung der Performance eines ADAS/ADS-Systems kontextabhängig, da sie sowohl von dem jeweils betrachteten Szenario als auch von dem Fahrzeugnutzer selbst abhängig ist. Daher können auch subjektive Bewertungen von verschiedenen ADAS/ADS-Systeme nur bedingt miteinander verglichen werden, da nicht immer klar ersichtlich ist, ob unterschiedliche Fahrzeugnutzer die Performance eines ADAS/ADS-System in einem bestimmten Szenario auch gleich bewerten. Menschliche Fahrer unterscheiden sich hinsichtlich ihrer Persönlichkeit und ihrer Vorlieben, so dass sich unterschiedliche Einschätzungen hinsichtlich der Performance eines ADAS/ADS-Systems in einem Szenario insbesondere bezogen auf den Komfort und das Sicherheitsgefühl ergeben.
Obgleich Menschen individuell unterschiedlich sind, wird mittels psychologischer und soziologischer Fragestellungen versucht, Menschen in verschiedene Gruppen einzuordnen, wobei die Persönlichkeitsstruktur und/oder die Vorlieben und Wertvorstellungen in einer Gruppe bestimmte Merkmale aufweisen, die sich von einer anderen Gruppe unterscheiden. Ein Beispiel aus der modernen Psychologie ist das DISG-Persönlichkeitsmodell mit vier Persönlichkeitsbereichen. Hinsichtlich verschiedener Zielgruppen in einer Gesellschaft ist das SINUS-Modell ein bekanntes Beispiel, bei dem Menschen mit ähnlichen Werten und einer vergleichbaren sozialen Lage in einem sogenannten Sinus-Milieu^® zusammengefasst werden (www.sinus-institut.de). Diese Einteilung einer Gesellschaft in verschiedene Gruppen ist insbesondere für die Produktentwicklung wichtig, da verschiedene gesellschaftliche Gruppen auf ein Produkt unterschiedlich reagieren. Zudem gibt es länderspezifische Ausprägungen hinsichtlich der Akzeptanz eines Produkts. Dies gilt auch für ADAS/ADS-Systeme, so dass es für die Entwicklung von sicherheitsrelevanten Aspekten eines ADAS/ADS-Systems wichtig ist, die Erwartungen und Präferenzen der verschiedenen gesellschaftlichen Gruppen zu kennen, um für diese Gruppen passende technische Lösungen hinsichtlich der Performance eines ADAS/ADS-Systems anbieten zu können. Da subjektive Bewertungen entscheidend für die Akzeptanz von ADAS/ADS-Systemen sind, ist die Kenntnis von zu erwartenden Bewertungen von Fahrzeugnutzern aus unterschiedlichen Zielgruppen bezogen auf die Leistungsfähigkeit eines Fahrerassistenzsystem bei der Bewältigung von unterschiedlichen Verkehrssituationen wichtig für die Entwicklung von ADAS/ADS-Systemen, damit diese dann auch tatsächlich von Fahrzeugnutzern eingesetzt werden.
Die EP 3693243 A1 offenbart ein Verfahren zum Einstellen eines Abstimmungsparameters für ein automatisiertes Fahrsystem (ADS) eines Kraftfahrzeugs auf der Grundlage eines selbstlernenden Modells, wobei für den Abstimmparameter die subjektive Meinung des Fahrers berücksichtigt wird.
Die WO 2018 232237 A1 offenbart ein System zum Erfassen der Rückmeldungen eines Fahrgastes eines autonomen Kraftfahrzeugs, wobei ein durchgeführtes Fahrereignisses erkannt und als Reaktion darauf eine interaktive Benutzerschnittstelle bereitstellt wird, die es einem Fahrgast des autonomen Kraftfahrzeugs ermöglicht, ein Fahrgast-Feedback bezüglich des Auftretens des Fahrereignisses einzugeben.
Die WO 2021 070737 A1 offenbart eine Steuerung eines autonomen Kraftfahrzeugs, wobei die Steuerung an die Präferenzen von unterschiedlichen Personengruppen angepasst wird.
Die WO 2020 119004 A1 offenbart ein auf maschinellem Lernen basierendes Verfahren zum Modifizieren des Betriebs eines autonomen Kraftfahrzeugs, wobei der Betrieb des autonomen Kraftfahrzeugs angepasst an den fahrerspezifischen Fahrstil erfolgt.
Die EP 3866044 A2 offenbart ein Verfahren für einen Straßentest für ein autonom fahrendes Fahrzeug, wobei unterschiedliche Testszenarien durch eine objektive Bewertung mittels Testdaten und aus der subjektiven Perspektive eines Fahrgastes beurteilt werden.
Die der Erfindung zu Grunde liegende Aufgabe besteht nun darin, Möglichkeiten zur Prädiktion von gruppenspezifischen Bewertungen eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) und/oder einer automatisierten Fahrfunktion anzugeben, um damit eine Basis für die Verbesserung und technische Weiterentwicklung des ADAS/ADS-Systems und/oder der Fahrfunktion zu schaffen, so dass eine hohe Akzeptanz durch unterschiedliche Zielgruppen von Fahrzeugnutzern erreicht werden kann.
Diese Aufgabe wird hinsichtlich eines Verfahrens durch die Merkmale des Patentanspruchs 1, hinsichtlich eines Systems durch die Merkmale des Patentanspruchs 12, und hinsichtlich eines Computerprogrammprodukts durch die Merkmale des Patentanspruchs 15 erfindungsgemäß gelöst. Die weiteren Ansprüche betreffen bevorzugte Ausgestaltungen der Erfindung.
Durch die vorliegende Erfindung können Prädiktionskenngrößen für eine zu erwartende Akzeptanz und Bewertung von Nutzern aus unterschiedlichen Zielgruppen hinsichtlich der Leitungsfähigkeit und Funktionsfähigkeit eines ADAS/ADS-Systems und/oder einer Fahrfunktion mittels einer Korrelationsmetrik, die Messergebnisse von Sensoren zu verschiedenen Szenarien und gruppenspezifische Bewertungsangaben von Nutzern aus verschiedenen Zielgruppen verwendet, objektiv berechnet werden. Durch die Kenntnis einer zu erwartenden Akzeptanz von Nutzern unterschiedlicher Zielgruppen werden die Einsatzmöglichkeiten von ADAS/ADS-Systemen erhöht, da diese objektiv für spezifische Nutzergruppen an deren Erwartungen angepasst werden können und damit die Wahrscheinlichkeit des Einsatzes eines ADAS/ADS-Systems durch einen Nutzer der jeweiligen Zielgruppe deutlich erhöht wird. Dies gilt insbesondere für länderspezifische Erwartungen, da durch die jeweiligen ländertypischen Verkehrsverhältnisse sich bei den Nutzern entsprechende Erwartungshaltungen an die Funktionsweise eines ADAS/ADS-Systems ausgebildet haben. Oftmals sind diese Erwartungshaltungen für die Nutzer so selbstverständlich, so dass sie nicht direkt kommuniziert werden und erst durch das erfindungsgemäße Verfahren offenbar werden. Die Kenntnis von Erwartungshaltungen eröffnet somit die Möglichkeit, Applikationsparameter eines ADAS/ADS-Systems bereits während der Entwicklungsphase an die gruppenspezifischen Bedürfnisse anzupassen und mittels Simulationsverfahren zu testen. Insgesamt kann hierdurch die Sicherheit im Straßenverkehr erhöht werden, da das Vertrauen in die Einsatzfähigkeit eines ADAS/ADS-Systems dazu führt, dass das ADAS/ADS-System von einem Nutzer auch benutzt wird.
