EP3673471A1 - System und verfahren zum unterstützen einer prognose einer zukünftigen signalisierung eines verkehrsinfrastrukturelements - Google Patents

System und verfahren zum unterstützen einer prognose einer zukünftigen signalisierung eines verkehrsinfrastrukturelements

Info

Publication number
EP3673471A1
EP3673471A1 EP18830182.4A EP18830182A EP3673471A1 EP 3673471 A1 EP3673471 A1 EP 3673471A1 EP 18830182 A EP18830182 A EP 18830182A EP 3673471 A1 EP3673471 A1 EP 3673471A1
Authority
EP
European Patent Office
Prior art keywords
traffic
artificial intelligence
infrastructure element
signaling
traffic infrastructure
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
EP18830182.4A
Other languages
English (en)
French (fr)
Inventor
Daniel HOBOHM
Felix Rudolph
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.)
Yunex GmbH
Original Assignee
Siemens Mobility 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 Siemens Mobility GmbH filed Critical Siemens Mobility GmbH
Publication of EP3673471A1 publication Critical patent/EP3673471A1/de
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—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
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/091—Traffic information broadcasting
    • G08G1/093—Data selection, e.g. prioritizing information, managing message queues, selecting the information to be output
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Definitions

  • the invention relates to a system and a method for supporting a forecast of future signaling of a traffic infrastructure element and a computer program.
  • so-called artificial intelligence algorithms can be used, which derive from a switching process of a light signal system as a function of detector data from traffic detectors and internal programming a future, probable future circuit or a probable future signal image of the traffic signal.
  • This approach is used, for example, in traffic-dependent controlled traffic signal systems, since such traffic signal systems flexibly adapt their green and red periods to a current traffic situation.
  • the correspondingly predicted signal images or switching times can be made available to road users, for example. These can, for example, accordingly adjust their speed in order to passie the light signal system during a green phase without stopping.
  • the object underlying the invention is to be seen hen to provide a concept for efficiently supporting a traffic participant in a forecast of a future signaling tion of a traffic infrastructure element.
  • a system for assisting a road user in forecasting future signaling of a traffic infrastructure element comprising: a memory device in which an artificial intelligence is stored, wherein the artificial intelligence comprises a prognosis model for predicting future signaling of the traffic infrastructure element, and a communication device for transmitting the artificial intelligence to a road user via a communication network.
  • a method of assisting a road user in predicting future signaling of a traffic infrastructure element using artificial intelligence comprising:
  • a computer program comprising program code for performing the method of assisting a road user in predicting future signaling of a traffic infrastructure element when the computer program is on a computer, for example, the system for assisting a road user in a forecast a future Sig nalmaschine a traffic infrastructure element is executed.
  • a script is provided to the traffic participant, eg a motor vehicle, which includes or comprises this artificial intelligence, so that the road user, eg the motor vehicle, is then in the respective subsecond-precise situation ("real-time").
  • current and / or georeferenced can derive how the scaffoldinf ra Modellelement, eg a traffic signal, will soon switch.
  • the invention is based on the finding that the above task can be solved by the fact that the artificial Intelli genz, which includes a forecasting model for predicting a future signaling of the transport infrastructure element, is sent to the or the road users via a communi cation network.
  • the road user becomes or the road users themselves are enabled to predict the future signaling of the traffic infrastructure element using artificial intelligence.
  • the traffic participants can advantageously consider their own boundary conditions. For example, the road user be able to take into account, from which direction he approaches the light signal system or where the road user wants to go or where the road user is relative to the traffic signal.
  • the concept according to the invention is based on providing the artificial intelligence comprising the prognosis model, which is used to forecast the future signaling of the traffic infrastructure element, to the traffic participant (s) via a communication network.
  • the road user is a motor vehicle.
  • the motor vehicle is is.
  • the motor vehicle is is is.
  • the motor vehicle comprises a driver assistance system which uses the artificial intelligence for the prognosis of the future signaling of the traffic infrastructure element.
  • the driver assistance system controls For example, a lateral and / or a longitudinal guidance of the motor vehicle based on the forecast of the future signaling of the traffic infrastructure element.
  • the prediction model is designed to predict the future signaling of the traffic infrastructure element based on traffic data, wherein the communication device is formed to transmit the traffic data to the road user via the communication network.
  • the technical advantage means that the future signaling of the traffic infrastructure element can be efficiently predicted.
  • the same traffic data are sent to the road user via the communication network, which uses the traffic infrastructure element itself for its own determination of the future signaling.
  • the traffic infrastructure element e.g. stored an algorithm that uses the traffic data to determine a future signaling, which is then displayed by means of the traffic infrastructure element.
  • the information may be processed directly by the motor vehicle or an associated element, e.g. in highly automated or even autonomous driving applications.
  • the same input data (in this case the traffic data) is available to the road user as the traffic infrastructure element in order to predict future signaling using the forecasting model.
  • the prognosis model is designed to provide the future signaling of the traffic infrastructure element based on signaling data which provides a current signaling of the traffic information. describe and / or based on
  • Switching time data that describe a current switching time of the traffic infrastructure element to predict, wherein the communication device is designed to send the signaling data and / or the switching time data to the traffic participants via the communication network.
  • the traffic information is made available to the road user, current information, the signaling data or the switching time data, of the traffic infrastructure element.
  • the signaling data or the switching time data are in this case determined in particular by means of the traffic infrastructure element itself.
  • Switching time data in particular comprise the information about one or more times at which a change in the signaling has taken place or will take place.
  • the communication device comprises a first communication interface for sending the artificial intelligence to the road user.
  • the communication device comprises a second communication interface for transmitting the signaling data and / or switching time data and / or traffic data to the road user.
  • the second communication interface is e.g. from the traffic infrastructure element.
  • the communication device is designed to send the artificial intelligence only to the road user when one or more predetermined conditions are met.
  • This causes the technical advantage that the sending of the artificial intelligence can be carried out efficiently.
  • it can be determined exactly under which conditions the artificial intelligence should be sent to the road user.
  • the one or more predetermined conditions are each an element selected from the following group of conditions: road user is within a predetermined distance to the traffic infrastructure element, receiving by the communication device a request of the road user to send the artificial Intelligence.
  • the technical advantage has the effect of ensuring efficiently that the artificial intelligence is sent only to road users who are within a predetermined distance from the traffic infrastructure element.
  • This distance can refer to a immedi direct light signal system, or even for example for an entire city or region.
  • the technical advantage is caused that an available bandwidth of the communication network is used efficiently, for example, insofar as the artificial intelligence is sent only when prompted.
  • a condition is, for example, that a prognosis quality falls below a predetermined minimum threshold. Then, that is, when falling below the predetermined minimum threshold value, it is provided, for example, that the prognosis model is retrained or trained and then sent to the traffic participant.
  • a condition is, for example, that a prognosis quality becomes larger or better and thus exceeds a predetermined maximum threshold value. Then, when crossing of the predetermined maximum threshold value, the artificial intelligence comprising the forecasting model is sent to the traffic participant.
  • a continuous improvement is possible in particular, because more and more data is available for model training.
  • One condition is, for example, that a rescheduling of the traffic infrastructure element, e.g. the light signal system, has taken place.
  • the traffic infrastructure element e.g. the light signal system
  • a computing device which is adapted to train an artificial intelligence template or the artificial intelligence stored in the memory device both based on the data that the traffic infrastructure element itself uses to determine future signaling, and based on the by means of the traffic infrastructure element itself determined and signaled signaling to train, the computing device is designed to save the trained artificial intelligence template as the artificial intelligence in the memory device res pektive the stored in the memory device venezli che intelligence based on the training to ren upgraded Ren.
  • the technical advantage means that the artificial intelligence can be efficiently created or updated.
  • the traffic infrastructure element is an element selected from the following group of traffic infrastructure elements: Lichtsignalan situation, variable message signs, speed limit traffic signs.
  • the traffic infrastructure element is a traffic signal
  • the signaling example a signal image of the traffic signal system.
  • the signaling is e.g. a specific type of traffic sign.
  • the signaling is e.g. an indication of a permissible maximum speed.
  • Traffic data in the sense of the description describe for example a traffic condition.
  • Traffic data in the sense of the description include, for example, detector data, e.g. Detector data of one or more detectors for detecting a traffic.
  • detectors are arranged, for example, on, above or in a roadway and include, for example, motor vehicles.
  • traffic data in the sense of the description includes in particular all data which includes the traffic infrastructure element, e.g. a traffic signal system, to receive future signaling based on this data, e.g. a signal image to determine, which is then displayed by means of the transport infrastructure element actually.
