EP4689994A1 - Verfahren zum trainieren der vorhersage einer trajektorie eines kraftfahrzeugs entlang einer einen vorbestimmten verlauf aufweisenden fahrbahn durch ein neuronales netz - Google Patents

Verfahren zum trainieren der vorhersage einer trajektorie eines kraftfahrzeugs entlang einer einen vorbestimmten verlauf aufweisenden fahrbahn durch ein neuronales netz

Info

Publication number
EP4689994A1
EP4689994A1 EP24714187.2A EP24714187A EP4689994A1 EP 4689994 A1 EP4689994 A1 EP 4689994A1 EP 24714187 A EP24714187 A EP 24714187A EP 4689994 A1 EP4689994 A1 EP 4689994A1
Authority
EP
European Patent Office
Prior art keywords
trajectory
coordinate system
roadway
calculated
point
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
EP24714187.2A
Other languages
English (en)
French (fr)
Inventor
Felix Berkenkamp
Benjamin Coors
Johannes Goth
Maximilian Naumann
Sascha WIRGES
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
Cariad SE
Original Assignee
Robert Bosch GmbH
Cariad SE
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, Cariad SE filed Critical Robert Bosch GmbH
Publication of EP4689994A1 publication Critical patent/EP4689994A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the present invention relates to a method for training the prediction of a trajectory of a motor vehicle along a roadway having a predetermined course using a neural network.
  • the invention further relates to a deep learning system with such a neural network, which is set up/programmed to carry out this method.
  • the invention relates to a computer program product and a data carrier for carrying out the method.
  • Modern vehicle assistance systems for motor vehicles enable partially automated driving on a roadway.
  • Corresponding driving strategies that can be defined using said assistance systems include the calculation of a trajectory along which the motor vehicle should follow the course of the roadway to be driven on.
  • the X-deviation and the Y-deviation are determined for all trajectory points of the predicted trajectory and the simulated/real trajectory in the uniform coordinate system, the so-called "world coordinate system".
  • the disadvantage of this is that the course of the road being driven on is not taken into account when determining the loss function. In particular, it is therefore not possible to determine how large the determined deviation is along the longitudinal direction of the road, i.e. typically in the direction of travel of the motor vehicle, and transversely to the longitudinal direction of the road, which is of considerable importance for automated driving on a road.
  • the loss function component by component with an X component in the - local - longitudinal direction of the road and a Y component in the - local - transverse direction of the road.
  • the individual local coordinate systems can be aligned differently and, in particular, rotated relative to one another, following the course of the road.
  • the individual local coordinate systems can be positioned and aligned in such a way that at each trajectory point the loss function can be divided into a loss component in the longitudinal direction of the road and a loss component in the transverse direction of the road perpendicular to the longitudinal direction of the road.
  • the loss component in the longitudinal direction of the road can be assigned a different weight than the loss component in the transverse direction of the road.
  • This proves to be particularly important and advantageous, since knowledge of the deviation in the transverse direction of the road is of great importance for vehicle assistance systems when driving on roads with two or more lanes, especially if the motor vehicle is to follow a selected lane of the road or if the vehicle assistance system is to support or even automate a lane change.
  • it is of decisive advantage when calculating the loss function if the Y component of the loss function in the transverse direction of the road can be assigned a higher weight than the X component in the longitudinal direction of the road.
  • the X component can be assigned a higher weight than the Y component.
  • the term "actual trajectory” in the present sense preferably means a trajectory according to "ground truth”. This can be a trajectory actually driven by a motor vehicle or a trajectory simulated by means of simulation.
  • the trajectory point of the actual trajectory can be selected as the origin for the respective local coordinate system.
  • a Y-coordinate axis of this coordinate system should be selected so that it runs along a transverse direction of the road in the trajectory point, i.e. perpendicular to the longitudinal direction of the road.
  • This allows the loss function to be calculated in each trajectory point with an X component along the course of the road and a Y component orthogonal to the course of the road.
  • the method according to the invention is used to train the prediction of the trajectory of a motor vehicle along a road with a predetermined course by a neural network.
  • a loss function is calculated to characterize a deviation of the trajectory predicted by the neural network from the actual trajectory.
  • the loss function is not calculated in a single, uniform world coordinate system, but for at least one trajectory point, preferably for several trajectory points, particularly preferably for all trajectory points, of the actual trajectory in local coordinate systems that depend on the course of the roadway.
  • the origin of this coordinate system can particularly preferably be placed in the trajectory point of the actual trajectory.
  • an X-coordinate of this coordinate system can be selected along the longitudinal direction of the road, i.e. along the direction along which the road runs in the trajectory point.
  • a Y-coordinate of this coordinate system can be selected orthogonal to the longitudinal direction of the road, i.e. along a transverse direction of the road that extends orthogonal to the course of the longitudinal direction of the road in the trajectory point.
  • the coordinate system to be used to determine the deviation or the loss function is therefore individually defined for at least one trajectory point, preferably for several of the trajectory points, particularly preferably for all of the trajectory points. It is particularly expedient to determine a deviation of the at least one actual trajectory point from the associated predicted trajectory point in the individual coordinate system to calculate the deviation or loss function. It goes without saying that both the actual and the predicted trajectory are each defined as a function of time.
  • the Y function component is calculated as the deviation of the predicted from the actual trajectory along the transverse direction of the road, i.e. along the Y coordinate axis of the local coordinate system in this trajectory point, or at least calculated as a function of this deviation.
  • the deviation of the predicted from the actual trajectory along the X axis and the Y axis of the world coordinate system is first calculated to calculate the X function component and the Y function component.
  • the deviations calculated in the world coordinate system are Embodiment is transferred by means of a rotational transformation into the local coordinate system of the respective trajectory point of the actual trajectory.
  • the rotational transformation can be carried out by a rotation about an axis of rotation that extends perpendicularly to both the X-axis and the Y-axis of the world coordinate system.
  • the rotational transformation then takes place by an angle of rotation that is an intermediate angle between the X-axis of the world coordinate system and the X-coordinate axis of the local coordinate system in the respective trajectory point of the actual trajectory.
  • the angle of rotation can be defined as the intermediate angle between the Y-axis of the world coordinate system and the Y-coordinate axis of the local coordinate system in the respective trajectory point.
  • the actual trajectory can be a trajectory actually traveled by the motor vehicle or a trajectory simulated by means of simulation.
  • the invention further relates to a deep learning system which comprises at least one neural network which in turn is set up/programmed to carry out the method according to the invention presented above.
  • the advantages of the method according to the invention explained above are therefore transferred to the deep learning system according to the invention.
  • the invention further relates to a computer program product designed to carry out the method, in particular by means of the deep learning system.
