-
GEBIET DER ERFINDUNG
-
Die vorliegende Erfindung betrifft das Gebiet der Straßenverkehrssicherheit. Insbesondere betrifft die vorliegende Erfindung ein Verfahren und ein System zur Kollisionsvermeidung zwischen Fahrzeugen und Fußgängern.
-
HINTERGRUND DER ERFINDUNG
-
Positionsbasierte Dienste, beispielsweise Notrufortung, treiben die Entwicklung von Ortungsverfahren in drahtlosen Kommunikationsnetzen voran. Global-Navigation-Satellite-System-(GNSS-)fähige Endgeräte können Positionen im Freien auf wenige Meter genau bestimmen und eine Reihe von Anwendungen sowie Diensten auf Endgeräten nutzen solch eine genaue Positionierung.
-
In der Telekommunikation stellt Long-Term Evolution (LTE) einen Standard zur drahtlosen Breitbandkommunikation für mobile Endgeräte und Datenendgeräte auf der Basis der Technologie von Enhanced Data Rates for GSM Evolution (GSM/EDGE) und Universal Mobile Telecommunications System (UMTS) / High Speed Packet Access (HSPA). Die Positionierungsunterstützung in Long-Term Evolution (LTE) für 4G-Funknetze wurde 2008 eingeführt. Sie ermöglicht Telekommunikationsbetreibern das Abrufen von Positionsinformationen von Benutzern für positionsbasierte Dienste und das Erfüllen von gesetzlichen Vorschriften zur Notrufortung.
-
Es gibt mehrere verschiedene Verfahren, die zum Ermitteln der raumzeitlichen Position eines LTE-fähigen Endgeräts verwendet werden können. Eines der am weitesten verbreiteten Verfahren zur Positionierung basiert auf der relativen Positionierung über eine Gruppe von aktiven LTE-Basisstationen an bekannten Positionen. Global Positioning System (GPS) bietet ebenfalls Positionsinformationen mit einer Genauigkeit auf 5 Metern, weist aber eine schlechtere Abdeckung in Städten auf, Messlatenzen im Sekundenbereich und einen hohen Akkustromverbrauch, was die Verwendbarkeit von GPS für eine präzise Fahrzeug-Fußgänger-Kollisionsvermeidung einschränken kann.
-
Im Zellen-ID-Verfahren kann das Endgerät mit den Koordinaten der aktiven Zelle geortet werden; die Koordinaten können die Koordinaten der Basisstation (BS) oder der Sektor einer Basisstation (BS) in einem Location Area Code (LAC) sein. Die Genauigkeit dieses Verfahrens hängt vom Radius der aktiven Zelle ab, der in ländlichen Gebieten 60 km groß sein kann, was je nach Position des Endgeräts ungenaue Ergebnisse liefern kann.
-
Es können mehrere LTE-basierte Verfahren zum Ermitteln der genauen raumzeitlichen Position eines LTE-fähigen Endgeräts verwendet werden. Beim Received-Signal-Strength-Indicator-(RSSI-)Verfahren misst ein Endgerät die empfangenen Signalstärken von aktiver und benachbarter Zelle. Diese Information kann zum Berechnen des Abstands zwischen dem Endgerät und der benachbarten Basisstation (BS) mit bekannter Position verwendet werden. Wenn die Signale von wenigstens drei Basisstationen (BS) empfangen werden, kann eine Triangulation auf das RSSI-Verfahren angewendet werden, um die genaue Position des Endgeräts zu ermitteln, da die Positionen der Basisstationen (BS) mit einem hohen Grad an Genauigkeit bekannt sind. Wie hier verwendet bezeichnet der Begriff „Triangulation“ die geometrische Aufzeichnung und Messung einer Reihe von Dreiecken zum Bestimmen der Abstände und relativen Positionen von über einen Bereich umfassend eine Gruppe von Basisstationen (BS) verteilten Punkten durch Messen der relativen Längen von allen Seiten oder durch Messen der relativen Winkel von allen Ecken einer Dreiecksgrundlinie. Beim Time-Difference-of-Arrival-(TDOA-)Verfahren kann der Zeitunterschied zwischen jedem Paar von empfangenen Signalen von einem Empfänger geschätzt werden und es kann die Position aus dem Schnitt der zwei Hyperbeln ermittelt werden. Im Allgemeinen erfolgt die Time-Difference-of-Arrival-(TDOA-)Messung durch Messen des Unterschieds in der empfangenen Phase bei jedem Signal in der Antennengruppe. Wenn die Signale von wenigstens drei Basisstationen (BS) empfangen werden, kann eine Triangulation auf das TDOA-Verfahren angewendet werden, um die genaue Position des Endgeräts zu ermitteln. Das Angle-of-Arrival-(AOA-)Verfahren umfasst das Messen des Winkels des Einfalls eines Signals von einer Basisstation (BS) oder einem Endgerät unter Verwendung beispielsweise der Antennensendemuster. Beim Angle-of-Arrival-(AOA-)Verfahren wird die Verzögerung des Einfalls bei jedem Element in der Antennengruppe direkt gemessen und in ein Einfallswinkelmaß umgewandelt. Ferner dient dieses Verfahren zum Ermitteln der Ausstrahlungsrichtung einer in der sendenden Antennengruppe einfallenden Funkfrequenzwelle. Wenn die Signale von wenigstens drei Basisstationen (BS) empfangen werden, kann eine Triangulation auf das Angle-of-Arrival-(AOA-)Verfahren angewendet werden, um die genaue Position des Endgeräts zu ermitteln. Das Time-of-Arrival-(TOA-)Verfahren verwendet die Lichtgeschwindigkeit, die Geschwindigkeit der Funkwellenausbreitung und die Zeit eines Signaleinfalls zum Berechnen des Abstands, um die aktuelle Position des Endgeräts zu berechnen. Wenn die Signale von wenigstens drei Basisstationen (BS) empfangen werden, kann eine Triangulation auf das Time-of-Arrival-(TOA-)Verfahren angewendet werden, um die genaue Position des Endgeräts zu ermitteln.
-
Bei momentan eingesetzten Long-Term-Evolution-(LTE-)Netzen wird die Position des Endgeräts üblicherweise auf der Basis einer Kombination aus Enhanced Cell Identity (E-CID), Observed Time Difference of Arrival (OTDOA) und Assisted-Global-Navigation-Satellite Systems-(GNSS-)/(A-GNSS-)Informationen vom Endgerät ermittelt. Die Positionierung erfolgt auf zweistellige Meterwerte genau.
-
Observed Time Difference of Arrival (OTDOA) ist ein vom Endgerät unterstütztes Verfahren, bei dem das Endgerät die Time of Arrival (TOA) von spezifischen Positioning Reference Signals (PRS), gesendet von Funkbasisstationen (BS), misst und die gemessenen Schätzungen zur Time of Arrival (TOA) an den Positionsserver meldet. Der Positionsserver ermittelt die Position des Endgeräts unter Verwendung von mehrseitigen streckenmessenden Verfahren auf der Basis der Time-of-Arrival-(TOA-)Messungen der von wenigstens drei Basisstationen empfangenen Positioning-Reference-Signals (PRS) und der bekannten Positionen von diesen Basisstationen.
-
Die Positionierungsgenauigkeit beim Observed-Time-Difference-of-Arrival-(OTDOA-)Verfahren hängt von verschiedenen Faktoren, etwa von der Netzbereitstellung, der Signalausbreitungsbedingung, von Synchronisierungsfehlern und den Eigenschaften von Positioning Reference Signals (PRS). Bei 4G-Funk-(LTE-)Benutzern in Innenräumen kann die Positionierungsgenauigkeit etwa 50 Meter betragen. Bei künftigen 5G-Systemen sind die Positionierungsanforderungen wesentlich höher: eine Genauigkeit von etwa 1 Meter bei Benutzern in Innenräumen und im Freien, die Menschen, Geräte, Maschinen, Fahrzeuge usw. umfassen. Bei einem vorgegebenen Bereitstellungs- und Ausbreitungsszenario sind erhebliche Verbesserungen in der Positionierungsgenauigkeit durch entsprechendes Umgestalten von Positioning Reference Signals für 5G-Radio-Access-Verfahren, als New Radio (NR) bezeichnet, erzielbar.
-
5G NR (New Radio) ist eine neue Radio Access Technology (RAT), entwickelt von 3GPP für das 5G-(Fifth-Generation-)Mobilnetz. Es soll den globalen Standard für die Luftschnittstelle von 5G-Telekommunikationsnetzen darstellen. 3rd Generation Partnership Project (3GPP) ist eine Normungsorganisation, die Protokolle für die Mobiltelefonie entwickelt. Die 3GPP-Specification-38-Reihe enthält die technischen Details von NR, der Radio Access Technology (RAT) jenseits von LTE.
-
Eine genaue und zuverlässige Ortung ist ein Thema von hohem Interesse für autonome und unbemannte Fahrzeuge, beispielsweise selbstfahrende Kraftfahrzeuge und Drohnen. Die Automobilindustrie braucht eine Positionierung auf den Zentimeter genau, um Fahrzeuganwendungsfälle auf der Basis von automatisiertem Fahren und Straßenverkehrssicherheit zu ermöglichen. Momentan verfügbare Ortungsverfahren, die für diese kritischen Anwendungen verwendet werden, basieren auf Global Navigation Satellite Systems (GNSS) zur absoluten Positionierung und der Kombination von Radaren, Kameras und Trägheitssensoren zur relativen Positionierung. Die hohen Implementierungskosten von solchen Bordsensoren können aber ihren Einsatz in bestimmten Anwendungen verhindern. Somit können Drahtlosnetze zur Vehicular-to-Everything-(V2X-)Kommunikation ebenfalls für Positionierungszwecke verwendet werden. Dies ist bei Fifth-Generation-(5G-)Funknetzen der Fall, deren bahnbrechende Technologie eine hochgenaue Ortung ermöglichen soll.
