EP4673930A1 - Limitierter agentenmodelleinsatz in hybrid-verkehrssimulation mit realtrajektorien - Google Patents

Limitierter agentenmodelleinsatz in hybrid-verkehrssimulation mit realtrajektorien

Info

Publication number
EP4673930A1
EP4673930A1 EP24700960.8A EP24700960A EP4673930A1 EP 4673930 A1 EP4673930 A1 EP 4673930A1 EP 24700960 A EP24700960 A EP 24700960A EP 4673930 A1 EP4673930 A1 EP 4673930A1
Authority
EP
European Patent Office
Prior art keywords
movement data
data
data set
simulation
traffic
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
EP24700960.8A
Other languages
English (en)
French (fr)
Inventor
Sebastian Frank
Ulrich Eberle
Nico Weber
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.)
Stellantis Auto SAS
Original Assignee
Stellantis Auto SAS
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 Stellantis Auto SAS filed Critical Stellantis Auto SAS
Publication of EP4673930A1 publication Critical patent/EP4673930A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
    • G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station

Definitions

  • the invention relates to a method for carrying out a traffic simulation for testing a vehicle component.
  • Automatic driving control systems can, on the one hand, support a human driver of a vehicle in the sense of a driver assistance system, but in the future they will become significantly more important for highly automated and autonomous vehicles.
  • Such automatic driving control systems intervene more or less in the driving control of a vehicle depending on the level of authority and take over the vehicle control completely, especially in the case of autonomous vehicles.
  • Driving control functions receive data from corresponding sensor units in order to process direct measured values such as the current speed of the vehicle, but also in order to use complex perception processes to record and interpret the environment, in particular other road users and objects in the surroundings including traffic signs. Since this often requires highly complex software components to execute the automated driving control functions in order to take over the vehicle control and make corresponding decisions in road traffic, proving the required safety is correspondingly difficult and extensive.
  • trajectories are necessarily continuously planned or adjusted by an automated driving control system.
  • the planning of the trajectories is typically based, among other things, on the perception of the environment by sensors, communication data from vehicle-to-traffic element communication, and high-resolution map data.
  • the automated driving control system regulates the lateral and longitudinal movement of the vehicle at all times to ensure compliance with these planned trajectories.
  • the quality of compliance with the planned trajectory is therefore also dependent at all times on the function and quality of the information obtained by the driving control system.
  • DE 102019206 908 B4 relates to a method for training at least one algorithm for a control unit of a motor vehicle, wherein the control unit is provided for implementing an automated or autonomous driving function by intervening in units of the motor vehicle on the basis of input data using the at least one algorithm, wherein the algorithm is trained by a self-learning neural network, comprising the following steps: a) providing a computer program product module for the automated or autonomous driving function, wherein the computer program product module contains the algorithm to be trained and the self-learning neural network, b) embedding the trained computer program product module in the control unit of the motor vehicle, c) driving the motor vehicle in a real traffic environment by a human driver, wherein the journey determines a driven trajectory, d) feeding data from an environmental sensor system and a motor vehicle sensor system to the control unit and calculating a virtual trajectory by the algorithm, e) deriving a metric from a comparison of the driven Trajectory and the virtual trajectory and storing the data from the environmental sensors and the motor vehicle sensors in a
  • the traffic simulation is carried out as a simulation of the traffic situation from the perspective of the traffic environment, whereby behavior and technology models are provided for each individual road user in the traffic simulation, so that a future traffic situation is simulated based on a variation of the behavior and technology models provided, and whereby past environmental and motor vehicle data are also varied in the traffic simulation.
  • scenario libraries For testing and/or validating driver assistance systems to support manual vehicle control of vehicles such as passenger cars or trucks, as well as automation systems for highly automated and even autonomous vehicles (summarized under “automated driving control functions”; English: In the field of "Advanced Driver Assistance Systems” or systems for “Autonomous Driving”, abbreviated to ADAS/AD), the use of scenario libraries is also known, which ideally contain descriptions of a large number of (ideally as widely as possible) varying scenarios, so that a vehicle does not encounter fundamentally untested situations in later regular operation. In such scenario libraries, scenario descriptions are typically stored in a machine-readable and automatically storable form. Scenario description languages are usually used for this, which use special documentation and programming languages.
  • the data on the behavior of the other real road users and on the environmental parameters reflect facts that have come about because the other road users adapt their reactions to the behavior of the real road user under consideration (who is replaced in the simulation by the "vehicle under test" as a virtual counterpart), the behavior of the other road users recorded in the simulation is only valid according to their stored data if the original behavior of the real road user under consideration and that of its virtual counterpart in the simulation (the simulated "vehicle under test") are essentially the same.
  • a first aspect of the invention relates to a method, in particular a computer-implemented method, for carrying out a traffic simulation, comprising the steps:
  • the vehicle component to be tested is tested by executing the traffic simulation.
  • the vehicle component to be tested comprises in particular a corresponding sensor and/or a trajectory planner such as a driving control computer.
  • the vehicle component to be tested is either integrated into the simulation as a physical device using a hardware-in-the-loop method, or is mapped virtually and also simulated. This results in improved testing of the vehicle component to be tested compared to conventional testing methods.
  • the data set contains information about a real traffic scenario, for which an intersection area or a large area was recorded, in particular from a bird's eye view, for example using an unmanned aerial vehicle, and in particular the movement data of the road users appearing there were recorded. All movement data except for at least one vehicle whose perception line and/or automated driving control system is to be tested (as a simulated system or using hardware-in-the-loop) are initially retained in the simulation. One or more replaced road users, on the other hand, are simulated as the respective virtual test vehicle and their movement data, in particular the trajectories, recalculated during the runtime of the simulation.
  • a metric is now used to determine a measure for the following deviation: While specified and/or recorded movement data of the non-replaced road users stored in the data set serve as a reference, currently planned movement data, in particular planned trajectories including the trajectory and the speed (and optionally the acceleration in addition) of the respective non-replaced road user are determined in relation to this during the simulation runtime and compared with the data in the data set.
  • a simple metric is the area over the differences between the respective trajectories; speed differences, acceleration differences, or a combination of these differences and areas/integrals can also be used.
  • the result of the calculation of the value of this metric is compared with the first specified limit value. If the value of the metric is below the first specified limit value, the specified or recorded movement data from the data set can be considered to be sufficiently suitable for the current simulation event, in particular for the behavior of the virtual test vehicle.
  • the recorded or specified movement data of the non-replaced road users can be replaced or mixed with (or with) such movement data that are calculated by agent models for the respective non-replaced road users, whereby in particular exactly those non-replaced road users are simulated by agent models for which the above-mentioned metric exceeds the first specified limit value. It is therefore advantageous that not all non-replaced road users have to be simulated by agent models at the same time; for non-replaced road users for whom the metric is below the first specified limit value, the specified or recorded movement data can continue to be calculated according to the data set in the traffic simulation can continue to be used.
  • an agent model calculates new predetermined trajectories for the corresponding road user in parallel with the simulation time, i.e., in contrast to the movement data according to the data set, the agent model is able to react to its environment as determined in the simulation, in particular to react to the behavior and the presence of the virtual test vehicle, whose trajectories are by definition not known a priori before the simulation is carried out, since they are only determined during the simulation.
  • this (replacement or mixing) of the specified or recorded movement data according to the data set with the movement data currently determined from the (one or more) agent models with the simulation time only takes place for as long as necessary, which is expressed by a termination condition.
  • This termination condition checks in particular whether a changed behavior of the respective non-replaced road user compared to the movement data according to the data set is still currently necessary, or whether the behavior calculated according to the respective agent models is not already sufficiently close to the movement data of the data set, which is preferably done by comparing a metric for determining a measure of this deviation with a second specified limit value, wherein the first limit value is preferably equal to the second limit value.
  • traffic simulations do not lose an unnecessary degree of realism if the movement data calculated by agent models are used for an unnecessarily long time instead of using movement data from real traffic scenarios, since the latter typically and naturally have a high degree of realism and thus help the simulation to achieve a high degree of realism and thus in turn to high reliability.
  • long-term scenarios can thus be used realistically in a traffic simulation to test vehicle components such as sensors or driving control systems, and agent models are only used as far as necessary.
  • agent models ensures consistent and plausible scenario generation in the traffic simulation.
  • the data set comprises, in addition to real movement data, manually specified movement data of non-replaced road users.
  • a possible return trajectory to the movement data according to the data set is determined sequentially, wherein the termination condition is only fulfilled if a metric relating to a deviation of the currently determined possible return trajectory and its planned movement data of the non-replaced road user calculated in the simulation in response to the behavior of the virtual test vehicle exceeds a predetermined second limit value.
  • the sequentially repeated determination of a possible return trajectory takes place within constant time periods related to the simulation time.
  • the termination condition is only fulfilled if, when calculating the planned movement data of the non-replaced road user in response to the behavior of the virtual test vehicle, a restriction that must be taken into account in the traffic situation influenced by the behavior of the virtual test vehicle in the simulation has ended.
  • Such a restriction that must be taken into account occurs, for example, when the virtual test vehicle stops unexpectedly and blocks a traffic route for another road user following behind, so that the movement data determined for the other road user from the real traffic scenario can no longer be executed without the following road user causing a rear-end collision with the virtual test vehicle in the simulation.
  • the movement data of the non-replaced road user adopted according to the data set is mixed with the planned movement data calculated by the associated agent model in such a way that a proportion of the calculated planned movement data with a larger deviation is reduced.
  • the movement data adopted according to the data set are mixed with the planned movement data calculated by the associated agent model for the respective non-replaced road user if the metric lies between the first predetermined limit value and a first threshold value, and the movement data adopted according to the data set are replaced by the planned movement data calculated by the associated agent model if the metric lies between the first threshold value and a second threshold value higher than the first.
  • the return trajectory is carried out by mixing the movement data adopted according to the data set with the planned movement data calculated by the associated agent model with the proportion of the movement data adopted according to the data set increasing over time.
  • the sequentially repeated checking of the metric takes place within respective constant time periods related to the simulation time.
  • the respective movement data comprise trajectory information, wherein the trajectory information comprises one or more of the following information: geometric trajectory, speed taken on the geometric trajectory, acceleration taken on the geometric trajectory.
  • a further aspect of the invention relates to a device for data processing, comprising means for carrying out the steps of the method as described above and below.
  • Another aspect of the invention relates to a computer program product comprising instructions which, when the program is executed by a computer, cause the computer to carry out the procedure as described above and below.
  • Fig. 1 A method for performing a traffic simulation according to an embodiment of the invention.
  • Fig. 2 An example scenario of the traffic simulation according to Fig. 1.
  • Fig. 1 shows a computer-implemented method for carrying out a traffic simulation.
  • a real traffic scenario is observed.
  • the traffic scenario several road users appear in a limited area and, depending on the distance from one another, at least some of them interact through an action-reaction behavior.
  • the traffic scenario is recorded from a bird's eye view by an unmanned aerial vehicle or with corresponding camera systems on masts or tall buildings.
  • sensor information recorded from the ego perspective of at least one vehicle in the traffic scenario All recordings obtained in this way are stored in a scenario library.
  • a data set S1 with information about this real traffic scenario is provided from the scenario library.
  • the data set includes movement data of the real road users in the observed traffic scenario. This is followed by the initial execution S2 of the traffic simulation with simulated counterparts of the real road users such that the movement data of the simulated road users are equal to the movement data of the real road users according to the data set with the exception of the movement data of a replacing vehicle from the real road users, which is simulated as a virtual test vehicle and whose movement data is recalculated in the simulation.
  • a check S3 is repeatedly carried out as to whether a metric relating to a deviation of the movement data of a respective non-replaced road user according to the data set from planned movement data calculated for him in the simulation in response to the behavior of the virtual test vehicle exceeds a predetermined first limit value, and retaining the movement data according to the data set for this respective non-replaced road user if the predetermined first limit value is not exceeded, and otherwise: replacing S4 the movement data of this respective non-replaced road user taken over according to the data set with movement data calculated by an agent model assigned to him and executed in the simulation and executing a return trajectory towards the movement data according to the data set by this respective non-replaced road user and thus ending the execution of the associated agent model when a predetermined termination condition exists.
  • Fig. 2 shows an example of a process in a Cartesian coordinate system with the coordinate axes x and y from a bird's eye view.
  • the trajectory specified according to the data set for the non-replaced road user using the specified movement data is shown as a dash-dot-dash sequence.
  • the trajectory planned according to the planned movement data calculated in the simulation is shown as a solid curve. Up to point A, the other road user follows the specified trajectory and is in state A. From point A, the metric of the deviation of the trajectories exceeds the first specified limit value. The non-replaced road user then follows the calculated planned trajectory in state B.
  • the maximum possible deviation from the currently driven position (taking into account the maximum acceleration and speed values) is shown in a closely dashed curve and marked with C.
  • An intersection point with the trajectory specified according to the data set is now calculated using this curve (C).
  • the intersection point serves as a reference point for trajectory E (green) to calculate a return trajectory for the vehicle to approach the trajectory specified in the data set (dash-dot-dash sequence).
  • Trajectory E is fed to the non-replaced trajectory as the target trajectory. This trajectory is left at point F.
  • the deviation from the calculated trajectory and the trajectory specified in the data set is again below the first specified limit value and the other road user follows the trajectory specified in the data set. This leaves point B, the start of the return to the trajectory specified in the data set. data set.

