EP3465655A1 - Verfahren vorrichtung und system zur falschfahrererkennung - Google Patents

Verfahren vorrichtung und system zur falschfahrererkennung

Info

Publication number
EP3465655A1
EP3465655A1 EP17718860.4A EP17718860A EP3465655A1 EP 3465655 A1 EP3465655 A1 EP 3465655A1 EP 17718860 A EP17718860 A EP 17718860A EP 3465655 A1 EP3465655 A1 EP 3465655A1
Authority
EP
European Patent Office
Prior art keywords
particles
data
vehicle
wrong
road section
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.)
Ceased
Application number
EP17718860.4A
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 EP3465655A1 publication Critical patent/EP3465655A1/de
Ceased legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

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 inaccuracy data representing inaccuracy of the position data;
  • Street section represents, to which a current position of the vehicle can be assigned.
  • 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 current position may represent an estimated position using the particulate filter, which may be assumed to be 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 map data can for example be read from a digital map. Under the plausible street section can a
  • the method may include a step of determining a wrong-way signal using the at least one plausible road segment.
  • 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 plurality of particles may be distributed around the measured position of the vehicle represented by the position data, and each of the particles may represent an assumed position of the vehicle and a weight associated with the assumed position.
  • the majority of particles can be made using one with known particle filters be used.
  • the particles may have different assumed positions, which are grouped around the measured position, for example. Such particles can be processed well with said particle filter.
  • a plurality of shifted particles may be determined by using the plurality of particles and the inaccuracy data.
  • the at least one plausible road section may be determined based on the plurality of shifted particles.
  • the inaccuracy data can be used to correct the originally determined particles.
  • map related parameters for the particles are determined.
  • the at least one plausible road segment can be determined based on the card-related parameters.
  • a card-related parameter can
  • a particle associated with the parameter For example, indicate whether a particle associated with the parameter is on a road section.
  • a plausibility of the individual particles can be checked using the map data.
  • new weights of the plurality of particles or the plurality of displaced particles may be determined.
  • irrelevant particles may be eliminated from the plurality of particles or the plurality of displaced particles. In this way, the accuracy of the method can be increased.
  • the plurality of particles or the plurality of shifted particles can be interpreted to determine the at least one plausible road segment.
  • values assigned to the individual particles such as the weighting or the card-related parameters, can be evaluated.
  • 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, wherein the position data represent a measured position of a vehicle, a read-in device which is configured to read inaccuracy data representing an inaccuracy of the position data
  • a read-in device which is adapted to read in map data depicting vehicle passable road sections, and a
  • the device may comprise the particle filter.
  • 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
  • Fig. 1 shows a system for Falzablyerkennung according to a
  • 7 shows a program sequence according to an embodiment
  • 8 shows a program sequence of a particle filter according to a
  • Fig. 1 shows a system for wrong driver identification according to a
  • Transmission device 102 which is configured to wirelessly using a at least one sensor device 104 arranged in the sensor 100 measured data 106 wirelessly to a device 110 for
  • Vehicle 100 is configured to receive the wrong-way signal 112 and, in response to a receipt of the wrong-way signal 112, a
  • the transmission device 102 only as
  • the device 110 is configured to employ the particulate filter to make a plausible determination using the position data, the inaccuracy data 107, and the map data 116
  • the approach described can be used in addition to or instead of a variety of methods for detecting a wrong-way driver, in which, for example, the use A video sensor system is used to detect the passing of a "forbidden entry" sign or the use of a digital map in conjunction with a navigation is used to detect a detection of a wrong direction of travel on a section of track that 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 edge of the lane.
  • the transmission device 102 may be, for example, a smartphone.
  • the transmission device 102 the transmission device 102
  • w [i] describes the weight / probability of the jth particle. A lot of particles will be with you described. Thus, each particle has the weight w [j] and the state x [j] .
  • 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.
  • Much of the work is a suitable feature for and to find the optimal picture of the problem.
  • the basis for this is to define the states x to be estimated.
  • block 415 is jumped to the end represents.
  • 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.
  • 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.