-
Die Vehicle-to-Everything-(V2X-)Kommunikation besteht im Übertragen von Informationen von einem Fahrzeug zu jedem Element, welches das Fahrzeug beeinflussen kann, und umgekehrt. Es handelt sich um ein Fahrzeug-Kommunikationssystem, das weitere spezifischere Arten von Kommunikation wie V2I (Vehicle-to-Infrastructure), V2N (Vehicle-to-Network), V2V (Vehicle-to-Vehicle), V2P (Vehicle-to-Pedestrian), V2D (Vehicle-to-Device) und V2G (Vehicle-to-Grid) umfasst. Die wesentlichen Gründe für V2X sind Straßenverkehrssicherheit, Verkehrseffizienz und Energieeinsparungen. Es gibt zwei Arten von V2X-Kommunikationstechnologie je nach der verwendeten Basistechnologie: WLAN-basiert und funkbasiert. Die Standardisierung von WLAN-basierten Vehicle-to-Everything-(V2X-)Systemen ersetzt die von funkbasierten Vehicle-to-Everything-(V2X-)Systemen. IEEE veröffentlichte zuerst die Spezifikation für WLAN-basiert V2X (IEEE 802.11p) in 2012. Es unterstützt die direkte Kommunikation zwischen Fahrzeugen (V2V) sowie zwischen Fahrzeugen und Infrastruktur (V2I). 2016 veröffentlichte 3GPP Vehicle-to-Everything-(V2X-)Kommunikationsspezifikationen auf der Basis von Long-Term Evolution (LTE) als zugrundeliegende Technologie. Diese werden allgemein als „Cellular V2X“ (C-V2X) zur Unterscheidung von der 802.11p-basierten V2X-Technologie bezeichnet. Zusätzlich zur direkten Kommunikation (V2V, V2I) unterstützt C-V2X ebenfalls die flächendeckende Kommunikation über ein Funknetz (V2N). Dieser zusätzliche Kommunikationsmodus und der native Migrationspfad zu 5G stellen die Hauptvorteile gegenüber dem 802.11p-basierten V2X-System dar.
-
Die Kombination von Global Navigation Satellite Systems (GNSS) und Funknetzen hat über die verschiedenen Netzgenerationen hinweg immer wieder Interesse gefunden. Funksysteme finden typischerweise Berücksichtigung zur Ergänzung beim Fehlen der Global-Navigation-Satellite-Systems-(GNSS-)Abdeckung in städtischem Umfeld. Die meisten dieser hybriden GNSS/LTE-Navigationslösungen sind erforderlich, um störanfällige GNSS- oder LTE-Funkpositionsmessungen im Laufe der Zeit zu filtern. Ferner sind die Funkausbreitungskanäle von Non-Line-of-Sight-(NLoS-)Bedingungen und dichtem Mehrweg dominiert. Die Positionsfehler betragen über 50 m bei 20-MHz-Long-Term-Evolution-(LTE-)Signalen von Feldmessungen. Daher werden die 5G-New-Radio-(NR-)Funktionen wie Breitbandsignale, massive Antennengruppen, Millimeter-(mm-)Wellen-Übertragungen, ultradichte Netze, und Device-to-Device-(D2D-)Kommunikation voraussichtlich die hybride Positionierungsleistung bei Global Navigation Satellite Systems (GNSS) verbessern. Diese NR-Funktionen bieten hochgenaue Abstands- und Winkelmessungen mit einer hohen Netzdichte, die eine hochgenaue Positionierung erzielen sollen. Ferner sind die 5G-Zentimeterwellen-(Cave-)Übertragungen mit vergrößerten Bandbreiten ebenfalls für Makrozellenbereitstellungen von Interesse. Diesbezüglich hat der 3GPP-Standard soeben ein neues Untersuchungselement zur 5G-NR-Positionierung genehmigt; es gibt aber nur eine begrenzte Literatur zur Integration von Global-Navigation-Satellite-Systems-(GNSS-) und 5G-Technologien.
-
Die unterstützten Positionierungsverfahren in Long-Term Evolution (LTE) sind von der übergeordenten Netzarchitektur wie in 1 dargestellt abhängig. Am Prozess sind drei Hauptelemente beteiligt: Location Service Client (LCS), LCS Server (LS) und LCS Target. Ein Client, das heißt der anfragende Dienst, ist in den meisten Fällen auf dem LCS-Ziel installiert oder verfügbar. Der Client erhält die Positionsinformation durch Senden einer Anfrage an den Server. Der Positionsserver ist eine physische oder logische Einheit, die Messungen und andere Positionsinformationen von Gerät und Basisstation sammelt und das Gerät mit Messungen und dem Schätzen seiner Position unterstützt. Der Server verarbeitet im Wesentlichen die Anforderung vom Client und liefert an den Client die angefragten Informationen, optional mit Geschwindigkeitsinformationen. Es gibt zwei verschiedene Möglichkeiten dafür, wie das Gerät (der Client) mit dem Positionsserver kommunizieren kann. Es besteht die Option, dies über die User Plane (U-Plane) unter Verwendung einer Standarddatenverbindung oder über die Control Plane (C-Plane) durchzuführen. Auf der Control Plane ist das E-SMLC (Evolved Serving Mobile Location Center) als Positionsserver von Relevanz, während dies auf der User Plane von der SUPL Location Platform durchgeführt wird.
-
5G-Kommunikationsnetze werden voraussichtliche erhebliche Verbesserungen bezüglich Kapazität, Zahl von verbundenen Geräten, Energieeffizienz und Latenzen im Vergleich zu bestehenden Kommunikationssystemen liefern. Diese Funktionen werden durch die Kombination von unter anderem größeren Bandbreiten, modernen Antennentechnologien und flexiblen Funkzugangslösungen ermöglicht. Insbesondere in städtischem Umfeld werden 5G-Netze voraussichtlich aus dicht verteilten Zugangsknoten bestehen. Somit befindet sich ein einzelnes Endgerät in solch dichten Netzen im Abdeckungsbereich zu mehrfachen nahe aneinander angeordneten Zugangsknoten gleichzeitig. Solch kurze Abstände zwischen Endgerät und Zugangsknoten bieten offensichtliche Vorteile für die Kommunikation, beispielsweise aufgrund niedriger Ausbreitungsverluste und kürzeren Ausbreitungszeiten, können aber interessanterweise auch eine hochgenaue Endgerätpositionierung ermöglichen. Insgesamt bieten 5G-Netze viele Möglichkeiten bezüglich Erfassung und Nutzung von Endgerät-Positionsinformationen.
-
Eine der Verbesserungen bei 5G-Netzen betrifft die Positionierungsgenauigkeit. 5G soll eine Positionierungsgenaugkeit in der Größenordnung von einem Meter oder sogar weniger liefern. Dies ist wesentlich besser als die Genauigkeit mit zweistelligen Meterwerten bei Long-Term-Evolution-(LTE-)Systemen durch den beobachteten Zeitunterschied von Observed-Time-Difference-of-Arrival-(OTDOA-)Verfahren. Die erforderliche Positionierungsgenauigkeit bei 5G-Netzen ist auch größer als bei kommerziellen Global Navigation Satellite Systems (GNSSs), bei denen die Genauigkeit etwa 5 m beträgt, und Wireless-Local-Area-Network-(WLAN-)Fingerprinting mit einer Genauigkeit von 3 bis 4 m. Eine weitere Verbesserung die 5G-Netze liefern können, betrifft die Energieeffizienz der Positionierung. Diese ist auf die allgemeine Annahme zurückzuführen, dass 5G-Netze häufig gesendete Uplink-(UL-)Signale zu Kanalschätzungszwecken an den Zugangsknoten nutzen. Diese Signale können ebenfalls zur Positionierung auf eine netzzentrierte Weise verwendet werden, wobei die Endgerätposition entweder unabhängig in den Zugangsknoten oder in einem zentralen Fusion Center unter der Annahme bekannter Zugangsknotenpositionen geschätzt wird, und somit sind keine Berechnungen in den mobilen Endgeräten erforderlich. Dies stellt einen wesentlichen Unterschied zur gerätezentrierten Positionierung wie bei Global Navigation Satellite Systems (GNSS) dar, bei der die mobilen Endgeräte einer hohen Rechenlast unterliegen. Daher bieten netzzentrierte Positionierungsverfahren erhebliche Stromverbrauchsverbesserungen und ermöglichen an jedem Ort eine hochgenaue Positionierung, die kontinuierlich im Hintergrund ablaufen kann. Solch eine Funktion verringert ebenfalls den Signalgebungsaufwand, wenn die Positionsinformation auf der Netzseite verwendet wird, erfordert aber andererseits zusätzliche Vorkehrungen für den Datenschutz, da die Positionierung nicht auf den Endgeräten selbst durchgeführt wird. Als eine dritte Verbesserung bei der 5G-basierten Positionierung können ungeachtet ob netz- oder gerätezentriert Positionsinformationen vollkommen unabhängig von Endgerät-Satellitenverbindungen an jedem Ort im Netzabdeckungsbereich, auch in schwierigen Umgebungen in Innenräumen, erhalten werden.
-
Die Positionierungsinformation ist ein zentrales Element für selbstfahrende Fahrzeuge, Intelligent Traffic Systems (ITSs), Drohnen sowie andere Arten von autonomen Fahrzeugen und Robotern. Positionswissen kann ebenfalls in den Endgeräten sowie von Dritten zum Liefern von anderen als reinen Kommunikationsdiensten genutzt werden. Bei Straßenverkehr und Autos können beispielsweise aktuelle Positionsinformationen und vorhergesagte Endgerätbahnen erhebliche Verbesserungen beispielsweise in Bezug auf Verkehrsfluss, Sicherheit und Energieeffizienz liefern. Wenn umfassend gesammelt Autopositionsinformationen mit ITSs geteilt werden, können Funktionen wie Verkehrsüberwachung und -steuerung verbessert werden. Eine genaue Positionsinformation ist ebenfalls in den Autos selbst beispielsweise für Navigationszwecke erforderlich, insbesondere unter Berücksichtigung von autonomen und selbstfahrenden Autos. Positionswissen ist ebenfalls zur Kollionsvermeidung erforderlich. Innerhalb des Kommunikationsbereichs können Autos ihre Position direkt an andere Autos melden; wenn aber die Verbindung zwischen den Autos unterbrochen ist, werden Positionsbenachrichtigungen in Zusammenarbeit mit ITSs gesendet. Natürlich können die Bedürfnisse und Funktionen in Bezug auf selbstfahrende Autos nicht überall und jederzeit von bestehenden Kommunikationssystemen und satellitenbasierter Positionierung erfüllt werden. Somit werden moderne Kommunikationsfähigkeiten und netzbasierte Positionierung in 5G voraussichtlich eine wichtige Rolle bei der Entwicklung von selbstfahrenden Autosystemen spielen.
