EP4555275A1 - Verfahren zur bestimmung eines indikatorwertes zur statistischen charakterisierung ortsbezogen von fahrzeugen erfassten ereignisbeschreibungen - Google Patents

Verfahren zur bestimmung eines indikatorwertes zur statistischen charakterisierung ortsbezogen von fahrzeugen erfassten ereignisbeschreibungen

Info

Publication number
EP4555275A1
EP4555275A1 EP24749208.5A EP24749208A EP4555275A1 EP 4555275 A1 EP4555275 A1 EP 4555275A1 EP 24749208 A EP24749208 A EP 24749208A EP 4555275 A1 EP4555275 A1 EP 4555275A1
Authority
EP
European Patent Office
Prior art keywords
event
section chain
value
section
road
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
EP24749208.5A
Other languages
English (en)
French (fr)
Inventor
Erfindernennung liegt noch nicht vor Die
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.)
Mercedes Benz Group AG
Original Assignee
Mercedes Benz Group AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mercedes Benz Group AG filed Critical Mercedes Benz Group AG
Publication of EP4555275A1 publication Critical patent/EP4555275A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G01C21/3874—Structures specially adapted for data searching and retrieval
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data

Definitions

  • the invention relates to a method for determining an indicator value for the statistical characterization of event descriptions recorded in a location-related manner by at least one vehicle according to the preamble of claim 1.
  • Document DE 102022 105 919 A1 describes a system and method for the early detection of structural hazards in road traffic using a digital traffic network map or illustration.
  • accident data, user input data, and sensor data are assigned to map segments according to their georeferencing using a computer system.
  • the computer system performs an evaluation comprising at least a frequency determination and/or a data comparison.
  • a georeferenced segment to which no accident data is assigned is identified as a potential hazard if sensor data or user input data have been assigned with a predetermined frequency, and/or if a data comparison, in particular a comparison with a model based on artificial intelligence (AI), of user input data and/or sensor data shows that a predefined degree of feature match or feature correlation with critical patterns exists.
  • AI artificial intelligence
  • the document US 2023/0245560 A1 describes a system for determining and sorting location-related hazards based on events recorded by vehicles and/or an accident database.
  • the system comprises an interface and a processor.
  • the interface is configured to receive accident data and/or event data.
  • the processor is configured to determine groups of incidents, with each group of incidents being assigned a set of accidents from the accident database and/or a set of events from the event data, which are are grouped according to their local proximity.
  • the processor is further configured to determine a set of road traffic estimates that are related to a group of incidents, and to determine a ranking of the groups of incidents based on the set of accidents, the set of events, and the set of road traffic estimates.
  • the document DE 102019215 587 A1 describes a method for calculating relative positive or negative accelerations (RPA, RNA) by means of crowdsourcing, comprising the following steps: a) generating a digital map in which different route sections are connected to one another by nodes; b) calculating a relative positive or negative acceleration (RPA, RNA) of a vehicle traveling in a route section for this route section (A, B, C,..., M), wherein the relative positive or negative acceleration (RPA, RNA) is calculated in the vehicle and sent to a backend, or wherein the vehicle sends data comprising current geocoordinates, current vehicle speeds, and/or current vehicle accelerations to a backend, which then calculates the relative positive or negative acceleration (RPA, RNA) of the vehicle for this route section; and c) calculating an average or a distribution of the calculated relative positive or negative accelerations (RPA, RNA) of several vehicles for this route section in the backend.
  • Document DE 102019000630 A1 discloses a method for assigning a common geoposition to a plurality of events caused by a common root cause and recorded by at least one vehicle, wherein a single geoposition is recorded for each individual event.
  • the recorded events are indexed in a lexicographically sortable manner.
  • Geopositions to which a plurality of recorded events are assigned are referred to as hotspots.
  • a method is proposed for determining maximum hotspots by combining spatially adjacent and sufficiently close hotspots. Hotspots to which a set of events is assigned that is a true subset of the set of events assigned to another hotspot are eliminated. Hotspots merged in this way to form a maximum hotspot are assigned a common geoposition.
  • Document WO 2021191051 A1 discloses a method for identifying potential hazards in road traffic using connected vehicles.
  • An event indicating a potential hazard is recorded and transmitted to a central computer unit along with its geoposition.
  • the transmitted event is entered into a digital map as a hotspot if a large number of similar events with the same geoposition are recorded.
  • Context information is added to the transmitted event.
  • the hotspot is analyzed to identify a potential hazard.
  • a current hotspot is compared with confirmed hotspots.
  • the hotspots are visualized on a platform.
  • the geoposition of a hotspot of certain traffic-critical events is transmitted to vehicles located near this hotspot.
  • a hotspot can thus be understood as a point-like (locally limited) cluster of events assigned to the same or a very similar geolocation.
  • Such a cluster (or hotspot) is characterized by an absolute frequency and a maximum radius.
  • the absolute frequency indicates how often (within a predetermined period of time) an event was recorded within the maximum radius around the hotspot.
  • the invention is based on the object of providing an improved method for determining an indicator value for the statistical characterization of event descriptions recorded in a location-related manner by at least one vehicle.
  • parameters of a vehicle's environment are continuously recorded in at least one vehicle.
  • a dynamic vehicle environment can be recorded by measuring distances (relative to the vehicle's own position), speeds, and trajectories of surrounding vehicles, people, and/or other road users using a stereo camera and/or a radar and/or lidar device or similar measuring methods.
  • a static vehicle environment can be recorded using the vehicle sensors, for example the arrangement and properties of lane markings and/or traffic signs and/or traffic control devices.
  • lane markings can be recorded and measured with regard to their spacing, lane marking types, lane widths, curvatures, and similar parameters.
  • the vehicle position i.e. the geoposition recorded by means of a global navigation satellite system (GNSS) or a similar geopositioning system
  • GNSS global navigation satellite system
  • the objects and their properties detected in the static and/or dynamic vehicle environment by means of various sensors are fused into an environment model, which can also include map material from a road or navigation map and optionally additional dynamic, geoposition-related live data, for example the current traffic volume.
  • Triggers are defined on this complex environmental model that describe events (particularly traffic-relevant) that are relevant for driving the vehicle. Such events can be, for example, warnings or interventions from an assistance system that monitors the vehicle's surroundings.
  • an event description is generated and sent by the respective vehicle to a backend of an analysis system.
  • the event description includes the respective geoposition at which the trigger was triggered, as well as the sensor data and parameters recorded by the vehicle's sensors that are relevant for describing the event.
  • the analysis system can, for example, be implemented on a server or in a cloud and provide, as a backend, a set of predetermined services and/or functions in the form of an application programmer interface (API).
  • API application programmer interface
  • the analysis system generates an analysis map from the event descriptions transmitted by one or more vehicles to the backend based on a road or navigation map or similar map material.
  • traffic routes especially roads
  • geopositions which are referred to below as road network locations.
  • road network locations refer to those geopositions that are accessible via a road.
  • road sections whose length reaches or exceeds a predetermined minimum length can be selected for the creation of the analysis map.
  • road sections are assigned to motorways or expressways that only have few intersections.
  • Road sections shorter than the predetermined minimum length are filtered out and not included in the analysis map.
  • Adjacent road sections are then linked (like a linked list) to form section chains.
  • a topologically one-dimensional (i.e., only linearly extended) section chain is formed from an ordered sequence of road sections. Along its linear extent, it has a single starting point and a single end point.
  • Each section chain is assigned a unique chain identifier and a starting point (relative to the analysis map). Thus, each location along a section chain can be uniquely determined by the chain identifier and a distance from the starting point of the section chain.
  • road sections without inflow and outflow are identified based on a road or navigation map or similar map material in which traffic routes are mapped with reference to geopositions.
  • the number of passing vehicles can be assumed to be approximately the same everywhere. In this way, longer traffic routes are divided into road sections that are connected to at least one other road section at intersections, junctions, exits, entrances, and similar junctions.
  • the section length can be selected such that the selected road sections are assigned to motorways or expressways.
  • a subsequent step among the identified road sections, those are determined which are connected along a traffic route via an intersection, junction, exit, entrance or similar junction and for which the geoposition of one end of a first identified road section matches the geoposition of one end of a second identified road section.
  • a chain of such road sections, connected in the manner of a linked list, is called a section chain.
  • a section chain extends linearly from a starting point to an end point and therefore has no branches along which a traffic flow could be distributed. Therefore, the assumption of a uniform traffic flow applies to such section chains with a particularly good approximation.
  • At least one event description is recorded from at least one vehicle and transmitted to an analysis system.
  • Such an event description includes at least one parameter of a vehicle environment model, which includes the static and/or dynamic environment of the vehicle as well as operating and/or control parameters of the vehicle. Furthermore, such an event description includes the geoposition at which these parameters were recorded.
  • Event descriptions are recorded and transmitted in particular when the vehicle environment model describes a condition or a change in condition that is particularly important for the assessment of traffic flow and/or vehicle condition.
  • the analysis system evaluates incoming and/or stored event descriptions.
  • the analysis system assigns a geoposition of an event description, which typically does not exactly correspond to a road network location due to tolerances and inaccuracies in the capture by a geopositioning system, to the nearest road network location in a section chain, typically by (perpendicular) projection onto the nearest section chain.
  • This nearest road network location is described by a unique identifier of the section chain and by a longitudinal distance that specifies the distance (in predetermined length units chosen the same for all section chains) from the start point of the section chain.
  • the analysis system uses a kernel density estimator to determine a progression of the density of event descriptions for at least one section chain, based on the longitudinal distance from the starting point. For this purpose, densities (density values) are determined at incremental, preferably equidistant, longitudinal distances from the starting point of the section chain. These densities estimate the frequency of event descriptions within an increment of the longitudinal distance.
  • the scatter of these determined values can be reduced by considering frequencies of event descriptions from neighboring increments of the longitudinal distance when determining the density in an increment (in the manner of a weighted, moving average).
  • the density is determined at a specific location, determined by the longitudinal distance from the starting point of the segment chain, by subjecting the longitudinal distances (L, L1, L2) assigned to the event descriptions by projection of this segment chain to a kernel density estimation using a kernel density estimator with a predetermined bandwidth.
  • a sequence of Dirac pulses arranged at the assigned longitudinal distances is convolved with a non-negative, preferably symmetric kernel weighting function.
  • Each density of event descriptions determined along a section chain is then transformed into a Z-value using a local Z-standardization.
  • a local Z-standardization is understood here and in the following as the transformation of a density value pt, which was determined for one or for a set of road network locations, taking into account a totality of density values Pi,p 2 ⁇ ⁇ Pi - PN>, which were determined within a predetermined area, referred to as a bandwidth, along the respective section chain around the road network location of the density value pt. For this totality of density values, a (local) mean and a (local) standard deviation ⁇ 7® is determined. The local Z-standardization transforms the density value pt into a Z-value Z ⁇ according to the rule
  • the density value is converted into a Z-value, which represents the deviation of the density from the mean relative to the standard deviation in relation to the surrounding area, known as the bandwidth.
  • An advantage of the method over the state of the art is that it enables a reliable characterization of such anomalies, independent of the recording of the absolute (total) number of vehicles passing a road network location.
  • This advantage is achieved, on the one hand, by selecting road network locations with comparatively homogeneous vehicle density through the inventive formation of section chains.
  • this advantage is achieved by transforming density values into an indicator using local Z-standardization that is largely insensitive to fluctuations in the dispersion of density values along a section chain.
  • the predetermined minimum length for road sections that are to be used as a basis for the formation of section chains is selected such that the at least one section chain is formed exclusively or predominantly from road sections that are assigned to a motorway or expressway. This achieves a particularly good homogeneity of the traffic flow along the formed section chains. In other words: due to the comparatively low inflows and outflows, the density values recorded along such section chains are particularly easy to compare, in particular Increased density values of event descriptions particularly reliably indicate an exceptional traffic situation.
  • the vehicle environment model merges a static and a dynamic vehicle environment.
  • the "static vehicle environment” refers to the vehicle environment that is essentially constant over time, particularly one that is unaffected by the activities of other road users, such as the arrangement and properties of lane markings and/or traffic signs and/or traffic guidance devices.
  • a static vehicle environment can be captured, for example, using environment cameras, distance sensors, radar, and lidar sensors.
  • “Dynamic vehicle environment” refers to the vehicle environment that changes over time, in particular the vehicle environment that changes due to the movement of other road users.
  • a dynamic vehicle environment can be captured by measuring distances (relative to the vehicle's own position), speeds, and trajectories of surrounding vehicles, people, and/or other road users using a stereo camera and/or a radar and/or lidar device or similar measurement methods.
  • a peak region is identified as an area in which, along a chain of sections between a peak start and a peak end, connected road network locations have been assigned a Z-value that exceeds a predetermined threshold. This allows areas with conspicuous traffic situations, such as accident blackspots, to be identified with particularly high reliability.
  • the predetermined threshold is set to one. Based on a statistical density of the density values that approximately follows a normal distribution, those areas are identified as peak regions that have a higher density of event descriptions than approximately 85 percent of the total number of road network locations in a section chain. This enables a particularly reliable determination of peak regions with unusual traffic situations.
  • a peak region is assigned an identifier of the respective section chain (which is uniquely assigned, for example, as a number or character string), a longitudinal distance of the peak start relative to the start point of the respective section chain, a longitudinal distance of the peak end relative to the end point of the respective section chain, a maximum value of all Z values within the peak region, and a description of the geometry of the peak region.
  • a description of the geometry of the peak region can, for example, be specified as a set of geopositions that are assigned to all or some (for example, selected at equidistant intervals) road network locations of the peak region. Using such features, an evaluation of peak regions is particularly easy and reliable.
  • the vehicle environment model comprises at least one object and/or one parameter detected by vehicle sensors. Based on the vehicle environment model, a trigger is determined that identifies and/or marks an event worth considering, for example, an event relevant to the control and guidance of the vehicle. Based on such a trigger, an event description is created and transmitted to the analysis system.
  • event descriptions can be created that are interesting and relevant for subsequent analysis.
  • a trigger marks a warning issued by a driver assistance system and/or an intervention by such a driver assistance system.
  • This allows driving situations in which the driver's behavior potentially requires correction to be captured in event descriptions. Determining a statistical indicator for such driving situations based on road network locations (i.e., specific locations in road section chains) enables a particularly meaningful assessment of potentially dangerous locations and the detection of corresponding peak regions, for example, the identification of potential accident blackspots. This allows for the identification of clues that contribute to improving road safety.
  • event classes are defined and recorded in a list of event classes.
  • Event classes can be (by way of example only) a braking maneuver initiated by a driver assistance system, a vehicle parameter indicating reduced vehicle stability, or a potential collision with an object in the vehicle's surroundings detected by a driver assistance system.
  • At least one such event class is assigned to each event description.
  • To determine the density of event descriptions only those (filtered) event descriptions whose event classes satisfy a specific filter criterion are used. For example, only event descriptions from a specific event class or from a subset of event classes are used. This enables a particularly specific evaluation of density values and/or a particularly specific determination of peak regions.
  • an event description comprises a direction of travel, which refers to a direction of a section chain pointing from its starting point to its end point.
  • a direction of travel refers to a direction of a section chain pointing from its starting point to its end point.
  • direction-related anomalies for example, differentiated between a downhill and an uphill journey on a road section with a steep gradient, or differentiated according to other hazards that vary depending on the direction of travel, for example due to obscured views, on-ramps, off-ramps, or curve radii).
  • Z-values determined for road network locations along at least one section chain are visualized in a map display.
  • the visualization can be achieved, for example, by color representation by assigning different colors to different ranges of Z-values.
  • Z-values can be visualized by markers applied perpendicular to the respective section chain, wherein the length of a marker applied at a road network location is selected depending on the Z-value determined for this road network location. The length of such a marker is preferably selected proportional to the Z-value.
  • Fig. 1 schematically shows an analysis card with a section chain
  • Fig. 2 schematically shows the determination of a Z-standardized Z-value for a density of event descriptions determined by means of a kernel density estimation
  • Fig. 3 shows a schematic representation of Z-values along a section chain depending on the direction of travel.
  • Figure 1 schematically shows an analysis map with a section chain 10.
  • the section chain 10 was formed from the concatenation of intersection-free road sections (not shown in detail), whose length reaches or exceeds a predetermined minimum length.
  • Each of these road sections (not specifically designated in Figure 1) comprises at least one, typically a plurality of, road network locations 01, 02, which can, in principle, be located as densely as desired (limited only by the resolution of the underlying map material). For improved clarity, only a first and second road network location 01, 02 are shown as examples in Figure 1.
  • the section chain 10 can be obtained, for example, by analyzing a road or navigation map. It is shown in Figure 1 in its position and extent relative to a geocoordinate system, which is represented in a highly simplified manner and schematically comprises a longitudinal coordinate (geographical longitude), represented here as the x-direction x, and a latitudal coordinate (geographical latitude), represented here as the y-coordinate y.
  • a geocoordinate system which is represented in a highly simplified manner and schematically comprises a longitudinal coordinate (geographical longitude), represented here as the x-direction x, and a latitudal coordinate (geographical latitude), represented here as the y-coordinate y.
  • the section chain 10 has a starting point 11 at a first end and an end point 12 at the opposite second end and is identified by an identifier , which in this case is selected merely as an example as the character string "#2". At least the starting point 11 and the end point 12 can each be assigned to both a (here unspecified) road network location and a (here also unspecified) geoposition.
  • Each point along the section chain 10 can be uniquely identified by a longitudinal distance L from the starting point 11 (specified in arbitrarily selectable distance units which are the same for all section chains 10) and by the identifier of the section chain 10.
  • Each point of a section chain 10 can thus be assigned a road network location 01, 02 on a road section of the underlying road or navigation map according to its distance from the starting point 11. For example, the sequence of the assembled road sections of the section chain 10 can be traced, starting from the starting point 11, until the longitudinal distance L corresponding to the respective point from the starting point 11 is reached. Thus, by referring to the geoposition of the starting point 11, each point of a section chain 10 can also be assigned coordinates in the geocoordinate system.
  • Figure 1 shows two geopositions P1, P2 determined by one or more vehicles using a geopositioning system and transmitted with an event description. For example, a braking action could have been triggered by a driver assistance system at each of these geopositions P1, P2. Due to inaccuracies in the geopositioning system, the geopositions P1, P2 reported by different vehicles typically deviate from the course of the section chain 10 (i.e., the set of road network locations 01, 02 of this section chain 10 in the geocoordinate system).
  • Each geoposition P1, P2 is assigned a nearest road network location 01, 02 along the section chain 10.
  • the nearest location can be uniquely determined by vertical projection onto the section chain 10. If there are multiple nearest road network locations 01, 02 that are equally distant, a road network location 01, 02 can be randomly selected.
  • Figure 1 shows a first geoposition P1, which is defined by a first pair of geocoordinates x1 (along the x-direction x) and y1 (along the y-direction y)
  • the first geoposition P1 is assigned a first road network location 01 on the section chain 10, which is located at a first longitudinal distance L1 from the starting point 11.
  • the first longitudinal distance L1 is assumed to be 5.2 length units.
  • the first geoposition P1 can then be described by the identifier "#2" of the section chain 10 and by the longitudinal distance L1 "5.2 length units" from the starting point 11.
  • an event description reported for the first geoposition P1 is assigned the first road network location 01 and the lateral transverse distance d1 of the first geoposition P1 from the nearest first road network location 01, which in this case is "1.0 length units.”
  • the entirety of the information on the identifier of the assigned section chain 10 as well as the position and lateral distance of the nearest road network location 01 can be summarized in a character string "#2, 5.2, +1," which is assigned to the first geoposition P1.
  • this assignment will not be unique; that is, there may be event descriptions at other (different) geopositions that are assigned the same character string.
  • the second geoposition P1 is described by a second pair of geocoordinates x2 (along the x-direction x) and y2 (along the y-direction y).
  • the second geoposition P2 is assigned the second road network location 02 as the nearest point of the section chain 10.
  • the second geoposition P2 is assigned a descriptive character string "#2, 4.1, +1" corresponding to the second longitudinal distance L2 of the nearest road network location 02 from the starting point 11 (in this case, "4.1 length units”) and the lateral transverse distance d2 between the road network location 02 and the second geoposition P2 (in this case, "1.0 length units").
  • each geoposition P1, P2 can be assigned a point in a generally curvilinear coordinate system given by the family of section chains 10.
  • the location determination, related to a nearest section chain 10 can be reduced to the specification of the longitudinal distance L relative to its starting point 11.
  • the complexity of the recorded data can be reduced from two dimensions (coordinates along the x-direction x and the y-direction y) to only one dimension (longitudinal distance from the starting point 11 of the respective section chain 10).
  • a density distribution is calculated from the event descriptions recorded along a section chain 10 by applying methods known from the prior art as kernel density estimation (KDE) according to the longitudinal distances L of the road network locations 01, 02 assigned to the respective geoposition P1, P2.
  • KDE kernel density estimation
  • a density p of event descriptions is determined for a distance chain 10 at regular intervals, for example, starting from the starting point 11 at longitudinal intervals L of one meter each. This density is schematically illustrated in the upper part of Figure 2.
  • the density p is determined by subjecting the longitudinal distances (L, L1, L2) assigned to the event descriptions by projection onto the nearest section chain (10) to a kernel density estimation using a kernel density estimator with a predetermined bandwidth.
  • a sequence of Dirac pulses arranged at the assigned longitudinal distances (L, L1, L2) is convolved with a non-negative, preferably symmetric kernel weighting function.
  • a density p can be determined based on one or more classes of event descriptions.
  • one class of event descriptions also referred to as an event class
  • another event class can be defined as an abruptly reduced vehicle speed.
  • the sum of the density values p determined in this way over the section chain 10 is thus equal to the number of data points used (i.e., the total number of event descriptions of the respective event class(es) recorded over the section chain 10). This allows a comparison of different road sections, a comparison of density values p determined based on different data sources, and a weighting of such density values p from different data sources.
  • peak regions R1, R2, R3 can, for example, be characterized by a confusing Traffic regulations, particular weather exposure (e.g. tendency to black ice or fog formation or ruts, which increase the risk of aquaplaning in the event of rain) or structural characteristics of the traffic management (narrowing of the roadway, change in surface, road damage or similar).
  • a classification of road network locations 01, 02 or of areas comprising several such road network locations 01, 02 is performed. Such a classification is also referred to as scoring.
  • the invention is based on the finding that scoring based on a constant threshold value e, that is to say: the classification of a road network location 01, 02 as a peak region R1, R2, R3 when the density p of event descriptions recorded there (for example: number of braking operations recorded within a radius of one meter around this road network location 01, 02) exceeds the predetermined constant threshold value e (for example: 100 braking operations), does not function satisfactorily.
  • the invention is based on the assumption that the vehicle density fluctuates only slightly along a section chain 10, particularly between road network locations 01, 02 in spatial proximity. This assumption is particularly plausible for section chains 10 designed as motorways or expressways, since for such traffic routes, a change in the number of passing vehicles is only possible at on-ramps and off-ramps. In particular, this allows for good comparison of scoring values between neighboring on-ramps or off-ramps.
  • a scoring value for each data point called a Z-value or Z-score Z.
  • a value called bandwidth designated symmetrical influence area around a road network location 01, 02 the deviation from a mean value of the density p is determined and related to a standard deviation a of the density p also determined in this symmetrical influence area.
  • a density value p 1 ,p 2 , ⁇ Pt - p N of event descriptions was determined, each of which was reported within a predetermined bandwidth around the road network location 01, 02.
  • an empirical mean (sample mean) p ⁇ and an empirical standard deviation ⁇ 7® are calculated.
  • the calculation of p ⁇ and a® only includes event descriptions from those road network locations 01, 02 that lie within the predetermined bandwidth around the road network location 01, 02 for which scoring is to be carried out.
  • p ⁇ and a® are determined as a moving average and a moving standard deviation a, respectively, over a range within the bandwidth around the respective density value p t .
  • the moving average p ⁇ and/or the moving standard deviation o-® are determined by weighted averaging, in which densities p measured further away from the road network location 01, 02 are weighted less heavily than densities p measured closer.
  • a weighting of the neighboring densities p can be applied that decreases linearly with the distance from the respective road network location 01, 02.
  • each of the density values p t is assigned a normalized density value or Z-value Z:
  • the respective density value pt of event descriptions is subjected to a statistical Z-standardization that is limited to its area of influence (its bandwidth). Within this bandwidth, the determined Z-value Z is mean-free and can have a standard deviation a of 1. This allows Z-values Z to be easily compared even if they were determined for road sections with different conditions (especially with different traffic densities).
  • the middle section shows the course of the Z value Z along a section chain 10 as a function of the route length L.
  • peak regions R1, R2, R3 can be particularly easily identified as statistically conspicuous areas of a section chain 10.
  • a peak region R1, R2, R3 can be identified as a contiguous area along the section chain 10 in which the Z-value Z exceeds a predetermined threshold value 6.
  • other threshold values 0 can also be used.
  • a peak region R1, R2, R3 is assigned: the identifier of the respective section chain 10 (in this case, for example, the character string “#2”), the peak start Lmin as the point of the peak region R1, R2, R3 closest to the starting point 11 and the peak end Lmax as the point of the peak region R1, R2, R3 furthest from the starting point 11.
  • a peak region R1, R2, R3 can be assigned an explicit length and/or a maximum value and/or a geometric description.
  • the length specifies the distance between the peak start Lmin and the peak end Lmax.
  • the maximum value specifies the highest density value p and/or the highest Z value Z in the peak region R1, R2, R3.
  • the geometric description specifies the arrangement and position of the peak region R1, R2, R3 in the geocoordinate system, for example according to the longitude and latitude of the center of the peak region R1, R2, R3.
  • Figure 3 schematically shows, in a simplified geocoordinate system, the course of a section chain 10 with several road sections connected by intersections, junctions, exits, ramps, and similar nodes.
  • a Z-course Z1, Z2 of Z-values Z is indicated by markings M perpendicular to the section chain 10.
  • the lengths of the vertical markings M assigned to the first Z-path Z1 indicate location-dependently varying Z-values Z that were recorded corresponding to a first direction of travel 11. Accordingly, the lengths of the vertical markings M assigned to the second Z-path Z2 indicate Z-values Z that were recorded by vehicles moving in the opposite second direction of travel 12.

Landscapes

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

Abstract

Die Erfindung betrifft ein Verfahren zur Bestimmung eines Indikatorwertes (Z) zur statistischen Charakterisierung von ortsbezogen durch mindestens ein Fahrzeug erfassten Ereignisbeschreibungen, wobei basierend auf einer Straßen- oder Navigationskarte diejenigen zu- und abflussfreien Straßenabschnitte identifiziert werden, deren Abschnittslänge gleich oder größer als eine vorbestimmte Mindestabschnittslänge ist. Aneinander angrenzende identifizierte Straßenabschnitte werden zu jeweils einer Abschnittskette (10) mit einem Startpunkt (11) und einem Endpunkt (12) verbunden. Ereignisbeschreibungen, umfassend eine Geoposition (P1, P2) sowie mindestens einen Parameter eines Fahrzeug-Umgebungsmodells, werden von Fahrzeugen erfasst und an ein Analysesystem übermittelt. Von dem Analysesystem wird einer Geoposition (P1, P2) einer Ereignisbeschreibung jeweils ein nächstgelegener Straßennetz-Ort (O1, O2) einer Abschnittskette (10) zugeordnet und durch einen Längsabstand (L, L1, L2) bezogen auf den Startpunkt (11) der Abschnittskette (10) beschrieben. Für mindestens eine Abschnittskette (10) wird ein auf den Längsabstand (L, L1, L2) zum Startpunkt (11) bezogener Verlauf eines Dichtewertes (p) von Ereignisbeschreibungen mittels eines Kerndichteschätzers mit einer vorbestimmten Bandbreite ermittelt. Der Verlauf des Dichtewert (p) wird mit einer auf die Bandbreite bezogenen lokalen Z-Standardisierung in einen Z-Verlauf (Z1, Z2) eines Z-Wertes (Z) transformiert, der bezogen auf die Bandbreite mittelwertfrei ist.

Description

Verfahren zur Bestimmung eines Indikatorwertes zur statistischen Charakterisierung ortsbezogen von Fahrzeugen erfassten Ereignisbeschreibungen
Die Erfindung betrifft ein Verfahren zur Bestimmung eines Indikatorwertes zur statistischen Charakterisierung von ortsbezogen durch mindestens ein Fahrzeug erfassten Ereignisbeschreibungen gemäß dem Oberbegriff des Anspruchs 1.
Das Dokument DE 102022 105 919 A1 beschreibt ein System und ein Verfahren zur frühzeitigen Erkennung von strukturellen Gefahrenstellen im Straßenverkehr anhand einer digitalen Verkehrswegnetz-Abbildung oder Karte. Hierzu werden Unfalldaten, Nutzereingabedaten und Sensordaten, entsprechend ihrer Georeferenzierung, mittels eines Rechnersystems Segmenten der Karte zugeordnet. Gemäß einem Aspekt erfolgt durch das Rechnersystem eine Auswertung, umfassend mindestens eine Häufigkeitsermittlung und/oder einen Datenabgleich. Zwecks Früherkennung wird ein georeferenziertes Segment, welchem keine Unfalldaten zugeordnet sind, als potentielle Gefahrenstelle identifiziert, wenn mit vorbestimmter Häufigkeit Sensordaten beziehungsweise Nutzereingabedaten zugeordnet worden sind, und/oder wenn ein Datenabgleich, insbesondere ein Abgleich mit einem auf Künstliche Intelligenz (Kl) gestützten Modell, von Nutzereingabedaten und/oder Sensordaten aufzeigt, dass ein vordefinierter Grad an Merkmalsübereinstimmung beziehungsweise Merkmalskorrelation mit kritischen Mustern vorliegt. Hierdurch wird eine Früherkennung von Gefahrenstellen ermöglicht. Gemäß einem weiteren Aspekt wird vorgeschlagen, einen Gefahrenscore für identifizierte Gefahrenstellen zu ermitteln.
Das Dokument US 2023/0245560 A1 beschreibt ein System zur Bestimmung und Sortierung ortsbezogener Gefahren basierend auf von Fahrzeugen erfassten Ereignissen und/oder einer Unfalldatenbank. Das System umfasst eine Schnittstelle und einen Prozessor. Die Schnittstelle ist zum Empfang von Unfalldaten und/oder Ereignisdaten eingerichtet. Der Prozessor ist dafür eingerichtet, Gruppen von Vorfällen zu bestimmen, wobei jeder Gruppe von Vorfällen eine Menge von Unfällen aus der Unfalldatenbank und/oder eine Menge von Ereignissen aus den Ereignisdaten zugeordnet wird, die nach ihrer örtlichen Nähe gruppiert sind. Der Prozessor ist ferner dafür eingerichtet, eine Menge von Abschätzungen des Straßenverkehrs zu ermitteln, welche mit einer Gruppe von Vorfällen in Beziehung gesetzt werden, und anhand der Menge der Unfälle, der Menge der Ereignisse und der Menge von Abschätzungen des Straßenverkehrs eine Reihenfolge der Gruppen von Vorfällen zu ermitteln.
Das Dokument DE 102019215 587 A1 beschreibt ein Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen (RPA, RNA) mittels Crowdsourcing mit den folgenden Schritten: a) Generieren einer digitalen Karte, in der verschiedene Streckenabschnitte durch Knoten miteinander verbunden sind; b) Berechnen einer relativen positiven oder negativen Beschleunigung (RPA, RNA) von einem in einem Streckenabschnitt fahrenden Fahrzeug für diesen Streckenabschnitt (A, B, C,..., M), wobei die relative positive oder negative Beschleunigung (RPA, RNA) im Fahrzeug berechnet und an ein Backend gesendet wird oder wobei das Fahrzeug Daten, die gegenwärtige Geokoordinaten, gegenwärtige Fahrzeuggeschwindigkeiten und/oder gegenwärtige Fahrzeugbeschleunigungen aufweisen, zu einem Backend sendet, das daraus die relative positive oder negative Beschleunigung (RPA, RNA) von dem Fahrzeug für diesen Streckenabschnitt berechnet; und c) Berechnen eines Mittelwerts oder einer Verteilung der berechneten relativen positiven oder negativen Beschleunigungen (RPA, RNA) von mehreren Fahrzeugen für diesen Streckenabschnitt in dem Backend.
Aus dem Dokument DE 102019000630 A1 ist ein Verfahren zur Zuordnung einer gemeinsamen Geoposition zu einer Mehrzahl von durch eine gemeinsame Grundursache bewirkten und durch mindestens ein Fahrzeug erfassten Ereignissen bekannt, wobei zu jedem einzelnen Ereignis eine einzelne Geoposition erfasst wird. Die erfassten Ereignisse werden lexikografisch sortierbar indiziert. Geopositionen, denen eine Mehrzahl von erfassten Ereignissen zugeordnet wird, werden als Hotspots bezeichnet. Es wird ein Verfahren vorgeschlagen, mit dem maximale Hotspots bestimmt werden, indem räumlich benachbarte und ausreichend nahe Hotspots zusammengefasst werden. Hotspots, denen eine Menge von Ereignissen zugeordnet ist, die eine echte Teilmenge der Menge der Ereignisse ist, die einem anderen Hotspot zugeordnet wurden, werden eliminiert. Derart zu einem maximalen Hotspot verschmolzenen Hotspots wird eine gemeinsame Geoposition zugewiesen. Aus dem Dokument WO 2021191051 A1 ist ein Verfahren zur Identifizierung potentieller Gefahrenstellen im Straßenverkehr durch vernetzte Fahrzeuge bekannt. Ein Ereignis, das auf eine potentielle Gefahrenstelle hinweist, wird erfasst und mit seiner Geoposition an eine zentrale Rechnereinheit übermittelt. Das übermittelte Ereignis wird in eine digitale Karte als Hotspot eingetragen, wenn eine Vielzahl ähnlicher Ereignisse mit der gleichen Geoposition erfasst wird. Dem übermittelten Ereignis werden Kontextinformationen hinzugefügt. Der Hotspot wird zur Erkennung einer potentiellen Gefahrenstelle analysiert. Ein aktueller Hotspot wird mit bestätigten Hotspots verglichen. Die Hotspots werden auf einer Plattform visualisiert dargestellt. Die Geoposition eines Hotspots bestimmter verkehrskritischer Ereignisse wird an Fahrzeuge übermittelt, die sich in der Nähe dieses Hotspots befinden.
Ein aus dem Stand der Technik bekannter Hotspot kann somit als eine punktuelle (lokal beschränkte) Häufung von Ereignissen aufgefasst werden, denen die gleiche oder eine sehr ähnliche Geoposition zugeordnet ist. Eine solche Häufung (oder Hotspot) ist durch eine absolute Häufigkeit und durch einen Maxi mal radius charakterisiert. Die absolute Häufigkeit gibt an, wie oft (innerhalb eines vorbestimmten Zeitraums) ein Ereignis innerhalb des Maximalradius um den Hotspot erfasst wurde.
Diese bekannte Form der Beschreibung eines Hotspots weist den Nachteil auf, dass verkehrsrelevante Ereignisse typischerweise nicht in einem kreisförmigen Bereich um eine Geoposition, sondern entlang von Verkehrswegen auftreten und erfasst werden.
Ferner wird eine Analyse solcher Hotspots dadurch erschwert, dass oft nicht die absolute, sondern die relative Häufigkeit eines Ereignisses (bezogen auf die Anzahl von Fahrzeugdurchfahrten an der Geoposition) für eine Bewertung relevant ist, weil sie die Eintretenswahrscheinlichkeit des Ereignisses beim Durchfahren dieser Geoposition schätzt.
Da die Anzahl von Fahrzeugdurchfahrten für die Geoposition eines Hotspots aus technischen Gründen und aufgrund von Beschränkungen, die durch den Datenschutz vorgegeben sind, typischerweise nicht oder nur ungenau bekannt ist, kann die relative Häufigkeit eines Ereignisses jedoch nicht oder nur grob ermittelt werden.
Daher besteht ein Bedarf an einem verbesserten Verfahren zur Erkennung, Klassifikation und Analyse von Hotspots, die sich durch die Auffälligkeit eines Indikatorwertes auszeichnen, mit dem an derartigen Hotspots erfasste Ereignisbeschreibungen charakterisiert werden.
Die Veröffentlichung E. Schubert, A. Zimek, H.-P. Kriegei: Generalized Outlier Detection with Flexible Kernel Density Estimates. Proceedings of the 14th SIAM International Conference on Data Mining (SDM), Philadelphia, PA, 2014, S. 542 - 550, https://doi.Org/10.1137/1.9781611973440.63 beschreibt ein Verfahren zur Analyse des Zusammenhangs zwischen der Schätzung einer Dichtefunktion und der Identifizierung von Ausreißern basierend auf einer derartigen Dichtefunktion.
Der Erfindung liegt die Aufgabe zu Grunde, ein verbessertes Verfahren zur Bestimmung eines Indikatorwertes zur statistischen Charakterisierung von ortsbezogen durch mindestens ein Fahrzeug erfassten Ereignisbeschreibungen anzugeben.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
Zur Erfassung von Hotspots werden in mindestens einem Fahrzeug fortlaufend Parameter einer Fahrzeugumgebung erfasst. Beispielsweise kann eine dynamische Fahrzeugumgebung erfasst werden, indem mittels einer Stereokamera und/oder einer Radar- und/oder Lidareinrichtung oder mit ähnlichen Messverfahren Entfernungen (bezogen auf die eigene Fahrzeugposition), Geschwindigkeiten und Trajektorien von umgebenden Fahrzeugen, Personen und/oder anderen Verkehrsteilnehmern vermessen werden. Zusätzlich oder alternativ kann über die Fahrzeugsensorik eine statische Fahrzeugumgebung erfasst werden, beispielsweise die Anordnung und Eigenschaften von Spurmarkierungen und/oder Verkehrszeichen und/oder Verkehrsleiteinrichtungen. Beispielsweise können Spurmarkierungen hinsichtlich ihrer Abstände, Spurmarkierungstypen, Spurbreiten, Krümmungen und ähnlicher Parameter erfasst und vermessen werden.
Parallel zur Erfassung solcher Fahrzeugumgebungsparameter wird fortlaufend die Fahrzeugposition, das heißt: die mittels eines globalen Navigationssatellitensystems (GNSS) oder mit einem ähnlichen Geopositionsbestimmungssystem erfasste Geoposition bestimmt. Die in der statischen und/oder dynamischen Fahrzeugumgebung mittels verschiedener Sensoren erfassten Objekte und deren Eigenschaften werden in ein Umgebungsmodell fusioniert, das auch Kartenmaterial aus einer Straßen- oder Navigationskarte und optional zusätzliche dynamische, geopositionsbezogene Livedaten umfassen kann, beispielsweise das aktuelle Verkehrsaufkommen.
Auf diesem komplexen Umgebungsmodell werden Trigger definiert, die für das Führen des Fahrzeugs beachtenswerte (insbesondere verkehrsrelevante) Ereignisse beschreiben. Derartige Ereignisse können beispielsweise Warnungen oder Eingriffe eines Assistenzsystems sein, mit dem das Fahrzeugumfeld überwacht wird. Bei Auslösung eines derartigen Triggers wird eine Ereignisbeschreibung erzeugt und von dem jeweiligen Fahrzeug an ein Backend eines Analysesystems gesendet. Die Ereignisbeschreibung umfasst die jeweilige Geoposition, an der der T rigger ausgelöst wurde, sowie die für die Beschreibung des Ereignisses relevanten, von der Fahrzeugsensorik erfassten Sensordaten und Parameter.
Das Analysesystem kann beispielsweise auf einem Server oder in einer Cloud implementiert sein und als ein Backend einen Satz von vorbestimmten Diensten und/oder Funktionen in der Art einer Programmierschnittstelle (Application Programmer Interface, API) bereitstellen.
Das Analysesystem erzeugt aus den von einem oder mehreren Fahrzeugen an das Backend übertragenen Ereignisbeschreibungen basierend auf einer Straßen- oder Navigationskarte oder auf ähnlichem Kartenmaterial eine Analysekarte. In derartigem Kartenmaterial sind Verkehrswegen, insbesondere Straßen, Geopositionen zugeordnet, die im Folgenden als Straßennetz-Orte bezeichnet werden. Mit anderen Worten: während Geopositionen im Allgemeinen beliebige topografische Merkmale zugeordnet sein können, bezeichnen Straßennetz-Orte diejenigen Geopositionen, die über eine Straße zugänglich sind.
Zunächst werden möglichst lange, zusammenhängende Straßenabschnitte identifiziert, welche nicht durch Kreuzungen unterbrochen sind. Insbesondere können für die Erstellung der Analysekarte solche Straßenabschnitte ausgewählt werden, deren Länge eine vorbestimmte Mindestlänge erreicht oder überschreitet. Typischerweise werden solche Straßenabschnitte Autobahnen oder Schnellstraßen zugeordnet sein, die nur wenige Kreuzungen aufweisen. Straßenabschnitte, die kürzer als die vorbestimmte Mindestlänge sind, werden herausgefiltert und für die Analysekarte nicht herangezogen.
Aneinander anstoßende Straßenabschnitte werden sodann (in der Art einer verketteten Liste) zu Abschnittsketten verbunden, mit anderen Worten: aus einer geordneten Abfolge von Straßenabschnitten wird eine topologisch eindimensionale (das heißt: nur linear ausgedehnte) Abschnittskette gebildet, die entlang ihrer linearen Ausdehnung einen einzigen Startpunkt und einen einzigen Endpunkt aufweist. Jeder Abschnittskette werden in (bezogen auf die Analysekarte) eindeutiger Weise ein Ketten-Identifikator und ein Startpunkt zugewiesen. Somit kann jeder Ort entlang einer Abschnittskette durch den Ketten-Identifikator und eine Entfernung von dem Startpunkt der Abschnittskette eindeutig bestimmt werden.
Bei einem Verfahren zur Bestimmung eines Indikatorwertes zur statistischen Charakterisierung von ortsbezogen durch mindestens ein Fahrzeug erfassten Ereignisbeschreibungen werden basierend auf einer Straßen- oder Navigationskarte oder auf einem ähnlichen Kartenmaterial, in dem Verkehrswege mit Bezug auf Geopositionen kartiert sind, zu- und abflussfreie Straßenabschnitte identifiziert. Entlang solcher Straßenabschnitte kann die Anzahl der durchfahrenden Fahrzeuge als näherungsweise überall gleich angenommen werden. Auf diese Weise werden längere Verkehrswege in Straßenabschnitte unterteilt, die an Kreuzungen, Einmündungen, Ausfahrten, Einfahrten und ähnlichen Knotenpunkten mit mindestens einem anderen Straßenabschnitt verbunden sind.
Erfindungsgemäß werden unter den derart ermittelten Straßenabschnitten diejenigen identifiziert, deren Abschnittslänge gleich oder größer als eine vorbestimmte Mindestabschnittslänge ist. Dadurch gelingt es, Straßenabschnitte ausschließlich oder jedenfalls im Wesentlichen nur entlang von bestimmten Typen von Verkehrswegen auszuwählen, für die die Annahme eines (entlang des jeweiligen Verkehrswegs) im Wesentlichen gleichen Fahrzeugdurchsatzes in guter Näherung gilt. Insbesondere kann die Abschnittslänge so gewählt werden, dass die ausgewählten Straßenabschnitte Autobahnen oder Schnellstraßen zugeordnet sind.
In einem nachfolgenden Schritt werden unter den identifizierten Straßenabschnitten diejenigen ermittelt, die entlang eines Verkehrswegs über eine Kreuzung, Einmündung, Ausfahrt, Einfahrt oder einen ähnlichen Knotenpunkt miteinander verbunden sind und bei denen demzufolge die Geoposition eines Endes eines ersten identifizierten Straßenabschnitts mit der Geoposition eines Endes eines zweiten identifizierten Straßenabschnitts übereinstimmt.
Eine Kette von derartigen, in der Art einer verketteten Liste miteinander verbundenen Straßenabschnitten wird als Abschnittskette bezeichnet. Eine Abschnittskette erstreckt sich linear von einem Startpunkt bis zu einem Endpunkt und weist demzufolge keine Abzweigungen auf, entlang derer sich ein Verkehrsstrom verteilen könnte. Dadurch gilt die Annahme eines überall gleichen Verkehrsflusses für derartige Abschnittsketten in besonders guter Näherung.
Von mindestens einem Fahrzeug wird mindestens eine Ereignisbeschreibung erfasst und ein Analysesystem übermittelt. Eine derartige Ereignisbeschreibung umfasst mindestens einen Parameter eines Fahrzeug-Umgebungsmodells, welches die statische und/oder dynamische Umgebung des Fahrzeugs sowie Betriebs- und/oder Steuerparameter des Fahrzeugs umfasst. Ferner umfasst eine derartige Ereignisbeschreibung die Geoposition, an der diese Parameter erfasst wurden.
Ereignisbeschreibungen werden insbesondere dann erfasst und übertragen, wenn das Fahrzeug-Umgebungsmodell einen für die Bewertung des Verkehrsflusses und/oder des Fahrzeugzustands besonders beachtlichen Zustand oder eine Zustandsänderung beschreibt.
Das Analysesystem wertet eingehende und/oder gespeicherte Ereignisbeschreibungen aus. Von dem Analysesystem wird einer Geoposition einer Ereignisbeschreibung, die aufgrund von Toleranzen und Ungenauigkeiten bei der Erfassung durch ein Geopositionsbestimmungssystem typischerweise nicht genau mit einem Straßennetz-Ort übereinstimmt, jeweils ein nächstgelegener Straßennetz-Ort einer Abschnittskette zugeordnet, typischerweise durch (senkrechte) Projektion auf die nächstgelegene Abschnittskette.
Dieser nächstgelegene Straßennetz-Ort wird durch einen eindeutigen Identifikator der Abschnittskette und durch einen Längsabstand beschrieben, der den Abstand (in vorbestimmten, für alle Abschnittsketten gleich gewählten) Längeneinheiten von dem Startpunkt der Abschnittskette angibt. Ferner ermittelt das Analysesystem mittels eines Kerndichteschätzers für mindestens eine Abschnittskette einen auf den Längsabstand zum Startpunkt bezogenen Verlauf einer Dichte von Ereignisbeschreibungen. Hierzu werden in inkrementellen, bevorzugt äquidistanten Längsabständen vom Startpunkt der Abschnittskette aus Dichten (Dichtewerte) bestimmt, die die Häufigkeit von Ereignisbeschreibungen innerhalb eines Inkrements des Längsabstands schätzen. Durch Verwendung eines Kerndichteschätzers kann die Streuung dieser ermittelten Werte gemindert werden, indem für die Bestimmung der Dichte in einem Inkrement (in der Art einer gewichteten, gleitenden Mittelung) Häufigkeiten von Ereignisbeschreibungen von benachbarten Inkrementen des Längsabstands berücksichtigt werden.
Die Dichte wird an einem gewissen, durch den Längsabstand vom Startpunkt der Abschnittskette bestimmten Ort ermittelt, indem die den Ereignisbeschreibungen durch Projektion diese Abschnittskette zugeordneten Längsabstände (L, L1, L2) einer Kerndichteschätzung mit einem Kerndichteschätzer mit vorbestimmter Bandbreite unterzogen werden. Hierbei wird eine Folge von an den zugeordneten Längsabständen angeordneten Dirac-Pulsen mit einer nichtnegativen, bevorzugt symmetrischen Kern- Wichtungsfunktion gefaltet.
Verfahren zur Auswahl der Kern-Wichtungsfunktion, insbesondere zur Wahl der Bandbreite einer solchen Kern-Wichtungsfunktion, sind aus dem Stand der Technik bekannt, beispielsweise aus der Veröffentlichung Wand, M.P; Jones, M.C. (1995). Kernel Smoothing. London: Chapman & Hall/CRC. ISBN 978-0-412-55270-0.
Jede entlang einer Abschnittskette ermittelte Dichte von Ereignisbeschreibungen wird sodann mittels einer lokalen Z-Standardisierung in einen Z-Wert transformiert.
Unter einer lokalen Z-Standardisierung wird hier und im Folgenden die Transformation eines Dichtewertes pt verstanden, der für einen oder für eine Menge von Straßennetz- Orten bestimmt wurde, unter Berücksichtigung einer Gesamtheit von Dichtewerten Pi,p2< ■■■Pi - PN> die innerhalb einer vorbestimmten, als Bandbreite bezeichneten Umgebung entlang der jeweiligen Abschnittskette um den Straßennetz-Ort des Dichtewertes pt bestimmt wurden. Für diese Gesamtheit von Dichtewerten werden ein (lokaler) Mittelwert und eine (lokale) Standardabweichung <7® ermittelt. Die lokale Z- Standardisierung transformiert den Dichtewert pt in einen Z-Wert Z^gemäß der Vorschrift
Mit anderen Worten: mit der lokalen Z-Standardisierung wird der Dichtewert in einen Z- Wert überführt, der bezogen auf die als Bandbreite bezeichnete Umgebung die Abweichung der Dichte vom Mittelwert relativ zur Standardabweichung darstellt.
Je höher der lokale Z-Wert ist, desto auffälliger ist der betrachtete Punkt im Vergleich zur Umgebung gemessen an der Variabilität der Umgebung, unabhängig von der absoluten Dichte. Durch einen höheren Z-Schwellwert kann die Ergebnismenge auf auffälligere Positionen reduziert werden.
Dadurch ist es möglich, anhand des Z-Wertes Straßennetz-Orte als auffällig zu charakterisieren und zu identifizieren, insbesondere solche Straßennetz-Orte, an denen die Wahrscheinlichkeit der Erfassung / Meldung einer Ereignisbeschreibung wesentlich größer ist als an Straßennetz-Orten in einer vorbestimmten Umgebung entlang der Abschnittskette. Ein Vorteil des Verfahrens gegenüber dem Stand der Technik besteht darin, dass es unabhängig von der Erfassung der absoluten (Gesamt-) Zahl von Fahrzeugen, die einen Straßennetz-Ort passieren, eine verlässliche Charakterisierung solcher Auffälligkeiten ermöglicht.
Dieser Vorteil wird zum einen dadurch erreicht, dass durch die erfindungsgemäße Bildung von Abschnittsketten Straßennetz-Orte mit vergleichsweise homogener Fahrzeugdichte selektiert werden. Zum anderen wird dieser Vorteil dadurch erreicht, dass Dichtewerte mittels der lokalen Z-Standardisierung in einen Indikator transformiert werden, der weitgehend unempfindlich gegen Schwankungen der Streuung der Dichtewerte entlang einer Abschnittskette ist.
Bei einer Ausführungsform des Verfahrens wird die vorbestimmte Mindestlänge für Straßenabschnitte, welche der Bildung von Abschnittsketten zugrunde gelegt werden sollen, so gewählt, dass die mindestens eine Abschnittskette ausschließlich oder überwiegend aus Straßenabschnitten gebildet wird, die einer Autobahn oder einer Schnellstraße zugeordnet sind. Dadurch wird eine besonders gute Homogenität des Verkehrsflusses entlang der gebildeten Abschnittsketten erreicht. Mit anderen Worten: wegen der vergleichsweise geringen Zu- und Abflüsse sind entlang derartiger Abschnittsketten erfasste Dichtewerte besonders gut vergleichbar, insbesondere geben erhöhte Dichtewerte von Ereignisbeschreibungen besonders verlässlich eine außergewöhnliche Verkehrssituation an.
Bei einer Ausführungsform des Verfahrens fusioniert das Fahrzeug-Umgebungsmodell eine statische und eine dynamische Fahrzeugumgebung. Unter „statischer Fahrzeugumgebung“ soll hierbei die zeitlich im Wesentlichen unveränderliche, insbesondere von Aktivitäten anderer Verkehrsteilnehmer unbeeinflusste Fahrzeugumgebung erfasst werden, beispielsweise die Anordnung und Eigenschaften von Spurmarkierungen und/oder Verkehrszeichen und/oder Verkehrsleiteinrichtungen. Eine statische Fahrzeugumgebung kann beispielsweise mittels Umfeldkameras, Entfernungssensoren, Radar- und Lidarsensoren erfasst werden.
Unter „dynamischer Fahrzeugumgebung“ soll hierbei die zeitlich veränderliche Fahrzeugumgebung verstanden werden, insbesondere die durch Bewegung anderer Verkehrsteilnehmer veränderte Fahrzeugumgebung. Beispielsweise kann eine dynamische Fahrzeugumgebung erfasst werden, indem mittels einer Stereokamera und/oder einer Radar- und/oder Lidareinrichtung oder mit ähnlichen Messverfahren Entfernungen (bezogen auf die eigene Fahrzeugposition), Geschwindigkeiten und Trajektorien von umgebenden Fahrzeugen, Personen und/oder anderen Verkehrsteilnehmern vermessen werden.
Bei einer Ausführungsform des Verfahrens wird eine Peakregion als jeweils ein Bereich identifiziert, in dem entlang einer Abschnittskette zwischen einem Peakbeginn und einem Peakende zusammenhängenden Straßennetz-Orten ein Z-Wert zugeordnet wurde, der einen vorbestimmten Schwellwert überschreitet. Dadurch können mit besonders guter Zuverlässigkeit Bereiche mit auffälligen Verkehrssituationen, beispielsweise Unfallschwerpunkte, ermittelt werden.
Bevorzugt ist der vorbestimmte Schwellwert mit Eins gewählt. Unter Zugrundelegung einer näherungsweise einer Normalverteilung folgenden Statistik der Dichtewerte werden dadurch diejenigen Bereiche als Peakregion identifiziert, die eine höhere Dichte von Ereignisbeschreibungen aufweisen als etwa 85 Prozent der Gesamtheit der Straßennetz- Orte einer Abschnittskette. Dadurch ist eine besonders zuverlässige Bestimmung von Peakregionen mit auffälligen Verkehrssituationen möglich. Bei einer Ausführungsform des Verfahrens werden einer Peakregion ein Identifikator der jeweiligen Abschnittskette (der beispielsweise als Zahl oder Zeichenkette eindeutig zugeordnet ist), ein Längsabstand des Peakbeginns relativ zum Startpunkt der jeweiligen Abschnittskette sowie ein Längsabstand des Peakendes relativ zum Endpunkt der jeweiligen Abschnittskette, ein Maximalwert aller Z-Werte innerhalb der Peakregion sowie eine Beschreibung der Geometrie der Peakregion zugeordnet. Eine Beschreibung der Geometrie der Peakregion kann beispielsweise als Menge von Geopositionen angegeben werden, die allen oder einigen (beispielsweise in äquidistanten Abständen ausgewählten) Straßennetz-Orten der Peakregion zugeordnet sind. Anhand derartiger Merkmale ist eine Auswertung von Peakregionen besonders leicht und zuverlässig möglich.
Bei einer Ausführungsform des Verfahrens umfasst das Fahrzeug-Umgebungsmodell mindestens ein Objekt und/oder einen Parameter, welches mittels Fahrzeug-Sensoren erfasst wurde. Anhand des Fahrzeug-Umgebungsmodells wird ein Trigger bestimmt, der ein betrachtenswertes Ereignis identifiziert und/oder markiert, beispielsweise ein für das Steuern und Führen des Fahrzeugs beachtliches Ereignis. Basierend auf einem solchen Trigger wird eine Ereignisbeschreibung erstellt und an das Analysesystem übertragen.
Mit einem solchen Trigger können gezielt Ereignisbeschreibungen erstellt werden, welche für eine nachfolgende Analyse interessant und relevant sind.
Bevorzugt markiert ein Trigger eine Warnung, die von einem Fahrassistenzsystem abgegeben wird, und/oder einen Eingriff eines solchen Fahrassistenzsystems. Dadurch können in Ereignisbeschreibungen Fahrsituationen erfasst werden, in denen das Verhalten des Fahrzeugführers potenziell korrekturbedürftig ist. Die Bestimmung eines statistischen Indikators für derartige Fahrsituationen bezogen auf Straßennetz-Orte (das heißt, bezogen auf gewisse Orte von Abschnittsketten) ermöglicht eine besonders aussagekräftige Bewertung potenziell gefährlicher Orte und die Erkennung entsprechender Peakregionen, beispielsweise die Erkennung von potenziellen Unfallschwerpunkten. Dadurch können Hinweise ermittelt werden, die zur Verbesserung der Verkehrssicherheit beitragen.
Bei einer Ausführungsform des Verfahrens werden Ereignisklassen festgelegt und in einer Liste von Ereignisklassen erfasst. Ereignisklassen können (lediglich beispielhaft) ein durch ein Fahrassistenzsystem eingeleitetes Bremsmanöver, ein Fahrzeugparameter, der eine verringerte Fahrzeugstabilität anzeigt oder eine von einem Fahrassistenzsystem erfasste potenzielle Kollision mit einem Objekt in der Fahrzeugumgebung sein. Einer Ereignisbeschreibung wird jeweils mindestens eine derartige Ereignisklasse zugeordnet. Für die Bestimmung der Dichte von Ereignisbeschreibungen werden nur diejenigen (gefilterten) Ereignisbeschreibungen herangezogen, deren Ereignisklassen einem bestimmten Filterkriterium genügen. Beispielsweise werden nur Ereignisbeschreibungen einer bestimmten Ereignisklasse oder aus einer Teilmenge von Ereignisklassen herangezogen. Dadurch ist eine besonders spezifische Auswertung von Dichtewerten und/oder eine besonders spezifische Bestimmung von Peakregionen möglich.
Bei einer Ausführungsform umfasst eine Ereignisbeschreibung eine Fahrtrichtung, die sich auf eine von ihrem Startpunkt zu ihrem Endpunkt weisende Richtung einer Abschnittskette bezieht. Für die Bestimmung der Dichte von Ereignisbeschreibungen werden nur diejenigen Ereignisbeschreibungen herangezogen, bei denen die Fahrtrichtung gleichsinnig ist, das heißt: bei denen das Fahrzeug (entlang der Abschnittskette) in gleicher Richtung bewegt wurde. Dadurch ist es möglich, fahrtrichtungsbezogene Auffälligkeiten (beispielsweise unterschieden nach einer Talfahrt und einer Bergfahrt in einem Straßenabschnitt mit großem Gefälle oder unterschieden nach anderen, fahrtrichtungsabhängig verschiedenen Gefährdungen beispielsweise durch Sichtverdeckung, Auffahrten, Abfahrten oder Kurvenradien) besonders spezifisch zu erkennen.
Bei einer Ausführungsform des Verfahrens werden Z-Werte, welche für Straßennetz-Orte entlang mindestens einer Abschnittskette ermittelt wurden, in einer Kartenanzeige visualisiert. Die Visualisierung kann beispielsweise durch eine Farbdarstellung erfolgen, indem verschiedenen Bereichen von Z-Werten verschiedene Farben zugeordnet werden. Zusätzlich oder alternativ können Z-Werte durch Markierungen visualisiert werden, welche senkrecht zu der jeweiligen Abschnittskette aufgetragen werden, wobei die Länge einer an einem Straßennetz-Ort aufgetragenen Markierung abhängig von dem Z-Wert gewählt wird, der für diesen Straßennetz-Ort bestimmt wurde. , Bevorzugt wird die Länge einer solchen Markierung proportional zum Z-Wert gewählt.
Dadurch ist eine besonders übersichtliche Darstellung von graduellen Unterschieden von Auffälligkeiten, insbesondere von Gefährdungen, entlang einer Abschnittskette möglich, ohne dass es hierfür einer willkürlichen Schwellwertbildung und Segmentierung von Peakregionen bedarf. Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.
Dabei zeigen:
Fig. 1 schematisch eine Analysekarte mit einer Abschnittskette,
Fig. 2 schematisch die Bestimmung eines Z-standardisierten Z-Wertes für eine mittels einer Kerndichteschätzung bestimmte Dichte von Ereignisbeschreibungen sowie
Fig. 3 schematisch die fahrtrichtungsabhängige Darstellung von Z-Werten entlang einer Abschnittskette.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.
Figur 1 zeigt schematisch eine Analysekarte mit einer Abschnittskette 10. Die Abschnittskette 10 wurde aus der Verkettung von nicht näher dargestellten kreuzungsfreien Straßenabschnitten gebildet, deren Länge eine vorbestimmte Mindestlänge erreicht oder überschreitet. Jeder dieser (in Figur 1 nicht gesondert bezeichneten) Straßenabschnitte umfasst mindestens einen, typischerweise eine Mehrzahl von Straßennetz-Orten 01, 02, die im Prinzip beliebig dicht liegen können (beschränkt nur durch die Auflösung des zugrundeliegenden Kartenmaterials). Zur verbesserten Übersicht sind in Figur 1 lediglich ein erster und zweiter Straßennetz- Ort 01, 02 beispielhaft dargestellt.
Die Abschnittskette 10 kann beispielsweise durch Analyse einer Straßen- oder Navigationskarte gewonnen werden. Sie ist in Figur 1 in ihrer Lage und Ausdehnung bezogen auf ein Geokoordinatensystem dargestellt, welches grob vereinfacht dargestellt ist und schematisch eine longitudinale Koordinate (geographische Länge), vorliegend als x-Richtung x dargestellt, und eine latitudale Koordinate (geographische Breite), vorliegend als y-Koordinate y dargestellt, aufweist.
Die Abschnittskette 10 weist an einem ersten Ende einen Startpunkt 11 und am gegenüberliegenden zweiten Ende einen Endpunkt 12 auf und ist über einen Identifikator identifiziert, der vorliegend lediglich beispielhaft als Zeichenkette „#2“ gewählt ist. Mindestens der Startpunkt 11 und der Endpunkt 12 sind jeweils sowohl einem (vorliegend nicht näher bezeichneten) Straßennetz-Ort als auch einer (vorliegend ebenfalls nicht näher bezeichneten) Geoposition zuzuordnen.
Jeder Punkt entlang der Abschnittskette 10 ist durch einen Längsabstand L vom Startpunkt 11 (angegeben in beliebig wählbaren, aber für alle Abschnittsketten 10 gleichen Entfernungseinheiten) und durch den Identifikator der Abschnittskette 10 eindeutig bestimmbar.
Jedem Punkt einer Abschnittskette 10 kann somit ein Straßennetz-Ort 01, 02 auf einem Straßenabschnitt der zugrundeliegenden Straßen- oder Navigationskarte entsprechend seinem Abstand vom Startpunkt 11 zugeordnet werden. Beispielsweise kann die Abfolge der zusammengesetzten Straßenabschnitte der Abschnittskette 10, ausgehend vom Startpunkt 11 , verfolgt werden, bis der dem jeweiligen Punkt entsprechende Längsabstand L vom Startpunkt 11 erreicht ist. Somit können, über die Bezugnahme auf die Geoposition des Startpunkts 11 , jedem Punkt einer Abschnittskette 10 auch Koordinaten in dem Geokoordinatensystem zugeordnet werden.
Zur Verdeutlichung sind in Figur 1 zwei Geopositionen P1, P2 dargestellt, die von einem oder mehreren Fahrzeugen mittels eines Geopositionsbestimmungssystems bestimmt und mit einer Ereignisbeschreibung übermittelt wurden. Beispielsweise könnte an jeder dieser Geopositionen P1 , P2 ein Bremsvorgang durch ein Fahrassistenzsystem ausgelöst worden sein. Aufgrund von Ungenauigkeiten des Geopositionsbestimmungssystems weichen die von verschiedenen Fahrzeugen gemeldeten Geopositionen P1, P2 typischerweise vom Verlauf der Abschnittskette 10 (das heißt: der Menge der Straßennetz-Orte 01, 02 dieser Abschnittskette 10 im Geokoordinatensystem) ab.
Einer Geoposition P1, P2 wird jeweils ein nächstliegender Straßennetz-Ort 01, 02 entlang der Abschnittskette 10 zugeordnet. Typischerweise ist der nächstliegende Ort durch senkrechte Projektion auf die Abschnittskette 10 eindeutig bestimmbar. Bei einer Mehrzahl von gleich weit entfernten nächstliegenden Straßennetz-Orten 01, 02 kann ein Straßennetz-Ort 01, 02 zufällig ausgewählt werden.
Beispielhaft ist in Figur 1 eine erste Geoposition P1 dargestellt, die durch ein erstes Paar von Geokoordinaten x1 (entlang der x-Richtung x) und y1 (entlang der y-Richtung y) beschrieben ist. Der ersten Geoposition P1 ist auf der Abschnittskette 10 ein erster Straßennetz-Ort 01 zugeordnet, der sich in einem ersten Längsabstand L1 vom Startpunkt 11 befindet. Beispielhaft ist der erste Längsabstand L1 mit 5,2 Längeneinheiten angenommen. Die erste Geoposition P1 kann dann durch den Identifikator „#2“ der Abschnittskette 10 und durch den Längsabstand L1 „5.2 Längeneinheiten“ vom Startpunkt 11 beschrieben werden.
Einer Ereignisbeschreibung, die zu der ersten Geoposition P1 gemeldet wurde, werden in der Analyse der erste Straßennetz-Ort 01 sowie der seitliche Querabstand d1 der ersten Geoposition P1 von dem nächstliegenden ersten Straßennetz-Ort 01 zugeordnet, der vorliegend „1.0 Längeneinheiten“ beträgt. Beispielsweise kann die Gesamtheit der Angaben zum Identifikator der zugeordneten Abschnittskette 10 sowie zur Lage und zur seitlichen Entfernung des nächstliegenden Straßennetz-Ortes 01 in einer Zeichenkette „#2, 5.2, +1“ zusammengefasst sein, die der ersten Geoposition P1 zugeordnet wird. Im Allgemeinen wird diese Zuordnung nicht eindeutig sein, das heißt: es kann Ereignisbeschreibungen an weiteren (abweichenden) Geopositionen geben, denen eine gleiche Zeichenkette zugeordnet ist.
In analoger Weise ist die zweite Geoposition P1 durch ein zweites Paar von Geokoordinaten x2 (entlang der x-Richtung x) und y2 (entlang der y-Richtung y) beschrieben. Der zweiten Geoposition P2 ist der zweite Straßennetz-Ort 02 als nächstliegender Punkt der Abschnittskette 10 zugeordnet. Ferner ist der zweiten Geoposition P2 entsprechend dem zweiten Längsabstand L2 des nächstliegenden Straßennetz-Orts 02 vom Startpunkt 11 (vorliegend „4.1 Längeneinheiten“) und dem seitlichen Querabstand d2 zwischen dem Straßennetz-Ort 02 und der zweiten Geoposition P2 (vorliegend „1.0 Längeneinheiten“) eine bezeichnende Zeichenkette „#2, 4.1 , +1“ zugeordnet.
Mit dieser, hier lediglich beispielhaft erläuterten Zuordnungsvorschrift kann jeder Geoposition P1, P2 ein Punkt in einem im Allgemeinen krummlinigen Koordinatensystem zugeordnet werden, das durch die Schar der Abschnittsketten 10 gegeben ist. Damit kann die Ortsbestimmung, bezogen auf eine nächstliegende Abschnittskette 10, auf die Angabe des Längsabstands L relativ zu deren Startpunkt 11 reduziert werden.
Indem alle weiteren Auswertungen pro Abschnittskette 10 vorgenommen werden, kann somit die Komplexität der erfassten Daten von zwei Dimensionen (Koordinaten entlang der x-Richtung x und der y-Richtung y) auf nur noch eine Dimension (Längsabstand vom Startpunkt 11 der jeweiligen Abschnittskette 10) verringert werden.
Aus den entlang einer Abschnittskette 10 erfassten Ereignisbeschreibungen wird eine Dichteverteilung berechnet, indem entsprechend den Längenabständen L der der jeweiligen Geoposition P1 , P2 zugeordneten Straßennetz-Orte 01, 02 aus dem Stand der Technik als Kerndichteschätzung (Kernel Density Estimation, KDE) bekannte Verfahren angewendet werden. Hierzu wird für eine Abstandskette 10 in regelmäßigen Abständen, beispielsweise ausgehend von dem Startpunkt 11 in Längenabständen L von jeweils einem Meter, eine Dichte p von Ereignisbeschreibungen ermittelt, die im oberen Teil der Figur 2 schematisch dargestellt ist.
Die Dichte p wird ermittelt, indem die den Ereignisbeschreibungen durch Projektion auf die nächstgelegene Abschnittskette (10) zugeordneten Längsabstände (L, L1, L2) einer Kerndichteschätzung mit einem Kerndichteschätzer mit vorbestimmter Bandbreite unterzogen werden. Hierbei wird eine Folge von an den zugeordneten Längsabständen (L, L1, L2) angeordneten Dirac-Pulsen mit einer nichtnegativen, bevorzugt symmetrischen Kern-Wichtungsfunktion gefaltet.
Dabei kann eine Dichte p bezogen auf eine oder auf mehrere Klassen von Ereignisbeschreibungen bestimmt werden. Beispielsweise kann eine Klasse von Ereignisbeschreibungen (auch als Ereignisklasse bezeichnet) durch Bremseingriffe eines Fahrassistenzsystems (beispielsweise eines Antiblockiersystems) und eine andere Ereignisklasse als abrupt verringerte Fahrzeuggeschwindigkeit festgelegt werden.
Die Summe der so ermittelten Dichtewerte p über der Abschnittskette 10 ist somit gleich der Anzahl der verwendeten Datenpunkte (das heißt: der Anzahl der insgesamt über der Abschnittskette 10 erfassten Ereignisbeschreibungen der jeweiligen Ereignisklasse(n)). Dadurch ist ein Vergleich verschiedener Straßenabschnitte, ein Vergleich von Dichtewerten p, die basierend auf verschiedenen Datengrundlagen ermittelt wurden, sowie eine Gewichtung solcher Dichtewerte p verschiedener Datengrundlagen möglich.
Typischerweise ist die Dichte p von Ereignisbeschreibungen an einigen Straßennetz- Orten 01, 02 erheblich größer als im statistischen Mittel. Solche besonders auffälligen Stellen werden im Folgenden als Peakregionen R1 , R2, R3 bezeichnet. Eine Peakregion R1. R2. R3 kann beispielsweise durch eine unübersichtliche Verkehrsregelung, eine besondere Witterungsexposition (beispielsweise Neigung zur Glatteisbildung oder zu Nebelbildung oder Spurrinnen, die bei Regen das Risiko von Aquaplaning erhöhen) oder auch durch bauliche Eigenschaften der Verkehrsführung (Fahrbahnverengung, Belagwechsel, Straßenschäden oder ähnliches) verursacht sein.
Zur Identifizierung von Peakregionen R1, R2, R3 wird eine Klassifizierung von Straßennetz-Orten 01, 02 oder von Bereichen, die mehrere solcher Straßennetz- Orte 01, 02 umfassen, durchgeführt. Eine derartige Klassifizierung wird auch als Scoring bezeichnet.
Der Erfindung liegt die Erkenntnis zugrunde, dass ein Scoring basierend auf einem konstanten Schwellwert e, das heißt: die Klassifikation eines Straßennetz-Ortes 01, 02 als Peakregion R1 , R2, R3 dann, wenn die dort erfasste Dichte p von Ereignisbeschreibungen (beispielsweise: in einem Umkreis von einem Meter um diesen Straßennetz-Ort 01, 02 erfasste Anzahl Bremsvorgängen) den vorbestimmten konstanten Schwellwert e (beispielsweise: 100 Bremsvorgänge) überschreitet, nicht befriedigend funktioniert.
Insbesondere setzt ein derartiges Scoring voraus, dass die Anzahl von Fahrzeugüberfahrten entlang des jeweiligen Straßenabschnitts bekannt ist. Diese Voraussetzung ist jedoch aus den bereits erläuterten technischen und/oder organisatorisch-rechtlichen Gründen in der Praxis kaum erfüllbar. Bei aus dem Stand der Technik bekannten Verfahren führt dies dazu, dass dicht befahrene Straßennetz-Orte 01, 02 als auffällig markiert werden, obgleich dort kein erhöhtes Risiko beispielsweise eines Eingriffs durch ein Fahrassistenzsystem besteht.
Zur Umgehung dieses Problems geht die Erfindung von der Annahme aus, dass die Fahrzeugdichte entlang einer Abschnittskette 10, insbesondere zwischen Straßennetz- Orten 01, 02 in räumlicher Nähe, nur geringfügig schwankt. Diese Annahme ist insbesondere für als Autobahnen oder Schnellstraßen ausgebildete Abschnittsketten 10 plausibel, da für derartige Verkehrswege eine Änderung der Anzahl von durchfahrenden Fahrzeugen nur an Auffahrten und Abfahrten möglich ist. Insbesondere sind damit Scoringwerte zwischen benachbarten Auffahrten oder Abfahrten gut vergleichbar.
Es wird vorgeschlagen, für jeden Datenpunkt einen als Z-Wert oder Z-Score Z bezeichneten Scoringwert zu ermitteln. Hierzu wird in einem als Bandbreite (Bandwidth) bezeichneten symmetrischen Einflussbereich um einen Straßennetz-Ort 01, 02 die Abweichung von einem Mittelwert der Dichte p ermittelt und auf eine ebenfalls in diesem symmetrischen Einflussbereich ermittelte Standardabweichung a der Dichte p bezogen.
Zur Verdeutlichung dieses Verfahrens sei angenommen, dass entlang eines Straßenabschnitts mit einer als näherungsweise ortsunabhängig konstant angenommenen Anzahl durchfahrender Fahrzeuge an einem ersten bis N-ten Straßennetz-Ort 01 , 02 jeweils ein Dichtewert p1,p2, ■■■Pt - pN von Ereignisbeschreibungen ermittelt wurde, die jeweils innerhalb einer vorbestimmten Bandbreite um den Straßennetz-Ort 01, 02 gemeldet wurden. Daraus werden ein empirischer Mittelwert (Stichprobenmittel) p^ und eine empirische Standardabweichung <7® berechnet. In die Berechnung von p^ und a® gehen jeweils nur Ereignisbeschreibungen derjenigen Straßennetz-Orte 01, 02 ein, die innerhalb der vorbestimmten Bandbreite um denjenigen Straßennetz-Ort 01, 02 liegen, für den ein Scoring vorgenommen werden soll. Mit anderen Worten: p^ und a® werden als gleitender Mittelwert beziehungsweise gleitende Standardabweichung a über einen Bereich im Umfang der Bandbreite um den jeweiligen Dichtewert pt bestimmt.
Dabei ist es möglich, dass der gleitende Mittelwert p^ und/oder die gleitende Standardabweichung o-® durch gewichtete Mittelung bestimmt werden, bei der weiter von Straßennetz-Ort 01, 02 entfernt gemessene Dichten p weniger stark gewichtet werden als näher liegend gemessene Dichten p. Beispielsweise kann eine mit dem Abstand vom jeweiligen Straßennetz-Ort 01, 02 linear abnehmende Wichtung der benachbarten Dichten p vorgenommen werden.
Der Verlauf des Mittelwertes p und der Standardabweichung a entlang der Abschnittskette 10 ist im oberen Teil der Figur 2 ergänzend zum Verlauf der Dichte p eingezeichnet.
Anhand des Mittelwertes p^ und der Standardabweichung wird jedem der Dichtewerte pt ein normierter Dichtewert oder Z-Wert Z zugeordnet: Mit anderen Worten: der jeweilige Dichtewert pt von Ereignisbeschreibungen wird einer statistischen Z-Standardisierung unterzogen, die auf seinen Einflussbereich (seine Bandbreite) beschränkt wird. Innerhalb dieser Bandbreite ist der jeweils ermittelte Z- Wert Z mittelwertfrei und kann eine Standardabweichung a von 1 aufweisen. Dadurch werden Z-Werte Z auch dann gut vergleichbar, wenn sie für Straßenabschnitte mit verschiedenen Bedingungen (insbesondere mit verschiedenen Verkehrsdichten) ermittelt wurden.
In Figur 2 ist im mittleren Bereich der Verlauf des Z- Wertes Z entlang einer Abschnittskette 10 in Abhängigkeit von der Streckenlänge L dargestellt.
Anhand des Z-Wertes Z können Peakregionen R1, R2, R3 als statistisch auffällige Bereiche einer Abschnittskette 10 besonders leicht ermittelt werden. Beispielsweise kann eine Peakregion R1 , R2, R3 als ein zusammenhängender Bereich entlang der Abschnittskette 10 identifiziert werden, in dem der Z- Wert Z einen vorbestimmten Schwellwert 6 überschreitet.
Beispielhaft ist im mittleren Bereich von Figur 2 ein Schwellwert 0 = 1 eingezeichnet. Mit anderen Worten: die Überschreitung dieses Schwellwertes 0 = 1 zeigt an, dass der Dichtewert p sich um mehr als die (gleitende) Standardabweichung a von dem (gleitenden) Mittelwert p entfernt hat. Es können jedoch auch andere Schwellwerte 0 verwendet werden.
Anhand einer derart ermittelten Schwellwertüberschreitung kann der Verlauf des Z- Wertes Z in einen binären Scoring-Wert S transformiert werden:
5 > rl für Zt > 0 1 to sonst
Im unteren Bereich von Figur 2 ist beispielhaft (für 0 = 1) der Verlauf des Scoring- Wertes S entlang der Abschnittskette 10 dargestellt. Anhand des Scoring-Wertes S werden eine erste bis dritte Peakregion R1 , R2, R3 ermittelt.
Einer Peakregion R1 , R2, R3 wird erfindungsgemäß zugeordnet: der Identifikator der jeweiligen Abschnittskette 10 (vorliegend beispielhaft die Zeichenkette „#2“), der Peakbeginn Lmin als der dem Startpunkt 11 nächstgelegene Punkt der Peakregion R1, R2, R3 sowie das Peakende Lmax als der vom Startpunkt 11 am weitesten entfernte Punkt der Peakregion R1, R2, R3.
Zur verbesserten Übersichtlichkeit sind der Peakbeginn Lmin und das Peakende Lmax in Figur 2 nur für die zweite Peakregion R2 gekennzeichnet.
Ferner können einer Peakregion R1 , R2, R3 eine explizite Länge und/oder ein Maximalwert und/oder eine geometrische Beschreibung zugeordnet sein. Die Länge gibt den Abstand zwischen dem Peakbeginn Lmin und dem Peakende Lmax an. Der Maximalwert gibt den höchsten Wert der Dichte p und/oder den höchsten Z-Wert Z in der Peakregion R1 , R2, R3 an. Die geometrische Beschreibung gibt die Anordnung und Lage der Peakregion R1 , R2, R3 in dem Geokoordinatensystem an, beispielsweise nach Längengrad und Breitengrad des Mittelpunkts der Peakregion R1, R2, R3.
Figur 3 zeigt in einem vereinfachten Geokoordinatensystem schematisch den Verlauf einer Abschnittskette 10 mit mehreren, über Kreuzungen, Einmündungen, Ausfahrten, Auffahrten und ähnliche Knoten verbundenen Straßenabschnitten. Beidseits der Abschnittskette 10 ist auf der in einer Fahrtrichtung 11, I2 jeweils rechten Seite ein Z- Verlauf Z1 , Z2 von Z-Werten Z durch zur Abschnittskette 10 senkrechte Markierungen M angegeben.
Die Längen der dem ersten Z-Verlauf Z1 zugeordneten senkrechten Markierungen M geben ortsabhängig variierende Z-Werte Z an, die zu einer ersten Fahrtrichtung 11 korrespondierend erfasst wurden. Dementsprechend geben die Längen der dem zweiten Z-Verlauf Z2 zugeordneten senkrechten Markierungen M Z-Werte Z an, die von Fahrzeugen erfasst wurden, die sich in der entgegengesetzten zweiten Fahrtrichtung I2 bewegten.
Zusätzlich zu der anhand von Figur 2 erläuterten Bestimmung von Peakregionen R1 , R2, R3 anhand der Überschreitung eines Schwellwertes 6 ermöglicht eine Darstellung nach Figur 3 eine besonders übersichtliche Darstellung von Streckenabschnitten mit erhöhtem Aufkommen von Ereignisbeschreibungen.

Claims

Patentansprüche
1. Verfahren zur Bestimmung eines Indikatorwertes (Z) zur statistischen
Charakterisierung von ortsbezogen durch mindestens ein Fahrzeug erfassten
Ereignisbeschreibungen, dadurch gekennzeichnet, dass basierend auf einer Straßen- oder Navigationskarte diejenigen zu- und abflussfreien Straßenabschnitte identifiziert werden, deren Abschnittslänge gleich oder größer als eine vorbestimmte Mindestabschnittslänge ist, aneinander angrenzende identifizierte Straßenabschnitte zu jeweils einer Abschnittskette (10) mit einem Startpunkt (11) und einem Endpunkt (12) verbunden werden,
Ereignisbeschreibungen umfassend eine Geoposition (P1 , P2) sowie mindestens einen Parameter eines Fahrzeug-Umgebungsmodells von Fahrzeugen erfasst und an ein Analysesystem übermittelt werden, von dem Analysesystem einer Geoposition (P1, P2) einer Ereignisbeschreibung jeweils ein nächstgelegener Straßennetz-Ort (01, 02) einer Abschnittskette (10) zugeordnet und durch einen Längsabstand (L, L1 , L2) bezogen auf den
Startpunkt (11) der Abschnittskette (10) beschrieben wird, für mindestens eine Abschnittskette (10) ein auf den Längsabstand (L, L1 , L2) zum Startpunkt (11) bezogener Verlauf eines Dichtewertes (p) von Ereignisbeschreibungen mittels eines Kerndichteschätzers mit einer vorbestimmten Bandbreite ermittelt wird, der Verlauf des Dichtewertes (p) mit einer auf die Bandbreite bezogenen lokalen Z-Standardisierung in einen Z-Verlauf (Z1, Z2) eines Z-Wertes (Z) transformiert wird, der bezogen auf die Bandbreite mittelwertfrei ist.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die vorbestimmte Mindestabschnittslänge so gewählt wird, dass die mindestens eine Abschnittskette (10) ausschließlich oder überwiegend aus Straßenabschnitten gebildet wird, die einer Autobahn oder einer Schnellstraße zugeordnet sind.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Fahrzeug-Umgebungsmodell eine statische Fahrzeugumgebung und eine dynamische Fahrzeugumgebung fusioniert.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass jeweils ein Bereich von entlang einer Abschnittskette (10) zwischen einem Peakbeginn (Lmin) und einem Peakende (Lmax) zusammenhängenden Straßennetz-Orten (01, 02), an denen der Z-Wert (Z) einen vorbestimmten Schwellwert (0), bevorzugt den Wert 1, überschreitet, als eine Peakregion (R1, R2, R3) identifiziert wird.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass einer Peakregion (R1 , R2, R3) jeweils ein Identifikator der jeweiligen Abschnittskette (10), ein Längsabstand (L, L1 , L2) des Peakbeginns (Lmin) zum Startpunkt (11) der jeweiligen Abschnittskette (10) sowie ein
Längsabstand (L, L1 , L2) des Peakendes (Lmax) zum Endpunkt (12) der jeweiligen Abschnittskette (10), ein Maximalwert aller Z-Werte (Z) innerhalb der Peakregion (R1, R2, R3) sowie eine Beschreibung der Geometrie der Peakregion (R1, R2, R3) zugeordnet werden.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Fahrzeug-Umgebungsmodell mindestens ein mittels Fahrzeug-Sensoren erfasstes Objekt und/oder einen Parameter umfasst und eine Ereignisbeschreibung basierend auf einem Trigger erstellt und an das Analysesystem übertragen wird, wobei der Trigger ein anhand des Fahrzeug-Umgebungsmodells als betrachtenswert identifiziertes Ereignis markiert.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass der Trigger eine Warnung und/oder einen Eingriff eines Fahrassistenzsystems markiert.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mindestens einer Ereignisbeschreibung eine aus einer Liste von Ereignisklassen ausgewählte Ereignisklasse zugeordnet wird und für die Bestimmung der Dichte (p) nur Ereignisbeschreibungen einer oder einer Mehrzahl von Ereignisklassen berücksichtigt werden.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Ereignisbeschreibung eine auf die von ihrem Startpunkt (11) zu ihrem Endpunkt (12) weisende Richtung einer Abschnittskette (10) bezogene Fahrtrichtung (11, I2) umfasst und für die Bestimmung der Dichte (p) nur Ereignisbeschreibungen gleicher Fahrtrichtung (11, I2) berücksichtigt werden.
10. Verfahren nach einem der vorhergehenden Ansprüche dadurch gekennzeichnet, dass an Straßennetz-Orten 01, 02) entlang mindestens einer Abschnittskette (10) ermittelte Z-Werte (Z) durch senkrecht zur Abschnittskette (10) verlaufende Markierungen (M) visualisiert werden, deren Länge proportional zum jeweiligen Z- Wert (Z) gewählt wird.
EP24749208.5A 2023-10-02 2024-07-26 Verfahren zur bestimmung eines indikatorwertes zur statistischen charakterisierung ortsbezogen von fahrzeugen erfassten ereignisbeschreibungen Pending EP4555275A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023003976.4A DE102023003976B3 (de) 2023-10-02 2023-10-02 Verfahren zur Bestimmung eines lndikatorwertes zur statistischen Charakterisierung ortsbezogen von Fahrzeugen erfassten Ereignisbeschreibungen
PCT/EP2024/071322 WO2025073397A1 (de) 2023-10-02 2024-07-26 Verfahren zur bestimmung eines indikatorwertes zur statistischen charakterisierung ortsbezogen von fahrzeugen erfassten ereignisbeschreibungen

Publications (1)

Publication Number Publication Date
EP4555275A1 true EP4555275A1 (de) 2025-05-21

Family

ID=92172054

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24749208.5A Pending EP4555275A1 (de) 2023-10-02 2024-07-26 Verfahren zur bestimmung eines indikatorwertes zur statistischen charakterisierung ortsbezogen von fahrzeugen erfassten ereignisbeschreibungen

Country Status (3)

Country Link
EP (1) EP4555275A1 (de)
DE (1) DE102023003976B3 (de)
WO (1) WO2025073397A1 (de)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019000630A1 (de) 2019-01-29 2019-06-13 Daimler Ag Verfahren und Vorrichtung zur Geolokalisierung von Grundursachen von durch ein Fahrzeug erfassten Ereignissen
DE102019215587A1 (de) 2019-10-10 2021-04-15 Continental Automotive Gmbh Verfahren zum Berechnen von relativen positiven oder negativen Beschleunigungen mittels Crowdsourcing
DE102020108531A1 (de) 2020-03-27 2020-08-20 Daimler Ag Verfahren zur Identifizierung potentieller Gefahrenstellen
US11587441B1 (en) 2021-09-30 2023-02-21 Lytx, Inc. Location risk determination and ranking based on vehicle events and/or an accident database
DE102022105919A1 (de) 2022-03-14 2023-09-14 Initiative für sichere Straßen GmbH Verfahren und Systeme zur Früherkennung und Bewertung von strukturellen Gefahrenstellen im Straßenverkehr

Also Published As

Publication number Publication date
WO2025073397A1 (de) 2025-04-10
DE102023003976B3 (de) 2025-01-30

Similar Documents

Publication Publication Date Title
DE112014004990B4 (de) Verfahren zum Erzeugen exakter Fahrspurebenen-Karten
EP2826031B1 (de) Verfahren zur stauerkennung mittels einer drahtlosen fahrzeug-zu-fahrzeug-kommunikation
DE102018211941B4 (de) Verfahren zum Ermitteln einer Kreuzungstopologie einer Straßenkreuzung
DE102015116882A1 (de) Verbindungswahrscheinlichkeitsmodellbildung und Folgerung der Kreuzungsstruktur
EP3298537B1 (de) Verfahren zur ermittlung einer beschreibung eines fahrstreifens
DE102016209242B4 (de) Einheiteneinstellvorrichtung und einheiteneinstellverfahren
DE102008003039A1 (de) Verfahren zur Verkehrszustandsbestimmung in einem Fahrzeug
DE112011103239B4 (de) Systeme und Verfahren zum Abschätzen des örtlichen Verkehrsflusses
DE102022134753A1 (de) Straßenkartenerstellsystem und Verfahren zur Nutzung
DE102018202970A1 (de) Verfahren zum Ermitteln einer topologischen Information einer Straßenkreuzung
DE102022135002A1 (de) Straßenkartenerzeugungssystem und Verfahren zur Verwendung
DE102014212866A1 (de) Verfahren zum Ermitteln eines Parkplatzes aus einer Anzahl von Messpunkten
DE102008025707B4 (de) Verfahren und Vorrichtung zum Bestimmen einer Verkehrsführungsinformation für ein Fahrzeug
DE102015225577A1 (de) Verbessertes Verfahren zum Ermitteln der Randbebauung einer Fahrbahn für die Lokalisierung von Kraftfahrzeugen
DE102019211098A1 (de) Verfahren, Vorrichtung und Computerprogramm zum Bestimmen einer Ampelphase einer Ampel einer Ampelanlage
DE102008021380A1 (de) Verfahren und Vorrichtung zum Vorhersagen eines Verlaufs einer Fahrbahn und Fahrerassistenzsystem
DE102022210507A1 (de) Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt
DE102019211100A1 (de) Verfahren, Vorrichtung und Computerprogramm zum Aufbereiten von Daten über eine Ampelanlage
DE102023003976B3 (de) Verfahren zur Bestimmung eines lndikatorwertes zur statistischen Charakterisierung ortsbezogen von Fahrzeugen erfassten Ereignisbeschreibungen
DE102014011851B4 (de) Konzept zur Erkennung einer Falschfahrt
DE102024002875A1 (de) Verfahren zur Bestimmung sicherheitskritisch relevanter Regionen entlang autobahnähnlicher Straßen
DE102020112482A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Position eines Fahrzeugs in einem Straßennetzwerk
DE102022002768A1 (de) System und Verfahren für die Spulokalisierung eines Fahrzeugs
DE102017100871A1 (de) Ermittlung eines Maßes für eine lokale Verkehrsdichte durch ein Fahrerassistenzsystem eines Kraftfahrzeugs
DE102022109659A1 (de) Schätzung der lateraldynamik von fahrzeugen anhand von telemetriedaten

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: 20250115

AK Designated contracting states

Kind code of ref document: A1

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

RIN1 Information on inventor provided before grant (corrected)

Inventor name: BOEHLING, TOM

Inventor name: ERZ, TRISTAN

Inventor name: HIPP, JOCHEN

Inventor name: BLUME, PATRICK

Inventor name: DELWIG, MILES FREDERICK