EP4058927A1 - Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien - Google Patents

Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien

Info

Publication number
EP4058927A1
EP4058927A1 EP20803542.8A EP20803542A EP4058927A1 EP 4058927 A1 EP4058927 A1 EP 4058927A1 EP 20803542 A EP20803542 A EP 20803542A EP 4058927 A1 EP4058927 A1 EP 4058927A1
Authority
EP
European Patent Office
Prior art keywords
traffic scenarios
computer
implemented method
traffic
scenarios
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
EP20803542.8A
Other languages
English (en)
French (fr)
Inventor
Johannes DAUBE
Jochen Köhler
Mladjan RADIC
Amir OMERADZIC
Oliver SCHAUDT
Julian KING
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.)
ZF Friedrichshafen AG
Original Assignee
ZF Friedrichshafen AG
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 ZF Friedrichshafen AG filed Critical ZF Friedrichshafen AG
Publication of EP4058927A1 publication Critical patent/EP4058927A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Definitions

  • the invention relates to a method for estimating a coverage of the area of traffic scenarios and a computer program.
  • An autonomous vehicle is one that is able to sense its surroundings and navigate with little or no user input.
  • An autonomous vehicle detects its surroundings using sensor devices such as radar, lidar, image sensors and the like.
  • the drivers are supported by at least one modern assistance system, such as cruise control with distance control or a lane departure warning system.
  • at least one modern assistance system such as cruise control with distance control or a lane departure warning system.
  • Level 2 semi-automated driving, combines two or more assistance systems, such as the traffic jam assistant, which keep a distance and keep lane in stop-and-go traffic.
  • the vehicle drives completely independently in some traffic situations, so it can brake, steer, accelerate and change lanes itself. This also works over longer distances or periods of time. However, the route is precisely specified.
  • highly automated driving which is sometimes also referred to as fully automated driving
  • drivers can hand over driving to the control system for a longer period of time.
  • highly automated driving can only be limited to certain geographical areas and / or only to a small speed range and / or only work under certain weather conditions.
  • level 5 autonomous driving, the vehicle takes over all driving functions. In contrast to level 3 and level 4, there is neither one in autonomous driving In order to be able to drive, a driver's license is required - steering wheel and pedals are therefore also dispensable.
  • level 4 and level 5 Compared to level 2, the partially automated driving, the test effort for level 4 and level 5 is multiplied and the validation task becomes much more complex. Levels 4 and 5 in particular require an enormous amount of development effort, as an unprecedented amount of traffic and test scenarios must be taken into account in order to bring the systems to market maturity.
  • the object of the invention is to specify means with which it is possible to estimate how many of the traffic scenarios collected have already been recorded in relation to the totality of all traffic scenarios.
  • the object is achieved by a computer-implemented method for estimating the coverage of the area by traffic scenarios comprising the following steps:
  • the area of traffic scenarios is understood to mean the entirety of all traffic scenarios that occur in traffic.
  • a traffic scenario is understood as a restricted section of the entire traffic situation.
  • Unknown traffic scenarios are traffic scenarios that have not yet been recorded.
  • This classification and / or clustering allows, on the basis of a statistical method applied to it, the estimation of the scenario area coverage and the estimation of the occurrence of future, unknown traffic scenarios.
  • key figures are defined in advance.
  • the various traffic scenarios are preferably generated by means of simulation.
  • a virtual simulation tool can generate a large number of traffic scenarios, road and environmental conditions from, for example, virtual sensors. Then, for example, simulated disruptions in these traffic scenarios can be used to generate new traffic scenarios. These traffic scenarios are varied by a disruptive factor (e.g. weather change) in order to create new and additional traffic scenarios.
  • a disruptive factor e.g. weather change
  • the various traffic scenarios are preferably generated from sensor data that are recorded by a stationary and / or mobile traffic recording system.
  • a mobile traffic detection system can, for example, be the detection system of a test vehicle. Several test vehicles can also be used for this purpose. Alternatively, cell phone cameras etc. can be used. For example, a traffic camera and / or traffic monitoring device can be used as the stationary traffic detection system. These represent a comprehensive and at the same time inexpensive data source.
  • the various traffic scenarios are alternatively or additionally preferably generated from purely recording data sources, such as drone data, for example.
  • Other sources can be database systems in which vehicles that are actually moving, for example, provide routes traveled for a fee as traffic scenarios.
  • a clustering method is used as the classifier. This can speed up the process.
  • a self-learning system from artificial intelligence is preferably used as the classifier.
  • the classifier can in particular be implemented as a neural network, in particular as a deep neural network. These can process large amounts of data.
  • the classification is preferably carried out by means of a trained classifier, the classifier being trained on the basis of distinguishing features.
  • Possible distinguishing features include, for example, physical quantities, such as position, orientation, speed, acceleration and time, which describe the movement of traffic objects relative to one another.
  • An extrapolation method is preferably used as the statistical method.
  • An extrapolation method makes a statement about the area that has not been recorded, taking into account the area that has already been recorded, in this case the traffic scenarios. This method is therefore particularly suitable for predicting the future occurrence of unknown traffic scenarios on the basis of the classification / clustering.
  • kernel density estimator can also be used as a statistical method. Kernel density estimators are methods that enable a continuous estimation of the unknown distribution. This kernel density estimator is known to approximate not only a uniform distribution, but also arbitrary distributions and is therefore particularly suitable for predicting the future occurrence of unknown traffic scenarios.
  • a Good-Toulmin estimator or an Efron-Thisted estimator or variants thereof can be used as statistical method.
  • These estimators are represented in ecology and deal with the estimation of the number of species that are represented in an ecosystem and which have not previously been observed in samples taken. In particular, they relate to how many new species would be discovered if more samples were taken from an ecosystem. Thus these estimators can be used by skillful transfer to predict the future occurrence of unknown traffic scenarios forecast.
  • the Good-Toulmin estimator or the Efron-Thisted estimator or variants thereof are particularly scalable and therefore suitable for large amounts of data. Furthermore, these can be calculated quickly.
  • the Good-Toulmin-Estimator or the Efron-Thisted-Estimator or variants thereof thus represent sensible and feasible estimators which deliver very good results under the framework conditions mentioned here.
  • the key figures include a number of the unknown traffic scenarios and / or a statistical distribution of the unknown traffic scenarios. These key figures are particularly suitable for estimating the scenario space coverage.
  • the specified key figures provide information about the extent to which the previously recorded scenario area covers the area of all traffic scenarios. For example, the number of unknown traffic scenarios estimated by the classification / clustering and the statistical distribution of these unknown traffic scenarios come into consideration as key figures.
  • the key figures include, for example, a criticality of the unknown traffic scenarios.
  • the criticality describes the danger of a traffic situation (critical traffic situation) in which an intervention of a driver assistance system or a driver is necessary.
  • the key figures can be included in the assessment in a weighted manner. For example, one high criticality can outweigh several less critical, unknown traffic scenarios.
  • New critical traffic scenarios are preferably simulated on the basis of the criticality of the unknown traffic scenarios.