  • u k + 1 represent how the car 100 moves, for example in terms of speed and yaw rates
  • z k represent what can be observed, such as a GPS signal or the environment of the vehicle 100 relevant signal (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.
  • card-related parameters For example, such a parameter indicates 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.
  • a block 811 an interpretation of the individual particles and in a block 813 a return of the possible roads, for example in the form of at least one plausible
  • 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.
  • the program sequence corresponds to the program sequence described with reference to FIG. 8, but additionally has the blocks 915, 917.
  • block 915 it is checked if it is an initial step. If so, in block 917 particles are distributed widely around the measured position of the vehicle, for example, around a GPS position. If it is not an initial step, jump to block 803.
  • the typical application of a particulate filter is different in that in the application described with reference to FIG. 9, the best possible localization accuracy is not to be achieved, but in all cases the correct road elements are to be determined. That is, even if the sensor data indicates that a wrong-way is present, a warning of the traffic endangered should only be made if you can really be sure that a true wrong-way is present. For fast and reliable detection of wrong-way drivers, the particle-filter model will therefore look as described with reference to FIG. 9.
  • the particles in block 917 become
  • certain particles are shifted in block 803 with the uncertainty of the sensors.
  • the particles are due to the
  • Observations yaw rate and speed are shifted. But instead of taking the sensor values, according to one embodiment, random numbers (with the distribution of the error of the sensors - here simplified Gaussian) are added to the measured value. For this purpose, a so-called “moving theorem” can be used.
  • a map is spatially modeled, as described below with reference to FIG. Subsequently, various parameters can be determined, such as whether a particle is on a road and how the heading, so the direction of travel of the road. These parameters will later be included in the weighting of the particles performed in block 807. In block 807, it is determined what the probability of each particle is. It is done as if the particle is the actual
  • the individual particles are subsequently interpreted to determine the probability of the individual roads or road sections. This can be done, for example, by adding up.
  • the at least one plausible road section at
  • FIG. 10 shows the modeling of a card according to an exemplary embodiment mentioned with reference to FIG. 9. Shown are corners 1001, shape points 1003 as so-called “shape points” and road boundaries 1005 of at least one road section, and a width 1007 of the road section resulting from the product of the track width di and the number of tracks ni.
  • the model shown can be determined using the map data.
  • FIG. 11 shows a representation of a probability calculation according to an exemplary embodiment. Longitudinal grades are plotted on the horizontal axis and latitudes on the vertical axis. Shown is an image of a multi-road landscape 1111. For one of the streets 1111, a plurality of road sections 1113 depicting the road 1111 are shown, for example, in the form of street polygons.
  • the measured position 1115 represents a so-called "input position", which is used as an input value for the method described here.
  • ⁇ br/> ⁇ br/> A current position 1117, as a so-called estimated position, is determined by performing the method used.
  • the particles 1119 have different weights, ranging, for example, from "0", unlikely, to "1", as very likely.
  • FIG. 11 indicates a central region 1121 in which particles 1119 are arranged with a high weighting, for example near "1”, a middle region 1123 in which particles 1119 with an average weighting, for example near "0.5 are arranged, and an outer region 1125 is indicated, are arranged in the particles 1119 with a low weight, for example, near "0".
  • FIG. 12 shows a representation of particles 119 after a resampling according to an exemplary embodiment.
  • irrelevant particles were eliminated from the plurality of particles shown in FIG. 11.
  • the irrelevant particles are those particles which are arranged outside the road sections 1113.
  • most of the particles 119 remaining after the resampling are located in a road section 1113, which is determined by a suitable interpretation of the remaining particles 119 as a plausible road section 1213. According to one
  • Embodiment 12 with reference to FIG. Particles 119 after a
  • 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.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

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 Ungenauigkeitsdaten (107), die eine Ungenauigkeit der Positionsdaten (106) repräsentieren, einem Schritt des Einlesens von Kartendaten (116), die von dem Fahrzeug (100) befahrbare Straßenabschnitte abbilden, und einem Schritt des Ermittelns (207) zumindest eines plausiblen Straßenabschnitts (1213) basierend auf den Positionsdaten (106), den Ungenauigkeitsdaten (107) und den Kartendaten (116) unter Verendung eines Partikel-Filters (532), wobei der plausible Straßenabschnitt (1213) einen Straßenabschnitt (1113) repräsentiert, dem eine aktuelle Position (1117) des Fahrzeugs (100) zugeordnet werden kann.