  • the computer program product contains instructions which, when the computer program product is executed by a computer system and/or by the deep learning system, cause the computer system and/or the deep learning system to carry out the method.
  • the computer program product is preferably stored in a memory comprising at least one non-volatile memory.
  • the invention also includes a computer-readable data carrier for carrying out the method.
  • the data carrier includes commands which, when executed, cause a computer system and/or the deep learning system to carry out the method according to the invention explained above. Further important features and advantages of the invention emerge from the subclaims, from the drawing and from the associated description of the figures with reference to the drawings. It is understood that the features mentioned above and those to be explained below can be used not only in the combination specified in each case, but also in other combinations or on their own, without departing from the scope of the present invention. Preferred embodiments of the invention are shown in the drawings and are explained in more detail in the following description, wherein the same reference numerals refer to the same or similar or functionally identical components. They show, each schematically: Fig. 1 a roadway traveled by a motor vehicle with the predicted and actual trajectory drawn therein. Fig.
  • Figure 1 a detailed representation of Figure 1 in the area of a specific trajectory point of the actual trajectory of the motor vehicle.
  • Figure 1 shows a roadway 2 having a predetermined course 3 in a top view.
  • the roadway 2 is traveled by a motor vehicle 1, which is to follow the course 3 of the roadway.
  • the method according to the invention is used here.
  • the method according to the invention is explained below by way of example with reference to Figure 1.
  • the method according to the invention is used to train the prediction of a trajectory T* of the motor vehicle 1 along the roadway 2 by a neural network.
  • a loss function L2 is calculated for various trajectory points P1, P2, P3 of the actual trajectory T in order to characterize or determine a deviation ⁇ _T of a trajectory T* of the motor vehicle 1 predicted by the neural network from the trajectory T actually traveled.
  • the calculation is not carried out - as in conventional methods - in a uniform Cartesian world coordinate system K0 with a uniform X-axis and Y-axis, but in local coordinate systems K1, K2, K3, which depend on the course 3 of the roadway 2.
  • the trajectory referred to as "actual trajectory T" in connection with the present invention can be a trajectory actually traveled by the motor vehicle 1 or a trajectory simulated by means of simulation.
  • the actual trajectory T of the motor vehicle 1 can therefore have a large number of trajectory points, of which three trajectory points P1, P2, P3 are shown as examples in the example in Figure 1, in which the loss function L2 is to be calculated.
  • the trajectory points P1, P2, P3 can be defined with respect to a uniform Cartesian world coordinate system K0 in the example scenario.
  • the loss function L2 sought is calculated individually for each of the trajectory points P1, P2, P3 of the actual trajectory T.
  • the deviation of the trajectory T* predicted by the neural network from the actual trajectory T is calculated by determining the distance a1, a2, a3 of the respective trajectory point P1, P2, p3 of the actual trajectory T from the associated trajectory point P1*, P2*, P3* of the predicted trajectory T*.
  • the loss function L2 is calculated in the method according to the invention using a local coordinate system K1, K2, K3 assigned to the respective trajectory point P1 to P3.
  • the local coordinate system K1, K2, K3 is determined by the course 3 of the roadway 2 in the respective trajectory point P1, P2, P3.
  • the individual local coordinate systems K1, K2, K3 can thus differ from one another in terms of their position and orientation, as illustrated in Figure 1, and can also be different from the world coordinate system K0.
  • the respective trajectory point P1, P2, P3 of the actual trajectory T is selected as the respective coordinate origin U1, U2, U3 of the relevant local coordinate system K1, K2, K3.
  • An X-coordinate axis X1, X2, X3 of the respective local coordinate system K1, K2, K3 is selected such that it extends from the respective trajectory point P1, P2, P3 along the roadway longitudinal direction FLR1, FLR2, FLR3.
  • the X-coordinate axis X1 of the local coordinate system K1 extends from the trajectory point P1 along the roadway longitudinal direction FLR1 of the roadway 2 in the trajectory point P1.
  • the X-coordinate axis X2 of the local coordinate system K2 extends from the trajectory point P2 along the roadway longitudinal direction FLR2 of the roadway 2 in the trajectory point P2.
  • the X- Coordinate axis X3 of the local coordinate system K3 extends from the trajectory point P3 along the roadway longitudinal direction FLR3 of roadway 2 in the trajectory point P3.
  • the Y coordinate axis Y1, Y2, Y3 of the respective local coordinate system K1, K2, K3 is selected such that it extends from the respective trajectory point P1, P2, P3 along a roadway transverse direction FQR1, FQR2, FQR3, which runs orthogonal to the roadway longitudinal direction FLR1, FLR2, FLR3 in this trajectory point P1, P2, P3.
  • the respective Y coordinate axis Y1, Y2, Y3 also extends perpendicular to the associated X coordinate axis X1, X2, X3.
  • the Y-coordinate axis Y1 of the local coordinate system K1 extends from the trajectory point P1 along a road transverse direction FQR1, which extends at the trajectory point P1 orthogonal to the road longitudinal direction FLR1.
  • the Y-coordinate axis Y2 of the local coordinate system K2 extends from the trajectory point P2 along a road transverse direction FQR2, which extends at the trajectory point P2 orthogonal to the road longitudinal direction FLR2.
  • the Y-coordinate axis Y3 of the local coordinate system K3 extends from the trajectory point P3 along a road transverse direction FQR3, which extends at the trajectory point P3 orthogonal to the road longitudinal direction FLR3.
  • FQR3 road transverse direction
  • L2-X local X-function component
  • L2-Y local Y-function component
  • the X-function component L2-X is determined as the deviation ⁇ T_FLR of the predicted trajectory T* from the actual trajectory T along the roadway longitudinal direction FLR, i.e. along the X-coordinate axis X3 of the local coordinate system K3 in the trajectory point P3.
  • the Y-function component L2-Y is determined as the deviation ⁇ T_FQR of the predicted trajectory T* from the actual trajectory T along the roadway transverse direction FQR3, i.e.
  • the deviation ⁇ T_X0 and ⁇ T_Y0 of the predicted T* from the actual trajectory T along the X-axis X0 and the Y-axis Y0 of the world coordinate system K0 can first be calculated in the trajectory point P3.
  • the deviations ⁇ T_X0, ⁇ T_Y0 calculated in the world coordinate system K0 are transferred to the local coordinate system K1, K2, K3 of the respective trajectory point P1, P2, P3 by means of a rotation transformation DT.
  • the rotation transformation DT can be carried out by rotating around a rotation axis that extends perpendicularly to both the X-coordinate axis X0 and the Y-coordinate axis Y0 of the world coordinate system K0.
  • the rotation transformation DT is then carried out by a rotation angle, which is an intermediate angle ⁇ between the X-coordinate axis X0 of the world coordinate system K0 and the X-coordinate axis X1, X2, X3 of the local coordinate system K1, K2, K3 in the respective trajectory point P1, P2, P3.
  • the individual weighting of the loss function L2 at the trajectory point P3 in the longitudinal direction of the road FLR or perpendicular to this in the transverse direction of the road FQR, which is essential to the invention, is possible and also implemented.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Trainieren der Vorhersage einer Trajektorie (T*) eines Kraftfahrzeugs (1) entlang einer einen vorbestimmten Verlauf (3) aufweisenden Fahrbahn (2) durch ein neuronales Netz, gemäß welchem zur Charakterisierung einer Abweichung (Δ_T) der vom neuronalen Netz vorhergesagten Trajektorie (T*) von der tatsächlichen Trajektorie (T) eine Verlustfunktion (L2) berechnet wird. Die Verlustfunktion (L2) wird für wenigstens einen Trajektorienpunkt (P1, P2, P3) der tatsächlichen Trajektorie (T) in einem lokalen Koordinatensystem (K1, K2, K3) berechnet, der vom Verlauf (3) der Fahrbahn (2) abhängt.