  • new critical traffic scenarios are preferably simulated on the basis of the recognized, unknown traffic scenarios. This can be done, for example, by varying the critical or unknown traffic scenarios found. One or more parameters of the identified critical traffic scenarios can be changed. As a result, the already existing number of traffic scenarios can be specifically condensed with new simulated critical traffic scenarios. Using the recognized, unknown traffic scenarios, the traffic scenarios that are already available can also be compressed in a targeted manner.
  • the traffic scenarios preferably relate to selected routes or a selected area. The method can thus be terminated more quickly. These traffic scenarios can be used, for example, to validate level 4 or level 5 driving functions.
  • a device for data processing comprising a processor which is configured to carry out the method as described above.
  • FIG. 1 shows a first embodiment of a method according to the invention.
  • FIG 2 a second embodiment of the method according to the invention
  • FIG. 3 shows a third embodiment of the method according to the invention.
  • traffic scenarios are provided in a first step S1. These can be generated, for example, by recording real traffic scenarios using measuring systems in test vehicles or by simulating them. During the simulation, for example, real traffic scenarios can be modified in order to generate new traffic scenarios.
  • the traffic scenarios relate to all routes, i.e. the scenario space corresponds to the entirety of all traffic scenarios in traffic. Alternatively or additionally, cell phone cameras, drones, etc. can be used to generate real traffic scenarios. Also one Generation of real traffic scenarios by stationary and / or traffic detection systems such as a traffic camera and / or traffic monitoring device is alternatively or additionally possible. These represent a comprehensive and at the same time inexpensive data source.
  • Other sources can be database systems in which vehicles that are actually moving, for example, provide routes traveled for a fee as traffic scenarios.
  • these traffic scenarios are clustered and divided into known or unknown traffic scenarios.
  • the clustering can take place by means of a clustering process.
  • the provided traffic scenarios can be divided into known or unknown traffic scenarios.
  • a statistical method is applied to the clustered traffic scenarios in order to estimate predetermined key figures which describe the approximate coverage of the scenario space.
  • the specified key figures provide information about the extent to which the previously recorded scenario area covers the area of all traffic scenarios.
  • the number of unknown traffic scenarios estimated by the clustering and the statistical distribution of the unknown traffic scenarios determined in this way and the criticality of the unknown traffic scenarios determined in this way come into consideration as key figures.
  • the criticality describes the dangerousness of a traffic situation (critical traffic situation) in which an intervention of a driver assistance system or a driver is necessary.
  • An example of a critical traffic situation is when there is a risk of collision between the vehicle and another vehicle / obstacle or when a minimum distance between the vehicle and another vehicle / obstacle is not reached. Other critical traffic situations are also conceivable.
  • the key figures are estimated and, based on the estimate, the method is terminated or the method is continued. If, for example, the scenario space coverage is still insufficient, further traffic scenarios must be generated. However, if, for example, unknown traffic scenarios "sufficiently" rarely occur, this means a sufficiently large coverage of the scenario space and the method can be aborted. A sufficiently large coverage can be specified individually, for example by the manufacturer.
  • a fifth step S5 the method is aborted on the basis of the estimate. In this case, sufficient coverage of the scenario space has been achieved and the procedure can be terminated.
  • a sixth step S6 the scenario area coverage is still insufficient and new traffic scenarios must be generated on the basis of the critical and / or unknown traffic scenarios found.
  • a critical previously unknown traffic scene can be a maneuver with several vehicles in the roundabout, with the test vehicle generating the sensor data managing the roundabout at a speed of 20 km / h.
  • simulation can be used to generate traffic scenarios in which the test vehicle negotiates the roundabout at a speed of 50 km / h.
  • the parameter environmental conditions such as rain, snow or fog, can be changed.
  • the procedure is continued with newly generated traffic scenarios.
  • the method can be used to estimate a statistical forecast of the future occurrence of "unknown" traffic scenarios. If the scenario space is sufficiently covered, a virtual test of the traffic scenarios present in the scenario space can be carried out using a virtual test vehicle.
  • FIG. 2 shows a second embodiment of the method according to the invention.
  • a first step A1 several traffic scenarios are again made available.
  • the traffic scenarios relate to all routes, i.e. the scenario space corresponds to the entirety of all traffic scenarios in traffic.
  • these traffic scenarios are classified with a trained classifier and divided into known or unknown traffic scenarios.
  • the classifier is a classifier trained on distinguishing features. Possible distinguishing features include physical quantities (position, orientation, speed, acceleration and time) that describe the movement of traffic objects in relation to one another.
  • a statistical method is applied to the classified traffic scenarios in order to estimate the specified key figures with regard to the scenario area coverage.
  • the specified key figures provide information about the extent to which the previously recorded scenario area covers the area of all traffic scenarios.
  • the extrapolation method can be used as a statistical method.
  • a kernel density estimator can be used. It is also possible to use a Good-Toulmin estimator or an Efron -Thisted estimator or variants thereof as the statistical method.
  • a fourth step A4 the key figures are again estimated and the method is terminated or the method is continued on the basis of the estimation.
  • a sufficient scenario coverage is recognized on the basis of the estimate and the method is then terminated.
  • the scenario area coverage is still insufficient and new traffic scenarios must be generated on the basis of the critical and / or unknown traffic scenarios found. The procedure is continued with newly generated traffic scenarios.
  • FIG. 3 shows a third embodiment of the invention.
  • a first step B1 several traffic scenarios are again made available.
  • the traffic scenarios preferably relate to selected routes or to a specific pre-selected area.
  • these traffic scenarios are first clustered, for example using a density-based clustering method.
  • the clusters are then classified with a trained classifier and divided into known or unknown traffic scenarios.
  • the classifier is a classifier trained on distinguishing features. Possible distinguishing features include physical quantities (position, orientation, speed, acceleration and time) that describe the movement of traffic objects in relation to one another.
  • a statistical method for example an extrapolation method, is applied to the classified traffic scenarios in order to estimate predetermined key figures which describe the coverage of the scenario space.
  • a fourth step B4 the key figures are again evaluated.
  • a fifth step B5 an adequate scenario area coverage is recognized on the basis of the estimate and the method is then terminated.
  • new traffic scenarios are generated on the basis of the critical and / or unknown traffic scenarios that have been found. This can be done, for example, by varying the critical and / or unknown traffic scenarios found. One or more parameters of the identified critical traffic scenarios can be changed. The procedure is continued with newly generated traffic scenarios.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Abschätzung einer Abdeckung des Raums von Verkehrsszenarien, gekennzeichnet durch die Schritte: − Bereitstellen verschiedener Verkehrsszenarien, − Klassifizieren und/oder Clustern der Verkehrsszenarien in bekannte oder unbekannte Verkehrsszenarien, − Anwenden eines statistischen Verfahrens auf die klassifizierten und/oder geclusterten Verkehrsszenarien zur Abschätzung vorgegebener Kennzahlen, welche die Abdeckung des Raums der Verkehrsszenarien beschreiben, − Erzeugen von weiteren verschiedenen Verkehrsszenarien oder Abbruch des Verfahrens in Abhängigkeit von den Kennzahlen. Ferner betrifft die Erfindung eine Vorrichtung zur Datenverarbeitung.