Gemäß einem ersten Aspekt stellt die Erfindung ein Verfahren zur Prädiktion einer gruppenspezifischen Bewertung eines ADAS/ADS-Systems und/oder einer automatisierten Fahrfunktion für ein Kraftfahrzeug, insbesondere zum Testen und Trainieren des ADAS/ADS-Systems und/oder der Fahrfunktion, bereit. Das Verfahren umfasst die Verfahrensschritte:

- Bereitstellen von ersten Daten aus Sensorsignalen zumindest eines Sensors, wobei die Sensorsignale während des Befahrens des Kraftfahrzeugs entlang zumindest einer Fahrstrecke mit verschiedenen Szenarien in einer zeitlichen Sequenz von dem Sensor aufgenommen werden, und/oder
- Bereitstellen von zweiten Daten aus mittels eines Simulationsmoduls erstellten virtuellen Messignalen von simulierten Szenarien;
- Bereitstellen von Bewertungsindizes von einer Mehrzahl von Nutzern aus verschiedenen Gruppen für zumindest ein ausgewähltes Szenario, das von dem Kraftfahrzeug entlang der Fahrstrecke durchfahren und/oder simuliert wurde;
- Identifizieren von Szenarien und Leistungsindikatoren (KPIs) aus den Daten;
- Erstellen zumindest einer Korrelationsmetrik zwischen den Bewertungsindizes und den Kennwerten zumindest eines Leistungsindikators für das ausgewählte Szenario für zumindest eine Gruppe von Nutzern;
- Berechnen zumindest einer Prädiktionskenngröße zur Prädiktion einer gruppenspezifischen Bewertung des ADAS/ADS-Systems und/oder der Fahrfunktion mittels der Korrelationsmetrik für das ausgewählte Szenario.

In einer Weiterentwicklung ist vorgesehen, dass eine Gruppe von Nutzern durch ein oder mehrere Merkmale definiert wird.
In einer vorteilhaften Ausführungsform ist vorgesehen, dass es sich bei den Merkmalen um messbare soziologische Merkmale wie beispielweise um eine Altersverteilung, bestimmte Wertvorstellungen, eine Genderzuordnung, eine soziale Lage und/oder eine nationale Zugehörigkeit handelt, die insbesondere bestimmte Zielgruppen für das ADAS/ADS-System und/oder die Fahrfunktion definieren.
In einer Ausführungsform ist vorgesehen, dass die Bewertungsindizes von einem Nutzer des Kraftfahrzeugs aus einer Gruppe während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen in einer zeitlichen Sequenz ausgewählt wird und/oder nach dem Befahren der jeweiligen Fahrstrecke insbesondere mittels eines Fragebogens angegeben wird.
In einer Weiterentwicklung ist vorgesehen, dass die Prädiktionskenngrößen an ein Trainingsmodul mit einer Simulationssoftware für das ADAS/ADS-System und/oder die Fahrfunktion weitergeleitet werden, wobei die Simulationssoftware dazu ausgebildet ist, durch Testen und Trainieren das ADAS/ADS-System und/oder die Fahrfunktion an die Erwartungen der Nutzer der verschiedenen Gruppen anzupassen.
Insbesondere umfassen die ersten Daten und die zweiten Daten eine Geschwindigkeit, eine Beschleunigung, eine Distanz, ein bewegliches Objekt wie ein Kraftfahrzeug, einen Fußgänger, einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, eine Richtung, eine Winkel, einen Radius, einen Ort, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung, eine Jahreszeit.
Vorteilhafterweise werden als erste Daten und zweite Daten eine Relativgeschwindigkeit, eine Relativbeschleunigung und/oder eine Relativdistanz zwischen dem Kraftfahrzeug als Ego-Fahrzeug und einem anderen Target-Kraftfahrzeug ausgewählt.
Insbesondere ist der Sensor als Beschleunigungssensor, Geschwindigkeitssensor, Radarsystem, LIDAR-System zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kamera im sichtbaren Bereich, IR- und/oder UV-Bereich, GPS-Systeme, kapazitiver Sensor, induktiver Sensor, Niederschlagssensor und/oder Temperatursensor ausgebildet.
In einer vorteilhaften Ausführungsform ist vorgesehen, dass das Szenarienidentifikationsmodul eine Softwareapplikation zum Extrahieren und Klassifizieren der verschiedenen Szenarien und zum Bestimmen der Leistungsindikatoren aus den Daten der Sensorsignale der Sensoren und/oder der Daten aus virtuellen Messsignalen umfasst, wobei die Softwareapplikation Algorithmen der künstlichen Intelligenz verwendet.
In einer weiteren Ausführungsform ist vorgesehen, dass das Analysemodul für die Erstellung der Korrelationsmetrik und das Berechnen der Prädiktionskenngröße eine Softwareapplikation umfasst, wobei die Softwareapplikation Algorithmen der künstlichen Intelligenz verwendet.
Vorteilhafterweise umfassen die Algorithmen der künstlichen Intelligenz ein oder mehrere neuronale Netzwerke, wobei zumindest ein neuronales Netzwerk als gefaltetes neuronales Netzwerk (Convolutional Neural Network, CNN) oder rückgekoppeltes Netzwerk (Recurrent Neural Network, RNN) ausgebildet ist.
Gemäß einem zweiten Aspekt stellt die Erfindung ein System zur Prädiktion einer subjektiven gruppenspezifischen Bewertung eines ADAS/ADS-Systems und/oder einer automatisierten Fahrfunktion für ein Kraftfahrzeug, insbesondere zum Testen und Trainieren des ADAS/ADS-Systems und/oder der Fahrfunktion, bereit. Das System umfasst ein Eingabemodul, ein Szenarienidentifikationsmodul und ein Analysemodul, wobei das System ausgebildet ist, das Verfahren gemäß dem ersten Aspekt auszuführen.
In einer Weiterentwicklung ist vorgesehen, dass eine Gruppe der Nutzer durch ein oder mehrere Merkmale definiert ist.
In einer weiteren Ausführungsform ist vorgesehen, dass es sich bei den Merkmalen um messbare soziologische Merkmale wie beispielweise um eine Altersverteilung, bestimmte Wertvorstellungen, eine Genderzuordnung, eine soziale Lage und/oder eine nationale Zugehörigkeit handelt, die insbesondere bestimmte Zielgruppen für das ADAS/ADS-System und/oder die Fahrfunktion definieren.
Gemäß einem dritten Aspekt stellt die Erfindung ein Computerprogrammprodukt bereit, das einen ausführbaren Programmcode umfasst, der derart konfiguriert ist, dass er bei seiner Ausführung das Verfahren gemäß dem ersten Aspekt ausführt.
Nachfolgend wird die Erfindung anhand von in der Zeichnung dargestellten Ausführungsbeispielen näher erläutert.
