EP4042107A1 - Method for predicting a velocity profile of a vehicle - Google Patents

Method for predicting a velocity profile of a vehicle

Info

Publication number
EP4042107A1
EP4042107A1 EP20796700.1A EP20796700A EP4042107A1 EP 4042107 A1 EP4042107 A1 EP 4042107A1 EP 20796700 A EP20796700 A EP 20796700A EP 4042107 A1 EP4042107 A1 EP 4042107A1
Authority
EP
European Patent Office
Prior art keywords
input data
data
route
vehicle
speed
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
EP20796700.1A
Other languages
German (de)
French (fr)
Inventor
Stefan Grubwinkler
Hans Bauer
Friedrich Graf
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.)
Vitesco Technologies GmbH
Original Assignee
Vitesco Technologies 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 Vitesco Technologies GmbH filed Critical Vitesco Technologies GmbH
Publication of EP4042107A1 publication Critical patent/EP4042107A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Definitions

  • the present invention relates to a method for predicting a speed profile of a vehicle.
  • Knowing the future speed profile is important for numerous powertrain applications. For example, knowing the expected driving profile trajectory can improve the operating strategy of hybrid, electric and combustion engine vehicles, adapt various vehicle functions to individual driving behavior, estimate the energy requirement for the planned route and estimate various vehicle states (such as temperatures). For these applications, a prediction horizon is usually necessary that goes beyond the range of onboard sensors (radar, camera, etc.). Attributes of digital maps (e.g. speed limits, curve radii) can be used for this.
  • the prediction horizon is limited by environmental sensors. Attributes of digital maps are only suitable to a limited extent for predicting the expected speed profile, since the maximum speed cannot be reached on numerous route sections due to necessary braking processes. In addition, the individual driver behavior has an influence on the height of the speed profile.
  • the present invention is based on the object of providing a method and a control device for predicting a speed profile of a vehicle, which can provide a reliable speed prediction for all route sections.
  • a first aspect of the invention relates to a method for predicting a speed profile of a vehicle, the speed profile representing a future speed profile along a predetermined travel route up to a specific forecast horizon.
  • the method has the following steps: generating a prediction model; Entering input data into the prediction model; Calculating output data from the input data on the basis of at least one algorithm contained in the prediction model, the output data predicting the speed profile of the vehicle; Delivering the delivery data from the prediction model.
  • the input data have a first input data group, which contains at least geographic coordinates of the route, and a second input data group, which contains various input data, namely at least location information of a digital map; average traffic flow data along the route; and / or speed profiles of networked vehicles.
  • a selection of the input data from the second input data group is carried out on the basis of a situation analysis using predetermined criteria.
  • Different models can be created with different data sources. The models differ in terms of accuracy. Depending on the availability of data and other boundary conditions (e.g. available LTE networking), the most suitable model should be selected automatically. This means that there are no longer any route sections for which a forecast cannot be made available.
  • the location information of a digital map has at least one element from a group, the geographic coordinates of the vehicle; Map attributes along the route such as
  • the average traffic flow data along the route represent a current traffic flow or historical traffic patterns.
  • the first input data group additionally contains vehicle data which have at least one element from a group which contains a speed value of the vehicle; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle; image or video data captured by a vehicle camera; and brightness data sensed by a flow sensor of the vehicle.
  • vehicle data which have at least one element from a group which contains a speed value of the vehicle; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle; image or video data captured by a vehicle camera; and brightness data sensed by a flow sensor of the vehicle.
  • the first input data group additionally contains individual driving behavior data that were generated on the basis of previous trips, in particular driver behavior in comparison to the traffic flow, to speed quantiles or to map attributes such as speed limits.
  • the selection of the input data from the second input data group is preferably carried out as a separate method step in which one or more of these criteria mentioned is checked.
  • Availability of the various input data from the second input data group here preferably includes the current or general availability of the data.
  • the current availability can be limited, for example, by a temporally and / or spatially-related lack of radio connection (e.g. dead spots).
  • General availability is summarized here as to whether corresponding data exist at all, i.e. whether, for example, speed profiles have been collected for the respective route section, whether this data is current or out of date and / or whether any collected data is accessible.
  • any costs incurred for the selection of the input data of the second input data group can preferably also be taken into account.
  • legal and / or personal data protection requirements can restrict the selection of input data from the second input data group.
  • the availability and / or the usefulness of using the various input data from the second input data group can also depend on the respective road class (e.g. country road or motorway) along the route.
  • road class e.g. country road or motorway
  • the prediction based on certain input data of the second input data group is more precise than when using other input data of the second input data group. Therefore, the quality of the prediction can also be taken into account when selecting the input data.
  • the situation analysis therefore uses at least one of the predetermined criteria: On route sections without a sufficient mobile data connection, input data of the second input data group is selected that was previously stored locally in the vehicle or that is received by means of a traffic message channel (TMC); on route sections without a sufficient mobile data connection, input data of the second input data group is selected, which is loaded in advance via a backend; the location information of a digital map and / or the average traffic flow data along the route are selected on route sections for which no or outdated collected speed profiles are available; with a preview horizon of a certain minimum length, the location information on a digital map and / or the average traffic flow data are selected in the form of historical traffic patterns; on route sections for which no average traffic flow data and no speed profiles are available, the location information from a digital map is selected; on country roads the location information of a digital map and the speed profiles are selected; on motorways the average traffic flow data is selected, preferably in combination with the individual driving behavior data; if it is determined during the journey that the prediction based on certain
  • the speed profiles of networked vehicles are used to create distributions for collected speed profiles with respect to fixed location points along the route.
  • the first input data group contains speed profiles at the current point in time or along a retrospective horizon.
  • a second aspect of the invention relates to a control device which is configured to carry out the method.
  • FIG. 1 schematically shows a prediction of a speed profile of a vehicle, which represents a future speed profile along a predetermined travel route up to a specific forecast horizon;
  • FIG. 2 schematically shows a system architecture for the method for predicting the speed profile of the vehicle according to an exemplary embodiment.
  • FIG. 1 schematically shows a prediction of a speed profile 1 of a vehicle 2, which represents a future speed profile along a predetermined travel route x up to a specific forecast horizon 3.
  • the reference symbol 8 denotes a past speed profile along the route x up to a specific rear horizon 9.
  • FIG. 2 schematically shows a system architecture for the method for predicting the speed profile 1 of the vehicle 2 according to an exemplary embodiment.
  • the method that works with this system architecture has the following steps: generating a prediction model 4; Inputting input data 5.1, 5.2 into the prediction model 4; Calculation of delivery data 6 from the input data 5.1. 5.2 on the basis of at least one algorithm contained in the prediction model 4, the output data 6 predicting the speed profile 1 of the vehicle 2; and outputting the output data 6 from the prediction model 4.
  • the input data 5.1, 5.2 contain a first input data group 5.1.1, 5.1.2, 5.1.3, in which at least geographic coordinates 5.1.1 of the route x are contained.
  • the intended route x of the vehicle 2 is used as an input and can be specified by the driver or determined by an intelligent algorithm. Together with the geographic coordinates 5.1.1 of the route x, speed profiles at the current point in time or along the look-back horizon 9 can also be entered into the prediction model 4 (not shown in FIG. 2).
  • the first input data group 5.1.1, 5.1.2, 5.1.3 additionally contains vehicle data 5.1.2, which have at least one element from a group that contains a speed value of the vehicle 2; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle 2; image or video data captured by a vehicle camera; and brightness data detected by a flow sensor of vehicle 2.
  • vehicle data 5.1.2 which have at least one element from a group that contains a speed value of the vehicle 2; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle 2; image or video data captured by a vehicle camera; and brightness data detected by a flow sensor of vehicle 2.
  • the first input data group 5.1.1, 5.1.2, 5.1.3 additionally contains individual driving behavior data 5.1 .3 that were generated on the basis of previous trips, in particular driver behavior in comparison to the traffic flow, to speed quantiles or to map attributes such as speed limits.
  • the vehicle data 5.1.2 is used to adjust the forecast for a short forecast horizon, for example for the next 100 m, more precisely.
  • the input data 5.1, 5.2 contain a second input data group 5.2.1, 5.2.2, 5.2.3, which contains various input data, namely at least location information 5.2.1 of a digital map; average traffic flow data
  • the location information 5.2.1 of a digital map can be stored locally in the vehicle 2 (so-called onboard maps), or they can be loaded via mobile radio (for example LTE) from a backend, such as a server (so-called offboard maps) ).
  • the location information 5.2.1 of a digital map has at least one element from a group, the geographic coordinates of the vehicle 2; Contains map attributes along the route x such as speed restrictions, traffic lights, traffic light phases, right of way, traffic signs, curve radii and / or gradients.
  • the average traffic flow data 5.2.2 along the route x represent a current traffic flow or historical traffic patterns.
  • the input data from the second input data group 5.2.1, 5.2.2, 5.2.3 are selected on the basis of a situation analysis 10 using predetermined criteria 11. At least one of these data sources from the second input data group 5.2.1, 5.2.2, 5.2.3 is necessary in order to be able to carry out a speed forecast for a longer forecast horizon 3 (e.g. several km).
  • These data sources are used as input data by a machine learning algorithm, from which the speed profile 1 along the planned route x can be predicted.
  • Various methods can be used as prediction model 4 (e.g. regression, neural networks, support vector machines, long-short-term memory networks (LSTM),
  • the prediction model 4 can be trained on the basis of predefined input data 5.1, 5.2 and predefined output data 6.
  • the input data 5.1, 5.2 within the parameterizable review horizon 9 can also be used as an input.
  • the accuracy of the forecast increases with the number of data sources used, ie in particular from the location information 5.2.1 of a digital map to the average traffic flow data 5.2.2 to the speed profiles 5.2.3 of networked vehicles.
  • the selection of the input data of the second input data group 5.2.1, 5.2.2, 5.2.3 can be selected dynamically, so that a prognosis of the speed profile 1 is available at any point in time.
  • the dynamic selection of the second input data group 5.2.1, 5.2.2, 5.2.3 is described below.
  • the aim is to select the appropriate input data of the second input data group 5.2.1, 5.2.2, 5.2.3 at any point in time and in any situation and thus to be able to ensure a reliable speed forecast at any time.
  • the situation analysis 10 uses at least one of the predetermined criteria 11:
  • input data of the second input data group 5.2.1, 5.2.2, 5.2.3 are selected that were previously stored locally in vehicle 2 or that are received via the TMC traffic message channel. These can be onboard cards. Input data of the second input data group 5.2.1, 5.2.2, 5.2.3 can also be selected on route sections without a sufficient mobile data connection, which are loaded in advance via a backend. In particular, if dead spots on these route sections are known in advance, for example through network coverage maps, which can partly be created by crowdsourcing, it is possible to load the information into the vehicle in advance via the backend. For example, predictive traffic information, collected speed profiles or tiles can be downloaded from precise digital maps.
  • network coverage maps which can partly be created by crowdsourcing
  • the location information 5.2.1 of a digital map (offboard or onboard) and / or the average traffic flow data 5.2.2 along the route x are selected on route sections for which no or outdated collected speed profiles 5.2.3 are available.
  • Possible applications for forecasts that are relatively far in the future are, for example, route planning for electric vehicles for future journeys or the charging management of electric and hybrid vehicles.
  • the location information 5.2.1 from a digital map is selected.
  • the location information 5.2.1 of a digital map and the speed profiles 5.2.3 are selected. Traffic flow information is usually not available on rural roads.
  • the individual speed is mainly determined by curve radii, visibility (e.g. visible curves) and the elevation profile. The traffic flow therefore usually has little influence and is often not precise enough, even if it is available (e.g. reducing the speed in front of bends or blind spots), so that it is better to use collected speed profiles 5.2.3. Since the traffic influence is low, the collected speed profiles 5.2.3 may also be out of date.
  • the average traffic flow data 5.2.2 are selected on motorways, preferably in combination with the individual driving behavior data 5.1.3 from the first input data group. On motorways, the prognosis can primarily be calculated based on the average traffic flow data 5.2.2, taking into account the individual driving behavior data 5.1.3, since the traffic flow is current on motorways.
  • the location information 5.2.1 of a digital map and the average traffic flow data 5.2.2 along the route x are selected. If a service fee for certain input data from the second input data group 5.2.1, 5.2.2, 5.2.3 exceeds a threshold value, other input data are selected from the second input data group 5.2.1, 5.2.2, 5.2.3.
  • the selected input data from the second input data group 5.2.1, 5.2.2, 5.2.3 ensures that a speed prediction is possible in every situation and thus the speed prediction can be used as a reliable input variable for various applications.
  • the input data from the second input data group 5.2.1, 5.2.2, 5.2.3 and the corresponding prediction model 4 can be selected dynamically as a function of data availability, accuracy, road class, user preferences, application purpose and prediction horizon 3.
  • the present invention can also be used to implement operating strategies for HEV, EV or conventional vehicles, to control exhaust gas aftertreatment systems, to increase the accuracy of navigation algorithms and for route applications for EVs.

