EP4350657A1 - Alarmsystem zur warnung vulnerabler verkehrsteilnehmer in einem vorgegebenen strassenabschnitt - Google Patents

Alarmsystem zur warnung vulnerabler verkehrsteilnehmer in einem vorgegebenen strassenabschnitt Download PDF

Info

Publication number
EP4350657A1
EP4350657A1 EP23196777.9A EP23196777A EP4350657A1 EP 4350657 A1 EP4350657 A1 EP 4350657A1 EP 23196777 A EP23196777 A EP 23196777A EP 4350657 A1 EP4350657 A1 EP 4350657A1
Authority
EP
European Patent Office
Prior art keywords
road
prediction
conditions
alarm system
designed
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.)
Granted
Application number
EP23196777.9A
Other languages
English (en)
French (fr)
Other versions
EP4350657B1 (de
Inventor
Dominik Dr. Senninger
Miroslaw Robakowski
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.)
Aumovio Germany GmbH
Original Assignee
Continental Automotive Technologies GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Continental Automotive Technologies GmbH filed Critical Continental Automotive Technologies GmbH
Publication of EP4350657A1 publication Critical patent/EP4350657A1/de
Application granted granted Critical
Publication of EP4350657B1 publication Critical patent/EP4350657B1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Definitions

  • the invention relates to an alarm system for warning vulnerable road users in a given road section, comprising a receiving unit with a communication interface for receiving a plurality of movement data from detected road users related to the road section.
  • Collision avoidance is a basic requirement of all drivers of vehicles, such as cars, trucks, motorcycles, while driving to a desired destination. It is known in the art to alert a vehicle user to the presence of nearby vehicles by detecting the other vehicles with sensors, such as on-board vehicle radar systems. However, such systems are limited to detecting other vehicles that are within the range of the sensor, typically within a few vehicle lengths.
  • the US9,659,496 B2 a method and system for increasing safety on a road network, comprising: an interaction detector having a communications interface for receiving a plurality of surveillance vectors from a first vehicle and a second vehicle moving on the road network; an interaction risk module configured to determine from the plurality of monitoring vectors whether there is an interaction between the first vehicle and the second vehicle, wherein the interaction is determined without using prior knowledge of a pre-planned route of each of the first vehicle and the second vehicle on the road network, and a message generator configured to, in response to an interaction being determined by the interaction risk module, send a message to to generate at least the second vehicle and to send the message to the second vehicle via the communication interface.
  • Road sections can be the current road sections (locations) or a road section can be used as a representative for others, such as enough similar roundabouts/intersections, etc.
  • Road sections can include individual sections of a road network or several roads.
  • the first conditions include the second conditions.
  • the alarm system can, for example, be located on an infrastructure element such as a traffic light, on the road section or be implemented in a cloud or edge cloud, etc.
  • the movement data can come, for example, from the vehicles themselves as recorded sensor data, for example from the surroundings ahead, or from camera systems that cover the entire road section. These camera systems can be arranged in a traffic light, for example.
  • the road users and their associated movement data (trajectories) can be extracted from this sensor data using conventional extraction methods. This sensor data is preferably transmitted and evaluated in real time. For example, a short past movement trajectory of the road users can be created as movement data from the extracted sensor data.
  • the invention recognized that it is a major problem that the previous assessment of whether a situation is potentially dangerous is only carried out using very simple methods. Either only the current position of the road user is used or a simple extrapolation of current movement vectors/trajectories is carried out. However, this leads to the problem that warnings about dangerous situations are only issued when the road users have already come (too) close to one another. Due to this very late warning, however, it is no longer possible or very difficult for the road users to react, which can even make the situation worse (emergency braking, incorrect evasive maneuvers).
  • Another problem is that simply extrapolating the motion vectors alone only allows for a very inaccurate prediction. This leads to a large number of unnecessary warnings being triggered, which can cause a user/vehicle user to deactivate such a warning system or which unnecessarily distracts the vehicle user from the traffic situation too often, which can itself cause dangerous situations.
  • the alarm system according to the invention now solves these problems.
  • the alarm system according to the invention can detect the future position of road users very reliably. This means that a potentially dangerous situation can then be detected more reliably.
  • At least three prediction modules with different descending prediction quality are provided, which deliver a reliable forecast depending on the conditions that currently apply to the road section and road users.
  • Descending means that the first prediction module has a higher prediction quality than the second prediction module, and the second prediction module has a higher prediction quality than the third prediction module.
  • the alarm system always uses the prediction module with the highest prediction quality; in this case the first prediction module with the first conditions, and if this is not possible because the first conditions are not met, the prediction module with fewer conditions is used, in this case the second prediction module with the second conditions, and only if neither of the first or second conditions is met, a third prediction module is used.
  • Road section with the highest prediction quality This means that the position of road users can be predicted more accurately and with greater probability than with the current state of the art, which also means that future dangerous situations can be determined better and with greater probability.
  • the prediction quality includes at least the probability of occurrence and/or the accuracy of a road user's future position. If no probability of occurrence can be determined, it can be roughly estimated. Furthermore, other prediction qualities such as resolution and prediction period can also be included.
  • the prediction modules are designed to predict the positions of road users as reliably as possible within a period of up to 5 seconds. If the future positions of road users are now known, for example with a resolution of 200ms and a prediction horizon of 5s with associated probabilities and accuracies, potentially future dangerous situations can be determined more precisely and reliably.
  • the movement data includes at least the current and previous position, speed and direction of a road user over a short period of time, in particular a period of time just past up to a current point in time.
  • Sensor data can be easily and reliably recorded in real time using sensors arranged on the vehicle, drones or cameras/sensors in the corresponding traffic control systems, for example traffic lights, and the movement data can be recognized as an extracted trajectory of the road users from this sensor data.
  • the movement data includes data from other data sources that are used to guide traffic in the relevant section of road.
  • the alarm system can therefore use other data sources if they are available.
  • the prediction or accuracy of the movement data can be further improved by using data such as current and future traffic light settings.
  • the first prediction module comprises, as a first condition, a trained artificial neural network for the road section or a sufficiently similar road section and an HD (high-resolution) map for the road section in question, whereby the first prediction module is designed to predict a road user for the road section using the trained artificial neural network with the road user's movement data and the HD map.
  • An HD map is a high-resolution high-definition map that includes a current image of reality including guard rails, trees, ditches and other traffic-relevant objects such as pedestrian paths and zebra crossings.
  • the movement data is entered into the trained artificial neural network using the current locations of the road users in the HD map, which provides a very accurate prediction of the road users.
  • the artificial neural network trained to make such a prediction has been trained in particular using historical data, so that an accurate prediction is possible.
  • the artificial neural network is only trained for special cases relating to certain road users and their future positions. These special cases can be, for example, a prediction of whether a vehicle will turn or drive straight ahead.
  • the application to special cases has the advantage that less historical data is required for training, since the amount of available data is a limitation, especially for the application of machine learning methods.
  • the second prediction module comprises, as a second condition, an HD map for the road section, wherein the second prediction module is designed to carry out the prediction of a road user for the road section based on the HD map for the road section using the movement data of the road user.
  • a prediction can be made using the second prediction module with the help of an existing HD map.
  • Possible future positions are determined and assigned probabilities based on the movement data, i.e. the current and previous positions and the directions of movement. For this purpose, further movement by the road user is assumed in order to obtain the future positions and future directions of movement.
  • a high-precision HD map includes at least the streets as well as the sidewalks and traffic management elements such as zebra crossings.
  • High-precision HD maps depict a road network with high precision, for example, to the centimeter.
  • the third prediction module is designed to predict a road user for the road section based on an extrapolation using the road user's movement data. This corresponds to a simple extrapolation of the movement vectors/trajectories. This can also be used in particular if, for example, a road user is not on a commonly used path, for example if a pedestrian crosses the road in a prohibited place.
  • the processor can be designed to compare the prediction of each road user in pairs to determine potentially dangerous situations in corresponding time steps. If the future positions of the road users are known, for example with a prediction horizon of 5s and with the associated probabilities and accuracies, potentially future dangerous situations can be calculated from this. To do this, the predictions of the road users can be compared in pairs for each time step in the future.
  • the processor is designed to determine the dangerousness of a situation by means of at least one of the following factors: the size of an overlap area between two road users and/or based on a future acceleration of a road user and/or based on a future angle between two road users and/or the time until a possible collision between two road users and/or depending on the lanes used by the road users.
  • a larger overlap area between two road users means a higher risk. It also corresponds to a higher risk if the future speed of one of the road users increases, particularly with significant acceleration.
  • the future angle between the road users can also be considered; for example, an approach directly from behind usually means a low risk, as it can be assumed that the road user approaching from behind will notice the driver in front. However, an approach from the side (angle other than zero) or an expected change in direction of movement can be assumed to be a higher risk.
