EP4313711A1 - Segmentbasierte fahreranalyse und individualisierte fahrerassistenz - Google Patents

Segmentbasierte fahreranalyse und individualisierte fahrerassistenz

Info

Publication number
EP4313711A1
EP4313711A1 EP22714449.0A EP22714449A EP4313711A1 EP 4313711 A1 EP4313711 A1 EP 4313711A1 EP 22714449 A EP22714449 A EP 22714449A EP 4313711 A1 EP4313711 A1 EP 4313711A1
Authority
EP
European Patent Office
Prior art keywords
data
route
driving
test
driver
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
EP22714449.0A
Other languages
English (en)
French (fr)
Inventor
Jonas Kaste
Maximilian TEMPLER
Sevsel Gamze KABIL
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.)
Volkswagen AG
Original Assignee
Volkswagen 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 Volkswagen AG filed Critical Volkswagen AG
Publication of EP4313711A1 publication Critical patent/EP4313711A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/02—Control of vehicle driving stability
    • B60W30/025—Control of vehicle driving stability related to comfort of drivers or passengers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/107—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/109—Lateral acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/114—Yaw movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/085—Changing the parameters of the control units, e.g. changing limit values, working points by control input
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0063—Manual parameter input, manual setting means, manual initialising or calibrating means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0095—Automatic control mode change
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/10—Number of lanes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/30—Road curve radius
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/406—Traffic density
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way

