EP3465656A1 - Verfahren, vorrichtung und system zur falschfahrererkennung - Google Patents

Verfahren, vorrichtung und system zur falschfahrererkennung

Info

Publication number
EP3465656A1
EP3465656A1 EP17719826.4A EP17719826A EP3465656A1 EP 3465656 A1 EP3465656 A1 EP 3465656A1 EP 17719826 A EP17719826 A EP 17719826A EP 3465656 A1 EP3465656 A1 EP 3465656A1
Authority
EP
European Patent Office
Prior art keywords
vehicle
wrong
road
data
particles
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
EP17719826.4A
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 EP3465656A1 publication Critical patent/EP3465656A1/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
    • 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
    • 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
    • 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

Definitions

  • 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:
  • 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 map data can also map parameters of the road network that can be driven by the vehicle.
  • the measured position data of the vehicle may be a position measured using a sensor disposed in the vehicle
  • the plurality of particles may be determined using a method used with known particle filters.
  • the particles may have different assumed positions, which are grouped around the measured position, for example.
  • the particulate filter can be used to alter a weighting of preexisting particles. Under a plausible street element can a
  • Particle data is assumed that the vehicle is on it.
  • the plausible road element can be checked using other available data to ensure that the vehicle is actually on the tested road element. The tested
  • Road element can be used instead of the measured position for detecting a wrong ride of the vehicle.
  • the method may thus include a step of determining a
  • 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.
  • a machine learning classification method may be used.
  • measured motion data of the vehicle and parameters associated with the road elements may be used for the classification process.
  • the measured movement data may be movements of the vehicle measured using a sensor
  • the movement data can map a lateral acceleration and / or a direction of travel of the vehicle. It can be checked via the lateral acceleration whether a road course of a road element and via the direction of travel can be checked as to whether a driving direction specification of a road element matches the measured movement of the vehicle.
  • the parameters may include a curvature course and / or a heading specification of a map represented by the map data
  • Map road element associated with at least one of the plurality of particles or assignable.
  • assignability of the plurality of particles to road elements mapped by the map data may be used for the classification process. In this way, it can be checked whether particles lie on the plausible road element or not.
  • a distance between the plurality of particles and a measured position of the vehicle mapped by the measured position data can be used for the classification method. In this way, it is possible to check whether particles are arranged close to or away from a plausible road element.
  • the measured 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 wrong driver identification is set up to
  • such a device may comprise a read-in device which is designed to read in card data that contains a quantity of
  • Map road elements of a road network accessible by a vehicle having a determination device that is configured to determine a plurality of particles using measured position data of the vehicle, wherein a particle represents an assumed position of the vehicle and a weight assigned to the assumed position, a determination device , which is configured to determine at least one road element plausible with respect to a vehicle through the vehicle from the amount of road elements based on the plurality of particles using a particulate filter, and a
  • 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 recognition to the to receive from the at least one transmitting device emitted 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 can be part of a so-called system ASIC, for example, which contains a wide variety of 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 is stored on a machine-readable carrier or storage medium such as a semiconductor memory, a hard disk memory or an optical disk Memory may be stored and used for carrying out, implementing and / or driving the steps of the method according to one of the embodiments described above, in particular when the program product or program is executed on a computer or a device.
  • a machine-readable carrier or storage medium such as a semiconductor memory, a hard disk memory or an optical disk Memory
  • FIG. 1 shows a system for identifying wrong-way drivers according to FIG. 1
  • 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
  • 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 106 wirelessly to a device 110 for
  • the device 110 is designed to prepare the measurement data 106 for prepared data and to prepare the processed data
  • the wrong-way signal 112 indicates that the vehicle 100 whose measurement data 106 has been processed currently makes a wrong-way drive. According to this embodiment, both the transmission device 102 of the
  • Vehicle 100 as well as a transmission device 102 of another vehicle 100 configured to receive the wrong-way signal 112 and in response to a receipt of the wrong-way signal 112 a
  • Warning device of the respective vehicle 100, 114 to activate the
  • False drive warns or engages according to an embodiment in an at least semi-automatic control, such as a brake system or steering system, the respective vehicle 100, 114.
  • an at least semi-automatic control such as a brake system or steering system, the respective vehicle 100, 114.
  • the transmission device 102 only as
  • Transmitter or be designed as a transceiver device.
  • the measurement data comprises
  • Information about a current movement of the vehicle 100 for example information about a direction of travel, a longitudinal acceleration, a
  • Vehicle axle include.
  • the device 110 is configured to read in map data 116 that maps a road network drivable by the vehicle 100.
  • map data 116 maps a road network drivable by the vehicle 100.
  • Map Data 116 Information about road elements of the road network.
  • the map data 116 with respect to each road element further comprise at least one parameter which defines, for example, a driving direction specification for the respective road element or a course of the respective road element. For example, over the
  • the device 110 has a memory device in which the map data 116 are stored.
  • the device is 110 or
  • Function blocks of the device 110 are arranged or realized in a cloud 118.
  • the apparatus 110 is configured to determine the wrong-way driver signal 112 using a tested road element.
  • the tested road element may be understood as a road element, also referred to as a road section, encompassed by the map data, which is assumed to be the vehicle 100 thereon.