  • the traffic infrastructure element e.g. a traffic signal system
  • receive future signaling based on this data, e.g. a signal image to determine, which is then displayed by means of the transport infrastructure element actually.
  • an algorithm stored in the traffic infrastructure element is used.
  • Detector data are in particular not only loop data of embedded in a road induction loops (Detekto Ren), the motor vehicles detect, but also, for example, pedestrian buttons and arrival information of buses and trains, so-called public transport (public transport).
  • Artificial intelligence in the sense of the description includes, for example, methods and / or methods from the field of informatics which, for example, enable the automation of intelligent behavior.
  • the methods of artificial intelligence are characterized, for example, by the fact that with the means of mathematics, the ability to learn and the ability to deal with uncertainty and probabi listic information are enabled.
  • the following methods are attributed to artificial intelligence: machine learning, deep learning, neural networks, knowledge acquisition, knowledge representation, cognitive models, heuristic search, language processing.
  • artificial intelligence For the various methods of artificial intelligence are also a variety of KI (artificial intelligence) programming languages and so-called frameworks available, which allow the user to use so-called software libraries (software libraries) and these, for example, on cloud-based data centers to carry out.
  • software libraries software libraries
  • cloud-based data centers For the various methods of artificial intelligence are also a variety of KI (artificial intelligence) programming languages and so-called frameworks available, which allow the user to use so-called software libraries (software libraries) and these, for example, on cloud-based data centers to carry out.
  • software libraries software libraries
  • the system is designed or set up to support a road user in a forecast of a future signaling of a traffic infrastructure element, the method for supporting a road user in a forecast ei ner future signaling a transport infrastructure elements perform or perform.
  • Technical functionalities of the system also result from corresponding technical functionalities of the process and vice versa.
  • the system includes the traffic infrastructure element.
  • the system does not include the traffic infrastructure element.
  • the communication network comprises a mobile radio network and / or a WLAN communication network.
  • the prognosis model is designed to predict the future signaling of the traffic infrastructure element based on traffic data, wherein the traffic data are sent to the traffic participants via the communication network.
  • the prognosis model is designed to map the future signaling of the traffic infrastructure element based on signaling data describing a current signaling of the traffic infrastructure element, and / or based on
  • Switching time data describing a current switching time of the traffic infrastructure element to predict, the signaling data and / or the switching time data to the Road users are sent over the communication network.
  • the artificial intelligence is not sent to the road user until one or more predetermined conditions have been met.
  • FIG. 1 shows a first system for supporting a traffic participant in a forecast of a future signaling of a traffic infrastructure element
  • FIG. 2 shows a flowchart of a method for supporting a road user in a forecast of future signaling of a traffic infrastructure elements
  • 3 shows a second system for supporting a traffic participant in a forecast of a future signaling of a traffic infrastructure element.
  • FIG. 1 shows a system 101 for supporting a traffic participant in a forecast of a future signaling tion of a traffic infrastructure element, comprising:
  • a communication device 107 for sending the artificial intelligence 105 to a road user via a communication network.
  • FIG. 2 shows a flowchart of a method for supporting a road user in a forecast of future signaling of a traffic infrastructure element using artificial intelligence, the artificial intelligence comprising a prognosis model for forecasting a future signaling of the traffic infrastructure element, comprising:
  • FIG. 3 shows a second system 301 for assisting a road user in a forecast of a future signaling of a traffic infrastructure element.
  • the traffic infrastructure element is a traffic signal system 303.
  • the traffic signal 303 traffic data 305 embracege provides.
  • the traffic data 305 comprises detector data from three detectors, symbolically represented by three arrows with the reference Characters 307, 309 and 311 is shown.
  • Detector data are, in particular, not only loop data of induction loops embedded in a roadway, which detect motor vehicles, but also, for example, pedestrian buttons as well as arrival information of buses and trains, so-called public transport telegrams.
  • a non-GE indicated control unit of the traffic signal system 303 each determines a signal image for three signal groups 313, 315 and 317.
  • the controller uses, for example, an algorithm.
  • the signal image data corresponding to these signal images are symbolically marked as an ellipse with the reference numeral 319.
  • the system 301 comprises a memory device 323 in which an artificial intelligence 325 is stored.
  • the system 301 further includes a computing device 331.
  • the computing device 331 and the storage device 323 are part of a cloud infrastructure 321.
  • the traffic data 305 and the signal image data 319 are sent to the computing device 331 and in particular stored in the cloud infrastructure 321, e.g. in the storage device 323.
  • the computing device 331 trains the artificial intelligence 325 using the traffic data 305 and the signal image data 319.
  • the artificial intelligence is all the more performant, as it detects different switching behavior and detector data of the Lichtsig signal system 303 over an ever-increasing period of time, thus usually with data training for several months. It is thus provided here that an output of the traffic signal system 303, ie the signal images determined in addition to the traffic data 305 also the computing device 331 are provided to train the artificial intelligence 325 so that they can learn the behavior of the traffic signal system 303 to hie over it to perform a prognosis of the future signal image can.
  • the trained artificial intelligence 325 then includes a prognosis model for predicting a future signaling of the traffic signal system 303.
  • the system 301 includes a first wireless communication interface 327 for transmitting the trained artificial intelligence 325 comprising the predictive model to a traffic participant 329, e.g. a motor vehicle, via a wireless communication network.
  • a traffic participant 329 e.g. a motor vehicle
  • the system 301 includes a second wireless communication interface 333, which is included in the traffic signal system 303.
  • This second communication interface 333 transmits over the same wireless communication network and / or over another wireless communication network, e.g. via a WLAN communication network and / or via a mobile radio network, current traffic signal information, for example switching times and / or detector data 305 and / or signal image data 319, to the road user 329.
  • the first and second communication interfaces 327, 333 form a communication device of the system 301.
  • the road user 329 is thus advantageously enabled, using the artificial Intel ligenz 325 and the traffic signal information itself a prognosis of a future signaling of Lichtsig signaling system 303 perform.
  • the further traffic participant 329 can, for example, take into account its current location or its current direction of travel.
  • the road user 329 can interpret the results independently.
  • the artificial intelligence 325 is additionally or instead trained in the cloud infrastructure 321 in or on a controller.
  • the controller is the control unit of the traffic signal and be found in particular at the intersection at which the traffic signal system is arranged. This means, in particular, that the training of the model does not necessarily have to take place in the cloud infrastructure 321, but can also take place locally on or in the control unit. For this, e.g. a hardware extension in the controller in the form of one or more additional CPUs provided.
  • the trai artificial intelligence 325 trigger-based on traffic participants, for example, to the road user 329, transmitted or sent via the communication network.
  • trigger-based means in particular that the artificial intelligence 325 is only sent to the traffic participant or parties when one or more predetermined conditions have already been fulfilled, as already explained above.
  • a communication network includes a DSRC communication network.
  • DSRC stands for "dedicated short burst communication" and includes, for example, a WLAN communication network.
  • the current traffic signal information is sent in parallel to the transmission of the artificial intelligence 325 to the traffic participant.
  • the aktuel len traffic signal information to non-discriminatory the road user (s) are sent. Discrimination-free here means, in particular, that every transport participant receives the information on an equal footing without any preference being given to certain road users.
  • the computing device 331 updates the artificial intelligence 325, for example, updates it periodically.
  • the invention is based on the concept of training a trained artificial intelligence comprising a prognosis model for predicting future signaling of the traffic infrastructure element to road users.
  • the road users receive, for example, non-discriminatory traffic data, for example detector data, so that the road users can interpret the data themselves using the artificial intelligence or can predict the future signaling of the traffic infrastructure element itself.
  • the road user can create a prognosis that is, for example, dependent on his current location, direction or intended driving behavior.
  • the trained artificial intelligence (a software whose generation requires a high degree of traffic engineering knowledge) is present in the motor vehicles themselves.
  • the motor vehicles now interpret the information specifically for themselves, so that correspond de applications that run in the motor vehicle itself who can process this information.
  • the training of artificial intelligence usually requires a high computational effort and is therefore advantageously carried out on a central infrastructure.
  • the trained artificial intelligence is, however, in terms of file size, relatively small and can therefore quickly and easily be sent to terminals that are covered by the road users are carried by these, via a communication network.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein System (101) zum Unterstützen eines Verkehrsteilnehmers (329) bei einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturelements (303), umfassend: eine Speichereinrichtung (103), in welcher eine künstliche Intelligenz (105) gespeichert ist, wobei die künstliche Intelligenz (105) ein Prognosemodell zum Prognostizieren einer zukünftigen Signalisierung des Verkehrsinfrastrukturelements (303) umfasst, und eine Kommunikationseinrichtung (107) zum Senden der künstlichen Intelligenz (105) an einen Verkehrsteilnehmer (329) über ein Kommunikationsnetzwerk. Die Erfindung betrifft ferner ein entsprechendes Verfahren sowie ein entsprechendes Computerprogramm.

