EP3465653A1 - Verfahren, vorrichtung und system zur falschfahrererkennung - Google Patents

Verfahren, vorrichtung und system zur falschfahrererkennung

Info

Publication number
EP3465653A1
EP3465653A1 EP17717425.7A EP17717425A EP3465653A1 EP 3465653 A1 EP3465653 A1 EP 3465653A1 EP 17717425 A EP17717425 A EP 17717425A EP 3465653 A1 EP3465653 A1 EP 3465653A1
Authority
EP
European Patent Office
Prior art keywords
vehicle
particles
data
wrong
map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP17717425.7A
Other languages
English (en)
French (fr)
Inventor
Simon GEISLER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP3465653A1 publication Critical patent/EP3465653A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles

Definitions

  • the invention is based on a device or a method according to the preamble of the independent claims.
  • the subject of the present invention is also a computer program.
  • Navigation device (street class and direction) is too late for most cases, i. the wrong-way driver is already on the wrong lane (at high speed and with a high probability of collision).
  • An example cloud-based forwarder warning can be advantageously realized with a specially adapted to the application detection with a particle filter.
  • a method for detecting wrong-way drivers comprises the following steps:
  • Reading position data via an interface, the position data representing a measured position of a vehicle; Reading in map data depicting road sections accessible by the vehicle;
  • the deviation can be used to determine whether the majority of particles match the measured position.
  • the vehicle may be a road vehicle.
  • a wrong travel can be understood to mean a journey of the vehicle on a road contrary to a prescribed direction of travel.
  • the measured position may have been measured using a sensor disposed in the vehicle.
  • the map data may map a road network drivable by the vehicle.
  • the plurality of particles may have been determined using a method used with known particulate filters or using a particulate filter.
  • the particles may have different assumed positions, which may be grouped around the measured position, for example.
  • Deviation can be used to determine or protect a current position of the vehicle.
  • the current position can be an under
  • the Particle Filter uses the Particle Filter to present the estimated position that can be used as the actual position of the vehicle.
  • the current position can be used instead of the measured position for detecting a wrong-way of the vehicle.
  • the method may include a step of determining a wrong-way signal using the current position.
  • the wrong-way signal can indicate whether a wrong-way drive of the vehicle is present or not present.
  • the wrong-way signal can be provided only if a wrong-way is assumed.
  • the method may include a step of determining the plurality of particles using a particulate filter. For example, a weighting of the particles can be changed by the particle filter.
  • the deviation may be determined in the step of determining using a distance between the plurality of particles and the measured position.
  • the map data may be parameters of the vehicle passable
  • the deviation can be determined using the parameters.
  • the information included in the map data can be used to determine the deviation.
  • the method may include a step of reading in movement data representing measured movements of the vehicle.
  • the deviation may be determined based on a match between the motion data and the parameters. As a result, the deviation can be determined even more accurately.
  • the movement data can map a lateral acceleration of the vehicle.
  • the parameters may map a curvature of a road segment mapped by the map data associated with or attributable to at least one of the plurality of particles. This makes it possible to check whether a road section matches a movement performed by the vehicle.
  • the motion data may map a direction of travel of the vehicle and the parameters map a heading specification of a road segment mapped by the map data associated with or attributable to at least one of the plurality of particles. In this way, it can be checked whether a road section fits to a direction of travel of the vehicle.
  • the method may include a step of selecting at least one plausible road segment from those represented by the map data
  • Road sections include.
  • the plausible road section may represent a road section to which at least one of the plurality of particles can be assigned, and one with the direction of travel of the vehicle
  • the deviation may be based on a
  • the position data can be read in via an interface of a computer cloud, a so-called cloud. This enables a cloud-based solution.
  • a corresponding device for identifying wrong-way drivers is set up to execute steps of said method in corresponding units.
  • a device may comprise a read-in device, which is designed to read position data via an interface, has a further read-in device, which is designed to read in map data depicting vehicle passable road sections, having a further read-in device, which is embodied to read in a plurality of particles, wherein a particle represents an assumed position of the vehicle and a weight assigned to the assumed position, and a determination device configured to detect a deviation between the plurality of filtered particles and the measured position comprised by the measurement signal Use of map data to determine.
  • the device may comprise a particle filter for producing and / or further processing the particles.
  • a corresponding system for detecting wrong-way drivers comprises at least one transmitting device which can be arranged or arranged in a vehicle and is designed to transmit position data, as well as a named one False driver recognition device, which is designed to receive the position data transmitted by the at least one transmitting device
  • Another system for false driver detection includes at least one
  • a transmission device that can be arranged or arranged in a vehicle and is configured to transmit position data, the position data representing a measured position of a vehicle, and at least one receiving device that can be arranged or arranged in the vehicle and is configured to supply data to a device received, which is designed according to the approach described here for wrong driver identification to receive the transmitted from the at least one transmitting device position data.
  • the method described may be implemented in software or hardware or in a hybrid of software and hardware, for example in a device.
  • the device can have at least one arithmetic unit for processing signals or data, at least one memory unit for storing signals or data, and / or at least one communication interface for reading in or outputting data that is included in a
  • the arithmetic unit can
  • the memory unit is a flash memory, an EPROM or a
  • the magnetic storage unit can be.
  • the communication interface can be designed to read or output data wirelessly and / or by line, wherein a communication interface that can read or output line-bound data, for example, electrically or optically read this data from a corresponding data transmission line or output to a corresponding data transmission line.
  • a device can be understood as meaning an electrical device which processes sensor signals and outputs control and / or data signals in dependence thereon.
  • the device may have an interface, which may be formed in hardware and / or software.
  • the interfaces may be part of a so-called system ASIC, which includes various functions of the device.
  • the interfaces are their own integrated circuits or at least partially consist of discrete components.
  • the interfaces may be software modules that are present, for example, on a microcontroller in addition to other software modules.
  • a computer program product or computer program with program code which can be stored on a machine-readable carrier or storage medium such as a semiconductor memory, a hard disk memory or an optical memory and for carrying out, implementing and / or controlling the steps of the method according to one of the above
  • Fig. 1 shows a system for Falzablyerkennung according to a
  • FIG. 2 is a flowchart of a method for detecting wrong-way drivers according to an embodiment
  • Fig. 5 shows a system for wrong driver identification according to a
  • FIG. 6 shows a vehicle according to an embodiment
  • 7 shows a program sequence according to an embodiment
  • FIG. 8 shows a program sequence of a particle filter according to a
  • Fig. 1 shows a system for wrong driver identification according to a
  • the system includes a vehicle 100 that has a
  • Transmission device 102 which is configured to wirelessly using a at least one sensor device 104 arranged in the sensor 100 measured data, here for example position data 106 and optionally motion data 107, wirelessly to a device 110 for
  • the device 110 is designed to prepare the measurement data into prepared data and to further process the processed data using a particle filter
  • the wrong-way signal 112 indicates, according to one embodiment, that the vehicle 100 whose measurement data has been processed currently performs a wrong-way drive.
  • both the transmission device 102 of the vehicle 100 and a transmission device 102 of another vehicle 100 are configured to receive the wrong-way signal 112 and to activate a warning device of the respective vehicle 100, 114, which, for example, is one in response to a reception of the wrong-way signal 112 Driver of the respective vehicle 100, 114 before the wrong drive warns or according to a
  • the Transmission device 102 may be designed only as a transmitting device or as a transceiver device.
  • the measurement data includes the position data 106 obtained by using a position determination device of the
  • the measurement data further comprises the movement data 107, which were acquired, for example, using at least one acceleration sensor of the vehicle 100 and information about a current movement of the vehicle 100,
  • information about a direction of travel For example, information about a direction of travel, a
  • Longitudinal acceleration, a lateral acceleration or over a rotation of the vehicle about a vehicle axis include.
  • the device 110 is configured to read in map data 116 indicative of a vehicle passable by the vehicle 100
  • Map road network According to one embodiment, the
  • Map data 116 for example, information about road sections of the road network.
  • the map data 116 with respect to each road section further comprises at least one parameter that defines, for example, a driving direction specification for the respective road section or a course of the respective road section. For example, it can be defined via the parameter whether the road section runs in a straight line or describes a curve.
  • the device 110 has a memory device in which the map data 116 are stored.
  • the device 110 is configured to read a plurality of particles.
  • the particles can be read from an internal or external storage device.
  • Each particle may represent an assumed position of the vehicle and a weight assigned to the assumed position.