  • the device 110 is designed to first determine at least one plausible road element from the road elements covered by the map data using a particle filter and then to check, using a classification method, whether the at least one plausible road element actually functions as a road Road element can be assumed on which the vehicle is highly likely.
  • the particles processed by the particle filter are determined by the device 110 using the position data transmitted via the measurement signal 106 and / or already existing particles. The classification procedure thus provides additional security through which
  • the device 110 may be configured to accommodate the Provide miss signal 112 using a tested road element.
  • 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 done to detect the passing of a "forbidden entry" sign or the use of a digital map in conjunction
  • Detecting the direction of travel on a road element which is only passable in one direction. Furthermore, are known. Furthermore, the approach can be with wireless
  • Beacons in the lane or at the edge of the lane detect wrong-way drivers.
  • Warning of the wrong driver himself via a display or audible instructions 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.
  • a device can be seen, located on or in a motor vehicle, which has a
  • Internet connection 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. Thus, a wrong driver specific
  • Server client communication with a smartphone as an exemplary client be implemented.
  • 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. In addition to the trip time, cost-efficiency also plays an important part.
  • 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 map data is transmitted via a
  • the Map data depicts a road network accessible by a vehicle.
  • a plurality of particles are determined using position data. Each of the particles represents an assumed position of the vehicle and a weight assigned to the assumed position. In this case, according to one exemplary embodiment, the assumed positions are distributed around the measured position.
  • a step 205 based on the plurality of particles, at least one road element that is plausible with respect to vehicle driving is determined from the set of road elements.
  • At least step 205 is performed using a particulate filter.
  • a road element may be determined as a plausible road element depending on a local distribution of the particles or the weights of the particles. For this purpose, it can be checked, for example, whether there is a predetermined quantity of particles on the road element or particles with a predetermined weighting are located on the road element.
  • a step 207 it is checked whether the at least one plausible road element is actually a road element, of which with sufficient safety
  • a road element checked by the classification method is dependent on a result of the method performed by the classification method
  • Method can be used to classify using the particulate filter as plausible road elements filtered road elements either as tested road elements or classified as implausible road elements.
  • movement data of the vehicle as well as the plausible road elements associated parameters can be incorporated. It is also possible to incorporate values based on an evaluation of the particles. In the evaluation, for example, a local arrangement and / or weighting of the particles can be taken into account. For example, such values may indicate how many of the particles can be assigned to a plausible road element. For example, if the number of particles greater than a threshold is greater than a plausible road element, the plausible road element may be classified as a tested road element.
  • False driver signal provided.
  • the wrong-of-way signal is provided when a current direction of travel of the vehicle does not coincide with a direction of travel of the tested road element.
  • the particle filter is applicable to systems which have a hidden Markov chain characteristic, ie a Markov filter.
  • Fig. 3 shows a Hidden Markov Chain Model 320 with state x and observation z at time k and k-1. That is, the state of a system can not be measured directly, but estimated based on other observations. In this case, it is important to estimate the position and thus the current road. For this, the following equation must be solved:
  • 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 particulate filter
  • 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.
  • Device 110 is configured to receive data 106 from 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.
  • 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 and a rolling p about the longitudinal axis, a pitch q about the transverse axis and a yaw r about the vertical axis.
  • the condition is, for example the geographical longitude, latitude and altitude, stand for how the car 100 moves, for example, in terms of speed and yaw rates and stand for what can be observed, for example, a GPS signal or the environment of the vehicle 100 concerning 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 described with reference to FIG. 1
  • 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
  • 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 system for wrong-way driver recognition according to a
  • Embodiment The system corresponds to that with reference to FIG. 5
  • the device 933 is designed to implement a classification method, here, for example, of machine learning.
  • the particulate filter 532 is configured to process particulates 940 and to determine based on the particulates 940 at least one plausible road element 942 from which it is assumed that a data is derived from the data provided by the particulate filter 532 Vehicle is located on it.
  • the device 933 is designed to check whether the plausible road element 942 is actually a road element that can be assumed to be sufficiently secure on the vehicle. If so, the device 933 is configured to provide the verified plausible road element 942 as a tested road element 944 to the alert module 534.
  • the alert module 534 is configured to provide the warning in the form of a miss signal 112 using the tested
  • Possible parameters (features) for the classification method 933 including the temporal behavior / change of these are the following:
  • classification method 933 examples include regressions, K-nearest neighbor, decision trees, Random Forest, Support Vector Machine (SVL) or neural networks.
  • 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 a "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. Das Verfahren umfasst einen Schritt des Einlesens von Kartendaten (116), die eine Menge von Straßenelementen eines von einem Fahrzeug (100) befahrbaren Straßennetz abbilden, einen Schritt des Bestimmens einer Mehrzahl von Partikeln unter Verwendung gemessener Positionsdaten (106) des Fahrzeugs (100), wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, einen Schritt des Bestimmens zumindest eines in Bezug auf eine Befahrung durch das Fahrzeug (100) plausiblen Straßenelements aus der Menge von Straßenelementen basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel-Filters, und einen Schritt des Überprüfens des zumindest einen plausiblen Straßenelements unter Verwendung eines Klassifikations-Verfahrens, um zumindest ein geprüftes Straßenelement zu erhalten.

