-
Die
Erfindung betrifft ein Verfahren zur Ermittlung der Fahrsituation
eines Kraftfahrzeugs sowie ein entsprechendes System nach dem Oberbegriff des
betreffenden Hauptanspruchs.
-
Aufgrund
der zunehmenden Menge von im Fahrzeug zur Verfügung gestellten Informationen und
den damit einhergehenden Anforderungen an den Fahrer, ist es notwendig
ihn bei hoher Belastung aufgrund der Verkehrssituation gezielt zu
entlasten.
-
Aufgabe
der vorliegenden Erfindung ist ein Verfahren und ein System zur
Entlastung des Fahrers.
-
Diese
Aufgabe wird durch die in den betreffenden unabhängigen Ansprüchen genannten
Maßnahmen
verfahrens- bzw. vorrichtungsmäßig gelöst. Vorteilhafte
Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
-
Ein
wesentlicher Aspekt des erfindungsgemäßen Verfahrens liegt in der
Verwendung von in dem Kraftfahrzeug bereitgestellten Daten die den Wert
mindestens einer Zustandsgröße des Fahrzeugs
angeben. Diese Daten können
zur Durchführung
des erfindungsgemäßen Verfahrens
beispielsweise über
den Datenbus des Kraftfahrzeugs zur Verfügung gestellt werden. In einem
ersten Schritt wird ein die Historie der mindestens einen Zustandsgröße angebender
Datensatz bereit gestellt. In einem zweiten Schritt wird in dem
Kraftfahrzeug ein neuronales Netz durch einen entsprechend programmierten
Rechner bereit gestellt. Das neuronale Netz des erfindungsgemäßen Verfahrens
weist vorzugsweise mindestens eine Eingangs-Schicht und eine Ausgangs-Schicht auf
und jede der Schichten hat eine Mehrzahl von Perzeptronen. In einem
dritten Schritt wird der jeweilige Wert der mindestens einen Zustandsgröße des betreffenden
Zeitpunkts, vorzugsweise wie alle anderen Werte auch auf den Bereich von
0 bis 1 normiert, jeweils einem Perzeptron des neuronalen Netzes
zugeführt
wird, und von den Perzeptronen der Ausgangs-Schicht des neuronalen Netzes,
nachdem es trainiert worden ist, wird die aktuelle Fahrsituation
ausgegeben.
-
Ein
Perzeptron ist eine durch Software gebildete mathematische Funktion
(Software-Funktion), die aus Eingangswerten einen Ausgangswert berechnet,
der an verschiedene Perzeptronen weitergeleitet wird. Die Eingangswerte
werden gewichtet und der Ausgangswert des Perzeptrons ist eine Abbildungsfunktion
der gewichteten Eingangswerte gemäß der Software-Funktion.
-
Nachfolgend
werden bevorzugte Ausführungsformen
der Erfindung näher
erläutert.
-
Ein
bevorzugtes neuronales Netz ist ein Sigmoid-Netz, das vorzugsweise
drei Schichten aufweist. Jedes Perzeptron wird in diesem Fall durch
die an sich bekannte Sigmoid-Funktion gebildet. Sigmoid-Netze zeichnen
sich vorteilhafterweise dadurch aus, dass der Ausgangswert des Perzeptrons
bzw. der Software-Funktion weitgehend linear zum Eingangswert ist,
was die Weiterverarbeitung vereinfacht.
-
Bevorzugt
wird der gegenwärtige
Fahrzustand des Fahrzeugs aus einer zeitlichen Abfolge ermittelter
Fahrsituationen festgestellt bzw. festgelegt. Einer zeitlichen Abfolge
von ermittelten Fahrsituationen wird auf der Basis mindestens einer
Zuordnungsvorschrift ein aktueller Fahrzustand zugeordnet. Anstelle
des früheren
Fahrzustands wird vorzugsweise erst dann ein neuer Fahrzustand festgelegt,
wenn der neue Fahrzustand innerhalb eines zurückliegenden Zeitintervalls
bereits mehrfach festgestellt bzw. festgelegt worden ist.
-
Vorzugsweise
wird jedem Perzeptron der Ausgangs-Schicht bzw. dessen Ausgangssignal
eine andere Fahrsituation zugeordnet. Das maximale Ausgangssignal
aller Ausgangssignale der Perzeptronen der Ausgangs-Schicht gibt
die aktuelle Fahrsituation des Kraftfahrzeugs an.