Landscapes

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

Abstract

The present invention relates to a method for predicting a velocity profile (1) of a vehicle (2), which velocity profile represents a future velocity curve along a predetermined travel route (x) up to a specific preview horizon (3). The method comprises the following steps: generating a prediction model (4); entering input data (5.1, 5.2) into the prediction model (4); calculating output data (6) from the input data (5.1, 5.2) on the basis of at least one algorithm contained in the prediction model (4), wherein the output data (6) predict the velocity profile (1) of the vehicle (2); outputting the output data (6) from the prediction model (4). The input data (5.1, 5.2) have a first input data group (5.1.1, 5.1.2, 5.1.3), in which at least geocoordinates (5.1.1) of the travel route (x) are contained, and a second input data group (5.2.1, 5.2.2, 5.2.3), in which different input data are contained, specifically at least location information (5.2.1) of a digital map; average traffic flow data (5.2.2) along the travel route (x); and/or velocity profiles (5.2.3) of networked vehicles. A selection of input data from the second input data group (5.1.1, 5.1.2, 5.1.3) is made on the basis of a situational analysis (6) using predetermined criteria (11).

Description

Beschreibung description
Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs Method for predicting a speed profile of a vehicle
Die vorliegende Erfindung betrifft ein Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs. The present invention relates to a method for predicting a speed profile of a vehicle.
Die Kenntnis des zukünftigen Geschwindigkeitsprofils ist für zahlreiche Anwendungen des Powertrains wichtig. Beispielsweise kann durch die Kenntnis der erwarteten Fahrprofiltrajektorie die Betriebsstrategie von Hybrid-, Elektro- und Verbrennungsmotorfahrzeugen verbessert, verschiedene Fahrzeugfunktionen auf das individuelle Fahrverhalten angepasst und der Energiebedarf für die geplante Strecke abgeschätzt werden sowie verschiedene Fahrzeugzustände (wie beispielsweise Temperaturen) geschätzt werden. Für diese Anwendungen ist in der Regel ein Prädiktionshorizont notwendig, der über die Reichweite von Onboard-Sensorik (Radar, Kamera, etc.) hinausgeht. Dazu können Attribute von digitalen Karten (z.B. Geschwindigkeitslimits, Kurvenradien) verwendet werden. Knowing the future speed profile is important for numerous powertrain applications. For example, knowing the expected driving profile trajectory can improve the operating strategy of hybrid, electric and combustion engine vehicles, adapt various vehicle functions to individual driving behavior, estimate the energy requirement for the planned route and estimate various vehicle states (such as temperatures). For these applications, a prediction horizon is usually necessary that goes beyond the range of onboard sensors (radar, camera, etc.). Attributes of digital maps (e.g. speed limits, curve radii) can be used for this.
Alternativ existieren Ansätze, bei denen das Geschwindigkeitsprofil auf Basis von gesammelten Trajektorien vernetzter Fahrzeuge prädiziert wird (Crowdsourcing). Alternatively, there are approaches in which the speed profile is predicted on the basis of collected trajectories of networked vehicles (crowdsourcing).
Durch Umfeldsensorik ist aufgrund der Reichweite der verwendeten Sensorik (Kamera, Radar) der Prädiktionshorizont begrenzt. Attribute von digitalen Karten sind zur Prognose des erwarteten Geschwindigkeitsprofils nur bedingt geeignet, da auf zahlreichen Streckenabschnitten die Flöchstgeschwindigkeit aufgrund von notwendigen Abbremsvorgängen nicht erreicht werden kann. Zudem hat das individuelle Fahrerverhalten einen Einfluss auf die Höhe das Geschwindigkeitsprofils. Due to the range of the sensors used (camera, radar), the prediction horizon is limited by environmental sensors. Attributes of digital maps are only suitable to a limited extent for predicting the expected speed profile, since the maximum speed cannot be reached on numerous route sections due to necessary braking processes. In addition, the individual driver behavior has an influence on the height of the speed profile.
Ein Problem des vernetzten Ansatzes mit Crowdsourcing ist, dass der Ansatz nur möglich ist, falls gesammelte Fahrprofile zur Verfügung stehen, d.h. dass bereits von anderen Fahrzeugen an dieser Stelle Geschwindigkeitsprofile gesammelt worden sind. Gesammelte Daten von vernetzten Fahrzeugen werden in der Regel jedoch nicht zwischen verschiedenen Automobilherstellern ausgetauscht. One problem of the networked approach with crowdsourcing is that the approach is only possible if collected driving profiles are available, i.e. if speed profiles have already been collected from other vehicles at this point. However, data collected from networked vehicles is usually not exchanged between different automobile manufacturers.
Dies ist ein Problem für jene Automobilhersteller, die noch wenig vernetzte Fahrzeuge haben oder auf bestimmten Absatzmärkten nur einen geringen Marktanteil haben. Damit sind Anwendungen auf Basis der Geschwindigkeitsprofilprädiktion nicht oder nur streckenabschnittsweise möglich. This is a problem for those automobile manufacturers who still have poorly connected vehicles or only a small number of them in certain sales markets Have market share. This means that applications based on the speed profile prediction are not possible or only possible for certain sections of the route.
Ein weiterer Nachteil von vernetzten Lösungen ist die Gewährleistung der Fahrzeugvernetzung („Funklöcher"). Eine Prognose des Geschwindigkeitsprofils durch Crowdsourcing ist somit nicht flächendeckend gewährleistet. Die Prognose des Geschwindigkeitsprofils wird als Eingang für Betriebsstrategien zur Senkung das Verbrauchs und der Emissionen verwendet. Verbrauchs- und emissionssenkende Maßnahmen (RDE-Verbrauch, Eco-Innovationen) werden vom Gesetzgeber jedoch nur dann anerkannt, falls sie flächendeckend zur Verfügung stehen. Another disadvantage of networked solutions is the guarantee of vehicle networking ("dead spots"). A prognosis of the speed profile by crowdsourcing is therefore not guaranteed across the board. The prognosis of the speed profile is used as an input for operating strategies to reduce consumption and emissions However, emission-reducing measures (RDE consumption, eco-innovations) are only recognized by the legislator if they are available across the board.
Der vorliegenden Erfindung liegt die Aufgabe zugrunde, ein Verfahren und ein Steuergerät zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs vorzusehen, die eine zuverlässige Geschwindigkeitsprognose für alle Streckenabschnitte zur Verfügung stellen können. The present invention is based on the object of providing a method and a control device for predicting a speed profile of a vehicle, which can provide a reliable speed prediction for all route sections.
Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen der vorliegenden Erfindung sind in den abhängigen Ansprüchen beschrieben. This object is achieved by the subjects of the independent claims. Advantageous embodiments of the present invention are described in the dependent claims.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zur Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs, wobei das Geschwindigkeitsprofil einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute bis zu einem bestimmten Vorschauhorizont darstellt. Das Verfahren hat die folgenden Schritte: Generieren eines Prädiktionsmodells; Eingeben von Eingangsdaten in das Prädiktionsmodell; Berechnen von Abgabedaten aus den Eingangsdaten auf der Grundlage zumindest eines in dem Prädiktionsmodell enthaltenen Algorithmus', wobei die Abgabedaten das Geschwindigkeitsprofil des Fahrzeugs prädizieren; Abgeben der Abgabedaten von dem Prädiktionsmodell. Die Eingangsdaten weisen eine erste Eingangsdatengruppe, in der zumindest Geokoordinaten der Fahrtroute enthalten sind, und eine zweite Eingangsdatengruppe auf, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen einer digitalen Karte; durchschnittliche Verkehrsflussdaten entlang der Fahrtroute; und/oder Geschwindigkeitsprofile von vernetzten Fahrzeugen. Eine Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe wird auf der Grundlage einer Situationsanalyse unter Verwendung vorbestimmter Kriterien durchgeführt. Dabei können verschiedene Modelle mit verschiedenen Datenquellen erstellt werden. Die Modelle unterscheiden sich bezüglich Genauigkeit. In Abhängigkeit der Datenverfügbarkeit und anderen Randbedingungen (z.B. verfügbare LTE-Vernetzung) soll automatisch das geeignetste Modell ausgewählt werden. Dadurch wird erreicht, dass keine Streckenabschnitte mehr existieren, für die keine Prognose zur Verfügung gestellt werden kann. A first aspect of the invention relates to a method for predicting a speed profile of a vehicle, the speed profile representing a future speed profile along a predetermined travel route up to a specific forecast horizon. The method has the following steps: generating a prediction model; Entering input data into the prediction model; Calculating output data from the input data on the basis of at least one algorithm contained in the prediction model, the output data predicting the speed profile of the vehicle; Delivering the delivery data from the prediction model. The input data have a first input data group, which contains at least geographic coordinates of the route, and a second input data group, which contains various input data, namely at least location information of a digital map; average traffic flow data along the route; and / or speed profiles of networked vehicles. A selection of the input data from the second input data group is carried out on the basis of a situation analysis using predetermined criteria. Different models can be created with different data sources. The models differ in terms of accuracy. Depending on the availability of data and other boundary conditions (e.g. available LTE networking), the most suitable model should be selected automatically. This means that there are no longer any route sections for which a forecast cannot be made available.