Description

Beschreibung
Titel
VERFAHREN, VORRICHTUNG UND SYSTEM ZUR FALSCHFAHRERERKENNUNG
Stand der Technik 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 Er indung
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 Kartendaten, die eine Menge von Straßenelementen eines von einem Fahrzeug befahrbaren Straßennetz abbilden;
Bestimmen einer Mehrzahl von Partikeln unter Verwendung gemessener Positionsdaten des Fahrzeugs, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert;
Bestimmen zumindest eines in Bezug auf eine Befahrung durch das Fahrzeug plausiblen Straßenelements aus der Menge von Straßenelementen basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel- Filters; und
Überprüfen des zumindest eines plausiblen Straßenelements unter Verwendung eines Klassifikations-Verahrens, um zumindest ein geprüftes Straßenelement zu erhalten.
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 Kartendaten können zudem Parameter des von dem Fahrzeug befahrbaren Straßennetz abbilden. Die gemessenen Positionsdaten des Fahrzeugs können eine unter Verwendung eines in dem Fahrzeug angeordneten Sensors gemessene Position
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. Beispielsweise kann der Partikel- Filter verwendet werden, um eine Gewichtung bereits vorhandener Partikel zu ändern. Unter einem plausiblen Straßenelement kann ein
Straßenelement verstanden werden, von dem nach Auswertung der
Partikeldaten angenommen wird, dass sich das Fahrzeug darauf befindet. Das plausible Straßenelement kann unter Verwendung weiterer zur Verfügung stehender Daten überprüft werden, um sicherzustellen, dass sich das Fahrzeug tatsächlich auf dem geprüften Straßenelement befindet. Das geprüfte
Straßenelement kann anstelle der gemessenen Position zur Erkennung einer Falschfahrt des Fahrzeugs verwendet werden.
Das Verfahren kann somit einen Schritt des Bestimmens eines
Falschfahrtsignals unter Verwendung des geprüften Straßenelements 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 Überprüfens kann ein Klassifikations-Verfahren des maschinellen Lernens verwendet werden. Vorteilhafterweise kann somit auf bekannte
Verfahren zurückgegriffen werden.
Im Schritt des Überprüfens können gemessene Bewegungsdaten des Fahrzeugs und den Straßenelementen zugeordnete Parameter für das Klassifikations- Verfahren verwendet werden. Die gemessenen Bewegungsdaten können unter Verwendung eines Sensors gemessene Bewegungen des Fahrzeugs
repräsentieren. Auf diese Weise kann überprüft werden, ob ein Straßenelement zu einer von dem Fahrzeug ausgeführten Bewegung passt.
Beispielsweise können die Bewegungsdaten eine Querbeschleunigung und/oder eine Fahrtrichtung des Fahrzeugs abbilden. Über die Querbeschleunigung kann überprüft werden, ob ein Straßenverlauf eines Straßenelements und über die Fahrtrichtung kann überprüft werden, ob eine Fahrtrichtungsvorgabe eines Straßenelements zu der gemessenen Bewegung des Fahrzeugs passt.
Entsprechend können die Parameter einen Krümmungsverlauf und/oder eine Fahrtrichtungsvorgabe eines durch die Kartendaten abgebildeten
Straßenelements abbilden, der zumindest einem der Mehrzahl von Partikel zugeordnet oder zuordenbar ist.
Im Schritt des Überprüfens kann eine Zuordenbarkeit der Mehrzahl von Partikeln zu durch die Kartendaten abgebildeten Straßenelementen für das Klassifikations- Verfahren verwendet werden. Auf diese Weise kann in die Überprüfung eingehen, ob Partikel auf dem plausiblen Straßenelement liegen oder nicht.
Im Schritt des Überprüfens kann ein Abstand zwischen der Mehrzahl von Partikeln und einer durch die gemessenen Positionsdaten abgebildeten gemessenen Position des Fahrzeugs für das Klassifikations-Verfahren verwendet. Auf diese Weise kann in die Überprüfung eingehen, ob Partikel nahe bei oder entfernt zu einem plausiblen Straßenelement angeordnet sind. Im Schritt des Einlesens können die gemessenen 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 Kartendaten einzulesen, die eine Menge von
Straßenelementen eines von einem Fahrzeug befahrbaren Straßennetz abbilden, eine Bestimmungseinrichtung aufweisen, die ausgebildet ist, um eine Mehrzahl von Partikeln unter Verwendung gemessener Positionsdaten des Fahrzeugs zu bestimmen, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, eine Bestimmungseinrichtung aufweisen, die ausgebildet ist, um zumindest ein in Bezug auf eine Befahrung durch das Fahrzeug plausiblen Straßenelements aus der Menge von Straßenelementen basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel- Filters zu bestimmen, und eine