Dabei zeigt:

1 ein Blockdiagramm zur Erläuterung eines Ausführungsbeispiels eines erfindungsgemäßen Systems;
2a eine schematische Darstellung eines ersten Korrelationsdiagramms;
2b eine schematische Darstellung eines zweiten Korrelationsdiagramms;
3 ein Flussdiagramm zur Erläuterung der einzelnen Verfahrensschritte eines erfindungsgemäßen Verfahrens;
4 ein Blockdiagramm eines Computerprogrammprodukt gemäß einer Ausführungsform des dritten Aspekts der Erfindung.

Zusätzliche Kennzeichen, Aspekte und Vorteile der Erfindung oder ihrer Ausführungsbeispiele werden in der nachfolgenden Beschreibung in Verbindung mit den Ansprüchen erläutert.
Moderne Fahrzeuge sind mit einer Vielzahl von Fahrerassistenzsystemen (engl. Advanced Driver Assistance System, ADAS) und hochautomatisierten Fahrfunktionen (eng. Automated Driving System, ADS) ausgestattet, um den Fahrer beim Fahren zu unterstützen und seine Sicherheit zu erhöhen. ADAS/ADS-Systeme unterstützen beispielsweise die Geschwindigkeits- und Abstandsregelung sowie Spurhalte- und Spurwechselfunktionen. Für das Testen, Trainieren und Absichern von ADAS/ADS-Systemen werden reale und zunehmend auch simulierte Verkehrsszenarien, die durch Programmierung erstellt werden, verwendet. Als Szenario wird im Rahmen der Erfindung ein Verkehrsgeschehen in einer zeitlichen Sequenz bezeichnet. Das Befahren einer Fahrstrecke mit einem Kraftfahrzeug ist somit als eine zeitliche Abfolge von verschiedenen Szenarien SZ₁, SZ₂, ...,SZ_n darstellbar. Ein Beispiel für ein Szenario ist das Befahren einer Autobahnbrücke, das Abbiegen auf einer Abbiegespur, das Durchfahren eines Tunnels, das Einbiegen in einen Kreisverkehr oder das Halten vor einem Fußgängerübergang. Darüber hinaus können spezifische Sichtverhältnisse beispielsweise aufgrund der Dämmerung oder einer hohen Sonnenlichteinstrahlung sowie Umweltbedingungen wie das Wetter und die Jahreszeit, das Verkehrsaufkommen sowie bestimmte geographische topographische Verhältnisse ein Szenario beeinflussen. Beispielsweise kann ein Überholvorgang als ein Szenario beschrieben werden, bei dem ein erstes Kraftfahrzeug sich zunächst hinter einem anderen Kraftfahrzeug befindet, dann einen Spurwechsel auf die andere Fahrbahn durchführt und die Geschwindigkeit erhöht, um das andere Kraftfahrzeug zu überholen. Ein derartiges Szenario wird auch als Cut-In-Szenario bezeichnet. Die Menge von Szenarien, die in der Fahrumgebung des Kraftfahrzeugs auftreten können und die von einem ADAS/ADS-System korrekt erkannt und verarbeitet werden müssen, wird durch eine Operational Design Domain (ODD) dargestellt. Dazu gehören sowohl alltägliche Fahrszenarien als auch sehr selten auftretende Corner Cases.
Die Funktionsfähigkeit und der Komfort von ADAS/ADS-Systemen wird jedoch von verschiedenen Fahrzeugnutzern unterschiedlich beurteilt. Dies kann sich beispielsweise auf Vorlieben des Fahrstils wie sportlich oder eher defensiv oder das subjektive Sicherheitsbedürfnis beziehen, woraus sich wiederum unterschiedliche Einschätzungen und Bewertungen der Performance eines ADAS/ADS-Systems in einem bestimmten Szenario ergeben. Um diese unterschiedlichen Präferenzen von Fahrzeugnutzern zu klassifizieren, gibt es verschiedene Modelle. Hinsichtlich verschiedener Zielgruppen in einer Gesellschaft ist das SINUS-Modell ein bekanntes Beispiel, bei dem Menschen mit ähnlichen Werten und einer vergleichbaren sozialen Lage in einem sogenannten Sinus-Milieu^® zusammengefasst werden (www.sinus-institut.de). Für die Entwicklung von sicherheitsrelevanten Aspekten eines ADAS/ADS-Systems ist es daher wichtig, die Erwartungen und Präferenzen der verschiedenen gesellschaftlichen bzw. länderspezifischen Nutzergruppen zu kennen, um für diese Nutzergruppen passende technische Lösungen hinsichtlich der Performance von ADAS/ADS-Systemen anbieten zu können, damit diese dann auch tatsächlich von Fahrzeugnutzern eingesetzt werden.
Um die möglichen subjektiven Bewertungen von Fahrzeugnutzern aus unterschiedlichen gesellschaftlichen bzw. länderspezifischen Zielgruppen hinsichtlich der Leistungs- und Funktionsfähigkeit von ein oder mehreren Fahrfunktionen eines ADAS/ADS-Systems vorausschauend abschätzen zu können, stellt die Erfindung ein in der 1 dargestelltes System 100 zur Prädiktion von gruppenspezifischen Bewertungen eines ADAS/ADS-Systems bereit.
Das erfindungsgemäße System 100 umfasst ein Kraftfahrzeug 10 mit einem ADAS/ADS-System 20 und/oder ein oder mehrere Fahrfunktionen 25, ein Eingabemodul 200, ein Szenarienidentifikationsmodul 300 und ein Analysemodul 400.
Das Eingabemodul 200, das Szenarienidentifikationsmodul 300 und das Analysemodul 400 können jeweils mit einem Prozessor und/oder einer Speichereinheit versehen sein und als selbstständige Rechnereinheiten oder als cloudbasierte Lösung ausgebildet sein. Insbesondere können das Szenarienidentifikationsmodul 300 und das Analysemodul 400 in einer Cloud-Computing-Infrastruktur 800 integriert sein.
Unter einem „Modul“ kann im Zusammenhang mit der Erfindung beispielsweise ein Prozessor und/oder eine Speichereinheit zum Speichern von Programmbefehlen verstanden werden. Beispielsweise ist der Prozessor speziell dazu eingerichtet, die Programmbefehle derart auszuführen, damit der Prozessor und/oder die Steuereinheit Funktionen ausführt, um das erfindungsgemäße Verfahren oder einen Schritt des erfindungsgemäßen Verfahrens zu implementieren oder realisieren.
Unter einem „Prozessor“ kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrocontroller, beispielsweise eine anwendungsspezifische integrierte Schaltung oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, etc. handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor, eine virtuelle Maschine oder eine Soft-CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit Konfigurationsschritten zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet wird oder mit Konfigurationsschritten derart konfiguriert ist, dass der programmierbare Prozessor die erfindungsgemäßen Merkmale des Verfahrens, des Systems, der Module, oder anderer Aspekte und/oder Teilaspekte der Erfindung realisiert. Insbesondere kann der Prozessor hochparallele Recheneinheiten und leistungsfähige Grafikmodule enthalten.
Unter einer „Speichereinheit“ oder „Speichermodul“ und dergleichen kann im Zusammenhang mit der Erfindung beispielsweise ein flüchtiger Speicher in Form eines Arbeitsspeichers (engl. Random-Access Memory (RAM)) oder ein dauerhafter Speicher wie eine Festplatte oder ein Datenträger oder z. B. ein wechselbares Speichermodul verstanden werden. Es kann sich bei dem Speichermodul aber auch um eine cloudbasierte Speicherlösung handeln.