Bei einem Ausführungsbeispiel weisen die Ortsinformationen einer digitalen Karte mindestens ein Element aus einer Gruppe auf, die Geokoordinaten des Fahrzeugs; Kartenattribute entlang der Fahrtroute wie zum BeispielIn one embodiment, the location information of a digital map has at least one element from a group, the geographic coordinates of the vehicle; Map attributes along the route such as
Geschwindigkeitsbeschränkungen, Ampeln, Ampelphasen, Vorfahrtsregelungen, Verkehrsschilder, Kurvenradien und/oder Steigungen enthält. Contains speed restrictions, traffic lights, traffic light phases, right of way, traffic signs, curve radii and / or inclines.
Bei einem Ausführungsbeispiel stellen die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute einen aktuellen Verkehrsfluss oder historische Traffic-Patterns dar. In one embodiment, the average traffic flow data along the route represent a current traffic flow or historical traffic patterns.
Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe zusätzlich Fahrzeugdaten, die mindestens ein Element aus einer Gruppe aufweisen, die einen Geschwindigkeitswert des Fahrzeugs; eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; durch das Fahrzeug erfasste Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Flelligkeitssensor des Fahrzeugs erfasste Helligkeitsdaten enthält. In one exemplary embodiment, the first input data group additionally contains vehicle data which have at least one element from a group which contains a speed value of the vehicle; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle; image or video data captured by a vehicle camera; and brightness data sensed by a flow sensor of the vehicle.
Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe zusätzlich individuelle Fahrverhaltensdaten, die auf der Grundlage von vergangenen Fahrten generiert wurden, insbesondere ein Fahrerverhalten im Vergleich zum Verkehrsfluss, zu Geschwindigkeitsquantilen oder zu Kartenattributen wie beispielsweise Geschwindigkeitslimits. In one embodiment, the first input data group additionally contains individual driving behavior data that were generated on the basis of previous trips, in particular driver behavior in comparison to the traffic flow, to speed quantiles or to map attributes such as speed limits.
In einer bevorzugten Ausführungsvariante des erfindungsgemäßen Verfahrens wird bei der Situationsanalyse unter Verwendung der vorbestimmten Kriterien mindestens eine Verfügbarkeit der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe und/oder Datenschutzvorgaben und/oder durch die Verwendung der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe anfallende Kosten und/oder die jeweilige Straßenklasse auf der Fahrtroute und/oder ein Einfluss der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe auf die Qualität der Prädiktion berücksichtigt. In a preferred embodiment variant of the method according to the invention, at least one availability of the various input data from the second input data group and / or data protection requirements and / or costs incurred through the use of the various input data from the second input data group and / or the respective Street class on the route and / or an influence of the various input data from the second input data group on the quality of the prediction.
Die Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe erfolgt vorzugsweise als separater Verfahrensschritt, bei dem eines oder mehrere dieser genannten Kriterien geprüft wird. The selection of the input data from the second input data group is preferably carried out as a separate method step in which one or more of these criteria mentioned is checked.
Eine Verfügbarkeit der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe umfasst hier vorzugsweise die momentane oder generelle Verfügbarkeit der Daten. Die momentane Verfügbarkeit kann beispielsweise durch einen zeitlich und/oder örtlich bedingte fehlende Funkverbindung (z.B. Funklöcher) eingeschränkt sein. Als generelle Verfügbarkeit wird hier zusammengefasst, ob überhaupt entsprechende Daten existieren, d.h. ob beispielsweise Geschwindigkeitsprofile für den jeweiligen Routenabschnitt gesammelt wurden, ob dieses Daten aktuell oder veraltet sind und/oder ob etwaige gesammelte Daten zugänglich sind. Availability of the various input data from the second input data group here preferably includes the current or general availability of the data. The current availability can be limited, for example, by a temporally and / or spatially-related lack of radio connection (e.g. dead spots). General availability is summarized here as to whether corresponding data exist at all, i.e. whether, for example, speed profiles have been collected for the respective route section, whether this data is current or out of date and / or whether any collected data is accessible.
Beispielsweise kann für den Zugang zu solchen Daten eine Servicegebühr erhoben werden. Deswegen können bevorzugt auch etwaige anfallende Kosten für die Auswahl der Eingangsdaten der zweiten Eingangsdatengruppe berücksichtigt werden. Zusätzlich können gesetzliche und/oder persönliche Datenschutzvorgaben die Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe einschränken. For example, a service fee can be charged for access to such data. Therefore, any costs incurred for the selection of the input data of the second input data group can preferably also be taken into account. In addition, legal and / or personal data protection requirements can restrict the selection of input data from the second input data group.
Die Verfügbarkeit und/oder die Sinnhaftigkeit der Verwendung der verschiedenen Eingangsdaten aus der zweiten Eingangsdatengruppe kann außerdem von der jeweiligen Straßenklasse (z.B. Landstraße oder Autobahn) entlang der Fahrtroute abhängig sein. The availability and / or the usefulness of using the various input data from the second input data group can also depend on the respective road class (e.g. country road or motorway) along the route.
Des Weiteren kann während der Fahrt festgestellt werden, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe genauer ist als bei der Verwendung anderer Eingangsdaten der zweiten Eingangsdatengruppe. Daher kann auch die Qualität der Prädiktion bei der Auswahl der Eingangsdaten berücksichtigt werden. Furthermore, it can be established during the journey that the prediction based on certain input data of the second input data group is more precise than when using other input data of the second input data group. Therefore, the quality of the prediction can also be taken into account when selecting the input data.
Bei einem Ausführungsbeispiel verwendet die Situationsanalyse daher zumindest eines der vorbestimmten Kriterien: auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt, die vorab lokal im Fahrzeug gespeichert wurden oder die mittels Traffic-Message-Channel (TMC) empfangen werden; auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt, die vorab über ein Backend geladen werden; auf Streckenabschnitten, für die keine oder veraltete gesammelte Geschwindigkeitsprofile vorliegen, werden die Ortsinformationen einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute ausgewählt; bei einem Vorschauhorizont einer bestimmten Mindestlänge werden die Ortsinformationen einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten in Gestalt von historischen Traffic-Patterns ausgewählt; auf Streckenabschnitten, für die keine durchschnittlichen Verkehrsflussdaten und keine Geschwindigkeitsprofile vorhanden sind, werden die Ortsinformationen einer digitalen Karte ausgewählt; auf Landstraßen werden die Ortsinformationen einer digitalen Karte und die Geschwindigkeitsprofile ausgewählt; auf Autobahnen werden die durchschnittliche Verkehrsflussdaten ausgewählt, vorzugsweise in Kombination mit den individuellen Fahrverhaltensdaten; falls während der Fahrt festgestellt wird, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe ungenau im Vergleich zu anderen Eingangsdaten der zweiten Eingangsdatengruppe ist, werden ausschließlich die anderen