Überprüfungseinrichtung aufweisen, die ausgebildet ist, um das zumindest eine plausible Straßenelements unter Verwendung eines Klassifikations-Verahrens zu überprüfen, um zumindest ein geprüftes Straßenelement zu erhalten.
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 ein System zur Falschfahrererkennung 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 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 Informationen über Straßenelemente des Straßennetzes.
Gemäß einem Ausführungsbeispiel umfassen die Kartendaten 116 bezüglich jedes Straßenelements ferner zumindest einen Parameter, der beispielsweise eine Fahrtrichtungsvorgabe für das jeweilige Straßenelement oder einen Verlauf des jeweiligen Straßenelements definiert. Beispielsweise kann über den
Parameter definiert sein, ob der Straßenelement 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 oder sind
Funktionsblöcke der Vorrichtung 110 in einer Cloud 118 angeordnet oder realisiert.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um das Falschfahrersignal 112 unter Verwendung eines geprüften Straßenelements zu bestimmen. Unter dem geprüften Straßenelement kann ein von den Kartendaten umfasstes Straßenelement, auch Straßenabschnitt genannt, verstanden werden, von dem angenommen wird, dass sich das Fahrzeug 100 darauf befindet. Die Vorrichtung 110 ist in diesem Fall ausgebildet, um aus den von den Kartendaten umfassten Straßenelementen unter Verwendung eines Partikel- Filters zunächst zumindest ein plausibles Straßenelement zu bestimmen und anschließend unter Verwendung eines Klassifikations-Verfahrens zu überprüfen, ob das zumindest eine plausible Straßenelement tatsächlich als ein Straßenelement angenommen werden kann, auf dem sich das Fahrzeug mit hoher Wahrscheinlichkeit befindet. Die von dem Partikel- Filter verarbeiteten Partikel werden von der Vorrichtung 110 unter Verwendung der über das Messsignal 106 übertragenen Positionsdaten und/oder bereits vorhandener Partikel bestimmt. Durch das Klassifikations- Verfahren ist somit eine zusätzliche Absicherung gegeben, durch die
sichergestellt werden kann, dass die Falschfahrerwarnung nicht fälschlicherweise herausgegeben wird, weil das Fahrzeug einem falschen Straßenelement zugeordnet wurde. Somit kann die Vorrichtung 110 ausgebildet sein, um das Falschfahrtsignal 112 unter Verwendung eines geprüften Straßenelements bereitzustellen.
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 Straßenelement 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 Kartendaten über eine
Schnittstelle eingelesen werden. Die Kartendaten bilden ein von einem Fahrzeug befahrbaren Straßennetz ab. In einem Schritt 203 wird eine Mehrzahl von Partikeln unter Verwendung von Positionsdaten bestimmt. 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 um die gemessene Position. In einem Schritt 205 wird basierend auf der Mehrzahl von Partikeln zumindest ein in Bezug auf eine Befahrung durch das Fahrzeug plausibles Straßenelement aus der Menge von Straßenelementen bestimmt.
Zumindest der Schritt 205 wird unter Verwendung eines Partikel- Filters ausgeführt. Beispielsweise kann ein Straßenelement abhängig von einer örtlichen Verteilung der Partikel oder den Gewichtungen der Partikel als ein plausibles Straßenelement bestimmt werden. Dazu kann beispielsweise überprüft werden, ob sich auf dem Straßenelement eine vorbestimmte Menge von Partikeln befindet oder sich auf dem Straßenelement Partikel mit einer vorbestimmten Gewichtung befinden. In einem Schritt 207 wird überprüft, ob es sich bei dem zumindest einen plausiblen Straßenelement tatsächlich um ein Straßenelement handelt, von dem mit ausreichend großer Sicherheit
angenommen werden kann, dass sich das Fahrzeug darauf befindet. Dazu wird das zumindest eine plausible Straßenelement unter Verwendung eines Klassifikations-Verahrens überprüft. Gemäß einem Ausführungsbeispiel wird ein durch das Klassifikations-Verfahren überprüfte Straßenelement abhängig von einem Ergebnis der durch das Klassifikations-Verfahren durchgeführten
Klassierung entweder als geprüftes Straßenelement bezeichnet oder als unplausibles Straßenelement verworfen. Somit kann das Klassifikations-
Verfahren dazu verwendet werden, um unter Verwendung des Partikel- Filters als plausible Straßenelemente herausgefilterte Straßenelemente entweder als geprüfte Straßenelemente zu klassieren oder als unplausible Straßenelemente zu klassieren.
In das Klassifikations-Verfahren können beispielsweise Bewegungsdaten des Fahrzeugs sowie den plausiblen Straßenelementen zugeordnete Parameter einfließen. Auch können Werte einfließen, die auf einer Auswertung der Partikel basieren. Bei der Auswertung kann beispielsweise eine örtliche Anordnung und/oder Gewichtung der Partikel berücksichtigt werden. Solche Werte können beispielsweise anzeigen, wie viele der Partikel einem plausiblen Straßenelement zugeordnet werden können. Wenn die Anzahl der Partikel, die einem einem plausiblen Straßenelement beispielsweise größer als ein Schwellenwert ist, kann das plausible Straßenelement als geprüftes Straßenelement klassiert werden.
In einem weiteren Schritt wird gemäß einem Ausführungsbeispiel ein
Falschfahrersignal bereitgestellt. Beispielsweise wird das Falschfahrersignal bereitgestellt, wenn eine aktuelle Fahrtrichtung des Fahrzeugs nicht mit einer Fahrtrichtungsvorgabe des geprüften Straßenelements 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 μ und Observierungen μ. 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
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 all e Werte durchlaufen sind, wird zum Block 415 gesprungen der das Ende Xk 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.
dafür stehen, was der Zustand (nicht gemessen) ist, beispielsweise die geografische Länge, Breite und Höhe, dafür stehen, wie sich das Auto 100 bewegt, beispielsweise hinsichtlich der Geschwindigkeit und Drehraten und 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.
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 ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel. Das System entspricht dem anhand von Fig. 5
beschriebenen System, mit dem Unterschied, dass zwischen den Partikel- Filter 532 und dem Warnungsmodul 534 eine Einrichtung 933 zur Durchführung einer Nachbearbeitung vorgesehen ist. Die Einrichtung 933 ist ausgebildet, um ein Klassifikations-Verfahren, hier beispielsweise des maschinellen Lernens, umzusetzen.
Gemäß einem Ausführungsbeispiel ist der Partikel- Filter 532 ausgebildet, um Partikel 940 zu verarbeiten und basierend auf den Partikeln 940 zumindest ein plausibles Straßenelement 942 zu bestimmen, von dem ausgehend von dem durch den Partikel- Filter 532 bereitgestellten Daten davon ausgegangen wird, dass sich ein Fahrzeug darauf befindet. Die Einrichtung 933 ist ausgebildet, um zu überprüfen, ob es sich bei dem plausiblen Straßenelement 942 tatsächlich um ein Straßenelement handelt, von dem mit ausreichend hoher Sicherheit davon ausgegangen werden kann, dass sich das Fahrzeug darauf befindet. Wenn dies der Fall ist, ist die Einrichtung 933 ausgebildet, um das überprüfte plausible Straßenelement 942 als geprüftes Straßenelement 944 an das Warnungsmodul 534 bereitzustellen. Das Warnungsmodul 534 ist ausgebildet, um die Warnung in Form eines Falschfahrtsignals 112 unter Verwendung des geprüften
Straßenelements 944 bereitzustellen.
Die typische Anwendung des Partikel- Filters 532 unterscheidet sich
dahingehend, dass in diesem Anwendungsfall nicht die bestmögliche
Lokalisierungsgenauigkeit erreicht werden soll, sondern in allen Fällen die richtigen Straßenelemente, hier die geprüften Straßenelemente 944, ermittelt werden sollen. Das heißt, auch wenn die Sensordaten 106 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. Um die Fehldetektionsrate zu verringern, wird noch ein Klassifikationsverfahren 933, beispielsweise aus dem Bereich des maschinellen Lernens verwendet. Dadurch ändert sich die in Fig. 5 gezeigte Struktur des Systems wie in Fig. 9 gezeigt.
Anstatt alleinig aufgrund der errechneten Wahrscheinlichkeiten auszulösen, werden die Fälle noch über ein Klassifikations-Verfahren 933 des maschinellen Lernens gegengeprüft.
Mögliche Parameter (Features) für das Klassifikations-Verfahren 933, inklusive des zeitlichen Verhaltes/Änderung dieser sind die folgenden:
Der Abstand einer Straße auf denen sich Partikel entgegen der Fahrtrichtung befinden zur räumlich am nahesten liegenden Straße, auf der sich Partikel in Fahrtrichtung bewegen.
Die Wahrscheinlichkeiten der möglichen Straßen, auf denen sich Partikel befinden.
Die Differenz zwischen der Krümmung der Straße auf dem Partikel liegen und den Sensordaten 106.
Die Differenz zwischen der Fahrtrichtungsvorgabe der Straße auf dem Partikel liegen und Sensordaten 106 bzw. Partikel 940.
Es werden sehr viele Partikel so verschoben, dass sie nicht auf einer Straße landen (Off-road probability).
Der Median/Mittelwerl Minimalwerl Maximalwert des Abstands zwischen Partikel und der gemessenen Fahrzeugposition (GPS) ist außergewöhnlich groß. Eine geschätzte Konvergenz des Partikel- Filters 532 zur Abschätzung des Gesamtfehlers.
Als mögliche Verfahren für das Klassifikations-Verfahren 933 bieten sich beispielsweise Regressionen, K-Nearest-Neighbor, Entscheidungsbäume, Entscheidungsbaum-Ensemble bzw. Random Forest, Support-Vector-Machine (SVL) oder neuronale Netze an.
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 Kartendaten (116), die eine Menge von
Straßenelementen eines von einem Fahrzeug (100) befahrbaren Straßennetz abbilden;
Bestimmen (203) einer Mehrzahl (940) von Partikeln unter Verwendung gemessener Positionsdaten (106) des Fahrzeugs (100), wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert;
Bestimmen (205) zumindest eines in Bezug auf eine Befahrung durch das Fahrzeug (100) plausiblen Straßenelements (942) aus der Menge von Straßenelementen basierend auf der Mehrzahl (940) von Partikeln unter Verwendung eines Partikel- Filters (532); und
Überprüfen (207) des zumindest einen plausiblen Straßenelements (942) unter Verwendung eines Klassifikations-Verfahrens (933), um zumindest ein geprüftes Straßenelement (944) zu erhalten.
2. Verfahren gemäß Anspruch 1, mit einem Schritt des Bereitstellens eines Falschfahrtsignals (112) unter Verwendung des zumindest einen geprüften Straßenelements (944), 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 Überprüfens (207) ein Klassifikations-Verfahren (933) des maschinellen Lernens verwendet wird.
4. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Überprüfens (207) gemessene Bewegungsdaten (107) des Fahrzeugs (100) und den Straßenelementen zugeordnete Parameter für das Klassifikations-Verfahren (933) verwendet werden.
5. Verfahren gemäß Anspruch 4, bei dem die Bewegungsdaten (107) eine Querbeschleunigung und/oder eine Fahrtrichtung des Fahrzeugs (100) abbilden.
6. Verfahren gemäß Anspruch 4 oder 5 bei der die Parameter einen
Krümmungsverlauf und/oder eine Fahrtrichtungsvorgabe eines durch die Kartendaten (116) abgebildeten Straßenelements abbilden, der zumindest einem der Mehrzahl (940) von Partikel zugeordnet oder zuordenbar ist.
7. Verfahren gemäß einem der Ansprüche 5 bis 9, bei dem im Schritt des
Überprüfens (207) einer Zuordenbarkeit der Mehrzahl (940) von
Partikeln zu durch die Kartendaten (116) abgebildeten
Straßenelementen für das Klassifikations-Verfahren (933) verwendet wird.
8. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im
Schritt des Überprüfens (207) eines Abstands zwischen der Mehrzahl (940) von Partikeln und einer durch die gemessenen Positionsdaten (106) abgebildeten gemessenen Position des Fahrzeugs (100) für das Klassifikations-Verfahren (933) verwendet wird.
9. Verfahren gemäß einem der vorangegangenen Ansprüche, mit einem
Schritt des Einlesens der gemessenen Positionsdaten (106) über eine Schnittstelle einer Rechnerwolke (118).
10. Vorrichtung (110) zur Falschfahrererkennung, die eingerichtet ist, um Schritte des Verfahrens gemäß einem der vorangegangenen Ansprüche in entsprechenden Einheiten auszuführen.
1 1 . 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 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.
EP17719826.4A 2016-06-07 2017-04-18 Verfahren, vorrichtung und system zur falschfahrererkennung Pending EP3465656A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016210032.7A DE102016210032A1 (de) 2016-06-07 2016-06-07 Verfahren Vorrichtung und System zur Falschfahrererkennung
PCT/EP2017/059192 WO2017211492A1 (de) 2016-06-07 2017-04-18 Verfahren, vorrichtung und system zur falschfahrererkennung