Description

Verfahren zur Abschätzung einer Abdeckung des Raums von Verkehrsszenarien
Die Erfindung betrifft ein Verfahren zur Abschätzung einer Abdeckung des Raums von Verkehrsszenarien sowie ein Computerprogramm.
Ein autonomes Fahrzeug ist ein Fahrzeug, das in der Lage ist, seine Umgebung zu erfassen und mit geringfügiger oder gar keiner Benutzereingabe zu navigieren. Ein autonomes Fahrzeug erfasst seine Umgebung unter Verwendung von Sensorvorrich tungen, wie beispielsweise Radar-, Lidar-, Bildsensoren und dergleichen.
Es existieren verschiedene Stufen oder Level der Automatisierung: assistiert, teilau tomatisiert, hochautomatisiert, vollautomatisiert und autonom.
Beim Level 1 , dem assistierten Fahren, werden die Fahrer durch mindestens ein mo dernes Assistenzsystem unterstützt, etwa durch einen Tempomaten mit Abstandsre gelung oder einen Spurhaltewarner.
Beim Level 2, dem teilautomatisierten Fahren, werden zwei oder mehr Assistenzsys teme kombiniert, beispielsweise der Stauassistent, die bei Stop-and-Go-Verkehr Ab stand und Spur halten.
Beim Level 3, dem bedingt automatisierten Fahren fährt das Fahrzeug in manchen Verkehrssituationen komplett selbständig, kann also selbst bremsen, lenken, be schleunigen und die Spuren wechseln. Dies funktioniert auch über längere Strecken oder Zeiträume. Die Route wird jedoch genau vorgegeben.
Beim Level 4, dem hochautomatisierten Fahren, das manchmal auch als vollautoma tisiertes Fahren bezeichnet wird, können Fahrer das Fahren längerfristig an die Steu erung übergeben. Es existieren jedoch gewisse Einschränkungen. So kann das hochautomatisierte Fahren beispielsweise nur auf bestimmte geographische Gebiete und/oder nur auf einen kleinen Geschwindigkeitsbereich beschränkt sein und/oder nur bei bestimmten Wetterbedingungen funktionieren.
Beim Level 5, dem autonomen Fahren, übernimmt das Fahrzeug alle Fahrfunktionen. Im Gegensatz zu Level 3 und Level 4 ist beim autonomen Fahren weder eine Fahrtüchtigkeit noch eine Fahrerlaubnis erforderlich - Lenkrad und Pedalerie sind so mit entbehrlich.
Alle Personen im Wagen werden dadurch zu Passagieren.
Im Vergleich zu Level 2, dem teilautomatisierten Fahren, vervielfacht sich der Test aufwand für Level 4 als auch Level 5 und die Validierungsaufgabe wird ungleich komplexer. Gerade Level 4 und Level 5 setzen einen enormen Entwicklungsaufwand voraus, da eine bislang noch nie dagewesene Menge an Verkehrs- und Testszena rien berücksichtigt werden muss, um die Systeme zur Marktreife zu bringen.
Eine Abdeckung allermöglichen Verkehrsszenarien mit realen Testdaten ist daher aus wirtschaftlichen Gründen nicht realisierbar.
Von daher wird versucht, Testdaten aus anderen Quellen zu erzeugen, beispiels weise durch Simulationen, welche die verschiedenen Verkehrsszenarien abbilden. Jedoch ist unklar, welche und wieviel Verkehrsszenarien simuliert werden müssen.
Die Aufgabe der Erfindung ist es Mittel anzugeben, mit welchen eine Einschät zung/Abschätzung möglich ist, wieviel der gesammelten Verkehrsszenarien in Bezug auf die Gesamtheit aller Verkehrsszenarien bereits erfasst worden sind.
Diese Aufgabe wird gelöst durch ein computerimplementiertes Verfahren mit den Merkmalen des Anspruchs 1 und eine Vorrichtung mit den Merkmalen des An spruchs 15.
In den Unteransprüchen sind weitere vorteilhafte Maßnahmen aufgelistet, die geeig net miteinander kombiniert werden können, um weitere Vorteile zu erzielen.
Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren zur Abschät zung einer Abdeckung des Raums von Verkehrsszenarien umfassend der nachfol genden Schritte:
- Bereitstellen verschiedener Verkehrsszenarien,
- Klassifizieren und/oder Clustern der Verkehrsszenarien in bekannte oder un bekannte Verkehrsszenarien, - Anwenden eines statistischen Verfahrens auf die klassifizierten und/oder geclusterten Verkehrsszenarien zur Abschätzung vorgegebener Kennzahlen, welche die Abdeckung des Raums der Verkehrsszenarien beschreiben,
- Erzeugen von weiteren verschiedenen Verkehrsszenarien oder Abbruch des Verfahrens in Abhängigkeit von den Kennzahlen.
Dabei wird unter Raum der Verkehrsszenarien die Gesamtheit aller auftretenden Ver kehrsszenarien im Verkehr verstanden.
Ein Verkehrsszenario wird dabei als beschränkter Ausschnitt aus dem gesamten Ver kehrsgeschehen verstanden.
Unbekannte Verkehrsszenarien sind bisher noch nicht erfasste Verkehrsszenarien.
Erfindungsgemäß wurde erkannt, dass beim Testen und Validieren von Fahrfunktio nen für den Betrieb beispielsweise eines Level 4 oder Level 5 Fahrzeuges der Raum aller möglichen Verkehrsszenarien unbekannt ist. Weiterhin wurde erkannt, dass so wohl ein Testen als auch eine Validierung im klassischen Fahrversuch weder tech nisch, noch finanziell, noch zeitlich realisierbar ist. Daher wurde erkannt, dass der Validierungsaufwand reduziert werden muss. Mittels der Erfindung wird dieses Prob lem nun gelöst.
Zunächst erfolgt eine Klassifizierung und/oder Clusterung der bisher gesammelten Verkehrsszenarien und eine Einteilung der Verkehrsszenarien in bekannte und unbe kannte Verkehrsszenarien. Diese Klassifizierung und/oder Clusterung erlaubt auf Ba sis eines darauf angewendeten statistischen Verfahrens die Abschätzung der Szena rienraumabdeckung sowie die Abschätzung des Auftretens zukünftiger, unbekannter Verkehrsszenarien. Dazu werden vorab Kennzahlen definiert.