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

Die Erfindung betrifft ein Verfahren einer Verkehrssimulation, aufweisend die Schritte: Bereitstellen (S1) eines Datensatzes mit Informationen über ein reales Verkehrsszenario mit Bewegungsdaten von Verkehrsteilnehmern, Beginnen (S2) der Ausführung der Verkehrssimulation mit simulierten Gegenstücken der realen Verkehrsteilnehmer mit Bewegungsdaten gemäß Datensatz mit Ausnahme der Bewegungsdaten eines zu ersetzenden Fahrzeugs aus den realen Verkehrsteilnehmern, das als virtuelles Testfahrzeug simuliert wird, sequenziell wiederholtes Überprüfen (S3), ob eine Metrik bezüglich einer Abweichung der Bewegungsdaten eines jeweiligen nicht-ersetzten Verkehrsteilnehmers gemäß Datensatz von für ihn in der Simulation berechneten geplanten Bewegungsdaten einen vorgegebenen Grenzwert überschreitet, und Beibehalten der Bewegungsdaten gemäß Datensatz bei nicht-Überschreiten, und andernfalls: Ersetzen / Vermischen (S4) der gemäß Datensatz übernommenen Bewegungsdaten durch/mit von einem Agentenmodell berechnete/n Bewegungsdaten und Ausführen einer Rückführtrajektorie hin zu den Bewegungsdaten gemäß Datensatz mit Beendigung der Ausführung des zugehörigen Agentenmodells beim Vorliegen einer vorgegebenen Abbruchbedingung.