  • the time until an expected collision can also be considered; for example, a shorter time until a collision with a more reliable prediction also means less time to react and therefore a higher risk.
  • the lanes used by two road users can also be considered; for example, if the same lane is used, the risk is assumed to be lower, as one's own lane is usually always in view, and the risk is higher when lanes intersect, especially when a cycle path and a road intersect.
  • a combination of factors can be used to reliably detect a dangerous situation.
  • the processor is designed to consider the type of road user as a further factor in determining the dangerousness of a situation.
  • a danger between two pedestrians can be almost ruled out even in the case of a very large overlap, for example at a traffic light; however, a high risk can be assumed if a vehicle/truck is involved.
  • the processor is designed to evaluate detected dangerous situations by means of an evaluation value.
  • the processor is designed to transmit an alarm to at least the road users involved in the dangerous situation when a predetermined threshold value is exceeded in relation to the assessment value. If a certain threshold value is exceeded, an alarm is sent to the road users involved. In particular, this alarm includes at least one message and the assessment value. Therefore, for example, the alarms transmitted that have a low rating can also be filtered out on the road users' end device. This enables the vehicle user to influence how many alarms are displayed. In this way, a vehicle user who is willing to take risks can prevent subjectively being shown too many alarms.
  • FIG 1 shows schematically the alarm system 1 for warning vulnerable road users in a given road section 2 ( FIG 2 ).
  • the Alarm system 1 can, for example, be integrated at the roadside in an infrastructure element such as a traffic light or in a cloud or edge cloud.
  • the alarm system 1 comprises a receiving unit 4 with a communication interface 3 for receiving a large number of movement data from detected road users related to the road section 2.
  • This movement data can be in the form of sensor data or extracted from these, which come from lidar/radar and camera systems arranged on the vehicles or, for example, from sensor systems arranged on the surrounding infrastructure elements, such as traffic lights.
  • the road users and their movement data, in particular movement trajectories, can be extracted from this sensor data.
  • the extraction and transmission takes place in real time.
  • the movement data includes at least the current and previous position, speed and direction of a road user over a short period of time with a respective time stamp.
  • the alarm system 1 can also use other data sources if they are available.
  • the movement data can be further improved by using data from the current and future traffic light switching, thus also improving the forecast later.
  • the alarm system 1 has a storage unit 10. At least three prediction modules 5, 6, 7 are stored in this, wherein the first prediction module 5 has the highest prediction quality and the third prediction module 7 has the lowest prediction quality.
  • the three prediction modules 5,6,7 can be implemented as software modules.
  • Each of the prediction modules 5,6,7 is designed to predict the position of the detected road users if certain conditions linked to the prediction module 5,6,7 are met. For the prediction There are now several prediction modules 5,6,7 available, which have different prediction qualities but also require different prerequisites (conditions).
  • the prediction quality can be determined based on a resolution, a prediction horizon with associated probabilities and an accuracy with respect to at least the future position of a road user.
  • a high prediction quality includes a high resolution, for example one of 200ms, and a prediction horizon of 5s with associated probabilities and corresponding accuracies.
  • the first prediction module 5 is designed to predict at least one prediction of the position of the detected road users if certain first conditions are met.
  • the first prediction module 5 requires, as a first condition, a trained artificial neural network 8 for the road section 2 or a sufficiently similar road section as well as an HD map 9 for the relevant road section 2. This means that an artificial neural network 8 must be trained in advance for this road section 2 and an HD map 9 must be available.
  • An HD map 9 is a high-resolution high-definition map which depicts at least the roads as well as the sidewalks and traffic guidance elements, such as zebra crossings, with high precision and accuracy down to the centimeter.
  • the artificial neural network 8 may have been trained using historical data.
  • the first prediction module 5 it is also possible to use the first prediction module 5 only for special cases, for example predicting whether a vehicle will turn or drive straight ahead.
  • the application to special cases has the advantage that less historical data is required for training, which saves time and costs.
  • the second prediction module 6 is designed to predict at least one prediction of the position of the detected road users if the first conditions are not met and only certain second conditions are met.
  • the second conditions correspond to the presence of an HD map 9 for the corresponding road section 2.
  • Possible lanes are calculated based on the current and previous positions and directions of movement and assigned probabilities. A further movement of the road user on the lanes found is then assumed in order to obtain the future positions and directions of movement.
  • the third prediction module 7 is designed to predict a road user for the road section 2 based on an extrapolation using the movement data of the road user. This can also be done without an HD map 9 and without an artificial neural network 7. This corresponds to a simple extrapolation of the movement vectors/trajectories. This can also be used in particular if, for example, a road user is not on a commonly used path, for example if a pedestrian crosses the road in a prohibited place.
  • a test module 15 is provided which is designed to check whether the first or the second or the third conditions are present with regard to the road section 2 and the road user and, in doing so, selects the corresponding prediction module 5, 6, 7 in descending quality order and depending on the existing conditions.
  • the test module 15 therefore always tries to use the first prediction module 5 first, since this has the highest prediction quality, and only then, if the first conditions such as artificial neural network 8 are not met, to resort to the second prediction module 6 with the second conditions, here the HD map 9. If no HD map 9 is available for the road section 2 either, the third prediction module 7 is resorted to.
  • a prediction of at least the future position of the detected road users is generated by means of a processor 16 based on the selected prediction module 5,6,7 for the road users.
  • the processor 16 determines whether the future positions of the road users are known, for example, with a resolution of 200 ms and a prediction horizon of 5 s with associated probabilities and accuracies by the prediction modules 5, 6, 7, potentially future dangerous situations 12 can be determined from this by the processor 16. For this purpose, the predictions of the road users are compared in pairs by the processor 16 for each time step in the future.
  • the processor 16 is designed to evaluate recognized dangerous situations 12 using an evaluation value. This can be easily determined based on the recognized factors above, such as the size of the overlap area, etc., i.e. an evaluation of how dangerous the future situation 12 is is now calculated from these factors.
  • the processor 16 sends a message as well as the evaluation value as an alarm to the road users involved.
  • FIG 2 shows a prediction with the first prediction module 5.
  • a car 13 coming from the east turns north and crosses the path of a cyclist 14, also coming from the east.
  • the bicycle symbol 14 and the car symbol 13 represent the current positions of the road users involved.
  • the blue ellipses 11 represent the predicted locations of the bicycle 14 and the car 13.
  • an artificial neural network 8 was trained using historical data to determine whether a vehicle is driving straight ahead or turning at this intersection based on the approach speed.
  • the current movement data is then entered into the neural network 8 trained in this way, which generates predictions for the car 13 and the cyclist 14 using the HD map 9 for this intersection.
  • the first prediction module 5 with the trained artificial neural network 8, which uses an HD map 9, can now detect early on that the car 13 will turn and thus a dangerous situation 12 will arise.
  • FIG 3 shows a prediction of the above scenario with the second prediction module 6.
  • the car 13 coming from the east turns north and crosses the path of the cyclist 14, also coming from the east.
  • the bicycle symbol 14 and the car symbol 13 represent the current positions of the road users involved.
  • the blue ellipses 11 represent again represent the predicted locations of the bicycle 14 and the car 13.
  • the prediction is made by the second prediction module 6 using the HD map 9. It can already be predicted at this point that the car 13 could turn right, thereby creating a dangerous situation 12. However, there is uncertainty as to whether this will actually happen, as it is also possible that the car 13 will continue on its way in a straight line.
  • the second prediction module 6 a medium prediction quality and accordingly a medium reliable prediction for the future positions of the road users can be achieved. Dangerous situations can therefore be identified.
  • FIG 4 shows a prediction of the above scenario with the third prediction module 7.
  • the car 13 coming from the east turns north again and crosses the path of a cyclist 14 also coming from the east.
  • the bicycle symbol 14 and the car symbol 13 represent the current positions of the road users involved.
  • the blue ellipses 11 in turn represent the predicted locations of the bicycle 14 and the car 13.
  • the prediction is made by the third prediction module 7 by extrapolating the past and current motion vectors/motion data.
  • the third prediction module 7 does not recognize that the car 13 will soon drive to the right. Accordingly, no alarm is issued.
  • a potentially dangerous situation 12 can be better recognized by always using the best possible prediction module 5, 6, 7 to determine the future positions of the road users.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Alarmsystem (1) zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt (2) umfassend eine Empfangseinheit (4) mit einer Kommunikationsschnittstelle (3) zum Empfangen einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmern bezogen auf den Straßenabschnitt (2), wobei eine Speichereinheit (10) vorgesehen ist, welche zumindest drei oder mehr Prädiktionsmodule (5,6,7) mit absteigender Prädiktionsqualität aufweist und wobei das erste Prädiktionsmodul (5) dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn bestimmte erste Bedingungen erfüllt sind und wobei das zweite Prädiktionsmodul (6) dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen nicht erfüllt sind und lediglich bestimmte zweite Bedingungen erfüllt sind, und wobei das dritte Prädiktionsmodul (7) dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen als auch die zweiten Bedingungen nicht erfüllt sind und wobei
ein Prüfungsmodul (15) vorgesehen ist, welches dafür ausgelegt ist, zu prüfen, ob die ersten Bedingungen oder die zweiten Bedingungen oder die dritten Bedingungen in Bezug auf den Straßenabschnitt (2) und den Verkehrsteilnehmer erfüllt sind und in absteigender Qualitätsreihenfolge und je nach erfüllten Bedingungen das Prädiktionsmodul (5,6,7) mit der höchsten Prädiktionsqualität auszuwählen, und wobei
ein Prozessor (16) vorgesehen ist, welcher zur Prädiktion zumindest der zukünftigen Position der erfassten Verkehrsteilnehmer anhand des ausgewählten Prädiktionsmoduls (5,6,7) ausgebildet ist.