Mittels der Kennzahlen ist es nun möglich einen Abbruch des Verfahrens zu bewir ken; treten beispielsweise unbekannte Verkehrsszenarien "hinreichend" selten auf, so bedeutet das, dass eine hinreichend große Abdeckung des Szenarienraums vor handen ist. Durch das Verfahren wird somit eine statistische Prognose des zukünftigen Auftre tens "unbekannter" Verkehrsszenarien ermittelt. Ebenfalls wird durch das Verfahren erkannt, wann eine hinreichend genaue Szenarienraumabdeckung erzielt worden ist.
Vorzugsweise werden die verschiedenen Verkehrsszenarien mittels Simulation er zeugt. Dazu kann ein virtuelles Simulationstool aus beispielsweise virtuellen Senso ren eine große Anzahl von Verkehrsszenarien, Straßen- und Umgebungsbedingun gen erzeugen. Anschließend können beispielsweise durch simulierte Störungen die ser Verkehrsszenarien neue Verkehrsszenarien erzeugt werden. Diese Verkehrssze narien werden dabei durch einen Störfaktor (beispielsweise Wetteränderung) variiert, um neue und zusätzliche Verkehrsszenarien zu erstellen.
Alternativ oder zusätzlich werden die verschiedenen Verkehrsszenarien vorzugs weise aus Sensordaten, welche durch ein stationäres und/oder mobiles Verkehrser fassungssystem erfasst werden, erzeugt. Ein mobiles Verkehrserfassungssystem kann beispielsweise das Erfassungssystem eines Testfahrzeuges sein. Dazu können auch mehrere Testfahrzeuge eingesetzt werden. Alternativ können Handykameras etc. zum Einsatz kommen. Als stationäres Verkehrserfassungssystem kann bei spielsweise eine Verkehrskamera und/oder Verkehrsüberwachungseinrichtung zum Einsatz kommen. Diese stellen eine umfangreiche und gleichzeitig kostengünstige Datenquelle dar.
Weiterhin vorzugsweise werden die verschiedenen Verkehrsszenarien alternativ oder zusätzlich aus rein aufzeichnenden Datenquellen, wie beispielsweise Drohnendaten, erzeugt.
Andere Quellen können Datenbanksysteme sein, in denen real fahrende Fahrzeuge beispielsweise gegen Entgelt gefahrene Strecken als Verkehrsszenarien bereitstel len.
In weiterer bevorzugter Ausgestaltung wird als Klassifikator ein Clustering -Verfahren verwendet. Dadurch kann das Verfahren beschleunigt werden. Vorzugsweise wird als Klassifikator ein selbstlernendes System aus der künstlichen Intelligenz verwendet. Der Klassifikator kann insbesondere als neuronales Netz, ins besondere als ein tiefes neuronales Netz ausgeführt werden. Diese können große Datenmengen verarbeiten.
Vorzugsweise wird das Klassifizieren mittels eines trainierten Klassifikators durchge führt, wobei der Klassifikator anhand von Unterscheidungsmerkmalen trainiert wird. Mögliche Unterscheidungsmerkmale umfassen beispielsweise physikalische Größen, wie die Position, Orientierung, Geschwindigkeit, Beschleunigung und die Zeit, die die Bewegung von Verkehrsobjekten zueinander beschreiben.
Vorzugsweise wird als statistisches Verfahren ein Extrapolationsverfahren verwen det. Ein Extrapolationsverfahren trifft unter Berücksichtigung des bereits erfassten Bereiches, hier der Verkehrsszenenarien, eine Aussage über den nicht erfassten Be reich. Daher eignet sich dieses Verfahren besonders gut, um auf Basis der Klassifi- zierung/Clusterung das zukünftige Auftreten unbekannter Verkehrsszenarien zu prognostizieren.
Ebenso kann alternativ als ein statistisches Verfahren ein Kerndichteschätzer ver wendet werden. Kerndichteschätzer sind Verfahren, die eine stetige Schätzung der unbekannten Verteilung ermöglichen. Dieser Kerndichteschätzer ist dafür bekannt, nicht nur eine Gleichverteilung, sondern auch beliebige Verteilungen anzunähern und eignet sich daher besonders gut um das zukünftige Auftreten unbekannter Verkehrs szenarien zu prognostizieren.
Alternativ kann als statistisches Verfahren ein Good-Toulmin-Schätzer oder ein Efron-Thisted-Schätzer oder Varianten hiervon verwendet werden. Diese Schätzer sind in der Ökologie vertreten und beschäftigen sich mit der Schätzung der Anzahl der Arten, die in einem Ökosystem vertreten sind und welche bisher in entnommenen Proben nicht beobachtet wurden. Sie beziehen sich insbesondere darauf, wie viele neue Arten entdeckt werden würden, wenn mehr Proben in einem Ökosystem ent nommen werden würden. Somit können diese Schätzer durch geschickten Transfer verwendet werden, um das zukünftige Auftreten unbekannter Verkehrsszenarien zu prognostizieren. Der Good-Toulmin-Schätzer oder der Efron-Thisted-Schätzer oder Varianten hiervon sind insbesondere skalierbar und somit für große Datenmengen geeignet. Ferner können diese schnell berechnet werden. Der Good-Toulmin-Schät- zer oder der Efron-Thisted-Schätzer oder Varianten hiervon stellen somit sinnvolle und durchführbare Schätzer dar, welche unter den hier genannten Rahmenbedingun gen sehr gute Ergebnisse liefern.
In weiterer bevorzugter Ausgestaltung umfassen die Kennzahlen eine Anzahl der un bekannten Verkehrsszenarien und/oder eine statistische Verteilung der unbekannten Verkehrsszenarien. Diese Kennzahlen eignen sich besonders gut für die Abschät zung der Szenarienraumabdeckung. Die vorgegebenen Kennzahlen geben dabei Auskunft darüber, inwieweit der bisher erfasste Szenarienraum den Raum aller Ver kehrsszenarien abdeckt. Als Kennzahlen kommen beispielsweise die durch die Klas sifizierung/die Clusterung geschätzte Anzahl der unbekannten Verkehrsszenarien und die statistische Verteilung dieser unbekannten Verkehrsszenarien in Betracht.