  • the apparatus 110 is configured to determine and directly process the plurality of particles using the position data 106 and the map data 116.
  • the device 110 is configured to detect a deviation between the plurality of particles and that through which
  • Position data 106 mapped measured position of the vehicle 100 using the map data to determine.
  • the deviation is used or taken into account in the determination of the wrong-way driver signal 112 according to one exemplary embodiment.
  • the device is 110 or
  • Function blocks of the device 110 are arranged or realized in a cloud 118.
  • the described approach can be used in addition to or instead of various methods for detecting a wrong-way driver, in which e.g. the use of a video sensor is used to detect the passage of a "forbidden entry" sign or the use of a digital map is used in conjunction with a navigation to detect a detection of a wrong direction of travel on a road section, which is only passable in one direction
  • the approach can be combined with wireless methods that detect wrong-way drivers by means of infrastructure such as beacons in the lane or at the lane.
  • the described approach offers many possibilities of responding to a wrong-way driver. Examples are the warning of the wrong driver himself via a display or acoustic information. Also, methods may be used to warn other drivers in the vicinity of a wrong-way driver, e.g. via vehicle-vehicle communication or via mobile radio. Furthermore, the warning of other road users on the roadside established variable traffic signs is possible. An intervention in the engine control or brake of the wrong-traveling vehicle 100 can also take place.
  • the approach described makes it possible to detect a wrong-way driver and to warn other road users in the vicinity in time, for which there is very little time available.
  • the described approach uses for a wrong-way driver detection (Wrong Way Driver Detection) with a client-server solution.
  • a client a device can be seen, located on or in a motor vehicle, which has a
  • the Intemetanitati and has at least access to position coordinates.
  • this may be the transmission device 102.
  • the transmission device 102 may be, for example, a
  • Sensor device 104 may be integrated.
  • wrong-driver-specific server-client communication can be implemented with a smartphone as an exemplary client.
  • the smartphone can be connected via a mobile radio network with a gateway (PDN_GW) to the Internet, in which the device 110, for example in the form of a server, can be arranged.
  • PDN_GW gateway
  • the device 110 in a nationwide use of this function plays a very important role.
  • the economy represents an important aspect. c) communication, data efficiency and power consumption
  • FIG. 2 shows a flowchart of a method for wrong-way driver recognition according to one exemplary embodiment.
  • the method may, for example, be carried out using devices of the device for false driver recognition shown with reference to FIG.
  • the method comprises a step 201, in which position data are read in via an interface.
  • the position data represent a measured position of a vehicle.
  • motion data of the vehicle can additionally be read in step 201.
  • map data is read in which can be driven by the vehicle
  • Map road sections may include parameters that specify the individual road sections in more detail, for example with regard to a roadway curvature or driving direction.
  • a plurality of particles are read.
  • the plurality of particles may, for example, have been created in a previous creation step using the position data and / or previously filtered particles.
  • one of a particle filter is used according to an embodiment.
  • Each of the particles represents an assumed position of the vehicle and a weight assigned to the assumed position.
  • the assumed positions are distributed according to one
  • Embodiment preferably around the measured position.
  • the assumed positions differ from the measured position and the actual position of the vehicle.
  • the determination of the deviation may represent a partial step of steps performed in the particulate filter.
  • using the particulate filter a current position of the vehicle based on the plurality of particulates and the deviation is determined using.
  • a wrong-way signal is generated and provided using a plurality of particles and the deviation.
  • the wrong-way signal can be provided if a plausible route section is determined from the plurality of particles and the deviation, which is assumed to be on the vehicle, and a current travel direction of the vehicle does not coincide with a direction indication associated with the route section.
  • Provision of the wrong-drive signal can be prevented if, due to a large deviation is assumed that a determined using the particulate filter current position of the vehicle does not match the actual position of the vehicle.
  • the particle filter is applicable to systems which are subject to a hidden Markov chain characteristic, ie a Markov chain with unobserved states.
  • Fig. 3 shows a Hidden Markov Chain Model 320 with state x and observation z at time k and k-1.
  • each particle has the weight and the condition
  • Embodiment For this purpose, a hidden Markov Chain Model with the state x and the observation z at time k and k-1 is shown in FIG.
  • the basis for this is to define the states x to be estimated.
  • Block 401 stands for the particle filter (xk-i, Uk, z)
  • block 409 is entered. From block 409, jump to block 411 until all values have passed.
  • Fig. 5 shows a system for wrong driver recognition according to a
  • the system comprises devices 102, for example in the form of the transmission means referred to with reference to FIG. 1 and a
  • Embodiment designed as a so-called WDW server.
  • the device 110 is designed to receive data 106 from the device 102,
  • the apparatus includes pre-processing means 530, particulate filter 532, and warning module 534.
  • the particulate filter 532 embeds as shown in FIG. With the particle filter 532, the probability distribution of the position of the car can be approximated.
  • FIG. 6 shows by means of a vehicle 100 values that can be included in the model shown with reference to FIG. 5.
  • the values may, for example, be states in the direction of the longitudinal axis x, the transverse axis y, the vertical axis z, as well as a roll p about the longitudinal axis, a pitch q about the transverse axis and a yaw r about the vertical axis.
  • the Bayesian filter can be understood by referring to FIG. 3
  • Xk stands for what the condition (not measured) is, for example, the latitude, longitude, latitude, Uk + i, how the car 100 moves, for example, in terms of speed and yaw rates
  • Zk stands for what can be observed for example, a G PS signal or a signal relating to the environment of the vehicle 100 (camera, etc.)
  • Fig. 7 shows a program flow according to an embodiment. The process starts with a block 701. In a block 530, a
  • a block 703 if present, the state is loaded from the previous point.
  • a map matching takes place with the particle filter.
  • a block 707 is a
  • FIG. 8 shows a program flow of a particle filter according to a
  • a block 801 stands for a beginning of the particle filter.
  • a displacement of the particles taking into account the sensor inaccuracy, for example, the sensor device described with reference to FIG. 1 takes place.
  • Such a parameter indicates, for example, whether a particle is on a road or what its title is.
  • a calculation of the new particle weights takes place.
  • a so-called resampling takes place in which an elimination of the irrelevant regions and / or particles takes place.
  • an interpretation of the individual particles takes place and in a block 813 a return of the possible roads.
  • the particulate filter By using the particulate filter, the following aspects are improved.
  • a sequential (real-time possible) working method is created, which primarily determines the current position on the road network. Furthermore, a robust estimate of the current position on the road network is possible. An uncertainty about the current estimate can be determined. This makes it possible to delay the decision on a potential wrong-way reliably to a reasonable extent.
  • FIG. 9 shows a representation of road sections 930, 932, 934, 936 according to one exemplary embodiment.
  • the road sections 930, 932, 934, 936 are part of one of a vehicle, for example with reference to FIG. 1
  • a plurality 940 of particles is substantially distributed among the three road sections 932, 934, 936. Each of the particles indicates an assumed position and an assumed probability or weighting. As can be seen from FIG. 9, a measured position 950 of the vehicle deviates significantly from the positions assumed for the plurality 940 of particles. The measured position 950 is also associated with a direction vector, which may represent a measured heading of the vehicle and may have been determined using motion data received from the vehicle. Each of the plurality 940 of particles is also associated with a direction vector indicating a direction of movement of the respective particle. From FIG. 9 it can be seen again that the direction vector associated with the measured position 950 does not coincide with the direction vectors associated with the plurality 940 of particles.
  • the plurality 940 of particles have been determined according to an embodiment as described with reference to the preceding figures using a particle filter.
  • a deviation between the measured Position 950 and the assumed positions of the plurality 940 of particles is determined as a partial functionality of the particulate filter according to one embodiment. The deviation can then, for example, for further
  • the position of the particles 940 deviates very far from the GPS. This is illustrated for example in FIG. 9.
  • the particles 940 represent particles from the current calculation cycle (k) with the direction vector.
  • the position 950 represents a current (k) GPS position with a direction vector.
  • Curvature of the road on which a particle 940 is located does not match
  • Heading the road on which a particle 940 is located does not match sensor data.
  • the median / mean / minimum / maximum distance between particle 940 and GPS position 950 is exceptionally large. In this case, for example, it suggests that the conditions for the topology are canceled (fallback level).
  • Weighting equation (observation model) according to an embodiment adapted as follows:
  • Driving direction are.
  • the road element 936 would be excluded as a possible location for the particles 940 because that part of the highway is opposite to the direction of travel.
  • the approach described can be used in conjunction with a cloud-based driver error warning with a specially adapted to the application with a particulate filter detection. Particularly advantageous are the conditions for the two described fallback levels and the approach when roads are found again.
  • an exemplary embodiment comprises an "and / or" link between a first feature and a second feature, then this is to be read so that the embodiment according to one embodiment, both the first feature and the second feature and according to another embodiment either only first feature or only the second feature.