Definitions

  • the present invention relates to a method for controlling a vehicle on a route to be driven.
  • the present invention relates to a corresponding driver assistance system and a motor vehicle with such a driver assistance system.
  • Driver assistance systems and driving functions are usually not very individualized and therefore offer the driver little scope for an emotional driving experience or generate little acceptance due to incomprehensible interventions.
  • Individual driver assistance systems enable improved customer acceptance and the associated added value or increased motivation to configure the vehicle accordingly.
  • a driving dynamics analysis of the driving behavior and driving skills of a driver is usually done in known methods by assigning the driver to individual classes, such as "sporty”, “cautious”, etc. This assignment can be done, for example, in the form of GG diagrams (acceleration diagrams) in which the longitudinal and lateral acceleration are plotted two-dimensionally. In this way, a rough description of the limits of driving behavior or driving ability can be made, but detailed preferences in driving the vehicle cannot be taken into account in this way.
  • Patent US 2021/0012590 A1 discloses a monitoring device for providing vehicle telemetry data.
  • the monitoring device includes a sensor for detecting vibrations caused by vehicle and engine movements in vehicle parts in order to generate corresponding vibration data. From the vibration data, vehicle or engine characteristics can be extracted.
  • the publication WO 2019/134110 A1 discloses a method and a system for autonomous driving.
  • a driving situation map is generated from sensor data.
  • a deep learning algorithm is trained to generate a driving command based on the driving situation map.
  • the publication DE 102017209258 A1 discloses a method and a device for monitoring a driving stability of a vehicle on a driving route ahead.
  • a current speed, a current steering angle and a current position of the vehicle are determined.
  • a driver type is also determined.
  • a speed signal and a steering angle signal are predicted using this data.
  • Document US 2016/0026182 A1 discloses personalized driving of autonomous vehicles. For this purpose, at least part of a driving profile is loaded onto a vehicle. The vehicle is controlled based on the driving profile.
  • the object of the present invention consists in proposing a driver assistance system with which more individual support for the driver is possible.
  • a method for controlling a vehicle on a route to be traveled is provided. Such a method is carried out in a driver assistance system, for example. However, the method can also be used to control a vehicle autonomously. In one case, the driver receives individual support tailored to the driver, and in the other case, the steering is completely relieved by guiding the vehicle individually according to the driver's habits.
  • test track is driven on by a driver.
  • this driver can then also drive on other test routes in order to obtain corresponding test data.
  • the test track or the test tracks should have as many different features as possible so that a wide variety of test data can be obtained.
  • Geometric test data is collected from the test track. This acquisition of the geometric test data can be done by means of the vehicle's sensors. When driving on the test track, these sensors record such geometric test data as lane width or track width, curvature of the track and the like. However, such geometric test data can also be made available, for example, from a database and loaded into the vehicle on occasion. This Geometric test data are the basis for classifying routes or route sections to be traveled in the future.
  • driving dynamics test data are recorded.
  • Such test data include, for example, accelerations, speeds and the like.
  • these driving dynamics test data are assigned to the geometric test data. This is the only way to determine the driver's behavior individually, for example when cornering.
  • the driving dynamics test data is determined and saved by a sensor system in the vehicle. If necessary, these driving dynamics test data are transmitted together with the geometric test data to a vehicle-external computing unit in order to process them there and to send correspondingly processed data back to the vehicle.
  • the driving dynamics test data provide information about the driving behavior of the driver in certain situations or on certain sections of the road.
  • the recorded or partially provided test data ie the geometric test data and possibly further objective situational data, together usually form a cloud of points in a test data space, which is usually multidimensional.
  • Each parameter of the geometric test data and the further situation data forms its own dimension in the test data space.
  • the test data space or point cloud is now divided into clusters.
  • a cluster analysis can be carried out in order to discover similarity structures in the database.
  • the cluster analysis is based on objectifiable variables such as track width, curvature, gradient, gradient, temperature, traffic volume, weather (wet, dry,...), subsoil (asphalt, cobblestones), planning reference variables (speeds, acceleration, yaw angle, etc.). .) but not based on the subjective dimensions of a driver.
  • the clustering serves to automatically subdivide driven routes into scenarios / segments. It is intended to serve as a tool to objectively provide areas for extracting the driving style. In this way, the test data space or the test data can be divided into a large number of clusters, which can serve as a basis for a later classification.
  • the driving dynamics data for each cluster is determined on the basis of the driving dynamics test data of the respective cluster.
  • the clustering identifies scenarios in which a driver is highly likely to behave in a reproducible manner, and the behavior is now determined on this basis and later applied.
  • the driver drives on a left turn Hard shoulder road closer to the outer edge of the road than to the center line. This has been proven, for example, in several test drives.
  • the driver keeps a distance of one meter to the outer edge of the lane in such situations. Therefore, this distance to the outer edge of the road is defined as a dynamic data set for precisely this cluster. If the vehicle then drives autonomously or with assistance, the vehicle will try to maintain exactly this individual distance of one meter to the outer edge of the lane when driving through the left-hand bend. As a result, the driver can be supported exactly as he would decide himself.
  • route sections of the route to be driven are assigned to the clusters using geometric data of the route to be driven.
  • a new, unknown route that the driver wants to drive is automatically divided into segments.
  • Each segment, i.e. each route section, is assigned to a cluster.
  • the assignment is made, among other things, via geometric data that is available before the route to be traveled and, if necessary, other data that describes the respective scenarios (route width, curvature, inclination, gradient, temperature, traffic volume, weather, subsoil, reference variables for planning, etc.) .
  • the geometric data was obtained from a navigation system or from a database external to the vehicle.
  • the geometric data of the route to be driven can be taken into account in order, for example, to assign each point on the route to be driven to a cluster.
  • a centroid method can be used to assign each point on the route to be driven to a respective cluster.
  • the point is assigned to the cluster to which the point has the smallest distance in the data space.
  • the entire route to be traveled can be subdivided into route sections or segments, each of which is assigned to one of the clusters.
  • At least one vehicle component of the vehicle is controlled in one of the route sections in accordance with the defined driving dynamics data of the respective cluster. At least one vehicle component is therefore activated accordingly, which means that the driver is either supported or the vehicle is controlled autonomously. Since the route section to be traveled has been clearly classified, ie has been assigned to a cluster, precisely those defined driving dynamics data of the respective cluster can be used for control. For example, if the section to be traveled falls within the “straight stretch” cluster and the driver always drove such “straight stretches” at a speed of 90 km/h during the test drives, the individual Driver support controls the vehicle so that it drives 90 km/h on the "straight line”.
  • the geometric test data contain position data, a curvature, a route width, a combination of route section types (e.g. curve followed by a straight line, etc.) and/or a number of lanes of the test route.
  • the geometry of the test track is sufficiently known. Further information can be obtained from this geometric test data, such as the length of a straight stretch, the length of a curve, the gradient and the like.
  • this test data it is also possible with this test data to analyze the interaction of route sections. For example, a driver will drive differently into a left turn if the stretch of road ahead was a straight stretch of road or a right turn.
  • additional situational data relating to the weather, time of day, traffic density and/or environment can be used when driving on the test track are recorded, the situation data being included in the test data space and the formation of clusters, current situation data for driving on the route to be traveled being recorded and the assignment of the route sections to the clusters also taking place as a function of the current situation data.
  • Related situation data thus describe the situation or the scenario in which the forthcoming journey is embedded.
  • the weather can play a role if the road surface is wet or snow-covered.
  • the time can also play a role, according to which traffic jams can be predicted, for example.
  • the traffic density can be determined, for example, via additional information channels such as radio and the like.
  • it can also be important for the driving situation how the area around the route is designed.
  • the driving behavior changes, for example, if the route is not in an open environment but in a tunnel.
  • the situation data relating to the surroundings also include, for example, traffic signs at the edge of the road. For example, a driver in an urban area, which is limited to a maximum speed of 50 km/h, usually drives 55 km/h, while another driver in this situation usually drives exactly 50 km/h.
  • This situation-specific individual behavior can also be taken into account here by recording the driving dynamics test data (here the speed) for the “local area” route section and using it for individual control.
  • the above situation data can be taken into account in the test data space as separate dimensions.
  • Special scenarios or clusters can thus be formed, such as “cornering on a wet road”, “cornering in a local area”, “cornering on a country road” and the like.
  • the algorithm can access cluster elements that contain the situation “rain” or “wet road”. In this way, the route sections of the route to be traveled can be assigned to situation-specific clusters due to the current situation.
  • the vehicle can be controlled using the driving dynamics data from these clusters.
  • the driving dynamics data for several driving modes of the driver is recorded and the test data space is divided into clusters also depending on the several driving modes, one of the several driving modes is selected for the route to be driven, and the assignment the route sections to the clusters depending on the selected driving mode.
  • the driver himself chooses his driving style, such as sport, comfort, eco, etc., and the algorithm nevertheless assists the driver individually or takes over control.
  • the driver wants to drive safely or comfortably on the test track and enter this as a parameter during the test drive.
  • the algorithm will then divide the route sections into clusters for this specific driving mode and carry out the control accordingly.
  • the driving dynamics data can include one or more parameters both for the test drive and for the control of a route to be driven in the future or currently.
  • One of these parameters is the route, which a driver usually chooses individually when driving down a route.
  • the alignment can also be different, for example with the same geometry in different situations.
  • Each driver chooses the right safety distance individually and depending on the situation. Older road users in particular keep a greater safety distance than younger road users.
  • This driver-specific safety distance differs again in the various situations.
  • the other parameters such as acceleration, speed and jerk are usually very driver-specific. For example, each driver chooses an individual acceleration when starting at a traffic light. The driver accepts such driver assistance all the more if it selects precisely this individual acceleration.
  • provision can be made for the geometric data of the route to be driven and/or the current situation data to be individually weighted when assigning route sections of the route to be driven to the clusters.
  • the assignment of route sections of the route to be traveled to the clusters is based on machine learning.
  • this machine learning can take place unsupervised.
  • a neural network is used. Such a network can, for example, be trained with the test data and used to classify the route sections of the route to be driven.