Description

  • Die Erfindung betrifft ein Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt, umfassend eine Empfangseinheit mit einer Kommunikationsschnittstelle zum Empfangen einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmern bezogen auf den Straßenabschnitt.
  • Die Kollisionsvermeidung ist eine Grundvoraussetzung aller Fahrer von Fahrzeugen, wie z.B. PKW, LKW, Motorrädern, während der Fahrt zu einem gewünschten Ziel. Es ist im Stand der Technik bekannt, einen Fahrzeugnutzer auf die Anwesenheit von Fahrzeugen in der Nähe aufmerksam zu machen, indem die anderen Fahrzeuge mit Sensoren, wie z. B. fahrzeugseitigen Fahrzeugradarsystemen, erfasst werden. Solche Systeme sind jedoch darauf beschränkt, andere Fahrzeuge zu erkennen, die sich innerhalb der Reichweite des Sensors befinden, typischerweise innerhalb weniger Fahrzeuglängen.
  • Ferner gibt es jedoch bereits Ansätze ein allgemeines System für Straßenabschnitte zur Erhöhung der Sicherheit auf einem Straßennetz anzugeben.
  • So offenbart die US 9,659,496 B2 ein Verfahren und ein System zur Erhöhung der Sicherheit auf einem Straßennetz, umfassend: einen Interaktionsdetektor mit einer Kommunikationsschnittstelle zum Empfangen einer Vielzahl von Überwachungsvektoren von einem ersten Fahrzeug und einem zweiten Fahrzeug, die sich auf dem Straßennetz bewegen;
    ein Interaktionsrisikomodul, das dafür ausgelegt ist, aus der Vielzahl von Überwachungsvektoren zu bestimmen, ob es eine Interaktion zwischen dem ersten Fahrzeug und dem zweiten Fahrzeug gibt, wobei die Interaktion ohne Nutzung einer Vorabkenntnis einer vorgeplanten Route von jedem von dem ersten Fahrzeug und dem zweiten Fahrzeug auf dem Straßennetz bestimmt wird, und einen Nachrichtengenerator, der dafür ausgelegt ist, als Reaktion darauf, dass durch das Interaktionsrisikomodul eine Interaktion bestimmt wird, eine Nachricht an wenigstens das zweite Fahrzeug zu erzeugen und die Nachricht über die Kommunikationsschnittstelle an das zweite Fahrzeug zu senden.
  • Es ist daher eine Aufgabe der Erfindung ein verbessertes, allgemeines, fahrzeugunabhängiges Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt anzugeben.
  • Diese Aufgabe wird gelöst durch ein Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt,
  • umfassend eine Empfangseinheit mit einer Kommunikationsschnittstelle zum Empfangen einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmer bezogen auf den Straßenabschnitt, und wobei
    • eine Speichereinheit vorgesehen ist, welche zumindest drei oder mehr Prädiktionsmodule mit absteigender Prädiktionsqualität aufweist und wobei das erste Prädiktionsmodul dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn bestimmte erste Bedingungen erfüllt sind und wobei das zweite Prädiktionsmodul dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen nicht erfüllt sind und lediglich bestimmte zweite Bedingungen erfüllt sind, und wobei das dritte Prädiktionsmodul dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen als auch die zweiten Bedingungen nicht erfüllt sind, und wobei
    • ein Prüfungsmodul vorgesehen ist, welches dafür ausgelegt ist, zu prüfen, ob die ersten Bedingungen oder die zweiten Bedingungen oder die dritten Bedingungen in Bezug auf den Straßenabschnitt und den Verkehrsteilnehmer erfüllt sind und in absteigender Qualitätsreihenfolge und je nach erfüllten Bedingungen das Prädiktionsmodul mit der höchsten Prädiktionsqualität auszuwählen, und wobei ein Prozessor vorgesehen ist, welcher zur Prädiktion zumindest der zukünftigen Position der erfassten Verkehrsteilnehmer anhand des ausgewählten Prädiktionsmoduls ausgebildet ist.
  • Straßenabschnitte können die aktuellen Straßenabschnitte (Standorte) sein oder ein Straßenabschnitt kann stellvertretend für andere herangezogen werden wie beispielsweise genügend ähnliche Kreisverkehre/Kreuzungen etc.
  • Straßenabschnitte können dabei einzelne Abschnitte eines Straßennetzes oder mehrere Straßen umfassen.
  • Insbesondere umfassen die ersten Bedingungen die zweiten Bedingungen.
  • Das Alarmsystem kann dabei beispielsweise an einem Infrastrukturelement, wie einer Ampel, an dem Straßenabschnitt angeordnet sein oder beispielsweise in einer Cloud oder Edge Cloud etc. ausgeführt werden.
  • Die Bewegungsdaten können beispielsweise von den Fahrzeugen selbst als aufgenommene Sensordaten, beispielsweise von einem vorausliegenden Umfeld, stammen oder aber durch Kamerasysteme, welche den Straßenabschnitt im Gesamten umfassen. Diese Kamerasysteme können beispielsweise in einer Ampel angeordnet sein. Aus diesen Sensordaten können mittels herkömmlicher Extraktionsmethoden die Verkehrsteilnehmer sowie die zu ihnen zugehörigen Bewegungsdaten (Trajektorien) extrahiert werden. Diese Sensordaten werden dabei bevorzugt in Echtzeit übermittelt und ausgewertet. Aus den extrahierten Sensordaten kann beispielsweise eine zurückliegende kurze Bewegungstrajektorie der Verkehrsteilnehmer als Bewegungsdaten erstellt werden.
  • Erfindungsgemäß wurde erkannt, dass es ein großes Problem darstellt, dass die bisherige Bewertung, ob eine Situation potenziell gefährlich ist, lediglich mit sehr einfachen Methoden durchgeführt wird. So wird entweder nur die aktuelle Position der Verkehrsteilnehmer benutzt oder eine einfache Extrapolation von aktuellen Bewegungsvektoren/Bewegungstrajektorien durchgeführt. Dies führt jedoch zu dem Problem, dass Warnungen bei Gefahrensituationen erst dann ausgegeben werden, wenn sich die Verkehrsteilnehmer bereits (zu) nahegekommen sind. Durch diese sehr späte Warnung kann jedoch nicht mehr oder nur sehr schwer von Seiten der Verkehrsteilnehmer reagiert werden, wodurch sich die Situation sogar noch verschärfen kann (Notbremsung, falsche Ausweichmanöver).
  • Ferner lässt eine einfache und ausschließliche Extrapolation der Bewegungsvektoren als weiteres Problem nur eine sehr ungenaue Vorhersage zu. Dies führt zu einer Unmenge von unnötigerweise ausgelösten Warnungen, was einen Benutzer/Fahrzeugnutzer dazu veranlassen kann, ein solches Warnsystem zu deaktivieren oder welches unnötig den Fahrzeugnutzer vom Verkehrsgeschehen zu oft ablenkt, wodurch selber gefährliche Situationen hervorgerufen werden können.
  • Durch das erfindungsgemäße Alarmsystem werden diese Probleme nun behoben. Durch das erfindungsgemäße Alarmsystem kann die zukünftige Position der Verkehrsteilnehmer sehr zuverlässig erkannt werden. Dadurch kann anschließend eine potenziell gefährliche Situation zuverlässiger erkannt werden.
  • So werden zumindest drei Prädiktionsmodule mit unterschiedlicher absteigender Prädiktionsqualität bereitgestellt, welche eine zuverlässige Vorhersage in Abhängigkeit von denjenigen Bedingungen, die auf den Straßenabschnitt und Verkehrsteilnehmer gerade zutreffen, liefern.
  • Dabei wurde erkannt, dass die unterschiedlichen Prädiktionsmodule mit unterschiedlichen Prädiktionsqualitäten jeweils unterschiedliche Voraussetzungen/Bedingungen benötigen. Dabei bedeutet absteigend, dass das erste Prädiktionsmodul eine höhere Prädiktionsqualität als das zweite Prädiktionsmodul, und das zweite Prädiktionsmodul eine höhere Prädiktionsqualität als das dritte Prädiktionsmodul aufweist.
  • Durch das erfindungsgemäße Alarmsystem wird stets auf dasjenige Prädiktionsmodul mit höchster Prädiktionsqualität zurückgegriffen; in diesem Fall auf das erste Prädiktionsmodul mit den ersten Bedingungen, und, falls dies nicht möglich ist, da die ersten Bedingungen nicht erfüllt sind, auf das Prädiktionsmodul mit weniger Bedingungen zurückgegriffen, in diesem Fall auf das zweite Prädiktionsmodul mit den zweiten Bedingungen und erst wenn keine der beiden ersten oder zweiten Bedingungen erfüllt sind, auf ein drittes Prädiktionsmodul. Dadurch ergibt sich, in Abhängigkeit von den auf diesem Straßenabschnitt vorherrschenden Bedingungen, stets eine Prädiktion mit für diesen Straßenabschnitt höchster Prädiktionsqualität. Dadurch kann die Position der Verkehrsteilnehmer genauerer und mit höherer Wahrscheinlichkeit als im Stand der Technik vorhergesagt werden, wodurch sich auch zukünftige Gefahrensituationen besser und mit höherer Wahrscheinlichkeit bestimmen lassen.