Description

Beschreibung
System und Verfahren zum Unterstützen einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturele ments
Die Erfindung betrifft ein System und ein Verfahren zum Un terstützen einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturelements sowie ein Computerpro gramm.
Das Prognostizieren von Signalbildern von Lichtsignalanlagen ist in der Literatur unter der Formulierung "Signal Phase and Timing" bekannt.
Für ein solches Prognostizieren können beispielsweise soge nannte Algorithmen der künstlichen Intelligenz verwendet wer den, die quasi aus einem Schaltverfahren einer Lichtsignalan lage in Abhängigkeit von Detektordaten von Verkehrsdetektoren und einer internen Programmierung eine zukünftige, wahr scheinliche Schaltung beziehungsweise ein wahrscheinliches zukünftiges Signalbild der Lichtsignalanlage ableiten. Dieser Ansatz wird beispielsweise bei verkehrsabhängig gesteuerten Lichtsignalanlagen verwendet, da solche Lichtsignalanlagen ihre Grün- und Rotzeiten flexibel an eine aktuelle Verkehrs situation anpassen.
Die entsprechend prognostizierten Signalbilder beziehungswei se Schaltzeiten können beispielsweise Verkehrsteilnehmern zur Verfügung gestellt werden. Diese können beispielsweise ent sprechend ihre Geschwindigkeit anpassen, um ohne anzuhalten die Lichtsignalanlage noch während einer Grünphase zu passie ren .
Allerdings werden solche Informationen den Verkehrsteilneh mern unspezifisch bereitgestellt. Das heißt, dass zwar sei tens der Lichtsignalanlage eine Prognose erarbeitet wird. Wie aber nun genau diese Information für welches Kraftfahrzeug vorverarbeitet nun versandt wird, dazu beispielsweise noch georeferenziert, blieb bisher unbeantwortet. Dies stellt eine Herausforderung dar, die weit über die Informationsgenerie rung hinausgeht und quasi eine Echtzeit-basierte, georeferen- zierte Informationsverteilung voraussetzt. Hier müsste also irgendwo eine Instanz wissen, welches Kraftfahrzeug sich wo innerhalb beispielsweise eines Landes, beispielsweise
Deutschlands, befindet und sich von welcher Richtung welcher Lichtsignalanlage nähert, um dann die interpretierte Informa tion genau diesem Kraftfahrzeug zukommen zu lassen.
Effizienter wäre es, das Kraftfahrzeug selber entscheiden zu lassen, wie es die Information oder den Zustand einzuschätzen hat, z.B. abhängig von eigener Route oder Fahrverhalten. Da für müsste man aber dem Fahrzeug gewissermaßen eine grund sätzliche Wissensbasis über das Schaltverhalten der Lichtsig nalanlage zukommen lassen, dann zusätzlich angereichert mit quasi realtime (Echtzeit) -genauer Situationsbedingter Zusatz information, so dass das Fahrzeug dann eigene Handlungs schlüsse ziehen kann.
Dies ist technisch bisher nicht gelöst und auch nicht trivial umzusetzen .
Die der Erfindung zugrunde liegende Aufgabe ist darin zu se hen, ein Konzept zum effizienten Unterstützen eines Verkehrs teilnehmers bei einer Prognose einer zukünftigen Signalisie rung eines Verkehrsinfrastrukturelements bereitzustellen.
Diese Aufgabe wird mittels des jeweiligen Gegenstands der un abhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand von jeweils abhängigen Unteransprü chen .
Nach einem ersten Aspekt wird ein System zum Unterstützen ei nes Verkehrsteilnehmers bei einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturelements bereitge stellt, umfassend: eine Speichereinrichtung, in welcher eine künstliche Intelli genz gespeichert ist, wobei die künstliche Intelligenz ein Prognosemodell zum Prognostizieren einer zukünftigen Signali sierung des Verkehrsinfrastrukturelements umfasst, und eine Kommunikationseinrichtung zum Senden der künstlichen In telligenz an einen Verkehrsteilnehmer über ein Kommunikati onsnetzwerk .
Nach einem zweiten Aspekt wird ein Verfahren zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose einer zukünfti gen Signalisierung eines Verkehrsinfrastrukturelements unter Verwendung einer künstlichen Intelligenz bereitgestellt, wo bei die künstliche Intelligenz ein Prognosemodell zum Prog nostizieren einer zukünftigen Signalisierung des Verkehrsinf rastrukturelements umfasst, umfassend:
Senden der künstlichen Intelligenz an einen Verkehrsteilneh mer über ein Kommunikationsnetzwerk.
Nach einem dritten Aspekt wird ein Computerprogramm bereitge stellt, welches Programmcode zur Durchführung des Verfahrens zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastruktur elements umfasst, wenn das Computerprogramm auf einem Compu ter, beispielsweise auf dem System zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose einer zukünftigen Sig nalisierung eines Verkehrsinfrastrukturelements, ausgeführt wird .
Nach einem vierten Aspekt wird ein Script dem Verkehrsteil nehmer, z.B. einem Kraftfahrzeug, bereitgestellt, welches diese Künstliche Intelligenz beinhaltet bzw. umfasst, so dass der Verkehrsteilnehmer, z.B. das Kraftfahrzeug, dann in der jeweilige subsekunden-genauen Situation („real-time") aktuell und/oder georeferenziert ableiten kann, wie das Verkehrsinf rastrukturelement, z.B. eine Lichtsignalanlage, demnächst schalten wird. Die Erfindung basiert auf der Erkenntnis, dass die obige Auf gabe dadurch gelöst werden kann, dass die künstliche Intelli genz, die ein Prognosemodell zum Prognostizieren einer zu künftigen Signalisierung des Verkehrsinfrastrukturelements umfasst, an den oder die Verkehrsteilnehmer über ein Kommuni kationsnetzwerk gesendet wird. Somit wird der Verkehrsteil nehmer beziehungsweise werden die Verkehrsteilnehmer selbst in die Lage versetzt, die zukünftige Signalisierung des Ver kehrsinfrastrukturelements unter Verwendung der künstlichen Intelligenz zu prognostizieren. Hierbei kann der Verkehrs teilnehmer in vorteilhafter Weise eigene Randbedingungen be rücksichtigen. Beispielsweise kann der Verkehrsteilnehmer be rücksichtigen, aus welcher Richtung er sich der Lichtsignal anlage nähert beziehungsweise wohin der Verkehrsteilnehmer fahren will beziehungsweise wo sich der Verkehrsteilnehmer relativ zur Lichtsignalanlage befindet.
Das heißt also, dass das erfindungsgemäße Konzept darauf ab stellt, die künstliche Intelligenz umfassend das Prognosemo dell, welches verwendet wird, um die zukünftige Signalisie rung des Verkehrsinfrastrukturelements zu prognostizieren, dem oder den Verkehrsteilnehmern über ein Kommunikationsnetz werk zur Verfügung zu stellen.
Dadurch wird z.B. der technische Vorteil bewirkt, dass der Verkehrsteilnehmer effizient bei einer Prognose einer zukünf tigen Signalisierung eines Verkehrsinfrastrukturelements un terstützt werden kann.
Nach einer Ausführungsform ist der Verkehrsteilnehmer ein Kraftfahrzeug. Das Kraftfahrzeug ist beispielsweise ausgebil det, hochautomatisiert, beispielsweise vollständig autonom, zu fahren.
Das Kraftfahrzeug umfasst gemäß einer Ausführungsform ein Fahrerassistenzsystem, welches die künstliche Intelligenz für die Prognose der zukünftigen Signalisierung des Verkehrsinf rastrukturelements verwendet. Das Fahrerassistenzsystem steu- ert beispielsweise eine Quer- und/oder eine Längsführung des Kraftfahrzeugs basierend auf der Prognose der zukünftigen Signalisierung des Verkehrsinfrastrukturelements.
Gemäß einer Ausführungsform ist vorgesehen, dass das Progno semodell ausgebildet ist, die zukünftige Signalisierung des Verkehrsinfrastrukturelements basierend auf Verkehrsdaten zu prognostizieren, wobei die Kommunikationseinrichtung ausge bildet ist, die Verkehrsdaten an den Verkehrsteilnehmer über das Kommunikationsnetzwerk zu senden.