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 Ungenauigkeitsdaten, die eine Ungenauigkeit der Positionsdaten repräsentieren;
Einlesens von Kartendaten, die von dem Fahrzeug befahrbare Straßenabschnitte abbilden; und
Ermitteln zumindest eines plausiblen Straßenabschnitts basierend auf den Positionsdaten, den Ungenauigkeitsdaten und den Kartendaten unter Verendung eines Partikel- Filters, wobei der plausible Straßenabschnitt einen
Straßenabschnitt repräsentiert, dem eine aktuelle Position des Fahrzeugs zugeordnet werden kann.
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 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. Die Kartendaten können beispielsweise aus einer digitalen Karte ausgelesen werden. Unter dem plausiblen Straßenabschnitt kann ein
Straßenabschnitt verstanden werden, von dem nach Auswertung der
vorhandenen Daten angenommen wird, dass sich das Fahrzeug darauf befindet.
Das Verfahren kann einen Schritt des Bestimmens eines Falschfahrtsignals unter Verwendung des zumindest einen plausiblen Straßenabschnitts 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.
Im Schritt des Ermitteins kann eine Mehrzahl von Partikeln bestimmt werden. Die Mehrzahl von Partikeln kann um die durch die Positionsdaten abgebildete gemessene Position des Fahrzeugs herum verteilt angeordnet sein und jedes der Partikel kann eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentieren. Die Mehrzahl von Partikeln können unter Verwendung eines mit bekannten Partikel- Filtern verwendeten Verfahrens bestimmt werden. Die Partikel können dabei unterschiedliche angenommene Positionen aufweisen, die beispielsweise um die gemessene Position gruppiert sind. Solche Partikel können gut mit dem genannten Partikel- Filter verarbeitet werden.
Dabei kann im Schritt des Ermitteins eine Mehrzahl von verschobenen Partikeln unter Verwendung der Mehrzahl von Partikeln und der Ungenauigkeitsdaten bestimmt werden. Der zumindest eine plausible Straßenabschnitt kann basierend auf der Mehrzahl von verschobenen Partikeln ermittelt werden. Vorteilhafterweise können die Ungenauigkeitsdaten zur Korrektur der ursprünglich bestimmten Partikel verwendet werden.
Im Schritt des Ermitteins können unter Verwendung der Kartendaten
kartenbezogene Parameter für die Partikel bestimmt werden. Der zumindest eines plausible Straßenabschnitt kann basierend auf den kartenbezogenen Parametern ermittelt werden. Ein kartenbezogener Parameter kann
beispielsweise anzeigen, ob ein Partikel, dem der Parameter zugeordnet ist, auf einem Straßenabschnitt liegt. Vorteilhafterweise kann unter Verwendung der Kartendaten eine Plausibilität der einzelnen Partikel überprüft werden.
Dazu können im Schritt des Ermitteins unter Verwendung der kartenbezogenen Parameter neue Gewichtungen der Mehrzahl von Partikeln oder der Mehrzahl von verschobenen Partikeln bestimmt werden. Umso plausibler ein Partikel unter Berücksichtigung der Kartendaten erscheint, umso höher kann der Partikel gewichtet werden.
Im Schritt des Ermitteins können irrelevante Partikel aus der Mehrzahl von Partikeln oder der Mehrzahl von verschobenen Partikeln eliminiert werden. Auf diese Weise kann die Genauigkeit des Verfahrens erhöht werden.
Vorteilhafterweise kann die Mehrzahl von Partikeln oder die Mehrzahl von verschobenen Partikeln interpretiert werden, um den zumindest einen plausiblen Straßenabschnitt zu ermitteln. Durch die Interpretation können den einzelnen Partikeln zugeordnete Werte, wie beispielsweise die Gewichtung oder die kartenbezogenen Parameter, ausgewertet werden. 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, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren, eine Einleseeinrichtung aufweisen, die ausgebildet ist, um Ungenauigkeitsdaten einzulesen, die eine Ungenauigkeit der Positionsdaten repräsentieren, eine Einleseeinrichtung aufweisen, die ausgebildet ist, um Kartendaten einzulesen, die von dem Fahrzeug befahrbare Straßenabschnitte abbilden, und eine
Ermittlungseinrichtung aufweisen, die ausgebildet ist, um zumindest eines plausiblen Straßenabschnitts basierend auf den Positionsdaten, den
Ungenauigkeitsdaten und den Kartendaten unter Verendung eines Partikel- Filters zu ermitteln, wobei der plausible Straßenabschnitt einen Straßenabschnitt repräsentiert, dem eine aktuelle Position des Fahrzeugs zugeordnet werden kann. Entsprechend kann die Vorrichtung den Partikel- Filter 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;
Fig. 9 einen Programmablauf eines Partikel- Filters gemäß einem