  • In weiterer Ausbildung umfasst die Prädiktionsqualität zumindest die Eintrittswahrscheinlichkeit und/oder die Genauigkeit einer zukünftigen Position eines Verkehrsteilnehmers. Kann keine Eintrittswahrscheinlichkeit bestimmt werden, so kann diese grob geschätzt werden. Ferner können auch noch andere Prädiktionsqualitäten wie Auflösung und Vorhersagezeitraum umfasst sein. Insbesondere sind die Prädiktionsmodule dazu ausgelegt, die Positionen der Verkehrsteilnehmer möglichst zuverlässig in einem Zeitraum bis zu 5 Sekunden vorherzusagen. Wenn nun die zukünftigen Positionen der Verkehrsteilnehmer, beispielsweise mit einer Auflösung von 200ms und einem Vorhersagehorizont von 5s mit zugehörigen Wahrscheinlichkeiten und Genauigkeiten bekannt sind, können daraus potenzielle zukünftige gefährliche Situationen genauer und zuverlässiger bestimmt werden.
  • In weiterer Ausbildung umfassen die Bewegungsdaten zumindest die aktuelle und vorherige Position, Geschwindigkeit und Richtung eines Verkehrsteilnehmers über eine kurze Zeitdauer, insbesondere eine gerade zurückliegende Zeitdauer bis zu einem aktuellen Zeitpunkt. Dabei können Sensordaten in Echtzeit mittels am Fahrzeug angeordneten Sensoren, Drohne oder Kameras/Sensoren in den entsprechenden Verkehrsleitsystemen, beispielsweise Ampeln, einfach und zuverlässig erfasst werden und die Bewegungsdaten als extrahierte Trajektorie der Verkehrsteilnehmer aus diesen Sensordaten erkannt werden.
  • In weiterer Ausgestaltung umfassen die Bewegungsdaten Daten aus weiteren Datenquellen, welche zur Verkehrsführung in dem betreffenden Straßenabschnitt dienen. Das Alarmsystem kann somit weitere Datenquellen verwenden, sofern diese verfügbar sind. So kann beispielsweise die Vorhersage bzw. die Genauigkeit der Bewegungsdaten durch die Verwendung von Daten wie einer aktuellen und zukünftigen Ampelschaltung weiter verbessert werden.
  • In einer weiteren Ausgestaltung umfasst das erste Prädiktionsmodul als erste Bedingung ein trainiertes künstliches neuronales Netz für den Straßenabschnitt oder einen genügend ähnlichen Straßenabschnitt sowie eine HD (hochauflösende)-Karte für den betreffenden Straßenabschnitt, wobei das erste Prädiktionsmodul dazu ausgebildet ist, die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt anhand des trainierten künstlichen neuronalen Netzes mit den Bewegungsdaten des Verkehrsteilnehmers und der HD-Karte zu bewerkstelligen. Dadurch kann eine sehr genaue Vorhersage getroffen werden. Dabei ist eine HD-Karte eine hochauflösende High-Definition Karte, welche ein aktuelles Abbild der Wirklichkeit inklusive Leitplanken, Bäumen, Gräben und anderen verkehrsrelevanten Objekten wie Fußgängerwegen und Zebrastreifen umfasst.
  • Die Bewegungsdaten werden unter Verwendung der aktuellen Standorte der Verkehrsteilnehmer in der HD-Karte in das trainierte künstliche neuronale Netz eingegeben, welches eine sehr genaue Prädiktion der Verkehrsteilnehmer liefert. Dabei ist das hingehend einer solchen Prädiktion antrainierte künstliche neuronale Netz insbesondere mittels historischer Daten trainiert worden, so dass eine genaue Prädiktion ermöglicht wird.
  • In weiterer Ausbildung ist das künstliche neuronale Netz lediglich für spezielle Fälle in Bezug auf bestimmte Verkehrsteilnehmer und deren zukünftige Positionen trainiert. Diese speziellen Fälle können beispielsweise eine Vorhersage, ob ein Fahrzeug abbiegen oder geradeaus fahren wird, sein. Die Anwendung auf Spezialfälle hat den Vorteil, dass für das Training weniger historische Daten benötigt werden, da insbesondere gerade für die Anwendung maschineller Lernmethoden die Menge der verfügbaren Daten eine Begrenzung darstellt.
  • In weiterer Ausbildung umfasst das zweite Prädiktionsmodul als zweite Bedingung eine HD-Karte für den Straßenabschnitt, wobei das zweite Prädiktionsmodul dazu ausgebildet ist, die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt anhand der HD-Karte für den Straßenabschnitt unter Verwendung der Bewegungsdaten des Verkehrsteilnehmers durchzuführen.
  • Ist für den oder einen ähnlichen Straßenabschnitt kein künstliches neuronales Netz vorhanden, so kann mittels des zweiten Prädiktionsmoduls eine Prädiktion mit Hilfe einer vorhandenen HD-Karte durchgeführt werden. Hierbei werden anhand der Bewegungsdaten, also der aktuellen und vorherigen Positionen und der Bewegungsrichtungen mögliche zukünftige Positionen (zukünftige Trajektorien) beispielsweise auf Fahrspuren/Gehwegen bestimmt und mit Wahrscheinlichkeiten versehen. Dazu wird eine weitere Bewegung des Verkehrsteilnehmers angenommen, um die zukünftigen Positionen und zukünftigen Bewegungsrichtungen zu erhalten.
  • Dabei umfasst in einer weiteren Ausbildung eine hochpräzise HD-Karte zumindest die Straßen als auch die Gehwege und die Verkehrsführungselemente, wie Zebrastreifen. Dabei bilden hochpräzise HD-Karten ein Straßennetz hochgenau, beispielsweise zentimetergenau, ab.
  • In einer weiteren Ausgestaltung ist das dritte Prädiktionsmodul dazu ausgebildet, die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt anhand einer Extrapolation unter Verwendung der Bewegungsdaten des Verkehrsteilnehmers zu bewerkstelligen. Dies entspricht einer einfachen Extrapolation der Bewegungsvektoren/Trajektorien. Dies kann insbesondere auch dann zur Anwendung kommen, wenn beispielsweise ein Verkehrsteilnehmer sich auf keinem üblicherweise benutzten Weg befindet, beispielsweise wenn ein Fußgänger die Straße an einer verbotenen Stelle überquert.
  • Ferner kann der Prozessor dazu ausgebildet sein, die Prädiktion jeder Verkehrsteilnehmer paarweise zur Bestimmung potenziell gefährlicher Situationen in korrespondierenden Zeitschritten zu vergleichen. Sind die zukünftigen Positionen der Verkehrsteilnehmer beispielsweise mit einem Vorhersagehorizont von 5s sowie mit zugehörigen Wahrscheinlichkeiten und Genauigkeiten bekannt, können daraus potenziell zukünftige gefährliche Situationen berechnet werden. Dazu können für jeden Zeitschritt in der Zukunft paarweise die Vorhersagen/Prädiktionen der Verkehrsteilnehmer verglichen werden.
  • In weiterer Ausbildung ist der Prozessor dazu ausgebildet, die Gefährlichkeit einer Situation mittels zumindest einem der nachfolgenden Faktoren zu bestimmen: der Größe eines Überlappungsbereiches zwischen zwei Verkehrsteilnehmern und/oder anhand einer zukünftigen Beschleunigung eines Verkehrsteilnehmers und/oder anhand eines zukünftigen Winkels zwischen zwei Verkehrsteilnehmern und/oder die Zeit bis zu einer möglichen Kollision zwischen zwei Verkehrsteilnehmern und/oder in Abhängigkeit von den verwendeten Fahrspuren der Verkehrsteilnehmer.
  • So bedeutet ein größerer Überlappungsbereich zwischen zwei Verkehrsteilnehmern eine höhere Gefahr. Ebenfalls einer höheren Gefahr entspricht es, wenn die zukünftige Geschwindigkeit einer der Verkehrsteilnehmer sich erhöht, insbesondere bei einer signifikanten Beschleunigung. Auch kann der zukünftige Winkel zwischen den Verkehrsteilnehmern betrachtet werden; so bedeutet eine Annäherung direkt von hinten meist geringe Gefahr, da davon ausgegangen werden kann, dass der von hinten sich nähernde Verkehrsteilnehmer den vor sich Fahrenden bemerkt. Bei Annäherung von der Seite (Winkel ungleich Null) oder erwarteter Änderung der Bewegungsrichtung ist hingegen von einer höheren Gefahr auszugehen. Ebenfalls kann die Zeit bis zu einer erwarteten Kollision betrachtet werden; so bedeutet geringere Zeit bis zur Kollision bei sichererer Vorhersage auch weniger Zeit zur Reaktion und damit eine höhere Gefahr.
  • Ebenfalls können die verwendeten Fahrspuren zweier Verkehrsteilnehmer betrachtet werden; so wird bei Verwendung der gleichen Fahrspur von einer tendenziell geringen Gefahr ausgegangen, da die eigene Fahrspur gewöhnlich stets im Blick ist und von einer höheren Gefahr bei sich kreuzenden Fahrspuren, insbesondere wenn sich Fahrradweg und Straße kreuzen.
  • Insbesondere kann eine Kombination von den Faktoren herangezogen werden, um eine gefährliche Situation sicher zu erkennen.