  • the test data space also contains vehicle data about the vehicle, and that the at least one vehicle component is controlled specifically for the vehicle.
  • vehicle data about the vehicle
  • the at least one vehicle component is controlled specifically for the vehicle.
  • the driver can obtain the driving dynamics test data specifically for a vehicle. If the driver drives the same test track in a different vehicle, the driving dynamics test data can be quite different.
  • it can be advantageous to also store vehicle data and in particular the vehicle type in addition to the test data. In this way, the driver can use his test database for several vehicles and, for example, select a vehicle type for the current control.
  • a driver assistance system for controlling a vehicle on a route to be driven with a detection device for detecting geometric test data of the test track and for detecting driving dynamics test data when a driver drives on a test track, a classification device for splitting a test data space formed by the geometric test data in clusters and a data processing device for determining driving dynamics data for each cluster on the basis of those driving dynamics test data that can be assigned to a respective cluster, the classification device being designed to assign route sections of the route to be driven to the clusters based on geometric data of the route to be driven and the driver assistance system has a control device for controlling at least one vehicle component of the vehicle in one of the routes Sections according to the defined driving dynamics data of the respective cluster.
  • the clustering is based on objectifiable variables such as route width, curvature, incline, gradient, temperature, traffic volume, weather (wet, dry,...), Ground (asphalt, cobblestones), planning reference values (speed, acceleration, yaw angle, etc.), but not based on the subjective values of a driver.
  • Such a driver assistance system therefore has a detection device, which in turn has a corresponding sensor system, for example.
  • the detection device can also include suitable interfaces for recording test data.
  • the classification device of the driver assistance system can be based on vector machines or neural networks or the like. In any case, the classification device has a processor and corresponding memory components for the automated classification.
  • the data processing device of the driver assistance system is also equipped with a corresponding processor and memory modules. If necessary, the classification device and the data processing device are implemented in one unit.
  • the driver assistance system has a control device with which vehicle components of the vehicle can be controlled. Appropriate drivers may need to be provided for this purpose.
  • the driver assistance system is preferably capable of executing the method described above and its further developments. This results in the same advantages for the driver assistance system as for the corresponding methods.
  • a motor vehicle can be equipped with the driver assistance system mentioned above.
  • the motor vehicle can thus be controlled or supported individually with the characteristics of a driver.
  • the invention also includes the combinations of features of the described embodiments.
  • FIG. 2 shows an acceleration diagram for one of the two routes of FIG. 1 for a specific driver
  • Figure 3 shows an acceleration diagram of the other route of Figure 1 for the same driver; 4 shows one of the two routes in segmented form; and
  • the exemplary embodiments explained below are preferred exemplary embodiments of the invention.
  • the described components each represent individual features of the invention that are to be considered independently of one another, which also develop the invention independently of one another and are therefore also to be regarded as part of the invention individually or in a combination other than that shown.
  • the exemplary embodiments described can also be supplemented by further features of the invention already described.
  • the present invention aims to enable a driver and a vehicle to cope with a driving task in symbiosis.
  • the driver should be given as much freedom as possible and the assistance system should monitor the action and status space in a task-specific manner and intervene as required.
  • driver-specific properties and characteristics should be identified as precisely and situation-dependently as possible, which can be identified according to a given task and made available for a future assistance system.
  • driver-specific characteristics can be derived from a difference to a planned, objectively describable trajectory, which are transferred to objectively describable classes in relation to the respective route segment.
  • Driver-specific characteristics can be derived from a difference to a planned, objectively describable trajectory, which are transferred to objectively describable classes in relation to the respective route segment.
  • a preferred route an individually selected safety distance, acceleration, speed and jerks according to the analyzed route geometry should provide a driver-specific “fingerprint” that enables local mapping and goes beyond the classification into global classes.
  • unknown route segments can also be evaluated.
  • future vehicle guidance preferences can be mapped to unknown route segments and customized support can be provided.
  • driver data is recorded in different modes (e.g. Sport, Comfort, Eco, Race). Under certain circumstances, however, only a single mode is recorded and used as the data basis.
  • modes e.g. Sport, Comfort, Eco, Race.
  • route data and edge data can be stored.
  • the data can be clustered according to route geometry (curvature), route width, reference speed, reference acceleration and the future route.
  • route geometry curvature
  • route width route width
  • reference speed reference speed
  • reference acceleration future route
  • the driver's leadership behavior can now be analyzed in these clusters. Parameters that describe the driving behavior or the driving style can now be derived from this in relation to the geometric segments. For a support algorithm, unknown route data can be analyzed according to the clusters formed and the driving behavior in these segments can be predicted.
  • a driver's fingerprint can be formed, which can be transferred to an "ADAS" (Advanced Driver Assistance System) for an individually adapted support function.
  • ADAS Advanced Driver Assistance System
  • test track 1 is driven on by a driver.
  • test track 1 shows this test track 1 in a Cartesian coordinate system with x-coordinates and y-coordinates.
  • a second route 2 is also shown in FIG. 1, which reflects the route to be traveled. The vehicle or that The driver assistance system should therefore be "taught" with test track 1, and on the basis of the data obtained, route 2 should be assisted or driven autonomously.
  • geometric test data of the test track 1 are recorded.
  • this geometric test data can also be recorded before the test drive, for example by providing the test data from a database for the control system.
  • driving dynamics test data are also recorded by the driver.
  • driving dynamics test data characterize the driver. They represent the driver-specific fingerprint mentioned above and relate, for example, to speeds, accelerations, the safety distance and the like in relation to the geometric test data of test track 1.
  • FIGS. 2 and 3 show acceleration diagrams that can be obtained, for example, on routes 1 and 2 with one and the same driver. Specifically, the acceleration a y in the y-direction to the right and the acceleration a x in the x-direction upwards are shown in both figures.
  • the acceleration a y in the y-direction to the right and the acceleration a x in the x-direction upwards are shown in both figures.
  • the two point clouds are intended to show that a two-dimensional data space can be obtained in relation to driver behavior.
  • other of the data mentioned above for example the acceleration, the width of the route and the like, can also be recorded on the routes. Accordingly, the recorded data result in a multidimensional data space or a multidimensional point cloud.
  • FIG. 2 there is a region 3 at the top center in FIG. 2 which contains data points which occur more frequently than the other points. These points are around the lateral acceleration value of 0 m/s 2 .
  • the longitudinal acceleration a x is usually slightly positive in this area 3 .
  • the acceleration diagram of FIG. 2 relates to route 2 of FIG. 1. This route 2 has longer straight sections and only a few curves. The driver accelerates on the straight sections, so that the longitudinal acceleration a x shows a corresponding positive value. Since there are only a few strong curves, high transverse accelerations a y occur only with low frequency. 3, on the other hand, shows the acceleration diagram for the test track 1. In the cloud of points in FIG.
  • This area 4 is located here in the diagram at the top right, ie with small positive longitudinal acceleration values and with positive transverse acceleration values. This is due to the fact that test track 1 has more curves and, because of the circuit, has more right-hand bends when driving clockwise. These right-hand curves result in positive transverse acceleration values a y in the diagram in FIG. 3 .
  • test track 1 is first traveled over for the test data.
  • data from route 2 could also be used as test data.
  • the test data from test track 1 are used to extrapolate the behavior of the driver onto track 2.
  • test track 1 is first divided into segments 5.
  • Each segment 5 represents a route section and is therefore assigned to part of the geometric test data.
  • Each segment is assigned to one of the given clusters A to J.
  • the entire test data space is divided into ten different clusters A to J, for example.
  • the number of clusters can be chosen arbitrarily. It is therefore also possible to choose fewer or more than ten clusters into which the test data space is divided.
  • each point on the test track is assigned to one of the clusters A to J. This results in a large number of connected groups of points on the route, each of which is assigned to one of the clusters. Geometrically, each group of points represents a segment of this test track 1.
  • driving dynamics data should correspond to a cluster.
  • all driving dynamics data of the points of the clusters are averaged.
  • a median value of the respective parameter (eg speed or acceleration) for the cluster could also be chosen as a fixed value, for example.
  • the division into clusters leads to segments on the route that are geometrically similar and are driven on in a similar way in terms of driving dynamics. These formed clusters can now be used to classify and assign unknown route segments.
  • the results of the driving analysis of the test track can then be transferred to the assistance system. The analysis of the test track can thus be transferred to the route 2 to be driven.
  • the geometric data of the new route 2 to be traveled are known. If necessary, they are determined via a navigation system or the like. Based on this geometric data, clustering into segments can take place. The clusters that were generated in advance in the test data room are used for this. The clustering results in the segments 5 for the route 2 to be traveled according to FIG. Each segment 5 stands for a specific scenario, eg a longer straight stretch, heading for a curve, initial speed 50 km/h, braking acceleration ⁇ 2 m/s 2 etc.
  • the driver assistance system can then, for example, display the speed values when driving on stretch 2 in the respective segment and set acceleration values specified for the associated cluster.
  • a segment-based analysis offers the possibility of subdividing the driver or his identification into subsets.
  • more aspects can be implemented in the description or the parameters can be weighted differently.
  • individual driver-specific characteristics can be mapped (such as routing in a scenario that is difficult to see, safety margin and route width, etc.), which are not averaged for each route, but for the one described scenario can be evaluated individually.
  • more natural support for the driver can be achieved, which is perceived less as an imposition of a management behavior defined by experts.
  • understandable support can be achieved with a high degree of acceptance by the driver.
  • certain modes for the driving dynamics support (such as sport, comfort, eco, ...) can be provided in combination with the classification of the driver's ability (eg sporty, careful).
  • all of the exemplary embodiments mentioned have the advantage of extracting features that describe the driver behavior based on scenarios in a targeted manner and implementing them in an individualized assistance system. This leads to higher acceptance of the driving dynamics support. Furthermore, the function could be offered as an additional feature to an existing function, thereby adding value to the product without significant additional costs.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

Es soll eine möglichst individuelle Unterstützung des Fahrers beim Fahren unbekannter Strecken gewährleistet werden können. Dazu wird ein Verfahren zum Steuern eines Fahrzeugs bereitgestellt, bei dem geometrische Testdaten und fahrdynamische Testdaten auf einer Teststrecke (1) gewonnen werden. Die Testdaten werden in Cluster aufgeteilt, und für jedes Cluster werden clusterspezifische fahrdynamische Daten festgelegt. Schließlich wird die zu befahrende Strecke (2) geclustert und das Fahrzeug in einem Streckenabschnitt (5) entsprechend der festgelegten fahrdynamischen Daten des jeweiligen Clusters gesteuert.