Das Kraftfahrzeug 10 ist mit Sensoren 30 verbunden, die erste Daten 220 in Form von Messsignalen und Bildern von der Umgebung des Kraftfahrzeugs 10 und dem Verhalten des Kraftfahrzeugs 10 bzw. des ADAS/ADS-Systems 20 entlang einer Teststrecke aufnehmen. Ein oder mehrere der Sensoren 30 sind insbesondere als Radarsystem mit einem oder mehreren Radarsensor(en), LIDAR-System zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kamera im sichtbaren Bereich, aber auch im IR- und/oder UV-Bereich, und/oder als GPS-System ausgebildet. Des Weiteren kann zumindest ein Beschleunigungssensor, ein Geschwindigkeitssensor, ein Drehzahlsensor, ein kapazitiver Sensor, ein induktiver Sensor, ein Niederschlagssensor und/oder ein Temperatursensoren, etc. vorgesehen sein.
Beim Befahren der Teststrecke auf einem Prüfgelände oder im realen Straßenverkehr bewegt sich das Kraftfahrzeug 10 durch eine Vielzahl von verschiedenen Szenarien SZ_i unter Verwendung des ADAS/ADS-Systems 20 und/oder einer Fahrfunktion 25. Die Messsignale werden während des Befahrens des Kraftfahrzeugs 10 entlang der Fahrstrecke in einer zeitlichen Sequenz aufgenommen und repräsentieren Messergebnisse von Eigenschaften des Kraftfahrzeugs 10 und der Umgebung. Unter „Daten“ sind im Zusammenhang mit der Erfindung sowohl Rohdaten als auch bereits aufbereitete Daten zu verstehen.
Es kann sich aber auch um eine virtuelle Simulation einer Testfahrt beispielsweise in einem Fahrsimulator handeln, bei der zweite Daten 230 von virtuellen Messsignalen hinsichtlich des Verhaltens eines virtuellen Kraftfahrzeugs 10 bzw. des ADAS/ADS-Systems 20 generiert werden. Hierzu ist ein Simulationsmodul 50 vorgesehen, das ein oder mehrere Softwareapplikationen zur Erstellung einer Simulationsumgebung und/oder einen Fahrsimulator zum Testen von simulierten Szenarien SZ_i durch einen Nutzer umfasst.
Zudem werden während des Befahrens der realen Teststrecke oder während der Durchführung einer Simulation von einem Nutzer weitere Daten hinsichtlich einer Bewertung des Verhaltens des ADAS/ADS-Systems 20 bzw. einer Fahrfunktion 25 bei einem bestimmten Szenario SZ_i in Form eines subjektiven Bewertungsindex 240 erzeugt. Hierzu ist eine Benutzerschnittstelle 210 vorgesehen, auf der beispielsweise ein Fragebogen für den Nutzer angezeigt werden kann. Die Benutzerschnittstelle 210 ist zur Eingabe und Generierung von Daten wie Textnachrichten, Sprachnachrichten, audiovisuellen Nachrichten, Bildern, Graphiken, Diagrammen, etc. ausgebildet und kann in einem Computer, einem Tablet, einem Smartphone, etc. integriert sein. Für die Eingabe der Daten sind insbesondere eine Tastatur, ein Mikrofon, eine Kamera und/oder ein als Touchscreen ausgebildetes Display vorgesehen.
Erfindungsgemäß ist dabei vorgesehen, dass ein Nutzer des Kraftfahrzeugs 10 oder einer Fahrsimulation einer bestimmten Gruppe G_i zugeordnet werden kann, wobei eine Gruppe Gi durch die Kombination verschiedener Merkmale F₁, F₂, ..., F_n definiert wird. Bei den Merkmalen F_i, die eine Gruppe G_i beschreiben, handelt es sich insbesondere um messbare soziologische Merkmale wie beispielweise um eine Altersverteilung, bestimmte Wertvorstellungen, eine Genderzuordnung, eine soziale Lage und/oder eine nationale Zugehörigkeit. Ein Beispiel für verschiedene soziologische Gruppen sind die Sinus-Milieus^®, wie sie vom Sinus Institut erstellt werden (www.sinus-institut.de). Im Rahmen der Erfindung werden somit verschiedene Nutzergruppen definiert, die insbesondere als Zielgruppen für ein ADAS/ADS-System 20 eine wichtige Rolle spielen. So kann beispielsweise eine erste Gruppe G₁ Personen in Deutschland im Alter von 30 bis 50 Jahre und eine zweite Gruppe G₂ Personen in den USA mit der gleichen Altersverteilung umfassen. Eine dritte Gruppe G₃ kann Personen in Deutschland im Alter von 50 bis 65 Jahren beinhalten. Es können somit durch Variation von Merkmalen F_i eine Vielzahl von Gruppen G_i gebildet werden sowohl für verschiedene Länder als auch für unterschiedliche Zielgruppen in einem Land. Erfindungsgemäß werden für die verschiedenen Gruppen G_i jeweils Prädiktionskenngrößen bezogen auf ein bestimmtes Szenario SZ_i berechnet, das von dem Kraftfahrzeug 10 mit dem jeweils betrachteten ADAS/ADS-System 20 durchfahren wird bzw. in einer Simulation virtuell erstellt wird. Diese Prädiktionskenngrößen werden für das Training von auf maschinellem Lernen basierenden Modellen von ADAS/ADS-Systemen 20 und/oder Fahrfunktionen 25 verwendet.
Die gruppenspezifische Bewertung der Leistungsfähigkeit eines ADAS/ADS-Systems 20 und/oder einer Fahrfunktion 25 erfolgt erfindungsgemäß auf der Basis von realen oder simulierten Szenarien SZ_i, die während des Testens und Erprobens des ADAS/ADS-Systems 20 entlang einer Fahrstrecke auftreten bzw. durch eine Simulation erstellt werden. Ein Szenario SZ_i wird durch die ersten Daten 220 bzw. die zweiten Daten 230 bestimmt. Die ersten Daten 220 und die zweiten Daten 230 beziehen sich insbesondere auf physikalische Größen wie ein Drehmoment, eine Drehzahl, eine Spannung, eine Stromstärke, eine Beschleunigung, eine Geschwindigkeit, einen Bremswert, eine Richtung, einen Winkel oder einen Radius. Des Weiteren können die ersten Daten 220 und die zweiten Daten 230 weitere Merkmale und Eigenschaften eines Szenarios SZ_i wie beispielsweise einen Ort, eine Zahl, ein bewegliches Objekt wie ein Kraftfahrzeug, eine Person oder einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude oder einen Baum, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung und/oder eine Jahreszeit umfassen.. Ein Beispiel für erfasste Daten 220, 230 ist die Geschwindigkeit des Kraftfahrzeugs 10 bei dem Szenario „Überholmanöver“,
Für die Ermittlung von objektiven Prädiktionskenngrößen zur Prädiktion einer subjektiven gruppenspezifischen Bewertung eines ADAS/ADS-Systems 20 und/oder einer Fahrfunktion 25 ist insbesondere die Erfassung einer Relativgeschwindigkeit, einer Relativbeschleunigung und/oder einer Relativdistanz zwischen dem Kraftfahrzeug 10 als Ego-Kraftfahrzeug und einem anderen Target-Kraftfahrzeug von Interesse, da diese Messgrößen bei wichtigen Testszenarien wie Überholmanövern und Abbiegungsmanövern eine entscheidende Rolle spielen.