-
Der stete Trend zur Entwicklung von mobilen Anwendungen für den alltäglichen Einsatz ist schließlich im Automobilsektor angekommen. Fahrzeugkonnektivität mit mobilen Apps bietet das große Potential, ein bessere und sicherere Fahrererfahrung zu gewährleisten, indem Informationen bezüglich Fahrzeugen und Infrastruktur in der Umgebung geliefert werden und die Interaktion zwischen dem Auto und dessen Fahrer wesentlich einfacher gestaltet wird. Die Tatsache, dass Apps die Fahrsicherheit erheblich verbessern können, findet bei Autobenutzern Interesse und hat zu einer Zunahme der Zahl von neuen Apps geführt, die spezielle für die Autoindustrie entwickelt werden. Dieser Trend hat einen solch großen Einfluss, dass mittlerweile Hersteller beginnen, Autos unter Berücksichtigung ihrer Interaktion mit Mobiltelefonen zu gestalten.
-
Verfahren und Systeme zur Fahrzeug-Fußgänger-Kollisionsvermeidung erfordern Genauigkeiten der raumzeitlichen Positionierung im Bereich von 1 Meter oder weniger, damit beispielsweise ein die Straße querender Fußgänger von einem auf dem Gehweg gehenden Fußgänger unterschieden werden kann, wenn erhebliche Unterschiede in der V2P-Kollisionswahrscheinlichkeit bestehen. In momentan eingesetzten Long-Term-Evolution-(LTE-)Netzen weist die Genauigkeit der raumzeitlichen Positionierung einen zweistelligen Meterwert auf, was gegebenenfalls eine nicht ausreichende Positionierungsunterscheidung liefert und daher die Verwendbarkeit von momentan eingesetzten Long-Term-Evolution-(LTE-)Netzen zur genauen Fahrzeug-Fußgänger-Kollisionsvermeidung einschränkt. Im momentan eingesetzten Global Positioning System (GPS) beträgt die Genauigkeit der raumzeitlichen Positionierung etwa 5 Meter, weist aber eine schlechtere Abdeckung in Städten auf, Messlatenzen im Sekundenbereich und einen hohen Akkustromverbrauch, was gegebenenfalls eine nicht ausreichende raumzeitliche Positionierungsunterscheidung liefert und daher die Verwendbarkeit von GPS für eine präzise Fahrzeug-Fußgänger-Kollisionsvermeidung einschränken kann. Daher besteht nach wie vor ein Bedarf an einem Verfahren und einem System zur Fahrzeug-Fußgänger-Kollisionsvermeidung, wobei künftige 5G-LTE-Kommunikationsnetze und New-Radio-(NR-)Technologien eine genaue Fahrzeug-Fußgänger-Kollisionsvermeidung liefern können.
-
Es besteht nach wie vor ein Bedarf an einem Verfahren und einem System zur Fahrzeug-Fußgänger-Kollisionsvermeidung.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Insbesondere wird gemäß der vorliegenden Erfindung ein Verfahren zur Fahrzeug-Fußgänger-Kollisionsvermeidung bereitgestellt, umfassend physisches Verknüpfen von wenigstens einem Fahrzeug mit wenigstens einem Long-Term-Evolution-(LTE-)fähigen Endgerät; physisches Verknüpfen von wenigstens einem Fußgänger mit wenigstens einem Long-Term-Evolution-(LTE-)fähigen Endgerät; Ermitteln einer raumzeitlichen Positionierung der Endgeräte aus Long-Term-Evolution-(LTE-)Funksignalen, vermittelt durch wenigstens drei Long-Term-Evolution-(LTE-)Funkbasisstationen (BS) und wenigstens einen Location-Service-Client-(LCS-)Server; wobei der wenigstens eine Location-Service-Client-(LCS-)Server einen eingebetteten Künstliche-Intelligenz-Algorithmus umfassend einen Recurrent-Neural-Network-(RNN-)Algorithmuszum Analysieren der raumzeitlichen Positionierung der Endgeräte und Ermitteln einer wahrscheinlich zukünftigen Bahn des wenigstens einen Fahrzeugs und des wenigstens einen Fußgängers, um ein Belohnungsmaß auf der Basis einer Reinforcement-Learning-(RL-)Analyse zu maximieren, umfasst; und der wenigstens eine Location-Service-Client-(LCS-)Server die wahrscheinlich zukünftige Bahn des wenigstens einen Fahrzeugs und des wenigstens einen Fußgängers an das wenigstens eine mit dem wenigstens einen Fußgänger verknüpfte Endgerät kommuniziert; wobei das wenigstens eine physisch mit dem wenigstens einen Fußgänger verknüpfte Endgerät einen eingebetteten Künstliche-Intelligenz-Algorithmus umfassend einen Conditional-Random-Fields-(CRFs-)Algorithmus umfasst, um zu ermitteln, ob die wahrscheinlich zukünftige Bahn des wenigstens einen Fußgängers unterhalb einer Fahrzeug-zu-Fußgänger-Näheschwellengrenze liegt; und, wenn die Näheschwellengrenze erreicht ist, das physisch mit dem wenigstens einen Fußgänger verknüpfte Endgerät ein Kollisionsvermeidungs-Notsignal an den wenigstens einen Fußgänger und an das wenigstens eine Fahrzeug kommuniziert, welche die Näheschwellengrenze erfüllen.
-
Es wird ferner Fahrzeug-zu-Fußgänger-Kollisionsvermeidungssystem bereitgestellt, umfassend Teilnehmer bestehend aus einer Menge von wenigstens zwei Long-Term-Evolution-(LTE-)fähigen Endgeräten, physisch verknüpft mit wenigstens einem Fahrzeug und wenigstens einem Fußgänger; wobei eine raumzeitliche Positionierung der Endgeräte aus Long-Term-Evolution-(LTE-)Funksignalen, vermittelt durch wenigstens drei Long-Term-Evolution-(LTE-)Funkbasisstationen (BS) und wenigstens einen Location-Service-Client-(LCS-)Server, ermittelt wird; der wenigstens eine Location-Service-Client-(LCS-)Server einen eingebetteten Künstliche-Intelligenz-Algorithmus umfassend einen Recurrent-Neural-Network-(RNN-)Algorithmus umfasst, die raumzeitliche Positionierung der Endgeräte analysiert und die wahrscheinlich zukünftige Bahn der Teilnehmer ermittelt, um ein Belohnungsmaß auf der Basis einer Reinforcement-Learning-(RL-)Analyse zu maximieren; und die wahrscheinlich zukünftige Bahn der Teilnehmer an die physisch mit dem wenigstens einen Fußgänger verknüpften Endgeräte kommuniziert; die physisch mit dem wenigstens einen Fußgänger verknüpften Endgeräte einen eingebetteten Künstliche-Intelligenz-Algorithmus umfassend einen Conditional-Random-Fields-(CRFs-)Algorithmus umfassen, um zu ermitteln, ob die wahrscheinlich zukünftige Bahn des wenigstens einen Fußgängers unterhalb einer Fahrzeug-zu-Fußgänger-Näheschwellengrenze ist, und, wenn diese Bedingung erfüllt ist, das physisch mit dem wenigstens einen Fußgänger verknüpfte Endgerät ein Kollisionsvermeidungs-Notsignal an wenigstens ein Element der Gruppe kommuniziert umfassend: den wenigstens einen Fußgänger und das wenigstens eine Fahrzeug, welche die Näheschwellengrenze erfüllen.
-
Andere Gegenstände, Vorteile und Merkmale der vorliegenden Erfindung werden nach dem Lesen der nachfolgenden, nicht einschränkenden Beschreibung von spezifischen Ausführungsformen hiervon noch deutlicher hervortreten, wobei diese zur Illustration nur in Verbindung mit den beigefügten Zeichnungen dienen.
-
Figurenliste
-
Die beigefügten Zeichnungen zeigen Folgendes:
- 1 zeigt eine schematische Ansicht einer übergeordneten Netzarchitektur, die Long-Term-Evolution-(LTE)-basierte Geolokalisierung unterstützt, nach dem Stand der Technik.
- 2 zeigt eine schematische Ansicht eines Systems gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung.
- 3 zeigt eine schematische Ansicht einer 2D-Karte, die zum Klassifizieren von raumzeitlichen Koordinaten von Fußgängern und Fahrzeugen entsprechend einem Niveau der Risikowahrscheinlichkeit von identifizierten Räumen gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung verwendet werden kann.
- 4 zeigt die Vorhersage der wahrscheinlich zukünftigen Bahn oder Position eines Teilnehmers auf der Basis einer vorhergehenden raumzeitlichen Positionierung wie durch Long-Term-Evolution-(LTE-)basierten oder Global-Navigation-Satellite-Systems-(GNSS-)basierten Verfahren oder einer Kombination hiervon ermittelt gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung.
- 5 zeigt ein Verfahren zum Isolieren und Verwerfen von raumzeitlichen Koordinaten, die sich außerhalb des Normverhaltens befinden, gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung.
- 6 zeigt eine graphische Darstellung der Annahme oder der Abweisung von normalen und anormalen oder inkohärenten raumzeitlichen Koordinaten.
- 7 zeigt einen Fall, wenn ein mit einem Fußgänger (F), in dem ein mit einem Fußgänger (F), der einen normalen Weg (N) zurücklegt, verknüpftes Endgerät beginnt, inkohärente, fehlende oder außerhalb der Norm befindliche Long-Term-Evolution-(LTE-)ermittelte raumzeitliche Koordinaten (H) beim Passieren von Long-Term-Evolution-(LTE-)Signalen dämpfenden Gebäuden aufzuweisen, gemäß einer Ausführungsform eines Aspekts der Erfindung.