Description

Beschreibung
Segmentbasierte Fahreranalyse und individualisierte Fahrerassistenz
Die vorliegende Erfindung betrifft ein Verfahren zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke. Darüber hinaus betrifft die vorliegende Erfindung ein entsprechendes Fahrerassistenzsystem sowie ein Kraftfahrzeug mit einem solchen Fahrerassistenzsystem.
Fahrerassistenzsysteme und Fahrfunktionen sind in der Regel wenig individualisiert und bieten dem Fahrer entsprechend wenig Spielraum für ein emotionales Fahrerlebnis beziehungsweise generieren geringe Akzeptanz aufgrund nicht nachvollziehbarer Eingriffe. Individuelle Fahrerassistenzsysteme hingegen ermöglichen eine verbesserte Kundenakzeptanz und damit verbunden einen Mehrwert beziehungsweise eine erhöhte Motivation, das Fahrzeug entsprechend zu konfigurieren.
Eine fahrdynamische Analyse des Fahrverhaltens und Fahrkönnens eines Fahrers erfolgt bei bekannten Verfahren meist durch Zuordnung des Fahrers in individuelle Klassen, wie „sportlich“, „vorsichtig“, etc. Diese Zuordnung kann beispielsweise in Form von GG- Diagrammen (Beschleunigungsdiagramme) erfolgen, in denen die Längs- und Querbeschleunigung zweidimensional aufgetragen sind. Auf diese Weise kann eine grobe Beschreibung der Grenzen des Fahrverhaltens beziehungsweise Fahrkönnens erfolgen, aber detaillierte Vorlieben bei der Fahrzeugführung können so nicht berücksichtigt werden.
Dokument US 2021/0012590 A1 offenbart eine Überwachungsvorrichtung zur Bereitstellung von Fahrzeug-Telemetriedaten. Die Überwachungsvorrichtung umfasst einen Sensor zum Erfassen von Vibrationen, die durch Fahrzeug- und Motorbewegungen in Fahrzeugteilen hervorgerufen werden, um entsprechende Vibrationsdaten zu erzeugen. Aus den Vibrationsdaten können Charakteristiken für das Fahrzeug oder den Motor extrahiert werden.
Darüber hinaus offenbart die Druckschrift WO 2019/134110 A1 ein Verfahren und ein System zum autonomen Fahren. Aus Sensordaten wird eine Fahrsituationskarte erzeugt. Ein Deep-Learning-Algorithmus wird trainiert, um auf der Basis der Fahrsituationskarte einen Fahrbefehl zu erzeugen. Die Druckschrift DE 102017209258 A1 offenbart ein Verfahren und eine Vorrichtung zum Überwachen einer Fahrstabilität eines Fahrzeugs auf einer vorausliegenden Fahrroute. Es werden eine aktuelle Geschwindigkeit, ein aktueller Lenkwinkel und eine aktuelle Position des Fahrzeugs ermittelt. Ferner wird ein Fahrertyp bestimmt. Anhand dieser Daten wird ein Geschwindigkeitssignal und ein Lenkwinkelsignal prognostiziert.
Das Dokument US 2016/0026182 A1 offenbart ein personalisiertes Fahren von autonom betriebenen Fahrzeugen. Dazu wird zumindest ein Teil eines Fahrprofils auf ein Fahrzeug geladen. Anhand des Fahrprofils wird das Fahrzeug gesteuert.
Die Aufgabe der vorliegenden Erfindung besteht darin, ein Fahrerassistenzsystem vorzuschlagen, mit dem eine individuellere Unterstützung des Fahrers möglich ist.
Erfindungsgemäß wird diese Aufgabe durch die Gegenstände der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen der Erfindung ergeben sich aus den Unteransprüchen.
Entsprechend der vorliegenden Erfindung wird insbesondere ein Verfahren zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke bereitgestellt. Ein derartiges Verfahren wird beispielsweise in einem Fahrerassistenzsystem durchgeführt. Das Verfahren kann aber auch dazu verwendet werden, ein Fahrzeug autonom zu steuern. In einem Fall erhält der Fahrer eine individuelle, auf den Fahrer zugeschnittene Unterstützung, und im anderen Fall wird ihm das Steuern vollständig abgenommen, indem das Fahrzeug individuell gemäß den Gewohnheiten des Fahrers geführt wird.
Zunächst wird eine Teststrecke durch einen Fahrer befahren. Natürlich können in der Folge auch weitere Teststrecken durch diesen Fahrer befahren werden, um entsprechende Testdaten zu gewinnen. Die Teststrecke beziehungsweise die Teststrecken sollten möglichst viele unterschiedliche Merkmale besitzen, damit vielfältigste Testdaten gewonnen werden können.
Von der Teststrecke werden geometrische Testdaten erfasst. Dieses Erfassen der geometrischen Testdaten kann mittels Sensorik des Fahrzeugs erfolgen. Bei dem Befahren der Teststrecke nehmen diese Sensoren derartige geometrische Testdaten wie Spurbreite beziehungsweise Streckenbreite, Krümmung der Strecke und dergleichen auf. Solche geometrische Testdaten können aber auch beispielsweise von einer Datenbank zur Verfügung gestellt werden und bei Gelegenheit in das Fahrzeug geladen werden. Diese geometrischen Testdaten sind die Grundlage dafür, in der Zukunft zu befahrende Strecken beziehungsweise Streckenabschnitte zu klassifizieren.
Bei dem Befahren der Teststrecke durch den Fahrer erfolgt ein Erfassen von fahrdynamischen Testdaten. Solche Testdaten umfassen beispielsweise Beschleunigungen, Geschwindigkeiten und dergleichen. Selbstverständlich sind diese fahrdynamischen Testdaten den geometrischen Testdaten zugeordnet. Nur so lässt sich beispielsweise bei einer Kurvenfahrt das Fahrerverhalten individuell feststellen. Die fahrdynamischen Testdaten werden durch eine Sensorik des Fahrzeugs ermittelt und abgespeichert. Gegebenenfalls werden diese fahrdynamischen Testdaten unter Umständen zusammen mit den geometrischen Testdaten an eine fahrzeugexterne Recheneinheit übertragen, um sie dort zu verarbeiten und entsprechend verarbeitete Daten zurück an das Fahrzeug zu schicken. Die fahrdynamischen Testdaten geben Auskunft über das Fahrverhalten des Fahrers in bestimmten Situationen beziehungsweise auf bestimmten Streckenabschnitten.
Die erfassten beziehungsweise teilweise bereitgestellten Testdaten, also die geometrischen Testdaten und ggf. weitere objektive Situationsdaten bilden zusammen üblicherweise eine Punktewolke in einem Testdatenraum, der in der Regel mehrdimensional ist. Jeder Parameter der geometrischen Testdaten und der weiteren Situationsdaten bildet eine eigene Dimension in dem Testdatenraum. Der Testdatenraum oder die Punktewolke werden nun in Cluster aufgeteilt. Dazu kann eine Clusteranalyse durchgeführt werden, um Ähnlichkeitsstrukturen in dem Datenbestand zu entdecken. Die Clusteranalyse entsteht auf Basis objektivierbarer Größen, wie Streckenbreite, Krümmung, Neigung, Steigung, Temperatur, Verkehrsaufkommen, Wetter (nass, trocken,...), Untergrund (Asphalt, Kopfsteinpflaster), Referenzgrößen einer Planung (Geschwindigkeiten, Beschleunigungen, Gierwinkel, etc.) nicht aber auf Basis der subjektiven Größen eines Fahrers. Das Clustering dient dabei einer automatisierten Unterteilung gefahrener Strecken in Szenarien / Segmente. Es soll als Tool dienen, um Bereiche zur Extraktion des Fahrstils objektiv bereitstellen zu können. Auf diese Weise lässt sich der Testdatenraum beziehungsweise die Testdaten in eine Vielzahl von Clustern aufteilen, die für eine spätere Klassifizierung als Grundlage dienen können.
In einem weiteren Schritt werden die fahrdynamischen Daten für jedes Cluster auf der Basis der fahrdynamischen Testdaten des jeweiligen Clusters festgelegt. Dies bedeutet, dass mit der Clusterung Szenarien identifiziert wurden, in denen sich ein Fahrer mit hoher Wahrscheinlichkeit reproduzierbar verhält, und nun auf dieser Basis das Verhalten bestimmt und später angewendet wird. Beispielsweise fährt der Fahrer bei einer Linkskurve auf einer Fahrbahn mit Standstreifen näher am äußeren Fahrbahnrand als an der Mittellinie. Dies wurde beispielsweise in mehreren Testfahrten belegt. Durchschnittlich hält der Fahrer in solchen Situationen zum äußeren Fahrbahnrand einen Abstand von einem Meter ein. Daher wird dieser Abstand zum äußeren Fahrbahnrand als dynamischer Datensatz für genau dieses Cluster festgelegt. Fährt das Fahrzeug dann autonom oder assistiert, so wird das Fahrzeug versuchen, genau diesen individuellen Abstand von einem Meter zum äußeren Fahrbahnrand beim Durchfahren der Linkskurve einzuhalten. Dadurch kann der Fahrer genau so unterstützt werden wie er selbst entscheiden würde.
In einem weiteren Schritt erfolgt ein Zuordnen von Streckenabschnitten der zu fahrenden Strecke zu den Clustern anhand von geometrischen Daten der zu fahrenden Strecke. Es wird also eine neue, unbekannte Strecke, die der Fahrer fahren will, automatisiert in Segmente unterteilt. Jedes Segment, d.h. jeder Streckenabschnitt, ist einem Cluster zugeordnet. Die Zuordnung erfolgt u.a. über geometrische Daten, die vor der zu fahrenden Strecke vorliegen, und ggf. weiteren Daten, die jeweilige Szenarien beschreiben (Streckenbreite, Krümmung, Neigung, Steigung, Temperatur, Verkehrsaufkommen, Wetter, Untergrund, Referenzgrößen einer Planung, etc.). Beispielsweise wurden die geometrischen Daten von einem Navigationssystem oder von einer fahrzeugextern Datenbank gewonnen. Die geometrischen Daten der zu fahrenden Strecke, wie etwa die Koordinaten, die Krümmung und die Streckenbreite, können berücksichtigt werden, um beispielsweise jeden Punkt der zu fahrenden Strecke einem Cluster zuzuordnen. So kann beispielsweise eine Centroid-Methode angewandt werden, um jeden Punkt der zu fahrenden Strecke einem jeweiligen Cluster zuzuordnen. Dabei erfolgt die Zuordnung des Punkts zu demjenigen Cluster, zu dem der Punkt den geringsten Abstand in dem Datenraum besitzt. Auf diese Weise lässt sich die gesamte zu fahrende Strecke in Streckenabschnitte beziehungsweise Segmente unterteilen, die jeweils einem der Cluster zugeordnet sind.
In einem abschließenden Schritt des Verfahrens erfolgt ein Steuern mindestens einer Fahrzeugkomponente des Fahrzeugs in einem der Streckenabschnitte entsprechend den festgelegten fahrdynamischen Daten des jeweiligen Cluster. Es wird also mindestens eine Fahrzeugkomponente entsprechend angesteuert, was bedeutet, dass der Fahrer entweder unterstützt wird oder das Fahrzeug autonom gesteuert wird. Da der zu befahrene Streckenabschnitt eindeutig klassifiziert, d.h. einem Cluster zugeordnet wurde, können zur Steuerung genau diejenigen festgelegten fahrdynamischen Daten des jeweiligen Clusters benutzt werden. Fällt der zu befahrene Abschnitt beispielsweise in das Cluster „gerade Strecke“ und der Fahrer ist solche „geraden Strecken“ bei den Testfahrten immer mit einer Geschwindigkeit von 90 km/h gefahren, so wird auch hier bei der individuellen Fahrerunterstützung das Fahrzeug so gesteuert, dass es auf der „geraden Strecke“ 90 km/h fährt.
Bislang gab es beispielsweise lediglich eine Art Fahrprofilauswahl. Mit diesem optionalen Feature ist es möglich, immer das passende Fahrprofil auszuwählen: z.B. Normal, Eco, Sport, Komfort oder Individual. Die Motor- und Getriebeabstimmung sowie das Verhalten bestimmter Assistenzsysteme werden so den Gegebenheiten angepasst. Diese Einstellungen lernen jedoch nicht szenarienbasiert und passen die Unterstützung nicht entsprechend der jeweiligen Fahrsituation gezielt an. Zudem werden keine individualisierten Fahrstile berücksichtigt, die z.B. Linienführung, Bremspunkte etc. betrachten.
Mit der oben vorgestellten, erfindungsgemäßen Lösung wird es jedoch möglich, gezielt Features, die das Kundenverhalten szenarienbasiert beschreiben, so zu extrahieren und in ein individualisiertes Assistenzsystem zu implementieren. Dies bietet den Vorteil potentiell höherer Akzeptanz bei der fahrdynamischen Unterstützung. Zusätzlich könnte die Funktion als optionales Feature zu einer bestehenden Funktion angeboten werden, wodurch die Wertschöpfung des Produkts ohne signifikante Mehrkosten erhöht wird.
