WO2005052883A1 - Verfahren und system zur ermittlung der fahrsituation - Google Patents

Verfahren und system zur ermittlung der fahrsituation Download PDF

Info

Publication number
WO2005052883A1
WO2005052883A1 PCT/EP2004/010704 EP2004010704W WO2005052883A1 WO 2005052883 A1 WO2005052883 A1 WO 2005052883A1 EP 2004010704 W EP2004010704 W EP 2004010704W WO 2005052883 A1 WO2005052883 A1 WO 2005052883A1
Authority
WO
WIPO (PCT)
Prior art keywords
driving
driving situation
neural network
output
motor vehicle
Prior art date
Application number
PCT/EP2004/010704
Other languages
English (en)
French (fr)
Inventor
Christian Salzmann
Uwe Stolle
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Priority to EP04765557A priority Critical patent/EP1685546A1/de
Publication of WO2005052883A1 publication Critical patent/WO2005052883A1/de
Priority to US11/437,807 priority patent/US7386389B2/en

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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

Definitions

  • the invention relates to a method for determining the driving situation of a motor vehicle and a corresponding system according to the preamble of the main claim in question.
  • the object of the present invention is a method and a system for relieving the driver.
  • An essential aspect of the method according to the invention lies in the use of data provided in the motor vehicle which indicate the value of at least one state variable of the vehicle. These data can be made available for carrying out the method according to the invention, for example, via the data bus of the motor vehicle.
  • a data record indicating the history of the at least one state variable is provided in a first step.
  • a neural network is made available in the motor vehicle by an appropriately programmed computer.
  • the neural network of the method according to the invention preferably has at least one input layer and one output layer and each of the layers has a plurality of perceptrons.
  • the respective value of the at least one state variable of the relevant point in time preferably, like all other values, also normalized to the range from 0 to 1 is fed to one perceptron of the neural network, and from the perceptrons of the output layer of the neural network, after it has been trained, the current driving situation is output.
  • a perceptron is a mathematical function (software function) formed by software that calculates an output value from input values, which is passed on to different perceptrons.
  • the input values are weighted and the output value of the perceptron is a mapping function of the weighted input values according to the software function.
  • a preferred neural network is a sigmoid network, which preferably has three layers.
  • each perceptron is formed by the known sigmoid function.
  • Sigmoid networks are advantageously characterized in that the output value of the perceptron or the software function is largely linear to the input value, which simplifies further processing.
  • the current driving state of the vehicle is preferably determined or determined from a chronological sequence of determined driving situations.
  • a current sequence of driving situations is assigned a current driving status based on at least one assignment rule.
  • a new driving state is preferably only established when the new driving state has already been ascertained or established several times within a previous time interval.
  • a different driving situation is preferably assigned to each perceptron of the output layer or its output signal.
  • the maximum output signal of all output signals of the perceptrons of the output layer indicates the current driving situation of the motor vehicle.
  • the output signal, preferably the signal maximum, of the first perceptron of the output layer of the neural network indicates the driving situation “Stop & Go”.
  • the output signal, preferably the signal maximum, of the second perceptron of the output layer of the neural network indicates the driving situation "City traffic”.
  • the output signal, preferably the signal maximum, of the third perceptron of the output layer of the neural network stands for the "cruise” driving situation.
  • the output signal, preferably the signal maximum, of the fourth perceptron of the output layer of the neural network stands for the driving situation “sport”.
  • the input layer of the neural network or the corresponding computer program in this embodiment of the invention is chronologically in each case a data record with status variables of the motor vehicle is supplied and the driving situation is determined chronologically in each case on the basis of the maximum output signal of all perceptrons of the output layer can be.
  • the driving situation is considered to be indefinite if the difference between the value of the maximum output signal of all perceptrons of the output layer and the value of the next smaller output signal of the perceptron in question is less than 20%.
  • the scope or the extent of the information passed on to the driver of the motor vehicle is based on the determined driving state.
  • the driver is preferred by the method or system according to the invention during a driving condition which is very demanding, e.g. fast highway driving, information with high distraction, e.g. a phone call, withheld temporarily or saved for later display etc. in a less strenuous driving condition.
  • the driver can select which information or which sum of information is given to him in the driving state of a first class, such as "Stop &Go", for a second class, such as "city traffic” etc. are displayed or output.
  • a first class such as "Stop &Go”
  • a second class such as "city traffic” etc.
  • FIG. 1 shows a flowchart to explain the method according to the invention for determining the driving situation and the driving state of a motor vehicle
  • FIG. 1 shows the state machine of Figure 1 in more detail.
  • MMI human-machine interface
  • the driving situation such as fast, concentrated driving on an expressway or freeway, searching driving in an inner city area or relaxed "cruising" on a country road.
  • This driving situation needs to be "identified” by a software process - if possible the basis of data generally available in the vehicle.
  • One problem here is that a driving situation is perceived very subjectively.
  • the driving situation cannot be determined selectively based on a single point in time, but must take into account a certain length of time in the past. A prerequisite for this is the autonomous detection of the driving situation by the vehicle itself.
  • the method according to the invention is carried out on a software system according to the invention, which recognizes the current driving situation by means of the data which are mostly provided anyway via the electronic vehicle bus system (eg CAN bus).