-
Bevorzugt
gibt das Ausgangssignal, vorzugsweise das Signal-Maximum, des ersten
Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Stop & Go" an. Das Ausgangssignal,
vorzugsweise das Signal-Maximum, des zweiten Perzeptrons der Ausgangs-Schicht
des neuronalen Netzes gibt die Fahrsituation „Stadtverkehr" an. Das Ausgangssignal,
vorzugsweise das Signal-Maximum, des dritten Perzeptrons der Ausgangs-Schicht des
neuronalen Netzes steht für
die Fahrsituation „Cruise". Das Ausgangssignal,
vorzugsweise das Signal-Maximum, des vierten Perzeptrons der Ausgangs-Schicht
des neuronalen Netzes steht für
die Fahrsituation „Sport". Zusammenfassend
wird der Eingangs-Schicht des neuronalen Netzes bzw. dem entsprechenden
Computer-Programm bei dieser Ausführungsform der Erfindung chronologisch
jeweils ein Datensatz mit Zustandsgrößen des Kraftfahrzeugs zugeführt und
chronologisch jeweils die Fahrsituation anhand des maximalen Ausgangssignals
aller Perzeptronen der Ausgangs-Schicht ermittelt. Es versteht sich,
dass die ermittelte Fahrsituation auch in mehr oder weniger Klassen
(„Stop & Go" etc.) eingruppiert
werden kann.
-
Bei
einem Ausführungsbeispiel
der Erfindung gilt die Fahrsituation als unbestimmt, wenn die Differenz
zwischen dem Wert des maximalen Ausgangsignals aller Perzeptronen
der Ausgangs-Schicht und dem Wert des nächst kleineren Ausgangssignals
des betreffenden Perzeptrons kleiner als 20 % ist. Dasselbe gilt
alternativ oder ergänzend
bei einem weiteren Ausführungsbeispiel,
wenn der Wert des größten Ausgangssignals
aller Perzeptronen der Ausgangs-Schicht kleiner als 10% seines Maximalwertes
ist. Durch diese optionalen erfindungsgemäßen Maßnahmen ist es möglich nur
solche Fahrsituationen zu berücksichtigen,
die mit hinreichender Sicherheit ermittelt worden sind. Dies gilt insbesondere
für die
Bestimmung des Fahrzustands auf der Basis ermittelter Fahrsituationen.
-
Bei
einer anderen bevorzugten Ausführungsform
der Erfindung orientiert sich der Umfang bzw. das Ausmaß der an
den Fahrer des Kraftfahrzeugs weitergegebenen Informationen am ermittelten
Fahrzustand. Bevorzugt werden dem Fahrer durch das erfindungsgemäße Verfahren
bzw. System während
eines ihn stark beanspruchenden Fahrzustands, z.B. schnelle Autobahnfahrt,
Informationen mit hoher Ablenkung, wie z.B. ein Telefonanruf, zeitweise
vorenthalten bzw. zur späteren
Anzeige etc. bei einem weniger anstrengenden Fahrzustand gespeichert.
-
Bei
einer erfindungsgemäßen Ausführungsform
bzw. einem erfindungsgemäßen Mensch-Maschine-Interface
kann der Fahrer auswählen,
welche Informationen bzw. welche Summe von Informationen ihm bei
dem Fahrzustand einer ersten Klasse, wie z.B. „Stop & Go", bei einer zweiten Klasse, z.B. „Stadtverkehr" etc. angezeigt bzw.
ausgegeben werden.
-
Die
Erfindung wird nachfolgend unter Verwendung von Figuren näher erläutert. Es
zeigen:
-
1 Ein
Ablaufdiagramm zur Erläuterung des
erfindungsgemäßen Verfahrens
zur Ermittlung der Fahrsituation und des Fahrzustands eines Kraftfahrzeugs;
und
-
2 die
Zustandsmaschine der 1 in detaillierterer Form.
-
Für zukünftige Fahrzeuggenerationen
ist es wichtig, die Benutzung der MMI-Systeme (MMI = Mensch-Maschine-Interface)
und der Fahrzeugelektronik adaptiv an die Bedürfnisse des Fahrers anzupassen.
Dies kann beispielsweise bedeuten, dass die Menge der angebotenen
Informationen im MMI des Fahrzeugs in dynamischen Fahrsituationen
(z.B. Sport- oder Autobahn-Fahrt) verringert wird, wobei dem Fahrer
bei entspanntem oder gar ruhendem Fahren (z.B. Stop & Go) mehr Informationen
angeboten werden.
-
Ein
wichtiger Faktor hierbei ist die Fahrsituation, wie beispielsweise
schnelles, konzentriertes Fahren auf einer Schnellstrasse oder Autobahn,
suchendes Fahren in einem Innenstadtbereich oder entspanntes „Cruisen" auf einer Landstrasse.
Diese Fahrsituation gilt es durch ein Software-Verfahren zu „erkennen" – möglichst auf der Basis von allgemein im
Fahrzeug verfügbaren
Daten. Idealerweise soll es möglich
sein, mit im Fahrzeug ohnehin zur Verfügung stehenden Daten, beispielsweise
Daten, Nachrichten bzw. Telegramme auf dem CAN-Bus des Fahrzeugs, die
Fahrsituation zu erkennen. Ein Problem ist hierbei, dass eine Fahrsituation
sehr subjektiv wahrgenommen wird. Außerdem kann man die Fahrsituation nicht
punktuell aufgrund eines einzelnen Zeitpunkts bestimmen, sondern
muss einen Zeitraum bestimmter Länge
in der Vergangenheit berücksichtigen.
Eine Vorraussetzung hierfür
ist die autonome Erkennung der Fahrsituation durch das Fahrzeug
selbst.
-
Das
erfindungsgemäße Verfahren
wird auf einem erfindungsgemäßen Software-System ausgeführt, das
mittels der über
das elektronische Fahrzeug-Bussystem (z.B. CAN-Bus) vorwiegend ohnehin
bereitgestellten Daten, die aktuelle Fahrsituati on erkennt. Die
optionale, ausschließliche
Verwendung von ohnehin bereitgestellten Daten hat den Vorteil, dass
keine zusätzliche
Sensorik oder Steuergeräte benötigt werden – auch ein
GPS System ist nicht unbedingt erforderlich.
-
Das
erfindungsgemäße Verfahren
bzw. System auf der Basis eines neuronalen Netzes, insbesondere
eines Sigmoid-Netzes, eignet sich aber auch zur Erkennung von mehr,
weniger oder anderen Fahrsituationen, wenn es auf die neuen Fahrsituationen
trainiert wird – siehe
unten. Im nachfolgend beschriebenen Ausführungsbeispiel werden die folgenden
Fahrsituationen anhand von deren Charakteristika unterschieden:
- – Die
Fahrsituation Stop & Go" ist gekennzeichnet durch
Stau bzw. zähfließendem Verkehr
bei niedrigen Geschwindigkeiten und oft Stillstand;
- – die
Fahrsituation „Stadtverkehr" zeichnet sich aus
durch flüssigen
Verkehr bei Geschwindigkeiten von ca. 15km/h bis ca. 70 km/h, häufige Lenkbewegungen
und manchmal Stillstand;
- – die
Fahrsituation „Cruise" ist gekennzeichnet durch
entspanntes Fahren bei Geschwindigkeiten über 70 km/h, wenig Lenkbewegungen
und flüssiges
Fahren, und
- – die
Fahrsituation „Sport" zeichnet sich aus
durch sportliches Fahren, höhere
Längs-
und Querbeschleunigung und häufige
Lenkbewegungen.
-
Ein
Aspekt der Erfindung liegt in der „Abschätzung" der Ähnlichkeit der realen Fahrsituation mit
den oben definierten Fahrsituationen, weil eine exakte Übereinstimmung
so gut wie nie gegeben ist. Ein weiterer Aspekt ist, dass es sich
bei Fahrsituationen um Situations-Muster handelt, die – um sie
zuverlässig
zu erkennen – über eine
gewisse Zeitspanne beurteilt werden sollten. Würde man nur die aktuellen Daten,
insbesondere CAN-Daten, zum jeweiligen Zeitpunkt verwenden (z.B.
alle 500 ms) würde sich
die Fahrsituation evtl. alle 500 ms ändern, was nicht erwünscht ist.
So würde
beispielsweise ein Ampel-Stop oder kurzes Halten bereits als „Stop & Go" klassifiziert, während es
sich vielleicht nur um eine kurze Unterbrechung der Fahrsituation „Cruise" handelt. Bevorzugt
wird das erfindungsgemäße Verfahren
bzw. System daher mit einer gewissen „Trägheit" versehen.
-
Das
erfindungsgemäße Verfahren
bzw. System wird bevorzugt durch eine Softwarelösung bzw. eine programmierte
Ablaufsteuerung realisiert, die ein neuronales Sigmoid-Netz bildet.
Das Sigmoid-Netz gibt nach dem kontinuierlichen Zuführen von Werten,
die Zustandsgrößen des
Fahrzeugs beschreiben, eine Klassifikation der auf der Basis der Werte
ermittelten Fahrsituation aus. Mit anderen Worten: Das neuronale
Netz bzw. Sigmoid-Netz liefert einen „Ähnlichkeitswert", der die Ähnlichkeit
der zugeführten
Daten bzw. Werte mit gespeicherten Daten bzw. Werten angibt, die
den o.g. Fahrsituationen entsprechen und im Rahmen eines Trainings
des Sigmoid-Netzes
bei den genannten Fahrsituationen ermittelt worden sind. Bei hoher Ähnlichkeit
wird die den entsprechenden, gespeicherten Werten zugeordnete Fahrsituation
als aktuell zutreffend angenommen. Als Eingangsgrößen in das
Sigmoid-Netz werden in diesem Ausführungsbeispiel standardkonforme
CAN-Nachrichten aus dem fahrzeuginternen und standardisierten CAN-Bus
verwendet. Diese werden bevorzugt zeitlich diskretisiert und normalisiert.
Ggf. können
selbstverständlich
ergänzend
oder alternativ auch Daten eines anderen im Fahrzeug vorgesehenen
Daten-Busses zur Bestimmung der Fahrsituation bzw. des Fahrzustands
herangezogen werden.
-
Eine
Softwarekomponente greift in regelmäßigen Abständen, z.B. Abstände im Zeitintervall
von ca. 500 ms bis ca. 2000 ms, die festgelegten Nachrichtentypen
vom CAN-Bus ab und bereitet sie entsprechend auf. Hierbei werden
die folgenden bekannten Datentelegramme des CAN-Busses ausgewertet:
- – CcarSpeed
(Geschwindigkeit sowie Längs-
und Querbeschleunigung des Fahrzeugs. CAN-Identifier: 416 Geschwindigkeit)
- – CgearBox
(eingelegter Gang bzw. Wählhebelstellung.
CAN-Identifier: 772 Status Gang)
- – CsteeringWheelAngle
(enthält
Positionsinformationen des Lenkrads).
-
Es
versteht sich, dass auch weniger oder mehr Datentelegramme bzw.
Daten zur Berechnung der Fahrsituation und des Fahrzustands herangezogen
werden können,
wenn dies zweckdienlich oder nötig
ist.
-
Um
die Erfindung leichter verstehen zu können, werden zunächst die
Grundzüge
des erfindungsgemäßen Verfahrens,
ein Kurzabriss eines neuronalen Netzes der Erfindung und dann folgt
eine detaillierte Erläuterung
des erfindungsgemäßen Verfahrens
bzw. Systems.
-
Das
erfindungsgemäße Verfahren
gliedert sich grob in zwei Teile: Im ersten Schritt wird das erfindungsgemäße neuronale
Netz, insbesondere ein Sigmoid-Netz, parametrisiert. Bei der Parametrisierung
wird das neuronale Netz trainiert und die Übergänge und Parameter der „Trägheit" des Systems werden
eingestellt.
-
In
einem zweiten Schritt wird eine Berechnung der momentanen Fahrsituation
und des aktuellen Fahrzustands im Fahrzeug vorgenommen. Der zweite
Schritt gliedert sich in:
- – abgreifen relevanter Fahrzeugdaten
vom CAN-BUS in angemessene Zeitschritten,
- – Aufbereitung
der Daten zur optimalen Auswertung,
- – Berechnung
der aktuellen Fahrsituation zum momentanen Zeitpunkt auf Basis aktueller
und vergangener CAN-Daten, und
- - Berechnung des aktuellen Fahrzustands.
-
Neuronale
Netze sind bekannte Verfahren bzw. Systeme aus der Informatik, die
beispielsweise bei der Bild- oder der Spracherkennung zum Einsatz kommen.
Ein neuronales Netz besteht aus einer Menge sog. Perzeptronen. Ein
Perzeptron ist eine Softwarefunktion, die eine Menge von Eingabewerten
besitzt und daraus einen Ausgabewert berechnet, der an verschiedene
Perzeptronen als Eingabe weitergeleitet wird. Der Ausgabewert eines
Perzeptrons ist das Ergebnis einer Abbildungsfunktion der gewichteten
Eingangswerte (Inputs) gemäss
der folgenden Funktion, bevorzugt die Sigmoid-Funktion:
,wobei „Inputs" die Menge der gewichteten Eingabekanten
ist.
-
Ein
neuronales Netz besteht aus n Schichten, die ihrerseits aus Perzeptronen
bestehen, wobei ein Perzeptron der n-ten Schicht alle Perzeptron
Ausgänge
der (n-1)-ten Schicht als Eingabewerte hat. Bevorzugt wird ein dreischichtiges
Sigmoid-Netz bei dem
erfindungsgemäßen Verfahren
bzw. System verwendet.
-
Ein
wichtiger Aspekt von Neuronalen Netzen besteht darin, dass sie „trainierbar" und damit an die konkrete
Aufgabenstellung anpassbar sind. Beim „Training" wird das Netz durch Beispiele mit dem
bekannten, sogenannten „Backpropagation"-Verfahren so eingestellt, dass es neue
Eingabewerte ähnlich wie „Trainingswerte" klassifiziert.
-
Beim
Training durch das „Backpropagation"-Verfahren wird an
der Eingabe-Schicht des Sigmoid-Netzes ein zu erkennendes Signalmuster
angelegt. Die Perzeptronen bzw. die entsprechenden Software-Komponenten
führen
eine Berechnung entsprechend der Sigmoid-Funktion durch. Das Ergebnis
der Berechnung wird in Form eines Signalmusters von der Ausgabe-Schicht
des Sigmoid-Netzes ausgegeben. Die Parametrisierung der Gewichte
der einzelnen Perzeptronen erfolgt mittels bekannter Lernverfahren
(Algorithmen), bei denen Beispiele von Eingabemustern angelegt werden
und dementsprechende Ausgangsmuster vorgegeben werden. Der Algorithmus
stellt dann die Gewichte derart ein, dass zu den vorgegebenen Eingangsmustern
die vorgegebenen Ausgangsmuster berechnet bzw. gebildet werden.
-
Beispiel
der Erfindung: Das Eingangsmuster ist ein Satz CAN Nachrichten,
die der Fahrsituation „Stadtverkehr" entsprechen. Die
Gewichte werden derart eingestellt, dass das Ausgangsmuster alle Perzeptronen
der Ausgabeschicht liefert den Signalpegel 0, nur Perzeptron Nummer
2 liefert Signalpegel 1 ist. Signalpegel 1 an
Perzeptron 2 sei stellvertretend für die Fahrsituation „Stadtverkehr". Nach Abschluss
des Trainings klassifiziert das Sigmoid-Netz der Erfindung reale
Fahrsituationen in ähnlicher
Weise wie bei den Beispielen des Trainings. Hierbei reicht es, wenn
die realen Fahrsituationen bzw. deren Datenmuster den trainierten
Fahrsituationen bzw. deren Datenmuster ähnlich sind. Eine volle Übereinstimmung
ist zur weitgehend zuverlässigen
und richtigen Klassifizierung vorteilhafterweise nicht erforderlich.
-
Nachfolgend
wird das im Fahrzeug vorgesehene erfindungsgemäße Verfahren bzw. System detaillierter
beschrieben:
In einer ersten Stufe wird die Fahrsituation in
regelmäßigen zeitlichen
Abständen
aufgrund der momentanen relevanten CAN-Daten und einer bestimmten Datenhistorie
dieser Daten mittels des 3-schichtigen neuronalen Netzes, vorzugsweise
ein Gradienten- oder Sigmoid-Netz, bestimmt. Beispielsweise wird alle
0,5 Sekunden die aktuelle Fahrsituation unter Verwendung der Geschwindigkeits-
und Beschleunigungsdaten zum aktuellen Zeitpunkt t und den Daten zu
den Zeitpunkten t – 2
Sekunden und t – 4
Sekunden bestimmt.
-
Danach
wird in einer zweiten Stufe aufgrund der aktuellen Fahrsituation
und der vergangenen erkannten Fahrsituationen der Fahrzustand bestimmt. Bei
der Bestimmung des Fahrzustands geht die aktuelle erkannte Fahrsituation,
die vergangenen erkannten Fahrsituationen und der momentane Fahrzustand
mit ein.
-
Dies
soll an einem Beispiel verdeutlicht werden. Ist der aktuelle Fahrzustand „Stadtverkehr" und wird wiederholt „Stop & Go" als Fahrsituation
erkannt, so wird erst nach 8-fach kontinuierlichem Erkennen der
Fahrsituation „Stop & Go" auch der Fahrzustand
auf „Stop & Go" gesetzt bzw. als
gegeben angesehen. Ansonsten würde
im Stadtverkehr bereits eine einzige Ampel dazu führen, dass
der Fahrzustand auf „Stop & Go" gesetzt wird. Befindet
sich das Fahrzeug allerdings im Fahrzustand „Cruise", so wird bevorzugterweise hier ein „Stop & Go" schon nach 3-fach
kontinuierlich erkanntem Fahrzustand „Stop & Go" auf „Stop & Go" als Fahrzustand gesetzt.
-
Wie
im Ablaufdiagramm 100 der 1 dargestellt,
greift eine Softwarekomponente 2 die zur Ermittlung der
Fahrsituation erforderlichen Daten in geeigneten Zeitabständen, vorzugsweise
0,5 bis 2 Sekunden, vom CAN-Bus 1 ab und bildet eine Historie
v (t), v (t-1), v (t-2) etc. abgegriffener Daten. Die Daten der
Datenhistorie werden den Perzeptronen der Eingangsschicht des dreischichtigen
Sigmoid-Netzes 3 zugeführt,
das nach einer Parametrisierung und eines Trainings des Systems
die berechnete momentane Fahrsituation 4 ausgibt. Die ermittelten
Fahrsituationen werden einer sogenannten Zustandsmaschine 5 zugeführt, die
auf der Basis der nachfolgenden Vorschriften aus den ausgegebenen
Fahrsituationen den aktuellen Fahrzustand berechnet und ausgibt. Die
unterschiedlichen Fahrzustände
sind beispielhaft mit A, B, C, und D in 1 bezeichnet.
Dies geschieht fortlaufend unter Verwendung der fortschreitenden
Datenhistorie.
-
Das
Sigmoid-Netz wird mittels des Backpropagations- bzw. Gradientenabstiegs-Verfahrens auf die
als zweckmäßig erachteten
Fahrsituationen trainiert. D.h. bestimmten (typischen) Eingangsdaten
in das Sigmoid-Netz wird eine bestimmte Fahrsituation zugeordnet
und die Gewichtungen im Sigmoid-Netz derart eingestellt, dass dasjenige
Ausgangs-Perzeptron einen Maximalwert zeigt, das für eine bestimmte Fahrsituation
steht, die der zugeordneten Fahrsituation entspricht.
-
Durch
die Zustandsmaschine 5 wird einer Historie von Fahrsituationen
ein Fahrzustand entsprechend der Tabelle in 2 zugeordnet.
Diese Zuordnung bzw. Tabelle beruht auf Erfahrungswerten.
-
Die
Schritte des Berechnungsverfahrens zur Ermittlung der Fahrsituation
und des Fahrzustands wird nachfolgend anhand fiktiver Daten beispielhaft erläutert:
- 1. Abgreifen der relevanten Telegramme auf
dem CAN-Bus in einem bestimmten Zeitintervall – z.B. alle 0,5 bis 2 Sekunden.
- 2. Aufbereitung der CAN-Daten zu einem Eingabevektor mit den
folgenden Parametern:
a Geschwindigkeit
b Lenkwinkel wird über den
Zeitraum des Fensters (t-1, t) kontinuierlich gemessen und gemittelt
c
Quer-Beschleunigung wird über
den Zeitraum des Fensters (t-1, t) kontinuierlich gemessen und gemittelt
d
Längs-Beschleunigung
wird über
den Zeitraum des Fensters (t-1, t) kontinuierlich gemessen und gemittelt
e
Status Gang
Anschließend
werden alle Daten normalisiert, so dass sie einen Wert zwischen
0 und 1 besitzen.
- 3. Einspeisen der Eingabevektoren, und in das Sigmoid-Netz.
Berechnung des aktuellen Fahrsituation aufgrund der aktuellen und
letzten beiden Datensätze – also eine
Beurteilung auf der Basis der Geschwindigkeit, des Lenkverhaltens
und der Schaltung der letzten 6 Sekunden. Folgende Ausgaben der
Ausgabeschicht des Sigmoid-Netzes werden verarbeitet:
a. Perzeptron
0 ist Maximum: Fahrsituation = Stop & Go
b. Perzeptron 1 ist Maximum:
Fahrsituation = Stadtverkehr
c. Perzeptron 2 ist Maximum: Fahrsituation
= Cruise
d. Perzeptron 3 ist Maximum: Fahrsituation = Sport
e.
Ist die Differenz zwischen erstem Maximum und zweitem Maximum < 0.2 oder Maximum
ist < 0.1 gilt
die Fahrsituation als undefiniert.
- 4. Die aktuelle Fahrsituation, die alle 2 Sekunden berechnet
wird, bestimmt den Fahrzustand folgendermaßen:
f. Befindet sich
das System zum Zeitpunkt im Fahrzustand A, erkennt Fahrsituation
B und es wurde zum Zeitpunkt Fahrsituation C erkannt, so gilt:
i.
C = undefiniert, d.h. es bleibt beim noch aktuellen Fahrzustand
ii.
der der Fahrsituation B zugeordnete Wert ist größer oder gleich dem Wert der
der Fahrsituation C zugeordnet ist: Ein Zählerstand Z wird um eins erhöht. Der
Wert der betreffenden Fahrsituation sei festgelegt mit: „Stop & Go" = 0, „Stadtverkehr" = 1, „Cruise" = 2, „Sport" = 3.
g. Findet
ein Fahrzustandswechsel statt, so wird der Zählerstand Z auf 0 gesetzt.
Wird wiederholt die gleiche Fahrsituation erkannt, so verändert sich
der ermittelte Fahrzustand. Dies geschieht durch eine Zustandsmaschine,
die den Zählerstand
in der Weise berücksichtigt,
wie in der Tabelle der 2 angegeben. D.h. beispielsweise:
– wird der
Fahrzustand „Sport" 4 mal hintereinander
bzw. kontinuierlich über
8 Sekunden erkannt und ist der aktuelle Fahrzustand noch der Fahrzustand „Stop & Go", so gilt der Fahrzustand „ Sport" als aktuell gegeben
– wird der
Fahrzustand „Cruise" 8 mal hintereinander
bzw. kontinuierlich über
18 Sekunden erkannt und ist der aktuelle Fahrzustand noch der Fahrzustand „Stadtverkehr", so gilt der Fahrzustand „Cruise" als aktuell gegeben.
-
Das
Verfahren kann mit verschiedenen Parametern (Historie, CAN-Daten
etc.) angewendet werden. Daher folgt hier noch einmal eine allgemeine Beschreibung
des Verfahrens.
-
Das
Verfahren hängt
von der Menge der n Eingabeparameter, der Breite des Zeitfensters „delta" und der Länge der
Historie, in die zurückgeblickt
wird, k·delta,
ab. Das Verfahren gliedert sich grob in folgende Schritte:
- 1. Abgreifen, Diskretisierung und Aufbereitung
der s Eingangs-Parameter:
a. Abgreifen der Eingangsparameter
zum Zeitpunkt t:
b. Abgreifen der Eingangsparameter zum Zeitpunkt
t+1 = t+delta:
c. Bei manchen Signaltypen, die zwischen den Zeittakten
t und t+1 schwanken, ist es von Nutzen die Werte zu mitteln. Wird
das Signal p im Zeitfenstern [t, t+1] n-mal auf dem Bus ausgegeben, so
wird berechnet:
d. Wiederholen von Schritt 2 k-mal,
so dass ein Eingabevektor zur Zeit t0 der folgenden Form entsteht:
e.
Normalisieren der Eingangsparameter, so dass alle Werte
f.
Eine eventuelle numerische Differenzierung nach t ausgewählter Signale
erhöht
die Erkennerleistung.
- 2. Berechnung des Eingabevektors mit Hilfe des dreischichtigen
Sigmoid-Netzes
Ein
Eingabesignalvektor der definierten Form aus 1.d wird in diskreten
Zeitabständen
delta in das Sigmoid-Netz eingespeist. Hierbei werden die Daten
durch den Eingabevektor durchgeschoben („Sliding Window").
a. Für die Berechnung
wird ein dreischichtiges Sigmoid-Netz verwendet, das jeweils ein
Eingabeperzeptron für
jeden zeitlichen Eingangswert hat (also k·n Eingangsperzeptronen).
b.
Anstelle der numerischen Differenzierung aus Punkt 1.d kann auch
ein zweiter Hidden layer im Netz verwendet werden.
c. Die Anzahl
der Ausgabeperzeptronen ist gleich der Anzahl der zu erkennenden
Fahrsituationen.
- 3. Berechnung der Fahrsituation:
a. Perzeptron k ist Maximum:
Fahrsituation k gilt als gegeben
b. Ist die Differenz zwischen
erstem Maximum und zweitem Maximum < 0.2 oder Maximum ist < 0.1, so wird als
erkannte Fahrsituation „undefiniert" ausgegeben.
- 4. Auswertung und Zeitverzögerung
durch Zustandsmaschine: Die aktuelle Fahrsituation, die periodisch
bzgl. delta berechnet wird, hat nun folgenden Einfluss auf den ermittelten
Fahrzustand.
a. Befindet sich das System zum Zeitpunkt im Fahrzustand
A, erkennt Fahrsituation B und es wurde zum Zeitpunkt Fahrsituation
C erkannt, so gilt:
i. C = undefined; es bleibt beim aktuellen
Fahrzustand
ii. Wert der Fahrsituation B größer oder gleich dem Wert der
Fahrsituation C: Der Zählerstand
Z wird um eins erhöht.
Hierbei gilt eine zu definierende Ordnung der Fahrsituationen, d.h.
den Fahrsituationen sind Werte, z.B. 0, 1, 2, 3, und 4 zugeordnet.
b.
Wurde wiederholt die gleiche Fahrsituation erkannt, so verändert sich
der Fahrzustand. Dies geschieht durch die Zustandsmaschine, indem der
Zählerstand
Z entsprechend berücksichtigt wird
(vgl. oben).
c. Erreicht Z den definierten Wert, so wechselt
der Fahrzustand und Z wird auf Null gesetzt.
- 5. Das Verfahren beginnt erneut bei Schritt 1.
Aus
den vorstehenden Ausführungen
wird deutlich, dass das erfindungsgemäße Verfahren bzw. System eine
verlässliche
Bestimmung der Fahrsituation und des Fahrzustandes ermöglicht.
D.h. es wird die tatsächliche
Fahrweise als Eingabe herangezogen, nicht die Fahrtumgebung (z.B. „Autobahn") und die damit vermutete
Fahrweise. Systeme, die auf Ortsbestimmung basieren („wenn auf
der Autobahn (via GPS bestimmt), dann gilt Fahrsituation als „Schnelles
Fahren"), sind ungenauer,
weil die tatsächliche
Fahrweise durchaus anders sein kann. Durch das hier beschriebene
Verfahren und System ist es möglich, die
Fahrsituation, unabhängig
von der Fahrumgebung zu bestimmen. Wenn der Fahrer z.B. auf der Landstrasse
ein Fahrverhalten, wie auf der Autobahn, zeigt, wird auch die Fahrsituation
Autobahn erkannt – unabhängig von
den tatsächlichen
Gegebenheiten.
-
Das
erfindungsgemäße Verfahren
bzw. System kann vorteilhafterweise – muss es aber nicht – auf Basis
der ohnehin im Fahrzeug vorhandenen standardisierten CAN-Daten oder sonstigen
Daten, die in jedem Fahrzeug, ohne dass es einer Sonderausstattung,
wie ein Navigationssystem mit GPS, bedarf, in kostengünstiger
Weise realisiert werden.
-
Das
erfindungsgemäße Verfahren
bzw. System ist leicht parametrisierbar und lässt sich somit flexibel an
veränderte
Rahmenbedingungen (z.B. neuer Fahrzeugtyp) anpassen. Ferner stellt
es nur geringe Hardware-Anforderungen (CPU, Speicherverbrauch) und
benötigt
keine zusätzliche
Sensorik. Auch unter diesem Aspekt kann es daher dem Fahrer kostengünstig zur
Verfügung
gestellt werden kann.
-
Das
erfindungsgemäße Verfahren
bzw. System zur Fahrsituations- und/oder Fahrzustandserkennung kann
zur fahrsituations- und/oder fahrzustandsabhängigen Adaption jeglicher entsprechend adaptierbarer
Fahrzeugfunktionen bzw. Fahrzeugsysteme verwendet werden. Beispiele
hierfür
sind:
- – adaptive
Getriebesteuerung
- – adaptives
Fahrwerk
- – „Adaptive
Cruise Control"
- – Anpassung
des Maßstabs
der Navigationskarte auf dem Display eines elektronischen Navigationssystems
je nach erkannter Fahrsituation
- – adaptive
Lenkübersetzung
beim „Active
Front Steering"
- – adaptive
Leuchtweitenregulierung bzw. adaptive Leuchtkegelanpassung.
-
Eine
weitere mögliche
Anwendung ist der fahrsituations- und/oder fahrzustandsabhängige Betrieb
von Mensch-Maschine-Interfaces zur Entlastung des Fahrers, z.B.
kann sich die Menge der an den Fahrer weitergeleiteten Informationen
am aktuellen Fahrzustand orientieren. Selbstverständlich gibt es
zahlreiche weitere Anwendungen unter Berücksichtung des aktuellen Fahrzustands.