- 8 zeigt einen Fall, wenn mit Fußgängern (F, G) verknüpfte Endgeräte und ein mit einem Fahrzeug (V) verknüpftes Endgerät, die raumzeitliche Koordinaten aufweisen, beginnen, inkohärente, fehlende oder außerhalb der Norm befindliche raumzeitliche Koordinaten aufzuweisen (H: inkohärente Koordinaten aufgrund von defekten Geräten in Fahrzeug V; I: inkohärente Koordinaten aufgrund von widrigen meteorologischen Bedingungen, die das Signal beeinflussen; J: inkohärente Koordination aufgrund von Reflexionen von Gebäudewänden), die unter Verwendung von künstlicher Intelligenz klassifiziert und abgelehnt, angenommen oder normalisiert werden können, gemäß einer Ausführungsform eines Aspekts der Erfindung.
- 9 zeigt einen Fall gemäß einer Ausführungsform eines Aspekts der Erfindung, in dem ein eingebetteter Künstliche-Intelligenz-Algorithmus zum Identifizieren eines Fahrzeugs (D) verwendet werden kann. Die Identifizierung des Fahrzeugs kann durch Finden von Mustern in raumzeitlichen Koordinaten, unterschieden von Mustern in raumzeitlichen Koordinaten eines Rollstuhls (A), eines die Straße querenden Fußgängers (B) oder eines Fahrrads (C), erfolgen.
- 10 zeigt Redundanz eines Entscheidungsprozesses gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung.
- 11 zeigt ein Logo mit proprietärem Strichcode, das beispielsweise zum Identifizieren eines Fahrzeugs umfassend ein Long-Term-Evolution-(LTE-)fähiges Endgerät, ermöglicht durch einen eingebetteten Künstliche-Intelligenz-Algorithmus zur Fahrzeug-zu-Fußgänger-(Vehicle-to-Pedestrian-/V2P-)Kollisionsvermeidung, verwendet werden kann, gemäß einer Ausführungsform eines Aspekts der Erfindung.
- 12 zeigt ein Detail von 11.
- 13 zeigt eine schematische Ansicht von physisch mit Fahrzeugen verknüpften Endgeräten, die Geolokalisierungseingaben von anderen Arten von Sensoren empfangen können, gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung.
- 14 zeigt eine schematische Ansicht von physisch mit Fahrzeugen verknüpften Endgeräten, die Geolokalisierungseingaben von anderen Arten von Sensoren empfangen können, gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung. 15 zeigt eine schematische Ansicht von physisch mit Fahrzeugen und/oder Fußgängern verknüpften Fahrzeugen, die Geolokalisierungseingaben von anderen im städtischen Umfeld verteilten Arten von Sensoren empfangen können.
-
AUSFÜHRLICHE BESCHREIBUNG DER ERFINDUNG
-
Nachfolgend sind ein Verfahren und ein System zur Fahrzeug-zu-Fußgänger-(Vehicle-to-Pedestrian-/V2P-)Kollisionsvermeidung auf dem Gebiet von intelligenter Transporttechnologie und Datenanalytik mit einem in einem Endgerät eingebetteten Künstliche-Intelligenz-Algorithmus für die Fahrzeug-zu-Fußgänger-(Vehicle-to-Pedestrian-/V2P-)Kollisionsvermeidung durch die folgenden nicht beschränkenden Beispiele beschrieben.
-
Ein Verfahren und ein System zur Fahrzeug-zu-Fußgänger-(Vehicle-to-Pedestrian-/V2P-)Kollisionsvermeidung gemäß einer Ausführungsform eines Aspekts der Erfindung sind in 2 dargestellt.
-
Die Fahrzeug-zu-Fußgänger-(Vehicle-to-Pedestrian-/V2P-)Kollisionsvermeidung umfasst wenigstens ein Fahrzeug (V) und wenigstens einen Fußgänger (P). Jeder Fußgänger ist mit wenigstens einem Long-Term-Evolution-(LTE-)fähigen Endgerät verknüpft. Jedes Fahrzeug ist mit wenigstens einem Long-Term-Evolution-(LTE-)fähigen Endgerät verknüpft. Wie hier verwendet bezeichnet der Begriff „physisch verknüpft“ eine proximale Kombination, Verbindung, Verknüpfung oder Kopplung zwischen einem LTE-fähigen Endgerät und einem Fußgänger oder einem Fahrzeug. Beispielsweise kann ein Long-Term-Evolution-(LTE-)fähiges Endgerät physisch mit einem Fußgänger verknüpft sein, etwa ein in der Tasche eines Fußgängers steckendes Mobiltelefon, oder es kann physisch mit einem Fahrzeug verknüpft sein, etwa ein am Armaturenbrett eines Fahrzeugs befestigtes Mobiltelefon.
-
Die raumzeitliche Positionierung von jedem Endgerät wird aus Long-Term-Evolution-(LTE-)Funksignalen, vermittelt durch Long-Term-Evolution-(LTE-)Funkbasisstationen (BS) und einen Location-Service-Client-(LCS-)Server, ermittelt. Signale von wenigstens drei Funkbasisstationen (BS) können zum Verwenden eines Triangulationsverfahrens beispielsweise zum Ermitteln der genauen Position von jedem Endgerät zur Positionierung der genauen Position von jedem Endgerät durch Triangulation verwendet werden.
-
Der Location-Service-Client-(LCS-)Server umfasst einen eingebetteten Künstliche-lntelligenz-(AI-1-)Algorithmus umfassend beispielsweise einen Recurrent-Neural-Network-(RNN-)Algorithmus zum Analysieren der raumzeitlichen Positionierung der Endgeräte des Fußgängers (P) und der Endgeräte des Fahrzeugs (V) und Ermitteln einer wahrscheinlich zukünftigen Bahn des Fußgängers (P) und des Fahrzeugs (V), um ein Belohnungsmaß auf der Basis einer Reinforcement-Learning-(RL-)Analyse zu maximieren. Wie hier verwendet bezeichnet der Begriff „Betohnungsmaß“ das Ziel des Minimierens der Fahrzeug-zu-Fußgänger-Kollisionswahrscheinlichkeit, so dass der Künstliche-Intelligenz-Algorithmus das beste Szenario zum Maximieren der Fahrzeug-zu-Fußgänger-Kollisionsvermeidungswahrscheinlichkeit ermittelt. Der LCS-Server kommuniziert die wahrscheinliche zukünftige Bahn der Teilnehmer an die physisch mit dem Fußgänger (P) verknüpften Endgeräte. Die physisch mit dem Fußgänger (P) verknüpften umfassen einen eingebetteten Künstliche-Intelligenz-(AI-2-)Algorithmus umfassend einen Conditional-Random-Fields-(CRFs-)Algorithmus zum Ermitteln, ob die wahrscheinlich zukünftige Bahn des Fußgängers unterhalb einer Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze ist, und, wenn diese Bedingung erfüllt ist, kommunizieren die physisch mit dem Fußgänger (P) verknüpften Endgeräte ein Kollisionsvermeidungs-Notsignal an den Fußgänger (P) und an das Fahrzeug (C), welche die Näheschwellengrenze erfüllen.
-
Ebenso kommuniziert der LCS-Server die wahrscheinliche zukünftige Bahn der Teilnehmer an die physisch mit dem Fahrzeug (V) verknüpften Endgeräte. Die physisch mit dem Fahrzeug (V) verknüpften Endgeräte umfassen einen eingebetteten Künstliche-Intelligenz-(AI-2)Algorithmus umfassend einen Conditional-Random-Fields-(CRFs-)Algorithmus zum Bestimmen, ob die wahrscheinlich zukünftige Bahn des Fahrzeugs (V) unterhalb einer Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze ist, und wenn diese Bedingung erfüllt ist, kommunizieren die mit dem Fahrzeug (V) verknüpften Endgerät ein Kollisionsvermeidungs-Notsignal an den Fußgänger (P) und das Fahrzeug (V), welche die Näheschwellengrenze erfüllen.
-
Die Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze zwischen den Teilnehmern berücksichtigt Position, Geschwindigkeit, Richtung und wahrscheinlich zukünftige Bahnen der Teilnehmer zum Bestimmen einer Maßsicherheitsmarge zum Treffen der richtigen Kollisionsvermeidungsmaßnahmen und beträgt höchstens 10 Meter, beispielsweise höchstens 5 Meter, beispielsweise höchstens 1 Meter.
-
Wenn die Signale von wenigstens drei Basisstationen (BS) empfangen werden, können Triangulationsverfahren auf das Received-Signal-Strength-Indicator-(RSSI-)Verfahren, auf das Time-Difference-of-Arrival-(TDOA-)Verfahren oder auf das Angle-of-Arrival-(AOA-)Verfahren oder auf eine Kombination hiervon angewendet werden, um die genaue Position des Endgeräts zu ermitteln, da die Positionen der Basisstationen (BS) mit einem hohen Genauigkeitsgrad bekannt sind. Die Endgerätposition kann durch eine Kombination von Enhanced Cell Identity (E-CID), Assisted-Global-Navigation-Satellite-Systems-(GNSS-)Informationen vom Endgerät, Received-Signal-Strength-Indicator-(RSSI-)Verfahren, Time-Difference-of-Arrival-(TDOA-)Verfahren und Angle-of-Arrival-(AOA-)Verfahren ermittelt werden.
-
Long Term Evolution (LTE) kann die von 3GPP für das 5G-(Fifth-Generation-)Mobilnetz entwickelte 5G NR New Radio Access Technology (RAT) verwenden.
-
Die Endgeräte wie hier beschrieben können aus einem Mobiltelefon, einem tragbaren Gerät, einem Internet-of-Things-(IoT-)Gerät oder einem beliebigen anderen mit dem Telekommunikationsnetz verbundenen Long-Term-Evolution-(LTE-)fähigen Gerät oder einer beliebigen Kombination von diesen bestehen. Die Endgeräte können eine Anwendung, eine Software, eine Firmware, eine Hardware oder ein Gerät zum Speichern und Aktivieren des eingebetteten Künstliche-lntelligenz-(AI-2-)Algorithmus umfassen.