Publications (1)

Publication Number Publication Date
EP3465656A1 true EP3465656A1 (de) 2019-04-10

Family

ID=58638840

Family Applications (1)

Application Number Title Priority Date Filing Date
EP17719826.4A Pending EP3465656A1 (de) 2016-06-07 2017-04-18 Verfahren, vorrichtung und system zur falschfahrererkennung

Country Status (6)

Country Link
US (1) US10629073B2 (de)
EP (1) EP3465656A1 (de)
JP (1) JP6776373B2 (de)
CN (1) CN109313850A (de)
DE (1) DE102016210032A1 (de)
WO (1) WO2017211492A1 (de)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016210029A1 (de) * 2016-06-07 2017-12-07 Robert Bosch Gmbh Verfahren Vorrichtung und System zur Falschfahrererkennung
CN110081890B (zh) * 2019-05-24 2023-02-03 长安大学 一种结合深度网络的动态k最近邻地图匹配方法
US11348452B2 (en) * 2020-01-31 2022-05-31 Here Global B.V. Method, apparatus, and system for automatic closure verification using multiple possible vehicle paths
US11548521B2 (en) 2020-03-31 2023-01-10 Toyota Research Institute, Inc. Systems, methods and vehicles for determining wrong direction driving
US11348456B2 (en) 2020-10-06 2022-05-31 Ford Global Technologies, Llc Systems and methods for detecting wrong way travel of a vehicle
CN114023095B (zh) * 2021-09-22 2022-12-30 北京百度网讯科技有限公司 一种交通限制识别方法、装置及电子设备