Abstract

Die Erfindung betrifft ein Verfahren zur Falschfahrererkennung mit einem Schritt des Einlesens von Positionsdaten (106) über eine Schnittstelle, wobei die Positionsdaten (106) eine gemessene Position eines Fahrzeugs (100) repräsentieren, einem Schritt des Einlesens von Kartendaten (116), die von dem Fahrzeug (100) befahrbare Straßenabschnitte abbilden, einem Schritt des Einlesens einer Mehrzahl von Partikeln, wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, und einem Schritt des Bestimmens einer Abweichung zwischen der Mehrzahl von Partikeln und der von den Positionsdaten (106) repräsentierten gemessenen Position unter Verwendung der Kartendaten (116).

Description

Beschreibung Titel
Verfahren Vorrichtung und System zur Falschfahrererkennung Stand der Technik
Die Erfindung geht aus von einer Vorrichtung oder einem Verfahren nach Gattung der unabhängigen Ansprüche. Gegenstand der vorliegenden Erfindung ist auch ein Computerprogramm.
Falschfahrer („Geisterfahrer") verursachen im Falle eines Unfalls zumindest erheblichen Sachschaden. Die Erkennung alleine auf Basis des
Navigationsgerätes (Straßenklasse und -richtung) ist für die meisten Fälle zu spät, d.h. der Falschfahrer befindet sich bereits (mit hoher Fahrgeschwindigkeit und großer Wahrscheinlichkeit einer Kollision) auf der falschen Fahrbahn.
Offenbarung der Erfindung
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren, weiterhin eine Vorrichtung und ein System zur Falschfahrererkennung, sowie schließlich ein entsprechendes Computerprogramm gemäß den
Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.
Eine beispielsweise cloud-basierte Falschfahrerwarnung kann vorteilhafterweise mit einer speziell auf den Anwendungsfall angepassten Erkennung mit einem Partikel- Filter realisiert werden.
Ein Verfahren zur Falschfahrererkennung umfasst die folgenden Schritte:
Einlesen von Positionsdaten über eine Schnittstelle, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren; Einlesen von Kartendaten, die von dem Fahrzeug befahrbare Straßenabschnitte abbilden;
Einlesen einer Mehrzahl von Partikeln, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert; und
Bestimmen einer Abweichung zwischen der Mehrzahl von Partikeln und der von den Positionsdaten repräsentierten gemessenen Position unter Verwendung der Kartendaten.
Über die Abweichung kann festgestellt werden, ob die Mehrzahl von Partikeln zu der gemessenen Position passen.
Bei dem Fahrzeug kann es sich um ein Straßenfahrzeug handeln. Unter einer Falschfahrt kann eine Fahrt des Fahrzeugs auf einer Straße entgegen einer vorgeschriebenen Fahrtrichtung verstanden werden. Die gemessene Position kann unter Verwendung eines in dem Fahrzeug angeordneten Sensors gemessen worden sein. Die Kartendaten können ein von dem Fahrzeug befahrbares Straßennetz abbilden. Die Mehrzahl von Partikeln können unter Verwendung eines mit bekannten Partikel- Filtern verwendeten Verfahrens oder unter Verwendung eines Partikel- Filters bestimmt worden sein. Die Partikel können dabei unterschiedliche angenommene Positionen aufweisen, die beispielsweise um die gemessene Position gruppiert sein können. Die
Abweichung kann verwendet werden, um eine aktuelle Position des Fahrzeugs zu bestimmen oder abzusichern. Die aktuelle Position kann eine unter
Verwendung des Partikel- Filters geschätzte Position darstellen, die als tatsächliche Position des Fahrzeugs angesetzt werden kann. Die aktuelle Position kann anstelle der gemessenen Position zur Erkennung einer Falschfahrt des Fahrzeugs verwendet werden.
Das Verfahren kann einen Schritt des Bestimmens eines Falschfahrtsignals unter Verwendung der aktuellen Position umfassen. Dabei kann das Falschfahrtsignal anzeigen, ob eine Falschfahrt des Fahrzeugs vorliegt oder nicht vorliegt. Beispielsweise kann das Falschfahrtsignal nur dann bereitgestellt werden, wenn eine Falschfahrt angenommen wird.
Das Verfahren kann einen Schritt des Bestimmens der Mehrzahl von Partikeln unter Verwendung eines Partikel- Filters umfassen. Beispielsweise kann durch den Partikel- Filter eine Gewichtung der Partikel geändert werden.
Die Abweichung kann im Schritt des Bestimmens unter Verwendung eines Abstands zwischen der Mehrzahl von Partikeln und der gemessenen Position bestimmt wird. Umso kleiner der Abstand, beispielsweise ein mittlerer Abstand ist, umso kleiner wird die Abweichung sein.
Die Kartendaten können Parameter des von dem Fahrzeug befahrbaren
Straßennetz abbilden. Im Schritt des Bestimmens kann die Abweichung unter Verwendung der Parameter bestimmt werden. Durch die Verwendung der Parameter können die von den Kartendaten umfassten Informationen zur Bestimmung der Abweichung genutzt werden.
Das Verfahren kann einen Schritt des Einlesens von Bewegungsdaten umfassen, die gemessene Bewegungen des Fahrzeugs repräsentieren. Im Schritt des Bestimmens kann die Abweichung basierend auf einem Abgleich zwischen den Bewegungsdaten und den Parametern bestimmt werden. Dadurch kann die Abweichung noch genauer bestimmt werden.
Beispielsweise können die Bewegungsdaten eine Querbeschleunigung des Fahrzeugs abbilden. Die Parameter können einen Krümmungsverlauf eines durch die Kartendaten abgebildeten Straßenabschnitts abbilden, der zumindest einem der Mehrzahl von Partikel zugeordnet oder zuordenbar ist. Dadurch kann überprüft werden, ob ein Straßenabschnitt zu einer von dem Fahrzeug ausgeführten Bewegung passt.
Die Bewegungsdaten können eine Fahrtrichtung des Fahrzeugs abbilden und die Parameter eine Fahrtrichtungsvorgabe eines durch die Kartendaten abgebildeten Straßenabschnitts abbilden, der zumindest einem der Mehrzahl von Partikel zugeordnet oder zuordenbar ist. Auf diese Weise kann überprüft werden, ob ein Straßenabschnitt zu einer Fahrtrichtung des Fahrzeugs passt. Das Verfahren kann einen Schritt des Auswählens zumindest eines plausiblen Straßenabschnittes aus den durch die Kartendaten abgebildeten
Straßenabschnitten umfassen. Dabei kann der plausible Straßenabschnitt einen Straßenabschnitt darstellen, dem zumindest einer der Mehrzahl von Partikeln zuordenbar ist und der eine mit der Fahrtrichtung des Fahrzeugs
übereinstimmende Fahrtrichtungsvorgabe aufweist.
Im Schritt des Bestimmens kann die Abweichung basierend auf einer
Zuordenbarkeit der Mehrzahl von Partikeln zu den durch die Kartendaten abgebildeten Straßenabschnitten bestimmt werden. Können die Partikel keinem Straßenabschnitt zugeordnet werden, so lässt dies auf eine große Abweichung schließen.
Im Schritt des Einlesens können die Positionsdaten über eine Schnittstelle einer Rechnerwolke, einer sogenannten Cloud, eingelesen werden. Dies ermöglicht eine cloud-basierte Lösung.