-
Der in die Endgeräte eingebettete Künstliche-Intelligenz-(AI-2)Algorithmus kann einen Recurrent-Neural-Network-(RNN-)Algorithmus oder einen Reinforcement-Learning-(RL-)Algorithmus oder einen Conditional-Random-Fields-(CRFs-)Algorithmus oder einen Maschinelles-Lernen-(ML-)Algorithmus oder einen Deep-Learning-(DL-)Algorithmus oder einen beliebigen anderen Künstliche-Intelligenz-Algorithmus oder eine Kombination hiervon umfassen. Ein Recurrent Neural Network (RNN) ist eine Klasse von künstlichen neuronalen Netzen, bei denen Verbindungen zwischen Knoten einen gerichteten Graphen entlang einer zeitlichen Sequenz bilden. Dies ermöglicht dem neuronalen Netz, zeitlich dynamisches Verhalten zu zeigen, wobei die raumzeitlichen Koordinaten eines Teilnehmers durch eine Matrix X = (x,y,z,t) bezeichnet werden. Reinforcement Learning (RL) ist ein Gebiet des maschinellen Lernens, der sich damit befasst, wie Teilnehmer Aktionen in einer Umgebung treffen sollten, um einen Begriff von kumulativer Belohnung zu maximieren. Conditional Random Fields (CRFs) ist eine Klasse von statischen Modellierverfahren, die häufig in Mustererkennung und maschinellem Lernen angewendet und zur strukturierten Vorhersage verwendet wird.
-
Der in den LCS-Server eingebettete Künstliche-lntelligenz-(Al-1)Algorithmus kann einen Recurrent-Neural-Network-(RNN-)Algorithmus oder einen Reinforcement-Learning-(RL-)Algorithmus oder einen Conditional-Random-Fields-(CRFs-)Algorithmus oder einen Maschinelles-Lernen-(ML-)Algorithmus oder einen Deep-Learning-(DL-)Algorithmus oder einen beliebigen anderen Künstliche-Intelligenz-Algorithmus oder eine Kombination hiervon umfassen.
-
Die Künstliche-Intelligenz-Algorithmen können verwendet werden, um die wahrscheinliche Bahn von Teilnehmern auf der Basis von raumzeitlichen Datenmengen sowie großen raumzeitlichen Datenmengen vorherzusagen. Ein raumzeitliches Bahnmodell kann als eine Menge von raumzeitlichen Punkten X = (x,y,z,t) eines sich entlang einer Bahn bewegenden Teilnehmers, dargestellt durch seine Geolokalisierungskoordinaten in Raum und Zeit (sequentielle Datenmengen von Teilnehmer, Zeit und Ort), definiert sein. Die Datenmengen können ebenfalls raumzeitliche Geolokalisierungsdaten sein, die andere Arten von Daten, die nicht als raumzeitliche Punkte klassifiziert sind, umfassen, etwa Bilddaten oder Audiodaten oder andere Arten von Daten. Zum Verarbeiten von sequentiellen Datenmengen können neuronale Netze von Deep-Learning-(Recurrent-Neural-Networks-/RNN-)Algorithmen verwendet werden. RNNs wurden hauptsächlich zum Lösen von sequentiellen oder Zeitserienproblemen wie Sensorstromdatenmengen von verschiedener Länge entwickelt. Es können ebenfalls Long-Short-Term-Memory-(LSTM-)Algorithmen verwendet werden, die den Speicher nachahmen, um die Nachteile von RNN aufgrund der verschwindenden Gradientenprobleme zu beheben, was verhindert, dass das Gewicht (einer bestimmten Variableneingabe) seinen Wert ändert. RNN ist ein künstliches neuronales Netz mit einer verborgenen Schicht ht, die auf einen rekurrenten Zustand bezieht und einen „Speicher“ des Netzes über die Zeit darstellt. Der RNN-Algorithmus kann seinen „Speicher“ zum Verarbeiten von Sequenzen von Eingaben xt verwenden. Bei jedem Zeitschritt t aktualisiert sich der rekurrente Zustand selbst unter Verwendung der eingegebenen Variablen xt und deren rekurrenten Zustands beim vorhergehenden Zeitschritt ht-1 in der Form: ht=f(xt,ht-1). Die Funktion f(xt,ht-1) wiederum ist gleich g(WΨ(xt)+Uht-1+bh), wobei ψ(xt) die Funktion ist, die eine diskrete Variable in eine kontinuierliche Darstellung umwandelt, während W und U geteilte Parameter (Matrizen) des Modells durch alle Zeitschritte sind, die codieren, welche Wichtigkeit dem aktuellen Datum und dem vorhergehenden rekurrenten Zustand gegeben wird. Die Variable b ist gegebenenfalls eine Verzerrung. Während neuronale Netze von Deep-Learning-Modellen große Datenmengen zum Lernen und Vorhersagen der Bahn eines Teilnehmers erfordern, können bedingte Random Fields (RFs) für den gleichen Zweck für kleinere Datenmengen verwendet werden. RFs können besser geeignete für kleine Datenmengen sein und können in Kombination mit RNN verwendet werden. Modelle mit kleinen Datenmengen können Reinforcement-Learning-Algorithmen verwenden, wenn Bahnvorhersagen nur nächste raumzeitliche Geolokalisierungsdaten berücksichtigen.
-
Die Künstliche-Intelligenz-Algorithmen können zum Vorhersagen der wahrscheinlichen Bahn von Teilnehmern auf der Basis von erweiterten raumzeitlichen Datenmengen und anderen Arten von Datenmengen verwendet werden, die mit Bahnabsicht des Fahrzeugs oder des Fußgängers verbunden sein können, umfassend raumzeitliche Geschwindigkeits- und Beschleunigungsdatenmengen, welche die raumzeitliche Änderung der Position ermitteln (dx/dt, dy/dt, dz/dt, d2x/dt2, d2y/dt2, d2z/dt2), raumzeitliche Winkel- oder Gyroskopdatenmengen, welche die raumzeitliche Ausrichtung und Änderung der Ausrichtung ermitteln (□x, □y, □z, d□x/dt, d□y/dt, d□z/dt, d2□x/dt2, d2□y/dt2, d2□z/dt2), oder andere raumzeitliche Datenmengen oder eine Kombination hiervon Ein raumzeitliches Bahnmodell kann als eine Menge von raumzeitlichen Punkten X=(x, y, z, t) oder eine Menge von erweiterten raumzeitlichen Punkten X=(x, y, z, t, dx/dt, dy/dt, dz/dt, d2x/dt2, d2y/dt2, d2z/dt2, □x, □y, □z, d□x/dt, d□y/dt, d□z/dt, d2□x/dt2, d2□y/dt2, d2□z/dt2) eines sich entlang einer durch dessen Geolokalisierung, Geschwindigkeit und Gyroskopkoordinaten in dreidimensionalem Raum und Zeit dargestellten Bahn bewegenden Teilnehmers definiert sein. Der RNN-Algorithmus kann seinen „Speicher“ zum Verarbeiten von Sequenzen von Eingaben verwenden = (x, y, z, t, dx/dt, dy/dt, dz/dt, d2x/dt2, d2y/dt2, d2z/dt2, □x, Dy, □z, d□x/dt, d□y/dt, d□z/dt, d2□x/dt2, d2□y/dt2, d2□z/dt2). Bei jedem Zeitschritt t aktualisiert sich der rekurrente Zustand selbst unter Verwendung der eingegebenen Variablen xt und deren rekurrenten Zustands beim vorhergehenden Zeitschritt ht-1 in der Form: ht=f(xt,hr-1).
-
Der in den Endgeräten eingebettete Künstliche-Intelligenz-Algorithmus kann für physisch mit einem Fahrzeug (V) verknüpfte Endgeräte oder physisch mit einem Fußgänger (P) oder einen LCS-Server beliebiger Art verknüpfte Endgeräte spezifisch sein. Beispielsweise können die physisch mit einem Fahrzeug (V) oder einem Fußgänger (P) verknüpften Endgeräte eine Recheneinheit zum Verarbeiten eines Künstliche-Intelligenz-Algorithmus umfassen, wobei die Recheneinheit ein Element ist der Gruppe umfassend: eine mobile Anwendung, eine Software, eine Firmware, eine Hardware, ein physisches Gerät und ein Computergerät oder eine Kombination hiervon. Der Künstliche-Intelligen-Algorithmus kann verschiedene algorithmische Codes zum Liefern von spezifischen Ergebnissen für verschiedene Benutzergeräte oder zum Liefern von spezifischen Ergebnissen für verschiedene Endanwender liefern, die mit dem Automobilsektor oder dem Mobiltelefonsektor oder dem Telekommunikationssektor oder dem Transportsektor oder beliebigen anderen Sektoren verbunden sein können. Endbenutzer können Automobil-OEMs oder Mobiltelefonanwendungsanbieter oder Mobiltelefonanbieter oder beliebige andere Endbenutzer umfassen.