Ausführungsbeispiel;
Fig. 10 eine Modellierung einer Karte gemäß einem Ausführungsbeispiel;
Fig. 11 eine Darstellung einer Wahrscheinlichkeitsberechnung gemäß einem Ausführungsbeispiel; und
Fig. 12 eine Darstellung von Partikel nach einem Resampling 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 106 drahtlos an eine eine Vorrichtung 110 zur
Falschfahrererkennung auszusenden. Die Vorrichtung 110 ist ausgebildet, um die Messdaten 106 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 106 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 106
Positionsdaten, 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 106 ferner Bewegungsdaten, 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 werden zusätzlich zu den Messdaten 106 Ungenauigkeitsdaten 107 übertragen, die eine Ungenauigkeit der Positionsdaten abbilden.
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 Streckenabschnitte des Straßennetzes. Gemäß einem Ausführungsbeispiel umfassen die Kartendaten 116 bezüglich jedes Streckenabschnitts ferner zumindest einen Parameter, der beispielsweise eine Fahrtrichtungsvorgabe für den jeweiligen Streckenabschnitt oder einen Verlauf des jeweiligen Streckenabschnitts definiert. Beispielsweise kann über den Parameter definiert sein, ob der Streckenabschnitt 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 den Partikel- Filter einzusetzen, um unter Verwendung der Positionsdaten, der Ungenauigkeitsdaten 107 und der Kartendaten 116 einen plausiblen
Straßenabschnitt zu ermitteln, von dem angenommen wird, dass sich das Fahrzeug 100 darauf befindet. Beispielsweise unter Verwendung eines dem Straßenabschnitt zugeordneten Fahrtrichtungsparameter kann bestimmt werden, ob es sich bei dem Fahrzeug 100 um ein falschfahrendes Fahrzeug handelt. Ist dies der Fall, so wird gemäß einem Ausführungsbeispiel das Falschfahrtsignal 112 bereitgestellt.
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 Streckenabschnitt 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
Internetanbindung 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. In einem Schritt 203 werden Ungenauigkeitsdaten eingelesen, die eine Ungenauigkeit der Positionsdaten repräsentieren und in einem Schritt 205 werden Kartendaten eingelesen, die von dem Fahrzeug befahrbare Straßenabschnitte abbilden. In einem Schritt 207 wird basierend auf den Positionsdaten, den Ungenauigkeitsdaten und den Kartendaten sowie unter Verendung eines Partikel- Filters zumindest ein plausibler Straßenabschnitt ermittelt, der einen Straßenabschnitt repräsentiert, dem eine aktuelle Position des Fahrzeugs zugeordnet werden kann. Gemäß einem Ausführungsbeispiel wird unter Verwendung des plausiblen Straßenabschnitts ein eine Falschfahrt des Fahrzeugs anzeigendes Falschfahrtsignal erzeugt.
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. w[i] beschreibt hierbei das Gewicht / die Wahrscheinlichkeit des jj-ten Partikels. Eine Menge von Partikeln wird mit beschrieben. Somit hat jeder Partikel das Gewicht w[j] und den Zustand x[j].
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 und 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
Von dem Block 403 wird solange zu dem Block 405 gesprungen, bis alle Werte j=l: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 i=l:J 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+1 dafür stehen, wie sich das Auto 100 bewegt, beispielsweise hinsichtlich der Geschwindigkeit und Drehraten und zk dafür stehen, was observiert werden kann, beispielsweise ein GPS-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, beispielsweise in Form des zumindest einen plausiblen
Straßenabschnitts.
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 einen Programmablauf eines Partikel- Filters gemäß einem
Ausführungsbeispiel. Der Programmablauf entspricht dem anhand von Fig. 8 beschriebenen Programmablauf, weist zusätzlich jedoch noch die Blöcke 915, 917 auf. In dem Block 915 wird geprüft, ob es sich um einen initialen Schritt handelt. Wenn das der Fall ist, werden in dem Block 917 Partikel weiträumig um die gemessene Position des Fahrzeugs, beispielsweise um eine GPS- Position verteilt. Wenn es sich nicht um einen initialen Schritt handelt, wird zu dem Block 803 gesprungen.