Ferner umfassen die Kennzahlen beispielsweise eine Kritikalität der unbekannten Verkehrsszenarien. Die Kritikalität beschreibt die Gefährlichkeit einer Verkehrssitua tion (kritische Verkehrssituation), in der ein Eingriff eines Fahrerassistenzsystems o- der eines Fahrers erforderlich ist.
Insbesondere können die Kennzahlen gewichtet in die Abschätzung miteingehen. So kann beispielsweise eine hohe Kritikalität höher wiegen als mehrere weniger kritische unbekannte Verkehrsszenarien.
Vorzugsweise werden anhand der Kritikalität der unbekannten Verkehrsszenarien neue kritische Verkehrsszenarien simuliert. Vorzugsweise werden zudem oder statt- dessen anhand der erkannten, unbekannten Verkehrsszenarien neue kritische Ver kehrsszenarien simuliert. Dies kann beispielsweise durch Variation der gefundenen kritischen oder unbekannten Verkehrsszenarien erfolgen. Dabei können eine oder mehrere Parameter der erkannten kritischen Verkehrsszenarien abgeändert werden. Dadurch kann die bereits vorhandene Menge an Verkehrsszenarien gezielt um neue simulierte kritische Verkehrsszenarien verdichtet werden. Anhand der erkannten, unbekannten Verkehrsszenarien können die so bereits vor handenen Verkehrsszenarien ebenfalls gezielt verdichtet werden.
Vorzugsweise beziehen sich die Verkehrsszenarien auf ausgewählte Routen oder ein ausgewähltes Gebiet. Somit kann schneller ein Abbruch des Verfahrens erzielt werden. Diese Verkehrsszenarien können beispielsweise zur Validierung von Level 4- oder Level 5-Fahrfunktionen eingesetzt werden.
Weiterhin vorzugsweise erfolgt zunächst eine Clusterung der bereitgestellten Ver kehrsszenarien und anschließend eine Klassifikation der geclusterten Verkehrssze narien.
Ferner wird die Aufgabe gelöst durch eine Vorrichtung zur Datenverarbeitung, umfas send einen Prozessor, der so konfiguriert ist, dass er das wie oben beschriebene Verfahren ausführt.
Weitere Merkmale, Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Darin zeigen schematisch:
FIG 1 : eine erste Ausgestaltung eines erfindungsgemäßen Verfahrens.
FIG 2: eine zweite Ausgestaltung des erfindungsgemäßen Verfahrens,
FIG 3: eine dritte Ausgestaltung des erfindungsgemäßen Verfahrens.
Dabei werden in einem ersten Schritt S1 mehrere Verkehrsszenarien bereitgestellt. Diese können beispielsweise durch Aufnahme realer Verkehrsszenarien durch Mess systeme von Testfahrzeugen oder auch durch Simulation erzeugt werden. Bei der Si mulation können beispielsweise reale Verkehrsszenarien abgewandelt werden, um neue Verkehrsszenarien zu erzeugen. Dabei beziehen sich die Verkehrsszenarien auf alle Routen, das heißt der Szenarienraum entspricht der Gesamtheit aller Ver kehrsszenarien im Verkehr. Alternativ oder zusätzlich können zur Generierung realer Verkehrsszenarien Handykameras, Drohnen etc. zum Einsatz kommen. Auch eine Generierung realer Verkehrsszenarien durch stationäre und/oder Verkehrserfas sungssysteme wie beispielsweise eine Verkehrskamera und/oder Verkehrsüberwa chungseinrichtung ist alternativ oder zusätzlich möglich. Diese stellen eine umfang reiche und gleichzeitig kostengünstige Datenquelle dar.
Andere Quellen können Datenbanksysteme sein, in denen real fahrende Fahrzeuge beispielsweise gegen Entgelt gefahrene Strecken als Verkehrsszenarien bereitstel len.
In einem zweiten Schritt S2 werden diese Verkehrsszenarien geclustert und in be kannte oder unbekannte Verkehrsszenarien eingeteilt. Die Clusterung kann durch ein Clusterverfahren erfolgen. Durch das Clusterverfahren können die bereitgestellten Verkehrsszenarien in bekannte oder unbekannte Verkehrsszenarien eingeteilt wer den.
In einem dritten Schritt S3 wird ein statistisches Verfahren auf die geclusterten Ver kehrsszenarien zur Abschätzung vorgegebener Kennzahlen, welche die approxima tive Abdeckung des Szenarienraums beschreiben, angewendet. Die vorgegebenen Kennzahlen geben dabei Auskunft darüber, inwieweit der bisher erfasste Szenarien raum den Raum aller Verkehrsszenarien abdeckt.
Als Kennzahlen kommen beispielsweise die durch die Clusterung geschätzte Anzahl der unbekannten Verkehrsszenarien und die statistische Verteilung der so ermittelten unbekannten Verkehrsszenarien und die Kritikalität der so ermittelten unbekannten Verkehrsszenarien in Betracht.
Die Kritikalität beschreibt die Gefährlichkeit einer Verkehrssituation (kritische Ver kehrssituation), in der ein Eingriff eines Fahrerassistenzsystems oder eines Fahrers erforderlich ist. Ein Beispiel für eine kritische Verkehrssituation ist, wenn eine Kollisi onsgefahr zwischen dem Fahrzeug und einem anderen Fahrzeug/Hindernis besteht oder wenn ein Mindestabstand zwischen dem Fahrzeug und einem anderen Fahr zeug/Hindernis unterschritten wird. Auch andere kritische Verkehrssituationen sind denkbar. In einem vierten Schritt S4 werden die Kennzahlen abgeschätzt und anhand der Ab schätzung ein Abbruch des Verfahrens oder eine Fortsetzung des Verfahrens durch geführt. Ist z.B. eine noch zu geringe Szenarienraumabdeckung vorhanden, so müs sen weitere Verkehrsszenarien erzeugt werden. Treten jedoch beispielsweise unbe kannte Verkehrsszenarien "hinreichend" selten auf, bedeutet das eine hinreichend große Abdeckung des Szenarienraums und das Verfahren kann abgebrochen wer den. Dabei kann eine hinreichend große Abdeckung individuell, beispielsweise vom Hersteller, festgelegt werden.