-
Die Endgeräte können physisch mit Fahrzeugen umfassend autonome Fahrzeug, nicht autonome Fahrzeuge, selbstfahrende Fahrzeuge, Geländefahrzeuge, Lastkraftwagen, Herstellungsfahrzeuge, Industriefahrzeuge, Sicherheits- und Schutzfahrzeuge, Elektrofahrzeuge, Tiefflug-Flugzeuge, Hubschrauber, Drohnen (UAVs), Boote oder beliebige andere Arten von Kraft-, Luft- oder Wasserfahrzeugen mit einer gewissen Nähe zu Fußgängern wie in Stadt-, Industrie-, Flughafen- oder Schifffahrtsumfeld verknüpft sein. Die physisch mit Fahrzeugen verknüpften Endgeräte können eine Recheneinheit zum Verarbeiten eines Künstliche-Intelligenz-Algorithmus umfassen, wobei die Recheneinheit ein Element der Gruppe ist umfassend: eine mobile Anwendung, eine Software, eine Firmware, eine Hardware, ein physisches Gerät und ein Computergerät oder eine Kombination hiervon, die mit dem Künstliche-lntelligenz-(AI-2-)Algorithmus verknüpft sein kann, um zu ermitteln, ob die wahrscheinlich zukünftige Bahn der Fahrzeuge unterhalb einer Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze liegt und, wenn diese Bedingung erfüllt ist, ein Kollisionsvermeidungs-Notsignal zu kommunizieren. Das Signal kann die Form einer direkten Betätigung am Fahrzeug aufweisen, umfassend das Ändern der Richtung des Fahrzeugs (beispielsweise eine Kurskorrektur) oder das Ändern der Geschwindigkeit des Fahrzeugs (beispielsweise das Betätigen der Bremsen) oder das Senden eines Signals an den Fußgänger (beispielsweise eine optische oder akustische Signalgebung) oder beliebige andere Betätigungsmaßnahmen durch direktes Einwirken auf die Bedienelemente des Fahrzeugs zur Kollisionsvermeidung. Beispielsweise umfasst das Kollisionsvermeidungs-Notsignal einen Entscheidungsprozess zum Ermöglichen von wenigstens einem Element der Gruppe umfassend: Ändern der Richtung des Fahrzeugs; Ändern der Geschwindigkeit des Fahrzeugs; und Senden eines Signals an den wenigstens einen Fußgänger.
-
Die physisch mit Fahrzeugen verknüpften Endgeräte können Geolokalisierungseingaben von anderen Arten von Sensoren umfassend beispielsweise ein beliebiges Element der Gruppe umfassend Global Navigation Satellite Systems (GNSS) (oder GPS), Kamera-, Sonar-, Lidar-, Radar-, Beschleunigungsmessungs-, Trägheits- oder Gyroskopsensoren oder beliebige andere Sensoren oder eine Kombination hiervon empfangen. Der Künstliche-Intelligenz-Algorithmus (AI-1) kann Long-Term-Evolution-(LTE-)Eingaben oder GPS-Eingaben oder Kameraeingaben oder Sonareingaben oder Lidareingaben oder Radareingaben oder Beschleunigungsmessungseingaben oder gyroskopische Eingaben entsprechend der Genauigkeit oder Zuverlässigkeit von allen Eingaben gewichten oder priorisieren. Die Position der physisch mit Fahrzeugen verknüpften Endgeräte kann durch andere Arten von in den Endgeräten eingebetteten Sensoren umfassend ein beliebiges Element der Gruppe umfassend Global Navigation Satellite Systems (GNSS), Kamera-, Sonar-, Lidar- oder Radarsensoren oder beliebige andere Sensoren oder eine Kombination hiervon ermittelt werden und kann durch eine Geolokalisierungseingabe von anderen Arten von im städtischen Umfeld verteilten Sensoren unterstützt werden.
-
Die Endgeräte können physisch mit Fußgängern umfassend Fußgänger auf Gehwegen, Fußgänger auf Straßen, Fußgänger auf Kreuzungen, Bauarbeiter, Fertigungsarbeiter, Sicherheits- und Schutzarbeiter, Flughafenarbeiter, Arbeiter in der Schifffahrt, Rollstuhlbenutzer, Radfahrer, Tiere oder beliebige andere Arten von Fußgängern verknüpft sein. Die physisch mit Fußgängern verknüpften Endgeräte können eine Anwendung, eine Software, eine Firmware, eine Hardware, ein physisches Gerät oder ein Computergerät umfassen, die mit dem Künstliche-lntelligenz-(AI-2-)Algorithmus verknüpft sein kann, um zu ermitteln, ob die wahrscheinlich zukünftige Bahn der Fußgänger unterhalb einer Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze liegt und, wenn diese Bedingung erfüllt ist, ein Kollisionsvermeidungs-Notsignal zu kommunizieren. Das Signal kann die Form einer direkten Betätigung am die Näheschwellengrenze erfüllenden Fahrzeug aufweisen, umfassend das Ändern der Richtung des Fahrzeugs (beispielsweise eine Kurskorrektur) oder das Ändern der Geschwindigkeit des Fahrzeugs (beispielsweise das Betätigen der Bremsen) oder das Senden eines Signals an den Fußgänger (beispielsweise eine optische oder akustische Signalgebung) oder beliebige andere Betätigungsmaßnahmen durch direktes Einwirken auf die Bedienelemente des Fahrzeugs zur Kollisionsvermeidung Computergerät oder eine Kombination hiervon.
-
Die physisch mit Fußgängern verknüpften Endgeräte können Geolokalisierungseingaben von anderen Arten von Sensoren umfassend beispielsweise ein beliebiges Element der Gruppe umfassend GPS, Kamera-, Sonar-, Lidar-, Radar-, Beschleunigungsmessungs-, Trägheits- oder Gyroskopsensoren oder beliebige andere Sensoren oder eine Kombination hiervon empfangen. Der Künstliche-Intelligenz-Algorithmus kann Long-Term-Evolution-(LTE-)Eingaben oder GPS-Eingaben oder Kameraeingaben oder Sonareingaben oder Lidareingaben oder Radareingaben oder Beschleunigungsmessungseingaben oder gyroskopische Eingaben entsprechend der Genauigkeit oder Zuverlässigkeit von allen Eingaben gewichten oder priorisieren. Die Position der physisch mit Fußgängern verknüpften Endgeräte kann durch andere Arten von in den Endgeräten eingebetteten Sensoren umfassend ein beliebiges Element der Gruppe umfassend Global Navigation Satellite Systems (GNSS), Kamera-, Sonar-, Lidar-, Radar-, Beschleunigungsmessungs- oder Gyroskopsensoren oder beliebige andere Sensoren oder eine Kombination hiervon ermittelt werden.
-
3 zeigt ein Schema der Anwendung einer 2D-Karte, die zum Klassifizieren von raumzeitlichen Koordinaten von Fußgängern (P) und Fahrzeugen (V) entsprechend einem Niveau der Risikowahrscheinlichkeit von identifizierten Räumen verwendet werden kann. Beispielsweise können mit Gehwegen (A) koinzidente räumliche Koordinaten als Niedrigwahrscheinlichkeits-Kollisionsbereiche zwischen Fußgänger und Fahrzeug klassifiziert werden. Mit Straßen (B) koinzidente räumliche Koordinaten können als Hochwahrscheinlichkeits-Kollisionsbereiche zwischen Fußgänger und Fahrzeug klassifiziert werden. Mit Innenorten (C) koinzidente räumliche Koordinaten können als sichere Bereiche betrachtet werden.
-
4 zeigt die Vorhersage der wahrscheinlich zukünftigen Bahn oder Position (30) eines Teilnehmers (32) auf der Basis einer vorhergehenden raumzeitlichen Positionierung wie durch Long-Term-Evolution-(LTE-)basierten oder Global-Navigation-Satellite-Systems-(GNSS-)basierten Verfahren oder einer Kombination (34) hiervon ermittelt. Die wahrscheinlich zukünftige Bahn oder Position (30) eines Teilnehmers (32) kann durch einen eingebetteten Künstliche-lntelligenz-(AI-2-)Algorithmus umfassend einen Recurrent-Neural-Network-(RNN-)Algorithmus oder einen Reinforcement-Learning-(RL-)Algorithmus oder einen Conditional-Random-Fields-(CRFs-)Algorithmus oder einen Maschinelles-Lernen-(ML-)Algorithmus oder einen Deep-Learning-(DL-)Algorithmus oder einen beliebigen anderen Künstliche-Intelligenz-Algorithmus oder eine Kombination ermittelt werden. Die wahrscheinlich zukünftige Bahn oder Position (30) eines Teilnehmers (32) kann auf einer Analyse der vorhergehenden raumzeitlichen Koordinaten des Teilnehmers, seiner momentanen Position, seiner Geschwindigkeit und auf einem Niveau der Risikowahrscheinlichkeit von identifizierten Räumen beruhen. Ebenso kann eine wahrscheinlich zukünftige Bahn oder Position (30) eines Teilnehmers (32) auf einer Analyse des vorhergehenden raumzeitlichen Bahnmodells des Teilnehmers basieren, die als eine Menge von raumzeitlichen Punkten X=(x, y, z, t) oder eine Menge von erweiterten raumzeitlichen Punkten X=(x, y, z, t, dx/dt, dy/dt, dz/dt, d2x/dt2, d2y/dt2, d2z/dt2, □x, □y, □z, d□x/dt, d□y/dt, d□z/dt, d2□x/dt2, d2□y/dt2, d2□z/dt2) eines sich entlang einer durch dessen Geolokalisierung, Geschwindigkeit dargestellten Bahn bewegenden Teilnehmers definiert sein.
-
5 zeigt die Verwendung von einem eingebetteten Künstliche-Intelligenz-Algorithmus einen Recurrent-Neural-Network-(RNN-)Algorithmus oder einem Reinforcement-Learning-(RL-)Algorithmus oder einem Conditional-Random-Fields-(CRFS-)Algorithmus oder einem Maschinelles-Lernen-(ML-)Algorithmus oder einem Deep-Learning-(DL-)Algorithmus oder einem beliebigen anderen Künstliche-Intelligenz-Algorithmus oder einer Kombination hiervon zum Isolieren und Verwerfen von raumzeitlichen Koordinaten eines Fußgängers (F) oder eines Fahrzeugs (E), die außerhalb des Normverhaltens (H) sind, wobei (G) vergangene und kohärente raumzeitliche Koordinaten darstellt. Koordinaten (H) außerhalb der Norm können inkohärent, fehlend oder zu verschieden von der Vorhersage der Position sein. Sie können aus einem mit dem Long-Term-Evolution-(LTE-)Gerätebetrieb folgenden geographischen Bereich, beispielsweise einem Raum zwischen zwei Gebäuden, bei dem Wände die Long-Term-Evolution-(LTE-)Signale dämpfen, oder einem anderweitig defekten Endgerät resultieren.