Die typische Anwendung eines Partikel- Filters unterscheidet sich dahin gehend, dass in dem anhand von Fig. 9 beschriebenen Anwendungsfall nicht die bestmögliche Lokalisierungsgenauigkeit erreicht werden soll, sondern in allen Fällen die richtigen Straßenelemente ermittelt werden sollen. Das heißt, auch wenn die Sensordaten darauf hindeuten, dass eine Falschfahrt vorliegt, sollte eine Warnung des gefährdeten Verkehrs nur erfolgen, wenn man sich wirklich sicher sein kann, dass auch wirklich eine Falschfahrt vorliegt. Zur schnellen und zuverlässigen Erkennung von Falschfahrern wird das Partikel-Filter-Modell daher wie anhand von Fig. 9 beschrieben aussehen.
Gemäß diesem Ausführungsbeispiel werden die Partikel im Block 917
bestimmten Partikel im Block 803 mit der Unsicherheit der Sensoren verschoben. Gemäß einem Ausführungsbeispiel werden die Partikel aufgrund der
Observierungen Drehrate und Geschwindigkeit verschoben werden. Aber anstelle die Sensorwerte zu nehmen, werden gemäß einem Ausführungsbeispiel Zufallszahlen (mit der Verteilung des Fehlers der Sensoren - hier vereinfacht Gaußförmig) auf den Messwert addiert. Dazu kann ein sogenanntes„moving theorem" angewandt werden.
Im Block 805 wird eine Karte räumlich modelliert, wie es nachfolgend anhand von Fig. 10 beschrieben ist. Anschließend können verschiedene Parameter bestimmt werden, wie beispielsweise ob ein Partikel auf einer Straße ist und wie das Heading, also die Fahrtrichtung der Straße ist. Diese Parameter fließen später in die Gewichtung der Partikel ein, die im Block 807 durchgeführt wird. In dem Block 807 wird bestimmt, wie hoch die Wahrscheinlichkeit eines jeden Partikels ist. Dabei wird so getan als sei der Partikel der tatsächliche
Aufenthaltsort und es wird überprüft, wie gut dieser zu den Observierungen passt. Beispielsweise stimmt das Heading des Partikels mit dem der Straße überein bzw. sind diese entgegengesetzt. Für eine mögliche Applizierung und zur Erhöhung der Robustheit sind hier gemäß einem Ausführungsbeispiel noch verschiedene Faktoren eingeführt worden.
In dem Block 811 werden im Nachgang die einzelnen Partikel interpretiert, um die Wahrscheinlichkeit für die einzelnen Straßen oder Straßenabschnitte zu bestimmen. Dies kann beispielsweise durch Aufsummieren erfolgen.
Beispielsweise kann der zumindest eine plausible Straßenabschnitt beim
Interpretieren als derjenige von den Kartendaten umfasste Straßenabschnitt ermittelt werden, dem die größte Anzahl von Partikeln zugeordnet werden kann oder dem die Partikeln mit der höchsten Gewichtung zugeordnet werden können.
Fig. 10 zeigt die anhand von Fig. 9 erwähnte Modellierung einer Karte gemäß einem Ausführungsbeispiel. Gezeigt sind Ecken 1001, Formpunkte 1003 als sogenannte„shape points" sowie Straßenbegrenzungen 1005 zumindest eines Straßenabschnitts. Zudem ist eine Breite 1007 des Straßenabschnitts gezeigt, die sich aus dem Produkt aus der Spurbreite di und der Anzahl von Spuren ni ergibt.
Das gezeigte Modell kann unter Verwendung der Kartendaten bestimmt werden.
Fig. 11 zeigt eine Darstellung einer Wahrscheinlichkeitsberechnung gemäß einem Ausführungsbeispiel. Auf der horizontalen Achse sind dabei Längengrade und auf der vertikalen Achse Breitengrade aufgetragen. Gezeigt ist ein Abbild einer Landschaft mit mehreren Straßen 1111. Für eine der Straßen 1111 sind mehrere die Straße 1111 abbildende Straßenabschnitte 1113, beispielsweise in Form von Straßenpolygonen, gezeigt.
Die gemessene Position 1115 stellt eine sogenannte„input position" dar, die als Eingangswert für das hier beschriebene Verfahren verwendet wird. Unter Durchführung des Verfahrens wird eine aktuelle Position 1117, als sogenannte geschätzte Position ermittelt. Dazu werden eine Mehrzahl von Partikeln 1119 verwendet. Die Partikel 1119 weisen unterschiedliche Gewichtungen auf, die beispielsweise von„0", als unwahrscheinlich, bis zu„1" als sehr wahrscheinlich reichen. Beispielhaft ist in Fig. 11 ein zentraler Bereich 1121 angedeutet, in dem Partikel 1119 mit einer hohen Gewichtung, beispielsweise nahe„1" angeordnet sind, ein mittlerer Bereich 1123 angedeutet, in dem Partikel 1119 mit einer mittleren Gewichtung, beispielsweise nahe„0,5" angeordnet sind, und ein äußerer Bereich 1125 angedeutet, in dem Partikel 1119 mit einer niedrigen Gewichtung, beispielsweise nahe„0" angeordnet sind.
Gemäß einem Ausführungsbeispiel ist anhand von Fig. 11 eine beispielhafte Berechnung von Wahrscheinlichkeiten gemäß einem Bewegungstheorem mit einer sich kreuzenden Schnellstraße gezeigt.
Fig. 12 zeigt eine Darstellung von Partikeln 119 nach einem Resampling gemäß einem Ausführungsbeispiel. Dabei wurden aus der in Fig. 11 gezeigten Mehrzahl Mehrzahl von Partikeln irrelevante Partikel eliminiert. Bei den irrelevanten Partikeln handelt es sich gemäß einem Ausführungsbeispiel um solche Partikel, die außerhalb der Straßenabschnitte 1113 angeordnet sind.
