EP4405928A1 - Verfahren und vorrichtungen für automatische, kooperative manöver - Google Patents

Verfahren und vorrichtungen für automatische, kooperative manöver

Info

Publication number
EP4405928A1
EP4405928A1 EP22790491.9A EP22790491A EP4405928A1 EP 4405928 A1 EP4405928 A1 EP 4405928A1 EP 22790491 A EP22790491 A EP 22790491A EP 4405928 A1 EP4405928 A1 EP 4405928A1
Authority
EP
European Patent Office
Prior art keywords
maneuver
cooperation
maneuvers
machines
machine
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
EP22790491.9A
Other languages
English (en)
French (fr)
Inventor
Bernhard HAEFNER
Josef Jiru
Henning SCHEPKER
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.)
Bayerische Motoren Werke AG
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Original Assignee
Bayerische Motoren Werke AG
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
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 Bayerische Motoren Werke AG, Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV filed Critical Bayerische Motoren Werke AG
Publication of EP4405928A1 publication Critical patent/EP4405928A1/de
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/22—Platooning, i.e. convoy of communicating vehicles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Definitions

  • the present disclosure relates to methods and apparatus for providing cooperative maneuvers involving a plurality of machines, particularly vehicles.
  • Cooperative maneuvers refer to maneuvers involving more than one machine in a shared environment.
  • a suitable selection of a cooperation maneuver can, for example, optimally control a traffic flow and/or increase the safety of a plurality of machines that share a working space.
  • There are different approaches and protocols for performing cooperative maneuvers There are no solutions, especially for automatically generated cooperation maneuvers. Improvements in these areas are desirable.
  • One object is to provide methods and devices for collaborative maneuvers involving multiple machines in a common workspace.
  • Some embodiments of the disclosure solve the specific problem of generating and providing a cooperative maneuver to overtake one or more vehicles. This can be done using machine learning to provide safe and performant maneuvers under real-time conditions. For this purpose, a classifier is first trained for a predetermined maneuver success. This separates successful from unsuccessful maneuver candidates. In addition, a regression model is trained on an extensive data set of randomized baseline situations. The regression model can be used to distinguish between good and bad cooperation maneuvers within the set of successful cooperation maneuvers and finally to identify an optimal cooperation maneuver. By means of appropriately weighted quality functions, an optimization for different goals such as avoiding jerks or the length of the overtaking maneuver can be achieved.
  • a first aspect relates to a method comprising the steps:
  • a machine can be a vehicle, in particular a passenger car or a truck.
  • a machine can also be a controlled flying object, e.g. an airplane, an airship, a balloon or a drone.
  • a machine can be a machine tool, in particular a robot, e.g. an industrial robot with serial and/or parallel kinematics.
  • a machine can also be a construction machine, agricultural machine and/or a (driverless) transport system.
  • the method can also be carried out for a representation of a machine instead of for a machine. This will be described in more detail later. This can be done in particular for simulation purposes, so that technical knowledge can be gained for a number of cooperating machines that are to be physically implemented.
  • a cooperative maneuver includes maneuvers for at least two machines involved in the cooperative maneuver.
  • the maneuvers should be specified in such a way that the machines can successfully complete the cooperative maneuver.
  • a cooperative maneuver can, in principle, contain maneuvers which—if they were executed—can lead to damage or impairment of one machine by the other machine. These can, for example, be differentiated from unsuccessful and successful cooperation maneuvers by means of a corresponding evaluation.
  • Obtaining shared information about the surroundings can in particular include measuring and/or simulating. Additionally or alternatively, obtaining shared information about the area can include receiving and/or fetching this information.
  • An environment from which the information about the environment originates can include, for example, a shared workspace for a number of robots. Additionally or alternatively, an environment may include a road on which multiple vehicles are moving. An environment can also be a railway line. An environment may additionally or alternatively include an airspace.
  • a predetermined value of the quality criterion can in particular include a predetermined value range, e.g. overtaking distances of less than 100 meters.
  • a predetermined value can include an extreme value, e.g., a minimum value or a maximum value.
  • the provision can include communicating and/or storing the information on the selected cooperation maneuver.
  • the selected cooperation maneuver can be stored in a shared memory space for the machines involved, so that other machines can fetch the information.
  • the provisioning can be done for the machine that performed the assessment. Then the cooperation maneuver or at least the maneuver provided for the machine can be provided in order to be implemented in particular by the machine.
  • Providing may include communication to one machine or multiple machines. Especially if that machine didn't do the evaluation. If the method is executed on an external device (for example on an infrastructure device), the selected cooperation maneuver can be made available in particular to all machines that the cooperation maneuver includes.
  • an external device for example on an infrastructure device
  • the method can be carried out on one of the machines involved in the maneuver, for example on a host vehicle.
  • the host vehicle may be the vehicle that is to overtake other vehicles.
  • the method can also be executed on an infrastructure device or on a machine that is not involved in the cooperation maneuver.
  • An embodiment of the first aspect relates to a method, in which the environmental information is at least partially detected by sensors, in particular by one of the two machines.
  • the environmental information can also come from a third machine. Additionally or alternatively, the environmental information can also come from a simulation or a modeling. In addition or as an alternative, environmental information can also come from the environment of both machines and can be detected by these in particular using sensors. Additionally or alternatively, environmental information can come from an observer system, for example from an infrastructure information system, especially when the machines are vehicles.
  • a piece of environmental information can include, in particular, the number of machines involved in the cooperative maneuver and their states (position, speed, etc.).
  • Information about the surroundings can in particular include information about a traffic situation, for example about a street and/or an intersection.
  • An embodiment of the first aspect relates to a method wherein a maneuver for a machine includes multiple sub-maneuvers.
  • a maneuver can in particular include sub-maneuvers which depend on the type of maneuver. For example, if the maneuver relates to a vehicle overtaking maneuver, then a maneuver may include sub-maneuvers related to accelerating, changing lanes, decelerating, and/or maintaining a current machine state.
  • a maneuver can relate, for example, to a longitudinal and transverse change in direction, a change in position and/or a change in altitude.
  • the maneuvers of a cooperation maneuver can in particular all include the same number and/or the same type of sub-maneuvers.
  • An embodiment of the first aspect relates to a method, wherein the maneuvers of the individual machines are of different lengths in terms of time and/or space.
  • the length of the maneuver of a cooperation maneuver can in particular be determined in terms of space and/or time. If the maneuvers are timed, the maneuvers of the individual machines affect a different length of time. Additionally or alternatively, the length can be determined spatially. Then, for example, one machine in a cooperation maneuver can cover a longer distance than another machine. For example, during an overtaking maneuver, the overtaking vehicle generally covers a longer distance than a vehicle that is being overtaken.
  • An embodiment of the first aspect relates to a method, in which the evaluation only takes place for some of the maneuvers comprised by the cooperation maneuver.
  • an evaluation can be directed to only one maneuver of a cooperative maneuver. This can be done in particular when the cooperative maneuver involves only two machines. However, even with more than two machines, a single, in particular predetermined, maneuver can be used for the evaluation, e.g. the maneuver for an overtaking vehicle. Alternatively, the evaluation can take place on the basis of several, in particular all, maneuvers of a cooperation maneuver.
  • An embodiment of the first aspect relates to a method, in which the evaluation is carried out using a trained algorithm, in particular using a neural network.
  • a trained algorithm can in particular include machine learning. Training can take place in particular on the basis of supervised learning or on the basis of reinforcement learning.
  • the algorithm can be based on previously machine-generated maneuvers and/or cooperation maneuvers. Additionally or alternatively, training can take place through a maneuver that has currently taken place and/or a cooperation maneuver. The same can apply to testing a trained algorithm.
  • One embodiment of the first aspect relates to a method, in which the evaluation is carried out using a binary classification, in which successful cooperation maneuvers in particular are distinguished from unsuccessful cooperation maneuvers.
  • the binary classification can be carried out in particular by a trained algorithm.
  • the trained algorithm can be based in particular on machine learning, for example the binary classification can be carried out by an appropriately trained neural network.
  • the binary classification makes it possible in particular to differentiate between a successful cooperation maneuver and an unsuccessful cooperation maneuver, so that only successful cooperation maneuvers have to be processed further. A processing time of the method can be shortened as a result. This is particularly useful when the method is run under real-time conditions.
  • a classification can also differentiate whether a safety distance is guaranteed, whether predetermined rules, for example traffic rules, are observed and/or whether a cooperative maneuver is efficiently composed of sub-maneuvers, for example such that no redundant maneuvers, eg duplicate maneuvers, are included.
  • a classification can be carried out as to whether dependent sub-manoeuvres have been successfully resolved, it being possible for the dependent sub-manoeuvres to be defined in particular between different maneuvers of a cooperation maneuver.
  • An embodiment of the first aspect relates to a method, in which the evaluation takes place by means of a regression, by means of which a quality of the cooperation maneuver is determined in particular.
  • the regression can be carried out in particular by a trained algorithm.
  • the trained algorithm can be based in particular on machine learning, for example the binary classification can be carried out by an appropriately trained neural network.
  • the regression can take place in particular according to the binary classification.
  • the regression can only be performed for successful maneuvers.
  • no cooperation maneuvers are evaluated with regard to their quality, which are not implemented anyway because they are not successful.
  • a processing time of the method can be shortened as a result. This is particularly useful if the method is to be generated and provided under real-time conditions, e.g. for an overtaking maneuver.
  • An embodiment of the first aspect relates to a method, in which the quality criterion is composed of a number of evaluation variables and in which the individual evaluation variables are weighted in particular.
  • An evaluation variable can be a position-based variable, for example a position, a distance covered, a speed, an acceleration and/or a jerk. For example, an overtaking maneuver can be evaluated according to how much distance is required for it. This is because, particularly in the case of oncoming traffic, the distance in the lane can be a safety-relevant evaluation variable for oncoming vehicles.
  • An evaluation variable can in particular be the duration of a cooperation maneuver. According to the above justification, a duration can also be a safety-relevant evaluation variable.
  • An evaluation variable composed of several evaluation variables can be composed, for example, of a longest distance of a maneuver of a cooperation maneuver and of a jerk that is exerted on the machine by the maneuver.
  • these assessment variables can be weighted. Depending on the selection of the weightings, different types of cooperation maneuvers can be specifically preferred.
  • One embodiment of the first aspect relates to a method, in which the cooperative maneuver is provided to at least one additional machine.
  • Area information maneuvers includes. This can be the case, for example, if some machines have a high probability of not affecting the cooperative maneuver.
  • the information about the cooperation maneuver can nevertheless be communicated to these machines. This can be particularly advantageous when these machines have additional information that was not included in the environmental information for the method, but which is nonetheless relevant to the cooperative maneuver. Then these machines can send the additional information to the machines of the cooperative maneuver and the cooperative maneuver can be adjusted accordingly if necessary.
  • the provision can take place by communicating with one or more machines and/or by storing the information on a shared memory, for example a server, from which the machines can obtain the information.
  • An embodiment of the first aspect relates to a method, wherein one of the two machines is a host machine and wherein the provisioning takes place from a host machine to at least the second machine.
  • the host machine may provide the cooperative maneuver to all machines of the cooperative maneuver. Additionally or alternatively, the cooperation maneuver can also be provided by the host machine for machines not included in the cooperation maneuver, in particular if these could influence the cooperation maneuver.
  • An embodiment of the first aspect relates to a method, comprising the step:
  • a confirmation can be made by all machines for which the selected cooperation maneuver is provided.
  • a confirmation from all machines involved in the cooperation maneuver can be a prerequisite for the cooperation maneuver to be able to be carried out.
  • a confirmation can in particular include an approval or a rejection of the cooperation maneuver.
  • a refusal can in particular include a counter-proposal for the cooperation maneuver or at least for the maneuver of the refusing machine. Additionally or alternatively, a refusal can include information on how the cooperation maneuver, in particular the maneuver of the refusing machine, must be adapted so that this machine or for this machine can give its consent.
  • a second aspect relates to a machine set up to:
  • Embodiments of this aspect can be designed analogously to the first aspect.
  • An embodiment of the second aspect relates to a machine, wherein the device is an infrastructure unit.
  • the device may be a machine, a host machine, involved in the cooperative maneuver.
  • a third aspect relates to a method comprising the steps:
  • FIG. 4 shows a method in pseudocode according to an embodiment of FIG.