In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass die geometrischen Testdaten Positionsdaten, eine Krümmung, eine Streckenbreite, Kombination von Streckenabschnittstypen (z.B. Kurve mit anschließender Gerade etc.) und/oder eine Anzahl an Fahrspuren der Teststrecke beinhalten. Dies bedeutet, dass die Geometrie der Teststrecke hinreichend bekannt ist. Aus diesen geometrischen Testdaten können weitere Informationen gewonnen werden, wie beispielsweise die Länge einer geraden Strecke, die Länge einer Kurve, das Gefälle und dergleichen. Darüber hinaus ist es mit diesen Testdaten auch möglich, das Zusammenwirken von Streckenabschnitten zu analysieren. Beispielsweise wird ein Fahrer anders in eine Linkskurve fahren, wenn der vorausliegende Streckenabschnitt ein gerader Streckenabschnitt oder einer Rechtskurve war. Ähnliches gilt für das Beschleunigen aus einer Kurve heraus, wenn nach einer Kurve ein gerade Abschnitt liegt und nicht wieder eine Kurve. Auch wird die Anzahl der Fahrspuren das Fahrverhalten beeinflussen. So wird in der Regel auf einer zweispurigen Strecke schneller gefahren als auf einer einspurigen. All diese geometrischen Parameter besitzen in der Regel also Einfluss auf das Fahrverhalten eines individuellen Fahrers und werden vorzugsweise für die Clusteranalyse verwendet.
Gemäß einem weiteren Ausführungsbeispiel können bei dem Befahren der Teststrecke zusätzliche Situationsdaten bezüglich Wetter, Uhrzeit, Verkehrsdichte und/oder Umgebung erfasst werden, wobei die Situationsdaten in den Testdatenraum und die Clusterbildung mit eingehen, aktuelle Situationsdaten für das Befahren der zu befahrenden Strecke erfasst werden und das Zuordnen der Streckenabschnitte zu den Clustern auch in Abhängigkeit von den aktuellen Situationsdaten erfolgt. Dies bedeutet, dass für die Clusterbildung nicht nur Geometriedaten der Teststrecke beziehungsweise der Teststrecken herangezogen werden können, sondern auch weitere Daten, die das Fahrverhalten eines Fahrers beeinflussen können. Diesbezügliche Situationsdaten beschreiben also die Situation beziehungsweise das Szenario, in die/das die bevorstehende Fahrt eingebettet ist. Speziell kann das Wetter eine Rolle spielen, wenn die Fahrbahn nass oder schneebedeckt ist. Darüber hinaus kann auch die Uhrzeit eine Rolle spielen, gemäß der beispielsweise Staus vorhergesagt werden können. Gegebenenfalls kann die Verkehrsdichte beispielsweise über zusätzliche Informationskanäle wie Rundfunk und dergleichen ermittelt werden. Darüber hinaus kann es für die Fahrsituation auch von Bedeutung sein, wie die Umgebung der Strecke gestaltet ist. Das Fahrverhalten ändert sich beispielsweise, wenn die Fahrstrecke nicht in freier Umgebung, sondern in einem Tunnel verläuft. Darüber hinaus zählen zu den Situationsdaten betreffend die Umgebung auch beispielsweise Verkehrszeichen am Fahrbahnrand. So fährt beispielsweise ein Fahrer im Stadtbereich, der auf eine Höchstgeschwindigkeit von 50 km/h begrenzt ist, in der Regel 55 km/h, während ein anderer Fahrer in dieser Situation meist genau 50 km/h fährt. Auch dieses situationsspezifische individuelle Verhalten kann hier dadurch berücksichtigt werden, dass zu dem Streckenabschnitt „Ortsbereich“ die fahrdynamischen Testdaten (hier die Geschwindigkeit) festgehalten und für das individuelle Steuern verwendet werden.
Generell können also die obigen Situationsdaten in dem Testdatenraum als eigene Dimensionen berücksichtigt werden. Es können damit spezielle Szenarien beziehungsweise Cluster gebildet werden, wie etwa „Kurvenfahrt auf nasser Fahrbahn“, „Kurvenfahrt im Ortsbereich“, „Kurvenfahrt auf Landstraße“ und dergleichen. Für den Transfer von der Teststrecke auf die zukünftig zu befahrende Strecke bedeutet dies, dass entsprechende aktuelle Situationsdaten für das Befahren der zu fahrenden Strecke erfasst beziehungsweise gewonnen werden können/müssen. Wenn also beispielsweise über eine Wettervorhersage oder einen Regensensor festgestellt wird, dass aktuell Regen fällt, kann der Algorithmus auf Clusterelemente zugreifen, die die Situation „Regen“ beziehungsweise „nasse Fahrbahn“ beinhalten. Damit können die Streckenabschnitte der zu befahrenden Strecke der aktuellen Situation geschuldet situationsspezifischen Clustern zugeordnet werden. Entsprechend kann die Steuerung des Fahrzeugs mit den fahrdynamischen Daten dieser Cluster erfolgen. In einem weiteren Ausführungsbeispiel kann vorgesehen sein, dass das Erfassen der fahrdynamischen Daten für mehrere Fahrmodi des Fahrers und das Aufteilen des Testdatenraums in Cluster auch in Abhängigkeit von den mehreren Fahrmodi erfolgt, für die zu fahrende Strecke einer der mehreren Fahrmodi gewählt wird, und das Zuordnen der Streckenabschnitte zu den Clustern in Abhängigkeit von dem gewählten Fahrmodus erfolgt. In diesem Fall besteht also die Möglichkeit, dass der Fahrer selbst seinen Fahrstil, wie etwa Sport, Komfort, Eco etc., wählt und der Algorithmus dennoch fahrerindividuell assistiert beziehungsweise die Steuerung übernimmt. Dazu ist es notwendig, dass der Fahrer bei den Testfahrten als zusätzlichen Parameter den Fahrmodus für sich festlegt. Beispielsweise will er die Teststrecke in möglichst kurzer Zeit, also „sportlich“ zurücklegen. In einem anderen Fall will der Fahrer auf der Teststrecke sicher beziehungsweise komfortabel fahren und dies entsprechend bei der Testfahrt als Parameter eingeben. Im Anwendungsfall für eine zukünftig zu fahrende Strecke wird der Algorithmus dann beim Wählen des entsprechenden Fahrmodus die Streckenabschnitte in Cluster dieses spezifischen Fahrmodus unterteilen und die Steuerung entsprechend durchführen.
Weiterhin kann vorgesehen sein, dass die fahrdynamischen Daten eine Linienführung, einen Sicherheitsabstand, eine Beschleunigung, eine Geschwindigkeit und/oder einen Ruck beinhalten. Dies bedeutet, dass die fahrdynamischen Daten sowohl bei der Testfahrt als auch für die Steuerung einer zukünftig oder aktuell zu fahrenden Strecke einen oder mehrere Parameter umfassen können. Einer dieser Parameter ist die Linienführung, die ein Fahrer in der Regel individuell wählt, wenn er eine Strecke abfährt. Die Linienführung kann beispielsweise bei gleicher Geometrie in unterschiedlichen Situationen jedoch auch verschieden sein. Ähnliches gilt beim Sicherheitsabstand zum vorausfahrenden Fahrzeug. Jeder Fahrer wählt den für ihn richtigen Sicherheitsabstand individuell und situationsabhängig. Insbesondere ältere Verkehrsteilnehmer halten einen höheren Sicherheitsabstand ein als jüngere Verkehrsteilnehmer. Dieser fahrerspezifische Sicherheitsabstand unterscheidet sich nochmals in den verschiedenen Situationen. Auch die weiteren Parameter wie Beschleunigung, Geschwindigkeit und Ruck sind in der Regel sehr fahrerspezifisch. So wählt beispielsweise jeder Fahrer beim Start an einer Ampel eine individuelle Beschleunigung. Der Fahrer akzeptiert eine diesbezügliche Fahrerassistenz umso mehr, wenn diese genau diese individuelle Beschleunigung wählt.
In einem weiteren Ausführungsbeispiel kann vorgesehen sein, dass bei dem Zuordnen von Streckenabschnitten der zu fahrenden Strecke zu den Clustern die geometrischen Daten der zu fahrenden Strecke und/oder die aktuellen Situationsdaten individuell gewichtet werden.
So kann es beispielsweise für einen Fahrer weniger relevant sein, die Uhrzeit bei der Steuerung zu berücksichtigen als die Umgebung der aktuell zu befahrenden Strecke. Auf diese Weise kann vermieden werden, dass nicht viele Einflussparameter einfach gemittelt werden, wie das derzeit bei üblichen Systemen der Fall ist, die beispielsweise nur „sportliche“ Fahrt oder dergleichen anbieten.
Bei einerweiteren vorteilhaften Ausgestaltung beruht das Zuordnen von Streckenabschnitten der zu fahrenden Strecke zu den Clustern auf maschinellem Lernen. Dieses maschinelle Lernen kann insbesondere unüberwacht stattfinden. Bei einer speziellen Ausgestaltung des maschinellen Lernens wird ein neuronales Netzwerk verwendet. Ein solches Netzwerk kann beispielsweise mit den Testdaten trainiert und für das Klassifizieren der Streckenabschnitte der zu fahrenden Strecke verwendet werden.
Darüber hinaus kann auch vorgesehen sein, dass in dem Testdatenraum auch Fahrzeugdaten über das Fahrzeug enthalten sind, und das Steuern der mindestens einen Fahrzeugkomponente spezifisch für das Fahrzeug erfolgt. Dies bedeutet, dass der Fahrer die fahrdynamischen Testdaten spezifisch für ein Fahrzeug gewinnen kann. Fährt der Fahrer in einem anderen Fahrzeug die gleiche Teststrecke, können die fahrdynamischen Testdaten durchaus anders ausfallen. Dementsprechend kann es von Vorteil sein, zu den Testdaten auch Fahrzeugdaten und insbesondere den Fahrzeugtyp abzuspeichern. Auf diese Weise kann der Fahrer seine Testdatenbank für mehrere Fahrzeuge nutzen und dazu beispielsweise einen Fahrzeugtyp für die aktuelle Steuerung wählen.
Darüber hinaus wird die oben genannte Aufgabe erfindungsgemäß gelöst durch ein Fahrerassistenzsystem zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke mit einer Erfassungseinrichtung zum Erfassen von geometrischen Testdaten der Teststrecke und zum Erfassen von fahrdynamischen Testdaten bei einem Befahren einer Teststrecke durch einen Fahrer, einer Klassifikationseinrichtung zum Aufteilen eines von den geometrischen Testdaten gebildeten Testdatenraums in Cluster sowie einer Datenverarbeitungseinrichtung zum Festlegen von fahrdynamischen Daten für jedes Cluster auf der Basis derjenigen fahrdynamischen Testdaten, die einem jeweiligen Cluster zuordenbar sind, wobei die Klassifikationseinrichtung ausgelegt ist zum Zuordnen von Streckenabschnitten der zu fahrenden Strecke zu den Clustern anhand von geometrischen Daten der zu fahrenden Stecke und das Fahrerassistenzsystem eine Steuereinrichtung aufweist zum Steuern mindestens einer Fahrzeugkomponente des Fahrzeugs in einem der Streckenabschnitte entsprechend den festgelegten fahrdynamischen Daten des jeweiligen Cluster. D.h. die Clusterung erfolgt auf Basis objektivierbarer Größen, wie Streckenbreite, Krümmung, Neigung, Steigung, Temperatur, Verkehrsaufkommen, Wetter (nass, trocken,...), Untergrund (Asphalt, Kopfsteinpflaster), Referenzgrößen einer Planung (Geschwindigkeiten, Beschleunigungen, Gierwinkel, etc.), nicht aber auf Basis der subjektiven Größen eines Fahrers.
Ein derartiges Fahrerassistenzsystem besitzt also eine Erfassungseinrichtung, welche ihrerseits beispielsweise eine entsprechende Sensorik aufweist. Darüber hinaus kann die Erfassungseinrichtung auch geeignete Schnittstellen zum Aufnehmen von Testdaten umfassen. Die Klassifikationseinrichtung des Fahrerassistenzsystems kann auf Vektormaschinen oder neuronalen Netzen oder Ähnlichem beruhen. In jedem Fall besitzt die Klassifikationseinrichtung für die automatisierte Klassifizierung einen Prozessor und entsprechende Speicherbausteine. Ebenso ist die Datenverarbeitungseinrichtung des Fahrerassistenzsystems mit einem entsprechenden Prozessor und Speicherbausteinen ausgestattet. Gegebenenfalls sind die Klassifikationseinrichtung und die Datenverarbeitungseinrichtung in einer Einheit realisiert. Darüber hinaus besitzt das Fahrerassistenzsystem eine Steuereinrichtung, mit der Fahrzeugkomponenten des Fahrzeug ansteuerbar sind. Gegebenenfalls sind hierfür entsprechende Treiber vorzusehen.
Das Fahrerassistenzsystem ist vorzugsweise in der Lage, das oben geschilderte Verfahren und dessen Weiterentwicklungen auszuführen. Damit ergeben sich für das Fahrerassistenzsystem die gleichen Vorteile wie für die entsprechenden Verfahren.
Zudem kann ein Kraftfahrzeug mit dem oben genannten Fahrerassistenzsystem ausgestattet sein. Somit kann das Kraftfahrzeug individuell mit den Eigenheiten eines Fahrers gesteuert beziehungsweise unterstützt werden.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen.
Im Folgenden werden Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
Fig. 1 ein Diagramm von zwei Fahrstrecken;
Fig. 2 ein Beschleunigungsdiagramm für eine der beiden Strecken von Fig. 1 für einen bestimmten Fahrer;
Fig. 3 ein Beschleunigungsdiagramm der anderen Strecke von Fig. 1 für den gleichen Fahrer; Fig. 4 eine der beiden Strecken in segmentierter Form; und
Fig. 5 die andere der beiden Strecken in segmentierter Form.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsbeispiele der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsbeispiele auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.
In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.