In einem fünften Schritt S5 wird anhand der Abschätzung ein Abbruch des Verfah rens durchgeführt. In diesem Fall wurde eine hinreichend große Abdeckung des Sze narienraums erzielt und das Verfahren kann abgebrochen werden.
In einem sechsten Schritt S6 ist eine noch zu geringe Szenarienraumabdeckung vor handen und es müssen anhand der gefundenen kritischen und/oder unbekannten Verkehrsszenarien neue Verkehrsszenarien erzeugt werden.
Dies kann beispielsweise durch Variation der gefundenen kritischen und/oder unbe kannten Verkehrsszenarien erfolgen. Dabei können eine oder mehrere Parameter der erkannten kritischen und/oder unbekannten Verkehrsszenarien abgeändert wer den. So kann beispielsweise eine kritische bisher unbekannte Verkehrsszene ein Ma növer mit mehreren Fahrzeugen im Kreisverkehr sein, wobei das, die Sensordaten erzeugende Testfahrzeug den Kreisverkehr mit einer Geschwindigkeit von 20 km/h bewältigt. Durch Simulation können beispielsweise Verkehrsszenarien erzeugt wer den, in denen das Testfahrzeug den Kreisverkehr mit einer Geschwindigkeit von 50 km/h bewältigt. Ferner kann beispielsweise der Parameter Umweltbedingungen, wie Regen, Schnee oder Nebel geändert werden.
Das Verfahren wird mit neu erzeugten Verkehrsszenarien fortgesetzt.
Durch das Verfahren kann eine statistische Prognose des zukünftigen Auftretens "unbekannter " Verkehrsszenarien abgeschätzt werden. Ist der Szenarienraum hinreichend genügend abgedeckt, so kann ein virtuelles Tes ten durch ein virtuelles Testfahrzeug der im Szenarienraum vorliegenden Verkehrs szenarien erfolgen.
FIG 2 zeigt eine zweite Ausgestaltung des erfindungsgemäßen Verfahrens.
Dabei werden in einem ersten Schritt A1 wiederum mehrere Verkehrsszenarien be reitgestellt. Dabei beziehen sich die Verkehrsszenarien auf alle Routen, das heißt der Szenarienraum entspricht der Gesamtheit aller Verkehrsszenarien im Verkehr.
In einem zweiten Schritt A2 werden diese Verkehrsszenarien mit einem trainierten Klassifikator klassifiziert und in bekannte oder unbekannte Verkehrsszenarien einge teilt. Der Klassifikator ist ein auf Unterscheidungsmerkmale trainierter Klassifikator. Mögliche Unterscheidungsmerkmale umfassen physikalische Größen (Position, Ori entierung, Geschwindigkeit, Beschleunigung und Zeit), die die Bewegung von Ver kehrsobjekten zueinander beschreiben.
In einem dritten Schritt A3 wird ein statistisches Verfahren auf die klassifizierten Ver kehrsszenarien zur Abschätzung der vorgegebenen Kennzahlen in Bezug auf die Szenarienraumabdeckung angewendet. Die vorgegebenen Kennzahlen geben dabei Auskunft darüber, inwieweit der bisher erfasste Szenarienraum den Raum aller Ver kehrsszenarien abdeckt. Als statistisches Verfahren kann dabei das Extrapolations verfahren herangezogen werden. Alternativ kann ein Kerndichteschätzer verwendet werden. Auch ist es möglich als statistisches Verfahren einen Good-Toulmin- Schät zer oder einen Efron -Th isted -Schätzer oder Varianten davon zu verwenden.
In einem vierten Schritt A4 werden wiederum die Kennzahlen abgeschätzt und an hand der Abschätzung ein Abbruch des Verfahrens oder eine Fortsetzung des Ver fahrens durchgeführt.
In einem fünften Schritt A5 wird anhand der Abschätzung eine hinreichende Szenari enraumabdeckung erkannt und daraufhin ein Abbruch des Verfahrens durchgeführt. In einem sechsten Schritt A6 ist eine noch zu geringe Szenarienraumabdeckung vor handen und es müssen anhand der gefundenen kritischen und/ oder unbekannten Verkehrsszenarien neue Verkehrsszenarien erzeugt werden. Das Verfahren wird mit neu erzeugten Verkehrsszenarien fortgesetzt.
FIG 3 zeigt eine dritte Ausgestaltung der Erfindung.
Dabei werden in einem ersten Schritt B1 wiederum mehrere Verkehrsszenarien be reitgestellt. Dabei beziehen sich die Verkehrsszenarien vorzugsweise auf ausge wählte Routen oder ein bestimmtes vorab ausgewähltes Gebiet.
In einem zweiten Schritt B2 werden diese Verkehrsszenarien zunächst geclustert bei spielsweise mit einem dichtebasierten Clusterverfahren. Anschließend werden die Cluster mit einem trainierten Klassifikator klassifiziert und in bekannte oder unbe kannte Verkehrsszenarien eingeteilt. Der Klassifikator ist ein auf Unterscheidungs merkmale trainierter Klassifikator. Mögliche Unterscheidungsmerkmale umfassen physikalische Größen (Position, Orientierung, Geschwindigkeit, Beschleunigung und Zeit), die die Bewegung von Verkehrsobjekten zueinander beschreiben.
In einem dritten Schritt B3 wird ein statistisches Verfahren beispielsweise ein Extra polationsverfahren auf die klassifizierten Verkehrsszenarien zur Abschätzung vorge gebener Kennzahlen, welche die Abdeckung des Szenarienraums beschreiben, an gewendet.
In einem vierten Schritt B4 werden wiederum die Kennzahlen bewertet.
In einem fünften Schritt B5 wird anhand der Abschätzung eine hinreichende Szenari enraumabdeckung erkannt und daraufhin ein Abbruch des Verfahrens durchgeführt.
In einem sechsten Schritt B6 werden anhand der gefundenen kritischen und/oder un bekannten Verkehrsszenarien neue Verkehrsszenarien erzeugt. Dies kann beispielsweise durch Variation der gefundenen kritischen und/oder unbe kannten Verkehrsszenarien erfolgen. Dabei können eine oder mehrerer Parameter der erkannten kritischen Verkehrsszenarien abgeändert werden. Das Verfahren wird mit neu erzeugten Verkehrsszenarien fortgesetzt.
Bezuqszeichen
S1-S6 Verfahrensschritte A1-A6 Verfahrensschritte B1-B6 Verfahrensschritte