Eingangsdaten der zweiten Eingangsdatengruppe ausgewählt; falls die Verwendung der Geschwindigkeitsprofile durch Datenschutzrichtlinien eingeschränkt wird oder eigene Datenschutzpräferenzen herabsetzt, werden die Ortsinformationen einer digitalen Karte und die durchschnittlichen Verkehrsflussdaten entlang der Fahrtroute ausgewählt; falls eine Servicegebühr für bestimmte Eingangsdaten aus der zweiten Eingangsdatengruppe einen Schwellwert überschreiten, werden andere Eingangsdaten aus der zweiten Eingangsdatengruppe ausgewählt. In one embodiment, the situation analysis therefore uses at least one of the predetermined criteria: On route sections without a sufficient mobile data connection, input data of the second input data group is selected that was previously stored locally in the vehicle or that is received by means of a traffic message channel (TMC); on route sections without a sufficient mobile data connection, input data of the second input data group is selected, which is loaded in advance via a backend; the location information of a digital map and / or the average traffic flow data along the route are selected on route sections for which no or outdated collected speed profiles are available; with a preview horizon of a certain minimum length, the location information on a digital map and / or the average traffic flow data are selected in the form of historical traffic patterns; on route sections for which no average traffic flow data and no speed profiles are available, the location information from a digital map is selected; on country roads the location information of a digital map and the speed profiles are selected; on motorways the average traffic flow data is selected, preferably in combination with the individual driving behavior data; if it is determined during the journey that the prediction based on certain input data of the second input data group is imprecise in comparison to other input data of the second input data group, only the other input data of the second input data group are selected; if the use of the speed profiles is restricted by data protection guidelines or personal data protection preferences are lowered, the location information on a digital map and the average traffic flow data along the route are selected; if a service fee for certain input data from the second input data group exceeds a threshold value, other input data are selected from the second input data group.
Bei einem Ausführungsbeispiel werden aus den Geschwindigkeitsprofilen von vernetzten Fahrzeugen Verteilungen für gesammelte Geschwindigkeitsprofile bezüglich festen Ortspunkten entlang der Fahrtroute erstellt. Bei einem Ausführungsbeispiel enthält die erste Eingangsdatengruppe Geschwindigkeitsprofile zum aktuellen Zeitpunkt oder entlang eines Rückschauhorizonts. In one embodiment, the speed profiles of networked vehicles are used to create distributions for collected speed profiles with respect to fixed location points along the route. In one embodiment, the first input data group contains speed profiles at the current point in time or along a retrospective horizon.
Ein zweiter Aspekt der Erfindung betrifft ein Steuergerät, das dazu konfiguriert ist, das Verfahren durchzuführen. A second aspect of the invention relates to a control device which is configured to carry out the method.
Es wird darauf hingewiesen, dass Ausführungsformen der Erfindung mit Bezug auf unterschiedliche Erfindungsgegenstände beschrieben wurden. Insbesondere sind einige Ausführungsformen der Erfindung mit Verfahrensansprüchen und andere Ausführungsformen der Erfindung mit Vorrichtungsansprüchen beschrieben. Dem Fachmann wird jedoch bei der Lektüre dieser Anmeldung sofort klar werden, dass, sofern nicht explizit anders angegeben, zusätzlich zu einer Kombination von Merkmalen, die zu einem Typ von Erfindungsgegenstand gehören, auch eine beliebige Kombination von Merkmalen möglich ist, die zu unterschiedlichen Typen von Erfindungsgegenständen gehören. It should be noted that embodiments of the invention have been described with reference to different subjects of the invention. In particular, some embodiments of the invention are described with method claims and other embodiments of the invention with device claims. However, when reading this application, it will immediately become clear to the person skilled in the art that, unless explicitly stated otherwise, in addition to a combination of features belonging to one type of subject matter of the invention, any combination of features relating to different types of Subjects of the invention belong.
Weitere Vorteile und Merkmale der vorliegenden Erfindung ergeben sich aus der folgenden beispielhaften Beschreibung einer bevorzugten Ausführungsform. Further advantages and features of the present invention emerge from the following exemplary description of a preferred embodiment.
Fig. 1 zeigt schematisch eine Prädiktion eines Geschwindigkeitsprofils eines Fahrzeugs, das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute bis zu einem bestimmten Vorschauhorizont darstellt; und 1 schematically shows a prediction of a speed profile of a vehicle, which represents a future speed profile along a predetermined travel route up to a specific forecast horizon; and
Fig. 2 zeigt schematisch eine Systemarchitektur für das Verfahren zur Prädiktion des Geschwindigkeitsprofils des Fahrzeugs gemäß einem Ausführungsbeispiel. FIG. 2 schematically shows a system architecture for the method for predicting the speed profile of the vehicle according to an exemplary embodiment.
Fig. 1 zeigt schematisch eine Prädiktion eines Geschwindigkeitsprofils 1 eines Fahrzeugs 2, das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute x bis zu einem bestimmten Vorschauhorizont 3 darstellt. Das Bezugszeichen 8 bezeichnet einen vergangenen Geschwindigkeitsverlauf entlang der Fahrtroute x bis zu einem bestimmten Rückschauhorizont 9. 1 schematically shows a prediction of a speed profile 1 of a vehicle 2, which represents a future speed profile along a predetermined travel route x up to a specific forecast horizon 3. The reference symbol 8 denotes a past speed profile along the route x up to a specific rear horizon 9.
Fig. 2 zeigt schematisch eine Systemarchitektur für das Verfahren zur Prädiktion des Geschwindigkeitsprofils 1 des Fahrzeugs 2 gemäß einem Ausführungsbeispiel. Das mit dieser System architektur arbeitende Verfahren hat die folgenden Schritte: Generieren eines Prädiktionsmodells 4; Eingeben von Eingangsdaten 5.1 , 5.2 in das Prädiktionsmodell 4; Berechnen von Abgabedaten 6 aus den Eingangsdaten 5.1. 5.2 auf der Grundlage zumindest eines in dem Prädiktionsmodell 4 enthaltenen Algorithmus', wobei die Abgabedaten 6 das Geschwindigkeitsprofil 1 des Fahrzeugs 2 prädizieren; und Abgeben der Abgabedaten 6 von dem Prädiktionsmodell 4. FIG. 2 schematically shows a system architecture for the method for predicting the speed profile 1 of the vehicle 2 according to an exemplary embodiment. The method that works with this system architecture has the following steps: generating a prediction model 4; Inputting input data 5.1, 5.2 into the prediction model 4; Calculation of delivery data 6 from the input data 5.1. 5.2 on the basis of at least one algorithm contained in the prediction model 4, the output data 6 predicting the speed profile 1 of the vehicle 2; and outputting the output data 6 from the prediction model 4.
Die Eingangsdaten 5.1 , 5.2 enthalten eine erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3, in der zumindest Geokoordinaten 5.1.1 der Fahrtroute x enthalten sind. Die beabsichtigte Route x des Fahrzeugs 2 wird als Eingang verwendet und kann durch den Fahrer vorgegeben oder durch einen intelligenten Algorithmus bestimmt werden. Zusammen mit den Geokoordinaten 5.1.1 der Fahrtroute x können außerdem Geschwindigkeitsprofile zum aktuellen Zeitpunkt oder entlang des Rückschauhorizonts 9 in das Prädiktionsmodell 4 eingegeben werden (nicht in der Fig. 2 gezeigt). The input data 5.1, 5.2 contain a first input data group 5.1.1, 5.1.2, 5.1.3, in which at least geographic coordinates 5.1.1 of the route x are contained. The intended route x of the vehicle 2 is used as an input and can be specified by the driver or determined by an intelligent algorithm. Together with the geographic coordinates 5.1.1 of the route x, speed profiles at the current point in time or along the look-back horizon 9 can also be entered into the prediction model 4 (not shown in FIG. 2).
Die erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 enthält zusätzlich Fahrzeugdaten 5.1.2, die mindestens ein Element aus einer Gruppe aufweisen, die einen Geschwindigkeitswert des Fahrzeugs 2; eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; durch das Fahrzeug 2 erfasste Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Flelligkeitssensor des Fahrzeugs 2 erfasste Helligkeitsdaten enthält. The first input data group 5.1.1, 5.1.2, 5.1.3 additionally contains vehicle data 5.1.2, which have at least one element from a group that contains a speed value of the vehicle 2; a current time; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle 2; image or video data captured by a vehicle camera; and brightness data detected by a flow sensor of vehicle 2.