Description

Verfahren zum Trainieren der Vorhersage einer Trajektorie eines Kraftfahrzeugs entlang einer einen vorbestimmten Verlauf aufweisenden Fahrbahn durch ein neuronales Netz Die vorliegende Erfindung betrifft ein Verfahren zum Trainieren der Vorhersage einer Trajektorie eines Kraftfahrzeugs entlang einer einen vorbestimmten Verlauf aufweisenden Fahrbahn durch ein neuronales Netz. Die Erfindung betrifft ferner ein Deep Learning System mit einem solchen neuronalen Netz, welches zur Durchführung dieses Verfahrens eingerichtet/programmiert ist. Zudem betrifft die Erfindung ein Computerprogrammprodukt sowie einen Datenträger zur Ausführung des Verfahrens. Moderne Fahrzeugassistenzsysteme von Kraftfahrzeugen ermöglichen ein teilautomatisiertes Befahren einer Fahrbahn. Entsprechende Fahrstrategien, die mithilfe besagter Assistenzsysteme festgelegt werden können, beinhalten die Berechnung einer Trajektorie, entlang welcher das Kraftfahrzeug dem Verlauf der zu befahrenden Fahrbahn folgen soll. Um solche Fahrstrategien - sowohl für die Simulation als auch für den realen Fahrbetrieb – zu erlangen und diese kontinuierlich zu verbessern, ist es bekannt, sogenannte Deep-Learning-Systeme mit neuronalen Netzen einzusetzen, die besagte Fahrstrategien trainieren können. Zum Training wird eine vom neuronalen Netz vorhergesagte Trajektorie des Kraftfahrzeugs entlang der Fahrbahn mit einer simulierten Trajektorie oder mit einer real vom Kraftfahrzeug befahrenen Trajektorie verglichen und die sich ergebende Abweichung in Form einer sogenannten Verlustfunktion bestimmt. Aus herkömmlichen Verfahren ist es bekannt, als Verlustfunktion den sogenannten L2-Verlust zu berechnen. Hierbei wird die Abweichung der vorhergesagten Trajektorie mit der simulierten/realen Trajektorie durch separate Ermittlung der X-Abweichung und der Y-Abweichung in einem einheitlichen, ortsfesten und typischerweise kartesischen Koordinatensystem mit vorgegebener X- und Y-Achse durchgeführt. Dies erlaubt eine unterschiedliche Gewichtung der X- und Y-Abweichung. Die X-Abweichung und die Y-Abweichung werden dabei für alle Trajektorienpunkte der vorhergesagten Trajektorie und der simulierten/realen Trajektorie im einheitlichen Koordinatensystem, dem sogenannten "Welt- Koordinatensystem", bestimmt. Als nachteilig daran erweist sich, dass bei der Bestimmung der Verlustfunktion der Verlauf der befahrenen Fahrbahn nicht berücksichtigt ist. Somit lässt sich insbesondere nicht bestimmen, wie groß die ermittelte Abweichung entlang der Fahrbahnlängsrichtung, also typischerweise in Fahrtrichtung des Kraftfahrzeugs, und quer zur Fahrbahnlängsrichtung ist, was für das automatisierte Befahren einer Fahrbahn jedoch von erheblicher Bedeutung ist. Es ist daher eine Aufgabe der vorliegenden Erfindung, vor dem oben genannten Hintergrund ein verbessertes Verfahren zum Trainieren eines neuronalen Netzes zu schaffen, bei welchem oben genannter Nachteil zumindest teilweise, bevorzugt weitgehend, besonders bevorzugt vollständig, ausgeräumt ist. Diese Aufgabe wird durch den Gegenstand der unabhängigen Patentansprüche gelöst. Bevorzugte Ausführungsformen sind Gegenstand der abhängigen Patentansprüche. Grundidee der Erfindung ist demnach, eine Verlustfunktion, welche die Abweichung einer von einem neuronalen Netz vorhergesagten Trajektorie eines Kraftfahrzeugs beim Befahren einer Fahrbahn von einer tatsächlichen Trajektorie charakterisiert, nicht in einem einheitlichen Weltkoordinatensystem, sondern in lokalen, vom Verlauf der Fahrbahn abhängenden Koordinatensystemen zu berechnen. Dies ermöglicht es, bei der Berechnung der Verlustfunktion den Verlauf der Fahrbahn, insbesondere den Richtungsverlauf der sich in der Regel nicht ausschließlich geradlinig erstreckenden Fahrbahn zu berücksichtigen. Insbesondere wird es durch Verwendung lokaler Koordinatensysteme ohne weiteres möglich, die Verlustfunktion komponentenweise mit einer X-Komponente in der - lokalen - Fahrbahnlängsrichtung und einer Y-Komponente in der - lokalen - Fahrbahnquerrichtung zu berechnen. Die einzelnen lokalen Koordinatensysteme können dabei, dem Verlauf der Fahrbahn folgend, unterschiedlich ausgerichtet und insbesondere relativ zueinander verdreht angeordnet werden. Insbesondere können die einzelnen lokalen Koordinatensysteme so positioniert und ausgerichtet werden, dass in jedem Trajektorienpunkt die Verlustfunktion in eine Verlustkomponente in Fahrbahnlängsrichtung und in eine Verlustkomponente in Fahrbahnquerrichtung senkrecht zur Fahrbahnlängsrichtung aufgeteilt werden kann. Dadurch kann für jeden Trajektorienpunkt der Verlustkomponente in Fahrbahnlängsrichtung ein anderes Gewicht zugewiesen werden als der Verlustkomponente in Fahrbahnquerrichtung. Dies erweist sich als besonders bedeutsam und vorteilhaft, da für Fahrzeugassistenzsysteme die Kenntnis der Abweichung in Fahrbahnquerrichtung beim Befahren von Fahrbahnen mit zwei oder mehr Fahrspuren von hoher Bedeutung ist, insbesondere wenn das Kraftfahrzeug einer ausgewählten Fahrspur der Fahrbahn folgen soll oder wenn das Fahrzeugassistenzsystem einen Spurwechsel unterstützen oder sogar automatisiert vornehmen soll. Insofern ist es bei der Berechnung von der Verlustfunktion von entscheidendem Vorteil, wenn der Y-Komponente der Verlustfunktion in Fahrbahnquerrichtung ein höheres Gewicht zugewiesen werden kann als der X- Komponente in Fahrbahnlängsrichtung. Analog dazu kann für den Fall eines vorgesehenen Stopps des Kraftfahrzeugs, beispielsweise an einer Verkehrsampel, der X-Komponente ein höheres Gewicht zugewiesen werden als der Y-Komponente. Unter dem Begriff "tatsächliche Trajektorie" im vorliegende Sinne ist vorzugsweise eine Trajektorie gemäß "Ground Truth" gemeint. Diese kann eine von einem Kraftfahrzeug real befahrene Trajektorie oder einer mittels Simulation simulierte Trajektorie sein. Im Zuge des erfindungsgemäßen Verfahrens kann als Ursprung