Dadurch wird z.B. der technische Vorteil bewirkt, dass die zukünftige Signalisierung des Verkehrsinfrastrukturelements effizient prognostiziert werden kann.
Das heißt also beispielsweise, dass die gleichen Verkehrsda ten an den Verkehrsteilnehmer über das Kommunikationsnetzwerk gesendet werden, die das Verkehrsinfrastrukturelement selbst für das eigene Ermitteln der zukünftigen Signalisierung ver wendet. Hierbei ist im Verkehrsinfrastrukturelement z.B. ein Algorithmus gespeichert, der unter Verwendung der Verkehrsda ten eine zukünftige Signalisierung ermittelt, welches dann mittels des Verkehrsinfrastrukturelements angezeigt wird. Al ternativ oder zusätzlich kann die Information direkt vom Kraftfahrzeug oder einem damit verbundenen Element verarbei tet werden, z.B. in den Anwendungsfällen hochautomatisiertem oder gar autonomen Fahrens .
Das heißt also, dass dem Verkehrsteilnehmer die gleichen Ein gangsdaten (hier die Verkehrsdaten) zur Verfügung stehen wie dem Verkehrsinfrastrukturelement, um unter Verwendung des Prognosemodells die zukünftige Signalisierung zu prognosti zieren .
Nach einer weiteren Ausführungsform ist vorgesehen, dass das Prognosemodell ausgebildet ist, die zukünftige Signalisierung des Verkehrsinfrastrukturelements basierend auf Signalisie rungsdaten, die eine aktuelle Signalisierung des Verkehrsinf- rastrukturelements beschreiben, und/oder basierend auf
Schaltzeitdaten, die eine aktuelle Schaltzeit des Verkehrs infrastrukturelements beschreiben, zu prognostizieren, wobei die Kommunikationseinrichtung ausgebildet ist, die Signali sierungsdaten und/oder die Schaltzeitdaten an den Verkehrs teilnehmer über das Kommunikationsnetzwerk zu senden.
Dadurch wird z.B. der technische Vorteil bewirkt, dass die zukünftige Signalisierung effizient prognostiziert werden kann .
Das heißt also insbesondere, dass gemäß dieser Ausführungs form dem Verkehrsteilnehmer aktuelle Informationen, vorlie gend die Signalisierungsdaten beziehungsweise die Schaltzeit daten, des Verkehrsinfrastrukturelements zur Verfügung ge stellt werden.
Die Signalisierungsdaten beziehungsweise die Schaltzeitdaten werden hierbei insbesondere mittels des Verkehrsinfrastruk turelements selbst ermittelt. Schaltzeitdaten umfassen insbe sondere die Information über einen oder mehrere Zeitpunkte, zu welchen eine Änderung in der Signalisierung stattgefunden hat respektive stattfinden wird.
Die Kommunikationseinrichtung umfasst gemäß einer Ausfüh rungsform eine erste Kommunikationsschnittstelle zum Senden der künstlichen Intelligenz an den Verkehrsteilnehmer. Die Kommunikationseinrichtung umfasst gemäß einer Ausführungsform eine zweite Kommunikationsschnittstelle zum Senden der Signa lisierungsdaten und/oder Schaltzeitdaten und/oder Verkehrsda ten an den Verkehrsteilnehmer. Die zweite Kommunikations schnittstelle ist z.B. von dem Verkehrsinfrastrukturelement umfasst .
Nach einer anderen Ausführungsform ist vorgesehen, dass die Kommunikationseinrichtung ausgebildet ist, die künstliche In telligenz erst dann an den Verkehrsteilnehmer zu senden, wenn eine oder mehrere vorbestimmte Bedingungen erfüllt sind. Dadurch wird z.B. der technische Vorteil bewirkt, dass das Senden der künstlichen Intelligenz effizient durchgeführt werden kann. Somit kann beispielsweise genau bestimmt werden, unter welchen Voraussetzungen die künstliche Intelligenz an den Verkehrsteilnehmer gesendet werden soll.
Nach einer anderen Ausführungsform ist vorgesehen, dass die eine oder die mehreren vorbestimmten Bedingungen jeweils ein Element ausgewählt aus der folgenden Gruppe von Bedingungen sind: Verkehrsteilnehmer befindet sich innerhalb einer vorbe stimmten Distanz zum Verkehrsinfrastrukturelement, Empfang mittels der Kommunikationseinrichtung einer Aufforderung des Verkehrsteilnehmers zum Senden der künstlichen Intelligenz.
Dadurch wird z.B. der technische Vorteil bewirkt, dass effi zient sichergestellt werden kann, dass die künstliche Intel ligenz nur an Verkehrsteilnehmer gesendet wird, die sich in nerhalb einer vorbestimmten Distanz zum Verkehrsinfrastruk turelement befinden. Diese Distanz kann sich auf eine unmit telbare Lichtsignalanlage beziehen, oder auch beispielsweise für eine gesamte Stadt oder Region.
Insbesondere wird der technische Vorteil bewirkt, dass eine zur Verfügung stehende Bandbreite des Kommunikationsnetzwerks effizient genutzt wird, insofern beispielsweise die künstli che Intelligenz nur auf Aufforderung gesendet wird.
Eine Bedingung ist zum Beispiel, dass eine Prognosequalität einen vorbestimmten Mindestschwellwert unterschreitet. Dann, also beim Unterschreiten des vorbestimmten Mindestschwell- werts, ist beispielsweise vorgesehen, dass das Prognosemodell neu trainiert bzw. angelernt wird und dann erst an den Ver kehrsteilnehmer gesendet wird.
Eine Bedingung ist zum Beispiel, dass eine Prognosequalität größer bzw. besser wird und insofern einen vorbestimmten Ma ximalschwellwert überschreitet. Dann, also beim Überschreiten des vorbestimmten Maximalschwellwerts, wird die künstliche Intelligenz umfassend das Prognosemodell an den Verkehrsteil nehmer gesendet. Eine stetige Verbesserung ist insbesondere möglich, da fortwährend mehr Daten zum Modelltraining zur Verfügung stehen.
Eine Bedingung ist zum Beispiel, dass eine Umplanung bzw. Neuplanung des Verkehrsinfrastrukturelements, z.B. der Licht signalanlage, stattgefunden hat.
Nach einer Ausführungsform ist eine Recheneinrichtung vorge sehen, die ausgebildet ist, eine künstliche Intelligenzvorla ge respektive die in der Speichereinrichtung gespeicherte künstliche Intelligenz sowohl basierend auf denjenigen Daten zu trainieren, die das Verkehrsinfrastrukturelement selbst für ein Ermitteln einer zukünftigen Signalisierung verwendet, als auch basierend auf der mittels des Verkehrsinfrastruktur elements selbst ermittelten und signalisierten Signalisierung zu trainieren, wobei die Recheneinrichtung ausgebildet ist, die trainierte künstliche Intelligenzvorlage als die künstli che Intelligenz in die Speichereinrichtung zu speichern res pektive die in der Speichereinrichtung gespeicherte künstli che Intelligenz basierend auf dem Trainieren zu aktualisie ren .
Dadurch wird z.B. der technische Vorteil bewirkt, dass die künstliche Intelligenz effizient erstellt beziehungsweise ak tualisiert werden kann.
Nach einer Ausführungsform ist vorgesehen, dass das Verkehrs infrastrukturelement ein Element ausgewählt aus der folgenden Gruppe von Verkehrsinfrastrukturelementen ist: Lichtsignalan lage, Wechselverkehrszeichen, Geschwindigkeitsbegrenzungsver kehrszeichen .
Dadurch wird z.B. der technische Vorteil bewirkt, dass für diese Verkehrsinfrastrukturelemente die zukünftige Signali sierung effizient bestimmt werden kann. Sofern es sich bei dem Verkehrsinfrastrukturelement um eine Lichtsignalanlage handelt, ist die Signalisierung beispiels weise ein Signalbild der Lichtsignalanlage.
Sofern es sich beispielsweise bei dem Verkehrsinfrastruktur element um ein Wechselverkehrszeichen handelt, ist die Signa lisierung z.B. ein bestimmter Verkehrszeichentyp.
Sofern es sich bei dem Verkehrsinfrastrukturelement um ein Geschwindigkeitsbegrenzungsverkehrszeichen handelt, ist die Signalisierung z.B. eine Angabe einer zulässigen Höchstge schwindigkeit .
Verkehrsdaten im Sinne der Beschreibung beschreiben bei spielsweise einen Verkehrszustand. Verkehrsdaten im Sinne der Beschreibung umfassen beispielsweise Detektordaten, z.B. De tektordaten eines oder mehrerer Detektoren zur Erfassung ei nes Verkehrs. Solche Detektoren sind beispielsweise an, über oder in einer Fahrbahn angeordnet und zählen beispielsweise Kraftfahrzeuge .