Die erste Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 enthält zusätzlich individuelle Fahrverhaltensdaten 5.1 .3, die auf der Grundlage von vergangenen Fahrten generiert wurden, insbesondere ein Fahrerverhalten im Vergleich zum Verkehrsfluss, zu Geschwindigkeitsquantilen oder zu Kartenattributen wie beispielsweise Geschwindigkeitslimits. The first input data group 5.1.1, 5.1.2, 5.1.3 additionally contains individual driving behavior data 5.1 .3 that were generated on the basis of previous trips, in particular driver behavior in comparison to the traffic flow, to speed quantiles or to map attributes such as speed limits.
Diese zusätzlichen Eingangsgrößen der ersten Eingangsdatengruppe 5.1.1 , 5.1.2, 5.1.3 dienen dazu, die Prognose zu verbessern. So dienen beispielsweise die Fahrzeugdaten 5.1.2 dazu die Prognose für einen kurzen Vorausschauhorizont, beispielsweise für die nächsten 100 m, genauer anzupassen. These additional input variables of the first input data group 5.1.1, 5.1.2, 5.1.3 are used to improve the prognosis. For example, the vehicle data 5.1.2 is used to adjust the forecast for a short forecast horizon, for example for the next 100 m, more precisely.
Die Eingangsdaten 5.1 , 5.2 enthalten eine zweite Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen 5.2.1 einer digitalen Karte; durchschnittliche VerkehrsflussdatenThe input data 5.1, 5.2 contain a second input data group 5.2.1, 5.2.2, 5.2.3, which contains various input data, namely at least location information 5.2.1 of a digital map; average traffic flow data
5.2.2 entlang der Fahrtroute x; und/oder Geschwindigkeitsprofile 5.2.3 von vernetzten Fahrzeugen. Die Ortsinformationen 5.2.1 einer digitalen Karte können lokal im Fahrzeug 2 gespeichert werden (so genannte Onboard-Karten), oder sie können per Mobilfunk (beispielsweise LTE) von einem Backend, wie zum Beispiel einem Server, geladen werden (so genannte Offboard-Karten). Die Ortsinformationen 5.2.1 einer digitalen Karte weisen mindestens ein Element aus einer Gruppe auf, die Geokoordinaten des Fahrzeugs 2; Kartenattribute entlang der Fahrtroute x wie zum Beispiel Geschwindigkeitsbeschränkungen, Ampeln, Ampelphasen, Vorfahrtsregelungen, Verkehrsschilder, Kurvenradien und/oder Steigungen enthält. 5.2.2 along route x; and / or speed profiles 5.2.3 of networked vehicles. The location information 5.2.1 of a digital map can be stored locally in the vehicle 2 (so-called onboard maps), or they can be loaded via mobile radio (for example LTE) from a backend, such as a server (so-called offboard maps) ). The location information 5.2.1 of a digital map has at least one element from a group, the geographic coordinates of the vehicle 2; Contains map attributes along the route x such as speed restrictions, traffic lights, traffic light phases, right of way, traffic signs, curve radii and / or gradients.
Die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x stellen einen aktuellen Verkehrsfluss oder historische Traffic-Patterns dar. The average traffic flow data 5.2.2 along the route x represent a current traffic flow or historical traffic patterns.
Aus den Geschwindigkeitsprofilen 5.2.3 von vernetzten Fahrzeugen können Verteilungen für gesammelte Geschwindigkeitsprofile 5.2.3 bezüglich festen Ortspunkten erstellt werden. From the speed profiles 5.2.3 of networked vehicles, distributions for collected speed profiles 5.2.3 with respect to fixed locations can be created.
Die Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 werden auf der Grundlage einer Situationsanalyse 10 unter Verwendung vorbestimmter Kriterien 11 ausgewählt. Mindestens eine dieser Datenquellen aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist notwendig, um eine Geschwindigkeitsprognose für einen längeren Vorausschauhorizont 3 (z.B. mehrere km) durchführen zu können. Diese Datenquellen werden von einem maschinellen Lernalgorithmus als Eingangsdaten verwendet, und daraus kann das Geschwindigkeitsprofil 1 entlang der geplanten Route x prädiziert werden. Als Prädiktionsmodell 4 können verschiedene Verfahren verwendet werden (z.B. Regression, Neuronale Netze, Support-Vector-Maschinen, Long-Short-Term-Memory-Netzwerke (LSTM), The input data from the second input data group 5.2.1, 5.2.2, 5.2.3 are selected on the basis of a situation analysis 10 using predetermined criteria 11. At least one of these data sources from the second input data group 5.2.1, 5.2.2, 5.2.3 is necessary in order to be able to carry out a speed forecast for a longer forecast horizon 3 (e.g. several km). These data sources are used as input data by a machine learning algorithm, from which the speed profile 1 along the planned route x can be predicted. Various methods can be used as prediction model 4 (e.g. regression, neural networks, support vector machines, long-short-term memory networks (LSTM),
Recursive-Convolutional-Neural-Netzwerke (RCNN), etc.). Das Prädiktionsmodell 4 kann auf der Grundlage von vorgegebenen Eingangsdaten 5.1 , 5.2 und vorgegebenen Abgabedaten 6 trainiert werden. Dabei können auch die Eingangsdaten 5.1 , 5.2 innerhalb des parametrierbaren Rückschauhorizonts 9 als Eingang verwendet werden. Recursive Convolutional Neural Networks (RCNN), etc.). The prediction model 4 can be trained on the basis of predefined input data 5.1, 5.2 and predefined output data 6. The input data 5.1, 5.2 within the parameterizable review horizon 9 can also be used as an input.
Die Genauigkeit der Prognose nimmt mit der Anzahl der verwendeten Datenquellen zu, d.h. insbesondere von den Ortsinformationen 5.2.1 einer digitalen Karte über die durchschnittlichen Verkehrsflussdaten 5.2.2 bis hin zu den Geschwindigkeitsprofilen 5.2.3 von vernetzten Fahrzeugen. Dabei können alle Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 oder nur eine Untergruppe der Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 als Eingang verwendet werden. Die Auswahl der Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist dynamisch wählbar, so dass zu jedem Zeitpunkt eine Prognose des Geschwindigkeitsprofils 1 verfügbar ist. Die dynamische Auswahl der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 wird nachfolgend beschrieben. The accuracy of the forecast increases with the number of data sources used, ie in particular from the location information 5.2.1 of a digital map to the average traffic flow data 5.2.2 to the speed profiles 5.2.3 of networked vehicles. Everyone can do this Input data of the second input data group 5.2.1, 5.2.2, 5.2.3 or only a subgroup of the input data of the second input data group 5.2.1, 5.2.2, 5.2.3 can be used as input. The selection of the input data of the second input data group 5.2.1, 5.2.2, 5.2.3 can be selected dynamically, so that a prognosis of the speed profile 1 is available at any point in time. The dynamic selection of the second input data group 5.2.1, 5.2.2, 5.2.3 is described below.
Ziel ist es, zu jedem Zeitpunkt und in jeder Situation die geeigneten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 auszuwählen und somit jederzeit eine zuverlässige Geschwindigkeitsprognose sicherstellen zu können.The aim is to select the appropriate input data of the second input data group 5.2.1, 5.2.2, 5.2.3 at any point in time and in any situation and thus to be able to ensure a reliable speed forecast at any time.
Aus Genauigkeitsgründen ist es ideal, alle drei genannten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 zu verwenden. For reasons of accuracy, it is ideal to use all three input data mentioned in the second input data group 5.2.1, 5.2.2, 5.2.3.
Situationsabhängig ist es sinnvoll, nur eine oder zwei bestimmte Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 zu verwenden. Die Situationsanalyse 10 verwendet zumindest eine der vorbestimmten Kriterien 11 : Depending on the situation, it makes sense to use only one or two specific input data of the second input data group 5.2.1, 5.2.2, 5.2.3. The situation analysis 10 uses at least one of the predetermined criteria 11:
Auf Streckenabschnitten ohne ausreichende mobile Datenverbindung (z.B. LTE) werden Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt, die vorab lokal im Fahrzeug 2 gespeichert wurden oder die mittels Traffic-Message-Channel TMC empfangen werden. Dabei kann es sich um Onboard-Karten handeln. Auf Streckenabschnitten ohne ausreichende mobile Datenverbindung können auch Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt werden, die vorab über ein Backend geladen werden. Insbesondere wenn Funklöcher an diesen Streckenabschnitten voraus bekannt sind, beispielsweise durch Netzabdeckungskarten, die zum Teil durch Crowdsourcing gebildet werden können, ist es möglich, die Informationen vorab über das Backend in das Fahrzeug zu laden. So können prädiktiv Verkehrsinformationen, gesammelte Geschwindigkeitsprofile oder Tiles von digitalen genauen Karten heruntergeladen werden. On route sections without a sufficient mobile data connection (e.g. LTE), input data of the second input data group 5.2.1, 5.2.2, 5.2.3 are selected that were previously stored locally in vehicle 2 or that are received via the TMC traffic message channel. These can be onboard cards. Input data of the second input data group 5.2.1, 5.2.2, 5.2.3 can also be selected on route sections without a sufficient mobile data connection, which are loaded in advance via a backend. In particular, if dead spots on these route sections are known in advance, for example through network coverage maps, which can partly be created by crowdsourcing, it is possible to load the information into the vehicle in advance via the backend. For example, predictive traffic information, collected speed profiles or tiles can be downloaded from precise digital maps.