für das jeweilige lokale Koordinatensystem der Trajektorienpunkt der tatsächlichen Trajektorie gewählt werden. Gemäß dieser Variante wird außerdem vorgeschlagen, eine X- Koordinatenachse dieses lokalen Koordinatensystems so festzulegen, dass sie entlang einer Fahrbahnlängsrichtung der Fahrbahn in dem Trajektorienpunkt der tatsächlichen Trajektorie verläuft. Entsprechend soll eine Y-Koordinatenachse dieses Koordinatensystems so gewählt werden, dass sie entlang einer Fahrbahnquerrichtung der Fahrbahn in dem Trajektorienpunkt, also senkrecht zur Fahrbahnlängsrichtung, verläuft. Dadurch kann die Verlustfunktion in jedem Trajektorienpunkt mit einer X-Komponente entlang des Fahrbahnverlaufs und einer Y-Komponente orthogonal zum Fahrbahnverlauf berechnet werden. Das erfindungsgemäße Verfahren dient zum Trainieren der Vorhersage der Trajektorie eines Kraftfahrzeugs entlang einer einen vorbestimmten Verlauf aufweisenden Fahrbahn durch ein neuronales Netz. Gemäß dem Verfahren wird zur Charakterisierung einer Abweichung der vom neuronalen Netz vorhergesagten Trajektorie von der tatsächlichen Trajektorie eine Verlustfunktion berechnet. Erfindungsgemäß wird die Verlustfunktion nicht in einem einzigen, einheitlichen Welt-Koordinatensystem, sondern für wenigstens einen Trajektorienpunkt, vorzugsweise für mehrere Trajektorienpunkte, besonders bevorzugt für alle Trajektorienpunkte, der tatsächlichen Trajektorie in lokalen Koordinatensystemen berechnet, die vom Verlauf der Fahrbahn abhängen. Gemäß einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird daher vorgeschlagen, zur Berechnung der Abweichung bzw. Verlustfunktion für jeden Trajektorienpunkt der tatsächlichen Trajektorie, für welchen die Abweichung gegenüber dem korrespondierenden Trajektorienpunkt berechnet werden soll, ein Koordinatensystem individuell festzulegen. Besonders bevorzugt kann der Ursprung dieses Koordinatensystems in den Trajektorienpunkt der tatsächlichen Trajektorie gelegt werden. Außerdem kann eine X-Koordinate dieses Koordinatensystems entlang der Fahrbahnlängsrichtung gewählt werden, also entlang derjenigen Richtung, entlang welcher die Fahrbahn im Trajektorienpunkt verläuft. Entsprechend kann eine Y-Koordinate dieses Koordinatensystems orthogonal zur Fahrbahnlängsrichtung gewählt werden, also entlang einer Fahrbahnquerrichtung, die sich orthogonal zum Verlauf der Fahrbahnlängsrichtung in dem Trajektorienpunkt erstreckt. Bevorzugt wird also zur Ermittlung der Abweichung bzw. der Verlustfunktion heranzuziehende Koordinatensystem für wenigstens einen Trajektorienpunkt, vorzugsweise für mehrere der Trajektorienpunkte, besonders bevorzugt für alle der Trajektorienpunkte, individuell festgelegt. Besonders zweckmäßig wird zur Berechnung der Abweichung bzw. Verlustfunktion in dem individuellen Koordinatensystem eine Abweichung des wenigstens einen tatsächlichen Trajektorienpunkts von dem zugeordneten vorhergesagten Trajektorienpunkt bestimmt. Es versteht sich, dass sowohl die tatsächliche als auch die vorhergesagte Trajektorie jeweils als Funktion der Zeit definiert ist. Somit werden beim hier vorgestellten Verfahren bzw. bei der Berechnung der Abweichung bzw. Verlustfunktion Trajektorienpunkte der vorhergesagten Trajektorie mit Trajektorienpunkten der tatsächlichen Trajektorienpunkte jeweils zum selben Zeitpunkt verglichen. Bei einer bevorzugten Ausführungsform umfasst die tatsächliche Trajektorie eine Mehrzahl von Trajektorienpunkten, die in einem, vorzugsweise kartesischen, Welt- Koordinatensystem, festgelegt sind. Bei dieser Ausführungsform wird die gesuchte Verlustfunktion für zumindest zwei, vorzugsweise mehrere, Trajektorienpunkte der tatsächlichen Trajektorie berechnet. Hierzu wird für jeden dieser Trajektorien- punkte die Verlustfunktion in einem dem jeweiligen Trajektorienpunkt der tatsächlichen Trajektorie zugeordneten lokalen Koordinatensystem berechnet. Dabei wird das lokale Koordinatensystem durch den Verlauf der Fahrbahn im Trajektorienpunkt festgelegt. Gemäß einer vorteilhaften Weiterbildung des erfindungsgemäßen Verfahrens wird ein Koordinatenursprung des jeweiligen lokalen Koordinatensystems derjenige Trajektorienpunkt gewählt, welchem das betreffende lokale Koordinatensystem zugeordnet ist. Bei dieser Weiterbildung wird eine X-Koordinatenachse des jeweiligen lokalen Koordinatensystems als vom zugeordneten Trajektorienpunkt weg in eine Fahrbahnlängsrichtung verlaufend gewählt, entlang welcher sich die Fahrbahn in dem Trajektorienpunkt erstreckt. Besonders bevorzugt kann eine Y-Koordinatenachse des lokalen Koordinatensystems als vom jeweiligen Trajektorienpunkt weg in eine Fahrbahnquerrichtung verlaufend gewählt werden, welche sich orthogonal zur Fahrbahnlängsrichtung in diesem Trajektorienpunkt erstreckt. Bei einer anderen bevorzugten Ausführungsform werden zur Berechnung der Verlustfunktion im jeweiligen Trajektorienpunkt eine lokale X- Funktionskomponente und eine lokale Y-Funktionskomponente berechnet. Dazu wird die X-Funktionskomponente als Abweichung der vorhergesagten von der tatsächlichen Trajektorie entlang der Fahrbahnlängsrichtung, also entlang der X- Koordinatenachse des lokalen Koordinatensystems in diesem Trajektorienpunkt, berechnet oder zumindest in Abhängigkeit von dieser Abweichung berechnet. Außerdem wird die Y-Funktionskomponente als Abweichung der vorhergesagten von der tatsächlichen Trajektorie entlang der Fahrbahnquerrichtung, also entlang der Y-Koordinatenachse des lokalen Koordinatensystems in diesem Trajektorienpunkt berechnet oder zumindest in Abhängigkeit von dieser Abweichung berechnet, Bei einer weiteren bevorzugten Ausführungsform wird zur Berechnung der X- Funktionskomponente und der Y-Funktionskomponente zunächst die Abweichung der vorhergesagten von der tatsächlichen Trajektorie entlang der X-Achse und der Y-Achse des Welt-Koordinatensystems berechnet. Die im Welt- Koordinatensystem berechneten