In dem in Fig. 12 gezeigten Ausführungsbeispiel befinden sich die meisten der nach dem Resampling verbliebenen Partikel 119 in einem Straßenabschnitt 1113, der durch eine geeignete Interpretation der verbliebenen Partikel 119 als plausibler Straßenabschnitt 1213 bestimmt wird. Gemäß einem
Ausführungsbeispiel sind anhand von Fig. 12 Partikel 119 nach einem
Resampling mit einer sich kreuzenden Schnellstraße gezeigt.
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 (1115) eines
Fahrzeugs (100) repräsentieren;
Einlesen (203) von Ungenauigkeitsdaten (107), die eine Ungenauigkeit der Positionsdaten (106) repräsentieren;
Einlesen (205) von Kartendaten (116), die von dem Fahrzeug (100) befahrbare Straßenabschnitte (1113) abbilden; und
Ermitteln (207) zumindest eines plausiblen Straßenabschnitts (1213) basierend auf den Positionsdaten (106), den Ungenauigkeitsdaten (107) und den Kartendaten (116) unter Verendung eines Partikel- Filters (532), wobei der plausible Straßenabschnitt (1213) einen Straßenabschnitt (1113) repräsentiert, dem eine aktuelle Position (1117) des Fahrzeugs (100) zugeordnet werden kann.
2. Verfahren gemäß Anspruch 1, mit einem Schritt des Bestimmens (709) eines Falschfahrtsignals (112) unter Verwendung des zumindest einen plausiblen Straßenabschnitts (1213), wobei das Falschfahrtsignal (112) anzeigt, ob eine Falschfahrt des Fahrzeugs (100) vorliegt oder nicht vorliegt.
3. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im
Schritt des Ermitteins (207; 917) eine Mehrzahl von Partikeln (119) bestimmt wird, wobei die Mehrzahl von Partikeln (119) um die durch die Positionsdaten (106) abgebildete gemessene Position (1115) des Fahrzeugs (100) herum verteilt angeordnet sind und jedes der Partikel (119) eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert.
4. Verfahren gemäß Anspruch 3, bei dem im Schritt des Ermitteins (207; 803) eine Mehrzahl von verschobenen Partikeln unter Verwendung der Mehrzahl von Partikeln (119) und der Ungenauigkeitsdaten (107) bestimmt wird und der zumindest eines plausible Straßenabschnitt (1213) basierend auf der Mehrzahl von verschobenen Partikeln ermittelt wird.
5. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Ermitteins (207; 805) unter Verwendung der Kartendaten (116) kartenbezogene Parameter für die Partikel (119) bestimmt werden und der zumindest eines plausible Straßenabschnitt (1213) basierend auf den kartenbezogenen Parametern ermittelt wird.
6. Verfahren gemäß Anspruch 4, bei dem im Schritt des Ermitteins (207;
807) unter Verwendung der kartenbezogenen Parameter neue
Gewichtungen der Mehrzahl von Partikeln (119) oder der Mehrzahl von verschobenen Partikeln bestimmt werden. 7. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Ermitteins (207; 809) irrelevante Partikel aus der Mehrzahl von Partikeln (119) oder der Mehrzahl von verschobenen Partikeln eliminiert werden.
8. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im
Schritt des Ermitteins (207; 811) die Mehrzahl von Partikeln (119) oder die Mehrzahl von verschobenen Partikeln interpretiert werden, um den zumindest einen plausiblen Straßenabschnitt (1213) zu ermitteln.
9. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im
Schritt (201) des Einlesens die Positionsdaten (106) über eine
Schnittstelle einer Rechnerwolke (118) eingelesen werden.
10. Vorrichtung (110) zur Falschfahrererkennung, die eingerichtet ist, um
Schritte des Verfahrens gemäß einem der vorangegangenen Ansprüche in entsprechenden Einheiten auszuführen.
11. 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 (1115) eines Fahrzeugs (100) repräsentieren; und eine Vorrichtung (110) gemäß Anspruch 10 zur Falschfahrererkennung, die ausgebildet ist, um die von der zumindest einen Sendeeinrichtung (102) ausgesendeten Positionsdaten (106) zu empfangen.
12. Computerprogramm, das dazu eingerichtet ist, das Verfahren gemäß einem der vorangegangenen Ansprüche auszuführen.
13. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 12 gespeichert ist.
EP17718860.4A 2016-06-07 2017-04-11 Verfahren vorrichtung und system zur falschfahrererkennung Ceased EP3465655A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016210023.8A DE102016210023A1 (de) 2016-06-07 2016-06-07 Verfahren Vorrichtung und System zur Falschfahrererkennung
PCT/EP2017/058623 WO2017211483A1 (de) 2016-06-07 2017-04-11 Verfahren vorrichtung und system zur falschfahrererkennung