Eine entsprechende Vorrichtung zur Falschfahrererkennung ist eingerichtet, um Schritte des genannten Verfahrens in entsprechenden Einheiten auszuführen. Beispielsweise kann eine solche Vorrichtung eine Einleseeinrichtung aufweisen, die ausgebildet ist, um Positionsdaten über eine Schnittstelle einzulesen, eine weitere Einleseeinrichtung aufweisen, die ausgebildet ist, um Kartendaten einzulesen, die von dem Fahrzeug befahrbare Straßenabschnitte abbilden, eine weitere Einleseeinrichtung aufweisen, die ausgebildet ist, um eine Mehrzahl von Partikeln einzulesen, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, und eine Bestimmungseinrichtung aufweisen, die ausgebildet ist, um eine Abweichung zwischen der Mehrzahl gefilterter Partikel und der von dem Messsignal umfassten gemessenen Position unter Verwendung der Kartendaten zu bestimmen. Ferner kann die Vorrichtung einen Partikel- Filter zum Erstellen und/oder Weiterverarbeiten der Partikel umfassen.
Ein entsprechendes System zur Falschfahrererkennung umfasst zumindest eine Sendeeinrichtung, die in einem Fahrzeug anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten auszusenden, sowie eine genannte Vorrichtung zur Falschfahrererkennung, die ausgebildet ist, um die von der zumindest einen Sendeeinrichtung ausgesendeten Positionsdaten zu
empfangen, beispielsweise über eine drahtlose Verbindung.
Ein weiteres System zur Falschfahrererkennung umfasst zumindest eine
Sendeeinrichtung, die in einem Fahrzeug anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten auszusenden, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren, und zumindest eine Empfangseinrichtung, die in dem Fahrzeug anordenbar oder angeordnet ist und ausgebildet ist, Daten einer Vorrichtung zu empfangen, welche gemäß dem hier beschriebenen Ansatz zur Falschfahrererkennung dazu ausgebildet ist, um die von der zumindest einen Sendeeinrichtung ausgesendeten Positionsdaten zu empfangen.
Das beschriebene Verfahren kann in Software oder Hardware oder in einer Mischform aus Software und Hardware implementiert sein, beispielsweise in einer Vorrichtung.
Hierzu kann die Vorrichtung zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, und/oder zumindest eine Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein
Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann
beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EPROM oder eine
magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einlesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einlesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind.
Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend
beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:
Fig. 1 ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel;
Fig. 2 ein Ablaufdiagramm eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel;
Fig. 3 ein Hidden Markov Chain Model;
Fig. 4 einen Ablauf eines Partikel- Filter- Prozesses gemäß einem
Ausführungsbeispiel
Fig. 5 ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel;
Fig. 6 ein Fahrzeug gemäß einem Ausführungsbeispiel; Fig. 7 einen Programmablauf gemäß einem Ausführungsbeispiel;
Fig. 8 einen Programmablauf eines Partikel- Filters gemäß einem
Ausführungsbeispiel; und
Fig. 9 eine Darstellung von Straßenabschnitten gemäß einem
Ausführungsbeispiel.
In der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung werden für die in den verschiedenen Figuren
dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche
Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser Elemente verzichtet wird.
Fig. 1 zeigt ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel. Das System umfasst ein Fahrzeug 100, das eine
Übertragungseinrichtung 102 aufweist, die ausgebildet ist, um unter Verwendung zumindest einer in dem Fahrzeug 100 angeordneten Sensoreinrichtung 104 erfasste Messdaten, hier beispielsweise Positionsdaten 106 und optional Bewegungsdaten 107, drahtlos an eine eine Vorrichtung 110 zur
Falschfahrererkennung auszusenden. Die Vorrichtung 110 ist ausgebildet, um die Messdaten zu aufbereiteten Daten aufzubereiten und die aufbereiteten Daten unter Verwendung eines Partikel- Filters weiterzuverarbeiten, um ein
Falschfahrtsignal 112 zu erzeugen und auszusenden. Das Falschfahrtsignal 112 zeigt gemäß einem Ausführungsbeispiel an, dass das Fahrzeug 100 dessen Messdaten verarbeitet wurden, aktuell eine Falschfahrt ausführt. Gemäß diesem Ausführungsbeispiel ist sowohl die Übertragungseinrichtung 102 des Fahrzeugs 100 als auch eine Übertragungseinrichtung 102 eines weiteren Fahrzeugs 100 ausgebildet, um das Falschfahrtsignal 112 zu empfangen und ansprechend auf einen Empfang des Falschfahrtsignals 112 eine Warneinrichtung des jeweiligen Fahrzeugs 100, 114 zu aktiveren, die beispielsweise einen Fahrer des jeweiligen Fahrzeugs 100, 114 vor der Falschfahrt warnt oder gemäß einem
Ausführungsbeispiel in eine zumindest teilautomatische Steuerung,
beispielsweise einer Bremsanlage oder Lenkanlage, des jeweiligen Fahrzeugs 100, 114 eingreift. Gemäß unterschiedlicher Ausführungsbeispiele kann die Übertragungseinrichtung 102 nur als Sendeeinrichtung oder aber als Sende- Empfangseinrichtung ausgeführt sein.
Gemäß einem Ausführungsbeispiel umfassen die Messdaten die Positionsdaten 106, die unter Verwendung einer Positionsbestimmungseinrichtung des
Fahrzeugs 100 erfasst wurden und eine aktuelle Position des Fahrzeugs 100 abbilden. Gemäß einem weiteren Ausführungsbeispiel umfassen die Messdaten ferner die Bewegungsdaten 107, die beispielsweise unter Verwendung zumindest eines Beschleunigungssensors des Fahrzeugs 100 erfasst wurden und Informationen über eine aktuelle Bewegung des Fahrzeugs 100,
beispielsweise Informationen über eine Fahrtrichtung, eine
Längsbeschleunigung, eine Querbeschleunigung oder über eine Drehung des Fahrzeugs um eine Fahrzeugachse umfassen.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um Kartendaten 116 einzulesen, die ein von dem Fahrzeug 100 befahrbares
Straßennetz abbilden. Gemäß einem Ausführungsbeispiel umfassen die