Die Vielzahl der Fahrstrecken umfasst somit unterschiedliche Szenarien SZ₁, SZ₂, ..., SZ_n und die Fahrstrecken werden von zumindest einem Nutzer aus einer bestimmten definierten Gruppe G_i mit dem Kraftfahrzeug 10 real bzw. in einer Simulationsumgebung abgefahren. Während des realen bzw. simulierten Befahrens der jeweiligen Fahrstrecke kann der Nutzer auf einer Bewertungsskala, die beispielsweise zwischen 1 und 10 liegt, seine persönliche subjektive Bewertung in Form eines Bewertungsindex 240 angeben mittels der Benutzerschnittstelle 210.Es können auch mehrere Bewertungsindizes 240 zu unterschiedlichen Kriterien wie Komfort oder Sicherheit für ein Szenario SZ_i angegeben werden. Die Eingabe kann beispielsweise manuell per Touch-Screen oder akustisch mithilfe eines Mikrofons erfolgen. Die Eingabe der Bewertungsindizes 240 erfolgt möglichst zeitgleich während oder kurz nach dem Durchfahren eines Szenarios SZ_i, so dass eine Zuordnung zwischen einem bestimmten Szenario SZ_i und den Bewertungsindizes 240 eindeutig ist. Es kann aber auch vorgesehen sein, eine Bewertung erst nach der Fahrt für ein bestimmtes ausgewähltes Szenario SZ_i beispielsweise mittels eines Fragebogens zu erfassen. Vorteilhaftweise werden jedoch die Bewertungen von dem Nutzer des Kraftfahrzeugs 10 während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen in einer zeitlichen Sequenz ausgewählt.
Da die Fahrstrecken von Fahrzeugnutzern aus verschiedenen Gruppen G_i abgefahren werden, die sich hinsichtlich ihrer Präferenzen unterscheiden, liegen somit zu einem Szenario SZ_i gruppenspezifische Bewertungen vor, da Nutzer aus verschiedenen Gruppen G_i jeweils ein sich unterscheidendes subjektives Empfinden entwickeln hinsichtlich der Bewertung der Höhe einer Messgröße wie beispielsweise einer Relativgeschwindigkeit eines Kraftfahrzeugs bei einem Überholmanöver. Für einen Nutzer aus einer ersten Gruppe G₁ wird eine hohe Relativgeschwindigkeit zu einem anderen Kraftfahrzeug als angenehm und aufregend empfunden, während sie für einen Nutzer aus einer zweiten Gruppe G₂ bereits unangenehm ist und sein Sicherheitsbedürfnis möglicherweise beeinträchtigt. Zwar weisen die Bewertungen der Nutzer innerhalb einer Gruppe G_i eine gewisse Varianz auf, aber mit dem erfindungsgemäßen Verfahren kann nachgewiesen werden, dass es typische gruppenspezifische Bewertungen eines ADAS/ADS-Systems 20 und/oder einer Fahrfunktion 25 gibt, die sich deutlich voneinander unterscheiden.
Das Ergebnis nach dem Befahren einer Teststrecke ist somit ein Datensatz mit gemessenen ersten Daten 220 der Sensoren 30 und/oder zweiten Daten 230 mit virtuellen Messsignalen für eine Vielzahl von Szenarien SZ_i sowie subjektive Bewertungsindizes 240 von verschiedenen Fahrzeugnutzern aus verschiedenen Gruppen G_i zu verschiedenen Aspekten wie Komfort, Sicherheitsempfinden, etc. für die Vielzahl der verschiedenen Szenarien SZ_i.
Die Daten 220 von den Messsignalen der Sensoren 30 und die Daten 230 können direkt an das Eingabemodul 200 weitergegeben werden oder sie werden in einer Datenbank 40 gespeichert. Das Eingabemodul 200 weist zudem die Benutzerschnittstelle 210 auf bzw. ist mit der Benutzerschnittstelle 210 insbesondere über eine Mobilfunkverbindung verbunden. Die Datenbank 40 kann zudem weitere Informationen in Form von Bildern, Graphiken, Zeitreihen, Kennzahlen, Zielwerte, etc. beinhalten, die von dem Eingabemodul 200 abgerufen werden können. Unter „Datenbank“ ist sowohl ein Speicheralgorithmus als auch die Hardware in Form einer Speichereinheit zu verstehen. Insbesondere kann die Datenbank 40 als Cloud-Computing-Infrastruktur 800 ausgebildet sein bzw. in der Cloud-Computing-Infrastruktur 800 integriert sein. Die Datenbank 40 ist ebenfalls mit dem Eingabemodul 200 verbunden, so dass die gespeicherten Daten 220, 230 an das Eingabemodul 200 weitergegeben werden können.
Die von dem Eingabemodul 200 generierten Daten 220, 230 und die Bewertungsindizes 240 werden mittels einer Kommunikationsverbindung an das Szenarienidentifikationsmodul 300 weitergeleitet. Insbesondere ist eine drahtlose Verbindung vorgesehen, die als Mobilfunkverbindung und/oder einer Nahfeldkommunikationsverbindung wie Bluetooth^®, Ethernet, NFC (near field communication) oder Wi-Fi® ausgebildet sein kann. Insbesondere kann die Mobilfunkverbindung als Mobilfunkstandard 5G oder 6G verwenden, da hierdurch die von dem Eingabemodul 200 bereitgestellten Daten 220, 230 und die Bewertungsindizes 240 in Echtzeit an das in der Cloud-Computing-Infrastruktur 800 integrierte Szenarienidentifikationsmodul 300 bzw. Analysemodul 400 gesendet werden können.
5G ist der Mobilfunkstandard der fünften Generation und zeichnet sich im Vergleich zum 4G-Mobilfunkstandard durch höhere Datenraten bis zu 10 Gbit/sec, der Nutzung höherer Frequenzbereiche wie beispielsweise 2100, 2600 oder 3600 Megahertz, eine erhöhte Frequenzkapazität und damit einen erhöhten Datendurchsatz und eine Echtzeitdatenübertragung aus, da bis zu eine Million Geräte pro Quadratkilometer gleichzeitig ansprechbar sind. Die Latenzzeiten betragen wenige Millisekunden bis unter 1 ms, so dass Echtzeitübertragungen von Daten und von Berechnungsergebnissen möglich sind. Diese Geschwindigkeit bei der Datenübermittlung ist sinnvoll, wenn cloudbasierte Lösungen für die Verarbeitung der Daten verwendet werden sollen. Zudem können für den Datentransfer für die Verbindung zwischen dem Eingabemodul 200 und dem Szenarienidentifikationsmodul 300 sowie zwischen weiteren Modulen des erfindungsgemäßen Systems 100 kryptographische Verschlüsselungsverfahren vorgesehen.