Auf Streckenabschnitten, für die keine oder veraltete gesammelte Geschwindigkeitsprofile 5.2.3 vorliegen, werden die Ortsinformationen 5.2.1 einer digitalen Karte (offboard oder onboard) und/oder die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x ausgewählt. The location information 5.2.1 of a digital map (offboard or onboard) and / or the average traffic flow data 5.2.2 along the route x are selected on route sections for which no or outdated collected speed profiles 5.2.3 are available.
Bei einem Vorschauhorizont 3 einer bestimmten Mindestlänge, beispielsweise 3 h, werden die Ortsinformationen 5.2.1 einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten 5.2.2 in Gestalt von historischen Traffic-Patterns ausgewählt. Mögliche Anwendungen für relativ weit in der Zukunft liegende Prognosen sind beispielsweise die Routenplanung für Elektrofahrzeuge für zukünftige Fahrten oder das Lademanagement von Elektro- und Hybridfahrzeugen. With a preview horizon 3 of a certain minimum length, for example 3 h, the location information 5.2.1 of a digital map and / or the average traffic flow data 5.2.2 in the form of historical traffic patterns. Possible applications for forecasts that are relatively far in the future are, for example, route planning for electric vehicles for future journeys or the charging management of electric and hybrid vehicles.
Auf Streckenabschnitten, für die keine durchschnittlichen Verkehrsflussdaten 5.2.2 und keine Geschwindigkeitsprofile 5.2.3 vorhanden sind, werden die Ortsinformationen 5.2.1 einer digitalen Karte (offboard oder onboard) ausgewählt. On route sections for which no average traffic flow data 5.2.2 and no speed profiles 5.2.3 are available, the location information 5.2.1 from a digital map (offboard or onboard) is selected.
Auf Landstraßen werden die Ortsinformationen 5.2.1 einer digitalen Karte und die Geschwindigkeitsprofile 5.2.3 (ggf. auch veraltete) ausgewählt. Auf Landstraßen sind in der Regel Verkehrsflussinformationen nicht verfügbar. Außerdem wird die individuelle Geschwindigkeit vor allem durch Kurvenradien, Sichtverhältnisse (z.B. einsehbare Kurven) und das Höhenprofil bestimmt. Der Verkehrsfluss hat daher in der Regel einen geringen Einfluss und ist auch bei Verfügbarkeit oft nicht genau genug (z.B. Reduktion der Geschwindigkeit vor Kurven, oder unübersichtlichen Stellen), so dass es besser ist, gesammelte Geschwindigkeitsprofile 5.2.3 zu verwenden. Da der Verkehrseinfluss gering ist, dürfen die gesammelten Geschwindigkeitsprofile 5.2.3 auch veraltet sein. On country roads, the location information 5.2.1 of a digital map and the speed profiles 5.2.3 (possibly also outdated) are selected. Traffic flow information is usually not available on rural roads. In addition, the individual speed is mainly determined by curve radii, visibility (e.g. visible curves) and the elevation profile. The traffic flow therefore usually has little influence and is often not precise enough, even if it is available (e.g. reducing the speed in front of bends or blind spots), so that it is better to use collected speed profiles 5.2.3. Since the traffic influence is low, the collected speed profiles 5.2.3 may also be out of date.
Auf Autobahnen werden die durchschnittliche Verkehrsflussdaten 5.2.2 ausgewählt, vorzugsweise in Kombination mit den individuellen Fahrverhaltensdaten 5.1.3 aus der ersten Eingangsdatengruppe. Auf Autobahnen kann die Prognose vor allem auf die durchschnittliche Verkehrsflussdaten 5.2.2 unter Berücksichtigung der individuellen Fahrverhaltensdaten 5.1.3 berechnet werden, da auf Autobahnen der Verkehrsfluss aktuell ist. The average traffic flow data 5.2.2 are selected on motorways, preferably in combination with the individual driving behavior data 5.1.3 from the first input data group. On motorways, the prognosis can primarily be calculated based on the average traffic flow data 5.2.2, taking into account the individual driving behavior data 5.1.3, since the traffic flow is current on motorways.
Falls während der Fahrt festgestellt wird, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ungenau im Vergleich zu anderen Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ist, werden ausschließlich die anderen Eingangsdaten der zweiten Eingangsdatengruppe 5.2.1, 5.2.2, 5.2.3 ausgewählt. If it is determined during the journey that the prediction based on certain input data of the second input data group 5.2.1, 5.2.2, 5.2.3 is imprecise compared to other input data of the second input data group 5.2.1, 5.2.2, 5.2.3 , only the other input data of the second input data group 5.2.1, 5.2.2, 5.2.3 are selected.
Falls die Verwendung der Geschwindigkeitsprofile 5.2.3 durch Datenschutzrichtlinien eingeschränkt wird oder eigene Datenschutzpräferenzen herabsetzt, werden die Ortsinformationen 5.2.1 einer digitalen Karte und die durchschnittlichen Verkehrsflussdaten 5.2.2 entlang der Fahrtroute x ausgewählt. Falls eine Servicegebühr für bestimmte Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 einen Schwellwert überschreiten, werden andere Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ausgewählt. If the use of the speed profiles 5.2.3 is restricted by data protection guidelines or if one's own data protection preferences are lowered, the location information 5.2.1 of a digital map and the average traffic flow data 5.2.2 along the route x are selected. If a service fee for certain input data from the second input data group 5.2.1, 5.2.2, 5.2.3 exceeds a threshold value, other input data are selected from the second input data group 5.2.1, 5.2.2, 5.2.3.
Durch die ausgewählten Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 ist sichergestellt, dass in jeder Situation eine Geschwindigkeitsprognose möglich ist und damit die Geschwindigkeitsprognose als zuverlässige Eingangsgröße für verschiedene Anwendungen verwendet werden kann. The selected input data from the second input data group 5.2.1, 5.2.2, 5.2.3 ensures that a speed prediction is possible in every situation and thus the speed prediction can be used as a reliable input variable for various applications.
Die Eingangsdaten aus der zweiten Eingangsdatengruppe 5.2.1 , 5.2.2, 5.2.3 und das entsprechende Prädiktionsmodell 4 können dynamisch abhängig von Datenverfügbarkeit, Genauigkeit, Straßenklasse, Nutzerpräferenzen, Anwendungszweck und Prädiktionshorizont 3 ausgewählt werden. The input data from the second input data group 5.2.1, 5.2.2, 5.2.3 and the corresponding prediction model 4 can be selected dynamically as a function of data availability, accuracy, road class, user preferences, application purpose and prediction horizon 3.
Die vorliegende Erfindung kann auch zum Umsetzen von Betriebsstrategien für HEV, EV oder konventionelle Fahrzeuge, zur Ansteuerung von Abgasnachbehandlungssystemen, zur Erhöhung der Genauigkeit von Navigationsalgorithmen und für Routenanwendungen für EVs verwendet werden. The present invention can also be used to implement operating strategies for HEV, EV or conventional vehicles, to control exhaust gas aftertreatment systems, to increase the accuracy of navigation algorithms and for route applications for EVs.
Sie kann auch zur Prädiktion von Betriebszuständen in Abhängigkeit der Geschwindigkeitsprognose verwendet werden, um z.B. das Derating-Verhalten eines Elektroantriebs positiv zu beeinflussen. Schließlich können Informationen in digitalen Karten hinterlegt werden. It can also be used to predict operating states as a function of the speed forecast, for example to positively influence the derating behavior of an electric drive. Finally, information can be stored in digital maps.
Bezugszeichenliste List of reference symbols
1 Geschwindigkeitsprofil 1 speed profile
2 Fahrzeug 2 vehicle
3 Vorschauhorizont 3 Outlook horizon
4 Prädiktionsmodell 4 prediction model
5.1 Eingangsdaten 5.1 Input data
5.1.1 Geokoordinaten 5.1.1 Geographic coordinates
5.1.2 Fahrzeugdaten 5.1.2 Vehicle data
5.1.3 individuelle Fahrverhaltensdaten 5.1.3 individual driving behavior data
5.2 Eingangsdaten 5.2 Input data
5.2.1 Ortsinformationen einer digitalen Karte 5.2.1 Location information on a digital map
5.2.2 durchschnittliche Verkehrsflussdaten 5.2.2 average traffic flow data
5.2.3 Geschwindigkeitsprofile von vernetzten Fahrzeugen5.2.3 Speed profiles of networked vehicles
6 Abgabedaten 6 delivery dates
8 vergangener Geschwindigkeitsverlauf 8 past speed history
9 Rückschauhorizont 9 Review horizon
10 Situationsanalyse 10 Situation analysis
11 vorbestimmte Kriterien 11 predetermined criteria