Kartendaten 116 beispielsweise Informationen über Straßenabschnitte des Straßennetzes. Gemäß einem Ausführungsbeispiel umfassen die Kartendaten 116 bezüglich jedes Straßenabschnitts ferner zumindest einen Parameter, der beispielsweise eine Fahrtrichtungsvorgabe für den jeweiligen Straßenabschnitt oder einen Verlauf des jeweiligen Straßenabschnitts definiert. Beispielsweise kann über den Parameter definiert sein, ob der Straßenabschnitt geradlinig verläuft oder eine Kurve beschreibt. Gemäß einer Ausführungsform weist die Vorrichtung 110 eine Speichereinrichtung auf, in der die Kartendaten 116 gespeichert sind.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um eine Mehrzahl von Partikeln einzulesen. Beispielsweise können die Partikel aus einer internen oder einer externen Speichereinrichtung eingelesen werden. Jeder Partikel kann eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentieren. Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um die Mehrzahl von Partikeln unter Verwendung der Positionsdaten 106 und der Kartendaten 116 zu bestimmen und direkt weiterzuverarbeiten. Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um eine Abweichung zwischen der Mehrzahl von Partikeln und der durch die
Positionsdaten 106 abgebildeten gemessenen Position des Fahrzeugs 100 unter Verwendung der Kartendaten zu bestimmen. Die Abweichung wird gemäß einem Ausführungsbeispiel bei der Bestimmung des Falschfahrersignals 112 verwendet oder berücksichtigt.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 oder sind
Funktionsblöcke der Vorrichtung 110 in einer Cloud 118 angeordnet oder realisiert.
Der beschriebene Ansatz kann ergänzend oder anstelle vielfältige Verfahren zur Detektion eines Falschfahrers verwendet werden, bei denen z.B. der Einsatz einer Videosensorik erfolgt, um das Passieren eines„Einfahrt verboten" Schildes zu detektieren oder der Einsatz einer digitalen Karte in Verbindung mit einer Navigation genutzt wird, um ein Detektieren einer falschen Fahrtrichtung auf einem Straßenabschnitt zu erkennen, der nur in einer Richtung befahrbar ist. Weiterhin bekannt sind. Weiterhin kann der Ansatz mit drahtlosen Verfahren kombiniert werden, die mittels Infrastruktur wie z.B. Baken in der Fahrbahn oder am Fahrbahnrand Falschfahrer detektieren.
Neben der Detektion eines Falschfahrers bietet der beschriebene Ansatz viele Möglichkeiten der Reaktion auf einen Falschfahrer. Beispiele hierfür sind die Warnung des Falschfahrers selbst über ein Display oder akustische Hinweise. Auch können Verfahren angewendet werden, mit denen andere Fahrer in der Nähe eines Falschfahrers gewarnt werden, z.B. über Fahrzeug-Fahrzeug- Kommunikation oder mittels Mobilfunk. Weiterhin ist die Warnung anderer Verkehrsteilnehmer über am Straßenrand aufgestellte Wechselverkehrszeichen möglich. Auch kann ein Eingriff in die Motorsteuerung oder Bremse des falsch fahrenden Fahrzeugs 100 erfolgen.
Der beschriebene Ansatz ermöglicht es, einen Falschfahrer zu detektieren und andere Verkehrsteilnehmer in dessen Nähe noch rechtzeitig zu warnen, wofür nur sehr wenig Zeit zur Verfügung steht. Der beschriebenen Ansatz greift für eine Falschfahrererkennung (Wrong-Way- Driver-Detection) mit einer Client-Server-Lösung. Als Client ist ein Gerät zu sehen, befindlich an oder in einem Kraftfahrzeug, welches über eine
Intemetanbindung verfügt und mindestens Zugriff auf Positionskoordinaten hat. Beispielsweise kann es sich dabei um die Übertragungseinrichtung 102 handeln. Bei der Übertragungseinrichtung 102 kann es sich beispielsweise um ein
Smartphone handeln. In der Übertragungseinrichtung 102 kann die
Sensoreinrichtung 104 integriert sein. Somit kann eine falschfahrerspezifische Server-Client-Kommunikation mit einem Smartphone als beispielhaften Client umgesetzt werden. Das Smartphone kann über ein Mobilfunknetz mit einem Gateway (PDN_GW) an das Internet angeschlossen sein, in dem die Vorrichtung 110, beispielsweise in Form eines Servers, angeordnet sein kann.
Es ergeben sich aus den möglichen Funktionsweisen einer Falschfahrerwarnung mit einer Client-Server-Lösung folgende Schlüsselproblemfelder für diese Technologie, welche durch den hier beschriebenen Ansatz angegangen werden: a) False- Positive- Reduktion
False- Positives, also Fehldetektionen bei richtiger Fahrweise, müssen bei einer Eigenwarnung und/oder eines aktiven Eingreifens so weit wie möglich vermindert beziehungsweise komplett vermieden werden. Je nach Warnungskonzept müssen die Standards bis zu ASIL-A erfüllen. b) Zeitkritische Ausführung der Auslösekette
Um die Gefährdung anderer Verkehrsteilnehmer ausgehend von einem
Falschfahrer so gering wie möglich zu halten, soll ein Eingreifen bzw. Warnen so schnell wie möglich erfolgen. D. h. die komplette Funktionskette von Detektion einer kritischen Situation über das Erkennen eines Falschfahrers bis zum Eingriff bzw. Warnung soll in einer möglichst geringen Zeitspanne durchlaufen werden. Die Auslastung und somit die nötige Leistungsfähigkeit des Servers,
beispielsweise der Vorrichtung 110, bei einem flächendeckenden Einsatz dieser Funktion spielt dabei eine sehr wichtige Rolle. Neben der Auslösezeit stellt auch noch die Wirtschaftlichkeit einen wichtigen Teilaspekt dar. c) Kommunikation, Dateneffizienz und Stromverbrauch
Die Kommunikation und der Stromverbrauch müssen besonders für mobile Geräte so effizient bzw. gering wie möglich sein, um eine akzeptable Akkulaufzeit zu erreichen. Auch die Überlastung einer Mobilfunkzelle oder anderweitigen drahtlosen Kommunikationseinheit muss durch eine dateneffiziente
Kommunikation unterbunden werden. Auch das Datenvolumen und die damit verbunden Kosten sind, soweit es möglich ist einzugrenzen. Die Effizienz der Kommunikation ist aus Rechenleistungsgründen auch serverseitig ein äußerst wichtiger Faktor.
Der beschriebene Ansatz greift vor allem für die Schlüsselfelder a)„False- Positive- Reduktion" und b)„Zeitkritische Ausführung der Auslösekette", aber auch c)„Kommunikation, Dateneffizienz und Stromverbrauch" wird
gegebenenfalls davon beeinflusst. Die Erkennung von Falschfahrern in der Cloud 118, basierend auf handelsüblicher Smartphone-und Connectivity-Control-Unit- Sensorik ist kein triviales Unterfangen.
Fig. 2 zeigt ein Ablaufdiagramm eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel. Das Verfahren kann beispielsweise unter Verwendung von Einrichtungen der anhand von Fig. 1 gezeigten Vorrichtung zur Falschfahrererkennung ausgeführt werden.
Das Verfahren umfasst einen Schritt 201, in dem Positionsdaten über eine Schnittstelle eingelesen werden. Die Positionsdaten stellen eine gemessene Position eines Fahrzeugs dar. Optional können in dem Schritt 201 zusätzlich Bewegungsdaten des Fahrzeugs eingelesen werden. In einem Schritt 203 werden Kartendaten eingelesen, die von dem Fahrzeug befahrbare
Straßenabschnitte abbilden. Die Kartendaten können Parameter umfassen, die die einzelnen Straßenabschnitte näher spezifizieren, beispielsweise hinsichtlich einer Fahrbahnkrümmung oder Fahrrichtung. In einem Schritt 205 werden eine Mehrzahl von Partikeln eingelesen. Die Mehrzahl von Partikeln können beispielsweise in einem vorangegangenen Erstellungsschritt unter Verwendung der Positionsdaten und/oder vorangehend gefilterter Partikel erstellt worden sein können. Dabei wird gemäß einem Ausführungsbeispiel ein eines Partikel- Filter eingesetzt. Dabei repräsentiert jeder der Partikel je eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung. Dabei verteilen sich die angenommenen Positionen gemäß einem