Die vorliegende Erfindung zielt darauf ab, dass ein Fahrer und ein Fahrzeug in Symbiose eine Fahraufgabe bewältigen können. Dabei soll beispielsweise dem Fahrer möglichst viel Freiheit gewährt werden und das Assistenzsystem aufgabenspezifisch den Aktions- und Zustandsraum überwachen und bedarfsgerecht eingreifen.
Hierzu sollte eine möglichst präzise und situationsabhängige Identifikation fahrerspezifischer Eigenschaften und Charakteristika erfolgen, die entsprechend einer vorgegebenen Aufgabe identifiziert und für ein künftiges Assistenzsystem zur Verfügung gestellt werden können.
Wie eingangs erwähnt wurde, ist aus dem Stand der Technik die Einordnung von Fahrern in Klassen, z.B. sportlich, vorsichtig, bekannt. Diese Klassifizierung ist jedoch sehr rudimentär, und es besteht der Bedarf nach einer genaueren, individuelleren Abbildung des Fahrers in einem Assistenzsystem.
Es wird daher vorgeschlagen, dass der Fahrer in geometrisch ähnlichen Streckensegmenten analysiert wird. Über eine Differenz zu einer geplanten, objektiv beschreibbaren Trajektorie können fahrerspezifische Charakteristika abgeleitet werden, die in Bezug auf das jeweilige Streckensegment in objektiv beschreibbare Klassen überführt werden. So sollen beispielsweise eine präferierte Linienführung, ein individuell gewählter Sicherheitsabstand, Beschleunigungen, Geschwindigkeiten und Rucke entsprechend der analysierten Streckengeometrie einen fahrerindividuellen „Fingerprint“ liefern, der eine lokale Abbildung ermöglicht und über die Einteilung in globale Klassen hinausgeht. Mit Hilfe der Streckenabschnittsanalyse können zudem unbekannte Streckensegmente bewertet werden. Mit Hilfe dieser Extrapolation können zukünftige Präferenzen bei der Fahrzeugführung auf unbekannte Streckensegmente abgebildet und eine maßgeschneiderte Unterstützung bereitgestellt werden.
In einer Ausführungsform werden Fahrerdaten in unterschiedlichen Modi aufgezeichnet (z.B. Sport, Komfort, Eco, Race). Unter Umständen wird aber auch nur ein einziger Modus aufgezeichnet und als Datengrundlage verwendet.
Speziell können beispielsweise Streckendaten und Randdaten (Daten von der Umgebung der Strecke beziehungsweise des Fahrzeugs) gespeichert werden. Die Daten können etwa nach Streckengeometrie (Krümmung), Streckenbreite, Referenz-Geschwindigkeit, Referenz- Beschleunigung sowie dem zukünftigen Streckenverlauf geclustert werden. Die Clusterung kann aber auch nach einer Auswahl dieser Kenngrößen oder aber auch nach zusätzlichen anderen Kenngrößen erfolgen.
Das Führungsverhalten des Fahrers kann nun in diesen Clustern analysiert werden. Daraus können nun Kenngrößen, die das Fahrverhalten beziehungsweise die Fahrweise beschreiben, in Bezug auf die geometrischen Segmente abgeleitet werden. Für einen Unterstützungsalgorithmus können entsprechend der gebildeten Cluster unbekannte Streckendaten analysiert und das Fahrverhalten in diesen Segmenten prädiziert werden.
Somit lässt sich ein Fahrer-Fingerprint bilden, der für eine individuell angepasste Unterstützungsfunktion an ein „ADAS“ (Advanced Driver Assistance System) übergeben werden kann.
Im Zusammenhang mit den Fig. 1 bis 5 wird nun ein konkretes Beispiel erläutert, wie ein erfindungsgemäßes Verfahren zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke realisiert werden kann. Zunächst wird von einem Fahrer eine Teststrecke 1 befahren. In Fig.
1 ist diese Teststrecke 1 in einem kartesischen Koordinatensystem mitx-Koordinaten und y- Koordinaten wiedergegeben. Darüber hinaus ist in Fig. 1 auch eine zweite Strecke 2 dargestellt, die die zu fahrende Strecke widergibt. Das Fahrzeug beziehungsweise das Fahrerassistenzsystem soll also mit der Teststrecke 1 „angelernt“ werden, und auf der Basis der damit gewonnenen Daten soll die Strecke 2 assistiert oder autonom gefahren werden.
Bei dem Befahren der Teststrecke 1 werden geometrische Testdaten der Teststrecke 1 erfasst. Das Erfassen dieser geometrischen Testdaten kann aber auch bereits vor der Testfahrt beispielsweise dadurch erfolgen, dass die Testdaten aus einer Datenbank für das Steuerungssystem bereitgestellt werden.
Bei der Testfahrt auf der Teststrecke 1 werden zudem fahrdynamische Testdaten von dem Fahrer erfasst. Diese fahrdynamischen Testdaten charakterisieren den Fahrer. Sie stellen den oben genannten fahrerindividuellen Fingerprint dar und betreffen z.B. die Geschwindigkeiten, die Beschleunigungen, den Sicherheitsabstand und dergleichen in Bezug auf die geometrischen Testdaten der Teststrecke 1.
Die Fig. 2 und 3 zeigen Beschleunigungsdiagramme, die beispielsweise auf den Strecken 1 und 2 mit ein und demselben Fahrer gewonnen werden können. Speziell ist in beiden Figuren die Beschleunigung ay in y-Richtung nach rechts und die Beschleunigung ax in x- Richtung nach oben eingezeichnet. Beim Befahren der Strecken 1 und 2 ergeben sich zahlreiche Beschleunigungsmesspunkte, die in den Figuren dargestellt sind. Es ergeben sich dabei jeweils typische Punktewolken, die das Verhalten des Fahrers in Bezug auf Beschleunigungen charakterisieren. Die beiden Punktewolken sollen hier zeigen, dass ein zweidimensionaler Datenraum in Bezug auf das Fahrerverhalten gewonnen werden kann. Zusätzlich beziehungsweise alternativ können auf den Strecken auch andere der oben genannten Daten, beispielsweise die Beschleunigung, die Streckenbreite und dergleichen, aufgezeichnet werden. Dementsprechend ergeben die aufgezeichneten Daten einen mehrdimensionalen Datenraum beziehungsweise eine mehrdimensionale Punktewolke.
Im vorliegenden Beispiel ergibt sich in Fig. 2 in der Mitte oben ein Bereich 3, der Datenpunkte beinhaltet, welche häufiger auftreten als die anderen Punkte. Diese Punkte liegen um den Querbeschleunigungswert 0 m/s2. Die Längsbeschleunigung ax ist in diesem Bereich 3 meist leicht positiv. Das Beschleunigungsdiagramm von Fig. 2 bezieht sich auf die Strecke 2 von Fig. 1. Diese Strecke 2 besitzt längere gerade Abschnitte und nur wenige Kurven. Auf den geraden Abschnitten beschleunigt der Fahrer, so dass die Längsbeschleunigung ax einen entsprechenden positiven Wert zeigt. Da wenige starke Kurven vorliegen, treten hohe Querbeschleunigungen ay nur mit geringer Häufigkeit auf. Fig. 3 hingegen zeigt das Beschleunigungsdiagramm für die Teststrecke 1. In der Punktewolke von Fig. 3 ist ein Bereich 4 kenntlich gemacht, der wiederum gehäufte Beschleunigungswerte darstellt. Dieser Bereich 4 befindet sich hier im Diagramm rechts oben, d.h. bei kleinen positiven Längsbeschleunigungswerten und bei positiven Querbeschleunigungswerten. Dies liegt daran, dass die Teststrecke 1 kurvenreicher ist und wegen des Rundkurses bei einer Befahrung im Uhrzeigersinn mehr Rechtskurven aufweist. Durch diese Rechtskurven ergeben sich im Diagramm von Fig. 3 positive Querbeschleunigungswerte ay.
Für das erfindungsgemäße Verfahren genügt es, wenn für die Testdaten beispielsweise zunächst die Teststrecke 1 befahren wird. Natürlich ist es besser, wenn grundsätzlich mehr Daten als Datengrundlage zur Verfügung stehen. Prinzipiell könnten natürlich auch die Daten von Strecke 2 zusätzlich als Testdaten herangezogen werden. Zum Zwecke der Erläuterung der Erfindung werden jedoch die Testdaten von Teststrecke 1 dazu benutzt, um das Verhalten des Fahrers auf die Strecke 2 zu extrapolieren.
Hierzu wird zunächst die Teststrecke 1 in Segmente 5 aufgeteilt. Jedes Segment 5 stellt einen Streckenabschnitt dar und ist demnach einem Teil der geometrischen Testdaten zugeordnet. Jedes Segment ist einem der vorgegebenen Cluster A bis J zugeordnet. Der gesamte Testdatenraum wird hier beispielsweise in zehn verschiedene Cluster A bis J unterteilt. Grundsätzlich kann die Anzahl der Cluster beliebig gewählt werden. Es können also auch weniger oder mehr als zehn Cluster gewählt werden, in die der Testdatenraum unterteilt wird.
Die Segmentierung läuft anhand einer Clusteraufteilung ab, wie sie in dem mehrdimensionalen Testdatenraum (ohne fahrdynamische Daten) getroffen wurde. Bildlich kann man sich diese Punktewolke vorstellen wie in den Fig. 2 und 3, allerdings mit entsprechend mehr Dimensionen. Jeder Punkt auf der Teststrecke wird einem der Cluster A bis J zugeordnet. Dadurch ergibt sich eine Vielzahl an zusammenhängenden Punktegruppen auf der Strecke, die jeweils einem der Cluster zugeordnet sind. Jede Punktegruppe stellt geometrisch ein Segment dieser Teststrecke 1 dar.
Beispielsweise werden alle Punkte auf einem geraden Streckenabschnitt vor einer scharfen Kurve einem Cluster A zugeordnet. Dieser Streckenabschnitt bildet somit ein Segment 5.
Nun muss festgelegt werden, welche fahrdynamischen Daten einem Cluster entsprechen sollen. Dazu können beispielsweise sämtliche fahrdynamischen Daten der Punkte des Clusters gemittelt werden. Es könnte aber auch beispielsweise ein Medianwert des jeweiligen Parameters (z.B. Geschwindigkeit oder Beschleunigung) für das Cluster als fester Wert gewählt werden.
Die Einteilung in Cluster führt also zu Segmenten auf der Strecke, die geometrisch ähnlich sind und fahrdynamisch ähnlich befahren werden. Diese gebildeten Cluster können nun benutzt werden, um unbekannte Streckensegmente zu klassifizieren und zuzuordnen. Die Ergebnisse der Fahranalyse der Teststrecke können dann auf das Assistenzsystem übertragen werden. Es kann somit ein Transfer der Analyse der Teststrecke auf die zu fahrende Strecke 2 erfolgen.
Die geometrischen Daten der neu zu fahrenden Strecke 2 sind bekannt. Gegebenenfalls werden sie über ein Navigationssystem oder dergleichen ermittelt. Auf der Basis dieser geometrischen Daten kann das Clustern in Segmente erfolgen. Dazu werden die Cluster verwendet, die im Testdatenraum vorab generiert wurden. Durch die Clusterung ergeben sich für die zu fahrende Strecke 2 gemäß Fig. 5 die Segmente 5. Die zu fahrende Strecke 2 ist also ähnlich wie die Teststrecke 1 in Streckenabschnitte segmentiert. Jedes Segment 5 steht für ein spezifisches Szenario, z.B. längere gerade Strecke, auf eine Kurve zulaufend, Anfangsgeschwindigkeit 50 km/h, Bremsbeschleunigung -2 m/s2 etc. Das Fahrerassistenzsystem kann dann bei Befahren der Strecke 2 in dem jeweiligen Segment beispielsweise die Geschwindigkeitswerte und Beschleunigungswerte, die für das zugehörige Cluster spezifiziert sind, vorgeben.
Eine segmentbasierte Analyse bietet die Möglichkeit, den Fahrer beziehungsweise dessen Identifikation in Teilmengen zu untergliedern. Dabei können grundsätzlich mehr Aspekte in die Beschreibung implementiert beziehungsweise die Kenngrößen unterschiedlich stark gewichtet werden. D.h., entsprechend der ausgewählten Klasse, wie beispielsweise komfortable oder sportliche Fahrt, können einzelne, fahrerindividuelle Merkmale abgebildet werden (wie beispielsweise Linienführung in einem schlecht einsehbaren Szenario, Sicherheitsrand und Streckenbreite, etc.), die nicht für jede Strecke gemittelt, sondern für das beschriebene Szenario einzeln bewertet werden. Dadurch lässt sich eine natürlichere Unterstützung des Fahrers bewerkstelligen, die weniger als ein Aufzwingen von einem von Experten definierten Führungsverhalten wahrgenommen wird. Es kann so eine nachvollziehbare Unterstützung bei hoher Akzeptanz des Fahrers erreicht werden. Gemäß einerweiteren Ausführungsform können bestimmte Modi für die fahrdynamische Unterstützung (etwa Sport, Komfort, Eco, ...) in Kombination mit der Klassifikation des Fahrerkönnens (z.B. sportlich, vorsichtig) bereitgestellt werden.
Erfindungsgemäß ergibt sich bei all den genannten Ausführungsbeispielen der Vorteil, gezielt Features, die das Fahrerverhalten szenarienbasiert beschreiben, zu extrahieren und in ein individualisiertes Assistenzsystem zu implementieren. Dies führt zu höherer Akzeptanz bei der fahrdynamischen Unterstützung. Ferner könnte die Funktion als zusätzliches Feature zu einer bestehenden Funktion angeboten werden, wodurch die Wertschöpfung des Produkts ohne signifikante Mehrkosten erhöht wird.
Bezugszeichenliste Teststrecke Strecke Bereich Bereich Segment