Verkehrsdaten im Sinne der Beschreibung umfassen also insbe sondere sämtliche Daten, die das Verkehrsinfrastrukturele ment, z.B. eine Lichtsignalanlage, erhält, um basierend auf diesen Daten eine zukünftige Signalisierung, z.B. ein Signal bild, zu ermitteln, welches dann auch mittels des Verkehrs infrastrukturelements tatsächlich angezeigt wird. Für das entsprechende Ermitteln wird beispielsweise ein im Verkehrs infrastrukturelement gespeicherter Algorithmus verwendet.
Detektordaten sind insbesondere nicht nur Schleifendaten von in einer Fahrbahn eingelassenen Induktionsschleifen (Detekto ren) , die Kraftfahrzeuge erfassen, sondern beispielsweise auch Fußgänger-Taster sowie Ankunftsinformationen von Bussen und Bahnen, sogenannte ÖV-Telegramme (ÖV = Öffentlicher Ver kehr) . Eine künstliche Intelligenz im Sinne der Beschreibung umfasst beispielsweise Methoden respektive Verfahren aus der Informa tik, welche beispielsweise die Automatisierung von intelli gentem Verhalten ermöglichen. Die Methoden der künstlichen Intelligenz zeichnen sich unter anderem beispielsweise da durch aus, dass mit den Mitteln der Mathematik die Fähigkeit zu lernen sowie die Fähigkeit, mit Unsicherheit und probabi listischen Informationen umzugehen, ermöglicht werden. Unter anderem werden beispielsweise folgende Methoden der künstli chen Intelligenz zugeschrieben: Maschinelles Lernen, Deep Learning, Neuronale Netzwerke, Wissenserwerb, Wissensreprä sentation, Kognitionsmodelle, Heuristische Suche, Sprachver- arbeitung. Für die verschiedenen Methoden der künstlichen In telligenz stehen auch eine Vielzahl an KI (Künstliche Intel ligenz ) -Programmiersprachen und sogenannter Frameworks zur Verfügung, welche dem Anwender die Nutzung von sogenannten Software-Libraries (Software-Bibliotheken) ermöglichen und diese beispielsweise auch auf cloudbasierten Rechenzentren zur Ausführung bringen. Unter anderem sind diese beispiels weise IBM-Watson, Amazon AWS, Google-TensorFlow und Microsoft Azure .
Nach einer Ausführungsform ist vorgesehen, dass das System zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastruktur elements ausgebildet oder eingerichtet ist, das Verfahren zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose ei ner zukünftigen Signalisierung eines Verkehrsinfrastruktur elements aus- oder durchzuführen.
Gemäß einer Ausführungsform ist vorgesehen, dass das Verfah ren zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose einer zukünftigen Signalisierung eines Verkehrsinf rastrukturelements mittels des Systems zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose einer zukünftigen Sig nalisierung eines Verkehrsinfrastrukturelements aus- oder durchgeführt wird. Technische Funktionalitäten des Systems ergeben sich analog aus entsprechenden technischen Funktionalitäten des Verfah rens und umgekehrt.
Das heißt also insbesondere, dass sich entsprechende System merkmale analog aus entsprechenden Verfahrensmerkmalen und umgekehrt ergeben.
Ausführungen, die im Zusammenhang mit dem System gemacht sind, gelten analog für das Verfahren und umgekehrt.
Nach einer Ausführungsform umfasst das System das Verkehrs infrastrukturelement .
Nach einer Ausführungsform umfasst das System nicht das Ver kehrsinfrastrukturelement .
Nach einer Ausführungsform umfasst das Kommunikationsnetzwerk ein Mobilfunknetz und/oder ein WLAN-Kommunikationsnetzwerk .
Wenn der Verkehrsteilnehmer im Singular steht, soll stets der Plural mitgelesen werden und umgekehrt.
Nach einer Ausführungsform ist vorgesehen, dass das Prognose modell ausgebildet ist, die zukünftige Signalisierung des Verkehrsinfrastrukturelements basierend auf Verkehrsdaten zu prognostizieren, wobei die Verkehrsdaten an den Verkehrsteil nehmer über das Kommunikationsnetzwerk gesendet werden.
Gemäß einer weiteren Ausführungsform ist vorgesehen, dass das Prognosemodell ausgebildet ist, die zukünftige Signalisierung des Verkehrsinfrastrukturelements basierend auf Signalisie rungsdaten, die eine aktuelle Signalisierung des Verkehrsinf rastrukturelements beschreiben, und/oder basierend auf
Schaltzeitdaten, die eine aktuelle Schaltzeit des Verkehrs infrastrukturelements beschreiben, zu prognostizieren, wobei die Signalisierungsdaten und/oder die Schaltzeitdaten an den Verkehrsteilnehmer über das Kommunikationsnetzwerk gesendet werden .
Gemäß einer anderen Ausführungsform ist vorgesehen, dass die künstliche Intelligenz erst dann an den Verkehrsteilnehmer gesendet wird, wenn eine oder mehrere vorbestimmte Bedingun gen erfüllt sind.
Gemäß einer weiteren Ausführungsform ist vorgesehen, dass ein Trainieren einer künstlichen Intelligenzvorlage respektive der künstlichen Intelligenz sowohl basierend auf denjenigen Daten, die das Verkehrsinfrastrukturelement selbst für ein Ermitteln einer zukünftigen Signalisierung verwendet, als auch basierend auf der mittels des Verkehrsinfrastrukturele ments selbst ermittelten und signalisierten Signalisierung, wobei die trainierte künstliche Intelligenzvorlage als die künstliche Intelligenz verwendet wird respektive die künstli che Intelligenz basierend auf dem Trainieren aktualisiert wird .
Die Formulierung „respektive" umfasst insbesondere die Formu lierung „und/oder".
Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusam menhang mit der folgenden Beschreibung der Ausführungsbei spiele, die im Zusammenhang mit den Zeichnungen näher erläu tert werden, wobei
FIG 1 ein erstes System zum Unterstützen eines Verkehrsteil- nehmers bei einer Prognose einer zukünftigen Signali sierung eines Verkehrsinfrastrukturelements,
FIG 2 ein Ablaufdiagramm eines Verfahrens zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose einer zu künftigen Signalisierung eines Verkehrsinfrastruktur elements und FIG 3 ein zweites System zum Unterstützen eines Verkehrs teilnehmers bei einer Prognose einer zukünftigen Sig nalisierung eines Verkehrsinfrastrukturelements zeigen .
FIG 1 zeigt ein System 101 zum Unterstützen eines Verkehrs teilnehmers bei einer Prognose einer zukünftigen Signalisie rung eines Verkehrsinfrastrukturelements, umfassend:
eine Speichereinrichtung 103, in welcher eine künstliche In telligenz 105 gespeichert ist, wobei die künstliche Intelli genz 105 ein Prognosemodell zum Prognostizieren einer zukünf tigen Signalisierung des Verkehrsinfrastrukturelements um fasst, und
eine Kommunikationseinrichtung 107 zum Senden der künstlichen Intelligenz 105 an einen Verkehrsteilnehmer über ein Kommuni kationsnetzwerk .
FIG 2 zeigt ein Ablaufdiagramm eines Verfahrens zum Unter stützen eines Verkehrsteilnehmers bei einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturele ments unter Verwendung einer künstlichen Intelligenz, wobei die künstliche Intelligenz ein Prognosemodell zum Prognosti zieren einer zukünftigen Signalisierung des Verkehrsinfra strukturelements umfasst, umfassend:
Senden 201 der künstlichen Intelligenz an einen Verkehrsteil nehmer über ein Kommunikationsnetzwerk.
FIG 3 zeigt ein zweites System 301 zum Unterstützen eines Verkehrsteilnehmers bei einer Prognose einer zukünftigen Sig nalisierung eines Verkehrsinfrastrukturelements.
Bei dem Verkehrsinfrastrukturelement handelt es sich um eine Lichtsignalanlage 303.
Der Lichtsignalanlage 303 werden Verkehrsdaten 305 bereitge stellt. Die Verkehrsdaten 305 umfassen Detektordaten von drei Detektoren, was symbolisch mit drei Pfeilen mit den Bezugs- Zeichen 307, 309 und 311 dargestellt ist. Detektordaten sind insbesondere nicht nur Schleifendaten von in einer Fahrbahn eingelassenen Induktionsschleifen, die Kraftfahrzeuge erfas sen, sondern beispielsweise auch Fußgänger-Taster sowie An- kunftsinformationen von Bussen und Bahnen, so genannte ÖV- Telegramme (ÖV = Öffentlicher Verkehr) .