Ausführungsbeispiel vorzugsweise um die gemessene Position. Typischerweise weichen die angenommenen Positionen von der gemessenen Position und der tatsächlichen Position des Fahrzeugs ab. In einem Schritt 207 wird eine
Abweichung zwischen der Mehrzahl von Partikeln und der von den
Positionsdaten repräsentierten gemessenen Position unter Verwendung der Kartendaten bestimmt. Die Bestimmung der Abweichung kann einen Teilschritt von in dem Partikel- Filter durchgeführten Schritten darstellen. Gemäß einem Ausführungsbeispiel wird unter Verwendung des Partikel- Filters eine aktuelle Position des Fahrzeugs basierend auf der Mehrzahl von Partikeln und der Abweichung unter Verwendung ermittelt.
In einem weiteren optionalen Schritt 209 wird unter Verwendung Mehrzahl von Partikeln sowie der Abweichung ein Falschfahrtsignal erzeugt und bereitgestellt. Beispielsweise kann das Falschfahrtsignal bereitgestellt werden, wenn aus der Mehrzahl von Partikeln sowie der Abweichung ein plausibler Streckenabschnitt bestimmt wird, von dem angenommen wird, dass sich das Fahrzeug darauf befindet, und eine aktuelle Fahrrichtung des Fahrzeugs nicht mit einer dem Streckenabschnitt zugeordneten Fahrtrichtungsangabe übereinstimmt. Gemäß einem Ausführungsbeispiel wird eine Erzeugung oder Bereitstellen eines
Falschfahrersignals abhängig von einem Vergleich der Abweichung mit einem Schwellenwert freigegeben oder unterbunden. Beispielsweise kann eine
Bereitstellung des Falschfahrersignals unterbunden werden, wenn aufgrund einer großen Abweichung angenommen wird, dass eine unter Verwendung des Partikel- Filters ermittelte aktuelle Position des Fahrzeugs nicht mit der tatsächlichen Position des Fahrzeugs übereinstimmt.
Für die Falschfahrererkennung ist es nicht ausschlaggebend, welche Route der Falschfahrer gefahren ist. Die benötigte Information ist vor allem, wo sich der Falschfahrer aktuell befindet und ob dieser einen Straße entgegen der
Fahrtrichtung befährt. Für diese Ermittlung wird selbstverständlich die Historie benötigt, doch diese ist nicht Teil der Fragestellung, sondern vielmehr der Weg zum Ergebnis. Aufgrund dieser Umstände wird ein Verfahren basierend auf einem Partikel- Filter vorgestellt. Der Partikel- Filter ist ähnlich wie der Kaiman- Filter auf Systeme anwendbar, die einer Hidden-Markov-Chain-Charakteristik, also einer Markow- Kette mit unbeobachteten Zuständen, unterliegen.
Fig. 3 zeigt ein Hidden Markov Chain Model 320 mit Zustand x und Beobachtung z zur Zeit k und k-1.
Das heißt, der Zustand eines Systems kann nicht direkt gemessen werden, jedoch aufgrund von anderen Observierungen geschätzt werden. In diesem Fall gilt es, die Position und somit die aktuelle Straße zu schätzen. Dafür muss folgende Gleichung gelöst werden:
Der Zustand zum Zeitpunkt k wird im Folgenden mit Xk beschrieben, die vorherigen Zustände werden mit zusammengefasst. Analog zu x gilt diese Konvention auch für die Steuergrößen u und
Observierungen u. η beschreibt einen Normalisierungsterm, der im Folgenden allerdings keine große Bedeutung hat. Diese Gleichung kann zu folgender Gleichung vereinfacht werden:
Und diese in zwei Schritten beschrieben werden: der Vorhersageschritt
und der Gewichtungsterm:
Bei einem Partikel- Filter wird das Integral über die
Wahrscheinlichkeitsverteilungen mit einer numerischen Näherung
und Monte-Carlo-Methoden gelöst. beschreibt hierbei das Gewicht / die
Wahrscheinlichkeit des j- ten Partikels. Eine Menge von Partikeln wird mit
beschrieben. Somit hat jeder Partikel das Gewicht und den Zustand
Fig. 4 zeigt den Ablauf eines Partikel- Filter- Prozesses gemäß einem
Ausführungsbeispiel. Dazu ist in Fig. 4 ein Hidden Markov Chain Model mit dem Zustand x und der Beobachtung z zur Zeit k und k-1 gezeigt.
Ein großer Teil der Arbeit ist eine geeignete Funktion für
zu finden, die das Problem optimal abbilden. Grundlegen hierfür ist es, die zu schätzenden Zustände x zu definieren.
Der Block 401 steht für den Partikel- Filter (xk-i, Uk, z )
Von dem Block 403 wird solange zu dem Block 405 gesprungen, bis alle Werte j = 1:J durchlaufen sind. In dem Block 405 wird ein neuer Zustand berechnet:
In dem Block 407 wird das Gewicht berechnet:
Wenn in dem Block 403 alle Werte durchlaufen sind, wird zum Block 409 gesprungen. Von dem Block 409 wird solange zu dem Block 411 gesprungen, bis alle Werte durchlaufen sind.
In dem Block 411 wird ein ein Wert gemäß gezeichnet.
In dem Block 413 wird zu dem Partikelsatz hinzuaddiert gemäß
Wenn in dem Block 409 alle Werte durchlaufen sind, wird zum Block 415 gesprungen der das Ende darstellt.
Fig. 5 zeigt ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel. Das System umfasst Geräte 102, beispielsweise in Form der anhand von Fig. 1 genannten Übertragungseinrichtungen und eine
Vorrichtung 110 zur Falschfahrererkennung, die gemäß diesem
Ausführungsbeispiel als ein sogenannter WDW-Server ausgeführt ist. Die Vorrichtung 110 ist ausgebildet, um von dem Gerät 102 Daten 106,
beispielsweise die anhand von Fig. 1 beschriebenen Messdaten zu empfangen und basierend auf den Daten 106 eine Warnung 112 bereitstellen und beispielsweise in Form des anhand von Fig. 1 beschriebenen Falschfahrtsignals zurück an die Geräte 102 zu senden.
Die Vorrichtung weist eine Einrichtung 530 zur Vorverarbeitung, einen Partikel- Filter 532 und ein Warnungsmodul 534 auf.
In einer vereinfachten Architektur einer cloud-basierten Falschfahrerwarnung bettet sich der Partikel- Filter 532 wie in Fig. 5 gezeigt ein. Mit dem Partikel- Filter 532 kann die Wahrscheinlichkeitsverteilung der Position des Autos näherungsweise bestimmt werden.
Fig. 6 zeigt anhand eines Fahrzeugs 100 Werte, die in das anhand von Fig. 5 gezeigte Modell einfließen können. Bei den Werten kann es sich beispielsweise um Zustände in Richtung der Längsachse x, der Querachse y, der Hochachse z sowie ein Rollen p um die Längsachse, ein Nicken q um die Querachse und ein Gieren r um die Hochachse handeln.
Bezüglich eines Kartenabgleichs unter Verwendung des Partikel- Filters gilt für den Bayes-Filter Hierbei kann unter Bezugnahme auf Fig. 3
Xk dafür stehen, was der Zustand (nicht gemessen) ist, beispielsweise die geografische Länge, Breite und Höhe, Uk+i dafür stehen, wie sich das Auto 100 bewegt, beispielsweise hinsichtlich der Geschwindigkeit und Drehraten und Zk dafür stehen, was observiert werden kann, beispielsweise ein G PS-Signal oder ein das Umfeld des Fahrzeugs 100 betreffendes Signal (Kamera, etc.)