  • In weiterer Ausgestaltung ist der Prozessor dazu ausgebildet, bei der Bestimmung der Gefährlichkeit einer Situation die Art der Verkehrsteilnehmer als weiteren Faktor zu berücksichtigen. So ist eine Gefahr zwischen zwei Fußgängern selbst bei sehr großer Überlappung, beispielsweise an einer Ampel, nahezu auszuschließen; jedoch ist eine hohe Gefahr bei Beteiligung eines Fahrzeugs/LKWs anzunehmen.
  • Ferner ist in einer weiteren Ausgestaltung der Prozessor dazu ausgebildet, erkannte gefährliche Situationen mittels eines Bewertungswertes zu bewerten.
  • Dieser kann anhand der erkannten obigen Faktoren, wie Größe des Überlappungsbereiches etc., einfach bestimmt werden, d.h. aus diesen Faktoren wird nun eine Bewertung bestimmt, wie gefährlich die zukünftigen Situationen sind.
  • In weiterer Ausbildung ist der Prozessor dazu ausgebildet, ab Überschreiten eines vorgegebenen Schwellenwertes in Bezug auf den Bewertungswert, einen Alarm zumindest an die an der gefährlichen Situation beteiligten Verkehrsteilnehmer zu übermitteln. Falls ein gewisser Schwellenwert überschritten wird, wird ein Alarm an die beteiligten Verkehrsteilnehmer geschickt. Insbesondere umfasst dieser Alarm zumindest eine Nachricht und den Bewertungswert. Daher können auf dem Endgerät der Verkehrsteilnehmer beispielsweise zusätzlich die übermittelten Alarme herausgefiltert werden, die eine geringe Bewertung haben. Dies ermöglicht es dem Fahrzeugnutzer, selbst darauf Einfluss zu nehmen, wie viele Alarme angezeigt werden. So kann ein risikobereiter Fahrzeugnutzer es verhindern, subjektiv zu viele Alarme angezeigt zu bekommen.
  • Weitere Vorteile und Eigenschaften der Erfindung gehen aus der nachfolgenden Beschreibung hervor, in der Ausführungsbeispiele der Erfindung anhand der Zeichnung im Einzelnen erläutert werden. Es zeigen schematisch:
    • FIG 1:
    schematisch das Alarmsystem,
    FIG 2:
    eine Prädiktion mit dem ersten Prädiktionsmodul,
    FIG 3:
    eine Prädiktion mit dem zweiten Prädiktionsmodul,
    FIG 4:
    eine Prädiktion mit dem dritten Prädiktionsmodul.
  • FIG 1 zeigt schematisch das Alarmsystem 1 zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt 2 (FIG 2). Das Alarmsystem 1 kann beispielsweise am Straßenrand in einem Infrastrukturelement wie einer Ampel integriert sein oder in einer Cloud oder Edge Cloud.
  • Das Alarmsystem 1 umfasst dabei eine Empfangseinheit 4 mit einer Kommunikationsschnittstelle 3 zum Empfangen einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmern bezogen auf den Straßenabschnitt 2. Diese Bewegungsdaten können als Sensordaten ausgebildet sein oder aus diesen extrahiert sein, welche von an den Fahrzeugen angeordneten Lidar-/Radar- und Kamerasystemen stammen oder beispielsweise von Sensorsystemen, welche an den umliegenden Infrastrukturelementen, wie Verkehrsampeln, angeordnet sind. Aus diesen Sensordaten können die Verkehrsteilnehmer sowie deren Bewegungsdaten, insbesondere Bewegungstrajektorien, extrahiert werden. Die Extraktion und Übertragung erfolgt dabei in Echtzeit. Die Bewegungsdaten umfassen dabei zumindest die aktuelle und vorherige Position, Geschwindigkeit und Richtung eines Verkehrsteilnehmers über eine kurze Zeitdauer mit einem jeweiligen Zeitstempel.
  • Das Alarmsystem 1 kann zudem weitere Datenquellen verwenden, sofern diese verfügbar sind. So können z.B. die Bewegungsdaten durch die Verwendung von Daten der aktuellen und zukünftigen Ampelschaltung weiter verbessert werden und somit auch die Vorhersage später verbessert werden.
  • Ferner weist das Alarmsystem 1 eine Speichereinheit 10 auf. In dieser sind zumindest drei Prädiktionsmodule 5,6,7 gespeichert, wobei das erste Prädiktionsmodul 5 die höchste Prädiktionsqualität und das dritte Prädiktionsmodul 7 die niedrigste Prädiktionsqualität aufweist.
  • Die drei Prädiktionsmodule 5,6,7 können dabei als Softwaremodule ausgeführt sein.
  • Ferner können ebenfalls noch weitere Prädiktionsmodule gespeichert sein.
  • Dabei ist jedes der Prädiktionsmodule 5,6,7 dazu ausgebildet, eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn bestimmte an das Prädiktionsmodul 5,6,7 gekoppelte Bedingungen erfüllt sind. Für die Vorhersage stehen nun mehrere Prädiktionsmodule 5,6,7 zur Verfügung, die unterschiedliche Prädiktionsqualität aufweisen, aber auch unterschiedliche Voraussetzungen (Bedingungen) benötigen.
  • Dabei kann die Prädiktionsqualität anhand einer Auflösung, sowie einen Vorhersagehorizont mit zugehörigen Wahrscheinlichkeiten und eine Genauigkeit in Bezug auf zumindest die zukünftige Position eines Verkehrsteilnehmers bestimmt werden. So umfasst eine hohe Prädiktionsqualität eine hohe Auflösung, beispielsweise eine von 200ms sowie einen Vorhersagehorizont von 5s mit zugehörigen Wahrscheinlichkeiten und entsprechenden Genauigkeiten.
  • Dabei ist das erste Prädiktionsmodul 5 dazu ausgebildet, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn bestimmte erste Bedingungen erfüllt sind.
  • Dabei benötigt das erste Prädiktionsmodul 5 als erste Bedingung ein trainiertes künstliches neuronales Netz 8 für den Straßenabschnitt 2 oder einen genügend ähnlichen Straßenabschnitt sowie eine HD-Karte 9 für den betreffenden Straßenabschnitt 2. Dies bedeutet, dass zuvor für diesen Straßenabschnitt 2 ein künstliches neuronales Netz 8 vorab trainiert werden muss, sowie eine HD-Karte 9 vorhanden sein muss. Dabei ist eine HD-Karte 9 eine hochauflösende High-Definition Karte, welche zumindest die Straßen als auch die Gehwege und die Verkehrsführungselemente, wie Zebrastreifen, hochpräzise und zentimetergenau abbildet.
  • Dabei kann das künstliche neuronale Netz 8 unter Verwendung historischer Daten antrainiert worden sein.
  • Es ist auch möglich, das erste Prädiktionsmodul 5 nur für spezielle Fälle, beispielsweise die Vorhersage, ob ein Fahrzeug abbiegen oder geradeaus fahren wird, heranzuziehen. Die Anwendung auf Spezialfälle hat den Vorteil, dass für das Training weniger historische Daten benötigt werden, wodurch Zeit und Kosten gespart werden.
  • Dabei ist das zweite Prädiktionsmodul 6 dazu ausgebildet, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen nicht erfüllt sind und lediglich bestimmte zweite Bedingungen erfüllt sind. Dabei entsprechen die zweiten Bedingungen einem Vorhandensein einer HD-Karte 9 für den entsprechenden Straßenabschnitt 2. Hierbei werden anhand der aktuellen und vorherigen Positionen und Bewegungsrichtungen mögliche Fahrspuren berechnet und mit Wahrscheinlichkeiten versehen. Dann wird eine weitere Bewegung des Verkehrsteilnehmers auf den gefundenen Fahrspuren angenommen, um die zukünftigen Positionen und Bewegungsrichtungen zu erhalten.
  • Ferner ist das dritte Prädiktionsmodul 7 dazu ausgebildet, die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt 2 anhand einer Extrapolation unter Verwendung der Bewegungsdaten des Verkehrsteilnehmers zu bewerkstelligen. Dies kann auch ohne HD-Karte 9 und ohne künstliches neuronales Netz 7 bewerkstelligt werden. Dies entspricht einer einfachen Extrapolation der Bewegungsvektoren/Trajektorien. Dies kann insbesondere auch dann zur Anwendung kommen, wenn beispielsweise ein Verkehrsteilnehmer sich auf keinem üblicherweise benutzten Weg befindet, beispielsweise wenn ein Fußgänger die Straße an einer verbotenen Stelle überquert.
  • Ferner ist ein Prüfungsmodul 15 vorhanden, welches dafür ausgelegt ist, zu prüfen ob die ersten oder die zweiten oder die dritten Bedingungen in Bezug auf den Straßenabschnitt 2 und den Verkehrsteilnehmer vorhanden sind und dabei in absteigender Qualitätsreihenfolge und je nach vorhandenen Bedingungen das entsprechende Prädiktionsmodul 5,6,7 in absteigender Qualitätsreihenfolge auswählt.
  • Das Prüfungsmodul 15 versucht somit immer, zunächst das erste Prädiktionsmodul 5 zu verwenden, da dieses die höchste Prädiktionsqualität aufweist und erst anschließend, falls die ersten Bedingungen wie künstliches neuronales Netz 8 nicht gegeben sind, auf das zweite Prädiktionsmodul 6 zurückzugreifen, mit den zweiten Bedingungen, hier der HD-Karte 9. Ist für den Straßenabschnitt 2 auch keine HD-Karte 9 vorhanden, so wird auf das dritte Prädiktionsmodul 7 zurückgegriffen.
  • Dadurch wird stets das Prädiktionsmodul 5,6,7 mit der höchsten Prädiktionsqualität verwendet, und erst, falls dies nicht möglich ist, da die Bedingungen dafür nicht erfüllt sind, wird auf das nächst-niedrigere Prädiktionsmodul 6,7 zurückgegriffen.