Claims

Patentansprüche
1. Verfahren zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke (2) durch
- Befahren einer Teststrecke (1) durch einen Fahrer,
- Erfassen von geometrischen Testdaten der Teststrecke (1),
- Erfassen von fahrdynamischen Testdaten des Befahrens der Teststrecke (1) durch den Fahrer,
- Aufteilen eines von den geometrischen Testdaten gebildeten Testdatenraums in Cluster,
- Festlegen von fahrdynamischen Daten für jedes Cluster auf der Basis derjenigen fahrdynamischen Testdaten, die einem jeweiligen Cluster zuordenbar sind,
- Zuordnen von Streckenabschnitten (5) der zu fahrenden Strecke (2) zu den Clustern anhand von geometrischen Daten der zu fahrenden Strecke und
- Steuern mindestens einer Fahrzeugkomponente des Fahrzeugs in einem der Streckenabschnitte (5) entsprechend den festgelegten fahrdynamischen Daten des jeweiligen Cluster.
2. Verfahren nach Anspruch 1, wobei die geometrischen Testdaten Positionsdaten, eine Krümmung, eine Streckenbreite, eine Kombination von Streckenabschnittstypen und/oder eine Anzahl an Fahrspuren der Teststrecke (1) beinhalten.
3. Verfahren nach Anspruch 1 oder 2, wobei bei dem Befahren der Teststrecke (1) zusätzliche Situationsdaten bezüglich Wetter, Uhrzeit, Verkehrsdichte und/oder Umgebung erfasst werden, die Situationsdaten in den Testdatenraum und die Clusterbildung mit eingehen, aktuelle Situationsdaten für das Befahren der zu fahrenden Stecke erfasst werden, und das Zuordnen der Streckenabschnitte (5) zu den Clustern auch in Abhängigkeit von den aktuellen Situationsdaten erfolgt.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Erfassen der fahrdynamischen Daten für mehrere Fahrmodi des Fahrers und das Aufteilen des Testdatenraums in Cluster auch in Abhängigkeit von den mehreren Fahrmodi erfolgt, für die zu fahrende Strecke (2) einer der mehreren Fahrmodi gewählt wird, und das Zuordnen der Streckenabschnitte (5) zu den Clustern in Abhängigkeit von dem gewählten Fahrmodus erfolgt.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei die fahrdynamischen Daten eine Linienführung, einen Sicherheitsabstand, eine Beschleunigung, eine Geschwindigkeit und/oder einen Ruck beinhalten.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei bei dem Zuordnen von Streckenabschnitten (5) der zu fahrenden Strecke (2) zu den Clustern die geometrischen Daten der zu fahrenden Stecke (2) und/oder die aktuellen Situationsdaten individuell gewichtet werden.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Zuordnen von Streckenabschnitten (5) der zu fahrenden Strecke (2) zu den Clustern auf maschinellem Lernen beruht.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei in dem Testdatenraum auch Fahrzeugdaten über das Fahrzeug enthalten sind, und das Steuern der mindestens einen Fahrzeugkomponente spezifisch für das Fahrzeug erfolgt.
9. Fahrerassistenzsystem zum Steuern eines Fahrzeugs auf einer zu fahrenden Strecke (2) mit
- einer Erfassungseinrichtung zum Erfassen von geometrischen Testdaten der Teststrecke (1) und zum Erfassen von fahrdynamischen Testdaten bei einem Befahren einer Teststrecke (1) durch einen Fahrer,
- einer Klassifikationseinrichtung zum Aufteilen eines von den geometrischen Testdaten gebildeten Testdatenraums in Cluster sowie
- einer Datenverarbeitungseinrichtung zum Festlegen von fahrdynamischen Daten für jedes Cluster auf der Basis derjenigen fahrdynamischen Testdaten, die einem jeweiligen Cluster zuordenbar sind, wobei
- die Klassifikationseinrichtung ausgelegt ist zum Zuordnen von Streckenabschnitten (5) der zu fahrenden Strecke (2) zu den Clustern anhand von geometrischen Daten der zu fahrenden Stecke und
- das Fahrerassistenzsystem eine Steuereinrichtung aufweist zum Steuern mindestens einer Fahrzeugkomponente des Fahrzeugs in einem der Streckenabschnitte (5) entsprechend den festgelegten fahrdynamischen Daten des jeweiligen Cluster.
10. Kraftfahrzeug mit einem Fahrerassistenzsystem nach Anspruch 9.
EP22714449.0A 2021-03-26 2022-03-18 Segmentbasierte fahreranalyse und individualisierte fahrerassistenz Pending EP4313711A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021203057.2A DE102021203057B4 (de) 2021-03-26 2021-03-26 Segmentbasierte Fahreranalyse und individualisierte Fahrerassistenz
PCT/EP2022/057188 WO2022200217A1 (de) 2021-03-26 2022-03-18 Segmentbasierte fahreranalyse und individualisierte fahrerassistenz

Publications (1)

Publication Number Publication Date
EP4313711A1 true EP4313711A1 (de) 2024-02-07

Family

ID=81325368

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22714449.0A Pending EP4313711A1 (de) 2021-03-26 2022-03-18 Segmentbasierte fahreranalyse und individualisierte fahrerassistenz

Country Status (5)

Country Link
US (1) US12509113B2 (de)
EP (1) EP4313711A1 (de)
CN (1) CN117120314A (de)
DE (1) DE102021203057B4 (de)
WO (1) WO2022200217A1 (de)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021203057B4 (de) * 2021-03-26 2025-10-30 Volkswagen Aktiengesellschaft Segmentbasierte Fahreranalyse und individualisierte Fahrerassistenz
DE102023002133A1 (de) 2023-05-25 2023-08-10 Mercedes-Benz Group AG Verfahren und Fahrassistenzsystem zur Erfassung eines individuellen Parameterprofils eines Fahrzeugfahrers
DE102023113929A1 (de) 2023-05-26 2024-11-28 Bayerische Motoren Werke Aktiengesellschaft Fahrerassistenzsystem und Fahrerassistenzverfahren für ein Fahrzeug
JP2025018636A (ja) * 2023-07-27 2025-02-06 株式会社日立製作所 移動体制御システムおよび移動体制御方法
DE102023129397A1 (de) * 2023-10-25 2025-04-30 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System zur Identifikation von repräsentativen Streckenabschnitten
US20250222957A1 (en) * 2024-01-09 2025-07-10 Ford Global Technologies, Llc Automated vehicle control during final assembly and dispatch
US20260045126A1 (en) * 2024-08-08 2026-02-12 GM Global Technology Operations LLC Behavioral profiles for vehicle drivers
DE102025119722A1 (de) 2025-05-21 2026-04-30 Audi Aktiengesellschaft Verfahren zum Analysieren einer neuen Fahrzeugfunktion und Servereinrichtung