  • a corresponding device for carrying out or producing the method, or for a corresponding system which comprises one or more devices, and vice versa.
  • a corresponding device may include a feature to perform the method step described, even if that feature is not explicitly described or illustrated.
  • a corresponding method can include a step that performs the described functionality or can be used to produce a corresponding structure, even if such steps are not explicitly described or illustrated are.
  • a system can also be provided with corresponding device features or with features in order to carry out a specific method step.
  • the host vehicle (HV) in the present exemplary embodiment is the vehicle approaching a slower remote vehicle (RV) in the same lane (RV1) and is also the one proposing an overtaking maneuver as indicated by the solid arrows displayed. It can possibly take other vehicles into account, e.g. B. a vehicle (RV2) in front of the slower vehicle (RV1) or a vehicle in a different lane (RV3). All vehicles periodically exchange their status (position, speed, acceleration) by sending Cooperative Awareness Messages (CAMs), which form the basis of the environment model available to each vehicle. Using these CAMs, the vehicles can classify distances and speeds relative to other vehicles and, if necessary, trigger a cooperative maneuver.
  • CAMs Cooperative Awareness Messages
  • the problem to be solved for the HV is to propose and perform a cooperative overtaking maneuver involving RV1 and possibly other vehicles present. This is to avoid collisions and enable a smooth and efficient flow of traffic.
  • Supervised learning allows data collection to be separated from assessment.
  • Various metrics for merit functions can be implemented using the quality function for training is changed.
  • step 210 a sufficiently large and diverse set of training data is generated. For this purpose, random scenarios are created as described later. These define the number of vehicles present as well as their departure lane, initial position and speed. Then, in step 220, the HV proposes a random cooperative maneuver in each scenario, which is then simulated by all participants. Reasonable restrictions are applied, as described later. Finally, success is evaluated and a merit function value determined for each of these commanded maneuvers.
  • a binary classifier for predicting the success of a maneuver and a regression model for assessing the quality of a maneuver are trained with this data within the framework of supervised learning.
  • the trained models can be applied, for example by simulating new scenarios or by trying out the models in real life.
  • the HV proposes the best of several random cooperative maneuvers to execute.
  • the safety of a random cooperative maneuver is evaluated using the binary classifier. If the cooperative maneuver is judged to be safe, the regression model is used to assess the quality of the maneuver.
  • computing time can be saved as a result. This is because the regression, which requires more computing time, is only carried out for the successful, for example the safe, cooperation maneuvers.
  • the best cooperative maneuver is selected and communicated to surrounding vehicles via a wireless communication interface.
  • the vehicles then jointly execute the selected cooperation maneuver.
  • the performance of the models and the quality of the proposed cooperative maneuvers can be assessed.
  • a scenario generator can produce the basis of raw data for learning.
  • One goal is to cover the majority of scenarios that can occur in the desired type of cooperative maneuver.
  • a scenario generator is a suitable tool to achieve the completeness of the data set so that it represents all conceivable scenarios if possible.
  • the simulated scenarios can cover similar issues associated with real data, such as: B. Sensor inaccuracies or noise due to inadequacies in communication technologies. In particular, a non-deterministic channel fading can be added, so that entire messages in particular can be lost. Coupled with the 100ms transmission interval for CAMs, this means that each vehicle is basing its environment model on potentially stale information. This makes the scenarios more realistic.
  • the parameters can be varied as shown in Table 1 (Fig. 5). The ranges given reflect a typical situation for an overtaking maneuver on motorways. The actual value for a given random scenario can be found from a uniform distribution:
  • x U(x_max, x_min), where x_max represents a maximum value and x_min a minimum value of the distribution.
  • the uniform distribution can be discrete.
  • the uniform distribution can in particular be continuous.
  • v_hv U(v_l_max, v_l_max + v_diff)
  • v_l_max is a specified maximum speed for vehicles to be overtaken in lane I.
  • n_rv vehicles to be overtaken are generated. Your lane will be randomly selected, with the first vehicle having an equal chance of being placed in the middle or right lane.
  • the speed for the vehicle k to be overtaken in lane I can then be determined from:
  • v_l_max represents a maximum speed
  • v_l_min represents a minimum speed of the vehicle.
  • the following conditions can be met to obtain realistic scenarios.
  • v_hv U(v_rv,k* + v_diff, v_l,max + v_diff), in case this is required.
  • a random RV k* can be chosen on the two right lanes, then v_hv can be recalculated according to formula (4) and in particular the HV can be placed on the same lane as the RV k*.
  • a sensible positioning of the vehicles to be overtaken along the road can take place. If the closest RV before the HV (RV1 in Fig. 1) is closer than s_hvrv, a new position within the interval [s_hvrv_min; s_hvrv_max ] can be determined. The interval can represent the distance boundary between the HV and the RV. It can then be ensured that the distance to the preceding RV is at least s_dist for all other RVs on the same lane (RV2 in Fig.
  • controlled cooperation maneuvers can be simulated.
  • the HV triggers a cooperative maneuver based either on a distance, for example the geometric distance to a slower vehicle in front. Additionally or alternatively, triggering can also occur based on other parameters, such as a time to a collision or a composite parameter that includes a distance, a speed difference and/or a time to a collision. Additionally or alternatively, triggering can also be based on external trigger information.
  • the maneuver suggestions can be randomly generated. Exemplary parameter ranges are given in Table 2 ( Figure 6) and are explained below.
  • n_hvc maneuver containers consisting of n_hvc maneuver containers.
  • the last partial maneuver can in particular be a lane change back to the right lane and/or to an exit lane.
  • All n_hvc - 1 maneuver containers in front of it can be filled with random maneuver types - "lane change” (cl), "speed change” (cs) or "maintain current driving status” (cn) - whereby in particular consecutive sub-maneuvers of the same type are avoided.
  • the duration of all maneuvers (t_cl , t_cs , t_cn ) can be randomized within the limits given in Table 2.
  • the n_rvc,k sub-maneuvers can be generated for all existing vehicles to be overtaken.
  • the maximum number of containers for remote vehicles, n_rvc can be chosen lower than for the host vehicle, in particular if it is assumed that vehicles to be overtaken perform fewer actions than the overtaking vehicle during an overtaking process.
  • the general logic for sub-maneuver generation may be the same as for the HV, additional restrictions may apply.
  • Vehicles to be overtaken may, for example, only be allowed to change lanes to the right, in particular so as not to endanger the overtaking vehicle.
  • the target speed v_cs can be defined on the basis of the current lane of the vehicle according to formula (3).
  • the host vehicle HV can then evaluate the resulting cooperative maneuver composed of the actions of the HV and the RVs. In particular, it can check whether at least one vehicle will overtake and/or whether vehicles will have an accident and/or perform illegal actions (e.g. fall below one or more safety distances). For example, if overtaking maneuvers are legally only allowed on the left side (as in Germany), cooperative maneuvers in which the HV overtakes a vehicle on the right side can be discarded.
  • the HV in the training phase, can generate random maneuvers until the maneuver can be successfully validated. Then it can provide a final proposal to negotiate with the vehicles to be overtaken in this cooperative maneuver. Negotiation can in particular take place in such a way that the proposed cooperation maneuver is approved or rejected by all vehicles that are covered by the cooperation maneuver, ie in particular by all vehicles to be overtaken.
  • the set of all executed cooperation maneuvers can be evaluated and later used for model training.
  • Collisions generally mean that at least two machines participating in a cooperative maneuver have the same position at the same time. Additionally or alternatively, a collision can be defined by the spatial and temporal safety distances between the machines and/or surrounding structures relevant in the cooperation maneuver being violated. If a cooperative overtaking maneuver is to be evaluated, another criterion can be whether an overtaking maneuver has taken place or not. A successful cooperative maneuver can therefore occur as a result of a binary classifier, e.g. as a collision-free overtaking maneuver.
  • Another quality criterion can be the jerk, for example as the third derivative of a position, which a vehicle exerts on a driver during a cooperation maneuver. Since high levels of jerk can be uncomfortable for people in vehicles, a maximum jerk or an integrated jerk over all or parts of the cooperative maneuver can be used. In particular, it can be defined that small changes in the acceleration below a lower threshold j do not cause any costs. If the maximum absolute jerk j_max exceeds this threshold value, linearly increasing costs can be assumed (other formalizations are also possible):
  • a path length can be defined as a term of the merit function, namely the distance traveled by the HV during the manoeuvre:
  • w_hv d_hv/d*_hv - 1, where d_hv is the longitudinal distance traveled by the HV during the maneuver and d*_hv is the distance it would travel in the same time if slowing down and behind a preceding one vehicle would remain.
  • an average distance covered by the vehicles to be overtaken can also be used.
  • the distribution of the quality function values for 867,000 successful, randomized, cooperative overtaking maneuvers is shown in FIG.
  • the distribution shows that most generated cooperative maneuvers are able to slightly increase the distance traveled by the HV. This is because random maneuvers are validated and the HV thus manages to overtake at least one vehicle.
  • formula (8) can be done based on user preferences as shown in Table 3 (Fig. 7). Of course, other user preferences can also be defined.
  • Category 1 riders are all about maximizing the distance they travel. For this goal they are willing to accept big jerks.
  • drivers are more susceptible to judder and are not willing to sacrifice driving comfort for a longer distance travelled.
  • Other optimization goals could be distance traveled versus maneuver time (promoting high traffic throughput) or the maneuver time itself (promoting faster cooperative maneuvers).
  • the category-specific quality functions presented here are denoted by w A (1) and w A (2). The resulting distribution for the quality function of both categories is shown in FIG. 3c.
  • the binary classification network was trained on the basis of 800000 generated cooperative maneuvers, which were randomly selected from 1067000 cooperative maneuvers. The remaining 25% can be used for testing.
  • a 5-fold cross-validation can be used as an example.
  • Inputs are the scenarios, the proposed cooperative maneuver and the validation of the maneuver success.
  • the scenario description includes the HV and up to n_rv RVs.
  • the cooperation maneuvers can be described by the sub-maneuvers involved, ie vehicle IDs, maneuver types and duration. As an example, these 56 features were normalized for the training. The characteristics are listed in Table 4 (Fig. 8). Unused features were initialized with 0, e.g. B. the parameters of the maneuver containers for non-existent RVs.
  • a network with 6 x 128 neurons, no dropout layers and a sigmoid activation function can be chosen.
  • an Adam optimizer and in particular a stack size of 32 can be used.
  • Training performance can decrease exponentially with increasing training epochs in terms of binary cross-entropy loss.
  • a sensitivity (“recall") can be considered more critical than a positive predictive value (“precision"). This is because proposing a safe maneuver that is not safe can be more dangerous to passenger safety than rejecting a safe maneuver that is safe.
  • the regression models that predict w A (1) and w A (2) can be trained. To do this, 75% of the data samples can be used for training and the remaining 25% for testing. In particular, only successful maneuvers need be used. This reduces the number to 650000 cooperative maneuvers.
  • the regression models can be trained on the basis of the same 56 normalized features used for the binary classification, according to Table 4. In particular, relative values can be used for the lane and the speed of the vehicles to be passed, as this advantageously simplifies the extrapolation. In particular, an overtaking maneuver does not need to depend on the absolute lane in which it takes place. However, it can depend in particular on which lanes the vehicles occupy relative to one another.
  • the neural networks for the regression can consist of six layers of 512 neurons each for driver category 1 and eight layers of 4 x 512 and 4 x 256 for driver category 2. These dimensions can be found in particular using a grid search. In particular, no dropout layers need to be used.
  • a rectified linear unit (ReLU) can be used as an activation function and the mean square error (MSE) can be used as a loss function.
  • ReLU rectified linear unit
  • MSE mean square error
  • the algorithm according to FIG. 4 can now be used for the prediction of cooperation maneuvers.
  • the initiating vehicle invokes this algorithm whenever it sees an opportunity for a cooperative maneuver.
  • the call can also be based on an external trigger.
  • the HV random maneuvers Based on the currently perceived surrounding vehicles, the HV random maneuvers. They can include all surrounding vehicles, include an overtaking maneuver, and avoid superfluous submaneuvers such as back-and-forth lane changes.
  • the success of the generated cooperation maneuvers is predicted with the help of the binary classifier.
  • the regression model then predicts the target value w_pred for the maneuvers classified as successful.
  • the optimal cooperation maneuver can be determined more quickly through this two-stage implementation, since the regression is carried out solely for the successful cooperation maneuvers.
  • the HV selects the cooperative maneuver for which the highest w_pred is predicted and proposes it to the surrounding vehicles. They agree and the overtaking maneuver is carried out.
  • the surrounding vehicles can also refuse or suggest a modification of the cooperation maneuver or make it a condition for approval. For each new scenario, in particular, a simulation can take place with a driven cooperative maneuver.
  • the time taken to generate proposals may increase linearly depending on the number of random maneuver proposals to choose from.
  • the generation of a maneuver proposal including scenario generation, success prediction, and w_pred estimation, can take an average of 50ms on an Intel i7-8665U CPU, with most of the time spent estimating w_pred.
  • a vehicle can therefore reduce the number of evaluated maneuvers n_gen in order to meet the requirements of a current driving situation.
  • special hardware can be used to further reduce the computation time. When using the method, a compromise must be found between increasing the achievable w_pred and the time required to generate the maneuver candidates. An increase in the suggested number n_gen improves in particular the quality of the maneuver suggestions.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

Offenbart ist ein Verfahren, umfassend die Schritte: - Erhalten einer gemeinsamen Umgebungsinformation wenigstens zweier Maschinen; - Generieren einer Mehrzahl von Kooperationsmanövern, welche jeweils ein Manöver für jede der zwei Maschinen umfassen, auf Basis der Umgebungsinformation; - Bewerten jedes Kooperationsmanövers auf Basis eines vorgegebenen Gütekriteriums; - Auswählen eines Kooperationsmanövers, welches einen vorbestimmten Wert des Gütekriteriums, insbesondere einen Bestwert, aufweist; - Bereitstellen des ausgewählten Kooperationsmanövers für die zwei Maschinen.

Description

Verfahren und Vorrichtungen für automatische, kooperative Manöver
Technisches Feld
Die vorliegende Offenbarung betrifft Verfahren und Vorrichtungen zur Bereitstellung von Kooperationsmanövern an der eine Mehrzahl von Maschinen, insbesondere Fahrzeuge, beteiligt sind.
Hintergrund
Kooperative Manöver betreffen Manöver, an denen mehr als eine Maschine in einer gemeinsamen Umgebung beteiligt sind. Durch eine geeignete Auswahl eines Kooperationsmanövers kann beispielsweise ein Verkehrsfluss optimal gesteuert werden und/oder eine Sicherheit von mehreren Maschinen, die sich einen Arbeitsraum teilen, kann erhöht werden. Es gibt verschiedene Ansätze und Protokolle zur Durchführung von Kooperationsmanövern. Insbesondere für automatisch generierte Kooperationsmanöver gibt es jedoch keine Lösungen. Verbesserungen in diesen Bereichen sind wünschenswert.
Beschreibung
Eine Aufgabe besteht darin, Verfahren und Vorrichtungen für Kooperationsmanöver bereitzustellen, an dem mehrere Maschinen in einem gemeinsamen Arbeitsraum beteiligt sind.
Diese Aufgabe wird durch die offenbarte Technologie gelöst, welche durch die Gegenstände der unabhängigen Ansprüche definiert ist. Die abhängigen Ansprüche betreffen entsprechende Weiterbildungen. Im Folgenden werden verschiedene Aspekte und Ausführungsformen dieser Aspekte offenbart, die zusätzliche Merkmale und Vorteile bereitstellen.
Einige Ausführungsformen der Offenbarung lösen die spezielle Aufgabe, ein Kooperationsmanöver zum Überholen eines oder mehrerer Fahrzeuge zu generieren und bereitzustellen. Dies kann durch maschinelles Lernen erfolgen, um sichere und performante Manöver unter Echtzeitbedingungen bereitzustellen. Zu diesem Zweck wird zunächst ein Klassifikator auf einen vorgegebenen Manövererfolg trainiert. Dadurch werden erfolgreiche von nicht erfolgreichen Manöverkandidaten getrennt. Außerdem wird ein Regressionsmodell auf einem umfangreichen Datensatz von randomisierten Ausgangssituationen trainiert. Durch das Regressionsmodell können innerhalb der Menge von erfolgreichen Kooperationsmanövern gute von schlechten Kooperationsmanövern unterschieden werden und schließlich ein optimales Kooperationsmanöver identifiziert werden. Durch entsprechend gewichtete Gütefunktionen kann dabei eine Optimierung für unterschiedliche Ziele wie Ruckelvermeidung oder Länge des Überholmanövers erreicht werden.
Im Folgenden werden zur Lösung der oben genannten Aufgabe weitere Aspekte und Ausführungsformen dieser Aspekte offenbart.
Ein erster Aspekt betrifft ein Verfahren, umfassend die Schritte:
- Erhalten einer gemeinsamen Umgebungsinformation wenigstens zweier Maschinen;
- Generieren einer Mehrzahl von Kooperationsmanövern, welche jeweils ein Manöver für jede der zwei Maschinen umfassen, auf Basis der Umgebungsinformation; - Bewerten jedes Kooperationsmanövers auf Basis eines vorgegebenen Gütekriteriums;
- Auswählen eines Kooperationsmanövers, welches einen vorbestimmten Wert des Gütekriteriums, insbesondere einen Bestwert, aufweist;
- Bereitstellen des ausgewählten Kooperationsmanövers für die zwei Maschinen.
Eine Maschine kann ein Fahrzeug sein, insbesondere ein Personenkraftwagen oder ein Lastkraftwagen. Eine Maschine kann ebenfalls ein gesteuertes Flugobjekt sein, z.B. ein Flugzeug, ein Luftschiff, ein Ballon oder eine Drohne. Eine Maschine kann eine Werkzeugmaschine sein, insbesondere ein Roboter, z.B. ein Industrieroboter mit einer seriellen und/oder parallelen Kinematik. Eine Maschine kann auch eine Baumaschine, Agrarmaschine und/oder ein (fahrerloses) Transportsystem sein. Anstelle für eine Maschine kann das Verfahren auch für eine Repräsentation einer Maschine erfolgen. Dies wird später noch genauer beschrieben. Dies kann insbesondere zu Simulationszwecken erfolgen, so dass ein technischer Erkenntnisgewinn für mehrere kooperierende physikalisch zu realisierenden Maschinen erfolgen kann.
Ein Kooperationsmanöver umfasst Manöver für wenigstens zwei Maschinen, die an dem Kooperationsmanöver beteiligt sind. Die Manöver sollten insbesondere so vorgegeben werden, dass die Maschinen das Kooperationsmanöver erfolgreich abschließen können. Insbesondere kann ein Kooperationsmanöver prinzipiell Manöver enthalten, die - wenn sie ausgeführt würden - , zu einem Schaden oder einer Beeinträchtigung einer Maschine durch die andere Maschine führen können. Diese können beispielsweise durch eine entsprechende Bewertung von nicht erfolgreichen und erfolgreichen Kooperationsmanövern unterschieden werden.
Ein Erhalten einer gemeinsamen Umgebungsinformation kann insbesondere ein Messen und/oder ein Simulieren umfassen. Zusätzlich oder alternativ kann ein Erhalten einer gemeinsamen Umgebungsinformation ein Empfangen und/oder Abholen dieser Information umfassen. Eine Umgebung, aus der die Umgebungsinformation stammt, kann beispielsweise in einen gemeinsamen Arbeitsraum mehrerer Roboter umfassen. Zusätzlich oder alternativ kann eine Umgebung eine Straße umfassen, auf der sich mehrere Fahrzeuge bewegen. Eine Umgebung kann auch eine Schienentrasse sein. Eine Umgebung kann zusätzlich oder alternativ einen Luftraum umfassen.
Ein vorbestimmter Wert des Gütekriteriums kann insbesondere einen vorbestimmten Wertebereich umfassen, z.B. Überholdistanzen kleiner als 100 Meter. Des Weiteren kann ein vorbestimmter Wert einen Extremwert, z.B. einen Minimalwert oder einen Maximalwert, umfassen.
Das Bereitstellen kann ein Kommunizieren und/oder ein Ablegen der Information des ausgewählten Kooperationsmanövers umfassen. Beispielsweise kann das ausgewählte Kooperationsmanöver auf einem für die beteiligten Maschinen gemeinsamen Speicherplatz abgelegt werden, so dass andere Maschinen sich die Information abholen können. Das Bereitstellen kann für die Maschine erfolgen, welche die Bewertung durchgeführt hat. Dann kann das Kooperationsmanöver oder zumindest das für die Maschine vorgesehene Manöver bereitgestellt werden, um insbesondere von der Maschine umgesetzt zu werden.
Das Bereitstellen kann eine Kommunikation an eine Maschine oder mehrere Maschinen umfassen. Insbesondere wenn diese Maschine nicht die Bewertung durchgeführt hat. Wenn das Verfahren auf einer externen Vorrichtung ausgeführt wird (beispielsweise auf einer Infrastrukturvorrichtung), kann das Bereitstellen des ausgewählten Kooperationsmanövers insbesondere zu allen Maschinen, die das Kooperationsmanöver umfasst, erfolgen.
Das Verfahren kann insbesondere auf einem der beim Manöver beteiligten Maschinen ausgeführt werden, beispielsweise auf einem Host-Fahrzeug. Das Host-Fahrzeug kann beispielsweise das Fahrzeug sein, welches andere Fahrzeuge überholen soll. Zusätzlich oder alternativ kann das Verfahren auch auf einer Infrastrukturvorrichtung oder auf einer am Kooperationsmanöver unbeteiligten Maschine ausgeführt werden.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei die Umgebungsinformation wenigstens teilweise sensorisch, insbesondere durch eine der beiden Maschinen, erfasst wird.
Zusätzlich oder alternativ kann die Umgebungsinformation auch von einer dritten Maschine stammen. Zusätzlich oder alternativ kann die Umgebungsinformation auch aus einer Simulation oder einer Modellierung stammen. Zusätzlich oder alternativ kann Umgebungsinformation auch von beiden Maschinen aus der Umgebung stammen und von diesen insbesondere sensoriell erfasst werden. Zusätzlich oder alternativ kann Umgebungsinformation von einem Beobachtersystem kommen, z.B. von einem Infrastrukturinformationssystem, insbesondere wenn die Maschinen Fahrzeuge sind.
Eine Umgebungsinformation kann insbesondere die Anzahl der am Kooperationsmanöver beteiligten Maschinen und deren Zustände (Position, Geschwindigkeit, etc.) umfassen. Umgebungsinformation kann insbesondere Information über eine Verkehrssituation, beispielsweise über eine Straße und/oder eine Kreuzung umfassen.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei ein Manöver für eine Maschine mehrere Untermanöver umfasst.
Ein Manöver kann insbesondere Untermanöver umfassen, welche von der Art des Manövers abhängen. Wenn beispielsweise das Manöver ein Überholmanöver eines Fahrzeugs betrifft, dann kann ein Manöver Untermanöver umfassen, die sich auf ein Beschleunigen beziehen, auf einen Spurwechsel, auf ein Abbremsen und/oder auf ein Beibehalten eines aktuellen Maschinenzustandes. Ein Manöver kann sich beispielsweise auf Längs- und Querrichtungsänderung, Positionsänderung und/oder Höhenänderungen beziehen.
Die Manöver eines Kooperationsmanövers können insbesondere alle die gleiche Anzahl und/oder den gleichen Typ Untermanöver umfassen. Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei die Manöver der einzelnen Maschinen zeitlich und/oder räumlich unterschiedlich lang sind.
Die Länge der Manöver eines Kooperationsmanövers kann insbesondere räumlich und/oder zeitlich bestimmt sein. Wenn die Manöver zeitlich bestimmt sind, betreffen die Manöver der einzelnen Maschinen eine unterschiedlich lange Dauer. Zusätzlich oder alternativ kann die Länge räumlich bestimmt sein. Dann kann beispielsweise eine Maschine eines Kooperationsmanövers einen längeren Weg zurücklegen als eine andere Maschine. Beispielsweise legt bei einem Überholmanöver das überholende Fahrzeug in der Regel einen längeren Weg zurück als ein Fahrzeug, welches überholt wird.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei das Bewerten nur für einen Teil der vom Kooperationsmanöver umfassten Manöver erfolgt.
Insbesondere kann eine Bewertung auf nur ein Manöver eines Kooperationsmanövers gerichtet sein. Dies kann insbesondere dann erfolgen, wenn das Kooperationsmanöver nur zwei Maschinen umfasst. Allerdings kann auch bei mehr als zwei Maschinen ein einziges, insbesondere vorgegebenes, Manöver für die Bewertung herangezogen werden, z.B. das Manöver für ein überholendes Fahrzeug. Alternativ kann die Bewertung auf Basis mehrerer, insbesondere aller, Manöver eines Kooperationsmanövers erfolgen.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei das Bewerten durch einen trainierten Algorithmus, insbesondere durch ein neuronales Netz, erfolgt.
Ein trainierter Algorithmus kann insbesondere ein maschinelles Lernen umfassen. Ein Training kann insbesondere auf Basis eines überwachten Lernens ("supervised learning") oder auf Basis eines bestärkenden Lernens ("reinforcement learning") erfolgen. Der Algorithmus kann insbesondere auf Basis zuvor maschinell generierter Manöver und/oder Kooperationsmanöver erfolgt sein. Zusätzlich oder alternativ kann ein Training durch ein aktuell erfolgtes Manöver und/oder Kooperationsmanöver erfolgen. Analoges kann für das Testen eines trainierten Algorithmus' gelten.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei das Bewerten durch eine binäre Klassifikation erfolgt, wobei insbesondere erfolgreiche Kooperationsmanöver von nicht-erfolgreichen Kooperationsmanövern unterschieden werden.
Die binäre Klassifikation kann insbesondere durch einen trainierten Algorithmus erfolgen. Der trainierte Algorithmus kann insbesondere auf einem maschinellen Lernen basieren, beispielsweise kann die binäre Klassifikation durch ein entsprechend trainiertes neuronales Netz erfolgen. Durch die binäre Klassifikation kann insbesondere ein erfolgreiches Kooperationsmanöver von einem nicht erfolgreichen Kooperationsmanöver unterschieden werden, so dass nur erfolgreiche Kooperationsmanöver weiterverarbeitet werden müssen. Dadurch kann eine Verarbeitungszeit des Verfahrens verkürzt werden. Dies ist insbesondere dann nützlich, wenn das Verfahren unter Echtzeitbedingungen ausgeführt wird. Zusätzlich oder alternativ kann eine Klassifikation auch differenzieren, ob ein Sicherheitsabstand gewährleistet ist, ob vorgegebene Regeln, beispielsweise Verkehrsregeln, eingehalten werden und/oder ob ein Kooperationsmanöver effizient aus Submanövern zusammengesetzt ist, beispielsweise so, dass keine überflüssigen Manöver, z.B. doppelte Manöver, umfasst sind. Zusätzlich oder alternativ kann eine Klassifikation erfolgen, ob eine erfolgreiche Auflösung abhängiger Submanöver erfolgt ist, wobei die abhängigen Submanöver insbesondere zwischen verschiedenen Manövern eines Kooperationsmanövers definiert sein können.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei das Bewerten durch eine Regression erfolgt, durch welche insbesondere eine Güte des Kooperationsmanövers festgestellt wird.
Die Regression kann insbesondere durch einen trainierten Algorithmus erfolgen. Der trainierte Algorithmus kann insbesondere auf einem maschinellen Lernen basieren, beispielsweise kann die binäre Klassifikation durch ein entsprechend trainiertes neuronales Netz erfolgen. Die Regression kann insbesondere nach der binären Klassifikation erfolgen. Insbesondere kann die Regression nur für erfolgreiche Manöver erfolgen. Vorteilhaft werden dadurch keine Kooperationsmanöver bezüglich ihrer Güte bewertet, die sowieso nicht realisiert werden, weil sie nicht erfolgreich sind. Dadurch kann eine Verarbeitungszeit des Verfahrens verkürzt werden. Dies ist insbesondere dann nützlich, wenn das Verfahren unter Echtzeitbedingungen generiert und bereitgestellt werden soll, z.B. für einen Überholmanöver.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei das Gütekriterium aus mehreren Bewertungsgrößen zusammengesetzt ist und wobei die einzelnen Bewertungsgrößen insbesondere gewichtet werden.
Eine Bewertungsgröße kann eine positionsbasierte Größe sein, beispielsweise eine Position, eine zurückgelegte Strecke, eine Geschwindigkeit, eine Beschleunigung und/oder ein Ruck. Beispielsweise kann ein Überholmanöver danach bewertet werden, wieviel Strecke dafür benötigt wird. Denn insbesondere bei Gegenverkehr kann die Strecke auf der Fahrspur für entgegenkommende Fahrzeuge eine sicherheitsrelevante Bewertungsgröße sein.
Eine Bewertungsgröße kann insbesondere eine Dauer eines Kooperationsmanövers sein. Entsprechend der vorangegangenen Begründung kann auch eine Dauer eine sicherheitsrelevante Bewertungsgröße sein.
Eine aus mehreren Bewertungsgrößen zusammengesetzte Bewertungsgröße kann beispielsweise aus einer längsten Distanz eines Manövers eines Kooperationsmanövers und aus einem Ruck, der durch das Manöver auf die Maschine ausgeübt wird, zusammengesetzt sein. Insbesondere können diese Bewertungsgrößen gewichtet sein. So können je nach Auswahl der Wichtungen unterschiedliche Typen von Kooperationsmanövern gezielt präferiert werden.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei das Bereitstellen des Kooperationsmanövers an wenigstens eine weitere Maschine erfolgt.
Es ist vorstellbar, dass ein Kooperationsmanöver nicht für alle Maschinen der
Umgebungsinformation Manöver umfasst. Dies kann beispielsweise dann der Fall sein, wenn einige Maschinen mit hoher Wahrscheinlichkeit keinen Einfluss auf das Kooperationsmanöver haben. Diesen Maschinen kann dennoch die Information über das Kooperationsmanöver mitgeteilt werden. Dies kann insbesondere dann vorteilhaft sein, wenn diese Maschinen über zusätzliche Informationen verfügen, die in der Umgebungsinformation für das Verfahren nicht enthalten war, die aber dennoch relevant für das Kooperationsmanöver ist. Dann können diese Maschinen die zusätzliche Information an die Maschinen des Kooperationsmanövers senden und das Kooperationsmanöver kann, wenn erforderlich, entsprechend angepasst werden. Das Bereitstellen kann durch ein Kommunizieren an eine oder mehrere Maschinen erfolgen und/oder durch ein Ablegen der Information auf einem geteilten Speicher, beispielsweise einem Server, von dem die Maschinen sich die Information holen können.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, wobei eine der beiden Maschinen eine Host-Maschine ist und wobei das Bereitstellen von einer Host-Maschine an wenigstens die zweite Maschine erfolgt.
Auch die Durchführung anderer Verfahrensschritte, insbesondere aller Schritte des Verfahrens nach dem ersten Aspekt, kann auf der Host-Maschine erfolgen. Wenn das Kooperationsmanöver mehrere Maschinen umfasst, kann die Host-Maschine das Kooperationsmanöver für alle Maschinen des Kooperationsmanövers bereitstellen. Zusätzlich oder alternativ kann das Kooperationsmanöver von der Host-Maschine auch für nicht vom Kooperationsmanöver umfasste Maschinen bereitgestellt werden, insbesondere wenn diese das Kooperationsmanöver beeinflussen könnten.
Eine Ausführungsform des ersten Aspekts betrifft ein Verfahren, umfassend den Schritt:
- Bestätigen eines Erhaltens der Informationen des bereitgestellten Kooperationsmanövers durch wenigstens eine der beiden Maschinen.
Eine Bestätigung kann insbesondere von allen Maschinen, für die das ausgewählte Kooperationsmanöver bereitgestellt wird, erfolgen. Insbesondere kann eine Bestätigung aller am Kooperationsmanöver beteiligten Maschinen eine Voraussetzung dafür sein, dass das Kooperationsmanöver durchgeführt werden kann.
Eine Bestätigung kann insbesondere eine Zustimmung oder eine Ablehnung des Kooperationsmanövers umfassen. Eine Ablehnung kann insbesondere einen Gegenvorschlag für das Kooperationsmanöver oder zumindest für das Manöver der ablehnenden Maschine umfassen. Zusätzlich oder alternativ kann eine Ablehnung Informationen umfassen, wie das Kooperationsmanöver, insbesondere das Manöver der ablehnenden Maschine, angepasst werden muss, damit eine Zustimmung dieser Maschine bzw. für diese Maschine erfolgen kann.
Ein zweiter Aspekt betrifft eine Maschine, dazu eingerichtet:
- eine Umgebungsinformation zu erhalten, insbesondere sensorisch zu erfassen, die wenigstens zwei Maschinen umfasst;
- auf Basis der Umgebungsinformation eine Mehrzahl von Kooperationsmanövern zu ermitteln, welche jeweils ein Manöver für die beiden Maschinen aufweisen;
-jedes der Kooperationsmanöver auf Basis eines vorgegebenen Gütekriteriums zu bewerten; - ein Kooperationsmanöver auszuwählen, dessen Bewertung einen vorbestimmten Wert des Gütekriteriums, insbesondere einen Bestwert, aufweist;
- für die zwei Maschinen das Kooperationsmanöver, insbesondere das Manöver, das der entsprechenden Maschine zugeordnet ist, bereitzustellen.
Ausführungsformen dieses Aspektes können analog zum ersten Aspekt ausgebildet sein.
Eine Ausführungsform des zweiten Aspekts betrifft eine Maschine, wobei die Vorrichtung eine Infrastruktureinheit ist.
Alternativ kann die Vorrichtung eine Maschine sein, eine Host-Maschine, die am Kooperationsmanöver beteiligt ist.
Ein dritter Aspekt betrifft ein Verfahren, umfassend die Schritte:
- Erhalten einer gemeinsamen Umgebungsinformation wenigstens zweier Maschinenrepräsentationen;
- Generieren einer Mehrzahl von Kooperationsmanövern, welche jeweils ein Manöver für jede der zwei Maschinenrepräsentationen umfassen, auf Basis der Umgebungsinformation;
- Bewerten jedes Kooperationsmanövers auf Basis eines vorgegebenen Gütekriteriums;
- Auswahl eines Kooperationsmanöver, dessen Bewertung einen vorbestimmten Wert des Gütekriteriums, insbesondere einen Bestwert, aufweist;
- Durchführen des ausgewählten Kooperationsmanövers für die zwei Maschinenrepräsentationen.
Kurze Beschreibung der Figuren
Weitere Vorteile und Merkmale ergeben sich aus den folgenden Ausführungsformen, die sich auf die Figuren beziehen. Die Figuren zeigen die Ausführungsformen nicht maßstabsgetreu. Die Abmessungen der verschiedenen Merkmale können insbesondere zur Klarheit der Beschreibung entsprechend vergrößert oder verkleinert sein. Hierzu zeigt, teilweise schematisiert:
Fig. 1 ein Szenario nach einer Ausführungsform der Erfindung;
Fig. 2 ein Ablaufdiagram nach einer Ausführungsform der Erfindung;
Fig. 3 eine Verteilung der Gütefunktionswerte einer Ausführungsform der Erfindung;
Fig. 4 ein Verfahren in Pseudocode nach einer Ausführungsform der
Erfindung;
Fig. 5 Tabelle 1;
Fig. 6 Tabelle 2;
Fig. 7 Tabelle 3; Fig. 8 Tabelle 4.
In der folgenden Beschreibung wird auf die begleitenden Zeichnungen Bezug genommen, die einen Teil der Offenbarung bilden und in denen zur Veranschaulichung spezifische Aspekte gezeigt sind, in denen die vorliegende Offenbarung verstanden werden kann. In den folgenden Beschreibungen beziehen sich identische Bezugszeichen auf identische bzw. zumindest funktional oder strukturell ähnliche Merkmale.
Generell gilt eine Offenbarung über ein beschriebenes Verfahren auch für eine entsprechende Vorrichtung, um das Verfahren durchzuführen oder herzustellen, oder für ein entsprechendes System, welches ein oder mehrere Vorrichtungen umfasst, und umgekehrt. Wenn beispielsweise ein spezieller Verfahrensschritt beschrieben wird, kann eine entsprechende Vorrichtung ein Merkmal umfassen, um den beschriebenen Verfahrensschritt durchzuführen, auch wenn dieses Merkmal nicht explizit beschrieben oder dargestellt ist. Wenn andererseits beispielsweise eine spezielle Vorrichtung auf der Grundlage von Funktionseinheiten und/oder Strukturmerkmalen beschrieben wird, kann ein entsprechendes Verfahren einen Schritt umfassen, der die beschriebene Funktionalität ausführt oder mit dem eine entsprechende Struktur hergestellt werden kann, auch wenn solche Schritte nicht explizit beschrieben oder dargestellt sind. Ebenso kann ein System mit entsprechenden Vorrichtungsmerkmalen versehen werden oder mit Merkmalen, um einen bestimmten Verfahrensschritt auszuführen. Merkmale der verschiedenen zuvor oder nachfolgend beschriebenen Aspekte und Ausführungsformen können miteinander kombiniert werden, sofern nicht ausdrücklich anders angegeben.
Beschreibung der Figuren
Fig. 1 zeigt beispielhaft das grundlegende Manöver eines kooperativen Überholvorgangs auf einer dreispurigen Autobahn. Das Host-Fahrzeug (HV) ist in der vorliegenden beispielhaften Ausführungsform das Fahrzeug, das sich einem langsameren Remote-Fahrzeug (RV) auf derselben Spur (RV1) nähert, und es ist auch dasjenige, das ein Überholmanöver vorschlägt, wie durch die durchgezogenen Pfeile angezeigt. Es kann möglicherweise weitere Fahrzeuge berücksichtigen, z. B. ein Fahrzeug (RV2) vor dem langsameren Fahrzeug (RV1) oder ein Fahrzeug auf einer anderen Fahrspur (RV3). Alle Fahrzeuge tauschen ihren Status (Position, Geschwindigkeit, Beschleunigung) in regelmäßigen Abständen aus, indem sie Cooperative Awareness Messages (CAMs) senden, die die Grundlage des Umgebungsmodells bilden, das jedem Fahrzeug zur Verfügung steht. Anhand dieser CAMs können die Fahrzeuge Entfernungen und Geschwindigkeiten relativ zu anderen Fahrzeugen einordnen und lösen gegebenenfalls ein Kooperationsmanöver aus.
Das zu lösende Problem für den HV zumindest in dieser Ausführungsform besteht darin, ein kooperatives Überholmanöver vorzuschlagen und durchzuführen, an dem RV1 und möglicherweise andere anwesende Fahrzeuge beteiligt sind. Dadurch sollen Kollisionen vermieden und ein reibungsloser und effizienter Verkehrsfluss ermöglicht werden.
Überwachtes Lernen ermöglicht es, eine Datenerfassung von einer Bewertung zu trennen. Verschiedene Metriken für Gütefunktionen können implementiert werden, indem die Gütefunktion für das Training geändert wird. Die Verwendung eines binären Klassifikators zur Vorhersage eines Manövererfolgs, gefolgt von Regressionsmodellen zur Einschätzung der Qualität eines vorgeschlagenen Manövers, ermöglicht eine schnelle Entscheidung über den Erfolg eines potenziellen Manövers, ohne dass ressourcenintensive Regressionsmodelle eingesetzt werden müssen.
Eine weitere Ausführungsform der Offenbarung ist in Fig. 2 skizziert: Zunächst wird in Schritt 210 ein ausreichend großer und vielfältiger Satz von Trainingsdaten generiert. Zu diesem Zweck werden, wie später beschrieben, zufällige Szenarien erstellt. Diese definieren die Anzahl der anwesenden Fahrzeuge sowie deren Abfahrtsspur, Anfangsposition und Geschwindigkeit. Anschließend schlägt das HV in Schritt 220 in jedem Szenario ein zufälliges kooperatives Manöver vor, das dann von allen Teilnehmern simuliert ausgeführt wird. Dabei werden sinnvolle Einschränkungen angewendet, wie später beschrieben. Schließlich wird der Erfolg bewertet und ein Gütefunktionswert ermittelt, für jedes dieser gesteuerten Manöver.
Mit diesen Daten wird - im Rahmen eines überwachten Lernens - einen binärer Klassifikator zur Vorhersage des Manövererfolgs trainiert und ebenfalls ein Regressionsmodell zur Einschätzung der Qualität eines Manövers. Um die Leistung einer Lösung zu bewerten, können die trainierten Modelle angewendet werden, beispielsweise indem neue Szenarien simuliert werden oder indem die Modelle in der Realität ausprobiert werden. Dabei schlägt der HV das beste von mehreren zufälligen Kooperationsmanövern zur Ausführung vor. Zunächst wird die Sicherheit eines zufälligen Kooperationsmanövers mithilfe des binären Klassifikators bewertet. Wenn das Kooperationsmanöver als sicher eingestuft wird, wird das Regressionsmodell verwendet, um die Qualität des Manövers zu bewerten. Vorteilhaft kann dadurch Rechenzeit gespart werden. Denn die rechenzeitintensivere Regression wird nur für die erfolgreichen, beispielsweise die sicheren, Kooperationsmanöver durchgeführt. Nachdem mehrere Manöverkandidaten erstellt wurden, wird das beste Kooperationsmanöver ausgewählt und den umliegenden Fahrzeugen über eine drahtlose Kommunikationsschnittstelle kommuniziert. Die Fahrzeuge führen dann gemeinsam das ausgewählte Kooperationsmanöver aus. Durch die Bewertung der erreichten Qualität der kooperativen Manöver in einer Simulation kann die Leistung der Modelle und die Qualität der vorgeschlagenen Kooperationsmanöver beurteilt werden.
Ein Szenario-Generator kann die Grundlage der Rohdaten für das Lernen produzieren. Ein Ziel dabei ist es, die Mehrzahl der Szenarien abzudecken, die bei dem gewünschten Typ von Kooperationsmanöver auftreten können.
Ein Szenariengenerator ist ein geeignetes Werkzeug, um die Vollständigkeit des Datensatzes zu erreichen, so dass dieser, wenn möglich alle denkbaren Szenarien repräsentiert. Die simulierten Szenarien können ähnliche Probleme abdecken, die mit realen Daten verbunden sind, wie z. B. Ungenauigkeiten der Sensoren oder Rauschen aufgrund von Unzulänglichkeiten der Kommunikationstechnologien. Insbesondere kann ein nicht-deterministisches Kanalfading hinzugefügt werden, so dass insbesondere ganze Nachrichten verloren gehen können. In Verbindung mit dem Sendeintervall von 100 ms für CAMs bedeutet dies, dass jedes Fahrzeug sein Umgebungsmodell auf potenziell alte Informationen stützt. Dies macht die Szenarien realistischer. Um eine gute Abdeckung der Szenarien zu erreichen, können die Parameter wie in Tabelle 1 (Fig. 5) dargestellt variiert werden. Die angegebenen Bereiche spiegeln eine typische Situation für ein Überholmanöver auf Autobahnen wider. Der tatsächliche Wert für ein gegebenes Zufallsszenario kann einer Gleichverteilung entnommen werden:
(1) x = U(x_max, x_min), wobei x_max einen Maximalwert und x_min einen Minimalwert der Verteilung repräsentiert.
Für Parameter, für die nur ganze Zahlen sinnvoll sind, wie die Anzahl der Fahrzeuge, kann die Gleichverteilung diskret sein. Für alle anderen Werte, insbesondere für Geschwindigkeiten und Positionen, kann die Gleichverteilung insbesondere kontinuierlich sein.
Das erste erzeugte Fahrzeug ist das Host-Fahrzeug (HV), das zufällig von der Position s_hv = 0 auf der rechten oder mittleren Fahrspur abfährt. Seine Geschwindigkeit wird in Abhängigkeit von seiner Fahrspur-ID I nach folgender Formel bestimmt:
(2) v_hv ~ U(v_l_max, v_l_max + v_diff), wobei v_l_max eine festgelegte Höchstgeschwindigkeit für zu überholende Fahrzeuge auf dem Fahrstreifen I ist. Als Nächstes werden die n_rv zu überholenden Fahrzeuge generiert. Ihre Fahrspur wird nach dem Zufallsprinzip ausgewählt, wobei das erste Fahrzeug mit gleicher Wahrscheinlichkeit auf der mittleren oder rechten Fahrspur platziert wird. Die Geschwindigkeit für das zu überholende Fahrzeug k auf der Spur I kann dann ermittelt werden aus:
(3) v_rv,k ~ U(v_l_max, v_l_min).
Dabei repräsentiert v_l_max eine maximale Geschwindigkeit und v_l_min eine minimale Geschwindigkeit des Fahrzeugs.
Nachdem alle Fahrzeuge modelliert wurden, können folgende Bedingungen erfüllt sein, um realistische Szenarien zu erhalten. Erstens kann vorgegeben sein, dass sich mindestens ein zu überholendes Fahrzeug auf derselben Spur wie das HV befindet und mindestens v_diff langsamer als dieses fährt. Wenn es bereits ein zu überholendes Fahrzeug k auf der richtigen Spur gibt (RV1 in Fig. 1), kann die Geschwindigkeitsdifferenz geprüft werden und eine Neuberechnung erfolgen, gemäß:
(4) v_hv ~ U(v_rv,k* + v_diff, v_l,max + v_diff), für den Fall, dass dies erforderlich ist. Wird kein geeignetes RV gefunden, kann ein zufälliges RV k* auf den beiden rechten Fahrspuren gewählt werden, dann v_hv gemäß Formel (4) neu berechnet werden und insbesondere das HV auf der gleichen Fahrspur wie das RV k* platziert werden. Als nächstes kann eine sinnvolle Positionierung der zu überholenden Fahrzeuge entlang der Straße erfolgen. Wenn das nächstgelegene RV vor dem HV (RV1 in Fig. 1) näher als s_hvrv ist, kann einheitlich eine neue Position innerhalb des Intervalls [s_hvrv_min; s_hvrv_max ] ermittelt werden. Das Intervall kann die Abstandsgrenze zwischen dem HV und den RV darstellen. Anschließend kann sichergestellt werden, dass der Abstand zum jeweils vorhergehenden RV mindestens s_dist für alle anderen RVs auf der gleichen Spur (RV2 in Fig.
1) beträgt, insbesondere indem die Positionen der anderen RVs bei Bedarf ebenfalls neu ermittelt werden.
Durch die Anwendung des oben beschriebenen Generierungsalgorithmus können viele mögliche Kooperationsmanöver generiert werden, die mit bis zu n_rv zu überholenden Fahrzeugen in den Trainingsdaten vorkommen können.
Nach der anfänglichen Konfiguration der Szenarien können gesteuerte Kooperationsmanöver simuliert werden. In einer Simulation löst der HV ein kooperatives Manöver entweder auf der Grundlage eines Abstandes, beispielsweise des geometrischen Abstandes zu einem langsameren vorausfahrenden Fahrzeug, aus. Zusätzlich oder alternativ kann ein Auslösen auch aufgrund anderer Parameter erfolgen, wie z.B. einer Zeit bis zu einer Kollision oder einem zusammengesetzten Parameter, der einen Abstand, eine Geschwindigkeitsdifferenz und/oder eine Zeit bis zu einer Kollision umfasst. Zusätzlich oder alternativ kann ein Auslösen auch auf einer externen Triggerinformation basieren. Vor dem Training können die Manövervorschläge nach dem Zufallsprinzip generiert werden. Beispielhafte Parameterbereiche sind in Tabelle 2 (Fig. 6) angegeben und werden im Folgenden erläutert.
Zunächst wird die Aktionssequenz des HV, bestehend aus n_hvc-Manövercontainern, erstellt. Das letzte Teilmanöver kann insbesondere ein Spurwechsel zurück auf die rechte Fahrspur sein und/oder auf eine Ausgangsfahrspur. Alle n_hvc - 1 Manövercontainer davor können mit zufälligen Manövertypen - "Spurwechsel" (cl), "Geschwindigkeitswechsel" (cs) oder "aktuellen Fahrzustand beibehalten" (cn) - gefüllt werden, wobei insbesondere aufeinanderfolgende Teilmanöver desselben Typs vermieden werden. Die Dauer aller Manöver (t_cl , t_cs , t_cn ) kann innerhalb der in Tabelle 2 angegebenen Grenzen randomisiert werden.
Als nächstes können die n_rvc,k Untermanöver für alle vorhandenen, zu überholenden Fahrzeuge erzeugt werden. Die maximale Anzahl von Containern für entfernte Fahrzeuge, n_rvc , kann insbesondere niedriger gewählt sein als für das Hostfahrzeug, insbesondere wenn davon ausgegangen wird, dass zu überholende Fahrzeuge bei einem Überholvorgang weniger Aktionen durchführen als das überholende Fahrzeug. Während die allgemeine Logik für die Generierung von Untermanövern dieselbe sein kann wie für das HV, können zusätzliche Einschränkungen gelten. Zu überholende Fahrzeuge können beispielsweise die Fahrspur nur nach rechts wechseln dürfen, insbesondere um das überholende Fahrzeug nicht zu gefährden. Zusätzlich oder alternativ kann bei der Ausführung eines Teilmanövers zum Geschwindigkeitswechsel die Zielgeschwindigkeit v_cs auf der Grundlage der aktuellen Fahrspur des Fahrzeugs gemäß Formel (3) festgelegt werden.
Das Host-Fahrzeug HV kann dann das resultierende Kooperationsmanöver bewerten, das sich aus den Aktionen des HV und der RVs zusammensetzt. Es kann dabei insbesondere prüfen, ob es mindestens ein Fahrzeug überholen wird und/oder ob Fahrzeuge verunglücken und/oder illegale Aktionen durchführen (beispielsweise einen oder mehrere Sicherheitsabstände unterschreiten). Beispielsweise, wenn Überholvorgänge gesetzlich nur auf der linken Seite erlaubt sind (wie in Deutschland), können Kooperationsmanöver verworfen werden, bei denen das HV ein Fahrzeug auf der rechten Seite überholt.
In einer Ausführungsform kann in der Trainingsphase das HV so lange Zufallsmanöver generieren, bis das Manöver erfolgreich validiert werden kann. Dann kann es einen endgültigen Vorschlag bereitstellen, um mit den zu überholenden Fahrzeugen dieses Kooperationsmanöver zu verhandeln. Ein Verhandeln kann insbesondere so erfolgen, dass eine Zustimmung oder eine Ablehnung des vorgeschlagenen Kooperationsmanövers seitens aller Fahrzeuge, die vom Kooperationsmanöver umfasst sind, also insbesondere seitens aller zu überholenden Fahrzeugen erfolgt. In einem nächsten Schritt kann die Menge aller ausgeführten Kooperationsmanöver ausgewertet und später für das Modelltraining verwendet werden.
Um gute Kooperationsmanöver zu identifizieren, kann zuvor definiert werden, was ein gutes Manöver auszeichnet. Dies ist vorteilhaft, da das trainierte Netzwerk, das die Manöver bewertet, entsprechend den beim Training verwendeten Gütekriterien optimiert wird.
Ein wichtiges Ziel ist eine Vermeidung von Kollisionen. Kollisionen bedeuten im Allgemeinen, dass wenigstens zwei an einem Kooperationsmanöver teilnehmende Maschinen eine gleiche Position zu einer gleichen Zeit aufweisen. Zusätzlich oder alternativ kann eine Kollision dadurch definiert sein, dass räumliche und zeitliche Sicherheitsabstände zwischen den im Kooperationsmanöver relevanten Maschinen und/oder Umgebungsstrukturen verletzt sind. Wenn ein kooperatives Überholmanöver bewertet werden soll, kann weiteres Kriterium sein, ob ein Überholvorgang stattgefunden hat oder nicht. Ein erfolgreiches Kooperationsmanöver kann also als Ergebnis eines binären Klassifikators erfolgen, z.B. als kollisionsfreies Überholmanöver.
Als weiteres Gütekriterium kann der Ruck, beispielsweise als dritte Ableitung einer Position, gelten, den ein Fahrzeug bei einem Kooperationsmanöver auf einen Fahrer ausübt. Da hohe Ruck-Werte für Menschen in Fahrzeugen unangenehm sein können, kann ein maximaler Ruck oder ein über das gesamte oder Teile des Kooperationsmanövers integrierter Ruck verwendet werden. Insbesondere kann definiert werden, dass geringe Änderungen der Beschleunigung unterhalb einer unteren Schwelle j keine Kosten verursachen. Wenn der maximale absolute Ruck j_max diesen Schwellenwert überschreitet, kann von linear steigenden Kosten ausgegangen werden (andere Formalisierungen sind ebenfalls möglich):
(5) wj = 0, if j < j_thr_min and wj = (j - j_thr_min)/j_thr_max, sonst, wobei j_thr_min ein minimaler Ruckschwellwert ist und j_thr_max ein maximaler Ruckschwellwert. Für diese kann definiert werden:
(6) j_thr,min = 0.5(a_max/ls) and j_thr,max = abs(a_min/ls), wobei a_max = 2msA(-2) die angenommene maximale Beschleunigung und a_min = -4,5msA(- 2) eine Notbremsung darstellt.
Außerdem kann das HV bei einem Überholvorgang in den meisten Fällen sein Ziel schneller erreichen als durch das Hinterherfahren hinter einem langsamen Fahrzeug. Daher kann eine Weglänge als Term der Gütefunktion, nämlich die vom HV während des Manövers zurückgelegte Strecke, definiert werden:
(7) w_hv = d_hv/d*_hv - 1, wobei d_hv die von dem HV während des Manövers zurückgelegte Strecke in Längsrichtung ist und d*_hv die Strecke, die es in derselben Zeit zurücklegen würde, wenn es langsamer fahren und hinter einem vorausfahrenden Fahrzeug bleiben würde. Durch Subtraktion von 1 erhalten wir w_hv > 0, wenn der HV weiter fahren kann als im unkooperativen Fall, und w_hv < 0, wenn er weniger weit fährt. Die Maximierung der zurückgelegten Strecke (statt einer Minimierung) führt zwar nicht zu kurzen Überholmanövern, aber sie bewirkt vorteilhaft eine Verbesserung gegenüber dem unkooperativen Fall.
Zusätzlich oder alternativ kann auch eine durchschnittlich zurückgelegte Strecke der zu überholenden Fahrzeuge verwendet werden.
Die Verteilung der Gütefunktionswerte für 867 000 erfolgreiche, randomisierte kooperative Überholvorgänge ist in Fig. 3 dargestellt. Für wj, gemäß Fig. 3a entsprechen die Spitzen bei ~ - 0,77 und ~ -1,22 den abrupten Notbremsungen von a = 0 m/sA2 bzw. von a = a_max innerhalb eines SUMO-Zeitschritts (0,1 s). Für w_hv, gemäß Fig. 3b, zeigt die Verteilung, dass die meisten erzeugten Kooperationsmanöver in der Lage sind, die von der HV zurückgelegte Strecke geringfügig zu vergrößern. Dies liegt daran, dass zufällige Manöver validiert werden und es dem HV somit gelingt, mindestens ein Fahrzeug zu überholen.
Verschiedene Gütefunktionen können verwendet werden. Im Folgenden werden beispielhaft zwei verschiedene Sätze der Gütefunktions-Term-Gewichte yj und y_hv verwendet:
(8) w= (y_j*wj + y_hv*w_hv)/(yj + y_hv)
Die Implementierung der Formel (8) kann auf Grundlage der Nutzerpräferenzen erfolgen, wie in Tabelle 3 (Fig. 7) dargestellt sind. Selbstverständlich können auch andere Nutzerpräferenzen definiert werden. Den Fahrern der Kategorie 1 geht es vor allem darum, ihre zurückgelegte Strecke zu maximieren. Für dieses Ziel sind sie bereit, auch große Rucke in Kauf zu nehmen. In der Kategorie 2 sind die Fahrer empfänglicher für Ruckeln und sie sind nicht bereit, für eine längere zurückgelegte Strecke auf Fahrkomfort zu verzichten. Andere Optimierungsziele könnten die zurückgelegte Strecke im Verhältnis zur Manöverdauer (Förderung eines hohen Verkehrsdurchsatzes) oder die Manöverdauer selbst (Förderung schnellerer Kooperationsmanöver) sein. Im Folgenden sind die hier vorgestellten kategoriespezifischen Gütefunktionen mit wA(l) bzw. wA(2) bezeichnet. Die sich daraus ergebende Verteilung für die Gütefunktion beider Kategorien ist in Fig. 3c dargestellt. Das binäre Klassifizierungsnetz wurde beispielhaft auf der Grundlage von 800000 generierten Kooperationsmanövern trainiert, die nach dem Zufallsprinzip aus 1067000 Kooperationsmanövern ausgewählt wurden. Die restlichen 25 % können zum Testen verwendet werden. Innerhalb der Trainingsmenge kann beispielhaft eine 5-fache Kreuzvalidierung angewendet werden. Eingaben sind die Szenarien, das vorgeschlagene Kooperationsmanöver und die Validierung des Manövererfolgs. Die Szenariobeschreibung umfasst den HV und bis zu n_rv RVs. Die Kooperationsmanöver können durch die beteiligten Teilmanöver, d. h. Fahrzeug-IDs, Manövertypen und Dauer, beschrieben werden. Beispielhaft wurden diese 56 Merkmale für das Training normalisiert. Die Merkmale sind in Tabelle 4 (Fig. 8) aufgeführt. Ungenutzte Merkmale wurden mit 0 initialisiert, wie z. B. die Parameter der Manövercontainer für nicht vorhandene RVs.
Beispielsweise auf der Grundlage einer Rastersuche nach den Netzdimensionen, kann ein Netzwerk mit 6 x 128 Neuronen, ohne Dropout-Schichten und mit einer Sigmoid- Aktivierungsfunktion ausgewählt werden. Des Weiteren kann ein Adam-Optimierer und insbesondere eine Stapelgröße von 32 verwendet werden. Die Trainingsleistung kann in Bezug auf den binären Kreuzentropieverlust mit steigenden Trainingsepochen exponentiell abnehmen. Im speziellen Fall eines kooperativen Überholvorgangs kann eine Sensitivität ("recall") als kritischer als ein positiver Vorhersagewert ("precision") erachtet werden. Denn es kann eine Sicherheit der Fahrgäste stärker gefährden, ein als sicher eingestuftes Manöver vorzuschlagen, das nicht sicher ist, als ein Manöver als nicht sicher zu verwerfen, das sicher ist.
Des Weiteren können die Regressionsmodelle trainiert werden, die wA(l) und wA(2) vorhersagen. Dazu können 75% der Datenproben zum Training und die restlichen 25% zum Testen verwendet werden. Insbesondere brauchen nur erfolgreiche Manöver verwendet zu werden. Das reduziert die Anzahl auf 650000 Kooperationsmanöver. Die Regressionsmodelle können auf der Grundlage derselben 56 normalisierten Merkmale trainiert werden, die für die binäre Klassifikation verwendet werden, gemäß Tabelle 4. Für die Fahrspur und die Geschwindigkeit der zu überholenden Fahrzeuge können insbesondere relative Werte verwendet werden, da dies vorteilhaft die Extrapolation vereinfacht. Ein Überholvorgang braucht insbesondere nicht davon abzuhängen, auf welcher absoluten Fahrspur dieser stattfindet. Er kann aber insbesondere davon abhängen, welche Fahrspuren die Fahrzeuge relativ zueinander belegen.
Beispielhaft können die neuronalen Netze für die Regression aus sechs Schichten zu je 512 Neuronen für die Fahrerkategorie 1 bestehen und aus acht Schichten zu 4 x 512 und 4 x 256 für die Fahrerkategorie 2. Diese Dimensionen können insbesondere über eine Gittersuche gefunden werden. Insbesondere brauchen keine Dropout-Schichten verwendet zu werden. Zudem kann eine gleichgerichtete lineare Einheit (ReLU) als Aktivierungsfunktion eingesetzt werden und der mittlere quadratische Fehler (MSE) kann als Verlustfunktion dienen.
Für die Vorhersage von Kooperationsmanövern kann nunmehr insbesondere der Algorithmus gemäß Fig. 4 verwendet werden. Das initiierende Fahrzeug ruft diesen Algorithmus immer dann auf, wenn es eine Gelegenheit für ein kooperatives Manöver erkannt hat. Insbesondere wenn die Vorhersage simuliert wird, kann der Aufruf auch auf Basis eines externen Triggers erfolgen. Auf der Grundlage der aktuell wahrgenommenen Umgebungsfahrzeuge generiert der HV zufällige Manöver. Sie können alle umliegenden Fahrzeuge umfassen, ein Überholmanöver beinhalten und überflüssige Submanöver, wie aufeinanderfolgende Spurwechsel hin und her, vermeiden. Anschließend wird der Erfolg der generierten Kooperationsmanöver mit Hilfe des binären Klassifikators vorhergesagt. Das Regressionsmodell sagt dann den Zielwert w_pred für die als erfolgreich eingestuften Manöver voraus. Vorteilhaft kann durch diese zweistufige Implementierung das optimale Kooperationsmanöver schneller ermittelt werden, da die Regression allein für die erfolgreichen Kooperationsmanöver durchgeführt wird. Nach n_gen solcher Bewertungen wählt der HV das Kooperationsmanöver aus, für das der höchste w_pred vorhergesagt wird, und schlägt es den umliegenden Fahrzeugen vor. Diese stimmen zu, und das Überholmanöver wird ausgeführt. Zudem können die umliegenden Fahrzeuge auch ablehnen oder eine Modifikation des Kooperationsmanövers vorschlagen bzw. für eine Zustimmung zur Bedingung machen. Für jedes neue Szenario kann insbesondere eine Simulation mit einem gefahrenen kooperativen Manöver erfolgen.
Insbesondere kann die Zeit für die Generierung von Vorschlägen linear zunehmen, abhängig von der Anzahl der zufälligen Manövervorschläge, die zur Auswahl stehen. Die Generierung eines Manövervorschlags, einschließlich Szenariengenerierung, Erfolgsvorhersage und Schätzung von w_pred, kann auf einer Intel i7-8665U CPU durchschnittlich 50ms dauern, wobei die meiste Zeit auf die Schätzung von w_pred verwendet wird. Je nach Situation kann es möglich sein, 5s zu warten, bis ein Kooperationsmanöver vorgeschlagen wird. Ein Fahrzeug kann daher die Anzahl der bewerteten Manöver n_gen reduzieren, um den Anforderungen einer aktuellen Fahrsituation gerecht zu werden. Außerdem kann spezielle Hardware verwenden werden, um die Berechnungsdauer weiter zu verkürzen. Bei der Anwendung des Verfahrens muss ein Kompromiss zwischen der Erhöhung des erreichbaren w_pred und der für die Generierung der Manöverkandidaten benötigten Zeit finden. Eine Erhöhung der Vorschlagszahl n_gen verbessert insbesondere die Qualität der Manövervorschläge.
Bezugszeichenliste
HV - Host-Fahrzeug
RV1 - entferntes Fahrzeug
RV2 - entferntes Fahrzeug
RV3 - entferntes Fahrzeug
210 - Szenario/Manöver-Generierung
220 - Manöver Simulierung
230 - Manöver Bewertung
240 - Modell Training
250 - Modell Anwendung
260 - Auswertung

Claims

Ansprüche
1. Ein Verfahren zur Berechnung eines Kooperationsmanövers für wenigstens zwei Maschinen (RV1, RV2), umfassend die Schritte:
- Erhalten einer gemeinsamen Umgebungsinformation wenigstens zweier Maschinen (RV1, RV2);
- Generieren einer Mehrzahl von Kooperationsmanövern, welche jeweils ein Manöver für jede der zwei Maschinen (RV1, RV2) umfassen, auf Basis der Umgebungsinformation;
- Bewerten jedes Kooperationsmanövers auf Basis eines vorgegebenen Gütekriteriums (w);
- Auswählen eines Kooperationsmanövers, welches einen vorbestimmten Wert des Gütekriteriums, insbesondere einen Bestwert, aufweist;
- Bereitstellen des ausgewählten Kooperationsmanövers für die zwei Maschinen (RV1, RV2).
2. Das Verfahren nach dem vorherigen Anspruch, wobei die Umgebungsinformation wenigstens teilweise sensorisch, insbesondere durch eine der beiden Maschinen, erfasst wird.
3. Das Verfahren nach einem der vorherigen Ansprüche, wobei ein Manöver für eine Maschine mehrere Untermanöver umfasst.
4. Das Verfahren nach einem der vorherigen Ansprüche, wobei die Manöver der einzelnen Maschinen (RV1, RV2) zeitlich und/oder räumlich unterschiedlich lang sind.
5. Das Verfahren nach einem der vorherigen Ansprüche, wobei das Bewerten nur für einen Teil der vom Kooperationsmanöver umfassten Manöver erfolgt.
6. Das Verfahren nach einem der vorherigen Ansprüche, wobei das Bewerten durch einen trainierten Algorithmus, insbesondere durch ein neuronales Netz, erfolgt.
7. Das Verfahren nach einem der vorherigen Ansprüche, wobei das Bewerten durch eine binäre Klassifikation erfolgt, wobei insbesondere erfolgreiche Kooperationsmanöver von nichterfolgreichen Kooperationsmanövern unterschieden werden.
8. Das Verfahren nach einem der vorherigen Ansprüche, wobei das Bewerten durch eine Regression erfolgt, durch welche insbesondere eine Güte des Kooperationsmanövers festgestellt wird.
9. Das Verfahren nach einem der vorherigen Ansprüche, wobei das Gütekriterium aus mehreren Bewertungsgrößen zusammengesetzt ist und wobei die einzelnen Bewertungsgrößen insbesondere gewichtet werden.
10. Das Verfahren nach einem der vorherigen Ansprüche, wobei das Bereitstellen des Kooperationsmanövers an wenigstens eine weitere Maschine erfolgt.
11. Das Verfahren nach einem der vorherigen Ansprüche, wobei eine der beiden Maschinen (RV1, RV2) eine Host-Maschine (RV1) ist und wobei das Bereitstellen von einer Host-Maschine (RV1) an wenigstens die zweite Maschine (RV2) erfolgt.
12. Das Verfahren nach einem der vorherigen Ansprüche, umfassend den Schritt:
- Bestätigen eines Erhaltens der Informationen des bereitgestellten Kooperationsmanövers durch wenigstens eine der beiden Maschinen (RV1, RV2).
13. Eine Maschine zur Bereitstellung eines Kooperationsmanövers, dazu eingerichtet:
- eine Umgebungsinformation zu erhalten, insbesondere sensorisch zu erfassen, die wenigstens zwei Maschinen umfasst (RV1, RV2);
- auf Basis der Umgebungsinformation eine Mehrzahl von Kooperationsmanövern zu ermitteln, welche jeweils ein Manöver für die beiden Maschinen (RV1, RV2) aufweisen; -jedes der Kooperationsmanöver auf Basis eines vorgegebenen Gütekriteriums (w) zu bewerten;
- ein Kooperationsmanöver auszuwählen, dessen Bewertung einen vorbestimmten Wert des Gütekriterium, insbesondere einen Bestwert, aufweist;
- für die zwei Maschinen (RV1, RV2) das Kooperationsmanöver, insbesondere das Manöver, das der entsprechenden Maschine zugeordnet ist, bereitzustellen.
14. Die Vorrichtung nach dem vorherigen Anspruch, wobei die Vorrichtung eine Infrastruktureinheit ist.
15. Ein Verfahren zur Simulation eines Kooperationsmanövers, umfassend die Schritte:
- Erhalten einer gemeinsamen Umgebungsinformation wenigstens zweier Maschinenrepräsentationen (RV1, RV2);
- Generieren einer Mehrzahl von Kooperationsmanövern, welche jeweils ein Manöver für jede der zwei Maschinenrepräsentationen (RV1, RV2) umfassen, auf Basis der Umgebungsinformation;
- Bewerten jedes Kooperationsmanövers auf Basis eines vorgegebenen Gütekriteriums;
- Auswahl eines Kooperationsmanövers, dessen Bewertung einen vorbestimmten Wert des Gütekriteriums, insbesondere einen Bestwert, aufweist;
- Durchführen des ausgewählten Kooperationsmanövers für die zwei Maschinenrepräsentationen (RV1, RV2).
EP22790491.9A 2021-09-21 2022-09-21 Verfahren und vorrichtungen für automatische, kooperative manöver Pending EP4405928A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021124390.4A DE102021124390A1 (de) 2021-09-21 2021-09-21 Verfahren und Vorrichtungen für automatische, kooperative Manöver
PCT/EP2022/076181 WO2023046728A1 (de) 2021-09-21 2022-09-21 Verfahren und vorrichtungen für automatische, kooperative manöver

Publications (1)

Publication Number Publication Date
EP4405928A1 true EP4405928A1 (de) 2024-07-31

Family

ID=83898543

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22790491.9A Pending EP4405928A1 (de) 2021-09-21 2022-09-21 Verfahren und vorrichtungen für automatische, kooperative manöver

Country Status (5)

Country Link
US (1) US20240355210A1 (de)
EP (1) EP4405928A1 (de)
CN (1) CN118202396A (de)
DE (1) DE102021124390A1 (de)
WO (1) WO2023046728A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116055629B (zh) * 2022-05-27 2023-10-20 荣耀终端有限公司 一种识别终端状态的方法、电子设备、存储介质和芯片

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170016177A (ko) * 2015-08-03 2017-02-13 엘지전자 주식회사 차량 및 그 제어방법
WO2018160724A1 (en) * 2017-02-28 2018-09-07 Wayfarer, Inc. Transportation system
US10188021B2 (en) * 2017-06-19 2019-01-29 Cnh Industrial America Llc Path planning system for autonomous off-road vehicles
DE102018109885A1 (de) * 2018-04-24 2018-12-20 Continental Teves Ag & Co. Ohg Verfahren und Vorrichtung zum kooperativen Abstimmen von zukünftigen Fahrmanövern eines Fahrzeugs mit Fremdmanövern zumindest eines Fremdfahrzeugs
US11657251B2 (en) * 2018-11-12 2023-05-23 Honda Motor Co., Ltd. System and method for multi-agent reinforcement learning with periodic parameter sharing
US11480976B2 (en) * 2018-12-07 2022-10-25 Qualcomm Incorporated RSU based vehicle maneuver scheduling
US11249480B2 (en) * 2019-08-08 2022-02-15 Toyota Motor North America, Inc. Autonomous vehicle positioning system
US11460847B2 (en) * 2020-03-27 2022-10-04 Intel Corporation Controller for an autonomous vehicle, and network component
DE102020004553A1 (de) 2020-07-27 2020-10-22 Daimler Ag Verfahren zur Steuerung automatisiert fahrender Fahrzeuge
WO2022072764A1 (en) * 2020-10-01 2022-04-07 Uatc, Llc Metrics for evaluating autonomous vehicle performance

Also Published As

Publication number Publication date
DE102021124390A1 (de) 2023-03-23
CN118202396A (zh) 2024-06-14
US20240355210A1 (en) 2024-10-24
WO2023046728A1 (de) 2023-03-30

Similar Documents

Publication Publication Date Title
DE102019121717A1 (de) Interaktionsbewusste entscheidungsfindung
EP2812891B1 (de) Verfahren und vorrichtung zur gemeinschaftsbasierten navigation
EP3776515B1 (de) Verfahren und vorrichtung zur abstimmung von fahrmanövern zwischen einem fahrzeug und mindestens einem alius-fahrzeug
EP4193135B1 (de) Computerimplementiertes verfahren zum bereitstellen eines test-verlaufs zu testender verkehrsszenarien
WO2019206377A1 (de) Verfahren und vorrichtung zum kooperativen abstimmen von zukünftigen fahrmanövern eines fahrzeugs mit fremdmanövern zumindest eines fremdfahrzeugs
DE102019103106A1 (de) Steuerungssystem und Steuerungsverfahren zur interaktionsbasierten Langzeitbestimmung von Trajektorien für Kraftfahrzeuge
DE102015220481B4 (de) Verfahren und Vorrichtung in einer Verkehrseinheit zum kooperativen Abstimmen von Fahrmanövern von mindestens zwei Kraftfahrzeugen
WO2017137124A1 (de) Kraftfahrzeug-steuervorrichtung und verfahren zum ermitteln von ausweichtrajektorien für ein kollisionsfreies ausweichmanöver mehrerer kraftfahrzeuge
EP3543985A1 (de) Simulieren verschiedener verkehrssituationen für ein testfahrzeug
EP4226248A1 (de) Verfahren und ein system zum testen eines fahrerassistenzsystems für ein fahrzeug
WO2019215222A1 (de) Verfahren zum betreiben eines kraftfahrzeugs zur verbesserung von arbeitsbedingungen von auswerteeinheiten des kraftfahrzeugs, steuersystem zum durchführen eines derartigen verfahrens sowie kraftfahrzeug mit einem derartigen steuersystem
DE102017200580A1 (de) Verfahren zur Optimierung einer Manöverplanung für autonom fahrende Fahrzeuge
DE102013202053A1 (de) Fahrerassistenzeinrichtung für ein Kraftfahrzeug mit mehreren Fahrerassistenzfunktionen und einer zentralen, fahrerassistenzfunktionsübergreifenden Trajektoriengenerierung
WO2021089238A1 (de) Verfahren zum bereitstellen einer manövernachricht zum koordinieren eines manövers zwischen einem verkehrsteilnehmer und mindestens einem weiteren verkehrsteilnehmer in einem kommunikationsnetzwerk
DE102022134820A1 (de) Vorrichtung und Verfahren zur Steuerung von Platooning
WO2023046728A1 (de) Verfahren und vorrichtungen für automatische, kooperative manöver
DE112020006317T5 (de) Computersystem und verfahren zum trainieren eines verkehrsagenten in einer simulationsumgebung
AT526259A1 (de) Verfahren zum Trainieren eines künstlichen neuronalen Netzes eines Fahrermodells
WO2019145200A1 (de) Verfahren zum erzeugen einer fahrstrategie eines fahrzeugs
DE102018211726A1 (de) Verfahren zum automatischen maschinellen Trainieren eines elektronischen Fahrzeugführungssystems, sowie Kraftfahrzeug
DE102020209403A1 (de) Verfahren zum dynamischen Anpassen eines Fahrzeugverbands aus mehreren Fahrzeugen, sowie Computerprogrammprodukt und elektronisches Verwaltungssystem
DE102019215141B4 (de) Verfahren zum Prognostizieren einer zukünftigen Verkehrssituation in einer Umgebung eines Kraftfahrzeugs durch Bestimmen mehrerer in sich konsistenter Gesamtszenarios für unterschiedliche Verkehrsteilnehmer; Kraftfahrzeug
WO2020177957A1 (de) Möglichkeit zur fahrerbewertung
DE102020204992B4 (de) Verfahren und Vorrichtung zum Austauschen von Informationen zwischen zumindest einer Fahrzeugkommunikationseinheit und einem Netzwerk
DE102022207041A1 (de) Verfahren zum Planen von Bewegungstrajektorien durch ein Modell für maschinelles Lernen

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: 20240306

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20260402