Fig. 7 zeigt einen Programmablauf gemäß einem Ausführungsbeispiel. Der Ablauf startet mit einem Block 701. In einem Block 530 wird eine
Datenvorverarbeitung durchgeführt, wie es beispielsweise anhand von Fig. 5 beschrieben ist. In einem Block 703 wird, falls vorhanden, der Zustand vom vorherigen Punkt geladen. In einem Block 705 findet ein Kartenabgleich (map- matching) mit dem Partikel- Filter statt. In einem Block 707 erfolgt eine
Interpretation der Ergebnisse. In einem Block 709 wird geprüft, ob eine
Falschfahrt vorliegt. Wenn dies der Fall ist, wird in einem Block 534 eine Warnung versendet, wie es beispielsweise anhand von Fig. 5 beschrieben ist. Wenn keine Falschfahrt vorliegt, erfolgt das Ende des Programmablaufs mit einem Block 711.
Fig. 8 zeigt einen Programmablauf eines Partikel- Filters gemäß einem
Ausführungsbeispiel. Ein Block 801 steht für einen Beginn des Partikel- Filters. In einem Block 803 erfolgt ein Verschieben der Partikel unter Berücksichtigung der Sensorungenauigkeit, beispielsweise der anhand von Fig. 1 beschriebenen Sensoreinrichtung. In einem Block 805 erfolgt eine Ermittlung der
kartenbezogenen Parameter. Ein solcher Parameter gibt beispielsweise an, ob ein Partikel auf einer Straße liegt oder wie der Titel derselben ist. In einem Block 807 erfolgt eine Berechnung der neuen Partikel-Gewichte. In einem Block 809 erfolgt ein sogenanntes Resampling, bei dem ein Eliminieren der irrelevanten Bereiche und/oder Partikel erfolgt. In einem Block 811 erfolgt eine Interpretation der einzelnen Partikel und in einem Block 813 eine Rückgabe der möglichen Straßen.
Durch die Verwendung des Partikel- Filters werden die im Folgenden genannten Aspekte verbessert. Zum einen wird ein sequenziell (in Echtzeit möglich) arbeitendes Verfahren geschaffen, welches primär die aktuelle Position auf dem Straßennetzwerk ermittelt. Ferner ist eine robuste Schätzung der aktuellen Position auf dem Straßennetzwerk möglich. Eine Unsicherheit über die aktuelle Schätzung ist ermittelbar. Dies ermöglicht es, die Entscheidung über eine potenzielle Falschfahrt zuverlässig, auf ein sinnvolles Maß, verzögern zu können.
Fig. 9 zeigt eine Darstellung von Straßenabschnitten 930, 932, 934, 936 gemäß einem Ausführungsbeispiel. Die Straßenabschnitte 930, 932, 934, 936 sind Teil eines von einem Fahrzeug, beispielsweise dem anhand von Fig. 1
beschriebenen Fahrzeug, befahrbaren Straßennetzes. Eine Mehrzahl 940 von Partikeln ist im Wesentlichen auf die drei Straßenabschnitte 932, 934, 936 verteilt. Jedes der Partikel zeigt eine angenommene Position und eine dazu angenommene Wahrscheinlichkeit oder Gewichtung an. Wie aus Fig. 9 zu erkennen ist, weicht eine gemessene Position 950 des Fahrzeugs deutlich von den für die Mehrzahl 940 von Partikeln angenommenen Positionen ab. Der gemessenen Position 950 ist auch ein Richtungsvektor zugeordnet, der eine gemessene Fahrtrichtung des Fahrzeugs repräsentiert und unter Verwendung von Bewegungsdaten bestimmt worden sein kann, die von dem Fahrzeug empfangen wurden. Jedem der Mehrzahl 940 von Partikeln ist ebenfalls ein Richtungsvektor zugeordnet, der eine Bewegungsrichtung des jeweiligen Partikels anzeigt. Aus Fig. 9 ist wiederum ersichtlich, dass der der gemessenen Position 950 zugeordnete Richtungsvektor nicht mit den der Mehrzahl 940 von Partikeln zugeordneten Richtungsvektoren übereinstimmt.
Die Mehrzahl 940 von Partikeln sind gemäß einem Ausführungsbeispiel, wie anhand der vorangegangen Figuren beschrieben, unter Verwendung eines Partikel- Filters bestimmt worden. Eine Abweichung zwischen der gemessenen Position 950 und den angenommenen Positionen der Mehrzahl 940 von Partikeln wird gemäß einem Ausführungsbeispiel als eine Teilfunktionalität des Partikel- Filters bestimmt. Die Abweichung kann dann beispielsweise zur weiteren
Filterung der Mehrzahl 940 von Partikeln verwendet werden.
Der hier beschriebene Ansatz ist in einem Teil des beispielsweise anhand von Fig. 5 gezeigten Partikel- Filters eingeordnet.
Auch das beste Verfahren kann das Fahrzeug teilweise nicht zuverlässig auf eine Straße matchen, aufgrund verschiedener Umstände, wie z. B. fehlerhafter Kartendaten. Somit kann kann es vorkommen, dass die Sensordaten
(Observierungen, Controls) nicht zu der aktuellen Straße passen und
beispielsweise die Position der Partikel 940 sehr weit vom GPS abweicht. Dies ist beispielsweise in Fig. 9 dargestellt.
Die Partikel 940 stellen dabei Partikel aus aktuellem Berechnungszyklus (k) mit Richtungsvektor dar. Die Position 950 stellt eine aktuelle (k) GPS- Position mit Richtungsvektor dar.
Zur Erkennung dieses Zustands können verschiedene Maße errechnet werden die ein Indiz geben, dass die Positionen der Partikel nicht mit den
Observierungen übereinstimmen. Parameter könnten sein (inklusive des zeitlichen Verhaltes/Änderung dieser):
Krümmung der Straße auf dem ein Partikel 940 liegt stimmt nicht mit
Sensordaten überein.
Heading der Straße auf dem ein Partikel 940 liegt stimmt nicht mit Sensordaten überein.
Es werden sehr viele Partikel 940 so verschoben, dass sie nicht auf einer Straße landen.
Der Median/Mittelwert/Minimalwert/Maximalwert des Abstands zwischen Partikel 940 und GPS- Position 950 ist außergewöhnlich groß. In diesem Fall bietet sich beispielsweise an, dass die Bedingungen für die Topologie aufgehoben werden (Rückfallebene).
Wenn kein Partikel 940 auf einer Straße liegt (Rückfallebene), wird die
Gewichtungsgleichung (Observation-Model) gemäß einem Ausführungsbeispiel wie folgt angepasst:
Für beide Rückfallebenen, im Fall, dass Partikel 940 wieder auf Straßen landen, sollte aufgrund der False- Positive- Anfälligkeit keine Straße berücksichtigt werden, welche entgegen der Fahrtrichtung liegt. D. h. die Partikel 940 können somit auf jede Straße migrieren, außer auf Straßen die entgegen der
Fahrtrichtung zu befahren sind. Beispielsweise würde in dem in Fig. 9 gezeigten Ausführungsbeispiel das Straßenelement 936 als mögliche Position für die Partikel 940 ausgeschlossen werden, weil dieser Teil der Autobahn entgegen der Bewegungsrichtung liegt.
Der beschriebene Ansatz kann im Zusammenhang mit einer cloudbasierten Falschfahrerwarnung mit einer speziell auf den Anwendungsfall angepassten Erkennung mit einem Partikel- Filter eingesetzt werden. Besonders vorteilhaft sind dabei die Bedingungen für die beiden beschriebenen Rückfallebenen und der Ansatz, wenn Straßen wieder gefunden werden.
Umfasst ein Ausführungsbeispiel eine„und/oder"- Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.