Publications (1)

Publication Number Publication Date
EP3465655A1 true EP3465655A1 (de) 2019-04-10

Family

ID=58609374

Family Applications (1)

Application Number Title Priority Date Filing Date
EP17718860.4A Ceased EP3465655A1 (de) 2016-06-07 2017-04-11 Verfahren vorrichtung und system zur falschfahrererkennung

Country Status (6)

Country Link
US (1) US11315417B2 (de)
EP (1) EP3465655A1 (de)
JP (1) JP2019519040A (de)
CN (1) CN109313847A (de)
DE (1) DE102016210023A1 (de)
WO (1) WO2017211483A1 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11113962B2 (en) * 2018-06-27 2021-09-07 Mitsubishi Heavy Industries Machinery Systems, Ltd. Terminal device, rearward server, in-vehicle transponder, determination system, determination method, and program
CN110443185B (zh) * 2019-07-31 2020-11-24 北京京东智能城市大数据研究院 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质
CN116409323A (zh) * 2021-12-29 2023-07-11 北京罗克维尔斯科技有限公司 一种车辆轨迹与道路匹配方法、设备、装置及存储介质
US12412471B2 (en) 2022-03-28 2025-09-09 Waymo Llc Wrong-way driving modeling

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014034251A (ja) * 2012-08-08 2014-02-24 Nissan Motor Co Ltd 車両走行制御装置及びその方法
DE112014000819T5 (de) * 2013-02-14 2015-10-29 Denso Corporation Fahrzeugfahrunterstützungssystem und Fahrunterszützungsimplementierungsverfahren