  • Dabei können in einer Verkehrssituation auch unterschiedliche Prädiktionsmodule 5,6,7 für unterschiedliche Verkehrsteilnehmer zum Einsatz kommen.
  • Anschließend wird mittels eines Prozessors 16 eine Prädiktion zumindest der zukünftigen Position der erfassten Verkehrsteilnehmer anhand des ausgewählten Prädiktionsmoduls 5,6,7 für die Verkehrsteilnehmer generiert.
  • Wenn nun die zukünftigen Positionen der Verkehrsteilnehmer beispielsweise mit einer Auflösung von 200ms und einem Vorhersagehorizont von 5s mit zugehörigen Wahrscheinlichkeiten und Genauigkeiten durch die Prädiktionsmodule 5,6,7 bekannt sind, können daraus potenziell zukünftige gefährliche Situationen 12 durch den Prozessor 16 bestimmt werden. Hierzu werden für jeden Zeitschritt in der Zukunft paarweise die Prädiktionen der Verkehrsteilnehmer durch den Prozessor 16 verglichen.
  • Dabei kann der Prozessor 16 zur Bestimmung einer gefährlichen Situation 12 zwischen den Verkehrsteilnehmern nachfolgende Faktoren einzeln, aber vorzugsweise in Kombination, heranziehen:
    • die Größe der Überlappung eines berechneten Aufenthaltsbereichs der Verkehrsteilnehmer. So bedeutet ein größerer Überlappungsbereich zwischen zwei Verkehrsteilnehmern eine höhere Gefahr,
    • die Position der Überlappung relativ zur geschätzten Position. So bedeutet ein Überlapp näher am Zentrum der geschätzten Position eine höhere Gefahr,
    • die zukünftige Geschwindigkeit der Verkehrsteilnehmer; so bedeutet eine höhere Geschwindigkeit, insbesondere eine signifikante Beschleunigung, eine höhere Gefahr,
    • ein vorhandener oder zukünftiger Winkel zwischen den Verkehrsteilnehmern, so bedeutet eine Annäherung direkt von hinten meist geringe Gefahr, da davon ausgegangen werden kann, dass sich der von hinten nähernde Verkehrsteilnehmer den vor sich Fahrenden bemerkt hat. Bei Annäherung von der Seite oder erwarteter Änderung der Bewegungsrichtung ist hingegen von einer höheren Gefahr auszugehen,
    • Betrachtung der verwendeten Fahrspuren zweier Verkehrsteilnehmer; so wird bei Verwendung gleicher Fahrspur von einer tendenziell geringen Gefahr ausgegangen, da die eigene Fahrspur gewöhnlich stets im Blick ist und von einer höheren Gefahr bei sich kreuzenden Fahrspuren, insbesondere wenn sich Fahrradweg und Straße kreuzen,
    • eine Zeit bis zur erwarteten Kollision; so bedeutet geringere Zeit bis zur Kollision weniger Zeit zur Reaktion bei sichererer Vorhersage und damit eine höhere Gefahr,
    • die gleiche oder ungleiche Art der Verkehrsteilnehmer; so ist eine Gefahr zwischen zwei Fußgängern selbst bei sehr großer Überlappung, beispielsweise an einer Ampel, nahezu auszuschließen, jedoch eine hohe Gefahr bei Beteiligung eines Fahrzeugs / LKWs anzunehmen.
  • Ferner ist in einer weiteren Ausgestaltung der Prozessor 16 dazu ausgebildet, erkannte gefährliche Situationen 12 mittels eines Bewertungswertes zu bewerten. Dieser kann anhand der erkannten obigen Faktoren, wie Größe des Überlappungsbereiches etc. einfach bestimmt werden, d.h. aus diesen Faktoren wird nun eine Bewertung berechnet, wie gefährlich die zukünftige Situation 12 ist.
  • Falls ein gewisser Schwellenwert überschritten wird, sendet der Prozessor 16 eine Nachricht als auch den Bewertungswert als Alarm an die beteiligten Verkehrsteilnehmer.
  • So können auf dem Endgerät der Verkehrsteilnehmer diese Alarme hinsichtlich des Bewertungswertes gefiltert werden. Dabei können beispielsweise alle Alarme die für den einzelnen Verkehrsteilnehmer einen zu geringen Bewertungswert aufweisen, herausgefiltert werden. Dies ermöglicht es dem Verkehrsteilnehmer, selbst darauf Einfluss zu nehmen, wie viele Warnungen angezeigt werden. So kann ein risikobereiter Verkehrsteilnehmer vermeiden, subjektiv zu viele Warnungen angezeigt zu bekommen.
  • FIG 2 zeigt eine Prädiktion mit dem ersten Prädiktionsmodul 5.
  • In diesem Szenario biegt ein von Osten kommender PKW 13 nach Norden ab und kreuzt hierbei den Fahrweg eines ebenfalls von Osten kommenden Fahrradfahrers 14. Das Fahrrad-Symbol 14 bzw. PKW-Symbol 13 stellen die aktuellen Positionen der beteiligten Verkehrsteilnehmer dar.
  • Die blauen Ellipsen 11 stellen die vorhergesagten Aufenthaltsbereiche des Fahrrads 14 als auch des PKWs 13 dar.
  • Bei diesem Beispiel wurde ein künstliches neuronales Netz 8 anhand historischer Daten trainiert, an dieser Kreuzung anhand der Annäherungsgeschwindigkeit zu bestimmen, ob ein Fahrzeug geradeaus fährt oder abbiegt. Die aktuellen Bewegungsdaten werden nun in das so trainierte neuronale Netz 8 eingegeben, welches unter Verwendung der HD-Karte 9 für diese Kreuzung Vorhersagen für den PKW 13 als auch den Fahrradfahrer 14 erzeugt.
  • Durch das erste Prädiktionsmodul 5 mit dem trainierten künstlichen neuronalen Netz 8, das auf eine HD-Karte 9 zurückgreift, kann nun frühzeitig erkannt werden, dass der PKW 13 abbiegen wird und damit eine gefährliche Situation 12 entstehen wird.
  • Durch die Verwendung des ersten Prädiktionsmoduls 5 kann eine hohe Prädiktionsqualität und dementsprechend eine zuverlässige Vorhersage für die zukünftigen Positionen der Verkehrssteilnehmer erzielt werden. Somit können gefährliche Situationen 12 genau und zuverlässig sowie rechtzeitig erkannt werden.
  • FIG 3 zeigt eine Prädiktion des obigen Szenarios mit dem zweiten Prädiktionsmodul 6. In diesem Szenario biegt der von Osten kommende PKW 13 nach Norden ab und kreuzt hierbei den Fahrweg des ebenfalls von Osten kommenden Fahrradfahrers 14. Das Fahrrad-Symbol 14 bzw. PKW-Symbol 13 stellen wiederum die aktuellen Positionen der beteiligten Verkehrsteilnehmer dar. Die blauen Ellipsen 11 stellen wiederum die vorhergesagten Aufenthaltsbereiche des Fahrrads 14 als auch des PKWs 13 dar.
  • Bei diesem Beispiel wird die Vorhersage durch das zweite Prädiktionsmodul 6 mittels der HD-Karte 9 getroffen. Hier kann bereits an dieser Stelle vorausgesagt werden, dass der PKW 13 sich nach rechts wenden könnte, und dadurch eine gefährliche Situation 12 entsteht. Allerdings ist eine Unsicherheit, ob dies wirklich so geschehen wird, vorhanden, da es auch möglich ist, dass der PKW 13 seinen Weg in gerader Richtung fortsetzt. Durch die Verwendung des zweiten Prädiktionsmoduls 6 kann eine mittlere Prädiktionsqualität und dementsprechend eine mittlere zuverlässige Vorhersage für die zukünftigen Positionen der Verkehrssteilnehmer erzielt werden. Somit können gefährliche Situationen erkannt werden.
  • FIG 4 zeigt eine Prädiktion des obigen Szenarios mit dem dritten Prädiktionsmodul 7. In diesem selbigen Szenario biegt wieder der von Osten kommende PKW 13 nach Norden ab und kreuzt hierbei den Fahrweg eines ebenfalls von Osten kommenden Fahrradfahrers 14. Das Fahrrad-Symbol 14 bzw. PKW-Symbol 13 stellen die aktuellen Positionen der beteiligten Verkehrsteilnehmer dar. Die blauen Ellipsen 11 stellen wiederum die vorhergesagten Aufenthaltsbereiche des Fahrrads 14 als auch des PKWs 13 dar.
  • Bei diesem Beispiel wird die Vorhersage durch das dritte Prädiktionsmodul 7 mittels der Extrapolation der vergangenen und aktuellen Bewegungsvektoren/Bewegungsdaten getroffen. Dabei erkennt das dritte Prädiktionsmodul 7 nicht, dass der PKW 13 demnächst nach rechts fahren wird. Es wird dementsprechend kein Alarm ausgegeben.
  • Durch das erfindungsgemäße Alarmsystem 1 mit den zumindest drei Prädiktionsmodulen mit absteigender Prädiktionsqualität kann eine potenziell gefährliche Situation 12 besser erkannt werden, indem immer das bestmöglichste Prädiktionsmodul 5,6,7 zur Bestimmung der zukünftigen Positionen der Verkehrsteilnehmer herangezogen wird.
    • Bezugszeichenliste:
    • 1
    Alarmsystem
    2
    Straßenabschnitt
    3
    Kommunikationsschnittstelle
    4
    Empfangseinheit
    5
    erstes Prädiktionsmodul
    6
    zweites Prädiktionsmodul
    7
    drittes Prädiktionsmodul
    8
    künstliches neuronales Netz
    9
    HD-Karte
    10
    Speichereinheit
    11
    blauen Ellipsen
    12
    gefährliche Situation
    13
    PKW
    14
    Fahrrad
    15
    Prüfungsmodul
    16
    Prozessor