Family Cites Families (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19525291C1 (de) * 1995-07-03 1996-12-19 Mannesmann Ag Verfahren und Vorrichtung zur Aktualisierung von digitalen Straßenkarten
US8260515B2 (en) * 2008-07-24 2012-09-04 GM Global Technology Operations LLC Adaptive vehicle control system with driving style recognition
US9349234B2 (en) * 2012-03-14 2016-05-24 Autoconnect Holdings Llc Vehicle to vehicle social and business communications
US9569984B2 (en) * 2012-12-11 2017-02-14 Abalta Technologies, Inc. Recording, monitoring, and analyzing driver behavior
GB201407952D0 (en) * 2014-01-31 2014-06-18 Cambridge Consultants Monitoring device
DE102013203908A1 (de) * 2013-03-07 2014-09-11 Bayerische Motoren Werke Aktiengesellschaft Schätzung der zukünftigen Geschwindigkeit eines Fahrzeugs
CN103496368B (zh) * 2013-09-25 2016-04-20 吉林大学 具有学习能力的汽车协同式自适应巡航控制系统及方法
DE102014210539A1 (de) * 2014-06-04 2015-12-17 Robert Bosch Gmbh Verfahren zur Prognose einer Antriebslast
US9766625B2 (en) * 2014-07-25 2017-09-19 Here Global B.V. Personalized driving of autonomously driven vehicles
CN107249954B (zh) * 2014-12-29 2020-07-10 罗伯特·博世有限公司 用于使用个性化驾驶简档操作自主车辆的系统和方法
CN107531244B (zh) * 2015-04-21 2020-04-21 松下知识产权经营株式会社 信息处理系统、信息处理方法、以及记录介质
US10712748B2 (en) * 2015-08-26 2020-07-14 Peloton Technology, Inc. Devices, systems, and methods for generating travel forecasts for vehicle pairing
US10303166B2 (en) * 2016-05-23 2019-05-28 nuTonomy Inc. Supervisory control of vehicles
DE102016216335B4 (de) * 2016-08-30 2020-12-10 Continental Automotive Gmbh System und Verfahren zur Analyse von Fahrtrajektorien für einen Streckenabschnitt
DE102016117136A1 (de) * 2016-09-13 2018-03-15 Valeo Schalter Und Sensoren Gmbh Verfahren zum Bestimmen eines Fahrverhaltens eines Fahrers eines Kraftfahrzeugs zum Betrieb eines Fahrerassistenzsystems des Kraftfahrzeugs, Fahrerassistenzsystem sowie Kraftfahrzeug
CN109952592B (zh) * 2016-11-07 2024-04-02 瑞士再保险有限公司 自动位置相关测量和预测汽车风险的绝对和相对风险系统和方法
JP2018135069A (ja) * 2017-02-23 2018-08-30 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法及びプログラム
US10712163B2 (en) * 2017-02-23 2020-07-14 International Business Machines Corporation Vehicle routing and notifications based on characteristics
DE102017209258A1 (de) * 2017-06-01 2018-12-06 Robert Bosch Gmbh Verfahren und Vorrichtung zum Überwachen einer Fahrstabilität eines Fahrzeugs auf einer vorausliegenden Fahrroute
DE102017218703A1 (de) * 2017-10-19 2019-04-25 Continental Teves Ag & Co. Ohg Verfahren zur Wertbestimmung von Parametern
CN107953888B (zh) * 2017-11-29 2020-08-04 北京经纬恒润科技有限公司 一种道路类型识别方法及系统
WO2019134110A1 (en) * 2018-01-05 2019-07-11 Driving Brain International Ltd. Autonomous driving methods and systems
US11474519B2 (en) * 2018-02-26 2022-10-18 Nvidia Corporation Systems and methods for computer-assisted shuttles, buses, robo-taxis, ride-sharing and on-demand vehicles with situational awareness
DE102018001634A1 (de) * 2018-02-28 2018-08-02 Daimler Ag Verfahren zum Betrieb eines Fahrzeugs
EP3598414B1 (de) * 2018-07-20 2025-03-19 Volvo Car Corporation System und verfahren zur vermeidung eines kollisionskurses
CN109367541B (zh) 2018-10-15 2020-12-25 吉林大学 一种基于驾驶员行为特性的智能车类人变道决策方法
JP2022516383A (ja) * 2018-10-16 2022-02-25 ファイブ、エーアイ、リミテッド 自律型車両の計画
US11143513B2 (en) * 2018-10-19 2021-10-12 Baidu Usa Llc Labeling scheme for labeling and generating high-definition map based on trajectories driven by vehicles
US10836395B2 (en) 2018-11-16 2020-11-17 Great Wall Motor Company Limited Efficient optimal control with dynamic model for autonomous vehicle
US10852746B2 (en) * 2018-12-12 2020-12-01 Waymo Llc Detecting general road weather conditions
DE102019205892B4 (de) * 2019-04-25 2022-12-29 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines Kraftfahrzeugs sowie Kraftfahrzeug, das dazu ausgelegt ist, ein derartiges Verfahren durchzuführen
CN110329271B (zh) * 2019-06-18 2021-01-26 北京航空航天大学杭州创新研究院 一种基于机器学习的多传感器车辆行驶检测系统及方法
KR102859893B1 (ko) * 2019-09-09 2025-09-16 현대자동차주식회사 자율 주행 제어 장치 및 그 방법
DE102019219534A1 (de) * 2019-12-13 2021-06-17 Robert Bosch Gmbh Verfahren zum Bestimmen von Regelparametern für ein Regelsystem
US11420638B2 (en) * 2020-01-09 2022-08-23 GM Global Technology Operations LLC System and method for learning driver preference and adapting lane centering controls to driver behavior
EP3944158B1 (de) * 2020-07-21 2025-10-29 Volkswagen Aktiengesellschaft Computer-implementiertes verfahren für maschinelles lernen zum betrieb einer fahrzeugkomponente und verfahren zum betrieb einer fahrzeugkomponente
US20220065639A1 (en) * 2020-09-03 2022-03-03 Inrix, Inc. Road segment ranking
AT523834B1 (de) * 2020-09-15 2021-12-15 Avl List Gmbh Verfahren und System zum Testen eines Fahrerassistenzsystems
EP4214550A4 (de) * 2020-09-17 2024-10-02 Clearmotion, Inc. Verfahren und systeme zur geländebasierten lokalisierung eines fahrzeugs
CN112373482B (zh) * 2020-11-23 2021-11-05 浙江天行健智能科技有限公司 一种基于驾驶模拟器的驾驶习惯建模方法
DE102021203057B4 (de) * 2021-03-26 2025-10-30 Volkswagen Aktiengesellschaft Segmentbasierte Fahreranalyse und individualisierte Fahrerassistenz
DE102022200536B3 (de) * 2022-01-18 2023-03-30 Volkswagen Aktiengesellschaft Fahrassistenzeinrichtung und Verfahren zum Durchführen einer wenigstens teilautomatischen Fahrzeugfunktion in Abhängigkeit von einer zu bewertenden Fahrstrecke
US12515710B2 (en) * 2022-07-14 2026-01-06 Ford Global Technologies, Llc Operational weather management
DE102022119715B4 (de) * 2022-08-05 2025-01-09 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt zur objektiven Bewertung der Leistungsfähigkeit eines ADAS/ADS-Systems
US12409843B2 (en) * 2022-11-28 2025-09-09 Gm Cruise Holdings Llc Optimizing resources needed for road model data generation while achieving a desired coverage amount for a test suite
US20250315050A1 (en) * 2024-04-05 2025-10-09 Aurora Operations, Inc. Autonomous vehicle remote teleoperations system with virtual path suggestion constraints
CN118770247A (zh) * 2024-08-07 2024-10-15 知行汽车科技(苏州)股份有限公司 一种车辆控制方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2022200217A1 (de) 2022-09-29
CN117120314A (zh) 2023-11-24
US20240140481A1 (en) 2024-05-02
DE102021203057B4 (de) 2025-10-30
DE102021203057A1 (de) 2022-09-29
US12509113B2 (en) 2025-12-30

Similar Documents

Publication Publication Date Title
DE102021203057B4 (de) Segmentbasierte Fahreranalyse und individualisierte Fahrerassistenz
DE102019213185B4 (de) Querführung eines Fahrzeugs mittels von anderen Fahrzeugen erfassten Umgebungsdaten
DE102017208159B4 (de) Verfahren zum Betreiben einer Fahrerassistenzvorrichtung eines Kraftfahrzeugs, Fahrerassistenzvorrichtung und Kraftfahrzeug
EP2981951B1 (de) Automatisches befahren einer strecke
EP3707470B1 (de) Verfahren und fahrerassistenzsystem zur verbesserung eines fahrkomforts eines fortbewegungsmittels sowie fortbewegungsmittel
EP3625785B1 (de) Verfahren zum erzeugen einer überholwahrscheinlichkeitssammlung, verfahren zum betreiben einer steuereinrichtung eines kraftfahrzeugs, überholwahrscheinlichkeitssammeleinrichtung und steuereinrichtung
DE102016214574B4 (de) Verfahren und Vorrichtung zum Schätzen von Reibwerten eines Rades eines Fahrzeugs gegenüber einem Untergrund
DE102021207781A1 (de) Verfahren, Steuereinrichtung und System zum Adaptieren einer assistierten oder automatisierten Fahrfunktion eines Fahrzeugs
EP3609755B1 (de) Fahrerassistenzsystem für ein fahrzeug
DE102019216235A1 (de) Verfahren zum Vorhersagen der Bewegung eines Fahrzeugs und zumindest eines weiteren Fahrzeugs
WO2020108839A1 (de) Situationsabhängige berechnung einer soll-fahrzeuggeschwindigkeit
DE102021105159A1 (de) Erfassung von fahrzeugen und reaktion darauf
DE102018212033A1 (de) Verfahren und Steuergerät zum Bestimmen einer Fahrttrajektorie für ein querdynamisches Fahrmanöver für ein Fahrzeug
DE102019003963A1 (de) Verfahren zur Bestimmung einer Fahrstrategie eines Fahrzeuges, insbesondere eines Nutzfahrzeuges
EP4108545A1 (de) Verfahren zum bestimmen einer aktuell befahrbaren trajektorie für ein zumindest teilweise assistiert betriebenes kraftfahrzeug, sowie assistenzsystem
DE102018128563A1 (de) Verfahren und vorrichtung für eine autonome systemleistung und einen vergleich
DE102017223621A1 (de) Verfahren und Steuereinheit zur Steuerung einer Funktion eines zumindest teilweise automatisiert fahrenden Fahrzeugs
DE102019213599A1 (de) Verfahren zum Bestimmen einer klassifizierten Schwarmtrajektorie
DE102017200477A1 (de) Verfahren, Vorrichtung, mobiles Anwendergerät und ein korrespondierendes Computerprogramm zum Bereitstellen einer Information zur Beeinflussung der Führung des Fahrzeugs im Zusammenhang mit lokalen Geländeartefakten
DE102023211355B3 (de) Verfahren zum Erzeugen eines Modells zum Unterstützen eines Querführungsassistenten, Verfahren zum Betreiben eines Querführungsassistenten in einem Fahrzeug und Querführungsassistent für ein Fahrzeug
DE102018007298A1 (de) Verfahren zur Routenplanung
DE102016013509A1 (de) Vorrichtung und Verfahren zum Erzeugen einer lernenden digitalen Karte für ein Kraftfahrzeug
DE102017204952B4 (de) Verfahren zum Betreiben eines Autonomfahrsystems und einer Zentraleinheit, Autonomfahrsystem in einem Kraftfahrzeug sowie Zentraleinheit
DE102023113127A1 (de) Verfahren zum Verringern des Auftretens von Reisekrankheit, Einrichtung zum Bereitstellen einer künstlichen Intelligenz sowie Kraftfahrzeug mit einer solchen
DE102022104211A1 (de) Fahrersensierungsverfahren, Fahrerassistenzeinrichtung, Speichermedium, Servervorrichtung, und 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: 20231026

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)