-
6 zeigt eine graphische Darstellung der Annahme oder Ablehnung jeweils von normalen (X) und abnormalen und inkohärenten (H) raumzeitlichen Koordinaten und ihre Klassifizierung gemäß einer vom System für einen spezifischen Fußgänger, ein Gerät, ein Fahrzeug, einen geographischen Bereich oder allgemein festgelegten Genauigkeit (P). Die Genauigkeit (P) wird zum Disqualifizieren von außerhalb befindlichen Ergebnissen von normaler Bewegung ausgewählt. Die Norm (N) kann vielen möglichen mathematischen Verteilungen folgen und gemäß spezifischem Endgerät, spezifischem Fußgänger, spezifischem Long-Term-Evolution-(LTE-)Gerät, spezifischem Fahrzeug oder geographischem Bereich ausgewählt werden.
-
7 zeigt einen Fall, wenn ein mit einem Fußgänger (F), in dem ein mit einem Fußgänger (F), der einen normalen Weg (N) zurücklegt, verknüpftes Endgerät beginnt, inkohärente, fehlende oder außerhalb der Norm befindliche Long-Term-Evolution-(LTE-)ermittelte raumzeitliche Koordinaten (H) beim Passieren von Long-Term-Evolution-(LTE-)Signalen dämpfenden Gebäuden beispielsweise aufzuweisen. Diese raumzeitlichen Koordinaten (H) können unter Verwendung von künstlicher Intelligenz auf der Basis von geographischer Zone, Wetter, Ortungssignal, Gerät, Fahrzeug oder Benutzer abgelehnt, angenommen oder normalisiert werden. Beispielsweise können momentane zufällige raumzeitliche Koordinaten unmittelbar abgelehnt werden, während eine lineare Progression von raumzeitlichen Koordinaten koinzident mit einem Gehweg oder einem anderen sicheren Bereich angenommen werden können. Eine lineare Progression von Koordinaten, bei der vermutet wird, dass sie beispielsweise durch das Wetter oder durch Umgebungselemente geändert wird, kann normalisiert, das heißt neuberechnet, werden und dann als zuverlässige raumzeitliche Koordinaten betrachtet werden.
-
8 zeigt einen Fall, in dem mit Fußgängern (F, G) verknüpfte Endgeräte und ein mit einem Fahrzeug (V) verknüpftes Endgerät mit raumzeitlichen Koordinaten beginnen, inkohärente, fehlende oder außerhalb der Norm befindliche raumzeitliche Koordinaten aufzuweisen (H: inkohärente Koordinaten aufgrund eines defekten Geräts in Fahrzeug V; I: inkohärente Koordinaten aufgrund von widrigen Witterungsverhältnissen, die das Signal beeinflussen; J: inkohärente Koordinaten aufgrund von Reflexionen von Gebäudewänden), die unter Verwendung von künstlicher Intelligenz auf der Basis von geographischer Zone, Wetter, Ortungssignal, Gerät, Fahrzeug V oder Benutzer klassifiziert und abgelehnt, angenommen oder normalisiert werden. Gemäß einer Klassifizierungsentscheidung kann ein Alarm an den Fußgänger, einer Person an Bord oder das Fahrzeug V gesendet werden.
-
9 zeigt einen Fall, in dem ein eingebetteter Künstliche-Intelligenz-Algorithmus einen Recurrent-Neural-Network-(RNN-)Algorithmus oder einen Reinforcement-Learning-(RL-)Algorithmus oder einen Conditional-Random-Fields-(CRFs-)Algorithmus oder einen Maschinelles-Lernen-(ML-)Algorithmus oder einen Deep-Learning-(DL-)Algorithmus oder einen beliebigen anderen Künstliche-Intelligenz-Algorithmus oder eine Kombination hiervon zum Identifizieren eines Fahrzeugs (D) verwendet werden kann. Die Identifizierung des Fahrzeugs kann durch Finden von Mustern in raumzeitlichen Koordinaten, unterschieden von Mustern in raumzeitlichen Koordinaten eines Rollstuhls (A), eines die Straße querenden Fußgängers (B) oder eines Fahrrads (C) erfolgen. Das Identifizierungsverfahren basiert auf Mustern in raumzeitlichen Koordinanten in Abbildungsbereichen, das heißt Bereichen der Umgebung wie zuvor beispielsweise in Bezug auf 3 beschrieben, unter Berücksichtigung von Positions-, Geschwindigkeits- und Richtungsdaten.
-
Der eingebettete Künstliche-Intelligenz-Algorithmus kann ebenfalls zum Managen von Signalen und Batterielebensdauer der Endgeräte und zum Vermeiden eines Überlastens des Location-Service-Client-(LCS-)Servers auf der Basis von Abbildungsbereichen, das heißt Bereichen der Umgebung wie zuvor beispielsweise in Verbindung mit 3 beschrieben, verwendet werden. Da Gehwege sichere Bereiche für Fußgänger darstellen, kann die Auffrischungsrate von gesammelten raumzeitlichen Koordinaten auf Normal gesetzt werden, beispielsweise auf 2 raumzeitliche Koordinaten pro Sekunde. Bei Straßen hingegen, die gefährliche Bereiche für Fußgänger sowie beispielsweise für Fahrräder und Rollstühle darstellen, kann die Auffrischungsrate von gesammelten raumzeitlichen Koordinaten auf Hoch gesetzt werden, beispielsweise auf 4 raumzeitliche Koordinaten pro Sekunde. Da wiederum Innenräume etwa in Gebäuden als sichere Bereiche für Fußgänger betrachtet werden können, kann die Auffrischungsrate von gesammelten raumzeitlichen Koordinaten auf Niedrig gesetzt werden, beispielsweise auf 1 raumzeitliche Koordinate pro 30 Sekunden.
-
Gemäß 9 kann der eingebettete Künstliche-Intelligenz-Algorithmus ebenfalls zum Ermitteln der Größe, der Fläche und der Form der Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze auf der Basis von wahrscheinlich zukünftigen Bahnen der Teilnehmer und von Abbildungsbereichen (das heißt Bereichen der Umgebung wie zuvor beispielsweise in Bezug auf 9 beschrieben) verwendet werden. Da Gehwege sichere Bereiche für Fußgänger darstellen, kann die Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze für einen Gehwegbenutzer (PTa) auf die Größe des Gehwegs selbst (üblicherweise weniger als 3 Meter) festgelegt werden. Da hingegen Straßen gefährliche Bereiche für Fußgänger sowie Fahrräder und Rollstühle darstellen, kann die Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze für einen an der Seite der Straße fahrenden Rollstuhl (PTc) auf eine größere Größe (3 bis 5 Meter) festgelegt werden und die Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze für einen die Mitte der Straße querenden Fußgänger (PTb) kann auf eine noch größere Größe (mehr als 5 Meter) unter Berücksichtigung von Position, Geschwindigkeit, Richtung und wahrscheinlich zukünftigen Bahnen der Teilnehmer zum Ermitteln einer Maßsicherheitsmarge zum Treffen der richtigen Kollisionsvermeidungsmaßnahmen festgelegt werden.
-
Die Endgeräte umfassen einen eingebetteten Künstliche-Intelligenz-Algorithmus (auf der Basis eines Recurrent-Neural-Network-(RNN-)Algorithmus oder eines Reinforcement-Learning-(RL-)Algorithmus oder eines Conditional-Random-Fields-(CRFs-)Algorithmus oder eines Machine-Learning-(ML-)Algorithmus oder eines Deep-Learning-(DL-)Algorithmus oder eines beliebigen anderen Künstliche-Intelligenz-Algorithmus oder einer Kombination hiervon), der verwendet wird, um zu bestimmen, ob die wahrscheinlich zukünftige Bahn der Teilnehmer unterhalb einer Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze liegt, und, wenn diese Bedingung erfüllt ist, kommunizieren die physisch mit den Fußgängern (P) verknüpften Endgeräte ein Kollisionsvermeidungs-Notsignal an die Fußgänger (P) und die Fahrzeuge (V), welche die Näheschwellengrenze erfüllen. Das Kollisionsvermeidungs-Notsignal kann die Form eines akustischen Signals oder eines optischen Signals oder eines haptischen Signals oder eines Funksignals oder eines beliebigen Signals oder einer Kombination aufweisen, angepasst an die Erfassungsfähigkeit der Fußgänger und der Betätigungsfähigkeit der Endgeräte der Fußgänger. Das Kollisionsvermeidungs-Notsignal kann ebenfalls ein an die Betätigungsfähigkeit der mit den die Näheschwellengrenze erfüllenden Fahrzeugen verknüpften Endgeräte angepasstes Signal umfassen. Andere Kollisionsvermeidungsmaßnahmen können ebenfalls berücksichtigt werden.
-
Gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung kann der in die Long-Term-Evolution-(LTE-)fähigen Endgeräte eingebettete Künstliche-Intelligenz-Algorithmus für einen Entscheidungsprozess verwendet werden, wenn die Näheschwellengrenze erreicht ist. Der Entscheidungsprozess kann über eine Vielzahl von Endgeräten und über das Netz verteilt sein, um Redundanz für die Kollisionsverhinderungsmaßnahmen zu liefern sowie eine verbesserte Zuverlässigkeit und Sicherheit.
-
10 zeigt Redundanz des Entscheidungsprozesses gemäß einer Ausführungsform der vorliegenden Erfindung. Der Entscheidungsprozess des physisch mit dem Fahrzeug verknüpften Endgeräts kann Maßnahmen zum Verlangsamen des Fahrzeugs oder zum Betätigen der Bremsen oder zum Ändern der Richtung unter Berücksichtigung von Position, Geschwindigkeit, Richtung und wahrscheinlich zukünftiger Bahn von anderen Teilnehmern umfassen. Der Entscheidungsprozess des physisch mit dem Fahrzeug verknüpften Endgeräts kann Maßnahmen zum Verlangsamen, Wegbewegen oder Ändern der Richtung unter Berücksichtigung von Position, Geschwindigkeit, Richtung und wahrscheinlich zukünftiger Bahn von anderen Teilnehmern umfassen. Der Entscheidungsprozess kann im zentralen Netz und auf der Plattform (A) erfolgen und/oder auf dem Gerät (C) des Fußgängers und/oder im Gerät (B) des Fahrzeugs und/oder im neuronalen Netzmodul (F) des Fahrzeugs und/oder durch Fog-Computing (D). Andere Entscheidungsprozesse können ebenfalls berücksichtigt werden.