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
US9422845B2 (en) * 2012-01-03 2016-08-23 Volvo Lastvagnar Ab Method and arrangement for cleaning a particle filter
CN102547244A (zh) 2012-01-17 2012-07-04 深圳辉锐天眼科技有限公司 视频监控方法及系统
CN202435528U (zh) * 2012-01-17 2012-09-12 深圳辉锐天眼科技有限公司 视频监控系统
CN103021186B (zh) * 2012-12-28 2015-03-25 中国科学技术大学 一种车辆监控的方法及系统
JP6511767B2 (ja) * 2014-10-20 2019-05-15 株式会社デンソー 逆走判断装置
CN106022243B (zh) * 2016-05-13 2019-02-26 浙江大学 一种基于图像处理的机动车道车辆逆行识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014034251A (ja) * 2012-08-08 2014-02-24 Nissan Motor Co Ltd 車両走行制御装置及びその方法
DE112014000819T5 (de) * 2013-02-14 2015-10-29 Denso Corporation Fahrzeugfahrunterstützungssystem und Fahrunterszützungsimplementierungsverfahren

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of WO2017211483A1 *

Also Published As

Publication number Publication date
US11315417B2 (en) 2022-04-26
US20200402396A1 (en) 2020-12-24
CN109313847A (zh) 2019-02-05
WO2017211483A1 (de) 2017-12-14
DE102016210023A1 (de) 2017-12-07
JP2019519040A (ja) 2019-07-04

Similar Documents

Publication Publication Date Title
WO2017211488A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
EP3542237B1 (de) Autonomes steuern eines kraftfahrzeugs anhand von spurdaten; kraftfahrzeug
EP3830523A1 (de) Verfahren zur aktualisierung einer umgebungskarte, vorrichtung für die fahrzeugseitige durchführung von verfahrensschritten des verfahrens, fahrzeug, vorrichtung für die zentralrechnerseitige durchführung von verfahrensschritten des verfahrens sowie computerlesbares speichermedium
DE102014204892A1 (de) Verfahren zum Erstellen und Verwenden einer lokalen Karte eines Fahrwegs eines Fahrzeugs
DE102016119130A1 (de) Probabilistische Folgerung unter Verwendung gewichteter Integrale und Summen durch Hashing zur Objektverfolgung
DE102016223638A1 (de) Fahrunterstützungsvorrichtung
DE102012208974A1 (de) System und Verfahren zum sensorbasierten Aufbauen eines Umgebungsmodells
DE102016214045A1 (de) Verfahren und Vorrichtung zum Ermitteln eines Fahrbahnmodells für ein Fahrzeugumfeld
EP3465656A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
DE102014009627A1 (de) Verfahren zur Meldung einer freien Parklücke für ein Fahrzeug
DE102015213538B4 (de) Verfahren und System zum Warnen vor einer Falschfahrt eines Fahrzeugs
DE112017006506T5 (de) Fahrassistenzsystem und Fahrassistenzvorrichtung
EP3769042A1 (de) System zur erzeugung von konfidenzwerten im backend
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
DE102018112888A1 (de) Systeme und Verfahren zur Überprüfung von Strassenkrümmungskartendaten
WO2020043246A1 (de) Lokalisierungsvorrichtung zur visuellen lokalisierung eines fahrzeugs
WO2017211483A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE102020213496A1 (de) Validierung von Modellen für Fahrbahn-Spuren basierend auf Schwarmdaten
EP3465653A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
DE102016220581A1 (de) Verfahren und vorrichtung zur bestimmung eines umfeldmodells
EP3465654B1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
WO2017211482A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE112018002372T5 (de) Informationsverwaltungsvorrichtung
DE102019216732A1 (de) Verfahren sowie System zum Plausibilisieren von Kartendaten
DE102021202778A1 (de) Verfahren und System zum Bearbeiten einer digitalen Sicherheitskarte für den Straßenverkehr

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

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

REG Reference to a national code

Ref country code: DE

Ref legal event code: R003

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

Free format text: STATUS: THE APPLICATION HAS BEEN REFUSED

18R Application refused

Effective date: 20241031