Description

LIMITIERTER AGENTENMODELLEINSATZ IN HYBRID-VERKEHRSSIMULATION MIT REALTRAJEKTORIEN
Die Erfindung betrifft ein Verfahren zum Durchführen einer Verkehrssimulation zum Testen einer Fahrzeugkomponente.
Automatische Fahrsteuerungssysteme können einerseits im Sinne eines Fahrerassistenzsystems einen menschlichen Fahrer eines Fahrzeugs unterstützen, in Zukunft werden sie jedoch erheblich an Bedeutung für hochautomatisierte und autonome Fahrzeuge gewinnen. Solche automatischen Fahrsteuerungssysteme greifen je nach Autoritätsgrad minder oder mehr in die Fahrsteuerung eines Fahrzeugs ein und übernehmen die Fahrzeugführung insbesondere bei autonomen Fahrzeugen vollständig. Dies führt zu hohen sicherheitstechnischen Anforderungen, da am Straßenverkehr teilnehmende Fahrzeuge grundsätzlich ein Risiko für andere Verkehrsteilnehmer bei Fehlverhalten darstellen. Fahrsteuerfunktionen erhalten hierbei von entsprechenden Sensoreinheiten Daten, um direkte Messwerte wie die aktuelle Geschwindigkeit des Fahrzeugs zu verarbeiten, teils aber auch um mittels komplexer Perzeptionsverfahren die Umwelt, insbesondere andere Verkehrsteilnehmer und Objekte in der Umgebung einschließlich Verkehrszeichen, zu erfassen und zu interpretieren. Da dadurch oft hochkomplexe Softwarekomponenten zum Ausführen der automatisierten Fahrsteuerfunktionen notwendig sind, um die Fahrzeugführung zu übernehmen sowie entsprechende Entscheidungen im Straßenverkehr zu treffen, gestaltet sich der Nachweis der geforderten Sicherheit entsprechend schwierig und umfangreich.
Um ausreichend viele reale Szenarien zur Entwicklung und abschließenden Validierung von automatisierten Fahrsteuerungssystemen in der Praxis zu testen, wären jedoch unvertretbar viele gefahrene Streckenlängen und entsprechend viele Fahrstunden eines mit einem automatisierten Fahrsteuerungssystem ausgerüsteten Fahrzeugs notwendig. Das Zurücklegen von beispielsweise Milliarden von Kilometern und die entsprechend zeitverzögerte Auswertung der dort erfahrenen Szenarien ist für Entwicklung und Validierung eines automatischen Fahrsteuerungssystems unverhältnismäßig lang und kann in der Praxis nicht durchgeführt werden. Ein rein streckenbasierter, statistischer Nachweis der Sicherheit der Fahrfunktion vor Markteinführung eines solchen Fahrzeugs ist daher technisch nicht umsetzbar. Dies wird auch in der folgenden Publikation erläutert: "W. Wachenfeld and H. Winner, “The release of autonomous vehicles,” in Autonomous Driving: Technical, Legal and Social Aspects, M. Maurer, J. C. Gerdes, B. Lenz, and H. Winner, Eds. Springer, 2016, pp. 425-449". Auch für die zukünftige Homologation z. B. nach NCAP wird eine immer aufwändigere Testprozedur vorgeschrieben, die nur mit Hilfe von realitätsnahen Simulationsumgebungen erfolgreich durchgeführt werden kann.
Zudem ist es vor dem Hintergrund der Gefährdung dritter Personen nicht möglich, potentiell kritische Szenarien im öffentlichen Straßenverkehr zu testen. Gerade jedoch potenziell kritische Szenarien liefern diejenigen Daten, die bei der Entwicklung eines automatischen Fahrsteuerungssystems eines Fahrzeugs zu berücksichtigen sind, da gerade diese zu Unfällen führen. Auch für die Validierung eines fertig entwickelten automatischen Fahrsteuerungssystems sind diese kritischen Szenarien wichtig. In der Entwicklung und Validierung von automatischen Fahrsteuerungssystemen werden daher besonders die für die automatisierte Fahrsteuerfunktion kritischen Betriebsbereiche, wie z.B. beim Auftreffen auf ein Stauende oder in hochfrequentierten urbanen Verkehrsräumen, simulationsbasierte Methoden genutzt und geprüft. Durch z.B. szenarienbasiertes Entwickeln und Testen kann so schon durch Nutzung des digitalen Zwillings des automatisierten Fahrzeugs während früher Entwicklungsphasen eingeschätzt werden, wie sicher das spätere reale Fahrzeug im Einsatz in der offenen Welt (unter Umständen innerhalb eines beschränkten Betriebsbereichs) agieren wird.
In automatisierten Fahrzeugen werden durch ein automatisiertes Fahrsteuersystem notwendigerweise Trajektorien kontinuierlich aktuell geplant bzw. angepasst. Die Planung der Trajektorien basiert typischerweise unter anderem auf der Wahrnehmung des Umfelds durch Sensoren, Kommunikationsdaten einer Fahrzeug-zu-Verkehrselement Kommunikation, sowie hochauflösenden Kartendaten. Das automatisierte Fahrsteuersystem regelt zu jeder Zeit die laterale und longitudinale Bewegung des Fahrzeugs zur Einhaltung dieser geplanten Trajektorien. Die Güte der Einhaltung der geplanten Trajektorie ist somit ebenfalls zu jeder Zeit von der Funktion und Qualität der Informationsgewinnung des Fahrsteuersystems abhängig. Würde ein automatisiertes Fahrsteuersystem nur einer im Voraus vorgegebenen optimalen Trajektorie folgen, ohne die Fähigkeit diese in nahezu Echtzeit anzupassen, könnten dynamische Änderungen des Verkehrs nicht sicher verarbeitet werden und die für die Fahrsicherheit und zum Funktionieren des Verkehrsflusses notwendige Reaktionen und Anpassungen auf aktuelles Verkehrsgeschehen und das Verhalten anderer Verkehrsteilnehmer könnten nicht durchgeführt werden.
Im Stand der Technik sind sogenannte "Adaptive-Replay-to-Sim" Verfahren bekannt. In solchen Verfahren werden reale Szenarien aufgenommen und Informationen darüber für eine Simulation zur Verfügung gestellt, um somit an realistischen Daten angelehnt Tests von Fahrsteuerungssystemen (oder ihrer Sensoren) durchführen zu können. Der Vorteil der Überführung der Daten in eine Simulation ist die Möglichkeit der gefahrlosen virtuellen Testung, sowie die Möglichkeit der bewussten Veränderung der Daten aus der Realität.
Die DE 102019206 908 B4 betrifft hierzu ein Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, wobei das Steuergerät zur Umsetzung einer automatisierten bzw. autonomen Fahrfunktion unter Eingriff in Aggregate des Kraftfahrzeugs auf der Grundlage von Eingangsdaten unter Verwendung des wenigstens einen Algorithmus vorgesehen ist, wobei der Algorithmus durch ein selbstlernendes neuronales Netz trainiert wird, umfassend folgende Schritte: a) Bereitstellen eines Computerprogrammproduktmoduls für die automatisierte bzw. autonome Fahrfunktion, wobei das Computerprogrammproduktmodul den zu trainierenden Algorithmus und das selbstlernende neuronale Netz enthält, b) Einbetten des trainierten Computerprogrammproduktmoduls in das Steuergerät des Kraftfahrzeugs, c) Fahren des Kraftfahrzeugs in einer real existierenden Verkehrsumgebung durch einen menschlichen Fahrer, wobei die Fahrt eine gefahrene Trajektorie bestimmt, d) Zuführen von Daten einer Umgebungssensorik und einer Kraftfahrzeugsensorik zu dem Steuergerät und Berechnen einer virtuellen Trajektorie durch den Algorithmus, e) Ableiten einer Metrik aus einem Vergleich der gefahrenen Trajektorie und der virtuellen Trajektorie sowie Speichern der Daten der Umgebungssensorik und der Kraftfahrzeugsensorik in einem Speicher, wenn für eine Verkehrssituation bestimmte Metrikkriterien erfüllt sind, f) Zurverfügungstellen von Informationen betreffend die Verkehrssituation an eine Verkehrssimulation, g) Analyse der Verkehrssituation durch die Verkehrssimulation, wobei anhand der Kartendaten, der Umgebungssensorik und der Kraftfahrzeugsensorik ein virtuelles Abbild der Verkehrssituation erstellt wird, wobei mittels der Verkehrssimulation die Daten der Verkehrssituation variiert werden, und h) Trainieren des Algorithmus durch die Variation der Verkehrssituation. Die Verkehrssimulation wird als eine Simulation der Verkehrssituation aus der Perspektive der Verkehrsumgebung durchführt, wobei in der Verkehrssimulation Verhaltens- und Technologiemodelle für jeden einzelnen Verkehrsteilnehmer bereitgestellt werden, so dass eine zukünftige Verkehrssituation basierend auf einer Variation der bereitgestellten Verhaltens- und Technologiemodellen simuliert werden und wobei ferner auch zeitlich vergangene Umgebungsund Kraftfahrzeugdaten in der Verkehrssimulation variiert werden.
Zum Testen und/oder Validieren von Fahrerassistenzsystemen für die Unterstützung einer manuellen Fahrzeugführung von Fahrzeugen wie Personenkraftwagen oder Lastkraftwagen, sowie von Automatisierungssystemen für hoch automatisierte bis hin zu autonomen Fahrzeugen (zusammengefasst unter „automatisierte Fahrsteuerfunktionen“; englisch: "Advanced Driver Assistance Systems" bzw. Systeme für "Autonomous Driving", zusammen abgekürzt ADAS/AD) ist zudem die Verwendung von Szenarienbibliotheken bekannt, die idealerweise Beschreibungen einer Vielzahl von (idealerweise möglichst stark) variierenden Szenarien aufweist, sodass ein Fahrzeug im späteren Regelbetrieb möglichst nicht auf prinzipiell ungetestete Situationen trifft. In solchen Szenarienbibliotheken werden typischerweise Szenarien-Beschreibungen in maschinenlesbarer und automatisiert ablegbarer Form gespeichert gehalten. Dazu werden zumeist Szenariobeschreibungssprachen verwendet, welche spezielle Dokumentations- und Programmsprachen verwenden. Ein Beispiel hierfür ist die etablierte Szenarienbibliothek des Vereins "ASAM e.V." mit dem Namen 'OpenSCENARIO®'. Es existieren darüber hinaus Szenarienbibliotheken mit Daten in maschinen-lesbaren Formaten, die jedoch auch menschlich verständlichen Kontext aufweisen, etwa "ADScene" und "SafetyPool".
Um mit Hilfe einer solchen Szenarienbibliothek das Verhalten eines Fahrsteuerungssystems oder seiner Sensoreinheit in reaktiver Weise auf die Umgebung eines betrachteten Verkehrsteilnehmers, insbesondere eines automatisierten Fahrzeugs (typischerweise genannt "vehicle under test"), untersuchen zu können, kann die Fahrt dieses ausgewählten betrachteten realen Verkehrsteilnehmers simuliert werden, während das Verhalten der anderen realen Verkehrsteilnehmer sowie die Umgebungsparameter der Szenarienbibliothek entnommen werden können und in diesem Fall auf realen Daten basieren.
Dadurch jedoch, dass die Daten über das Verhalten der anderen realen Verkehrsteilnehmer sowie über die Umgebungsparameter Tatsachen wiedergeben, die dadurch zustande gekommen sind, dass die übrigen Verkehrsteilnehmer ihre Reaktionen wiederum auf das Verhalten des betrachteten realen Verkehrsteilnehmers (der in der Simulation durch das "vehicle under test" als virtuelles Gegenstück ersetzt wird) anpassen, ist nur dann das in der Simulation eingespielte Verhalten der übrigen Verkehrsteilnehmer gemäß ihrer abgespeicherter Daten valide, wenn das ursprüngliche Verhalten des betrachteten realen Verkehrsteilnehmers und das seines virtuellen Gegenstücks in der Simulation (das simulierte "vehicle under test") im Wesentlichen gleich sind. Weist das simulierte Verhalten des Verkehrsteilnehmers als virtuelles "vehicle under test" zu sehr vom damaligen Verhalten des betrachteten realen Verkehrsteilnehmers ab, ist die Integrität des Realitätsgrades der Simulationsumgebung eingeschränkt, und in manchen Fällen somit ungeeignet, um für das simulierte und damit virtuelle "vehicle under test" ein Fahrsteuerungssystems oder dessen Sensoren bzw. eine Sensoreinheit zu testen.
Durch den Einsatz von aufgezeichneten, realen Trajektorien kann eine realitätsnahe Simulation durchgeführt werden, welche für die Bewertung von automatisierten Fahrsystemen geeigneter sind als die Nutzung von rein künstlichen Szenarien. Durch die Substitution eines Verkehrsteilnehmers durch ein zu prüfendes automatisiertes Fahrsystem werden die aufgezeichneten Daten jedoch unnatürlich, sobald das automatisierte Fahrsystem von der aufgezeichneten Trajektorie abweicht. Dieses Problem wird in der Publikation "A Needle in a Haystack - How to Derive Relevant Scenarios for Testing Automated Driving Systems in Urban Areas" von Nico Weber, Dr.-lng. Christoph Thiem und Prof. Dr.-lng. Ulrich Konigorski des Preprints für "30th Aachen Colloquium Sustainable Mobility 2021" wie folgt aufgegriffen: Es wird eine simulationsbasierte Toolchain für die Entwicklung und den Test von mit automatischen Fahrsteuerungssystemen ausgestatteten Fahrzeugen im urbanen Umfeld vorgestellt. Ferner werden darin multimodale Interaktionen verschiedener Verkehrsteilnehmer betrachtet und für eine Szenarienbibliothek bereitgestellt. Tritt der oben beschriebene Fall ein, dass aufgezeichnete Daten bei ihrer Verwendung in der Simulation unnatürlich werden, sobald das automatisierte Fahrsteuerungssystem von den aufgezeichneten Trajektorien abweichende in der Simulation ermittelt, schlägt die oben genannte Publikation die Übernahme der Steuerung der Verkehrsteilnehmer durch Softwareagenten vor. Ein Nachteil dieser Lösung ist jedoch, dass nach dem Zeitpunkt des Wechsels von aufgezeichneten Daten hin zu künstlichen Softwareagenten keine realen Daten mehr verwendet werden. Hierdurch wird das Argument der Nachbildung von realem Verhalten in der Simulation und der diesbezüglichen Glaubwürdigkeit von realen Daten geschwächt.
Es ist daher Aufgabe der Erfindung, diesen Nachteil zu beheben und insbesondere eine solche Verkehrssimulation durchzuführen, die plausibles Verhalten der Verkehrsteilnehmer gewährleisten kann und gleichzeitig die Nutzung von real aufgezeichneten Daten maximieren kann.
Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.
Ein erster Aspekt der Erfindung betrifft ein Verfahren, insbesondere computerimplementiertes Verfahren, zum Durchführen einer Verkehrssimulation, aufweisend die Schritte:
- Bereitstellen eines Datensatzes mit Informationen über ein reales Verkehrsszenario aus einer Szenarienbibliothek, wobei der Datensatz Bewegungsdaten von realen Verkehrsteilnehmern im Verkehrsszenario umfasst von denen mindestens einer ein Fahrzeug ist,
- Beginnen der Ausführung der Verkehrssimulation mit simulierten Gegenstücken der realen Verkehrsteilnehmer so, dass Bewegungsdaten der simulierten Verkehrsteilnehmer gleich den Bewegungsdaten der realen Verkehrsteilnehmer gemäß Datensatz sind mit Ausnahme der Bewegungsdaten eines zu ersetzenden Fahrzeugs aus den realen Verkehrsteilnehmern, das als virtuelles Testfahrzeug simuliert wird und dessen Bewegungsdaten in der Simulation neu berechnet werden,
- sequenziell wiederholtes Überprüfen, ob eine Metrik bezüglich einer Abweichung der Bewegungsdaten eines jeweiligen nicht-ersetzten Verkehrsteilnehmers gemäß Datensatz von für ihn in der Simulation berechneten geplanten Bewegungsdaten als Reaktion auf das Verhalten des virtuellen Testfahrzeugs einen vorgegebenen ersten Grenzwert überschreitet, und Beibehalten der Bewegungsdaten gemäß Datensatz für diesen jeweiligen nicht-ersetzten Verkehrsteilnehmer, wenn der vorgegebene erste Grenzwert nicht überschritten wird, und andernfalls:
- Ersetzen oder Vermischen der gemäß Datensatz übernommenen Bewegungsdaten dieses jeweiligen nicht-ersetzten Verkehrsteilnehmers durch/mit von einem ihm zugeordneten und in der Simulation ausgeführten Agentenmodell berechnete/n Bewegungsdaten und Ausführen einer Rückführtrajektorie hin zu den Bewegungsdaten gemäß Datensatz durch diesen jeweiligen nicht-ersetzten Verkehrsteilnehmer und somit Beenden der Ausführung des zugehörigen Agentenmodells beim Vorliegen einer vorgegebenen Abbruchbedingung.
In einem Schritt des Verfahrens, bevorzugt fortwährend während der Verkehrssimulation, wird die zu testende Fahrzeugkomponente mittels der Ausführung der Verkehrssimulation getestet. Die zu testende Fahrzeugkomponente umfasst insbesondere einen entsprechenden Sensor und/oder einen Trajektorien-Planer wie einen Fahrsteuerungsrechner.
Die zu testende Fahrzeugkomponente wird entweder als physisches Gerät in der Verwendung in einer Hardware-in-the-Loop Methode in die Simulation integriert, oder virtuell abgebildet und ebenfalls simuliert. Es wird somit eine verbesserte Testung der zu testenden Fahrzeugkomponente gegenüber herkömmlichen Testverfahren erreicht.
Der Datensatz weist Informationen über ein reales Verkehrsszenario auf, wofür insbesondere aus der Vogelperspektive beispielsweise mittels eines unbemannten Luftfahrzeugs ein Kreuzungsbereich oder ein weitläufiger Bereich erfasst wurde und insbesondere die Bewegungsdaten von den dort auftretenden Verkehrsteilnehmern aufgezeichnet wurden. Alle Bewegungsdaten bis auf deren mindestens eines Fahrzeugs, dessen Perzeptionsstrang und oder dessen automatisiertes Fahrsteuerungssystem zu testen (als simuliertes System oder mittels Hardware-in-the-Loop) ist, werden zunächst in der Simulation beibehalten. Ein oder mehrere ersetzte Verkehrsteilnehmer werden dagegen als jeweiliges virtuelles Testfahrzeug simuliert und deren Bewegungsdaten, insbesondere die Trajektorien, während der Laufzeit der Simulation neu berechnet.
Es wird nun eine Metrik verwendet, um ein Maß für folgende Abweichung zu ermitteln: Während vorgegebene und/oder aufgezeichnete und im Datensatz abgespeicherte Bewegungsdaten der nicht-ersetzten Verkehrsteilnehmer als Referenz dienen, werden gleichzeitig in Relation dazu jeweils aktuell während der Laufzeit der Simulation aktuell geplante Bewegungsdaten, insbesondere geplante Trajektorien einschließlich der Bahnkurve und der Geschwindigkeit (und optional der Beschleunigung zusätzlich dazu) des jeweiligen nicht-ersetzten Verkehrsteilnehmers ermittelt und mit den Daten des Datensatzes verglichen. Eine einfache Metrik ist die Fläche über die Differenzen zwischen den jeweiligen Bahnkurven, weiterhin können auch Geschwindigkeitsdifferenzen, Beschleunigungsdifferenzen, oder eine Kombination aus diesen Differenzen und Flächen/Integralen verwendet werden.
Das Ergebnis der Berechnung des Wertes dieser Metrik wird mit dem ersten vorgegebenen Grenzwert verglichen. Liegt der Wert der Metrik unterhalb des ersten vorgegebenen Grenzwerts, so können die vorgegebenen bzw. aufgezeichneten Bewegungsdaten aus dem Datensatz als ausreichend passend zum aktuellen Simulationsgeschehen, insbesondere zum Verhalten des virtuellen Testfahrzeugs, angesehen werden.
Überschreitet jedoch diese Metrik den ersten vorgegebenen Grenzwert, so ist von bedeutenden Abweichungen auszugehen und es käme einer unzuverlässigen Simulation gleich, weiterhin die im Voraus vorgegebenen bzw. durch Beobachtung der Realität aufgezeichneten und abgespeicherten Bewegungsdaten der nicht-ersetzten Verkehrsteilnehmer in der Simulation zu verwenden, da es insbesondere dabei zu inkonsistenten Situationen mit dem virtuellen Testfahrzeug kommen kann.
Dementsprechend kann für eine limitierte Zeitdauer eine Ersetzung bzw. eine Vermischung der aufgezeichneten bzw. vorgegebenen Bewegungsdaten der nicht-ersetzten Verkehrsteilnehmer durch (bzw. mit) solche Bewegungsdaten erfolgen, welche durch Agentenmodelle für die jeweiligen nicht-ersetzten Verkehrsteilnehmer berechnet werden, wobei insbesondere genau solche nicht-ersetzten Verkehrsteilnehmer durch Agentenmodelle simuliert werden, für welche die oben genannte Metrik den ersten vorgegebenen Grenzwert übersteigt. Es müssen daher vorteilhaft nicht alle nicht-ersetzten Verkehrsteilnehmer durch Agentenmodelle zeitgleich simuliert werden, für nicht-ersetzte Verkehrsteilnehmer für die die Metrik unterhalb des ersten vorgegebenen Grenzwerts liegt, können weiterhin die vorgegebenen bzw. aufgezeichneten Bewegungsdaten gemäß Datensatz in der Verkehrssimulation weiterhin verwendet werden.
Im Gegensatz zu den fest vorgegebenen Bewegungsdaten aus dem Datensatz berechnet ein Agentenmodell mitlaufend mit der Simulationszeit laufend neue vorgegebene Trajekto- rien für den zugehörigen Verkehrsteilnehmer, d. h. das Agentenmodell ist im Gegensatz zu den Bewegungsdaten gemäß Datensatz in der Lage, eine Reaktion auf sein Umfeld wie in der Simulation ermittelt durchführen zu können, insbesondere eine Reaktion auf das Verhalten und die Anwesenheit an sich des virtuellen Testfahrzeugs durchführen zu können, dessen Trajektorien a priori vor Ausführung der Simulation definitionsgemäß nicht bekannt sind, da diese erst während der Simulation ermittelt werden.