Aus den gemessenen ersten Daten 220 und den zweiten Daten 230 identifiziert das Szenarienidentifikationsmodul 300 mittels einer Softwareapplikation 320 reale oder simulierte Szenarien SZ_i. und verschiedene Kennwerte von Leistungsindikatoren (engl. Key-Performance-Indicator, KPI) zur Bewertung der Leistungs- und Funktionsfähigkeit von ein oder mehreren Funktionen bzw. der Gesamtperformance eines Fahrerassistenzsystems (ADAS) bzw. eines automatisierten Fahrsystems (ADS) jeweils für die verschiedenen Szenarien SZ₁, SZ₂, ..., SZ_n. KPI-Kennwerte dienen zur Beschreibung der Leistung eines zu testenden ADAS/ADS-Systems, wobei für verschiedene Bewertungskategorien wie Komfort, Sicherheit, Natürlichkeit des Fahrens und Effizienz unterschiedliche KPIs festgelegt werden. Zusätzlich können weitere KPI-Kennwerte implementiert werden, um die korrekte Funktionalität des zu testenden ADAS/ADS-Systems zu verifizieren. Beispiele für KPI-Kennwerte sind die Bewertung einer minimalen Distanz zu einem anderen Fahrzeug, eine mittlere Beschleunigung bei einem Verzögerungsszenario, ein maximaler bzw. mittlerer Ruck bei einem Abbremsvorgang, eine Zeitlücke zu einem vorausfahrenden Fahrzeug bei einem Überholvorgang. Die KPI-Kennwerte werden insbesondere als numerische Zahlen, beispielsweise auf einer Skala von 1 bis 10, dargestellt.
Die identifizierten Szenarien SZ_i und die Leistungsindikatoren (KPIs) werden von dem Szenarienidentifikationsmodul 300 an das Analysemodul 400 weitergegeben. Wie in den 2a und 2b dargestellt, verknüpft das Analysemodul 400 nun die Bewertungen von Nutzern einer ersten Gruppe G₁ in Form der auf einer Skala von 1 bis 10 abgegebenen Bewertungsindizes 240 mit den Leistungsindikatoren (KPIs) für die verschiedenen konkreten Ausgestaltungen eines Szenarios SZ_i.. So kann beispielsweise ein KPI-Kennwert, der sich auf eine hohe Geschwindigkeit des Ego-Kraftfahrzeugs 10 bei dem Szenario „Überholmanöver“ bezieht, von einem Nutzer aus der ersten Gruppe G₁ einen hohen subjektiven Bewertungsindex 240 erhalten, da er eine hohe Geschwindigkeit als angenehm empfindet, während von einem anderen Nutzer aus der zweiten Gruppe G₂ für den gleichen Leistungsindikator ein wesentlich geringerer subjektiver Bewertungsindex 240 abgegeben wird, da möglicherweise sein Sicherheitsbedürfnis höher ist.
Es ergibt sich somit eine Korrelationsmetrik 450 zwischen den verschiedenen gruppenspezifischen Bewertungsindizes 240 und den KPI-Kennwerten für das jeweils ausgewählte Szenario SZ_i. Die Korrelationsmetrik 450 spiegelt somit die Korrelation zwischen bestimmten KPI-Kennwerten eines Szenarios SZ_i zu einer gruppenspezifischen Bewertung wider. Mittels dieser Korrelationsmetrik 450 berechnet das Analysemodul 400 nun eine Prädiktionskenngröße 470 zur Prädiktion einer subjektiven gruppenspezifischen Bewertung eines ADAS/ADS-Systems 20 und/oder einer Fahrfunktion 25 für das jeweilige ausgewählte Szenario SZ_i. Eine solche Prädiktionskenngröße 470 kann für eine große Vielfalt von Szenarien SZ₁, SZ₂, ..., SZ_n berechnet werden, so dass aus diesen Prädiktionskenngrößen 470 insgesamt eine objektive Vorhersage abgeleitet werden kann, ob ein bestimmtes ADAS/ADS-System 20 und/oder eine bestimmte Fahrfunktion 25 die Erwartungen von Nutzern aus einer bestimmten Gruppe G_i erfüllt. Die Werte der Prädiktionskenngröße 470 können sich beispielsweise auf einer Skala von 0 bis 1 bewegen und die zunehmende Akzeptanz für ein ADAS/ADS-System 20 und/oder eine Fahrfunktion wiedergeben. Es sind im Rahmen der Erfindung aber weitere Darstellungen der Prädiktionskenngröße 470 möglich, wobei die Prädiktionskenngröße 470 auch als Diagramm oder Matrix darstellbar ist.
Für die Identifikation der Szenarien SZ_i verwendet das Extraktionsmodul 300 eine Softwareapplikation 320, die insbesondere Algorithmen der künstlichen Intelligenz wie neuronale Netzwerke umfasst. Ebenso verwendet das Analysemodul 400 für die Erstellung der Korrelationsmetrik 450 und der Berechnung der Prädiktionskenngrößen 470 eine Softwareapplikation 420, die ebenfalls insbesondere Algorithmen der künstlichen Intelligenz wie beispielsweise neuronale Netzwerke umfasst.
Ein neuronales Netzwerk besteht aus Neuronen, die in mehreren Schichten angeordnet und unterschiedlich miteinander verbunden sind. Ein Neuron ist in der Lage, an seinem Eingang Informationen von außerhalb oder von einem anderen Neuron entgegenzunehmen, die Information in einer bestimmten Art zu bewerten und sie in veränderter Form am Neuronen-Ausgang an ein weiteres Neuron weiterzuleiten oder als Endergebnis auszugeben. Hidden-Neuronen sind zwischen den Input-Neuronen und Output-Neuronen angeordnet. Je nach Netzwerktyp können mehrere Schichten von Hidden-Neuronen vorhanden sein. Sie sorgen für die Weiterleitung und Verarbeitung der Informationen. Output-Neuronen liefern schließlich ein Ergebnis und geben dieses an die Außenwelt aus. Durch die Anordnung und die Verknüpfung der Neuronen entstehen verschiedene Typen von neuronalen Netzwerken wie tiefe neuronale Netzwerke, gefaltete neuronale Netzwerke (engl. Convolutional Neural Network, CNN) oder rückgekoppelte Netzwerke (engl. Recurrent Neural Network, RNN).
Das Convolutional Neural Network ist eine besondere Form eines künstlichen neuronalen Netzwerks. Es besitzt mehrere Faltungsschichten und ist für maschinelles Lernen und Anwendungen mit Künstlicher Intelligenz (KI) im Bereich der Mustererkennung sehr gut geeignet. Die einzelnen Schichten des CNN sind die Convolutional-Schicht, die Pooling-Schicht und die vollständig verknüpfte Schicht. Die Convolutional-Schicht ist die eigentliche Faltungsebene und in der Lage, in den Eingabedaten einzelne Merkmale zu erkennen und zu extrahieren. Bei der Muster- und Bilderkennung können dies Merkmale wie Linien, Kanten oder bestimmte Formen sein. Die Verarbeitung der Eingabedaten erfolgt in Form von Tensoren wie einer Matrix oder Vektoren. Die Pooling-Schicht, auch Subsampling-Schicht genannt, verdichtet und reduziert die Auflösung der erkannten Merkmale durch passende Filterfunktionen. Durch das reduzierte Datenaufkommen erhöht sich die Berechnungsgeschwindigkeit. Ebenfalls stark verkürzt ist die Trainingszeit des Convolutional Neural Networks. Mit dem Einsatz moderner Grafikprozessoren lassen sich CNNs sehr effizient trainieren.