Claims

Ansprüche
1. Verfahren zur Falschfahrererkennung, wobei das Verfahren die
folgenden Schritte umfasst:
Einlesen (201) von Positionsdaten (106) über eine Schnittstelle, wobei die Positionsdaten (106) eine gemessene Position (950) eines
Fahrzeugs (100) repräsentieren;
Einlesen (203) von Kartendaten (116), die von dem Fahrzeug (100) befahrbare Straßenabschnitte (930, 932, 934, 936) abbilden;
Einlesen (205) einer Mehrzahl (940) von Partikeln, wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert; und
Bestimmen (207) einer Abweichung zwischen der Mehrzahl (940) von Partikeln und der von den Positionsdaten (106) repräsentierten gemessenen Position (950) unter Verwendung der Kartendaten (116).
2. Verfahren gemäß Anspruch 1, mit einem Schritt des Bereitstellens eines Falschfahrtsignals (112) unter Verwendung der Mehrzahl (940) von Partikeln und der Abweichung, wobei das Falschfahrtsignal (112) anzeigt, ob eine Falschfahrt des Fahrzeugs (100) vorliegt oder nicht vorliegt.
3. Verfahren gemäß einem der vorangegangenen Ansprüche, mit einem Schritt des Bestimmens der Mehrzahl (940) von Partikeln unter Verwendung eines Partikel- Filters (532).
4. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Bestimmens die Abweichung unter Verwendung eines Abstands zwischen der Mehrzahl (940) von Partikeln und der gemessenen Position (950) bestimmt wird.
5. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem die Kartendaten (116) Parameter des von dem Fahrzeug (100) befahrbaren Straßennetz abbilden und im Schritt (207) des Bestimmens die
Abweichung unter Verwendung der Parameter bestimmt wird. 6. Verfahren gemäß Anspruch 5, mit einem Schritt des Einlesens von
Bewegungsdaten (107), die gemessene Bewegungen des Fahrzeugs (100) repräsentieren, und wobei im Schritt (207) des Bestimmens die Abweichung basierend auf einem Abgleich zwischen den
Bewegungsdaten (107) und den Parametern bestimmt wird. 7. Verfahren gemäß Anspruch 6, bei dem die Bewegungsdaten (107) eine Querbeschleunigung des Fahrzeugs (100) abbilden und die Parameter einen Krümmungsveriauf eines durch die Kartendaten (116)
abgebildeten Straßenabschnitts (930, 932, 934, 936)abbilden, der zumindest einem der Mehrzahl (940) von Partikel zugeordnet oder zuordenbar ist. 8. Verfahren gemäß Anspruch 6 oder 7, bei dem die Bewegungsdaten
(107) eine Fahrtrichtung des Fahrzeugs (100) abbilden und die Parameter eine Fahrtrichtungsvorgabe eines durch die Kartendaten (116) abgebildeten Straßenabschnitts (930, 932, 934, 936) abbilden, der zumindest einem der Mehrzahl (940) von Partikel zugeordnet oder zuordenbar ist. 9. Verfahren gemäß Anspruch 8, mit einem Schritt des Auswählens
zumindest eines plausiblen Straßenabschnittes (934) aus den durch die Kartendaten (116) abgebildeten Straßenabschnitten (930, 932, 934, 936), wobei der plausibler Straßenabschnitt einen Straßenabschnitt darstellt, dem zumindest einer der Mehrzahl (940) von Partikeln zuordenbar ist und der eine mit der Fahrtrichtung des Fahrzeugs (100) übereinstimmende Fahrtrichtungsvorgabe aufweist. 1 0. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im
Schritt des Bestimmens die Abweichung basierend auf einer Zuordenbarkeit der Mehrzahl (940) von Partikeln zu den durch die Kartendaten (116) abgebildeten Straßenabschnitten (930, 932, 934, 936) bestimmt wird.
11. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Einlesens die Positionsdaten (106) über eine Schnittstelle einer Rechnerwolke (118) eingelesen werden.
12. Vorrichtung (110) zur Falschfahrererkennung, die eingerichtet ist, um Schritte des Verfahrens gemäß einem der vorangegangenen Ansprüche in entsprechenden Einheiten auszuführen.
13. System zur Falschfahrererkennung, wobei das System die folgenden Merkmale umfasst: zumindest eine Sendeeinrichtung (102), die in einem Fahrzeug (100) anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten (106) auszusenden, wobei die Positionsdaten (106) eine gemessene Position (950) eines Fahrzeugs (100) repräsentieren; und eine Vorrichtung (110) gemäß Anspruch 12 zur Falschfahrererkennung, die ausgebildet ist, um die von der zumindest einen Sendeeinrichtung (102) ausgesendeten Positionsdaten (106) zu empfangen.
14. Computerprogramm, das dazu eingerichtet ist, das Verfahren gemäß einem der vorangegangenen Ansprüche auszuführen.
15. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 14 gespeichert ist.
EP17717425.7A 2016-06-07 2017-04-13 Verfahren, vorrichtung und system zur falschfahrererkennung Pending EP3465653A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016210027.0A DE102016210027A1 (de) 2016-06-07 2016-06-07 Verfahren Vorrichtung und System zur Falschfahrererkennung
PCT/EP2017/058961 WO2017211489A1 (de) 2016-06-07 2017-04-13 Verfahren vorrichtung und system zur falschfahrererkennung

Publications (1)

Publication Number Publication Date
EP3465653A1 true EP3465653A1 (de) 2019-04-10

Family

ID=58547536

Family Applications (1)

Application Number Title Priority Date Filing Date
EP17717425.7A Pending EP3465653A1 (de) 2016-06-07 2017-04-13 Verfahren, vorrichtung und system zur falschfahrererkennung

Country Status (6)

Country Link
US (1) US10769942B2 (de)
EP (1) EP3465653A1 (de)
JP (1) JP2019519044A (de)
CN (1) CN109313851B (de)
DE (1) DE102016210027A1 (de)
WO (1) WO2017211489A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020118621A1 (de) 2020-07-15 2022-01-20 Bayerische Motoren Werke Aktiengesellschaft Positionsbestimmung für ein Fahrzeug
CN112950960B (zh) * 2021-01-26 2022-12-30 北京智能车联产业创新中心有限公司 自动驾驶车辆逆行的判断方法
EP4307274A1 (de) * 2022-07-11 2024-01-17 Volkswagen Ag Verfahren zum detektieren des fahrens gegen eine gesetzliche fahrtrichtung

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7831391B2 (en) * 2007-06-12 2010-11-09 Palo Alto Research Center Incorporated Using segmented cones for fast, conservative assessment of collision risk
JP2009140008A (ja) * 2007-12-03 2009-06-25 Sumitomo Electric Ind Ltd 危険走行情報提供装置、危険走行判定プログラム及び危険走行判定方法
JP5666812B2 (ja) * 2010-03-12 2015-02-12 クラリオン株式会社 車両逆走検出装置
JP5229293B2 (ja) * 2010-10-01 2013-07-03 株式会社デンソー 車両用運転支援装置
US8452535B2 (en) 2010-12-13 2013-05-28 GM Global Technology Operations LLC Systems and methods for precise sub-lane vehicle positioning
US20120290150A1 (en) * 2011-05-13 2012-11-15 John Doughty Apparatus, system, and method for providing and using location information
US9140792B2 (en) 2011-06-01 2015-09-22 GM Global Technology Operations LLC System and method for sensor based environmental model construction
KR101881415B1 (ko) 2011-12-22 2018-08-27 한국전자통신연구원 이동체의 위치 인식 장치 및 방법

Also Published As

Publication number Publication date
US10769942B2 (en) 2020-09-08
JP2019519044A (ja) 2019-07-04
US20190279504A1 (en) 2019-09-12
CN109313851B (zh) 2022-08-12
DE102016210027A1 (de) 2017-12-07
CN109313851A (zh) 2019-02-05
WO2017211489A1 (de) 2017-12-14

Similar Documents

Publication Publication Date Title
WO2017211488A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
WO2017211492A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
DE102017103123A1 (de) Fahrzeugfahrbahnplatzierung
WO2021043507A1 (de) Querführung eines fahrzeugs mittels von anderen fahrzeugen erfassten umgebungsdaten
DE102014204892A1 (de) Verfahren zum Erstellen und Verwenden einer lokalen Karte eines Fahrwegs eines Fahrzeugs
DE102016214045A1 (de) Verfahren und Vorrichtung zum Ermitteln eines Fahrbahnmodells für ein Fahrzeugumfeld
WO2017202522A1 (de) Verfahren zum bereitstellen einer fahrzeugtrajektorieninformation und verfahren zum orten eines schlaglochs
DE112017006506T5 (de) Fahrassistenzsystem und Fahrassistenzvorrichtung
DE102012220146A1 (de) Verfahren und Vorrichtung zum Charakterisieren eines Fahrverhaltens eines Fahrers eines Fahrzeugs
DE102015213538A1 (de) Verfahren und System zum Warnen vor einer Falschfahrt eines Fahrzeugs
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
DE102012200216A1 (de) Verfahren und Vorrichtung zum Betreiben eines Fahrerassistenzsystems eines Fahrzeugs
DE102016122338A1 (de) Informations-verarbeitungseinrichtung, informations-verarbeitungsverfahren, steuerungsvorrichtung für ein fahrzeug und steuerungsverfahren für ein fahrzeug
WO2019180149A1 (de) System zur erzeugung von konfidenzwerten im backend
DE102019114595A1 (de) Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zum ableiten von strassenabschnittgeschwindigkeitsgrenzwerten
EP3465653A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
DE102018112888A1 (de) Systeme und Verfahren zur Überprüfung von Strassenkrümmungskartendaten
DE102016220581A1 (de) Verfahren und vorrichtung zur bestimmung eines umfeldmodells
WO2017211483A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
EP3465654B1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
DE102020129802A1 (de) Fahrzeugbetriebskennzeichnung
DE102017207441A1 (de) Verfahren zum Überprüfen einer digitalen Umgebungskarte für ein Fahrerassistenzsystem eines Kraftfahrzeugs, Rechenvorrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
EP3465651A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE102021202778A1 (de) Verfahren und System zum Bearbeiten einer digitalen Sicherheitskarte für den Straßenverkehr
DE102019216732A1 (de) Verfahren sowie System zum Plausibilisieren von Kartendaten

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20190107

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: ROBERT BOSCH GMBH

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20210701

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS