-
GEBIET DER ERFINDUNG
-
Die Erfindung betrifft Fahrzeug-Navigationssysteme und spezieller die Adaptierung von Benutzeroberflächen in den Fahrzeug-Navigationssystemen.
-
ALLGEMEINER STAND DER TECHNIK
-
Navigationssysteme können in Personenkraftwagen, Lastkraftwagen, Bussen und anderen Fahrzeugen eingebettet sein. Die Navigationssysteme können den Fahrer und alle anderen Insassen des Fahrzeugs über eine optimale Route von einem aktuellen Standort zu einem Ziel beraten. Das Ziel wird gewöhnlich vor Beginn einer Fahrt angegeben. Sprachanweisungen über erforderliche Fahrmanöver, z.B. Abbiegen und Fahrbahnwechsel usw., werden gewöhnlich zum richtigen Zeitpunkt gegeben und indem die Notwendigkeit, Verkehrszeichen auszumachen und sich an die Strecke zu erinnern, minimiert wird, kann dies die kognitive Belastung und Ablenkungen des Fahrers bedeutend reduzieren. In dieser Kapazität wirken Fahrzeug-Navigationssysteme auch als Sicherheitseinrichtungen, die die Unfallrisiken bedeutend reduzieren können.
-
Viele Fahrzeug-Navigationssysteme bieten zusätzliche Aktionen, wie etwa das Anfordern von Informationen über Sehenswürdigkeiten, die Einstellung von thermischen Umgebungen, die Bedienung von Unterhaltungsgeräten, das Wählen von Telefonnummern, die Individualisierung grafischer Ausgaben, wie etwa von Karten, auf verschiedene Arten, z.B. Vergrößern und Verkleinern, Umschalten zwischen 2D- und 3D-Karten, Ausrichten der Kartenorientierung auf die Fahrtrichtung oder auf eine Kompassrichtung usw. Es ist auch möglich, das beabsichtigte Ziel zu ändern. Alle diese zusätzlichen Aktionen erfordern gewöhnlich die Interaktion mit dem Fahrzeug-Navigationssystem während des Betriebs des Fahrzeugs. Diese Interaktion kann das Unfallrisiko um ein Vielfaches vergrößern.
-
Eine längere Interaktion ist das Einstellen eines anderen Zielorts. Das erfordert das Angeben mehrerer Komponenten, z.B. Land, Bundesstaat, Stadt, Straße, Hausnummer usw., die jeweils mehrere Tastenanschläge auf einer Tastatur oder mehrfaches Berühren der Benutzeroberfläche erfordern. Diese Oberflächen sind gewöhnlich relativ klein und liegen außerhalb der vorherrschenden Sichtlinie des Fahrers. Infolgedessen können derartige Systeme bedeutende Sicherheitsgefahren sein, was einen ihrer ursprünglichen Zwecke, das Reduzieren von Ablenkungen und Unfallrisiken während der Fahrt, aufhebt.
-
Hersteller von Fahrzeug-Navigationssystemen gehen dieses Problem an, indem sie die verfügbaren Aktionen mithilfe einer Folge von Menüs sorgfältig ordnen, so dass die am meisten benutzten Aktionen mit einer Mindestzahl von Interaktionen angegeben werden können.
-
Zum Beispiel haben einige Fahrzeug-Navigationssysteme in einem Menü der obersten Ebene ein dediziertes HEIMATORT-Element. Das HEIMATORT-Element kann z.B. auf die Adresse des Wohnorts oder Arbeitsplatzes des Fahrers voreingestellt sein. Desgleichen kann ein vorprogrammiertes CALL-HOME-Element die am häufigsten gewählte Telefonnummer wählen.
-
Eine so sorgfältige Gestaltung der verfügbaren Menüfolgen kann zwar die Zahl der zur Durchführung einer Interaktion benötigten Tastenanschläge bedeutend verringern, diese Designs berücksichtigen aber weder eine bedeutende Variabilität zwischen der relativen Häufigkeit der Verwendung einzelner Aktionen für verschiedene Fahrer noch sind die Designs für den aktuellen Kontext des Fahrzeugs und Fahrers spezifisch, wie z.B. von Standort, Tageszeit, Motorzustand und Innenraumklimabedingungen usw. beschrieben. In vielen Situationen ist eine große Anzahl der verfügbaren Aktionen entweder nicht anwendbar oder nicht wahrscheinlich, z.B. ist es nicht wahrscheinlich, dass das HEIMATORT-Element verwendet würde, wenn sich das Fahrzeug an seinem Heimatstandort befindet, und die Platzierung dieser Schaltfläche in der obersten Ebene könnte für eine andere Aktion besser verwendet werden. Die Individualisierung der Benutzeroberfläche von Fahrzeug-Navigationssystemen ist ein möglicher Ansatz zur Optimierung des Benutzererlebnisses und zur Minimierung des Unfallrisikos.
-
Muzina et al. beschreiben im
US-Patent 8,386,173 ein Verfahren zum automatischen Einstellen eines Landkarten-Detaillierungsgrads auf Basis der Fahrzeuggeschwindigkeit, wodurch minimiert wird, wie oft der Fahrer die Karte vergrößert oder verkleinert.
-
Liu et al. beschreiben im
US-Patent 6,349,257 ein System zur Individualisierung der Benutzeroberfläche eines Fahrzeug-Navigationsgeräts vor einer Fahrt, z.B. bei einer Autovermietung. Diese Individualisierung kann durch den Ausschluss von Oberflächenelementen, die für eine bestimmte Fahrt nicht notwendig sind, nützlich sein. Vordefinierte Zielorte schließen wahrscheinlich Ablenkungen unterwegs aus.
-
Evan et al. beschreiben im
US-Patent 8,078,359 ein Verfahren zur Individualisierung der Benutzeroberfläche eines Fahrzeug-Navigations- und -Infotainmentsystems mittels Interaktion mit einem Berührungsbildschirm. Dieser allgemeine Ansatz für die Individualisierung erfordert aber zusätzliche Zeit und Vorausplanung und ist nur bedienerspezifisch und nicht kontextspezifisch.
-
KURZDARSTELLUNG DER ERFINDUNG
-
Die Ausführungsformen der Erfindung sehen ein Verfahren zum dynamischen Adaptieren einer Benutzeroberfläche eines Fahrzeug-Navigationssystems vor. Das Verfahren kann eine Liste von Aktionen, die für den Fahrer verfügbar sind, gemäß einem aktuellen Zustand in Bezug auf das Fahrzeug modifizieren. Andere Insassen des Fahrzeugs können zwar das System benutzen, der Schwerpunkt der Erfindung liegt aber auf der Minimierung der Komplexität der Interaktion für den Fahrer des Fahrzeugs, z.B. der Dauer und/oder der Zahl der Tastenanschläge oder Berührungen.
-
Daher behandelt das Verfahren das Problem der übermäßig komplexen Interaktion des Benutzers mit dem Fahrzeug-Navigationssystem, z.B. gemessen an der Anzahl der zur Durchführung der Auswahl einer Aktion erforderlichen Tastenanschlägen oder Berührungen, und verringert das Unfallrisiko bedeutend.
-
Das Verfahren erzeugt ein Menü von Aktionselementen, die beabsichtigten Aufgaben entsprechen, die der Benutzer möglicherweise auszuwählen wünscht, so dass die wahrscheinlichste Aktion für einen aktuellen Zustand mit der kleinsten Anzahl von Tastenanschlägen oder Berührungen ausgewählt werden kann. Das Menü kann entweder auf einer Hauptanzeigevorrichtung des Navigationssystems, die ein statisches Menü des konventionellen Typs ersetzt, angezeigt werden oder es kann auf einer Hilfsanzeigevorrichtung mit einer kleineren Anzahl auswählbarer Aktionen gezeigt werden.
-
Das Verfahren ermittelt die im adaptierbaren Menü aufzunehmenden Aktionen durch Auswerten einer Wahrscheinlichkeit, dass der Benutzer die assoziierte Aktion wahrscheinlich auswählt, auf Basis aufgezeichneter Informationen und eines aktuellen Zustands in Bezug auf das Fahrzeug.
-
Das Verfahren erfasst periodisch Zustandsinformationen(-daten) von dem Fahrzeug-Navigationssystem, dem Motor, über Funkverbindung zugänglichen externen Datenbanken und anderen öffentlich verfügbaren meteorologischen Diensten, die Lufttemperatur, Luftfeuchtigkeit, Bewölkung und Regen- oder Schneefall, Sicht, Verkehrsaufkommen, Notfallinformationen und dergleichen melden. Die Daten werden in einer Datenbank geordnet und in periodischen Intervallen werden alle bis zum aktuellen Augenblick verfügbaren Daten zum Aufbau eines Vorhersagemodells verwendet, das den aktuellen Zustand zu dem Zeitpunkt, an dem der Benutzer eine Aktion auswählen muss, in Beziehung bringt. Wahrscheinliche anzuzeigende Aktionen werden vom Fahrzeug-Navigationssystem ausgewählt, das eine Anzeigevorrichtung zum Zeigen der wahrscheinlichen Aktionen beinhaltet. Der aktuelle Zustand wird als ein Vektor von Eingabedaten einer bekannten Dimension dargestellt. Die wahrscheinlichen Aktionen sind eine Teilmenge aller möglichen Aktionen.
-
Zur Herstellung einer Beziehung zwischen Eingangsvariablen (Zuständen) und einer Ausgangsvariable (Aktion) werden maschinelle Lernprozeduren verwendet. Die Beziehungen werden während einer (off-line) Trainingsphase hergestellt.
-
Während einer Laufzeitphase wird ein Vektor des aktuellen Zustands auf eine Weise, die mit dem Aufbau der Vektoren während der Trainingsphase identisch ist, periodisch aufgebaut und das Vorhersagemodell wird zum Vorhersagen der Wahrscheinlichkeit, dass jede der verfügbaren Aktionen von dem Benutzer gewählt würde, verwendet, während die Komplexität der Interaktionen minimiert wird.
-
Nachdem jeder verfügbaren Aktion eine Wahrscheinlichkeit zur Auswahl zugeordnet worden ist, wird das Menü aufgebaut, um die erwartete Anzahl von Tastenanschlägen oder Berührungen, die durch den Benutzer zum Auswählen der beabsichtigten Aktion erforderlich ist, zu minimieren. Dieses Menü wird periodisch aktualisiert, um den aktuellen Zustand in Bezug auf das Fahrzeug abzustimmen, und möglicherweise mit der Zeit an die verschiedenen Bedürfnisse und Absichten des Fahrers/Benutzers adaptiert.
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
1 ist ein Blockdiagramm eines Systems und Verfahrens zum dynamischen Adaptieren einer Benutzeroberfläche eines Fahrzeug-Navigationssystems gemäß Ausführungsformen der Erfindung.
-
BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
-
Systemüberblick
-
Wie in 1 gezeigt, stellen die Ausführungsformen der Erfindung ein Verfahren zum dynamischen Adaptieren einer Benutzeroberfläche einer Fahrzeugnavigation bereit. Das System kann Navigationsdaten 101, Fahrzeugdaten 102, Umfelddaten 103 und beliebige andere Daten, die mit einem Zustand des Fahrzeugs in Beziehung stehen, erfassen. Generell zählen zum Zustand des Fahrzeugs alle bedeutsamen Informationen, die mit externen oder internen Zuständen des Fahrzeugs und seinen Insassen in Beziehung stehen. Die Fahrzeugdaten können vom Controller Area Network (CAN-Bus) im Fahrzeug bezogen werden, das Mikrocontrollern und Geräten ermöglicht, im Fahrzeug ohne einen Host-Prozessor miteinander zu kommunizieren.
-
Die Daten oder Zustandsinformationen können lokal von Sensoren im Fahrzeug, aus Benutzereingabe oder über eine drahtlose Verbindung mit einem Netzwerk, wie etwa dem mit Datenbanken verbundenen Internet, erfasst werden. Die Daten können historische sowie Echtzeitdaten beinhalten.
-
Nach der Synchronisierung 110 der Daten können Merkmalsvektoren 121 periodisch entnommen 120 werden. Jeder Merkmalsvektor entspricht einem Zustand zu einem bestimmten Zeitpunkt, der mit dem Fahrzeug in Beziehung steht, wie oben definiert. Die Merkmalsvektoren werden dann in ein Vorhersagemodell eingegeben, das aus in einer historischen Datenbank 151 gespeicherten Merkmalsvektoren aufgebaut ist, die während eines off-line Prozesses auf ähnliche Weise erfasst und aufgebaut werden.
-
Eine Vorhersageprozedur wird auf ein beobachtetes Verhalten 152 des Benutzers/Fahrers angewendet, um Wahrscheinlichkeiten der Aktionen 131 zu ermitteln.
-
Ein Satz Aktionen hoher Wahrscheinlichkeit 141 wird angezeigt 140, so dass der Fahrer eine Aktion mit einer minimalen Zahl von Interaktionen mit dem System in einer kürzesten Zeitspanne auswählen kann, um das Unfallrisiko zu reduzieren. Das heißt, die Komplexität der Interaktionen wird minimiert.
-
Vorhersagemodell
-
Die Hauptkomponente der Erfindung ist ein Vorhersagemodell 160, das einen aktuellen Zustand unter Verwendung vorausgehender Zustände mit einem nächsten Zustand verknüpft. Hierin können zu den aktuellen Zuständen des Modells Bedingungen und Standorte des Fahrzeugs, Fahrerbedingungen und externe Faktoren, wie etwa Wetter und Verkehrslage usw., zählen. Das Ergebnis des Modells ist die vorhergesagte nächste Handlung des Fahrers auf Basis vorausgehender Zustände, die in der Datenbank 150 gespeichert sind.
-
Zum Lösen dieses Vorhersageproblems unter Verwendung von maschinellen Lernverfahren ist es nützlich, die verfügbaren Daten auf ein Format zu reduzieren, das von diversen maschinellen Lernprozeduren verwendet werden kann. Dieses Format beinhaltet Paare (x, y), wobei x = [x1, x2, ..., xN]T ein Eingangsvektor fester Dimension N ist und y eine Ausgangsvariable ist, die entweder eindimensional (skalar, boolesch oder multinomial) oder ein Vektor der endlichen Dimension P, y = [y1, y2, ..., yP]T sein kann, wobei die Komponentenvariablen yj, j = 1, ..., P dieses Vektors jedweder dieser Typen sein können. Ein gesamter Datensatz besteht aus M derartigen Paaren (x(k), y(k)), k = 1, M. T zeigt einen Transpositionsoperator an.
-
Ein möglicher Eingangsvektor x beinhaltet die zuletzt gemessenen Daten bezogen auf den aktuellen Zustand, z.B. Fahrzeuggeschwindigkeit, Standort, Tageszeit, Wochentag, übriger Kraftstoff, Batterieladung, Innen- und Außenklimabedingungen, wie etwa Temperatur, Sicht, Tageszeit, Wochentag usw.
-
Diese Eingabe eignet sich zur direkten Vorhersage von Benutzeraktionen, die nur von einer oder mehr der erfassten Daten abhängen und keine weitere Benutzerinteraktion erfordern, zum Beispiel eine Entscheidung zum Ausmachen einer Tank- oder Ladestelle oder das Einstellen des Klimas im Fahrzeuginnenraum.
-
Der auf diese Weise aufgebaute Eingangsvektor x charakterisiert wahrscheinlich einige der kausalen Beziehungen, die Benutzeraktionen betreffen, aber für eine genaue Vorhersage anderer Aktionen nicht ausreichend sein können. Zum Beispiel erfordert die Vorhersage, dass der Fahrer nach einer Raststätte sucht, das Wissen, wie lange der Fahrer seit der letzten Fahrtunterbrechung schon fährt. Diese Informationen sind von keinem Fahrzeugsystem direkt messbar.
-
Eine entsprechende abgeleitete Eingangsvariable kann aus den direkt messbaren Informationen zusammen mit anderen derartigen Variablen, die als eine „Erinnerung” des Fahrprozesses wirken, aufgebaut werden. Derartige variable Daten 104 werden manchmal auch abgeleitete Eingangsmerkmale genannt. Bezüglich der Erinnerung über die letzte Fahrtunterbrechung gibt es eine Anzahl möglicher Methoden zum Erzeugen der abgeleiteten Merkmale.
-
Ein Merkmal ist eine Zeitdifferenz zwischen einer aktuellen Zeit und einer Zeit der letzten Fahrtunterbrechung. Eine weitere Methode ist die Erzeugung eines Satzes boolescher Indikatormerkmale, deren Wert echt ist, wenn die letzte Fahrtunterbrechung innerhalb einer Zeit stattfand, die kürzer als eine vorgegebene Schwelle war, z.B. von einer Stunde für eine Indikatorvariable, zwei Stunden für eine zweite Variable usw. Der gleiche allgemeine Ansatz kann zum Erzeugen abgeleiteter Merkmale befolgt werden, die mit anderen Ereignissen in Beziehung stehen, zum Beispiel der erwarteten Ankunftszeit am Ziel. Ein derartiges Merkmal kann nützlich sein bei der Vorhersage, ob der Fahrer beginnen sollte, nach einem Parkplatz zu suchen, eine Karte zu vergrößern usw.
-
Ein weiterer Satz sehr wichtiger abgeleiteter Variablen steht mit Ereignissen in Beziehung, die Benutzeraktionen direkt entsprechen. Ein Beispiel für eine solche Variable ist, ob eine Aktion aj innerhalb der letzten T Minuten stattgefunden hat. Derartige Variablen können hoch prädiktiv für andere Benutzeraktionen sein, insbesondere in Fällen, wenn Benutzeraktionen immer in derselben Folge auftreten.
-
Zum Beispiel möchten einige Fahrer vielleicht unmittelbar nach Angeben des Ziels die gesamte Route sehen und die Aktion des Verkleinerns der Karte auf die gesamte Route kann auf der Benutzeroberfläche unmittelbar nach Stattfinden der Aktion der Zieleinstellung angezeigt werden, wenn eine derartige Folge während des Trainings gelernt werden kann.
-
So erweitert eine weitere geeignete Darstellung den Satz abgeleiteter Merkmale mit skalaren Variablen oder booleschen Indikatorvariablen. Diese Darstellung erhöht die Genauigkeit der Vorhersage wahrscheinlich. Der Satz abgeleiteter Merkmale stellt aber nur einen kleinen Bruchteil der vergangenen Informationen dar, die für die Vorhersageprozedur von Nutzen sein können. Die Speisung der Lernprozedur mit der Gesamtheit dieser Informationen ist nicht praktisch, selbst wenn sie auf endliche Differenzen zwischen dem aktuellen Zustand und vorausgehenden Zuständen begrenzt sind, weil die Zahl der Dimensionen des Eingangsvektors sehr hoch werden würde. Dies beeinträchtigt bekanntermaßen die Generalisierungsfähigkeit des gelernten (antrainierten) Modells.
-
Eine Möglichkeit zum Angehen dieses Problems ist es, im gesamten Zeitreihensatz nach einer begrenzten Zahl kurzer Teilfolgen von vorausgehenden Zuständen mit der Eigenschaft, dass diese Teilfolgen für die Ausgangsvariable, die vorhergesagt werden muss, hoch prädiktiv sind, zu suchen. Derartige Teilfolgen sind als Motive oder Shapelets bekannt und können mittels rechnerisch effizienter Prozeduren im gesamten Zeitreihensatz entdeckt werden.
-
Während der Trainingsphase analysiert eine Suchprozedur den gesamten Zeitreihensatz, entdeckt die hoch prädiktiven Teilfolgen (HPS) und baut für jede eine boolesche Indikatorvariable xi auf. Der durch derartige HPS-Indikatorvariablen erweiterte Eingangsvektor bildet eine weitere mögliche Eingangsdarstellung.
-
Es gibt verschiedene Möglichkeiten zur Codierung einer Ausgangsvariable y, je nach der Art der modellierten und vorhergesagten Fahreraktionen. Wenn die ausgewählten Aktionen sich gegenseitig ausschließen und wenn der Fahrer Aktion a1 auswählt, bedeutet das ausdrücklich, dass der Fahrer Aktion a2 nicht auswählen will. Eine geeignete Wahrscheinlichkeitsverteilung für die Variable y ist eine multinomiale Verteilung, das heißt y ∊ {a1, a2, ..., aL}. Beispiele für derartige sich gegenseitig ausschließende Aktionen sind das Ein- und Ausschalten der Heiz- und Kühlfunktionen der Fahrzeugklimasysteme zusammen mit dem Nichtauswählen irgendwelcher dieser Aktionen, weil die Temperatur aktuell angenehm ist.
-
Wenn die verfügbaren Aktionen sich nicht gegenseitig ausschließen, kann es zutreffender sein, den Ausgang als einen Vektor y = [y1, y2, ..., yP]T von P booleschen Variablen darzustellen, wobei P gleich der Anzahl von Aktionen ist.
-
Ungeachtet der gewählten Eingangs- und Ausgangsdarstellungen ist der nächste Schritt des Verfahrens das Lernen des Vorhersagemodells 160 anhand des Datensatzes von M Trainingsbeispielen (x(k), y(k)), k = 1, M in der Datenbank 151. Zu einigen Verfahren zum Lernen eines derartigen Modells zählen logistische Regression, Entscheidungsbäume, naive bayessche Netzwerke, Unterstützungsvektormaschinen usw.
-
Nachdem das Modell antrainiert und mit dem Eingangsvektor x präsentiert worden ist, wird das Modell zum Schätzen der Wahrscheinlichkeit pj, dass eine bestimmte Aktion aj, j = 1, P gewählt werden wird, benutzt.
-
Um die Benutzeroberfläche dynamisch zu adaptieren, wird das antrainierte Vorhersagemodell periodisch, zum Beispiel jede Minute, oder auf Verlangen an den verfügbaren gemessenen Daten abgearbeitet. Ein Eingangsvektor x wird identisch mit der Art und Weise aufgebaut, wie Eingangsvektoren bei der Vorbereitung des Trainingsdatensatzes aufgebaut wurden, und das Vorhersagemodell wird zum Produzieren der Wahrscheinlichkeiten pj benutzt.
-
Danach werden die Aktionen aj in absteigender Ordnung gemäß den geschätzten Wahrscheinlichkeiten pj, dass der Fahrer eine kleine Teilmenge der Aktionen höchster Wahrscheinlichkeit auswählen wird, zum Beispiel drei oder vier, sortiert.
-
Diese Liste kann auf einer Anzeigevorrichtung 141 angezeigt 140 werden, z.B. der Hauptanzeigevorrichtung des Fahrzeug-Navigationssystems oder auf einer Hilfsanzeigevorrichtung oder beiden. Eine Verschiebungsoberfläche 142 kann verwendet werden, um die Liste auf einen Satz nächster wahrscheinlicher Aktionen vorzubewegen, falls die Aktion, die der Fahrer auszuwählen wünscht, nicht auf der angezeigten Liste ist.
-
Wenn eine Hierarchie (Baum) der möglichen Aktionen aj, j = 1, P, verfügbar ist, kann der Baum zur Anzeige der Auswahlliste verwendet werden, um die Komplexität der zur Auswahl der beabsichtigten Aktion erforderlichen Interaktionen zu minimieren. Zum Beispiel, wenn Aktionen a1 = Map_zoom_in und a2 = Map_zoom_out” zur gleichen allgemeinen Kategorie c1 = Map_manipulation gehören und beide gleich wahrscheinlich sind, zum Beispiel weil der Benutzer gerade eine der Aktionen durchgeführt hat, lässt dies darauf schließen, dass der Benutzer mit dem aktuellen Vergrößerungsgrad unzufrieden ist. Die allgemeine Auswahl c1 kann auf eine hohe Ebene gesetzt werden, anstatt zwei Slots für a1 und a2 zu verwenden.
-
Die Trainingsphase kann in periodischen Intervallen oder auf Verlangen durchgeführt werden. Diese Art von Training des Vorhersagemodells behält aktuelle Zustände bei, wenn sich die bevorzugten Aktionen ändern, z.B. aufgrund eines Wechsels von Arbeitsplatz, Wohnung, Jahreszeit usw.