-
11 und 12 zeigen ein Logo mit proprietärem Strichcode, das beispielsweise zum Identifizieren eines Fahrzeugs umfassend ein Long-Term-Evolution-(LTE-)fähiges Endgerät verwendet werden kann, ermöglicht durch einen eingebetteten Künstliche-Intelligenz-Algorithmus (auf der Basis von einem Recurrent-Neural-Network-(RNN-)Algorithmus oder einem Reinforcement-Learning-(RL-)Algorithmus oder einem Conditional-Random-Fields-(CRFs-)Algorithmus oder einem Maschinelles-Lernen-(ML-)Algorithmus oder einem Deep-Learning-(DL-)Algorithmus oder einem beliebigen anderen Künstliche-Intelligenz-Algorithmus oder einer Kombination hiervon) zur Fahrzeug-zu-Fußgänger-(V2P)-Kollisionsvermeidung. Ein Abtasten des Logos kann Prüfinformationen oder beliebige andere Informationen in Bezug auf Marke, Modell und Farbe des Fahrzeugs zum Authentifizieren der Intaktheit der installierten Al-Geräte liefern. Das Logo kann gemäß Fahrzeugmustern, Marke, Modell und anderen Merkmalen des Fahrzeugs personalisiert sein und kann andere Authentifizierungstechnologien zum Bestätigen des Datums von Installation und Prüfung umfassen.
-
Gemäß 11 und 12 kann das Logo mit proprietärem Strichcode zum Identifizieren eines Fußgängers, der ein Long-Term-Evolution-(LTE-)fähiges Endgerät trägt, verwendet werden kann, ermöglicht durch einen eingebetteten Künstliche-Intelligenz-Algorithmus (auf der Basis von einem Recurrent-Neural-Network-(RNN-)Algorithmus oder einem Reinforcement-Learning-(RL-)Algorithmus oder einem Conditional-Random-Fields-(CRFs-)Algorithmus oder einem Maschinelles-Lemen-(ML-)Algorithmus oder einem Deep-Leaming-(DL-)Algorithmus oder einem beliebigen anderen Künstliche-Intelligenz-Algorithmus oder einer Kombination hiervon) zur Fahrzeug-zu-Fußgänger-(V2P)-Kollisionsvermeidung. Das Logo kann aus einem in das Fußgänger-Endgerät oder in die Fußgängerkleidung oder in ein tragbares Textilteil oder in ein Kleidungsstück integrierten Etikett oder Aufkleber bestehen. Ein Abtasten des Logos kann Identitätsinformationen in Bezug auf den Fußgänger zum Authentifizieren der Intaktheit der Al-Geräte liefern. Das Logo kann gemäß Endgerät oder Kleidungsfarbmustern, Marke, Modell und anderen Merkmalen personalisiert sein und kann andere Authentifizierungstechnologien zum Bestätigen des Datums von Installation und Prüfung umfassen.
-
13 und 14 zeigen physisch mit Fahrzeugen verknüpfte Endgeräte, die Geolokalisierungseingaben von anderen Arten von Sensoren empfangen können, gemäß einer Ausführungsform eines Aspekts der vorliegenden Erfindung. 15 zeigt physisch mit Fahrzeugen und/oder Fußgängern verknüpfte Fahrzeuge, die Geolokalisierungseingaben von anderen im städtischen Umfeld verteilten Arten von Sensoren empfangen können.
-
Es werden somit ein Verfahren und ein System zur Fahrzeug-zu-Fußgänger-(V2P-)Kollisionsvermeidung unter Verwendung von in Endgeräten eingebetteten Künstliche-Intelligenz-(AI-)Algorithmen zur Datenanalyse, zur Entscheidung und zum Treffen von Vorbeugungsmaßnahmen bereitgestellt.
-
Wie zuvor in Bezug beispielsweise auf 2 beschrieben wird eine Datenanalyse unter Verwendung eines in Endgeräten eingebetteten Künstliche-Intelligenz-(AI-)Algorithmus durchgeführt. Teilnehmer bestehen aus wenigstens zwei Long-Term-Evolution-(LTE-)fähigen Endgeräten, physisch verknüpft mit wenigstens einem Fahrzeug (V) und wenigstens einem Fußgänger (P). Die raumzeitliche Positionierung der Endgeräte wird von Long-Term-Evolution-(LTE-)Funksignalen, vermittelt durch wenigstens drei Long-Term-Evolution-(LTE-)Funkbasisstationen (BIS) und wenigstens einen Location-Service-Client-(LCS-)Server, ermittelt, die einen eingebetteten Künstliche-Intelligenz-(AI-1)Algorithmus zum Analysieren der raumzeitlichen Positionierung der Endgeräte und Ermitteln der wahrscheinlich zukünftigen Bahn der Teilnehmer umfassen. Der LCS-Server kommuniziert die wahrscheinliche zukünftige Bahn der Teilnehmer an die physisch mit den Teilnehmern verknüpften Endgeräte. Die physisch mit dem wenigstens einen Fußgänger (P) verknüpften Endgeräte umfassen einen Künstliche-Intelligenz-(AI-2)Algorithmus, um zu ermitteln, ob die wahrscheinlich zukünftige Bahn des wenigstens einen Fußgängers (P) unterhalb einer Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze ist und, wenn diese Bedingung erfüllt ist, die physisch mit dem wenigstens einen Fußgänger (P) verknüpften Endgeräte ein Kollisionsvermeidungs-Notsignal an den wenigstens einen Fußgänger (P) und an das wenigstens eine Fahrzeug (V) kommunizieren, welche die Näheschwellengrenze erfüllen.
-
Wie zuvor in Bezug auf beispielsweise 2 und 11 beschrieben kommuniziert der LCS-Server die wahrscheinlich zukünftige Bahn der Teilnehmer an die physisch mit dem wenigstens einen Fahrzeug (V) verknüpften Endgeräte. Die physisch mit dem wenigstens einen Fahrzeug (10) verknüpften Endgeräte umfassen einen Künstliche-Intelligenz-(AI-2)Algorithmus, um zu ermitteln, ob die wahrscheinlich zukünftige Bahn des wenigstens einen Fahrzeugs (10) unterhalb einer Fahrzeug-zu-Fußgänger-(V2P-)Näheschwellengrenze ist und, wenn diese Bedingung erfüllt ist, das physisch mit dem wenigstens einen Fahrzeug (10) verknüpfte Endgerät ein Kollisionsvermeidungs-Notsignal an den wenigstens einen Fußgänger (P) kommuniziert, der die Näheschwellengrenze erfüllt.
-
Wie beispielsweise in 11, 13 und 14 dargestellt können die physisch mit Fahrzeugen verknüpften Endgeräte Geolokalisierungseingaben von Long-Term-Evolution-(LTE-)Geolokalisierungseingaben und von anderen Arten von Sensoren umfassend beispielsweise ein beliebiges Element der Gruppe umfassend Global Navigation Satellite Systems (GNSS) (oder GPS), Kamera-, Sonar-, Lidar- oder Radarsensoren oder beliebige andere Sensoren oder eine Kombination hiervon umfassen. Der Künstliche-Intelligenz-Algorithmus (AI-2) kann Long-Term-Evolution-(LTE-)Eingaben oder GPS-Eingaben oder Kameraeingaben oder Sonareingaben oder Lidareingaben oder Radareingaben gemäß der Genauigkeit oder Zuverlässigkeit von allen Eingaben zur raumzeitlichen Position der Teilnehmer, zu den Straßenbedingungen oder beliebigen anderen Daten von Interesse gewichten oder priorisieren.
-
Wie beispielsweise in 15 dargestellt können die physisch mit Fahrzeugen und/oder Fußgängern verknüpften Endgeräte Geolokalisierungseingaben von anderen Arten von im städtischen Umfeld verteilten Sensoren umfassend beispielsweise ein beliebiges Element der Gruppe umfassend Global Navigation Satellite Systems (GNSS) (oder GPS), Kamera-, Sonar-, Lidar- oder Radarsensoren oder beliebige andere Sensoren oder eine Kombination hiervon, verteilt im städtischen Umfeld, empfangen. Die im städtischen Umfeld verteilte Sensoren können aus Long-Term-Evolution-(LTE-)Mikro-Basisstationen oder Long-Term-Evolution-(LTE-)Femto-Basisstationen oder in Stadtbeleuchtung integrierte Sensoren oder in Straßenbeleuchtung integrierten Sensoren oder in Verkehrsüberwachungsvorrichtungen integrierten Sensoren oder beliebigen anderen Sensoren oder einer Kombination hiervon bestehen. Die im städtischen Umfeld verteilten Sensoren können eine Schmal- oder Weiterfassungsabdeckung aufweisen und die Erfassungsabdeckungen können eine oder mehrere Straßen abdecken. Der Künstliche-Intelligenz-Algorithmus kann Long-Term-Evolution-(LTE-)Eingaben oder GPS-Eingaben oder Kameraeingaben oder Sonareingaben oder Lidareingaben oder Radareingaben gemäß der Genauigkeit oder Zuverlässigkeit von allen Sensoreingaben zur raumzeitlichen Position der Teilnehmer, zu den Straßenbedingungen, zu den Wetterbedingungen oder beliebigen anderen Daten von Interesse gewichten oder priorisieren. Die Position der physisch mit Fahrzeugen und/oder Fußgängern verknüpften Endgeräte kann durch andere Arten von in den Endgeräten eingebetteten Sensoren umfassend ein beliebiges Element der Gruppe umfassend Global Navigation Satellite Systems (GNSS), Kamera-, Sonar-, Lidar- oder Radarsensoren oder beliebige andere Sensoren oder eine Kombination hiervon ermittelt werden und kann durch eine Geolokalisierungseingabe von anderen Arten von im städtischen Umfeld verteilten Sensoren unterstützt werden.
-
Der Umfang der Ansprüche ist als nicht durch die in den Beispielen dargelegten Ausführungsformen eingeschränkt zu verstehen, sondern soll die entsprechend der Beschreibung breiteste Auslegung erhalten.