Claims

Patentansprüche Claims
1. Verfahren zur Prädiktion eines Geschwindigkeitsprofils (1 ) eines Fahrzeugs (2), das einen zukünftigen Geschwindigkeitsverlauf entlang einer vorbestimmten Fahrtroute (x) bis zu einem bestimmten Vorschauhorizont (3) darstellt, wobei das Verfahren die folgenden Schritte aufweist: 1. A method for predicting a speed profile (1) of a vehicle (2) which represents a future speed profile along a predetermined route (x) up to a specific forecast horizon (3), the method comprising the following steps:
Generieren eines Prädiktionsmodells (4); Generating a prediction model (4);
Eingeben von Eingangsdaten (5.1, 5.2) in das Prädiktionsmodell (4); Inputting input data (5.1, 5.2) into the prediction model (4);
Berechnen von Abgabedaten (6) aus den Eingangsdaten (5.1 , 5.2) auf der Grundlage zumindest eines in dem Prädiktionsmodell (4) enthaltenen Algorithmus', wobei die Abgabedaten (6) das Geschwindigkeitsprofil (1) des Fahrzeugs (2) prädizieren; Calculating output data (6) from the input data (5.1, 5.2) on the basis of at least one algorithm contained in the prediction model (4), the output data (6) predicting the speed profile (1) of the vehicle (2);
Abgeben der Abgabedaten (6) von dem Prädiktionsmodell (4); wobei die Eingangsdaten (5.1, 5.2) eine erste Eingangsdatengruppe (5.1.1, 5.1.2, 5.1.3), in der zumindest Geokoordinaten (5.1.1) der Fahrtroute (x) enthalten sind, und eine zweite Eingangsdatengruppe (5.2.1, 5.2.2, 5.2.3) aufweisen, in der verschiedene Eingangsdaten enthalten sind, nämlich zumindest Ortsinformationen (5.2.1) einer digitalen Karte; durchschnittliche Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x); und/oder Geschwindigkeitsprofile (5.2.3) von vernetzten Fahrzeugen; wobei eine Auswahl der Eingangsdaten aus der zweiten Eingangsdatengruppe (5.2.1, 5.2.2, 5.2.3) auf der Grundlage einer Situationsanalyse (6) unter Verwendung vorbestimmter Kriterien (11) durchgeführt wird. Outputting the output data (6) from the prediction model (4); the input data (5.1, 5.2) a first input data group (5.1.1, 5.1.2, 5.1.3) containing at least geographic coordinates (5.1.1) of the route (x), and a second input data group (5.2.1 , 5.2.2, 5.2.3), which contain various input data, namely at least location information (5.2.1) of a digital map; average traffic flow data (5.2.2) along the route (x); and / or speed profiles (5.2.3) of networked vehicles; wherein a selection of the input data from the second input data group (5.2.1, 5.2.2, 5.2.3) is carried out on the basis of a situation analysis (6) using predetermined criteria (11).
2. Verfahren gemäß dem vorherigen Anspruch, wobei die Ortsinformationen (5.2.1) einer digitalen Karte mindestens ein Element aus einer Gruppe aufweisen, die Geokoordinaten des Fahrzeugs (2); Kartenattribute entlang der Fahrtroute (x) wie zum Beispiel Geschwindigkeitsbeschränkungen, Ampeln, Ampelphasen, Vorfahrtsregelungen, Verkehrsschilder, Kurvenradien und/oder Steigungen enthält; und/oder die durchschnittlichen Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x) einen aktuellen Verkehrsfluss oder historische Traffic-Patterns darstellen. 2. The method according to the preceding claim, wherein the location information (5.2.1) of a digital map has at least one element from a group, the geographic coordinates of the vehicle (2); Contains map attributes along the route (x) such as speed restrictions, traffic lights, traffic light phases, right of way, traffic signs, curve radii and / or gradients; and / or the average traffic flow data (5.2.2) along the route (x) represent a current traffic flow or historical traffic patterns.
3. Verfahren gemäß einem der vorherigen Ansprüche, wobei die erste Eingangsdatengruppe (5.1.1, 5.1.2, 5.1.3) zusätzlich3. The method according to any one of the preceding claims, wherein the first input data group (5.1.1, 5.1.2, 5.1.3) additionally
Fahrzeugdaten (5.1.2) enthält, die mindestens ein Element aus einer Gruppe aufweisen, die einen Geschwindigkeitswert des Fahrzeugs (2); eine gegenwärtige Uhrzeit; Traffic-Message-Channel-, TMC-, Daten; durch das Fahrzeug (2) erfasste Temperatur-, Feuchte-, Regen-, Schnee- und/oder Glättedaten; durch eine Fahrzeugkamera erfasste Bild- oder Videodaten; und durch einen Flelligkeitssensor des Fahrzeugs (2) erfasste Helligkeitsdaten enthält; und/oder die erste Eingangsdatengruppe (5.1.1 , 5.1.2, 5.1.3) zusätzlich individuelle Fahrverhaltensdaten (5.1.3) enthält, die auf der Grundlage von vergangenen Fahrten generiert wurden, insbesondere ein Fahrerverhalten im Vergleich zum Verkehrsfluss, zu Geschwindigkeitsquantilen oder zu Kartenattributen wie beispielsweise Geschwindigkeitslimits. Contains vehicle data (5.1.2) which have at least one element from a group which contains a speed value of the vehicle (2); a present one Time of day; Traffic Message Channel, TMC, Data; temperature, humidity, rain, snow and / or ice data recorded by the vehicle (2); image or video data captured by a vehicle camera; and contains brightness data detected by a flow sensor of the vehicle (2); and / or the first input data group (5.1.1, 5.1.2, 5.1.3) additionally contains individual driving behavior data (5.1.3) generated on the basis of previous trips, in particular driver behavior compared to traffic flow, speed quantiles or on card attributes such as speed limits.
4. Verfahren gemäß einem der vorherigen Ansprüche, wobei bei der Situationsanalyse (6) unter Verwendung der vorbestimmten Kriterien (11 ) 4. The method according to any one of the preceding claims, wherein in the situation analysis (6) using the predetermined criteria (11)
- eine Verfügbarkeit der verschiedenen Eingangsdaten (5.2.1 , 5.2.2, 5.2.3) aus der zweiten Eingangsdatengruppe, und/oder - availability of the various input data (5.2.1, 5.2.2, 5.2.3) from the second input data group, and / or
- Datenschutzvorgaben und/oder - Data protection requirements and / or
- durch die Verwendung der verschiedenen Eingangsdaten (5.2.1 , 5.2.2, 5.2.3) aus der zweiten Eingangsdatengruppe anfallende Kosten, und/oder - Costs incurred through the use of the various input data (5.2.1, 5.2.2, 5.2.3) from the second input data group, and / or
- die jeweilige Straßenklasse auf der Fahrtroute (x), und/oder - the respective road class on the route (x), and / or
- ein Einfluss der verschiedenen Eingangsdaten (5.2.1 , 5.2.2, 5.2.3) aus der zweiten Eingangsdatengruppe auf die Qualität der Prädiktion berücksichtigt werden. - an influence of the various input data (5.2.1, 5.2.2, 5.2.3) from the second input data group on the quality of the prediction are taken into account.
5. Verfahren gemäß einem der vorherigen Ansprüche, wobei die Situationsanalyse (6) zumindest eine der vorbestimmten Kriterien (11 ) verwendet: auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ausgewählt, die vorab lokal im Fahrzeug (2) gespeichert wurden oder die mittels Traffic-Message-Channel (TMC) empfangen werden; auf Streckenabschnitten ohne ausreichende mobile Datenverbindung werden Eingangsdaten der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ausgewählt, die vorab über ein Backend geladen werden; auf Streckenabschnitten, für die keine oder veraltete gesammelte Geschwindigkeitsprofile (5.2.3) vorliegen, werden die Ortsinformationen (5.2.1 ) einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x) ausgewählt; bei einem Vorschauhorizont (3) einer bestimmten Mindestlänge werden die Ortsinformationen (5.2.1 ) einer digitalen Karte und/oder die durchschnittlichen Verkehrsflussdaten (5.2.2) in Gestalt von historischen Traffic-Patterns ausgewählt; auf Streckenabschnitten, für die keine durchschnittlichen Verkehrsflussdaten (5.2.2) und keine Geschwindigkeitsprofile (5.2.3) vorhanden sind, werden die Ortsinformationen (5.2.1 ) einer digitalen Karte ausgewählt; auf Landstraßen werden die Ortsinformationen (5.2.1 ) einer digitalen Karte und die Geschwindigkeitsprofile (5.2.3) ausgewählt; auf Autobahnen werden die durchschnittliche Verkehrsflussdaten (5.2.2) ausgewählt, vorzugsweise in Kombination mit den individuellen Fahrverhaltensdaten (5.1.3) gemäß Anspruch 3; falls während der Fahrt festgestellt wird, dass die Prädiktion auf Grundlage von bestimmten Eingangsdaten der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ungenau im Vergleich zu anderen Eingangsdaten der zweiten Eingangsdatengruppe ist, werden ausschließlich die anderen Eingangsdaten der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ausgewählt; falls die Verwendung der Geschwindigkeitsprofile (5.2.3) durch Datenschutzrichtlinien eingeschränkt wird oder eigene Datenschutzpräferenzen herabsetzt, werden die Ortsinformationen (5.2.1 ) einer digitalen Karte und die durchschnittlichen Verkehrsflussdaten (5.2.2) entlang der Fahrtroute (x) ausgewählt; falls eine Servicegebühr für bestimmte Eingangsdaten aus der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) einen Schwellwert überschreiten, werden andere Eingangsdaten aus der zweiten Eingangsdatengruppe (5.2.1 , 5.2.2, 5.2.3) ausgewählt. 5. The method according to any one of the preceding claims, wherein the situation analysis (6) uses at least one of the predetermined criteria (11): input data of the second input data group (5.2.1, 5.2.2, 5.2.3) are selected on route sections without sufficient mobile data connection that were previously stored locally in the vehicle (2) or that are received by means of the traffic message channel (TMC); on route sections without a sufficient mobile data connection, input data of the second input data group (5.2.1, 5.2.2, 5.2.3) are selected, which are loaded in advance via a backend; the location information (5.2.1) of a digital map and / or the average traffic flow data (5.2.2) along the route (x) are selected on route sections for which no or outdated collected speed profiles (5.2.3) are available; with a preview horizon (3) of a certain minimum length, the location information (5.2.1) of a digital map and / or the average traffic flow data (5.2.2) are selected in the form of historical traffic patterns; on route sections for which no average traffic flow data (5.2.2) and no speed profiles (5.2.3) are available, the location information (5.2.1) from a digital map is selected; on country roads the location information (5.2.1) of a digital map and the speed profiles (5.2.3) are selected; the average traffic flow data (5.2.2) are selected on motorways, preferably in combination with the individual driving behavior data (5.1.3) according to claim 3; If it is determined during the journey that the prediction based on certain input data of the second input data group (5.2.1, 5.2.2, 5.2.3) is imprecise compared to other input data of the second input data group, only the other input data of the second input data group are used (5.2.1, 5.2.2, 5.2.3) selected; if the use of the speed profiles (5.2.3) is restricted by data protection guidelines or your own data protection preferences are lowered, the location information (5.2.1) of a digital map and the average traffic flow data (5.2.2) along the route (x) are selected; if a service fee for certain input data from the second input data group (5.2.1, 5.2.2, 5.2.3) exceeds a threshold value, other input data are selected from the second input data group (5.2.1, 5.2.2, 5.2.3).
6. Verfahren gemäß einem der vorherigen Ansprüche, wobei aus den Geschwindigkeitsprofilen (5.2.3) von vernetzten Fahrzeugen (2) Verteilungen für gesammelte Geschwindigkeitsprofile (5.2.3) bezüglich festen Ortspunkten entlang der Fahrtroute (x) erstellt werden. 6. The method according to any one of the preceding claims, wherein from the speed profiles (5.2.3) of networked vehicles (2) distributions for collected speed profiles (5.2.3) with respect to fixed points along the route (x) are created.
7. Verfahren gemäß einem der vorherigen Ansprüche, wobei die erste Eingangsdatengruppe (5.1.1 , 5.1.2, 5.1.3) Geschwindigkeitsprofile zum aktuellen Zeitpunkt oder entlang eines Rückschauhorizonts (9) enthält. 7. The method according to any one of the preceding claims, wherein the first input data group (5.1.1, 5.1.2, 5.1.3) contains speed profiles at the current point in time or along a retrospective horizon (9).
8. Steuergerät, das dazu konfiguriert ist, das Verfahren gemäß einem der vorherigen Ansprüche durchzuführen. 8. Control device which is configured to carry out the method according to one of the preceding claims.
EP20796700.1A 2019-10-08 2020-10-06 Method for predicting a velocity profile of a vehicle Pending EP4042107A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019215376.3A DE102019215376A1 (en) 2019-10-08 2019-10-08 Method for predicting a speed profile of a vehicle
PCT/EP2020/077962 WO2021069418A1 (en) 2019-10-08 2020-10-06 Method for predicting a velocity profile of a vehicle