Diese (Ersetzung bzw. Vermischung) der vorgegebenen bzw. aufgezeichneten Bewegungsdaten gemäß Datensatz mit denen der aus den (einem oder mehreren) Agentenmodellen jeweils mit der Simulationszeit aktuell ermittelten Bewegungsdaten erfolgt jedoch nur so lange wie nötig, was durch eine Abbruchbedingung ausgedrückt wird. Diese Abbruchbedingung prüft insbesondere, ob ein gegenüber den Bewegungsdaten gemäß Datensatz verändertes Verhalten des jeweiligen nicht-ersetzten Verkehrsteilnehmers aktuell noch notwendig ist, bzw. ob das nach den jeweiligen Agentenmodellen berechnete Verhalten nicht bereits wieder ausreichend nahe an den Bewegungsdaten des Datensatzes ist, was bevorzugt durch Vergleich einer Metrik zum Bestimmen eines Maß für diese Abweichung mit einem zweiten vorgegebenen Grenzwert erfolgt, wobei bevorzugt der erste Grenzwert gleich dem zweiten Grenzwert ist.
Es ist daher eine vorteilhafte Wirkung der Erfindung, dass Verkehrssimulationen nicht unnötig an Realitätsgrad einbüßen, wenn unnötig lange die von Agentenmodellen berechneten Bewegungsdaten verwendet werden, anstatt Bewegungsdaten aus realen Verkehrsszenarien zu nutzen, da letztere typischerweise und naturgemäß einen hohen Realitätsgrad aufweisen und damit der Simulation zu einem hohen Realitätsgrad und damit wiederum zu hoher Zuverlässigkeit verhelfen. Insbesondere können somit Langzeitszenarien realitätsgetreu in einer Verkehrssimulation zum Testen von Fahrzeugkomponenten wie Sensorik oder Fahrsteuerungssystemen verwendet werden, und es wird nur so weit auf Agentenmodelle zurückgegriffen, wie nötig. Die Verwendung der Agentenmodelle stellt jedoch eine konsistente und plausible Szenariengenerierung in der Verkehrssimulation sicher.
Gemäß einer vorteilhaften Ausführungsform umfasst der Datensatz neben realen Bewegungsdaten manuell vorgegebene Bewegungsdaten von nicht-ersetzten Verkehrsteilnehmern.
Gemäß einer weiteren vorteilhaften Ausführungsform erfolgt ein sequenziell wiederholtes Ermitteln einer möglichen Rückführtrajektorie hin zu den Bewegungsdaten gemäß Datensatz, wobei die Abbruchbedingung nur dann erfüllt ist, wenn eine Metrik bezüglich einer Abweichung der jeweils aktuell ermittelten möglichen Rückführtrajektorie und seinen in der Simulation berechneten geplanten Bewegungsdaten des nicht-ersetzten Verkehrsteilnehmers in Reaktion auf das Verhalten des virtuellen Testfahrzeugs einen vorgegebenen zweiten Grenzwert überschreitet.
Gemäß einer weiteren vorteilhaften Ausführungsform erfolgt das sequenziell wiederholte Ermitteln einer möglichen Rückführtrajektorie jeweils innerhalb von konstanten auf die Simulationszeit bezogenen Zeitdauern.
Gemäß einer weiteren vorteilhaften Ausführungsform ist die Abbruchbedingung nur dann erfüllt, wenn bei der Berechnung der geplanten Bewegungsdaten des nicht-ersetzten Verkehrsteilnehmers in Reaktion auf das Verhalten des virtuellen Testfahrzeugs eine zwingend zu berücksichtigende Restriktion in der durch das Verhalten des virtuellen Testfahrzeugs beeinflussten Verkehrssituation in der Simulation beendet ist.
Eine solche zwingend zu berücksichtigende Restriktion liegt beispielsweise dann vor, wenn das virtuelle Testfahrzeug ungeplant stoppt und einen Verkehrsweg für einen folgenden weiteren Verkehrsteilnehmer blockiert, sodass die für den weiteren Verkehrsteilnehmer aus dem realen Verkehrsszenario ermittelten Bewegungsdaten nicht mehr ausgeführt werden können, ohne dass in der Simulation der folgende Verkehrsteilnehmer einen Auffahrunfall auf das virtuelle Testfahrzeug erzeugen würde. Gleiches gilt für Ausweichsituationen oder an Kreuzungen, an denen der weitere Verkehrsteilnehmer dem virtuellen Testfahrzeug Vorfahrt zu gewähren hat, welches wegen veränderter Zeitpunkte bezüglich der Begegnung zwischen virtuellem Testfahrzeug und weiterem Verkehrsteilnehmer im realen Verkehrsszenario beispielsweise irrelevant war, in der Simulation jedoch der weitere Verkehrsteilnehmer die Beachtung der Vorfahrt einhalten muss und daher seine geplante Trajektorie anzupassen hat.
Gemäß einer weiteren vorteilhaften Ausführungsform erfolgt das Vermischen der gemäß Datensatz übernommenen Bewegungsdaten des nicht-ersetzten Verkehrsteilnehmers mit den vom zugehörigen Agentenmodell berechneten geplanten Bewegungsdaten so, dass ein Anteil der berechneten geplanten Bewegungsdaten mit größerer Abweichung reduziert wird.
Dies betrifft die oben genannte Abweichung der Bewegungsdaten eines in der Simulation abgebildeten realen aber nicht-ersetzten Verkehrsteilnehmers gemäß Datensatz und seinen in der Simulation berechneten geplanten Bewegungsdaten in Reaktion auf das Verhalten des virtuellen Testfahrzeugs.
Gemäß einer weiteren vorteilhaften Ausführungsform erfolgt ein Vermischen der gemäß Datensatz übernommenen Bewegungsdaten mit den vom zugehörigen Agentenmodell berechneten geplanten Bewegungsdaten für den jeweiligen nicht-ersetzten Verkehrsteilnehmer, wenn die Metrik zwischen dem ersten vorgegebenen Grenzwert und einem ersten Schwellwert liegt, und ein Ersetzen der gemäß Datensatz übernommenen Bewegungsdaten durch die vom zugehörigen Agentenmodell berechneten geplanten Bewegungsdaten, wenn die Metrik zwischen dem ersten Schwellwert und einem zweiten, höheren als dem ersten, Schwellwert liegt.
Gemäß einer weiteren vorteilhaften Ausführungsform wird die Rückführtrajektorie durch Vermischen der gemäß Datensatz übernommenen Bewegungsdaten mit den vom zugehörigen Agentenmodell berechneten geplanten Bewegungsdaten mit über die Zeit zunehmendem Anteil der gemäß Datensatz übernommenen Bewegungsdaten ausgeführt.
Gemäß einer weiteren vorteilhaften Ausführungsform erfolgt das sequenziell wiederholte Überprüfen der Metrik innerhalb jeweiliger konstanter auf die Simulationszeit bezogener Zeitdauern.
Gemäß einer weiteren vorteilhaften Ausführungsform umfassen die jeweiligen Bewegungsdaten Trajektorieninformationen, wobei die Trajektorieninformationen eine oder mehrere aus den folgenden Informationen umfassen: Geometrische Bahnkurve, auf der geometrischen Bahnkurve eingenommene Geschwindigkeit, auf der geometrischen Bahnkurve eingenommene Beschleunigung.
Ein weiterer Aspekt der Erfindung betrifft eine Vorrichtung zur Datenverarbeitung, umfassend Mittel zur Ausführung der Schritte des Verfahrens wie oben und im Folgenden beschrieben.
Ein weiterer Aspekt der Erfindung betrifft ein Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das Verfahren wie oben und im Folgenden beschrieben auszuführen.
Vorteile und bevorzugte Weiterbildungen der vorgeschlagenen Vorrichtung bzw. des vorgeschlagenen Computerprogrammprodukts ergeben sich durch eine analoge und sinngemäße Übertragung der im Zusammenhang mit dem vorgeschlagenen Verfahren vorstehend gemachten Ausführungen.
Weitere Vorteile, Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbeispiel im Einzelnen beschrieben ist. Gleiche, ähnliche und/oder funktionsgleiche Teile sind mit gleichen Bezugszeichen versehen.
Es zeigen:
Fig. 1 : Ein Verfahren zum Durchführen einer Verkehrssimulation gemäß einem Ausführungsbeispiel der Erfindung.
Fig. 2: Ein beispielhaftes Szenario der Verkehrs-Simulation nach Fig. 1.
Die Darstellungen in den Figuren sind schematisch und nicht maßstäblich.
Fig. 1 zeigt ein computerimplementiertes Verfahren zum Durchführen einer Verkehrssimulation. Vor der Durchführung des Verfahrens wird ein reales Verkehrsszenario beobachtet. Im Verkehrsszenario treten mehrere Verkehrsteilnehmer in einem begrenzten Bereich auf und je nach Abstand zueinander interagieren zumindest manche davon durch ein Aktion- Reaktion-Verhalten. Das Verkehrsszenario wird im vorliegenden Beispiel aus der Vogelperspektive durch ein unbemanntes Luftfahrzeug oder mit entsprechenden Kamerasystemen an Masten oder hohen Gebäuden erfasst. Ferner besteht Zugriff auf Sensorinformationen, welche aus der Ego- Perspektive zumindest eines Fahrzeugs im Verkehrsszenario aufgezeichnet wurden. Sämtliche so erhaltenen Aufzeichnungen werden in einer Szenari- enbibliothek abgelegt. In einem ersten Schritt des Verfahrens erfolgt das Bereitstellen S1 eines Datensatzes mit Informationen über dieses reale Verkehrsszenario aus der Szenari- enbibliothek. Im Datensatz umfasst sind Bewegungsdaten der realen Verkehrsteilnehmer im beobachteten Verkehrsszenario. Es folgt die anfängliche Ausführung S2 der Verkehrssimulation mit simulierten Gegenstücken der realen Verkehrsteilnehmer so, dass Bewegungsdaten der simulierten Verkehrsteilnehmer gleich den Bewegungsdaten der realen Verkehrsteilnehmer gemäß Datensatz sind mit Ausnahme der Bewegungsdaten eines zu ersetzenden Fahrzeugs aus den realen Verkehrsteilnehmern, das als virtuelles Testfahrzeug simuliert wird und dessen Bewegungsdaten in der Simulation neu berechnet werden. Schließlich erfolgt In regelmäßigen Zeitabschnitten bezogen auf die Simulationszeit wiederholt ein Überprüfen S3, ob eine Metrik bezüglich einer Abweichung der Bewegungsdaten eines jeweiligen nicht-ersetzten Verkehrsteilnehmers gemäß Datensatz von für ihn in der Simulation berechneten geplanten Bewegungsdaten als Reaktion auf das Verhalten des virtuellen Testfahrzeugs einen vorgegebenen ersten Grenzwert überschreitet, und Beibehalten der Bewegungsdaten gemäß Datensatz für diesen jeweiligen nichtersetzten Verkehrsteilnehmer, wenn der vorgegebene erste Grenzwert nicht überschritten wird, und andernfalls: Ein Ersetzen S4 der gemäß Datensatz übernommenen Bewegungsdaten dieses jeweiligen nicht-ersetzten Verkehrsteilnehmers durch von einem ihm zugeordneten und in der Simulation ausgeführten Agentenmodell berechnete Bewegungsdaten und Ausführen einer Rückführtrajektorie hin zu den Bewegungsdaten gemäß Datensatz durch diesen jeweiligen nicht-ersetzten Verkehrsteilnehmer und somit Beenden der Ausführung des zugehörigen Agentenmodells beim Vorliegen einer vorgegebenen Abbruchbedingung.
Fig. 2 zeigt einen beispielhaften Ablauf in einem kartesischen Koordinatensystem mit den Koordinatenachsen x und y aus der Vogelperspektive. Die gemäß Datensatz für den nicht-ersetzten Verkehrsteilnehmer mittels der vorgegebenen Bewegungsdaten vorgegebene Trajektorie ist als Strich-Punkt-Strich Folge dargestellt. Die nach den in der Simulation berechneten geplanten Bewegungsdaten geplante Trajektorie ist als durchgezogene Kurve dargestellt. Bis Punkt A folgt der weitere Verkehrsteilnehmer der vorgegebenen Trajektorie und befindet sich in Zustand A. Ab Punkt A überschreitet die Metrik der Abweichung der Trajektorien den ersten vorgegebenen Grenzwert. Der nicht-ersetzte Verkehrsteilnehmer folgt anschließend im Zustand B der berechneten geplanten Trajektorie. In einer eng gestrichelt dargestellten Kurve und mit C markiert befindet sich die maximal mögliche Abweichung von der aktuell gefahrenen Position (berücksichtigt die maximalen Be- schleunigungs- und Geschwindigkeitswerte). Über diese Kurve (C) wird nun ein Schnittpunkt mit der gemäß Datensatz vorgegebenen Trajektorie berechnet. Der Schnittpunkt dient als Stützpunkt der Trajektorie E (grün) zur Berechnung einer Rückführtrajektorie zur Annäherung des Fahrzeugs an die gemäß Datensatz vorgegebene Trajektorie (Strich- Punkt-Strich Folge). Die Trajektorie E wird dem nicht-ersetzten als Zieltrajektorie zugeführt. Diese Trajektorie wird in Punkt F verlassen. Die Abweichung von berechneter und gemäß Datensatz vorgegebener Trajektorie ist hier wieder unterhalb des ersten vorgegebenen Grenzwerts und der weitere Verkehrsteilnehmer folgt wieder der gemäß Datensatz vorgegebenen Trajektorie. Es bleibt Punkt B, der Beginn der Rückkehr zur gemäß Datensatz vorgegebenen Trajektorie. Dieser Punkt kann erst erreicht werden, wenn die Gefahrensituation, bzw. verallgemeinert die Notwendigkeit, nicht mehr aktuell ist. Ein Ansatz für die Erkennung dieses Zustands ist die Ausnutzung der genannten Metrik zum Wechsel von der gemäß Datensatz vorgegebenen Trajektorie zur in der Simulation berechneten Trajektorie. Sobald der weitere Verkehrsteilnehmer in Punkt A (Zustand B) der in der Simulation berechneten Trajektorie folgt, werden kontinuierlich (zur Reduktion des Rechenaufwand alle x Sekunden) konkrete Rückkehrtrajektorien (E) berechnet. Die Metrik bezieht sich nun auf die Differenz der Rückkehrtrajektorie zur berechneten Trajektorie. Wird nun der zweite vorgegebene Grenzwert unterschritten, wird die Rückkehrtrajektorie als Ergänzung der vorgegebenen Trajektorie gesetzt und der weitere Verkehrsteilnehmer folgt der Rückkehrtrajektorie hin zur gemäß Datensatz vorgegebenen Trajektorie. Wird der zweite Grenzwert nicht unterschritten (das automatisierte Fahrsystem erkennt einen Gefahrenbereich), folgt der nicht-ersetzte Verkehrsteilnehmer weiter der berechneten Trajektorie des Agentenmodells.
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen, beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausführungsform genannter Elemente, vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehende Erläuterungen in der Beschreibung, definiert wird. Bezugszeichenliste
51 Bereitstellen eines Datensatzes
52 Beginnen der Ausführung der Verkehrssimulation
53 Überprüfen einer Metrik S4 Ersetzen oder Vermischen