Claims (16)

  1. Alarmsystem (1) zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt (2)
    umfassend eine Empfangseinheit (4) mit einer Kommunikationsschnittstelle (3) zum Empfangen einer Vielzahl von Bewegungsdaten von erfassten Verkehrsteilnehmern bezogen auf den Straßenabschnitt (2),
    dadurch gekennzeichnet, dass
    eine Speichereinheit (10) vorgesehen ist, welche zumindest drei oder mehr Prädiktionsmodule (5,6,7) mit absteigender Prädiktionsqualität aufweist und wobei das erste Prädiktionsmodul (5) dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn bestimmte erste Bedingungen erfüllt sind und wobei das zweite Prädiktionsmodul (6) dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen nicht erfüllt sind und lediglich bestimmte zweite Bedingungen erfüllt sind, und wobei das dritte Prädiktionsmodul (7) dazu ausgebildet ist, zumindest eine Prädiktion der Position der erfassten Verkehrsteilnehmer vorherzusagen, wenn die ersten Bedingungen als auch die zweiten Bedingungen nicht erfüllt sind und wobei
    ein Prüfungsmodul (15) vorgesehen ist, welches dafür ausgelegt ist, zu prüfen, ob die ersten Bedingungen oder die zweiten Bedingungen oder die dritten Bedingungen in Bezug auf den Straßenabschnitt (2) und den Verkehrsteilnehmer erfüllt sind und in absteigender Qualitätsreihenfolge und je nach erfüllten Bedingungen das Prädiktionsmodul (5,6,7) mit der höchsten Prädiktionsqualität auszuwählen, und wobei
    ein Prozessor (16) vorgesehen ist, welcher zur Prädiktion zumindest der zukünftigen Position der erfassten Verkehrsteilnehmer anhand des ausgewählten Prädiktionsmoduls (5,6,7) ausgebildet ist.
  2. Alarmsystem (1) nach Anspruch 1, dadurch gekennzeichnet, dass die Prädiktionsqualität zumindest die Eintrittswahrscheinlichkeit und/oder die Genauigkeit einer zukünftigen Position umfasst.
  3. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Bewegungsdaten zumindest die aktuelle und vorherige Position, Geschwindigkeit und Richtung eines Verkehrsteilnehmers über eine kurze Zeitdauer umfassen.
  4. Alarmsystem (1) nach Anspruch 3, dadurch gekennzeichnet, dass die Bewegungsdaten Daten aus weiteren Datenquellen, welche zur Verkehrsführung in dem betreffenden Straßenabschnitt (2) dienen, umfassen.
  5. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das erste Prädiktionsmodul (5) als erste Bedingungen ein trainiertes künstliches neuronales Netz (8) für den Straßenabschnitt (2) oder einen genügend ähnlichen Straßenabschnitt (2) sowie eine HD-Karte (9,High Definition Karte) für den betreffenden Straßenabschnitt (2) umfasst, und wobei das erste Prädiktionsmodul (5) dazu ausgebildet ist, die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt (2) anhand des trainierten künstlichen neuronalen Netzes (8) mit den Bewegungsdaten des Verkehrsteilnehmers und der HD-Karte (9) zu bewerkstelligen.
  6. Alarmsystem (1) nach Anspruch 5, dadurch gekennzeichnet, dass das künstliche neuronale Netz (8) anhand historischer Daten trainiert ist.
  7. Alarmsystem (1) nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass das künstliche neuronale Netz (8) lediglich für spezielle Fälle in Bezug auf bestimmte Verkehrsteilnehmer und deren zukünftige Positionen trainiert ist.
  8. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das zweite Prädiktionsmodul (6) als zweite Bedingung eine HD-Karte (9) für den Straßenabschnitt (2) umfasst, wobei das zweite Prädiktionsmodul (6) dazu ausgebildet ist, die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt (2) anhand der HD- Karte (9) für den Straßenabschnitt (2), unter Verwendung der Bewegungsdaten des Verkehrsteilnehmers durchzuführen.
  9. Alarmsystem (1) nach einem der vorhergehenden Ansprüche 4 bis 8, dadurch gekennzeichnet, dass die HD-Karte (9) zumindest die Straßen als auch die Gehwege und die Verkehrsführungselemente umfasst.
  10. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das dritte Prädiktionsmodul (7) dazu ausgebildet ist, die Prädiktion eines Verkehrsteilnehmers für den Straßenabschnitt (2) anhand einer Extrapolation unter Verwendung der Bewegungsdaten des Verkehrsteilnehmers zu bewerkstelligen.
  11. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Prozessor (16) ferner dazu ausgebildet ist, die Prädiktion jeder Verkehrsteilnehmer paarweise zur Bestimmung potenziell gefährlicher Situationen in korrespondierenden Zeitschritten zu vergleichen.
  12. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Prozessor (16) dazu ausgebildet ist, die Gefährlichkeit einer Situation mittels zumindest einem der nachfolgenden Faktoren zu bestimmen: der Größe eines Überlappungsbereiches zwischen zwei Verkehrsteilnehmern und/oder anhand einer zukünftigen Beschleunigung eines Verkehrsteilnehmers und/oder anhand eines zukünftigen Winkels zwischen zwei Verkehrsteilnehmern und/oder die Zeit bis zu einer möglichen Kollision zwischen zwei Verkehrsteilnehmern und/oder in Abhängigkeit von den verwendeten Fahrspuren der Verkehrsteilnehmer.
  13. Alarmsystem (1) nach Anspruch 12, dadurch gekennzeichnet, dass der Prozessor (16) dazu ausgebildet ist, bei der Bestimmung der Gefährlichkeit einer Situation die Art der Verkehrsteilnehmer als weiteren Faktor zu berücksichtigen.
  14. Alarmsystem (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Prozessor (16) dazu ausgebildet ist, erkannte gefährliche Situationen mittels eines Bewertungswertes zu bewerten.
  15. Alarmsystem (1) nach Anspruch 14, dadurch gekennzeichnet, dass der Prozessor (16) dazu ausgebildet ist, ab Überschreiten eines vorgegebenen Schwellenwertes in Bezug auf den Bewertungswert einen Alarm zumindest an die an der gefährlichen Situation beteiligten Verkehrsteilnehmer zu übermitteln.
  16. Alarmsystem (1) nach Anspruch 15, dadurch gekennzeichnet, dass der Alarm zumindest eine Nachricht und den Bewertungswert umfasst.
EP23196777.9A 2022-10-05 2023-09-12 Alarmsystem zur warnung vulnerabler verkehrsteilnehmer in einem vorgegebenen strassenabschnitt Active EP4350657B1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022210507.9A DE102022210507A1 (de) 2022-10-05 2022-10-05 Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt

Publications (2)

Publication Number Publication Date
EP4350657A1 true EP4350657A1 (de) 2024-04-10
EP4350657B1 EP4350657B1 (de) 2025-07-02

Family

ID=88017678

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23196777.9A Active EP4350657B1 (de) 2022-10-05 2023-09-12 Alarmsystem zur warnung vulnerabler verkehrsteilnehmer in einem vorgegebenen strassenabschnitt

Country Status (4)

Country Link
US (1) US20240119841A1 (de)
EP (1) EP4350657B1 (de)
CN (1) CN117854243A (de)
DE (1) DE102022210507A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023200085A1 (de) 2023-01-06 2024-07-11 Continental Automotive Technologies GmbH Computerimplentiertes verfahren zur optimierung der eigenschaften von kartenausschnitten
DE102024207819A1 (de) * 2024-08-16 2026-02-19 Volkswagen Aktiengesellschaft Verfahren zur Kritikalitätsprädiktion für Verkehrssituationen, sowie Assistenzsystem

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9659496B2 (en) 2015-02-10 2017-05-23 Ridar Systems LLC Proximity awareness system for motor vehicles
EP3690396A1 (de) * 2019-01-31 2020-08-05 StradVision, Inc. Verfahren und vorrichtung zur bereitstellung eines fortschrittlichen fussgängerassistenzsystems zum schutz die durch ihr smartphone abgelenkt fussgängern

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AR065923A1 (es) * 2007-08-09 2009-07-08 Barros Alejandro Rodriguez Sistema de aviso anticipado de apertura de una puerta de vehiculo automovil
EP2830031A4 (de) * 2012-03-19 2016-08-10 Toyota Motor Co Ltd Vorrichtung zur unterstützung einer kollisionsvermeidung
DE102013212359A1 (de) * 2013-06-27 2014-12-31 Bayerische Motoren Werke Aktiengesellschaft Vorhersage von Fahrpfaden eines Fahrzeugs
US9718405B1 (en) * 2015-03-23 2017-08-01 Rosco, Inc. Collision avoidance and/or pedestrian detection system
WO2017153979A1 (en) * 2016-03-06 2017-09-14 Foresight Automotive Ltd. Running vehicle alerting system and method
DE102016212700A1 (de) * 2016-07-13 2018-01-18 Robert Bosch Gmbh Verfahren und System zur Steuerung eines Fahrzeugs
KR102693520B1 (ko) * 2016-11-29 2024-08-08 삼성전자주식회사 객체들 간의 충돌을 방지하는 충돌 방지 장치 및 방법
WO2019101330A1 (en) * 2017-11-24 2019-05-31 Telefonaktiebolaget Lm Ericsson (Publ) Collision prevention system and method
JP7098580B2 (ja) * 2019-07-05 2022-07-11 株式会社東芝 予測装置、予測方法、プログラムおよび車両制御システム
US11702108B2 (en) * 2019-09-13 2023-07-18 Tusimple, Inc. Distributed computing systems for autonomous vehicle operations
DE102019215141B4 (de) * 2019-10-01 2023-10-12 Volkswagen Aktiengesellschaft Verfahren zum Prognostizieren einer zukünftigen Verkehrssituation in einer Umgebung eines Kraftfahrzeugs durch Bestimmen mehrerer in sich konsistenter Gesamtszenarios für unterschiedliche Verkehrsteilnehmer; Kraftfahrzeug
US11890987B2 (en) * 2020-03-11 2024-02-06 Rosco, Inc. Advanced pedestrian and/or driver alert and/or collision avoidance system
EP3886076B1 (de) * 2020-03-27 2025-09-10 Aptiv Technologies AG Warnsystem für ein host-kraftfahrzeug
JP2022034782A (ja) * 2020-08-19 2022-03-04 トヨタ自動車株式会社 情報処理装置、車両、及び、情報処理方法
JP7314902B2 (ja) * 2020-10-29 2023-07-26 トヨタ自動車株式会社 車両の制御方法及び制御装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9659496B2 (en) 2015-02-10 2017-05-23 Ridar Systems LLC Proximity awareness system for motor vehicles
EP3690396A1 (de) * 2019-01-31 2020-08-05 StradVision, Inc. Verfahren und vorrichtung zur bereitstellung eines fortschrittlichen fussgängerassistenzsystems zum schutz die durch ihr smartphone abgelenkt fussgängern

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GULZAR MAHIR ET AL: "A Survey on Motion Prediction of Pedestrians and Vehicles for Autonomous Driving", IEEE ACCESS, IEEE, USA, vol. 9, 5 October 2021 (2021-10-05), pages 137957 - 137969, XP011882725, DOI: 10.1109/ACCESS.2021.3118224 *

Also Published As

Publication number Publication date
EP4350657B1 (de) 2025-07-02
CN117854243A (zh) 2024-04-09
DE102022210507A1 (de) 2024-04-11
US20240119841A1 (en) 2024-04-11

Similar Documents

Publication Publication Date Title
EP2826031B1 (de) Verfahren zur stauerkennung mittels einer drahtlosen fahrzeug-zu-fahrzeug-kommunikation
EP3197739B1 (de) Funktionsfreigabe einer hochautomatisierten fahrfunktion
EP3204925B1 (de) Verfahren zum handhaben einer regelkarte
DE102021207181B3 (de) Verfahren zur automatischen Erkennung einer Rechts-Vor-Links-Situation und Kraftfahrzeug
EP3671693A1 (de) Verfahren und fahrerassistenzsystem zum unterstützen eines fahrers eines fahrzeugs beim führen des fahrzeugs
DE102014208673A1 (de) Verfahren und Verkehrsüberwachungseinrichtung zum Feststellen einer Falschfahrt eines Kraftfahrzeugs
DE102021205680A1 (de) Vorrichtung und verfahren zum steuern eines fahrzeugs
DE102021200636B4 (de) Verfahren zum Erzeugen einer Fahrspurwechselempfehlung, Spurwechselassistenzsystem sowie Kraftfahrzeug mit einem Spurwechselassistenzsystem
EP3204926A1 (de) Verfahren zum handhaben einer regelkarte
DE102014208662A1 (de) Verfahren und Steuer- und Erfassungseinrichtung zum Plausibilisieren einer Falschfahrt eines Kraftfahrzeugs
EP3994040B1 (de) Verfahren zum koordinieren von verkehrsteilnehmern durch eine servervorrichtung sowie eine servervorrichtung und eine steuerschaltung zum durchführen des verfahrens
DE102016118497A1 (de) Ermittlung einer virtuellen Fahrspur für eine von einem Kraftfahrzeug befahrene Straße
EP4350657B1 (de) Alarmsystem zur warnung vulnerabler verkehrsteilnehmer in einem vorgegebenen strassenabschnitt
EP3024709B1 (de) Effizientes bereitstellen von belegungsinformationen für das umfeld eines fahrzeugs
DE102016220102A1 (de) Verfahren zur Verkehrsführung
WO2019233777A1 (de) Fahrassistenzsystem
DE102007007540A1 (de) Fahrstreifenkontrollierte Erkennung von Fahrzeugen beim Spurenwechsel
WO2023036545A1 (de) Verfahren und steuerschaltung zum überprüfen, ob ein aktuell aktiver fahrmodus innerhalb seiner odd betrieben wird, sowie system und backend-server
DE102012207864A1 (de) Verfahren zum Reduzieren einer Staugefahr
DE102014221675A1 (de) Verfahren und Steuer- und Erfassungseinrichtung zum Plausibilisieren einer Falschfahrt eines Kraftfahrzeugs
EP3460776B1 (de) Verfahren und vorrichtung zur beweiskräftigen erfassung von verkehrsverstössen eines fahrzeugs
DE102014202509A1 (de) Steuerung einer hoch- oder vollautomatischen Fahrfunktion
DE102014207054B4 (de) Verfahren zum Betreiben eines Fahrerinformationssystem für Engstellen im Straßenverkehr und Fahrerinformationssystem
DE102019001092A1 (de) Verfahren zum Betreiben eines Fahrerassistenzsystems, sowie elektronische Recheneinrichtung, Computerprogrammprodukt und Datenträger
DE102023121011A1 (de) Bewegungsplanung für nicht-standard-fahrverhalten

Legal Events

Date Code Title Description
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: THE APPLICATION HAS BEEN PUBLISHED

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 ME MK MT NL NO PL PT RO RS SE SI SK SM TR

RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: CONTINENTAL AUTOMOTIVE TECHNOLOGIES GMBH

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: 20241010

RBV Designated contracting states (corrected)

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 ME MK MT NL NO PL PT RO RS SE SI SK SM TR

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

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

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20250205

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

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

Free format text: STATUS: THE PATENT HAS BEEN GRANTED

AK Designated contracting states

Kind code of ref document: B1

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 ME MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: GB

Ref legal event code: FG4D

Free format text: NOT ENGLISH

REG Reference to a national code

Ref country code: CH

Ref legal event code: EP

REG Reference to a national code

Ref country code: DE

Ref legal event code: R096

Ref document number: 502023001272

Country of ref document: DE

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: LANGUAGE OF EP DOCUMENT: GERMAN

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: DE

Payment date: 20250930

Year of fee payment: 3

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: AT

Payment date: 20251020

Year of fee payment: 3

REG Reference to a national code

Ref country code: CH

Ref legal event code: W10

Free format text: ST27 STATUS EVENT CODE: U-0-0-W10-W00 (AS PROVIDED BY THE NATIONAL OFFICE)

Effective date: 20251022

REG Reference to a national code

Ref country code: NL

Ref legal event code: MP

Effective date: 20250702

RAP4 Party data changed (patent owner data changed or rights of a patent transferred)

Owner name: AUMOVIO GERMANY GMBH

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: PT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20251103

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: NL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20251102

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: NO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20251002

REG Reference to a national code

Ref country code: LT

Ref legal event code: MG9D

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: FI

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: HR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20251003

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

Ref country code: CZ

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: LV

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: PL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

Ref country code: BG

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

REG Reference to a national code

Ref country code: DE

Ref legal event code: R081

Ref document number: 502023001272

Country of ref document: DE

Owner name: AUMOVIO GERMANY GMBH, DE

Free format text: FORMER OWNER: CONTINENTAL AUTOMOTIVE TECHNOLOGIES GMBH, 30175 HANNOVER, DE

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: RS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20251002

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: ES

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: RO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SM

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: EE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702

Ref country code: SK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20250702