Abweichungen werden bei dieser Ausführungsform mittels einer Drehtransformation in das lokale Koordinatensystem des jeweiligen Trajektorienpunkts der tatsächlichen Trajektorie überführt. Besonders bevorzugt kann die Drehtransformation durch eine Drehung um eine Drehachse erfolgen, die sich senkrecht sowohl zur X-Achse als auch zur Y-Achse des Welt-Koordinatensystems erstreckt. Die Drehtransformation erfolgt dann um einen Drehwinkel, der ein Zwischenwinkel zwischen der X-Achse des Welt- Koordinatensystems und der X-Koordinatenachse des lokalen Koordinatensystems im jeweiligen Trajektorienpunkt der tatsächlichen Trajektorie ist. Analog kann der Drehwinkel der Zwischenwinkel zwischen der Y-Achse des Welt-Koordinatensystems und der Y-Koordinatenachse des lokalen Koordinatensystems im jeweiligen Trajektorienpunkt definiert sein. Bei einer anderen bevorzugten Ausführungsform kann die tatsächliche Trajektorie eine vom Kraftfahrzeug real befahrene Trajektorie oder mittels Simulation simulierte Trajektorie sein. Die Erfindung betrifft ferner ein Deep Learning System, welches wenigstens ein neuronales Netz umfasst, das wiederum zur Durchführung des voranstehend vorgestellten, erfindungsgemäßen Verfahrens eingerichtet/programmiert ist. Die vorangehend erläuterten Vorteile des erfindungsgemäßen Verfahrens übertragen sich daher auf das erfindungsgemäße Deep-Learning-System. Weiterhin betrifft die Erfindung ein zum Ausführen des Verfahrens, insbesondere mittels des Deep-Learning-Systems, ausgestaltetes Computerprogrammprodukt. Das Computerprogrammprodukt enthält Befehle, welche bei der Ausführung des Computerprogrammprodukts durch ein Computersystem und/oder durch das Deep-Learning-System dieses veranlassen, das Verfahren auszuführen. Das Computerprogrammprodukt ist vorzugsweise auf einem zumindest einen nichtflüchtigen Speicher umfassenden Speicher hinterlegt/gespeichert. Ebenso umfasst die Erfindung einen computerlesbaren Datenträger zur Ausführung des Verfahrens. Der Datenträger umfasst Befehle, die bei der Ausführung ein Computersystem und/oder das Deep-Learning-System veranlassen, das voranstehend erläuterte, erfindungsgemäße Verfahren auszuführen. Weitere wichtige Merkmale und Vorteile der Erfindung ergeben sich aus den Unteransprüchen, aus der Zeichnung und aus der zugehörigen Figurenbeschreibung anhand der Zeichnungen. 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 Ausführungsbeispiele der Erfindung sind in den Zeichnungen dargestellt und werden in der nachfolgenden Beschreibung näher erläutert, wobei sich gleiche Bezugszeichen auf gleiche oder ähnliche oder funktional gleiche Komponenten beziehen. Es zeigen, jeweils schematisch: Fig. 1 eine von einem Kraftfahrzeug befahrene Fahrbahn mit darin jeweils eingezeichneter vorhergesagter und tatsächlicher Trajektorie Fig.2 eine Detaildarstellung der Figur 1 im Bereich eines bestimmten Trajektorienpunkt der tatsächlichen Trajektorie des Kraftfahrzeugs. Figur 1 zeigt eine einen vorbestimmten Verlauf 3 aufweisende Fahrbahn 2 in einer Draufsicht. Die Fahrbahn 2 wird von einem Kraftfahrzeug 1 befahren, welches dem Verlauf 3 der Fahrbahn folgen soll. Hierbei kommt das erfindungsgemäße Verfahren zum Einsatz. Anhand der Figur 1 wird im Folgenden das erfindungsgemäße Verfahren beispielhaft erläutert. Das erfindungsgemäße Verfahren dient zum Trainieren der Vorhersage einer Trajektorie T* des Kraftfahrzeugs 1 entlang der Fahrbahn 2 durch ein neuronales Netz. Gemäß dem Verfahren wird zur Charakterisierung bzw. Bestimmung einer Abweichung Δ_T einer vom neuronalen Netz vorhergesagten Trajektorie T* des Kraftfahrzeugs 1 von der tatsächlich befahrenen Trajektorie T für verschiedene Trajektorienpunkte P1, P2, P3 der tatsächlichen Trajektorie T eine Verlustfunktion L2 berechnet. Die Berechnung erfolgt jedoch nicht – wie bei herkömmlichen Verfahren - nicht in einem einheitlichen kartesischen Welt-Koordinatensystem K0 mit einheitlicher X-Achse und Y-Achse, sondern in lokalen Koordinatensystemen K1, K2, K3, die vom Verlauf 3 der Fahrbahn 2 abhängen. Die im Zusammenhang mit der vorliegenden Erfindung als "tatsächliche Trajektorie T" bezeichnete Trajektorie kann dabei eine vom Kraftfahrzeug 1 real befahrene Trajektorie oder mittels Simulation simulierte Trajektorie sein. Wie Figur 1 erkennen lässt, kann die tatsächliche Trajektorie T des Kraftfahrzeugs 1 also eine Vielzahl von Trajektorienpunkten aufweisen, von welchen im Beispiel der Figur 1 exemplarisch drei Trajektorienpunkte P1, P2, P3 dargestellt sind, in welchen die Verlustfunktion L2 berechnet werden soll. Die Trajektorienpunkte P1, P2, P3 können bezüglich eines einheitlichen im Beispielszenario kartesischen Welt-Koordinatensystem K0 festgelegt sein. Beim erfindungsgemäßen Verfahren wird die gesuchte Verlustfunktion L2 für jeden der Trajektorienpunkte P1, P2, P3 der tatsächlichen Trajektorie T individuell berechnet. Zur Berechnung wird für jeden dieser Trajektorienpunkte P1 bis P3 die Abweichung der vom neuronalen Netz vorhergesagten Trajektorie T* von der tatsächlichen Trajektorie T durch Ermittlung des Abstands a1, a2, a3 des jeweiligen Trajektorienpunkts P1, P2, p3 der tatsächlichen Trajektorie T vom zugeordneten Trajektorienpunkt P1*, P2*, P3* der vorhergesagten Trajektorie T* berechnet. Hierbei ist sowohl die tatsächliche Trajektorie T als auch die vorhergesagte Trajektorie T* jeweils als Funktion der Zeit definiert, also T=T(t) bzw. T*=T*(t). Somit werden bei der Berechnung der Abweichung bzw. Verlustfunktion L2 Trajektorienpunkte P1*, P2*, P3* der vorhergesagten Trajektorie T* mit Trajektorienpunkten P1, P2, P3 der tatsächlichen Trajektorienpunkte T jeweils zum selben Zeitpunkt verglichen, also P1 = T(t1), P1* = T*(t1), P2 = T(t2), P2* = T*(t2), P3 = T(t3), P3* = T*(t3). Die Verlustfunktion L2 wird beim erfindungsgemäßen Verfahren unter Verwendung eines dem jeweiligen Trajektorienpunkt P1 bis P3 zugeordneten lokalen Koordinatensystems K1, K2, K3 berechnet. Dabei wird das lokale Koordinatensystem K1, K2, K3 durch den Verlauf 3 der Fahrbahn 2 im jeweiligen Trajektorienpunkt P1, P2, P3 festgelegt. Somit können aber die einzelnen lokalen Koordinatensysteme K1, K2, K3 wie in Figur 1 veranschaulicht bzgl. ihrer Position und Ausrichtung voneinander abweichen und auch zum Welt-Koordinatensystem K0 verschieden sein. Zur Festlegung der einzelnen lokalen Koordinatensysteme K1, K2, K3 wird als jeweiliger Koordinatenursprung U1, U2, U3 des betreffenden lokalen Koordinatensystems K1, K2, K3 der jeweilige Trajektorienpunkt P1, P2, P3 der tatsächlichen Trajektorie T gewählt. Eine X-Koordinatenachse X1, X2, X3 des jeweiligen lokalen Koordinatensystems K1, K2, K3 wird so gewählt, dass sie sich vom jeweiligen Trajektorienpunkt P1, P2, P3 entlang Fahrbahnlängsrichtung FLR1, FLR2, FLR3 erstreckt. Mit anderen Worten, die X-Koordinatenachse X1 des lokalen Koordinatensystems K1 erstreckt sich vom Trajektorienpunkt P1 weg entlang der Fahrbahnlängsrichtung FLR1 der der Fahrbahn 2 in dem Trajektorienpunkt P1. Die X-Koordinatenachse X2 des lokalen Koordinatensystems K2 erstreckt sich vom Trajektorienpunkt P2 weg entlang der Fahrbahnlängsrichtung FLR2 der Fahrbahn 2 in dem Trajektorienpunkt P2. Die X- Koordinatenachse X3 des lokalen Koordinatensystems K3 erstreckt sich vom Trajektorienpunkt P3 weg entlang der Fahrbahnlängsrichtung FLR3 der Fahrbahn 2 in dem Trajektorienpunkt P3. Entsprechend wird Y-Koordinatenachse Y1, Y2, Y3 des jeweiligen lokalen Koordinatensystems K1, K2, K3 so gewählt, dass sie sich vom jeweiligen Trajektorienpunkt P1, P2, P3 entlang einer Fahrbahnquerrichtung FQR1, FQR2, FQR3, welche orthogonal zur Fahrbahnlängsrichtung FLR1, FLR2, FLR3 in diesem Trajektorienpunkt P1, P2, P3 verläuft, erstreckt. Somit erstreckt sich die jeweilige Y-Koordinatenachse Y1, Y2, Y3 auch senkrecht zur zugeordneten X- Koordinatenachse X1, X2, X3. Mit anderen Worten, die Y-Koordinatenachse Y1, des lokalen Koordinatensystems K1 erstreckt sich vom Trajektorienpunkt P1 entlang einer Fahrbahnquerrichtung FQR1, welche sich im Trajektorienpunkt P1 orthogonal zur Fahrbahnlängsrichtung FLR1 erstreckt. Die Y-Koordinatenachse Y2, des lokalen Koordinatensystems K2 erstreckt sich vom Trajektorienpunkt P2 entlang einer Fahrbahn-querrichtung FQR2, welche sich im Trajektorienpunkt P2 orthogonal zur Fahrbahn-längsrichtung FLR2 erstreckt. Die Y-Koordinatenachse Y3 des lokalen Koordinatensystems K3 vom Trajektorienpunkt P3 entlang einer Fahrbahnquerrichtung FQR3 erstreckt sich, welche sich im Trajektorienpunkt P3 orthogonal zur Fahrbahnlängsrichtung FLR3 erstreckt. Zur Berechnung der Verlustfunktion L2 im jeweiligen Trajektorienpunkt P1, P2, P3 werden jeweils eine lokale X-Funktionskomponente L2-X und eine lokale Y- Funktionskomponente L2-Y bestimmt der Verlustfunktion L2. Dies wird im Folgenden anhand der Figur 2 für den Trajektorienpunkt P3 exemplarisch erläutert. Die Figur 2 ist eine Detaildarstellung der Figur 1 im Bereich des Trajektorienpunkts P3. Nachstehende Erläuterungen zum Trajektorienpunkt P3 gelten mutatis mutandis auch für die beiden anderen in Figur 1 gezeigten Trajektorienpunkte P1, P2 sowie für alle Trajektorienpunkte, für welche das erfindungsgemäße Verfahren wie hier beschrieben ausgeführt werden soll. Gemäß Figur 2 wird die X-Funktionskomponente L2-X als Abweichung ΔT_FLR der vorhergesagten Trajektorie T* von der tatsächlichen Trajektorie T entlang der Fahrbahnlängsrichtung FLR, also entlang der X-Koordinatenachse X3 des lokalen Koordinatensystems K3 im Trajektorienpunkt P3 bestimmt. Entsprechend wird die Y-Funktionskomponente L2-Y als Abweichung ΔT_FQR der vorhergesagten Trajektorie T* von der tatsächlichen Trajektorie T entlang der Fahrbahnquerrichtung FQR3, also entlang der Y-Koordinatenachse Y3 des lokalen Koordinatensystems K3 im Trajektorienpunkt P3 bestimmt. Für die konkrete Berechnung der X-Funktionskomponente L2_X und auch der Y- Funktionskomponente L2_Y kann zunächst im Trajektorienpunkt P3 die Abweichung ΔT_X0 sowie ΔT_Y0 der vorhergesagten T* von der tatsächlichen Trajektorie T entlang der X-Achse X0 bzw. der Y-Achse Y0 des Welt- Koordinatensystems K0 berechnet. Die im Welt-Koordinatensystem K0 berechneten Abweichungen ΔT_X0, ΔT_Y0 werden mittels einer Drehtransformation DT in das lokale Koordinatensystem K1, K2, K3 des jeweiligen Trajektorienpunkts P1, P2, P3 überführt. Die Drehtransformation DT kann durch eine Drehung um eine Drehachse erfolgen, die sich senkrecht sowohl zur X- Koordinatenachse X0 als auch zur Y-Koordinatenachse Y0 des Welt- Koordinatensystems K0 erstreckt. Die Drehtransformation DT erfolgt dann um einen Drehwinkel, der ein Zwischenwinkel θ zwischen der X-Koordinatenachse X0 des Welt-Koordinatensystems K0 und der X-Koordinatenachse X1, X2, X3 des lokalen Koordinatensystems K1, K2, K3 im jeweiligen Trajektorienpunkt P1, P2, P3 ist. Die Drehtransformation DT wird durch folgende Drehmatrix beschrieben: Somit ergibt sich für die gesuchten Abweichungen ΔT_FLR, ΔT_QLR bzw. die X- Funktionskomponenten L2_X, L2_Y im Koordinatensystem K3: Der Abstand a3 des Trajektorienpunkt P3 der tatsächlichen Trajektorie T zum zugeordneten Trajektorienpunkt P3* der vorhergesagten Trajektorie T* berechnet sich also zu ^3 = ^(ΔT_FLR^ + ΔT_FQR^) Die Verlustfunktion L2 kann somit aus den beiden Funktionskomponenten L2_X, L2_Y berechnet werden, also L2 = f (L2_X, L2_Y). Denkbar ist dabei insbesondere eine individueller Gewichtung G_X, G_Y der beiden Funktionskomponenten L2_X, L2_Y, beispielsweise in der Form ^2 = (^^^2^ + ^^^2^) oder, alternativ dazu in der Form ^2 = ((^^^2^)^ + (^^^2^)^)^/^ denkbar. In beiden Beispielen ist die erfindungswesentliche individuelle Gewichtung der Verlustfunktion L2 im Trajektorienpunkt P3 in Fahrbahnlängsrichtung FLR bzw. senkrecht zu dieser in Fahrbahnquerrichtung FQR möglich und auch umgesetzt. *******