Die berechneten Prädiktionskenngrößen 470 können von einem Ausgabemodul 500 ausgegeben werden, wobei das Ausgabemodul 500 in einem Hardwaregerät wie einem Computer, einem Tablet, einem Smartphone, etc. integriert sein kann. Insbesondere kann vorgesehen sein, dass das Hardwaregerät für das Eingabemodul 200 und das Ausgabemodul 500 identisch sind.
Des Weiteren kann vorgesehen sein, dass die Prädiktionskenngrößen 470 direkt an ein Trainingsmodul 700 mit einer Simulationssoftware für das ADAS/ADS-System 20 und/oder der Fahrfunktion 25 weiterzuleiten. Die Simulationssoftware ist dazu ausgebildet, das ADAS/ADS-System 20 und/oder die Fahrfunktion 25 zu simulieren und umfasst Algorithmen der künstlichen Intelligenz. Mittels der berechneten Prädiktionskenngrößen 470 können Applikationsparameter des ADAS/ADS-System 20 und/oder die Fahrfunktion 25 durch Testen und Trainieren an die Erwartungen der verschiedenen Gruppen G_i angepasst werden.
Für die Durchführung der Rechenoperationen des Szenarienidentifikationsmoduls 300 und des Analysemoduls 400 ist insbesondere die Cloud-Computing-Infrastruktur 800 sinnvoll. Hierdurch kann eine schnelle Berechnung gewährleistet werden, da cloudbasierte Lösungen den Vorteil von hohen und damit schnellen Rechenleistungen bieten.
In der 3 sind die Verfahrensschritte zur Prädiktion einer gruppenspezifischen Bewertung eines ADAS/ADS-Systems 20 und/oder einer automatisierten Fahrfunktion 25 für ein Kraftfahrzeug 10, insbesondere zum Testen und Trainieren des ADAS/ADS-Systems 20 und/oder der Fahrfunktion25, dargestellt.
In einem Schritt S10 werden erste Daten 220 aus Sensorsignalen zumindest eines Sensors 30 bereitgestellt, wobei die Sensorsignale während des Befahrens des Kraftfahrzeugs 10 entlang zumindest einer Fahrstrecke mit verschiedenen Szenarien SZ_i in einer zeitlichen Sequenz von dem Sensor 30 aufgenommen werden.
In einem Schritt S20 werden vorteilhaftweise zweite Daten 230 aus mittels eines Simulationsmoduls 50 erstellten virtuellen Messignalen von simulierten Szenarien SZ_i bereitgestellt.
In einem Schritt S30 werden subjektive Bewertungsindizes 240 von einer Mehrzahl von Nutzern aus verschiedenen Gruppen G_i für zumindest ein ausgewähltes Szenario SZ_i, das von dem Kraftfahrzeug 10 entlang der Fahrstrecke durchfahren und/oder simuliert wurde, bereitgestellt.
In einem Schritt S40 werden Szenarien SZ_i und Leistungsindikatoren (KPIs) aus den Daten 220, 230 identifiziert.
In einem Schritt S50 wird zumindest eine Korrelationsmetrik 450 zwischen den verschiedenen subjektiven Bewertungsindizes 240 und den Leistungsindikatoren für das ausgewählte Szenario SZ_i für zumindest eine Gruppe von Nutzern erstellt.
In einem Schritt S60 wird zumindest eine Prädiktionskenngröße 470 zur Prädiktion einer gruppenspezifischen Bewertung des ADAS/ADS-Systems 20 und/oder der Fahrfunktion 25 mittels der Korrelationsmetrik 450 für das ausgewählte Szenario SZ_i berechnet.
4 stellt schematisch ein Computerprogrammprodukt 900 dar, das einen ausführbaren Programmcode 950 umfasst, der konfiguriert ist, um das Verfahren gemäß dem ersten Aspekt der vorliegenden Erfindung auszuführen, wenn es ausgeführt wird.
Durch die vorliegende Erfindung können Prädiktionskenngrößen für eine zu erwartende Akzeptanz und Bewertung von Nutzern aus unterschiedlichen Zielgruppen hinsichtlich der Leitungsfähigkeit und Funktionsfähigkeit eines ADAS/ADS-Systems und/oder einer Fahrfunktion mittels einer Korrelationsmetrik, die Messergebnisse von Sensoren zu verschiedenen Szenarien und gruppenspezifische Bewertungsangaben von Nutzern aus verschiedenen Zielgruppen verwendet, objektiv berechnet werden. Durch die Kenntnis einer zu erwartenden Akzeptanz von Nutzern unterschiedlicher Zielgruppen werden die Einsatzmöglichkeiten von ADAS/ADS-Systemen erhöht, da diese objektiv für spezifische Nutzergruppen an deren Erwartungen angepasst werden können und damit die Wahrscheinlichkeit des Einsatzes eines ADAS/ADS-Systems durch einen Nutzer der jeweiligen Zielgruppe deutlich erhöht wird. Dies gilt insbesondere für länderspezifische Erwartungen, da durch die jeweiligen ländertypischen Verkehrsverhältnisse sich bei den Nutzern entsprechende Erwartungshaltungen an die Funktionsweise eines ADAS/ADS-Systems ausgebildet haben. Oftmals sind diese Erwartungshaltungen für die Nutzer so selbstverständlich, so dass sie nicht direkt kommuniziert werden und erst durch das erfindungsgemäße Verfahren offenbar werden. Die Kenntnis von Erwartungshaltungen eröffnet somit die Möglichkeit, Applikationsparameter eines ADAS/ADS-Systems bereits während der Entwicklungsphase an die gruppenspezifischen Bedürfnisse anzupassen und mittels Simulationsverfahren zu testen. Insgesamt kann hierdurch die Sicherheit im Straßenverkehr erhöht werden, da das Vertrauen in die Einsatzfähigkeit eines ADAS/ADS-Systems dazu führt, dass das ADAS/ADS-System von einem Nutzer auch benutzt wird.