Basierend auf den Verkehrsdaten 305 ermittelt ein nicht ge zeigtes Steuergerät der Lichtsignalanlage 303 jeweils ein Signalbild für drei Signalgruppen 313, 315 und 317. Hierfür verwendet das Steuergerät beispielsweise einen Algorithmus.
Die diesen Signalbildern entsprechenden Signalbilddaten sind symbolisch als Ellipse mit dem Bezugszeichen 319 gekennzeich net .
Das System 301 umfasst eine Speichereinrichtung 323, in wel cher eine künstliche Intelligenz 325 gespeichert ist.
Das System 301 umfasst ferner eine Recheneinrichtung 331.
Die Recheneinrichtung 331 und die Speichereinrichtung 323 sind Teil einer Cloud-Infrastruktur 321.
Die Verkehrsdaten 305 und die Signalbilddaten 319 werden an die Recheneinrichtung 331 gesendet und insbesondere in der Cloud-Infrastruktur 321 gespeichert, z.B. in der Speicherein richtung 323.
Die Recheneinrichtung 331 trainiert die künstliche Intelli genz 325 unter Verwendung der Verkehrsdaten 305 sowie der Signalbilddaten 319. Die künstliche Intelligenz ist dabei um so performanter, als sie über einen immer größeren Zeitraum verschiedene Schaltverhalten und Detektordaten der Lichtsig nalanlage 303 erfasst, mithin meist also mit Daten über meh rere Monate trainiert wird. Es ist hier also vorgesehen, dass eine Ausgabe der Lichtsignalanlage 303, also die ermittelten Signalbilder zusätzlich zu den Verkehrsdaten 305 ebenfalls der Recheneinrichtung 331 zur Verfügung gestellt werden, um die künstliche Intelligenz 325 zu trainieren, so dass diese das Verhalten der Lichtsignalanlage 303 lernen kann, um hie rüber eine Prognose des zukünftigen Signalbilds durchführen zu können.
Die trainierte künstliche Intelligenz 325 umfasst dann inso fern ein Prognosemodell zum Prognostizieren einer zukünftigen Signalisierung der Lichtsignalanlage 303.
Das System 301 umfasst eine erste drahtloses Kommunikations schnittstelle 327 zum Senden der trainierten künstlichen In telligenz 325 umfassend das Prognosemodell an einen Verkehrs teilnehmer 329, z.B. ein Kraftfahrzeug, über ein drahtloses Kommunikationsnetzwerk .
Ferner umfasst das System 301 eine zweite drahtlose Kommuni kationsschnittstelle 333, die von der Lichtsignalanlage 303 umfasst ist. Diese zweite Kommunikationsschnittstelle 333 sendet über das gleiche drahtlose Kommunikationsnetzwerk und/oder über ein anderes drahtloses Kommunikationsnetzwerk, z.B. über ein WLAN-Kommunikationsnetzwerk und/oder über ein Mobilfunknetz, aktuelle Lichtsignalanlagen-Informationen, beispielsweise Schaltzeiten und/oder Detektordaten 305 und/oder Signalbilddaten 319, an den Verkehrsteilnehmer 329.
Die erste und die zweite Kommunikationsschnittstelle 327, 333 bilden eine Kommunikationseinrichtung des Systems 301.
Der Verkehrsteilnehmer 329 wird somit in vorteilhafter Weise in die Lage versetzt, unter Verwendung der künstlichen Intel ligenz 325 sowie der Lichtsignalanlagen-Informationen selbst eine Prognose einer zukünftigen Signalisierung der Lichtsig nalanlage 303 durchzuführen. Hierbei kann der weitere Ver kehrsteilnehmer 329 beispielsweise seinen aktuellen Ort be rücksichtigen beziehungsweise seine aktuelle Fahrtrichtung. Somit kann der Verkehrsteilnehmer 329 die Ergebnisse eigen ständig interpretieren.
In einer Ausführungsform ist vorgesehen, dass die künstliche Intelligenz 325 zusätzlich oder anstelle in der Cloud-Infra- struktur 321 in oder an einem Controller trainiert wird. Der Controller ist das Steuergerät der Lichtsignalanlage und be findet sich insbesondere an der Kreuzung, an welcher die Lichtsignalanlage angeordnet ist. Das heißt insbesondere, dass das Antrainieren des Modells nicht zwangsläufig in der Cloud-Infrastruktur 321 erfolgen muss, sondern auch lokal am bzw. im Steuergerät erfolgen kann. Hierzu ist z.B. eine Hard ware-Erweiterung im Controller in Form einer oder mehrerer zusätzlicher CPUs vorgesehen.
Gemäß einer Ausführungsform ist vorgesehen, dass die trai nierte künstliche Intelligenz 325 triggerbasiert an Verkehrs teilnehmer, beispielsweise an den Verkehrsteilnehmer 329, über das Kommunikationsnetzwerk übertragen beziehungsweise gesendet wird.
Triggerbasiert bedeutet hier insbesondere, dass die künstli che Intelligenz 325 erst dann an den oder die Verkehrsteil nehmer gesendet wird, wenn eine oder mehrere vorbestimmte Be dingungen, wie bereits vorstehend erläutert, erfüllt sind.
Ein Kommunikationsnetzwerk im Sinne der Beschreibung umfasst beispielsweise ein DSRC-Kommunikationsnetzwerk . DSRC steht für „dedicated short ränge communication" und umfasst z.B. ein WLAN-Kommunikationsnetzwerk .
In einer Ausführungsform ist vorgesehen, dass die aktuellen Lichtsignalanlagen-Informationen parallel zum Übertragen der künstlichen Intelligenz 325 an den oder die Verkehrsteilneh mer gesendet werden.
Gemäß einer Ausführungsform ist vorgesehen, dass die aktuel len Lichtsignalanlagen-Informationen diskriminierungsfrei an den oder die Verkehrsteilnehmer gesendet werden. Diskriminie rungsfrei bedeutet hier insbesondere, dass jeder Verkehrs teilnehmer gleichberechtigt die Informationen erhält, ohne dass bestimmten Verkehrsteilnehmern ein Vorzug eingeräumt wird .
Gemäß einer Ausführungsform ist vorgesehen, dass die Rechen einrichtung 331 die künstliche Intelligenz 325 aktualisiert, beispielsweise periodisch aktualisiert.
Zusammenfassend basiert die Erfindung auf dem Konzept, eine trainierte künstliche Intelligenz umfassend ein Prognosemo dell zum Prognostizieren einer zukünftigen Signalisierung des Verkehrsinfrastrukturelements an Verkehrsteilnehmer zu sen den. Weiter erhalten die Verkehrsteilnehmer beispielsweise diskriminierungsfrei Verkehrsdaten, beispielsweise Detektor daten, sodass dann die Verkehrsteilnehmer diese Daten unter Verwendung der künstlichen Intelligenz selbst interpretieren können beziehungsweise eine Prognose über die zukünftige Sig nalisierung des Verkehrsinfrastrukturelements selbst erstel len können. Somit kann der Verkehrsteilnehmer eine Prognose erstellen, die beispielsweise abhängig von seinem aktuellen Ort, Richtung beziehungsweise beabsichtigten Fahrverhalten ist .
Das heißt also beispielsweise, dass die trainierte künstliche Intelligenz (eine Software, deren Generierung ein hohes Maß an Verkehrstechnikwissen verlangt) , in den Kraftfahrzeugen selbst vorliegt. Die Kraftfahrzeuge interpretieren nun die Informationen spezifisch für sich selbst, sodass entsprechen de Applikationen, die im Kraftfahrzeug selbst ausgeführt wer den, diese Informationen weiterverarbeiten können.
Es ist somit beispielsweise ermöglicht, die trainierte künst liche Intelligenz einzeln pro Kraftfahrzeug oder beispiels weise für eine Kraftfahrzeugflotte zu verkaufen und bei spielsweise über einen Web-Server die jeweilige trainierte künstliche Intelligenz für alle Lichtsignalanlagen einer be stimmten Region zu verteilen.
Das Training der künstlichen Intelligenz benötigt in der Re- gel einen hohen Rechenaufwand und wird daher vorteilhafter weise auf einer zentralen Infrastruktur durchgeführt. Die trainierte künstliche Intelligenz ist jedoch, was die Datei größe angeht, relativ klein und kann daher schnell und ein fach an Endgeräte, die von den Verkehrsteilnehmern umfasst sind respektive von diesen mitgeführt werden, über ein Kommu nikationsnetzwerk versendet werden.
Obwohl die Erfindung im Detail durch die bevorzugten Ausfüh rungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele ein geschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen .

Claims

Patentansprüche
1. System (101) zum Unterstützen eines Verkehrsteilnehmers (329) bei einer Prognose einer zukünftigen Signalisierung ei nes Verkehrsinfrastrukturelements (303) , umfassend:
eine Speichereinrichtung (103), in welcher eine künstliche Intelligenz (105) gespeichert ist, wobei die künstliche In telligenz (105) ein Prognosemodell zum Prognostizieren einer zukünftigen Signalisierung des Verkehrsinfrastrukturelements (303) umfasst, und
eine Kommunikationseinrichtung (107) zum Senden der künstli chen Intelligenz (105) an einen Verkehrsteilnehmer (329) über ein Kommunikationsnetzwerk.
2. System (101) nach Anspruch 1, wobei das Prognosemodell ausgebildet ist, die zukünftige Signalisierung des Verkehrs infrastrukturelements (303) basierend auf Verkehrsdaten (305) zu prognostizieren, wobei die Kommunikationseinrichtung (107) ausgebildet ist, die Verkehrsdaten (305) an den Verkehrsteil nehmer (329) über das Kommunikationsnetzwerk zu senden.
3. System (101) nach Anspruch 1 oder 2, wobei das Prognosemo dell ausgebildet ist, die zukünftige Signalisierung des Ver kehrsinfrastrukturelements (303) basierend auf Signalisie rungsdaten (319), die eine aktuelle Signalisierung des Ver kehrsinfrastrukturelements (303) beschreiben, und/oder basie rend auf Schaltzeitdaten, die eine aktuelle Schaltzeit des Verkehrsinfrastrukturelements (303) beschreiben, zu prognos tizieren, wobei die Kommunikationseinrichtung (107) ausgebil det ist, die Signalisierungsdaten (319) und/oder die Schalt zeitdaten an den Verkehrsteilnehmer (329) über das Kommunika tionsnetzwerk zu senden.
4. System (101) nach einem der vorherigen Ansprüche, wobei die Kommunikationseinrichtung (107) ausgebildet ist, die künstliche Intelligenz (105) erst dann an den Verkehrsteil nehmer (329) zu senden, wenn eine oder mehrere vorbestimmte Bedingungen erfüllt sind.
5. System (101) nach Anspruch 4, wobei die eine oder die meh reren vorbestimmten Bedingungen jeweils ein Element ausge wählt aus der folgenden Gruppe von Bedingungen sind: Ver kehrsteilnehmer (329) befindet sich innerhalb einer vorbe stimmten Distanz zum Verkehrsinfrastrukturelement (303) , Emp fang mittels der Kommunikationseinrichtung (107) einer Auf forderung des Verkehrsteilnehmers (329) zum Senden der künst lichen Intelligenz (105).
6. System (101) nach einem der vorherigen Ansprüche, umfas send eine Recheneinrichtung (331), die ausgebildet ist, eine künstliche Intelligenzvorlage respektive die in der Speicher einrichtung (103) gespeicherte künstliche Intelligenz (105) sowohl basierend auf denjenigen Daten zu trainieren, die das Verkehrsinfrastrukturelement (303) selbst für ein Ermitteln einer zukünftigen Signalisierung verwendet, als auch basie rend auf der mittels des Verkehrsinfrastrukturelements (303) selbst ermittelten und signalisierten Signalisierung zu trai nieren, wobei die Recheneinrichtung (331) ausgebildet ist, die trainierte künstliche Intelligenzvorlage als die künstli che Intelligenz (105) in die Speichereinrichtung (103) zu speichern respektive die in der Speichereinrichtung (103) ge speicherte künstliche Intelligenz (105) basierend auf dem Trainieren zu aktualisieren.
7. System (101) nach einem der vorherigen Ansprüche, wobei das Verkehrsinfrastrukturelement (303) ein Element ausgewählt aus der folgenden Gruppe von Verkehrsinfrastrukturelementen (303) ist: Lichtsignalanlage (303), Wechselverkehrszeichen,
GeschwindigkeitsbegrenzungsVerkehrsZeichen .
8. Verfahren zum Unterstützen eines Verkehrsteilnehmers (329) bei einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturelements (303) unter Verwendung einer künstlichen Intelligenz (105), wobei die künstliche Intelli genz (105) ein Prognosemodell zum Prognostizieren einer zu- künftigen Signalisierung des Verkehrsinfrastrukturelements (303) umfasst, umfassend:
Senden (201) der künstlichen Intelligenz (105) an einen Ver kehrsteilnehmer (329) über ein Kommunikationsnetzwerk.
9. Verfahren nach Anspruch 8, wobei das Prognosemodell ausge bildet ist, die zukünftige Signalisierung des Verkehrsinfra strukturelements (303) basierend auf Verkehrsdaten (305) zu prognostizieren, wobei die Verkehrsdaten (305) an den Ver kehrsteilnehmer (329) über das Kommunikationsnetzwerk gesen det werden.
10. Verfahren nach Anspruch 8 oder 9, wobei das Prognosemo dell ausgebildet ist, die zukünftige Signalisierung des Ver kehrsinfrastrukturelements (303) basierend auf Signalisie rungsdaten (319), die eine aktuelle Signalisierung des Ver kehrsinfrastrukturelements (303) beschreiben, und/oder basie rend auf Schaltzeitdaten, die eine aktuelle Schaltzeit des Verkehrsinfrastrukturelements (303) beschreiben, zu prognos tizieren, wobei die Signalisierungsdaten (319) und/oder die Schaltzeitdaten an den Verkehrsteilnehmer (329) über das Kom munikationsnetzwerk gesendet werden.
11. Verfahren nach einem der Ansprüche 8 bis 10, wobei die künstliche Intelligenz (105) erst dann an den Verkehrsteil nehmer (329) gesendet wird, wenn eine oder mehrere vorbe stimmte Bedingungen erfüllt sind.
12. Verfahren nach Anspruch 11, wobei die eine oder die meh reren vorbestimmten Bedingungen jeweils ein Element ausge wählt aus der folgenden Gruppe von Bedingungen sind: Ver kehrsteilnehmer (329) befindet sich innerhalb einer vorbe stimmten Distanz zum Verkehrsinfrastrukturelement (303) , Emp fangen einer Aufforderung des Verkehrsteilnehmers (329) zum Senden der künstlichen Intelligenz (105).
13. Verfahren nach einem der Ansprüche 8 bis 12, umfassend ein Trainieren einer künstlichen Intelligenzvorlage respekti- ve der künstlichen Intelligenz (105) sowohl basierend auf denjenigen Daten, die das Verkehrsinfrastrukturelement (303) selbst für ein Ermitteln einer zukünftigen Signalisierung verwendet, als auch basierend auf der mittels des Verkehrs infrastrukturelements (303) selbst ermittelten und signali sierten Signalisierung, wobei die trainierte künstliche In telligenzvorlage als die künstliche Intelligenz (105) verwen det wird respektive die künstliche Intelligenz (105) basie rend auf dem Trainieren aktualisiert wird.
14. Verfahren nach einem der Ansprüche 8 bis 13, wobei das Verkehrsinfrastrukturelement (303) ein Element ausgewählt aus der folgenden Gruppe von Verkehrsinfrastrukturelementen (303) ist: Lichtsignalanlage, Wechselverkehrszeichen, Geschwindig keitsbegrenzungsverkehrsZeichen .
15. Computerprogramm, umfassend Programmcode zur Durchführung des Verfahrens nach einem der Ansprüche 8 bis 14, wenn das Computerprogramm auf einem Computer ausgeführt wird.
EP18830182.4A 2017-12-21 2018-12-13 System und verfahren zum unterstützen einer prognose einer zukünftigen signalisierung eines verkehrsinfrastrukturelements Ceased EP3673471A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017223579.9A DE102017223579A1 (de) 2017-12-21 2017-12-21 System und Verfahren zum Unterstützen einer Prognose einer zukünftigen Signalisierung eines Verkehrsinfrastrukturelements
PCT/EP2018/084674 WO2019121283A1 (de) 2017-12-21 2018-12-13 System und verfahren zum unterstützen einer prognose einer zukünftigen signalisierung eines verkehrsinfrastrukturelements

Publications (1)

Publication Number Publication Date
EP3673471A1 true EP3673471A1 (de) 2020-07-01

Family

ID=64959293

Family Applications (1)

Application Number Title Priority Date Filing Date
EP18830182.4A Ceased EP3673471A1 (de) 2017-12-21 2018-12-13 System und verfahren zum unterstützen einer prognose einer zukünftigen signalisierung eines verkehrsinfrastrukturelements

Country Status (5)

Country Link
US (1) US11594125B2 (de)
EP (1) EP3673471A1 (de)
AU (1) AU2018389568A1 (de)
DE (1) DE102017223579A1 (de)
WO (1) WO2019121283A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12609905B1 (en) 2024-09-10 2026-04-21 T-Mobile Usa, Inc. Telecommunication using artificial intelligence (AI) agents and generative AI models

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019213106A1 (de) * 2019-08-30 2021-03-04 Siemens Mobility GmbH Verfahren und Vorrichtung zur Prognose eines Schaltzustands und/oder eines Schaltzeitpunkts einer Signalanlage zur Verkehrssteuerung
DE102020202380A1 (de) 2020-02-25 2021-08-26 Siemens Mobility GmbH Verfahren zur Verkehrsbeeinflussung und Verkehrsbeeinflussungseinrichtung
DE102020202656A1 (de) * 2020-03-02 2021-09-02 Siemens Mobility GmbH Bestimmen eines zukünftigen Schaltverhaltens einer Anlageeinheit
US11634123B2 (en) * 2020-07-09 2023-04-25 Toyota Research Institute, Inc. Methods and systems for prioritizing computing methods for autonomous vehicles
DE102021001802A1 (de) 2021-04-08 2022-10-13 Abdullatif Alhaj Rabie Smart-Ampelsystem im Auto, Smart-Ampelsystem in der Straße

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9253753B2 (en) * 2012-04-24 2016-02-02 Zetta Research And Development Llc-Forc Series Vehicle-to-vehicle safety transceiver using time slots
US8972145B2 (en) * 2013-03-15 2015-03-03 Bayerische Motoren Werke Aktiengesellscahft Systems and methods for predicting traffic signal information
US9396657B1 (en) * 2013-04-12 2016-07-19 Traffic Technology Solutions, LLC Prediction of traffic signal state changes
US10495469B2 (en) 2015-06-23 2019-12-03 Ford Global Technologies, Llc Rapid traffic parameter estimation
EP3144918B1 (de) * 2015-09-21 2018-01-10 Urban Software Institute GmbH Computersystem und verfahren zur überwachung eines verkehrssystem
US9970780B2 (en) * 2015-11-19 2018-05-15 GM Global Technology Operations LLC Method and apparatus for fuel consumption prediction and cost estimation via crowd sensing in vehicle navigation system

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12609905B1 (en) 2024-09-10 2026-04-21 T-Mobile Usa, Inc. Telecommunication using artificial intelligence (AI) agents and generative AI models

Also Published As

Publication number Publication date
US11594125B2 (en) 2023-02-28
WO2019121283A1 (de) 2019-06-27
DE102017223579A1 (de) 2019-06-27
US20200327803A1 (en) 2020-10-15
AU2018389568A1 (en) 2020-05-28

Similar Documents

Publication Publication Date Title
EP3673471A1 (de) System und verfahren zum unterstützen einer prognose einer zukünftigen signalisierung eines verkehrsinfrastrukturelements
EP3762270B1 (de) Steuereinheit zum betreiben einer fahrfunktion an einer signalisierungsanlage
EP2979261B1 (de) Backend für fahrerassistenzsysteme
DE102015206439B4 (de) System und Verfahren zum Assistieren eines oder mehrerer autonomer Fahrzeuge
DE102009008745B4 (de) Verfahren und System zur automatischen Verkehrsführung
DE102017217444B4 (de) Verfahren und System zum Aktualisieren eines Steuerungsmodells für eine automatische Steuerung zumindest einer mobilen Einheit
EP3671693A1 (de) Verfahren und fahrerassistenzsystem zum unterstützen eines fahrers eines fahrzeugs beim führen des fahrzeugs
EP3333823B1 (de) Prognose einer signalisierung einer lichtsignalanlage mittels künstlicher intelligenz
EP2981951A1 (de) Automatisches befahren einer strecke
EP2953111A1 (de) Verfahren und Vorrichtung zur Ermittlung freier Abstellplätze auf LKW-Parkplätzen und Mitteilung an LKW-Fahrer
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
EP3789983A1 (de) Zentralisierte regulierung eines verkehrsflusses
DE102022102098A1 (de) Systeme und verfahren zur fahrerassistenzoptimierung unter verwendung von künstlicher intelligenz
DE112021001592T5 (de) Fahrzeuginterne steuervorrichtung, server und verifikationssystem
DE102019122543A1 (de) Verkehrsminderungssystem
DE102021209541A1 (de) Verfahren zum Betreiben eines vernetzten Fahrzeugs
DE102018125621A1 (de) Verfahren zum Unterstützen eines Fahrbetriebs eines Kraftfahrzeugs und zum Betreiben eines Kraftfahrzeugs, Kraftfahrzeug und Servereinrichtung
DE102017204783B4 (de) Verfahren zum Fernsteuern von mehreren führerlosen Selbstfahrsystemen sowie Leitstand zum Fernsteuern der Selbstfahrsysteme und System
DE102022206981A1 (de) Verfahren zur Fahrunterstützung eines vernetzten Kraftfahrzeugs
DE102021209699A1 (de) Verfahren zum Betreiben von mehreren Infrastruktursystemen
DE102020213361A1 (de) Verfahren zur Verkehrsbeeinflussung durch ein intelligentes Infrastruktursystem für eine Infrastruktureinrichtung, Recheneinrichtung und Infrastruktursystem für eine Infrastruktureinrichtung
DE102016200217A1 (de) Verfahren zum vorausschauenden Fahren
EP4350660A1 (de) System und verfahren zur prädiktion einer zukünftigen position eines verkehrsteilnehmers
DE102022211851A1 (de) Verfahren und System zum infrastrukturgestützten Assistieren mindestens eines vernetzten Kraftfahrzeugs bei einer zumindest teilautomatisiert geführten Fahrt durch eine Straßeninfrastruktur
DE10131526A1 (de) Verfahren und Vorrichtung zur Ansteuerung eines Assistenzsystems für ein Fahrzeug

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: 20200326

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

Free format text: STATUS: EXAMINATION IS IN PROGRESS

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: YUNEX GMBH

17Q First examination report despatched

Effective date: 20220202

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: 20250414