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
BRPI0823224A2 (pt) * 2008-11-06 2015-06-16 Volvo Technology Corp Método e sistema para determinação de dados de estrada
US8452535B2 (en) * 2010-12-13 2013-05-28 GM Global Technology Operations LLC Systems and methods for precise sub-lane vehicle positioning
CN102081844A (zh) * 2011-01-25 2011-06-01 华中科技大学 一种交通视频行为分析与报警服务器
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
EP2574958B1 (de) * 2011-09-28 2017-02-22 Honda Research Institute Europe GmbH Straßenterrain-Erkennungsverfahren und System für Fahrerhilfssysteme
KR101881415B1 (ko) * 2011-12-22 2018-08-27 한국전자통신연구원 이동체의 위치 인식 장치 및 방법
CN102768804B (zh) * 2012-07-30 2014-03-26 江苏物联网研究发展中心 基于视频的交通信息采集方法
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
DE102013209502A1 (de) * 2013-05-22 2014-11-27 Robert Bosch Gmbh Verfahren zum automatischen Intervenieren in ein Ego-Fahrzeug bei einer Falschfahrt, insbesondere einer Geisterfahrt
JP6171612B2 (ja) * 2013-06-20 2017-08-02 株式会社豊田中央研究所 仮想レーン生成装置及びプログラム

Also Published As

Publication number Publication date
DE102016210032A1 (de) 2017-12-07
CN109313850A (zh) 2019-02-05
JP6776373B2 (ja) 2020-10-28
JP2019519850A (ja) 2019-07-11
WO2017211492A1 (de) 2017-12-14
US20190139404A1 (en) 2019-05-09
US10629073B2 (en) 2020-04-21

Similar Documents

Publication Publication Date Title
EP3465656A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
WO2017211488A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
WO2021043507A1 (de) Querführung eines fahrzeugs mittels von anderen fahrzeugen erfassten umgebungsdaten
DE102017103123A1 (de) Fahrzeugfahrbahnplatzierung
DE102016119130A1 (de) Probabilistische Folgerung unter Verwendung gewichteter Integrale und Summen durch Hashing zur Objektverfolgung
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
EP3465090A1 (de) Verfahren zum bereitstellen einer fahrzeugtrajektorieninformation und verfahren zum orten eines schlaglochs
DE102019214628A1 (de) Validierung von Umfelderfassung mittels Satelitenbildern und SAR-Radardaten
DE102018115198A1 (de) Crowdsourcing-basierte virtuelle Sensorgenerierungs- und virtuelle Sansoranwendungs-Streuerung
DE102017214969A1 (de) Verfahren und Vorrichtung zur Falschfahrwarnung eines Fahrzeugs nach einem Unfall und/oder einer sicherheitskritischen Fahrsituation, insbesondere nach einem zwischenzeitlichen Stillstand des Fahrzeugs
DE102015213538A1 (de) Verfahren und System zum Warnen vor einer Falschfahrt eines Fahrzeugs
DE102020105399A1 (de) Erfassen von veränderten fahrbedingungen
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
DE102018221054A1 (de) Verfahren zum Bereitstellen von Kartendaten in einem Kraftfahrzeug, Kraftfahrzeug und zentrale Datenverarbeitungseinrichtung
EP3769042A1 (de) System zur erzeugung von konfidenzwerten im backend
WO2017211489A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE102016220581A1 (de) Verfahren und vorrichtung zur bestimmung eines umfeldmodells
WO2017211483A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE102020108508B3 (de) Verfahren zur Bewertung von Streckenabschnitten
DE102020129802A1 (de) Fahrzeugbetriebskennzeichnung
EP3465654B1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
WO2017211482A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE102021202778A1 (de) Verfahren und System zum Bearbeiten einer digitalen Sicherheitskarte für den Straßenverkehr
DE102022200674A1 (de) Verfahren zum Betreiben eines Fahrzeugs

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