Bezugszeichen

10: Kraftfahrzeug
20: Fahrerassistenzsystem
25: Fahrfunktion
30: Sensor
40: Datenbank
50: Simulationsmodul
100: System
200: Eingabemodul
210: Benutzerschnittstelle
220: erste Daten
230: zweite Daten
240: Bewertungsindex
300: Szenarienidentifikationsmodul
320: Softwareapplikation
400: Analysemodul
420: Softwareapplikation
450: Korrelationsmetrik
470: Prädiktionskenngröße
500: Ausgabemodul
700: Trainingsmodul
720: Softwareapplikation
800: Cloud-Computing-Infrastruktur
900: Computerprogrammprodukt
950: Programmcode

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

EP 3693243 A1 [0007]
WO 2018232237 A1 [0008]
WO 2021070737 A1 [0009]
WO 2020119004 A1 [0010]
EP 3866044 A2 [0011]

Claims

Verfahren zur Prädiktion einer gruppenspezifischen Bewertung eines ADAS/ADS-Systems (20) und/oder einer automatisierten Fahrfunktion (25) für ein Kraftfahrzeug (10), insbesondere zum Testen und Trainieren des ADAS/ADS-Systems (20) und/oder der Fahrfunktion (25); umfassend: - Bereitstellen (S10) von ersten Daten (220) aus Sensorsignalen zumindest eines Sensors (30), wobei die Sensorsignale während des Befahrens des Kraftfahrzeugs (10) entlang zumindest einer Fahrstrecke mit verschiedenen Szenarien (SZ_i) in einer zeitlichen Sequenz von dem Sensor (30) aufgenommen werden, und/oder - Bereitstellen (S20) von zweiten Daten (230) aus mittels eines Simulationsmoduls (50) erstellten virtuellen Messignalen von simulierten Szenarien (SZ_i); - Bereitstellen (S30) von subjektiven Bewertungsindizes (240) von einer Mehrzahl von Nutzern aus verschiedenen Gruppen (G_i) für zumindest ein ausgewähltes Szenario (SZ_i), das von dem Kraftfahrzeug (10) entlang der Fahrstrecke durchfahren und/oder simuliert wurde; - Identifizieren (S40) von Szenarien (SZ_i) und Leistungsindikatoren (KPIs) aus den Daten (220, 230); - Erstellen (S50) zumindest einer Korrelationsmetrik (450) zwischen den verschiedenen Bewertungsindizes (240) und den Kennwerten zumindest eines Leistungsindikators für das ausgewählte Szenario (SZ_i) für zumindest eine Gruppe von Nutzern; - Berechnen (S60) zumindest einer Prädiktionskenngröße (470) zur Prädiktion einer gruppenspezifischen Bewertung des ADAS/ADS-Systems (20) und/oder der Fahrfunktion (25) mittels der Korrelationsmetrik (450) für das ausgewählte Szenario (SZ_i).
Verfahren nach Anspruch 1, wobei eine Gruppe (G_i) der Nutzer durch ein oder mehrere Merkmale (F_i) definiert ist.
Verfahren nach Anspruch 2, wobei es sich bei den Merkmalen (F_i) um messbare soziologische Merkmale wie beispielweise um eine Altersverteilung, bestimmte Wertvorstellungen, eine Genderzuordnung, eine soziale Lage und/oder eine nationale Zugehörigkeit handelt, die insbesondere bestimmte Zielgruppen für das ADAS/ADS-System (20) und/oder die Fahrfunktion (25) definieren.
Verfahren nach einem der Ansprüche 1 bis 3, wobei die Bewertungsindizes (240) von einem Nutzer des Kraftfahrzeugs (10) aus einer Gruppe (G_i) während des Befahrens der jeweiligen Fahrstrecke nach seinem subjektiven Empfinden parallel zu den Sensorsignalen in einer zeitlichen Sequenz ausgewählt werden und/oder nach dem Befahren der jeweiligen Fahrstrecke insbesondere mittels eines Fragebogens angegeben werden.
Verfahren nach einem der Ansprüche 1 bis 4, wobei die Prädiktionskenngrößen (470) an ein Trainingsmodul (700) mit einer Simulationssoftware (720) für das ADAS/ADS-System (20) und/oder die Fahrfunktion (25) weitergeleitet werden, wobei die Simulationssoftware (720) dazu ausgebildet ist, durch Testen und Trainieren das ADAS/ADS-System (20) und/oder die Fahrfunktion (25) an die Erwartungen der Nutzer der verschiedenen Gruppen (G_i) anzupassen.
Verfahren nach einem der Ansprüche 1 bis 5, wobei die ersten Daten (220) und die zweiten Daten (230) eine Geschwindigkeit, eine Beschleunigung, eine Distanz, ein bewegliches Objekt wie ein Kraftfahrzeug, einen Fußgänger, einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, eine Richtung, eine Winkel, einen Radius, einen Ort, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung, eine Jahreszeit, etc. umfassen.
Verfahren nach Anspruch 6, wobei als erste Daten (220) und zweite Daten (230) eine Relativgeschwindigkeit, eine Relativbeschleunigung und/oder eine Relativdistanz zwischen dem Kraftfahrzeug (10) als Ego-Fahrzeug und einem anderen Target-Kraftfahrzeug ausgewählt werden.
Verfahren nach einem der Ansprüche 1 bis 7, wobei der Sensor (30) als Beschleunigungssensor, Geschwindigkeitssensor, Radarsystem, LIDAR-System zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kamera im sichtbaren Bereich, IR- und/oder UV-Bereich, GPS-Systeme, kapazitiver Sensor, induktiver Sensor, Niederschlagssensor und/oder Temperatursensor ausgebildet ist.
Verfahren nach einem der Ansprüche 1 bis 8, wobei das Szenarienidentifikationsmodul (300) eine Softwareapplikation (320) zum Extrahieren und Klassifizieren der verschiedenen Szenarien (SZ_i) und zum Bestimmen der Leistungsindikatoren (KPIs) aus den Daten (220) der Sensorsignale der Sensoren (30) und/oder der Daten (230) aus virtuellen Messsignalen umfasst, und wobei die Softwareapplikation (320) Algorithmen der künstlichen Intelligenz verwendet.
Verfahren nach einem der Ansprüche 1 bis 9, wobei das Analysemodul (400) für die Erstellung der Korrelationsmetrik (450) und das Berechnen der Prädiktionskenngröße (470) eine Softwareapplikation (420) umfasst, und wobei die Softwareapplikation (420) Algorithmen der künstlichen Intelligenz verwendet.
Verfahren nach Anspruch 9 oder Anspruch 10, wobei die Algorithmen der künstlichen Intelligenz ein oder mehrere neuronale Netzwerke umfassen, wobei zumindest ein neuronales Netzwerk als gefaltetes neuronales Netzwerk (Convolutional Neural Network, CNN) oder rückgekoppeltes Netzwerk (Recurrent Neural Network, RNN) ausgebildet ist.
System (100) zur Prädiktion einer subjektiven gruppenspezifischen Bewertung eines ADAS/ADS-Systems (20) und/oder einer automatisierten Fahrfunktion (25) für ein Kraftfahrzeug (10), insbesondere zum Testen und Trainieren des ADAS/ADS-Systems (20) und/oder der Fahrfunktion (25); umfassend ein Eingabemodul (200), ein Szenarienidentifikationsmodul (300) und ein Analysemodul (400), wobei das System (100) ausgebildet ist, das Verfahren nach Anspruch 1 auszuführen.
System (100) nach Anspruch 12, wobei eine Gruppe (G_i) der Nutzer durch ein oder mehrere Merkmale (F_i) definiert ist.
System (100) nach Anspruch 13, wobei es sich bei den Merkmalen (F_i) um messbare soziologische Merkmale wie beispielweise um eine Altersverteilung, bestimmte Wertvorstellungen, eine Genderzuordnung, eine soziale Lage und/oder eine nationale Zugehörigkeit handelt, die insbesondere bestimmte Zielgruppen für das ADAS/ADS-System (20) und/oder die Fahrfunktion (25) definieren.
Computerprogrammprodukt (900), umfassend einen ausführbaren Programmcode (950), der derart konfiguriert ist, dass er bei seiner Ausführung das Verfahren nach einem der Ansprüche 1 bis 11 ausführt.