Claims

Patentansprüche
1 . Computerimplementiertes Verfahren zur Abschätzung einer Abdeckung des Raums von Verkehrsszenarien, gekennzeichnet durch die Schritte:
- Bereitstellen verschiedener Verkehrsszenarien,
- Klassifizieren und/oder Clustern der Verkehrsszenarien in bekannte oder un bekannte Verkehrsszenarien,
- Anwenden eines statistischen Verfahrens auf die klassifizierten und/oder geclusterten Verkehrsszenarien zur Abschätzung vorgegebener Kennzahlen, welche die Abdeckung des Raums der Verkehrsszenarien beschreiben,
- Erzeugen von weiteren verschiedenen Verkehrsszenarien oder Abbruch des Verfahrens in Abhängigkeit von den Kennzahlen.
2. Computerimplementiertes Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die verschiedenen Verkehrsszenarien mittels Simulation erzeugt werden.
3. Computerimplementiertes Verfahren nach Anspruch 1 oder 2, dadurch gekenn zeichnet, dass die verschiedenen Verkehrsszenarien aus Sensordaten, welche durch ein stationä res und/oder mobiles Verkehrserfassungssystem erfasst werden, erzeugt werden.
4. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als Klassifikator ein Clustering -Verfahren verwendet wird.
5. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche 1 bis 3, dadurch gekennzeichnet, dass als Klassifikator ein selbstlernendes System aus der künstlichen Intelligenz verwen det wird.
6. Computerimplementiertes Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass das Klassifizieren mittels eines trainierten Klassifikators durchgeführt wird, wobei der Klassifikator anhand von Unterscheidungsmerkmalen trainiert wird.
7. Computerimplementiertes Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass der Klassifikator als neuronales Netz, insbesondere ein tiefes neuronales Netz, aus geführt wird.
8. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als statistisches Verfahren ein Extrapolationsverfahren oder ein Kerndichteschätzer verwendet wird.
9. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche 1 bis 7 dadurch gekennzeichnet, dass als statistisches Verfahren ein Good-Toulmin- Schätzer oder ein Efron-Thisted-Schätzer oder Varianten davon verwendet wird.
10. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche dadurch gekennzeichnet, dass die Kennzahlen eine Anzahl der unbekannten Verkehrsszenarien und/oder eine sta tistische Verteilung der unbekannten Verkehrsszenarien umfassen.
11. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprü che, dadurch gekennzeichnet, dass die Kennzahlen eine Kritikalität der unbekannten Verkehrsszenarien umfassen.
12. Computerimplementiertes Verfahren nach Anspruch 11, dadurch gekennzeich net, dass anhand der Kritikalität der unbekannten Verkehrsszenarien neue kritische Verkehrs szenarien simuliert werden.
13. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche dadurch gekennzeichnet, dass anhand der erkannten unbekannten Verkehrsszenarien neue Verkehrsszenarien si muliert werden.
14. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprü che, dadurch gekennzeichnet, dass zunächst eine Clusterung und anschließend eine Klassifikation auf die geclusterten Verkehrsszenarien erfolgt.
15. Vorrichtung zur Datenverarbeitung, umfassend einen Prozessor, der so konfigu riert ist, dass er das Verfahren nach einem der vorhergehenden Ansprüche ausführt.
EP20803542.8A 2019-11-13 2020-11-06 Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien Pending EP4058927A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019217533.3A DE102019217533A1 (de) 2019-11-13 2019-11-13 Verfahren zur Abschätzung einer Abdeckung des Raums von Verkehrsszenarien
PCT/EP2020/081304 WO2021094222A1 (de) 2019-11-13 2020-11-06 Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien

Publications (1)

Publication Number Publication Date
EP4058927A1 true EP4058927A1 (de) 2022-09-21

Family

ID=73172732

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20803542.8A Pending EP4058927A1 (de) 2019-11-13 2020-11-06 Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien

Country Status (6)

Country Link
US (1) US20220383736A1 (de)
EP (1) EP4058927A1 (de)
CN (1) CN114730494A (de)
DE (1) DE102019217533A1 (de)
IL (1) IL292906A (de)
WO (1) WO2021094222A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021214095A1 (de) 2021-12-10 2023-06-15 Zf Friedrichshafen Ag Verfahren und System zum Erkennen von kritischen Verkehrsszenarien und/oder Verkehrssituationen
DE102022116564A1 (de) 2022-07-04 2024-01-04 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt zur Bewertung von Testfällen zum Testen und Trainieren eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS)
DE102022132917A1 (de) 2022-12-12 2024-06-13 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System zur Bestimmung der Kritikalität und Kontrollierbarkeit von Szenarien für automatisierte Fahrfunktionen

Also Published As

Publication number Publication date
WO2021094222A1 (de) 2021-05-20
DE102019217533A1 (de) 2021-05-20
CN114730494A (zh) 2022-07-08
US20220383736A1 (en) 2022-12-01
IL292906A (en) 2022-07-01

Similar Documents

Publication Publication Date Title
DE102018128290A1 (de) Verfahren und vorrichtung zum erzeugen von szenarien und parametrischen sweeps für die entwicklung und bewertung von autonomen antriebssystemen
WO2021094222A1 (de) Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien
DE102018128289B4 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
DE102017200180A1 (de) Verfahren und Testeinheit zur Bewegungsprognose von Verkehrsteilnehmern bei einer passiv betriebenen Fahrzeugfunktion
DE102017205093A1 (de) Verfahren und System zur Vorhersage von Sensorsignalen eines Fahrzeugs
EP2402827B1 (de) Verfahren und Vorrichtung für eine Funktionsprüfung einer Objekt-Erkennungseinrichtung eines Kraftwagens
DE102016007899B4 (de) Verfahren zum Betreiben einer Einrichtung zur Verkehrssituationsanalyse, Kraftfahrzeug und Datenverarbeitungseinrichtung
DE102019203712B4 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
DE102016003424A1 (de) Verfahren und Vorrichtung zum Erkennen von Verkehrszeichen
DE102020200169B3 (de) Verfahren zur Zusammenführung mehrerer Datensätze für die Erzeugung eines aktuellen Spurmodells einer Fahrbahn und Vorrichtung zur Datenverarbeitung
EP3945338A2 (de) Signalverarbeitungspfad, vorrichtung zur umfelderkennung und verfahren zur validierung eines automatisiert betreibbaren fahrsystems
DE102018128563A1 (de) Verfahren und vorrichtung für eine autonome systemleistung und einen vergleich
DE102018203744A1 (de) Verfahren, Vorrichtung, mobiles Anwendungsgerät, sowie korrespondierendes Computerprogramm zum Betreiben einer Fahrzeugfunktion
DE102021000792A1 (de) Verfahren zum Betrieb eines Fahrzeuges
DE102017201796A1 (de) Steuervorrichtung zum Ermitteln einer Eigenbewegung eines Kraftfahrzeugs sowie Kraftfahrzeug und Verfahren zum Bereitstellen der Steuervorrichtung
WO2019211293A1 (de) Verfahren zum betreiben eines fahrerassistenzsystems eines egofahrzeugs mit wenigstens einem umfeldsensor zum erfassen eines umfelds des egofahrzeugs, computer-lesbares medium, system, und fahrzeug
DE102021133977A1 (de) Verfahren und System zur Klassifikation von Szenarien eines virtuellen Tests sowie Trainingsverfahren
EP3665057B1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
EP3414142B1 (de) Verfahren und system zur validierung eines hinderniserkennungssystems
DE102020200876A1 (de) Verfahren zum Verarbeiten von Sensordaten einer Sensorik eines Fahrzeugs
DE102019124257A1 (de) Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Ermittlung von KI-Trainingsdaten in einem Fahrzeug und Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Ermittlung von relevanten Situationsparametern zum Trainieren einer künstlichen Intelligenzeinheit eines automatisiert fahrbaren Fahrzeuges
DE102019211017A1 (de) Verfahren zum Clustern verschiedener Zeitreihenwerte von Fahrzeugdaten und Verwendung des Verfahrens
WO2018206481A1 (de) Verfahren zum generieren von trainingsdaten für ein auf maschinellem lernen basierendes mustererkennungsverfahren für ein kraftfahrzeug, kraftfahrzeug, verfahren zum betreiben einer recheneinrichtung sowie system
WO2019029889A1 (de) Verfahren und vorrichtung zum ermitteln eines reibwertes einer fahrbahn
DE102022213170B3 (de) Verfahren zum Generieren von Trainingsdaten, elektronische Recheneinrichtung sowie Kraftfahrzeug

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: 20220531

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)
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: 20240429

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

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN