EP4594149A1 - Verfahren zum vorhersagen einer trajektorie eines fahrzeugs - Google Patents

Verfahren zum vorhersagen einer trajektorie eines fahrzeugs

Info

Publication number
EP4594149A1
EP4594149A1 EP23776628.2A EP23776628A EP4594149A1 EP 4594149 A1 EP4594149 A1 EP 4594149A1 EP 23776628 A EP23776628 A EP 23776628A EP 4594149 A1 EP4594149 A1 EP 4594149A1
Authority
EP
European Patent Office
Prior art keywords
vehicle
determined
trajectories
trajectory
paths
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
EP23776628.2A
Other languages
English (en)
French (fr)
Inventor
Silas Klug
Alessandro Moia
Fabian Immel
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP4594149A1 publication Critical patent/EP4594149A1/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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G07C5/04—Registering or indicating driving, working, idle, or waiting time only using counting means or digital clocks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • 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
    • B60W2300/00—Indexing codes relating to the type of vehicle
    • B60W2300/36—Cycles; Motorcycles; Scooters
    • 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
    • B60W2556/40—High definition maps
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/10—Road Vehicles
    • B60Y2200/13—Bicycles; Tricycles

Definitions

  • the invention relates to a method for predicting a trajectory of a vehicle, in particular a single-track vehicle such as an eBike.
  • the invention further relates to a vehicle, in particular a single-track vehicle such as an eBike, designed to predict a trajectory of the vehicle.
  • a vehicle in particular a single-track vehicle such as an eBike, designed to predict a trajectory of the vehicle.
  • vehicles send their expected trajectory to other road users so that they can adapt their own trajectory based on this.
  • the vehicles estimate their trajectory, for example based on the current speed or the orientation of the vehicle. It is also possible for the vehicles to use their own trajectory to estimate whether they are on a collision course with another road user and can issue appropriate warnings to a driver.
  • the trajectory is estimated using a kinematic model in conjunction with sensor data.
  • the short-term trajectory of the vehicle can be estimated correctly with a high degree of probability.
  • Medium-term trajectories are primarily based on the intention of the driver, for example the route he wants to take. This cannot be determined from the condition of the vehicle alone.
  • the present invention provides a method for predicting a trajectory of a vehicle, in particular a single-track vehicle such as an eBike, comprising the steps:
  • a kinematic trajectory of the vehicle and/or a state of the vehicle based on at least one of the variables linear acceleration, angular acceleration, yaw rate, speed, direction, orientation, position, driver cadence, vehicle drive torque, driver drive torque,
  • the present invention provides a vehicle, in particular a single-track vehicle such as an eBike, designed to predict a trajectory of the vehicle, comprising: a receiving device designed to receive map information from a predeterminable area around the current position of the vehicle, a first determination device designed to determine a road network based on the received map information, a second determination device, designed to determine one or more possible paths of the vehicle based on the determined road network, a first determination device, designed to determine a kinematic trajectory of the vehicle and/or a state of the vehicle based on at least one of the variables linear acceleration, angular acceleration, yaw rate, speed, direction, orientation, position, driver cadence, drive torque of the vehicle, driver torque, a second determination device, designed to determine one or more possible trajectories of the vehicle based on the one or more determined paths, and an estimation device, designed to estimate at least one probability that the one or more possible trajectories are followed by the vehicle, by means of the determined kinematic trajectory and/
  • One of the advantages achieved is that even longer trajectories of the vehicle can be predicted with a high degree of probability.
  • Another advantage is that the map information can be combined with the kinematic trajectory in order to reliably determine trajectories.
  • trajectory is to be understood in the broadest sense and, particularly in the claims, preferably in the description, refers to an expected route along which the vehicle will move.
  • a trajectory includes a number of waypoints with associated times, it being assumed that the vehicle will be at the respective waypoints at the times.
  • trajectory is to be understood in the broadest sense and refers, particularly in the claims, preferably in the description, to a trajectory that only depends on the current state of the vehicle - i.e. on physical quantities that describe the driving state of the vehicle -, for example the speed, the yaw rate and the acceleration of the vehicle. Environmental influences such as the course of the road on which the vehicle is located are not taken into account.
  • linear acceleration is to be understood in the broadest sense and refers, particularly in the claims, preferably in the description, to an acceleration parallel to the direction of travel of the vehicle.
  • At least one of the variables speed, linear acceleration, angular acceleration, direction, yaw rate, position, drive torque, driver torque, position, orientation of the vehicle is used to determine the one or more possible paths.
  • the possible paths determined can be determined more precisely. For example, the possible paths determined cannot have any tight curves if the speed of the vehicle is high.
  • the at least one probability is estimated based on a cross-correlation of the possible trajectories with the kinematic trajectory.
  • a cross-correlation here is a comparison of two trajectories in order to identify similar trajectories, in particular a correlation between the two trajectories is determined. Those trajectories that are similar to the kinematic trajectory are more likely to actually be driven by the vehicle. This connection can be determined using cross-correlation and the probability can be estimated more precisely.
  • the one or more possible trajectories include the kinematic trajectory.
  • a possible trajectory can be the kinematic trajectory, for example if the driver does not drive along a road but through a field. In this way, a larger number of possible trajectories can be determined.
  • the one or more trajectories are determined based on physical boundary conditions. Possible physical boundary conditions are, for example, a turning circle that is too small or an acceleration that is too high. In this way, the trajectories can be made plausible so that physically implausible trajectories are not determined or the specific trajectories are physically possible.
  • the one or more trajectories are determined based on the kinematic trajectory. This improves the accuracy of the trajectories because the current status of the vehicle is taken into account. For example, this can be used to estimate the times at which the vehicle will be at waypoints along the trajectory.
  • the one or more paths are determined using parametrically modeled curves, in particular Bezier curves.
  • Roads can have sharp corners, bends or edges in their course, so that the road network also has corresponding corners, bends or edges.
  • determined paths within the road network could also have corners or the like, for example when a path is determined where the vehicle turns.
  • Bezier curves can be used so that the determined paths reflect the real course more realistically. As a result, the determined paths have a smaller deviation from the physically possible trajectories of the vehicle.
  • the one or more trajectories are determined using a machine learning model and/or the probabilities are estimated using the machine learning model.
  • Medium-term trajectories in particular depend particularly on the driver's intentions.
  • the driver's intention may depend on the road network, for example he may turn at an intersection. To do this, he would brake the vehicle and possibly change the direction of the vehicle slightly.
  • this connection can be recognized and the machine learning model can be trained to calculate expected trajectories based on the road network and the condition of the vehicle.
  • the machine learning model can calculate both the trajectories and the associated probabilities.
  • One advantage of this is that trajectories can be reliably determined.
  • the machine learning model is provided with one or more possible paths and/or a state of the vehicle as an input variable. Based on the possible paths determined by the road network and the state of the vehicle, for example the speed, possible trajectories and associated probabilities can be determined using the machine learning model. This enables the machine learning model to determine possible trajectories in an effective manner. It is also possible for the kinematic trajectory to be provided to the machine learning model as an input variable, either in addition to or as an alternative to the state of the vehicle.
  • an acceleration and/or yaw rate profile is calculated using the machine learning model.
  • the machine learning model can have an acceleration and/or yaw rate profile as an output variable.
  • An acceleration and/or yaw rate profile includes expected accelerations and/or yaw rates of the vehicle at several future times. Based on these variables, possible trajectories can be determined.
  • One advantage of this is that the possible trajectories can be easily determined.
  • the one or more trajectories are determined based on the acceleration and/or yaw rate profile and a kinematic model.
  • the kinematic model can, for example, include physical boundaries so that the possible trajectories can be driven realistically.
  • an initial yaw rate can be used to calculate the possible trajectories.
  • Figure 2 A road network with trajectories according to an embodiment of the present invention
  • Figure 3 A system of a machine learning model according to an embodiment of the present invention.
  • FIG. 4 A vehicle according to an embodiment of the present invention.
  • Figure 1 shows in schematic form steps of a method according to an embodiment of the present invention.
  • Figure 1 describes steps of a method for predicting a trajectory of a vehicle.
  • the vehicle receives map information from a predeterminable area around the current position of the vehicle.
  • the map information can be stored in the vehicle or provided via a mobile radio interface, for example. Since the trajectory of the vehicle is only predicted for a few seconds, a local section of the map around the current position of the vehicle can be used, for example a radius of 50 meters.
  • the current position of the vehicle can be determined using a GPS receiver, for example.
  • the map information may include additional irrelevant data, such as marked buildings. Therefore, in a second step S2, a road network is determined based on the map information obtained.
  • the road network includes in particular information about the course of the roads in the vicinity of the vehicle, as well as possibly the width of the roads.
  • one or more possible paths of the vehicle are determined in a third step S3.
  • the paths describe possible routes that the vehicle can travel. For example, the vehicle could turn at an intersection or continue straight ahead.
  • the condition of the vehicle can be used to determine the paths. For example, in a curve, a radius of the trajectory can be increased if the speed of the vehicle is high. Streets usually meet at an angle. Accordingly, paths determined in the road network could also be angular. In reality, such an angled path cannot be driven by a vehicle. Therefore, the paths can be determined using Bezier curves so that the paths do not have any sharp angles.
  • a kinematic trajectory of the vehicle and/or a state of the vehicle is determined based on at least one of the variables linear acceleration, angular acceleration, yaw rate, speed, direction, orientation, position, driver cadence, drive torque of the vehicle, driver drive torque.
  • the kinematic trajectory corresponds to the trajectory of the vehicle that it would travel through if it were to continue driving in accordance with the current state, for example with the same speed or the same direction.
  • a fifth step S5 one or more possible trajectories of the vehicle are determined based on the one or more determined paths.
  • the determined paths can be combined with the kinematic trajectory. In this way, it can be determined at which times the vehicle will be at waypoints on the path. It is also possible for the paths to be adjusted based on the kinematic trajectory in order to obtain the possible trajectories. In addition, the trajectories can be adjusted with respect to physical restrictions, for example a maximum speed in a curve. It is also possible for the possible trajectories to be determined using a machine learning model. In this way, a group of possible trajectories is obtained, with the kinematic trajectory also being part of the group.
  • the possible paths and/or the possible trajectories can be determined using a Kalman filter.
  • a sixth step S6 at least one probability that the vehicle follows the one or more possible trajectories is estimated by means of the determined kinematic trajectory and/or the determined state.
  • the probabilities that the vehicle travels along a certain trajectory can be estimated.
  • Figure 2 shows in schematic form a road network with trajectories according to an embodiment of the present invention.
  • the road network 201 shows the course of the roads. Starting from the starting point 202 of the vehicle, three trajectories are determined. The two possible trajectories 203, 203' are determined using Bezier curves and the state of the vehicle, for example the speed, yaw rate, position and direction of the vehicle, with the starting point of the vehicle being the starting point of the Bezier curves.
  • the kinematic trajectory 204 shows the expected course of the vehicle if the road network is not taken into account. From a correlation of the kinematic trajectory 204 with the possible trajectories 203, 203', the probabilities that the vehicle will follow the possible trajectories 203, 203' can be calculated.
  • the actual trajectory 205 of the vehicle is similar to the possible trajectory 203. The vehicle has thus approximately followed one of the possible trajectories 203, 203'.
  • Figure 3 shows in schematic form a system of a machine learning model according to an embodiment of the present invention.
  • the input 301 of the system includes a set of possible paths that a vehicle can take and the state of the vehicle.
  • the possible paths can be determined, for example, according to step S3 according to FIG. 1 and the state can be determined, for example, according to step S4 according to FIG.
  • a kinematic trajectory can also be used.
  • the possible paths are encoded so that they can be used as input variables for the neural network 304.
  • the state of the Vehicle converted by a state encoder 303 into an input variable for the neural network 304.
  • the neural network 304 calculates a future acceleration and/or yaw rate profile and/or yaw rate deviation profile 305. Based on this, a group of possible trajectories 307 is calculated using a kinematic model 306 and taking into account an initial yaw rate 309 and the possible paths.
  • the kinematic model 306 includes in particular physical boundary conditions of the vehicle, for example a maximum speed or a minimum turning circle, so that the group of calculated trajectories 307 is realistic.
  • the deviation of the group of trajectories 306 from the possible paths 310 can be reduced by the kinematic model 306.
  • the neural network 304 may have been trained based on routes driven.
  • the neural network 304 can also be used to calculate a group of probabilities 308 that the vehicle is traveling along the respective trajectories.
  • Figure 4 shows in schematic form a vehicle according to an embodiment of the present invention.
  • the vehicle 1, here in the form of an eBike, is designed to predict a trajectory of the vehicle 1.
  • the vehicle 1 includes: a receiving device 2, designed to receive map information from a predeterminable area around the current position of the vehicle 1, a first determining device 3, designed to determine a road network based on the map information received, a second determining device 4, designed to Determining one or more possible paths of the vehicle 1 based on the determined road network, a first determination device 5, designed to determine a kinematic trajectory of the vehicle 1 and / or a state of the Vehicle 1 based on at least one of the variables linear acceleration, angular acceleration, yaw rate, speed, direction, orientation, position, driver cadence, drive torque of the vehicle 1, driver torque, a second determination device 6, designed to determine one or more possible trajectories of the vehicle 1 based on the one or the plurality of determined paths, and an estimator 7 configured to estimate probabilities that the one or more possible trajectories will be followed by the vehicle 1 using the kinematic
  • the vehicle 1 is particularly designed to carry out steps S1 to S6 according to Figure 1.

Landscapes

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

Abstract

Die Erfindung betrifft ein Verfahren zum Vorhersagen einer Trajektorie eines Fahrzeugs, insbesondere eines einspurigen Fahrzeugs wie ein eBike, umfassend die Schritte: - Erhalten von Karteninformationen von einem vorgebbaren Bereich um die aktuelle Position des Fahrzeugs, - Ermitteln eines Straßennetzwerks basierend auf den erhaltenen Karteninformationen, - Ermitteln von einem oder mehreren möglichen Pfaden des Fahrzeugs anhand des ermittelten Straßennetzwerks, - Bestimmen einer kinematischen Trajektorie des Fahrzeugs und/oder eines Zustands des Fahrzeugs anhand zumindest einer der Größen Linearbeschleunigung, Winkelbeschleunigung, Gierrate, Geschwindigkeit, Richtung, Orientierung, Position, Fahrerkadenz und/oder Antriebsmoment des Fahrzeugs, Fahrerantriebsmoment, - Bestimmen von einer oder mehreren möglichen Trajektorien des Fahrzeugs anhand des einen oder der mehreren bestimmten Pfade, und - Schätzen von zumindest einer Wahrscheinlichkeit, dass der einen oder den mehreren möglichen Trajektorien von dem Fahrzeug gefolgt wird, mittels der bestimmten kinematischen Trajektorie und/oder dem bestimmten Zustand.

Description

Beschreibung
Titel
Verfahren zum Vorhersagen einer Trajektorie eines Fahrzeugs
Die Erfindung betrifft ein Verfahren zum Vorhersagen einer Trajektorie eines Fahrzeugs, insbesondere ein einspuriges Fahrzeug wie ein eBike.
Die Erfindung betrifft weiter ein Fahrzeug, insbesondere ein einspuriges Fahrzeug wie ein eBike, ausgebildet zum Vorhersagen einer Trajektorie des Fahrzeugs.
Obwohl allgemein auf beliebige Fahrzeuge anwendbar, wird die vorliegende Erfindung anhand von eBikes erläutert.
Stand der Technik
Um Kollisionen zu vermeiden ist es bekannt geworden, dass Fahrzeuge ihre erwartete Trajektorie an andere Verkehrsteilnehmer senden, sodass diese davon ausgehend ihre eigene Trajektorie anpassen können. Hierfür schätzen die Fahrzeuge ihre Trajektorie beispielsweise anhand der aktuellen Geschwindigkeit oder der Orientierung des Fahrzeugs ab. Es ist ebenfalls möglich, dass die Fahrzeuge anhand ihrer eigenen Trajektorie abschätzen, ob sie auf Kollisionskurs mit einem anderen Verkehrsteilnehmer sind und entsprechende Warnungen an einen Fahrer ausgeben können.
Es ist ebenfalls bekannt geworden, dass die Trajektorie anhand eines kinematischen Modells in Verbindung mit Sensordaten geschätzt wird. Auf diese Weise kann die kurzfristige Trajektorie des Fahrzeugs mit hoher Wahrscheinlichkeit korrekt geschätzt werden. Mittelfristige Trajektorien basieren primär auf der Intention des Fahrers, beispielsweise dem Weg, den er fahren möchte. Dies kann allein über den Zustand des Fahrzeugs nicht ermittelt werden.
Offenbarung der Erfindung
In einer Ausführungsform stellt die vorliegende Erfindung ein Verfahren zum Vorhersagen einer Trajektorie eines Fahrzeugs bereit, insbesondere eines einspurigen Fahrzeugs wie ein eBike, umfassend die Schritte:
Erhalten von Karteninformationen von einem vorgebbaren Bereich um die aktuelle Position des Fahrzeugs,
Ermitteln eines Straßennetzwerks basierend auf den erhaltenen Karteninformationen,
Ermitteln von einem oder mehreren möglichen Pfaden des Fahrzeugs anhand des ermittelten Straßennetzwerks,
Bestimmen einer kinematischen Trajektorie des Fahrzeugs und/oder eines Zustands des Fahrzeugs anhand zumindest einer der Größen Linearbeschleunigung, Winkelbeschleunigung, Gierrate, Geschwindigkeit, Richtung, Orientierung, Position, Fahrerkadenz, Antriebsmoment des Fahrzeugs, Fahrerantriebsmoment,
Bestimmen von einer oder mehreren möglichen Trajektorien des Fahrzeugs anhand des einen oder der mehreren bestimmten Pfade, und Schätzen von zumindest einer Wahrscheinlichkeit, dass der einen oder den mehreren möglichen Trajektorien von dem Fahrzeug gefolgt wird, mittels der bestimmten kinematischen Trajektorie und/oder dem bestimmten Zustand.
In einer Ausführungsform stellt die vorliegende Erfindung ein Fahrzeug bereit, insbesondere ein einspuriges Fahrzeug wie ein eBike, ausgebildet zum Vorhersagen einer Trajektorie des Fahrzeugs, umfassend: eine Empfangseinrichtung, ausgebildet zum Erhalten von Karteninformationen von einem vorgebbaren Bereich um die aktuelle Position des Fahrzeugs, eine erste Ermittlungseinrichtung, ausgebildet zum Ermitteln eines Straßennetzwerks basierend auf den erhaltenen Karteninformationen, eine zweite Ermittlungseinrichtung, ausgebildet zum Ermitteln von einem oder mehreren möglichen Pfaden des Fahrzeugs anhand des ermittelten Straßennetzwerks, eine erste Bestimmungseinrichtung, ausgebildet zum Bestimmen einer kinematischen Trajektorie des Fahrzeugs und/oder eines Zustands des Fahrzeugs anhand zumindest einer der Größen Linearbeschleunigung, Winkelbeschleunigung, Gierrate, Geschwindigkeit, Richtung, Orientierung, Position, Fahrerkadenz, Antriebsmoment des Fahrzeugs, Fahrermoment, eine zweite Bestimmungseinrichtung, ausgebildet zum Bestimmen von einer oder mehreren möglichen Trajektorien des Fahrzeugs anhand des einen oder der mehreren bestimmten Pfade, und eine Schätzeinrichtung, ausgebildet zum Schätzen von zumindest einer Wahrscheinlichkeit, dass der einen oder den mehreren möglichen Trajektorien von dem Fahrzeug gefolgt wird, mittels der bestimmten kinematischen Trajektorie und/oder dem bestimmten Zustand.
Einer der damit erzielten Vorteile ist, dass auch längere Trajektorien des Fahrzeugs mit hoher Wahrscheinlichkeit vorhergesagt werden können. Ein weiterer Vorteil ist, dass die Karteninformation mit der kinematischen Trajektorie kombiniert werden kann, um zuverlässig Trajektorien bestimmen zu können.
Der Begriff „Trajektorie“ ist im weitesten Sinne zu verstehen und bezieht sich, insbesondere in den Ansprüchen vorzugsweise in der Beschreibung auf eine erwartete Wegstrecke entlang derer das Fahrzeug sich bewegen wird. Insbesondere umfasst eine Trajektorie eine Anzahl an Wegpunkten mit zugehörigen Zeitpunkten, wobei angenommen wird, dass sich das Fahrzeug zu den Zeitpunkten an den jeweiligen Wegpunkten aufhalten wird.
Der Begriff „kinematische Trajektorie“ ist im weitesten Sinne zu verstehen und bezieht sich, insbesondere in den Ansprüchen vorzugsweise in der Beschreibung auf eine Trajektorie, die lediglich vom aktuellen Zustand des Fahrzeugs abhängt - also von physikalischen Größen, die den Fahrzustand des Fahrzeugs beschreiben -, beispielsweise der Geschwindigkeit, der Gierrate und der Beschleunigung des Fahrzeugs. Umwelteinflüsse wie beispielsweise der Verlauf der Straße, auf der sich das Fahrzeug befindet, werden nicht betrachtet.
Der Begriff „Linearbeschleunigung“ ist im weitesten Sinne zu verstehen und bezieht sich, insbesondere in den Ansprüchen vorzugsweise in der Beschreibung auf eine Beschleunigung parallel zur Fahrtrichtung des Fahrzeugs.
Weitere Merkmale, Vorteile und weitere Ausführungsformen der Erfindung sind im Folgenden beschrieben oder werden dadurch offenbar.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden zum Ermitteln des einen oder der mehreren möglichen Pfade zumindest eine der Größen Geschwindigkeit, Linearbeschleunigung, Winkelbeschleunigung, Richtung, Gierrate, Position, Antriebsmoment, Fahrermoment, Position, Orientierung des Fahrzeugs genutzt. Ein Vorteil hiervon ist, dass die ermittelten möglichen Pfade genauer bestimmt werden können. Beispielsweise können die ermittelten möglichen Pfade keine engen Kurven aufweisen, wenn die Geschwindigkeit des Fahrzeugs hoch ist.
Gemäß einer vorteilhaften Weiterbildung der Erfindung wird die zumindest eine Wahrscheinlichkeit anhand einer Kreuzkorrelation der möglichen Trajektorien mit der kinematischen Trajektorie geschätzt. Eine Kreuzkorrelation ist hier ein Vergleich zweier Trajektorien, um ähnliche Verläufe der Trajektorien zu identifizieren, insbesondere wird eine Korrelation zwischen den beiden Verläufen der Trajektorien bestimmt. Diejenigen Trajektorien, die denen der kinematischen Trajektorie ähneln, werden mit höherer Wahrscheinlichkeit tatsächlich von dem Fahrzeug gefahren. Durch eine Kreuzkorrelation kann dieser Zusammenhang bestimmt werden und so die Wahrscheinlichkeit genauer geschätzt werden.
Gemäß einer vorteilhaften Weiterbildung der Erfindung umfassen die eine oder mehreren möglichem Trajektorien die kinematische Trajektorie. Eine mögliche Trajektorie kann die kinematische Trajektorie sein, beispielsweise wenn der Fahrer nicht entlang einer Straße, sondern durch ein Feld fährt. Auf diese Weise können eine größere Anzahl von möglichen Trajektorien bestimmt werden. Gemäß einer vorteilhaften Weiterbildung der Erfindung werden die eine oder mehreren Trajektorien anhand von physikalischen Randbedingungen bestimmt Mögliche physikalische Randbedingungen sind beispielsweise ein zu geringer Wendekreis oder eine zu hohe Beschleunigung. Auf diese Weise können die Trajektorien plausibilisiert werden, sodass physikalisch unplausible Trajektorien nicht bestimmt werden beziehungsweise die bestimmten Trajektorien physikalisch möglich sind.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden die eine oder mehreren Trajektorien basierend auf der kinematischen Trajektorie bestimmt. Hierdurch wird die Genauigkeit der Trajektorien verbessert, da der aktuelle Status des Fahrzeugs miteinbezogen wird. Beispielsweise können hierdurch die Zeitpunkte geschätzt werden, an denen sich das Fahrzeug an Wegpunkten entlang der Trajektorie befinden wird.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden der eine oder die mehreren Pfade mithilfe von parametrisch modellierten Kurven, insbesondere Be- zierkurven, ermittelt. Straßen können scharfe Ecken, Knicke oder Kanten in ihrem Verlauf aufweisen, sodass auch das Straßennetzwerk dementsprechend Ecken, Knicke oder Kanten aufweist. Somit könnten ermittelte Pfade innerhalb des Straßennetzwerks ebenfalls Ecken oder dergleichen aufweisen, beispielsweise wenn ein Pfad bestimmt wird, bei dem Fahrzeug abbiegt. Um diese - unrealistischen - Pfade zu glätten, können Bezierkurven verwendet werden, sodass die ermittelten Pfade den realen Verlauf realistischer wiedergeben. Hierdurch weisen die ermittelten Pfade eine geringere Abweichung von den physikalisch möglichen Trajektorien des Fahrzeugs auf.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden die eine oder mehrere Trajektorien anhand eines Maschinenlernmodells bestimmt und/oder die Wahrscheinlichkeiten werden anhand des Maschinenlernmodells geschätzt. Insbesondere mittelfristige Trajektorien hängen insbesondere von den Absichten des Fahrers ab. Die Absicht des Fahrers kann dabei von dem Straßennetzwerk abhängen, beispielweise kann er an einer Kreuzung abbiegen. Hierfür würde er das Fahrzeug abbremsen und möglicherweise bereits die Richtung des Fahrzeugs leicht verändern. Somit gibt es einen Zusammenhang zwischen dem Straßennetz- werk, dem aktuellen Zustand des Fahrzeugs und der erwarteten Trajektorie. Mittels eines Maschinenlernmodells kann dieser Zusammenhang erkannt werden und somit das Maschinenlernmodell darauf trainiert werden, ausgehend von dem Straßennetzwerk und dem Zustand des Fahrzeugs erwartete Trajektorien zu berechnen. Dabei kann das Maschinenlernmodell sowohl die Trajektorien als auch zugehörige Wahrscheinlichkeiten berechnen. Ein Vorteil hiervon ist, dass Trajektorien zuverlässig ermittelt werden können.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden dem Maschinenlernmodell als Eingangsgröße der eine oder die möglichen Pfade und/oder ein Zustand des Fahrzeugs bereitgestellt. Ausgehend von den durch das Straßennetzwerk ermittelten möglichen Pfaden sowie dem Zustand des Fahrzeugs, beispielsweise der Geschwindigkeit, können mittels des Maschinenlernmodells mögliche Trajektorien und zugehörige Wahrscheinlichkeiten bestimmt werden. Hierdurch kann das Maschinenlernmodell auf effektive Weise mögliche Trajektorien ermitteln. Es ist ebenfalls möglich, dass dem Maschinenlernmodell die kinematische Trajektorie als Eingangsgröße bereitgestellt wird, entweder zusätzlich oder als Alternative zum Zustand des Fahrzeugs.
Gemäß einer vorteilhaften Weiterbildung der Erfindung wird anhand des Maschinenlernmodells ein Beschleunigungs- und/oder Gierratenprofil berechnet. Das Maschinenlernmodell kann als Ausgangsgröße eine Beschleunigungs- und/oder Gierratenprofil aufweisen. Ein Beschleunigungs- und/oder Gierratenprofil beinhaltet erwartete Beschleunigungen und/oder Gierraten des Fahrzeugs zu mehreren zukünftigen Zeitpunkten. Ausgehend von diesen Größen können mögliche Trajektorien ermittelt werden. Ein Vorteil hiervon ist, dass auf einfache Weise die möglichen Trajektorien ermittelt werden können.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden die eine oder mehreren Trajektorien anhand des Beschleunigungs- und/oder Gierratenprofils sowie einem kinematischen Modell bestimmt. Durch das kinematische Modell können beispielsweise physikalische Grenzen miteinbezogen werden, sodass die möglichen Trajektorien realistisch fahrbar sind. Darüber hinaus kann eine initiale Gierrate zur Berechnung der möglichen Trajektorien herangezogen werden. Weitere wichtige Merkmale und Vorteile der Erfindung ergeben sich aus den Unteransprüchen, aus den Zeichnungen und aus der dazugehörigen Figurenbeschreibung. Es versteht sich, dass die vorstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
Bevorzugte Ausführungen und Ausführungsformen der vorliegenden Erfindung sind in den Zeichnungen dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.
Dabei zeigt in schematischer Form
Figur 1 Schritte eines Verfahrens gemäß einer Ausführungsform der vorliegenden Erfindung;
Figur 2 Ein Straßennetzwerk mit Trajektorien gemäß einer Ausführungsform der vorliegenden Erfindung,
Figur 3 Ein System eines Maschinenlernmodells gemäß einer Ausführungsform der vorliegenden Erfindung, und
Figur 4 Ein Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung.
Figur 1 zeigt in schematischer Form Schritte eines Verfahrens gemäß einer Ausführungsform der vorliegenden Erfindung.
In Figur 1 werden Schritte eines Verfahrens zum Vorhersagen einer Trajektorie eines Fahrzeugs beschrieben. In einem ersten Schritt S1 erhält das Fahrzeug Karteninformationen von einem vorgebbaren Bereich um die aktuelle Position des Fahrzeugs. Die Karteninformationen können beispielsweise in dem Fahrzeug gespeichert sein oder über eine Mobilfunk-Schnittstelle bereitgestellt werden. Da die Trajektorie des Fahrzeugs lediglich für einige Sekunden vorhergesagt wird, kann ein lokaler Ausschnitt der Karte um die aktuelle Position des Fahrzeugs genutzt werden, beispielsweise ein Umkreis von 50 Metern. Die aktuelle Position des Fahrzeugs kann beispielsweise mittels eines GPS-Empfängers ermittelt werden.
Die Karteninformationen umfassen möglicherweise zusätzliche irrelevante Daten, wie beispielsweise markierte Gebäude. Deswegen wird in einem zweiten Schritt S2 ein Straßennetzwerk basierend auf den erhaltenen Karteninformationen ermittelt. Das Straßennetzwerk umfasst insbesondere Informationen über den Verlauf der Straßen in der Umgebung des Fahrzeugs, sowie möglicherweise die Breite der Straßen. Ausgehend von dem Straßennetzwerk wird in einem dritten Schritt S3 einer oder mehrere mögliche Pfade des Fahrzeugs ermittelt Die Pfade beschreiben mögliche Strecken, die das Fahrzeug zurücklegen kann. Beispielsweise könnte das Fahrzeug an einer Kreuzung abbiegen oder geradeaus weiterfahren. Zur Ermittlung der Pfade kann beispielsweise der Zustand des Fahrzeugs genutzt werden. Zum Beispiel kann bei einer Kurve ein Radius der Trajektorie vergrößert werden, wenn die Geschwindigkeit des Fahrzeugs hoch ist. Straßen treffen für gewöhnlich winklig aufeinander. Entsprechend könnten in dem Straßennetzwerk ermittelte Pfade ebenfalls winklig ausgebildet sein. Ein solcher winkliger Pfad ist aber in Realität nicht von einem Fahrzeug fahrbar. Deswegen können die Pfade mittels Bezier- Kurven ermittelt werden, sodass die Pfade keine scharfen Winkel aufweisen.
In einem vierten Schritt S4 wird eine kinematische Trajektorie des Fahrzeugs und/oder ein Zustand des Fahrzeugs anhand zumindest einer der Größen Linearbeschleunigung, Winkelbeschleunigung, Gierrate, Geschwindigkeit, Richtung, Orientierung, Position, Fahrerkadenz, Antriebsmoment des Fahrzeugs, Fahrerantriebsmoment, bestimmt. Die kinematische Trajektorie entspricht derjenigen Trajektorie des Fahrzeugs, die es durchfahren würde, wenn es entsprechend dem aktuellen Zustand weiterfahren würde, also beispielsweise mit derselben Geschwindigkeit oder derselben Richtung.
In einem fünften Schritt S5 werden eine oder mehrere mögliche Trajektorien des Fahrzeugs anhand des einen oder der mehreren bestimmten Pfade bestimmt. Zur Bestimmung der möglichen Trajektorien können die ermittelten Pfade mit der kinematischen Trajektorie kombiniert werden. Auf diese Weise kann bestimmt werden, zu welchen Zeitpunkten das Fahrzeug sich an Wegpunkten des Pfades befinden wird. Es ist ebenfalls möglich, dass die Pfade anhand der kinematischen Trajektorie angepasst werden, um so die möglichen Trajektorien zu erhalten. Außerdem können die Trajektorien in Bezug auf physikalische Restriktionen, beispielsweise einer maximalen Geschwindigkeit in einer Kurve angepasst werden. Es ist ebenfalls möglich, dass die möglichen Trajektorien mittels eines Maschinenlernmodells bestimmt werden. Auf diese Weise erhält man eine Gruppe von möglichen Trajektorien, wobei die kinematische Trajektorie zusätzlich Teil der Gruppe ist. Beispielsweise können die möglichen Pfade und/oder die möglichen Trajektorien anhand eines Kalman Filters bestimmt werden. In einem sechsten Schritt S6 wird zumindest eine Wahrscheinlichkeit geschätzt, dass das Fahrzeug der einen oder den mehreren möglichen Trajektorien folgt, mittels der bestimmten kinematischen Trajektorie und/oder dem bestimmten Zustand. Durch eine Kreuzkorrelation der möglichen Trajektorien mit der kinematischen Trajektorie oder anhand des Maschinenlernmodells können die Wahrscheinlichkeiten geschätzt werden, dass das Fahrzeug eine bestimmte Trajektorie entlangfährt.
Figur 2 zeigt in schematische Form ein Straßennetzwerk mit Trajektorien gemäß einer Ausführungsform der vorliegenden Erfindung.
Das Straßennetzwerk 201 zeigt den Verlauf der Straßen an. Ausgehend von dem Startpunkt 202 des Fahrzeugs werden drei Trajektorien bestimmt. Die zwei möglichen Trajektorien 203, 203' werden mittels Bezierkurven und dem Zustand des Fahrzeugs, beispielsweise der Geschwindigkeit, der Gierrate, der Position und der Richtung des Fahrzeugs bestimmt, wobei der Startpunkt des Fahrzeugs der Startpunkt der Bezierkurven ist. Die kinematische Trajektorie 204 zeigt den erwarteten Verlauf des Fahrzeugs, wenn das Straßennetzwerk unberücksichtigt bleibt. Aus einer Korrelation der kinematischen Trajektorie 204 mit den möglichen Trajektorien 203, 203' können die Wahrscheinlichkeiten berechnet werden, dass das Fahrzeug den möglichen Trajektorien 203, 203' folgen wird. Die tatsächliche Trajektorie 205 des Fahrzeugs ähnelt der möglichen Trajektorie 203. Somit ist das Fahrzeug annähernd einer der möglichen Trajektorien 203, 203‘gefolgt.
Figur 3 zeigt in schematischer Form ein System eines Maschinenlernmodells gemäß einer Ausführungsform der vorliegenden Erfindung.
Der Eingang 301 des Systems umfasst eine Gruppe von möglichen Pfaden, den ein Fahrzeug nehmen kann und den Zustand des Fahrzeugs. Die möglichen Pfade können beispielsweise gemäß Schritt S3 nach Figur 1 ermittelt werden und der Zustand kann beispielsweise gemäß Schritt S4 nach Figur 1 ermittelt werden. Es kann auch eine kinematische Trajektorie genutzt werden. Mithilfe eines Pfad-Ko- dierers 302 werden die möglichen Pfade kodiert, sodass sie als Eingangsgröße für das neuronale Netz 304 genutzt werden können. Analog wird der Zustand des Fahrzeugs durch einen Zustand- Kodierer 303 in eine Eingangsgröße für das neuronale Netz 304 umgewandelt.
Das neuronale Netz 304 berechnet ein zukünftiges Beschleunigungs- und/oder Gierratenprofil und/oder Gierratenabweichungsprofil 305. Davon ausgehend wird durch ein kinematisches Modell 306 und unter Berücksichtigung einer initialen Gierrate 309 sowie den möglichen Pfaden eine Gruppe von möglichen Trajektorien 307 berechnet. Das kinematische Modell 306 umfasst insbesondere physikalische Randbedingungen des Fahrzeugs, beispielsweise eine maximale Geschwindigkeit oder ein minimaler Wendekreis, sodass die Gruppe aus berechneten Trajektorien 307 realistisch ist. Außerdem kann durch das kinematische Modell 306 die Abweichung der Gruppe von Trajektorien 306 von den möglichen Pfaden 310 reduziert werden. Das neuronale Netz 304 kann basierend auf gefahrenen Strecken trainiert worden sein.
Durch das neuronale Netz 304 kann des Weiteren eine Gruppe von Wahrscheinlichkeiten 308, dass das Fahrzeug entlang der jeweiligen Trajektorien fährt, berechnet werden.
Figur 4 zeigt in schematischer Form ein Fahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung.
Das Fahrzeug 1 , hier in Form eines eBikes, ist ausgebildet eine Trajektorie des Fahrzeugs 1 vorzusagen. Hierfür umfasst das Fahrzeug 1 : eine Empfangseinrichtung 2, ausgebildet zum Erhalten von Karteninformationen von einem vorgebbaren Bereich um die aktuelle Position des Fahrzeugs 1 , eine erste Ermittlungseinrichtung 3, ausgebildet zum Ermitteln eines Straßennetzwerks basierend auf den erhaltenen Karteninformationen, eine zweite Ermittlungseinrichtung 4, ausgebildet zum Ermitteln von einem oder mehreren möglichen Pfaden des Fahrzeugs 1 anhand des ermittelten Straßennetzwerks, eine erste Bestimmungseinrichtung 5, ausgebildet zum Bestimmen einer kinematischen Trajektorie des Fahrzeugs 1 und/oder eines Zustands des Fahrzeugs 1 anhand zumindest einer der Größen Linearbeschleunigung, Winkelbeschleunigung, Gierrate, Geschwindigkeit, Richtung, Orientierung, Position, Fahrerkadenz, Antriebsmoment des Fahrzeugs 1 , Fahrermoment, eine zweite Bestimmungseinrichtung 6, ausgebildet zum Bestimmen von einer oder mehreren möglichen Trajektorien des Fahrzeugs 1 anhand des einen oder der mehreren bestimmten Pfade, und eine Schätzeinrichtung 7, ausgebildet zum Schätzen von Wahrscheinlichkeiten, dass der einen oder den mehreren möglichen Trajektorien von dem Fahrzeug 1 gefolgt wird, mittels der kinematischen Trajektorie und/oder dem Zustand.
Das Fahrzeug 1 ist insbesondere ausgebildet, die Schritte S1 bis S6 gemäß Figur 1 durchzuführen.
Obwohl die vorliegende Erfindung anhand bevorzugter Ausführungsbeispiele beschrieben wurde, ist sie nicht darauf beschränkt, sondern auf vielfältige Weise modifizierbar

Claims

Ansprüche
1 . Verfahren zum Vorhersagen einer Trajektorie eines Fahrzeugs (1), insbesondere eines einspurigen Fahrzeugs (1) wie ein eBike, umfassend die Schritte:
Erhalten (S1) von Karteninformationen von einem vorgebbaren Bereich um die aktuelle Position des Fahrzeugs (1),
Ermitteln (S2) eines Straßennetzwerks (201 basierend auf den erhaltenen Karteninformationen,
Ermitteln (S3) von einem oder mehreren möglichen Pfaden des Fahrzeugs (1) anhand des ermittelten Straßennetzwerks,
Bestimmen (S4) einer kinematischen Trajektorie (204) des Fahrzeugs (1) und/oder eines Zustands des Fahrzeugs (1) anhand zumindest einer der Größen Linearbeschleunigung, Winkelbeschleunigung, Gierrate, Geschwindigkeit, Richtung, Orientierung, Position, Fahrerkadenz und/oder Antriebsmoment des Fahrzeugs (1), Fahrerantriebsmoment,
Bestimmen (S5) von einer oder mehreren möglichen Trajektorien (203, 203') des Fahrzeugs (1) anhand des einen oder der mehreren bestimmten Pfade, und
Schätzen (S6) von zumindest einer Wahrscheinlichkeit, dass der einen oder den mehreren möglichen Trajektorien (203, 203') von dem Fahrzeug (1) gefolgt wird, mittels der bestimmten kinematischen Trajektorie (204) und/oder dem bestimmten Zustand.
2. Verfahren gemäß Anspruch 1 , wobei zum Ermitteln des einen oder der mehreren möglichen Pfade zumindest eine der Größen Geschwindigkeit, Linearbeschleunigung, Winkelbeschleunigung, Richtung, Gierrate, Position, Antriebsmoment, Fahrermoment, Position, Orientierung des Fahrzeugs (1) genutzt werden. Verfahren gemäß einem der Ansprüche 1 -2, wobei die zumindest eine Wahrscheinlichkeit anhand einer Kreuzkorrelation der möglichen Trajek- torien (203, 203') mit der kinematischen Trajektorie (204) geschätzt wird. Verfahren gemäß einem der Ansprüche 1 -3, wobei die eine oder mehreren möglichem Trajektorien (203, 203') die kinematische Trajektorie (204) umfassen. Verfahren gemäß einem der Ansprüche 1 -4, wobei die eine oder mehreren Trajektorien anhand von physikalischen Randbedingungen bestimmt werden. Verfahren gemäß einem der Ansprüche 3-5, wobei die eine oder mehreren Trajektorien basierend auf der kinematischen Trajektorie (204) bestimmt werden. Verfahren gemäß einem der Ansprüche 1 -6, wobei der eine oder die mehreren Pfade mithilfe von parametrisch modellierten Kurven, insbesondere Bezierkurven, ermittelt werden. Verfahren gemäß einem der Ansprüche 1 bis 7, wobei die eine oder mehrere Trajektorien anhand eines Maschinenlernmodells (304) bestimmt werden und/oder die Wahrscheinlichkeiten anhand des Maschinenlernmodells (304) geschätzt werden. Verfahren gemäß Anspruch 8, wobei dem Maschinenlernmodell (304) als Eingangsgröße den einen oder die möglichen Pfade und/oder ein Zustand des Fahrzeugs (1) bereitgestellt werden. Verfahren gemäß einem der Ansprüche 8-9, wobei anhand des Maschinenlernmodells (304) ein Beschleunigungs- und/oder Gierratenprofil berechnet wird. Verfahren gemäß Anspruch 10, wobei die eine oder mehreren Trajekto- rien anhand des Beschleunigungs- und/oder Gierratenprofil (305) sowie einem kinematischen Modell (306) bestimmt werden. Fahrzeug (1), insbesondere ein einspuriges Fahrzeug (1) wie ein eBike, ausgebildet zum Vorhersagen einer Trajektorie des Fahrzeugs (1), umfassend: eine Empfangseinrichtung (2), ausgebildet zum Erhalten von Karteninformationen von einem vorgebbaren Bereich um die aktuelle Position des Fahrzeugs (1), eine erste Ermittlungseinrichtung (3), ausgebildet zum Ermitteln eines Straßennetzwerks (201) basierend auf den erhaltenen Karteninformationen, eine zweite Ermittlungseinrichtung (4), ausgebildet zum Ermitteln von einem oder mehreren möglichen Pfaden des Fahrzeugs (1) anhand des ermittelten Straßennetzwerks, eine erste Bestimmungseinrichtung (5), ausgebildet zum Bestimmen einer kinematischen Trajektorie (204) des Fahrzeugs (1) und/oder eines Zustands des Fahrzeugs (1) anhand zumindest einer der Größen Linearbeschleunigung, Winkelbeschleunigung, Gierrate, Geschwindigkeit, Richtung, Orientierung, Position, Fahrerkadenz, Antriebsmoment des Fahrzeugs (1), Fahrermoment, eine zweite Bestimmungseinrichtung (6), ausgebildet zum Bestimmen von einer oder mehreren möglichen Trajektorien (203, 203') des Fahrzeugs (1) anhand des einen oder der mehreren bestimmten Pfade, und eine Schätzeinrichtung (7), ausgebildet zum Schätzen von zumindest einer Wahrscheinlichkeit, dass der einen oder den mehreren möglichen Trajektorien (203, 203') von dem Fahrzeug (1) gefolgt wird, mittels der bestimmten kinematischen Trajektorie (204) und/oder dem bestimmten Zustand.
EP23776628.2A 2022-09-27 2023-09-22 Verfahren zum vorhersagen einer trajektorie eines fahrzeugs Pending EP4594149A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022210177.4A DE102022210177A1 (de) 2022-09-27 2022-09-27 Verfahren zum Vorhersagen einer Trajektorie eines Fahrzeugs
PCT/EP2023/076289 WO2024068484A1 (de) 2022-09-27 2023-09-22 Verfahren zum vorhersagen einer trajektorie eines fahrzeugs

Publications (1)

Publication Number Publication Date
EP4594149A1 true EP4594149A1 (de) 2025-08-06

Family

ID=88192131

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23776628.2A Pending EP4594149A1 (de) 2022-09-27 2023-09-22 Verfahren zum vorhersagen einer trajektorie eines fahrzeugs

Country Status (4)

Country Link
US (1) US20260098732A1 (de)
EP (1) EP4594149A1 (de)
DE (1) DE102022210177A1 (de)
WO (1) WO2024068484A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119723886B (zh) * 2024-12-27 2025-08-15 华南理工大学 车辆运动预测方法及行车风险预警方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004035571B4 (de) 2004-07-22 2011-11-10 Daimler Ag Vorrichtung und Verfahren zur Fahrzeug-Positionsbestimmung mittels Ortung auf einem Verkehrswegenetz
DE102009047264A1 (de) 2009-11-30 2011-06-01 Robert Bosch Gmbh Verfahren zur Unterstützung eines Fahrers eines Fahrzeugs
DE102010044631B4 (de) * 2010-09-07 2025-10-09 Volkswagen Ag Verfahren zur Bestimmung der Kollisionswahrscheinlichkeit eines Kraftfahrzeugs
DE102013005362A1 (de) * 2013-03-28 2013-10-10 Daimler Ag Verfahren zur Analyse einer Verkehrssituation
DE102013212359A1 (de) 2013-06-27 2014-12-31 Bayerische Motoren Werke Aktiengesellschaft Vorhersage von Fahrpfaden eines Fahrzeugs
US10152875B2 (en) 2017-01-10 2018-12-11 GM Global Technology Operations LLC Systems and methods to detect unexpected electric bicycle events
US11216748B2 (en) * 2018-06-11 2022-01-04 Traxen, Inc. Predictive control techniques for ground vehicles
DE102020201221A1 (de) 2020-01-31 2021-08-05 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Plausibilisierung eines Unfalls

Also Published As

Publication number Publication date
DE102022210177A1 (de) 2024-03-28
WO2024068484A1 (de) 2024-04-04
US20260098732A1 (en) 2026-04-09

Similar Documents

Publication Publication Date Title
DE102013105046B9 (de) Zielspurauswahlverfahren mittels Navigationseingabe in Straßenwechselszenarien
EP3491339B1 (de) Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zur bestimmung der lateralen position eines fahrzeuges relativ zu den fahrstreifen einer fahrbahn
DE112012006226B4 (de) Fahrassistenzvorrichtung
DE102018130457B4 (de) System und Verfahren für Map Matching
DE102017009435B4 (de) Evaluation von Komponenten automatischer Fahrfunktionen und Fahrbahnerkennung auf unterschiedlichen Verarbeitungsstufen
DE102010044631A1 (de) Verfahren zur Bestimmung der Kollisionswahrscheinlichkeit eines Kraftfahrzeugs
DE102016113902A1 (de) Feldbasierte Drehmoment-Lenkregelung
DE102015208790A1 (de) Bestimmen einer Trajektorie für ein Fahrzeug
DE102015207123A1 (de) Fahrassistenzvorrichtung und -verfahren
EP2632784A1 (de) Verfahren und vorrichtung zum bestimmen einer querreglerparametrierung für eine querregelung eines fahrzeugs
DE102017217986B4 (de) Verfahren und vorrichtung zum vorhersagen potenzieller kollisionen, fahrerassistenzsystem und fahrzeug
DE102019217144B4 (de) Ampelspurzuordnung aus Schwarmdaten
EP3279049B1 (de) Steuerungs-system und steuerungs-verfahren zum bestimmen einer fahrbahn
DE102017216202A1 (de) Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße
EP3649522A1 (de) Verfahren zum betreiben eines höher automatisierten fahrzeugs (haf), insbesondere eines hochautomatisierten fahrzeugs
DE102016213783A1 (de) Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Bestimmung der lateralen Position eines Fahrzeugs relativ zu den Fahrstreifen einer Fahrbahn
DE102014217654A1 (de) Verfahren zum Verarbeiten von Messdaten eines Fahrzeuges zur Bestimmungdes Beginns eines Parksuchverkehrs und Computerprogrammprodukt
EP4594149A1 (de) Verfahren zum vorhersagen einer trajektorie eines fahrzeugs
WO2024027885A1 (de) Verfahren und parkassistenzvorrichtung zum dynamischen planen einer parktrajektorie eines fahrzeugs während eines zumindest teilautomatisch vollzogenen parkvorgangs
DE102018112156A1 (de) Informationsanzeigevorrichtung für fahrzeuge
DE102016122200A1 (de) Bilden einer Rettungsgasse unter Berücksichtigung deren Notwendigkeit
DE102022113022A1 (de) Verfahren zum Betreiben eines automatisierten Kraftfahrzeugs, Computerprogramm, Datenverarbeitungsvorrichtung und automatisiertes Kraftfahrzeug
EP4433883A1 (de) Verfahren zur unterstützenden oder automatisierten fahrzeugführung
EP1380021A1 (de) Verfahren zum betrieb eines navigationssystems fur ein fahrzeug
DE102018203064A1 (de) Kollisionsrisiko-Vorhersageeinheit

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: 20250428

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)