Publications (1)

Publication Number Publication Date
EP4042107A1 true EP4042107A1 (en) 2022-08-17

Family

ID=73013363

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20796700.1A Pending EP4042107A1 (en) 2019-10-08 2020-10-06 Method for predicting a velocity profile of a vehicle

Country Status (5)

Country Link
US (1) US20240053161A1 (en)
EP (1) EP4042107A1 (en)
CN (1) CN114514413A (en)
DE (1) DE102019215376A1 (en)
WO (1) WO2021069418A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022206914A1 (en) 2022-07-06 2024-01-11 Robert Bosch Gesellschaft mit beschränkter Haftung Method for determining a suitable cornering speed of vehicles, device for carrying out the same and its use

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7221287B2 (en) * 2002-03-05 2007-05-22 Triangle Software Llc Three-dimensional traffic report
DE102004055275A1 (en) * 2004-11-17 2006-05-18 Robert Bosch Gmbh Method and system for optimizing the radio transmission of data between a vehicle and an external remote station
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US20120245756A1 (en) * 2011-03-23 2012-09-27 Tk Holdings Inc. Driver assistance system
CN102509470B (en) * 2011-10-14 2013-10-16 北京掌城科技有限公司 System and method for realizing energy conservation and emission reduction of vehicle based on dynamic path planning
CN103632540B (en) * 2012-08-20 2015-11-25 同济大学 Based on the major urban arterial highway traffic circulation information processing method of floating car data
US9286793B2 (en) * 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
US9081651B2 (en) * 2013-03-13 2015-07-14 Ford Global Technologies, Llc Route navigation with optimal speed profile
US10380509B2 (en) * 2016-02-03 2019-08-13 Operr Technologies, Inc. Method and system for providing an individualized ETA in the transportation industry
DE102017209667A1 (en) * 2016-12-12 2018-06-14 Continental Automotive Gmbh Storage of velocity information for the prediction of the future velocity trajectory
AT520320B1 (en) * 2017-09-26 2019-03-15 Avl List Gmbh Method and device for generating a dynamic speed profile of a motor vehicle
DE102017220420B3 (en) * 2017-11-16 2019-04-18 Continental Automotive Gmbh Method for generating a traffic information collection, traffic information collection, collection device with a traffic information collection and driver assistance device

Also Published As

Publication number Publication date
WO2021069418A1 (en) 2021-04-15
DE102019215376A1 (en) 2021-04-08
US20240053161A1 (en) 2024-02-15
CN114514413A (en) 2022-05-17

Similar Documents

Publication Publication Date Title
DE102019104845A1 (en) PROACTIVE VEHICLE PLANNING BASED ON DIGITAL TWINS SIMULATIONS
DE102015113648A1 (en) ROUTE AND MODEL-BASED ENERGY ESTIMATE
DE102015113699A1 (en) Route-based energy consumption estimation using physical models
DE102017211689A1 (en) Method for route planning and route optimization for an electrically driven vehicle
DE102017209667A1 (en) Storage of velocity information for the prediction of the future velocity trajectory
DE102012212740A1 (en) System and method for updating a digital map of a driver assistance system
EP2989422B1 (en) Method and device to select a route to be travelled by a vehicle
DE102015207601A1 (en) DETECTION OF UNAUTHORIZED VEHICLES
DE102014205246B4 (en) Method for controlling a hybrid drive of a vehicle
DE102020119861A1 (en) Method and assistance device for the iteratively optimized operation of a motor vehicle and motor vehicle
DE102013009945A1 (en) Method of controlling drive train of e.g. hybrid vehicle using digital map of e.g. road, involves controlling drive train of vehicle, based on statistical evaluation of dynamic data and topography data
DE102012023575B3 (en) Method for driver-specific adaptation of synthetically modulated velocity profile along traveled route of vehicle, involves adjusting average velocity or acceleration of vehicle included in maneuver class matrix for maneuver class
DE112017002942T5 (en) Method and system for evaluating the operating performance of driver assistance systems associated with a vehicle
WO2021069418A1 (en) Method for predicting a velocity profile of a vehicle
EP3374242B1 (en) Method and device for analysing a driving manner of a driver of a vehicle
DE102012210454A1 (en) Method for providing data for electronic horizon for e.g. navigation apparatus of motor car, involves merging parameters from group of vehicles to data packet for electronic horizon when group of vehicles, comprises two other vehicles
DE102023122897A1 (en) Method for predicting the power requirements of auxiliary units of a vehicle
DE102016216538A1 (en) Method for operating a control device of a motor vehicle, control device and motor vehicle
EP3956636B1 (en) Method and device for calculating the energy consumption of a motor vehicle on a travel route
DE102012219695A1 (en) Method for obtaining route-referred data of motor vehicle, involves providing data set in navigation database, where resource information provided in notification is checked with resource information provided in vehicle information
DE102020107916A1 (en) Method for determining a route for a motor vehicle and system for carrying out the method
EP3084352B1 (en) System for performing individualised route guidance taking into account external factors
DE102018002265A1 (en) Method for calculating an optimized route for a vehicle
DE102019215587A1 (en) Method for calculating relative positive or negative accelerations using crowdsourcing
DE102018215017A1 (en) Method for determining an operating strategy for a vehicle, system, control device for a vehicle and a vehicle

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: 20220509

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20230530

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: 20240207