Claims

Patentansprüche 1. Verfahren zum Trainieren der Vorhersage einer Trajektorie (T*) eines Kraftfahrzeugs (1) entlang einer einen vorbestimmten Verlauf (3) aufweisenden Fahrbahn (2) durch ein neuronales Netz, - gemäß welchem zur Charakterisierung einer Abweichung (Δ_T) der vom neuronalen Netz vorhergesagten Trajektorie (T*) von der tatsächlichen Trajektorie (T) eine Verlustfunktion (L2) bestimmt wird, - wobei die Verlustfunktion (L2) für wenigstens einen Trajektorienpunkt (P1, P2, P3), vorzugsweise für mehrere Trajektorienpunkte (P1, P2, P3), besonders bevorzugt für alle Trajektorienpunkte (P1, P2, P3), der tatsächlichen Trajektorie (T) in einem lokalen Koordinatensystem (K1, K2, K3) berechnet wird, der vom Verlauf (3) der Fahrbahn (2) abhängt. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zur Berechnung der Abweichung (Δ_T) bzw. Verlustfunktion (L2) für wenigstens einen, vorzugsweise für jeden, Trajektorienpunkt (P1, P2, P3) der tatsächlichen Trajektorie (T), ein (lokales) Koordinatensystem (K1, K2, K3) individuell festgelegt wird. 3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass zur Berechnung der Abweichung (Δ_T) bzw. Verlustfunktion (L2) in dem individuellen Koordinatensystem (K1, K2, K3) eine Abweichung des wenigstens einen tatsächlichen Trajektorienpunkts (P1, P2, P3) von dem zugeordneten Trajektorienpunkt (P1*, P2*, P3*) der vorhergesagten Trajektorie (T*) bestimmt wird. 4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass - als Ursprung (U1, U2, U3) für dieses Koordinatensystem (K1, K2, K3) der Trajektorienpunkt (P1, P2, P3) der tatsächlichen Trajektorie (T) gewählt wird, - eine X-Koordinate (X1, X2, X3) dieses Koordinatensystems entlang einer Fahrbahnlängsrichtung (FLR) der Fahrbahn (2) in dem Trajektorienpunkt (P1, P2, p3) gewählt wird, - eine Y-Koordinate (Y1, Y2, Y3) dieses Koordinatensystems (K1, K2, K3) entlang einer Fahrbahnquerrichtung (FQR) orthogonal zur Fahrbahnlängsrichtung (FLR) der Fahrbahn (2) in dem Trajektorienpunkt (P1, P2, P3) gewählt wird. 5. Verfahren nach einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass - die tatsächliche Trajektorie (T) eine Mehrzahl von Trajektorienpunkten (P1, P2, P3) umfasst, die in einem, vorzugsweise kartesischen, Welt- Koordinatensystem (K0), festgelegt sind, - die Verlustfunktion (L2) für zumindest zwei, vorzugsweise mehrere, Trajektorienpunkte (P1, P2, P3) der tatsächlichen Trajektorie (T) berechnet wird, - für jeden dieser Trajektorienpunkte ((P1, P2, P3)) die Verlustfunktion (L2) in einem dem jeweiligen Trajektorienpunkt ((P1, P2, P3)) zugeordneten lokalen Koordinatensystem (K1, K2, K3) berechnet wird, wobei das lokale Koordinatensystem (K1, K2, K3) vom Verlauf (3) der Fahrbahn (2) im Trajektorienpunkt (P1, P2, P3) abhängt. 6. Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass - ein Koordinatenursprung (U1, U2, U3) des jeweiligen lokalen Koordinatensystems (K1, K2, K3) derjenige Trajektorienpunkt (P1, P2, P3) ist, welchem dieses lokale Koordinatensystem (K1, K2, K3) zugeordnet ist; - eine X-Koordinatenachse (X1, X2, X3) des jeweiligen lokalen Koordinatensystems (K1, K2, K3) vom zugeordneten Trajektorienpunkt (P1, P2, P3) weg in eine Fahrbahnlängsrichtung (FLR1, FLR2, FLR3) verläuft, entlang welcher sich die Fahrbahn (2) in dem Trajektorienpunkt (P1, P2, P3) erstreckt. 7. Verfahren nach einem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass eine Y-Koordinatenachse (Y1, Y2, Y3) des lokalen Koordinatensystems (K1, K2, K3) vom jeweiligen Trajektorienpunkt (P1, P2, P3) weg in eine Fahrbahnquerrichtung (FQR1, FQR2, FQR3) verläuft, welche sich orthogonal zur Fahrbahnlängsrichtung (FLR1, FLR2, FLR3) in diesem Trajektorienpunkt (P1, P2, P3) erstreckt. 8. Verfahren nach einem der Ansprüche 2 bis 8, dadurch gekennzeichnet, dass - zur Berechnung der Verlustfunktion (L2) im jeweiligen Trajektorienpunkt (P1, P2., P3) eine lokale X-Funktionskomponente (L2_X) und eine lokale Y- Funktionskomponente (L2_Y) berechnet werden, - die X-Funktionskomponente (L2-X) als Abweichung (ΔT_FLR) der vorhergesagten (T*) von der tatsächlichen Trajektorie (T) entlang der Fahrbahnlängsrichtung (FLR), also entlang der X-Koordinatenachse (X1, X2, X3) des lokalen Koordinatensystems (K1, K2, K3) in diesem Trajektorienpunkt (P1, P2, P3) berechnet wird oder in Abhängigkeit von dieser Abweichung (ΔT_FLR) berechnet wird, - die Y-Funktionskomponente (L2-Y) als Abweichung (ΔT_FQR) der vorhergesagten (T*) von der tatsächlichen Trajektorie (T) entlang der Fahrbahnquerrichtung (FQR), also entlang der Y-Koordinatenachse (Y1, Y2, Y3) des lokalen Koordinatensystems (K1, K2, K3) in diesem Trajektorienpunkt berechnet wird oder in Abhängigkeit von dieser Abweichung (ΔT_FQR) berechnet wird, 9. Verfahren nach einem der Ansprüche 2 bis 8, dadurch gekennzeichnet, dass - zur Berechnung der X-Funktionskomponente (L2_X) und der Y- Funktionskomponente (L2_Y) zunächst die Abweichung (ΔT_X0, ΔT_Y0) der vorhergesagten (T*) von der tatsächlichen Trajektorie (T) entlang der X-Achse (X0) und der Y-Achse (Y0) des Welt-Koordinatensystems (K0) berechnet wird, - die im Welt-Koordinatensystem (K0) berechneten Abweichungen (ΔT_X0, ΔT_Y0) mittels einer Drehtransformation (DT) in das lokale Koordinatensystem (K1, K2, K3) des jeweiligen Trajektorienpunkts (P1, P2, P3) überführt werden. 10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass die Drehtransformation (DT) durch eine Drehung um eine Drehachse erfolgt, die sich senkrecht sowohl zur X-Koordinatenachse (X0) als auch zur Y- Koordinatenachse (Y0) des Welt-Koordinatensystems (K0) erstreckt, und um einen Drehwinkel erfolgt, der ein Zwischenwinkel (θ) zwischen der X- Koordinatenachse (X0) des Welt-Koordinatensystems (K0) und der X- Koordinatenachse (X1, X2, X3) des lokalen Koordinatensystems (K1, K2, K3) im jeweiligen Trajektorienpunkt (P1, P2, P3) ist. 11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die tatsächliche Trajektorie (T) eine vom Kraftfahrzeug (1) real befahrene Trajektorie oder mittels Simulation simulierte Trajektorie ist. 12. Deep Learning System, umfassend wenigstens ein neuronales Netz, welches zur Durchführung des Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet/ programmiert ist. 13. Computerprogrammprodukt, welches Befehle enthält, welche bei der Ausführung des Computerprogrammprodukts durch ein Computersystem und/oder durch das Deep-Learning-System gemäß Anspruch 12, dieses veranlassen, das Verfahren gemäß einem der Ansprüche 1 bis 11 auszuführen. 14. Datenträger, welcher Befehle enthält, welche bei der Ausführung durch ein Computersystem und/oder durch das Deep-Learning-System gemäß Anspruch 12, dieses veranlassen, das Verfahren gemäß einem der Ansprüche 1 bis 11 auszuführen. *******
EP24714187.2A 2023-03-24 2024-03-25 Verfahren zum trainieren der vorhersage einer trajektorie eines kraftfahrzeugs entlang einer einen vorbestimmten verlauf aufweisenden fahrbahn durch ein neuronales netz Pending EP4689994A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023202710.0A DE102023202710A1 (de) 2023-03-24 2023-03-24 Verfahren zum Trainieren der Vorhersage einer Trajektorie eines Kraftfahrzeugs entlang einer einen vorbestimmten Verlauf aufweisenden Fahrbahn durch ein neuronales Netz
PCT/EP2024/057983 WO2024200370A1 (de) 2023-03-24 2024-03-25 Verfahren zum trainieren der vorhersage einer trajektorie eines kraftfahrzeugs entlang einer einen vorbestimmten verlauf aufweisenden fahrbahn durch ein neuronales netz

Publications (1)

Publication Number Publication Date
EP4689994A1 true EP4689994A1 (de) 2026-02-11

Family

ID=90473307

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24714187.2A Pending EP4689994A1 (de) 2023-03-24 2024-03-25 Verfahren zum trainieren der vorhersage einer trajektorie eines kraftfahrzeugs entlang einer einen vorbestimmten verlauf aufweisenden fahrbahn durch ein neuronales netz

Country Status (4)

Country Link
EP (1) EP4689994A1 (de)
CN (1) CN121100339A (de)
DE (1) DE102023202710A1 (de)
WO (1) WO2024200370A1 (de)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11636307B2 (en) * 2019-07-08 2023-04-25 Uatc, Llc Systems and methods for generating motion forecast data for actors with respect to an autonomous vehicle and training a machine learned model for the same
US12547175B2 (en) * 2020-01-28 2026-02-10 Five AI Limited Planning in mobile robots

Also Published As

Publication number Publication date
DE102023202710A1 (de) 2024-09-26
CN121100339A (zh) 2025-12-09
WO2024200370A1 (de) 2024-10-03

Similar Documents

Publication Publication Date Title
DE102014008353A1 (de) Verfahren zum Betrieb eines Fahrerassistenzsystems zur automatisierten Führung eines Kraftfahrzeugs sowie zugeordnetes Kraftfahrzeug
DE102020108857A1 (de) Verfahren zur Planung einer Soll-Trajektorie
EP2932227A2 (de) Verfahren zur beurteilung der beherrschbarkeit eines fahrzeuges
DE102018216082A1 (de) Verfahren zur kooperativen Manöverabstimmung
DE102020205072A1 (de) Verfahren zum Planen eines automatisierten Parkvorgangs für ein Fahrzeug
DE102018213971A1 (de) Verfahren und Vorrichtung zur Auswahl eines Fahrmanövers
DE102019209398A1 (de) Angleichen von Koordinatensystemen mehrerer Karten basierend auf Trajektorien
DE102018204101A1 (de) Verfahren und Vorrichtung zur Planung einer Trajektorie für die Längs- und/oder Querführung eines Fahrzeugs
EP4105811B1 (de) Computerimplementiertes verfahren zum szenariobasierten testen und/oder homologation von zu testenden zumindest teilweise autonomen fahrfunktionen durch key performance indicators (kpi)
DE102015209066A1 (de) Aufwandsreduzierte Trajektorienplanung für ein Fahrzeug
EP4108545A1 (de) Verfahren zum bestimmen einer aktuell befahrbaren trajektorie für ein zumindest teilweise assistiert betriebenes kraftfahrzeug, sowie assistenzsystem
EP3201710B1 (de) Ein trajektorien-planungsverfahren zur ermittlung eines steuerprofils für ein kraftfahrzeug
DE102018005864A1 (de) Verfahren zum Testen eines Totwinkelassistenzsystems für ein Fahrzeug
EP4565468A1 (de) Verfahren zum unterstützen eines fahrers eines fahrzeugs mittels mindestens eines assistenzsystems und assistenzsystem
DE102018007298A1 (de) Verfahren zur Routenplanung
WO2024200370A1 (de) Verfahren zum trainieren der vorhersage einer trajektorie eines kraftfahrzeugs entlang einer einen vorbestimmten verlauf aufweisenden fahrbahn durch ein neuronales netz
DE102019107224A1 (de) Fahrunterstützungsverfahren
DE102023202690A1 (de) Verfahren zum Trainieren der Vorhersage einer Trajektorie eines Kraftfahrzeugs entlang einer einen vorbestimmten Verlauf aufweisenden Fahrbahn durch ein neuronales Netz
DE102022201407B3 (de) Verfahren zum Steuern eines Verhaltens eines Fahrzeugs
EP4174741A1 (de) Verfahren zur betriebsoptimierung eines kraftfahrzeugs
DE102022127863A1 (de) Verfahren zum Betrieb eines lichtbasierten Fahrerassistenzsystems eines Kraftfahrzeugs
WO2018184637A1 (de) Steuervorrichtung und verfahren
DE102021207528A1 (de) Erkennung von Verbindungsmustern anhand von Trajektoriendaten
DE102021208187A1 (de) Verfahren zum Bereitstellen von Trainingsdaten zum Anlernen eines künstlichen neuronalen Netzes, Verfahren zum Anlernen eines künstlichen neuronalen Netzes, Computerprogrammprodukt und Datenstruktur
DE102019125817A1 (de) Verfahren zur Planung einer oder mehrerer Trajektorien eines Fahrzeugs und System zum Durchführen des Verfahrens

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: 20250912

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