Claims

Patentansprüche
1. Verfahren, zum Durchführen einer Verkehrssimulation zum Testen einer Fahrzeugkomponente, aufweisend die Schritte:
- Bereitstellen (S1) eines Datensatzes mit Informationen über ein reales Verkehrsszenario aus einer Szenarienbibliothek, wobei der Datensatz Bewegungsdaten von realen Verkehrsteilnehmern im Verkehrsszenario umfasst von denen mindestens einer ein Fahrzeug ist,
- Beginnen (S2) der Ausführung der Verkehrssimulation mit simulierten Gegenstücken der realen Verkehrsteilnehmer so, dass Bewegungsdaten der simulierten Verkehrsteilnehmer gleich den Bewegungsdaten der realen Verkehrsteilnehmer gemäß Datensatz sind mit Ausnahme der Bewegungsdaten eines zu ersetzenden Fahrzeugs aus den realen Verkehrsteilnehmern, das als virtuelles Testfahrzeug mit einer zu testenden Fahrzeugkomponente simuliert wird und dessen Bewegungsdaten in der Simulation neu berechnet werden, und Testen der zu testenden Fahrzeugkomponente,
- sequenziell wiederholtes Überprüfen (S3), ob eine Metrik bezüglich einer Abweichung der Bewegungsdaten eines jeweiligen nicht-ersetzten Verkehrsteilnehmers gemäß Datensatz von für ihn in der Simulation berechneten geplanten Bewegungsdaten als Reaktion auf das Verhalten des virtuellen Testfahrzeugs einen vorgegebenen ersten Grenzwert überschreitet, und Beibehalten der Bewegungsdaten gemäß Datensatz für diesen jeweiligen nicht-ersetzten Verkehrsteilnehmer, wenn der vorgegebene erste Grenzwert nicht überschritten wird, und andernfalls:
- Ersetzen oder Vermischen (S4) der gemäß Datensatz übernommenen Bewegungsdaten dieses jeweiligen nicht-ersetzten Verkehrsteilnehmers durch/mit von einem ihm zugeordneten und in der Simulation ausgeführten Agentenmodell berech- nete/n Bewegungsdaten und Ausführen einer Rückführtrajektorie hin zu den Bewegungsdaten gemäß Datensatz durch diesen jeweiligen nicht-ersetzten Verkehrsteilnehmer und somit Beenden der Ausführung des zugehörigen Agentenmodells beim Vorliegen einer vorgegebenen Abbruchbedingung.
2. Verfahren nach Anspruch 1 , wobei der Datensatz neben realen Bewegungsdaten manuell vorgegebene Bewegungsdaten von nicht-ersetzten Verkehrsteilnehmern umfasst.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei ein sequenziell wiederholtes Ermitteln einer möglichen Rückführtrajektorie hin zu den Bewegungsdaten gemäß Datensatz erfolgt, wobei die Abbruchbedingung nur dann erfüllt ist, wenn eine Metrik bezüglich einer Abweichung der jeweils aktuell ermittelten möglichen Rückführtrajektorie von den in der Simulation berechneten geplanten Bewegungsdaten des nicht-ersetzten Verkehrsteilnehmers in Reaktion auf das Verhalten des virtuellen Testfahrzeugs einen vorgegebenen zweiten Grenzwert überschreitet.
4. Verfahren nach Anspruch 3, wobei das sequenziell wiederholte Ermitteln einer möglichen Rückführtrajektorie jeweils innerhalb konstanter auf die Simulationszeit bezogener Zeitdauern erfolgt.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Abbruchbedingung nur dann erfüllt ist, wenn bei der Berechnung der geplanten Bewegungsdaten des nicht-ersetzten Verkehrsteilnehmers in Reaktion auf das Verhalten des virtuellen Testfahrzeugs eine zwingend zu berücksichtigende Restriktion in der durch das Verhalten des virtuellen Testfahrzeugs beeinflussten Verkehrssituation in der Simulation beendet ist.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Vermischen der gemäß Datensatz übernommenen Bewegungsdaten des nicht-ersetzten Verkehrsteilnehmers mit den vom zugehörigen Agentenmodell berechneten geplanten Bewegungsdaten so erfolgt, dass ein Anteil der berechneten geplanten Bewegungsdaten mit größerer Abweichung reduziert wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei ein Vermischen der gemäß Datensatz übernommenen Bewegungsdaten mit den vom zugehörigen Agentenmodell berechneten geplanten Bewegungsdaten für den jeweiligen nicht-ersetzten Verkehrsteilnehmer erfolgt, wenn die Metrik zwischen dem ersten vorgegebenen Grenzwert und einem ersten Schwellwert liegt, und wobei ein Ersetzen der gemäß Datensatz übernommenen Bewegungsdaten durch die vom zugehörigen Agentenmodell berechneten geplanten Bewegungsdaten erfolgt, wenn die Metrik zwischen dem ersten Schwellwert und einem zweiten, höheren als dem ersten, Schwellwert liegt.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Rückführtrajektorie durch Vermischen der gemäß Datensatz übernommenen Bewegungsdaten mit den vom zugehörigen Agentenmodell berechneten geplanten Bewegungsdaten mit über die Zeit zunehmendem Anteil der gemäß Datensatz übernommenen Bewegungsdaten ausgeführt wird.
9. Verfahren nach einem der vorhergehenden Ansprüche, wobei das sequenziell wiederholte Überprüfen der Metrik innerhalb jeweiliger konstanter auf die Simulationszeit bezogenen Zeitdauern erfolgt.
10. Verfahren nach einem der vorhergehenden Ansprüche, wobei die jeweiligen Bewegungsdaten Trajektorieninformationen umfassen, wobei die Trajektorieninformationen eine oder mehrere aus den folgenden Informationen umfassen: geometrische Bahnkurve, auf der geometrischen Bahnkurve eingenommene Geschwindigkeit, auf der geometrischen Bahnkurve eingenommene Beschleunigung.
EP24700960.8A 2023-02-27 2024-01-15 Limitierter agentenmodelleinsatz in hybrid-verkehrssimulation mit realtrajektorien Pending EP4673930A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023201782.2A DE102023201782A1 (de) 2023-02-27 2023-02-27 Limitierter Agentenmodelleinsatz in Hybrid-Verkehrssimulation mit Realtrajektorien
PCT/EP2024/050780 WO2024179732A1 (de) 2023-02-27 2024-01-15 Limitierter agentenmodelleinsatz in hybrid-verkehrssimulation mit realtrajektorien

Publications (1)

Publication Number Publication Date
EP4673930A1 true EP4673930A1 (de) 2026-01-07

Family

ID=89661712

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24700960.8A Pending EP4673930A1 (de) 2023-02-27 2024-01-15 Limitierter agentenmodelleinsatz in hybrid-verkehrssimulation mit realtrajektorien

Country Status (3)

Country Link
EP (1) EP4673930A1 (de)
DE (1) DE102023201782A1 (de)
WO (1) WO2024179732A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119849704B (zh) * 2025-03-18 2025-10-10 山东港口科技集团青岛有限公司 一种基于物联网与大数据智能分析的港口运营优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112019001605T5 (de) * 2018-03-27 2020-12-17 Nvidia Corporation Trainieren, testen und verifizieren von autonomen maschinen unter verwendung simulierter umgebungen
DE102019206908B4 (de) 2019-05-13 2022-02-17 Psa Automobiles Sa Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
EP3958129A1 (de) * 2020-08-17 2022-02-23 Volvo Car Corporation Verfahren und system zur validierung einer software für die autonome steuerung für ein selbstfahrendes fahrzeug

Also Published As

Publication number Publication date
DE102023201782A1 (de) 2024-08-29
WO2024179732A1 (de) 2024-09-06

Similar Documents

Publication Publication Date Title
EP3970077B1 (de) Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt, kraftfahrzeug sowie system
DE102018128289B4 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
EP4226248B1 (de) Verfahren und ein system zum testen eines fahrerassistenzsystems für ein fahrzeug
DE102018220865B4 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
DE102010013943B4 (de) Verfahren und Vorrichtung für eine Funktionsprüfung einer Objekt-Erkennungseinrichtung eines Kraftwagens
DE102019203712B4 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
DE102006044086A1 (de) System und Verfahren zur Simulation von Verkehrssituationen, insbesondere unfallkritischen Gefahrensituationen, sowie ein Fahrsimulator
DE102023200314A1 (de) Erzeugung maschinenlesbarer Szenariobeschreibungen aus menschlichen Beschreibungen
DE102017006338B4 (de) Verfahren zum effizienten Validieren und der sicheren Applikation von autonomen und teilautonomen Fahrzeugen
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
DE102019219241A1 (de) Verfahren zum Erstellen eines Verkehrsteilnehmeralgorithmus zur Computersimulation von Verkehrsteilnehmern, Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
WO2024179732A1 (de) Limitierter agentenmodelleinsatz in hybrid-verkehrssimulation mit realtrajektorien
DE102021123597A1 (de) Verfahren und Steuergerät zur automatisierten Applikation von Fahrerassistenzsystemen im Serienbetrieb
EP3979009A1 (de) Erzeugen eines vereinfachten modells für xil-systeme
WO2021037838A1 (de) Automatisierte erkennung eines anormalen verhaltens eines verkehrsteilnehmers
DE102023000357B3 (de) Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung
DE102022203422A1 (de) Test einer automatischen Fahrsteuerfunktion mittels semi-realer Verkehrsdaten
WO2023247092A1 (de) Auslegen eines automatischen fahrsteuersystems in massiv parallelen simulationen
AT521927A1 (de) Verfahren zur Kalibirierung eines technischen Systems
DE102023201241A1 (de) Verfahren zum Durchführen einer Verkehrssimulation
DE102023202132A1 (de) Kompositmetrik in Hybrid-Verkehrssimulation mit Realtrajektorien
WO2023025613A1 (de) Validieren einer fahrsteuerungsfunktion für den automatischen betrieb eines fahrzeugs
EP4451159A1 (de) Hybrid-verkehrssimulation mit agentenmodellen zum test teleoperierter fahrzeuge
DE102023117943B3 (de) Verfahren zu einer statistischen virtuellen Validierung von Fahrerassistenzsystemen
DE102023201784A1 (de) Adaptive realdatenbasierte Simulation eines zentralisiert koordinierten Verkehrsraums

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: 20250905

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