  • the electronic vehicle bus system eg CAN bus.
  • the optional, exclusive use of data already provided has the advantage that no additional sensors or control units are required - a GPS system is also not absolutely necessary.
  • the method or system according to the invention based on a neural network is also suitable for recognizing more, fewer or different driving situations when it is trained for the new driving situations - see below.
  • a neural network in particular a sigmoid network
  • the following driving situations are distinguished on the basis of their characteristics:
  • the stop & go driving situation is characterized by traffic jam or slow-moving traffic at low speeds and often at a standstill;
  • the "city traffic” driving situation is characterized by fluid traffic at speeds of approx. 15 km / h to approx. 70 km / h, frequent Steering movements and sometimes standstill;
  • the "Cruise” driving situation is characterized by relaxed driving at speeds above 70 km / h, little steering movements and smooth driving, and the "Sport” driving situation is characterized by sporty driving, higher longitudinal and lateral acceleration and frequent steering movements.
  • One aspect of the invention lies in the "estimation" of the similarity of the real driving situation to the driving situations defined above, because there is almost no exact match.
  • driving situations are situation patterns that - in order to recognize them reliably - should be assessed over a certain period of time If only the current data, in particular CAN data, were used at the respective point in time (eg every 500 ms), the driving situation would change every 500 ms, which is not desirable For example, a stop at a traffic light or a brief stop would already be classified as "Stop &Go", while it may only be a brief interruption in driving safety. tuation “Cruise”.
  • the method or system according to the invention is therefore preferably provided with a certain “inertia”.
  • the method or system according to the invention is preferably implemented by a software solution or a programmed sequential control system which forms a neural sigmoid network.
  • the sigmoid network After continuously supplying values that describe the state variables of the vehicle, the sigmoid network outputs a classification of the driving situation determined on the basis of the values.
  • the neural network or sigmoid network provides a “similarity value” which indicates the similarity of the supplied data or values with stored data or values that correspond to the above-mentioned driving situations and during training of the sigmoid network In the case of a high degree of similarity, the driving situation assigned to the corresponding, stored values is assumed to be currently applicable.
  • standard-compliant CAN messages from the vehicle-internal and standardized CAN bus are used as input variables in the sigmoid network
  • These are preferably discretized and normalized in time, of course, if necessary, data from another data bus provided in the vehicle can of course also be used in addition or as an alternative to determine the driving situation or the driving state.
  • a software component intervenes at regular intervals, e.g. Intervals in the time interval of approx. 500 ms to approx. 2000 ms, the defined message types from the CAN bus and prepares them accordingly.
  • the following known data telegrams from the CAN bus are evaluated:
  • CcarSpeed speed as well as longitudinal and lateral acceleration of the vehicle.
  • CgearBox engaged gear or selector lever position.
  • CAN identifier: 772 status gear - CsteeringWheelAngle (contains position information of the steering wheel).
  • the method according to the invention is roughly divided into two parts:
  • the neural network according to the invention in particular a sigmoid network, is parameterized.
  • the neural network is trained and the transitions and parameters of the "inertia" of the system are set.
  • a second step the current driving situation and the current driving condition in the vehicle are calculated.
  • the second step is divided into: access relevant vehicle data from the CAN bus in appropriate time steps, - preparation of the data for optimal evaluation, calculation of the current driving situation at the current time based on current and past CAN data, and calculation of the current driving status.
  • Neural networks are known methods or systems from computer science, which are used for example in image or speech recognition.
  • a neural network consists of a number of so-called perceptrons.
  • a perceptron is a software function that has a number of input values and uses it to calculate an output value that is forwarded to various perceptrons as input.
  • the output value of a perceptron is the result of a mapping function of the weighted input values (inputs) according to the following function, preferably the sigmoid function: 1
  • a neural network consists of n layers, which in turn consist of perceptrons, a perceptron of the nth layer having all perceptron outputs of the (n-1) th layer as input values.
  • a three-layer sigmoid network is preferably used in the method or system according to the invention.
  • neural networks are “trainable” and thus adaptable to the specific task.
  • training the network is set by examples using the known, so-called “back propagation” method so that new input values are similar classified as “training values”.
  • a signal pattern to be recognized is created at the input layer of the sigmoid network.
  • the perceptrons or the corresponding software components carry out a calculation according to the sigmoid function.
  • the result of the calculation is in
  • the parameters of the weights of the individual perceptrons are parameterized by means of known learning methods (algorithms), in which examples of input patterns are created and corresponding output patterns are specified.
  • the algorithm then sets the weights in this way that the specified output patterns are calculated or formed for the specified input patterns.
  • the input pattern is a set of CAN messages which correspond to the driving situation “city traffic”.
  • the weights are set in such a way that the output pattern supplies all perceptrons of the output layer with signal level 0, only perceptron number 2 supplies signal level 1.
  • Signal level 1 on Perzeptron 2 is representative of the driving situation "city traffic”.
  • the driving situation is determined at regular time intervals based on the current relevant CAN data and a specific data history of this data using the 3-layer neural network, preferably a gradient or sigmoid network.
  • the current driving situation is determined every 0.5 seconds using the speed and acceleration data at the current time t and the data at the times t-2 seconds and t-4 seconds.
  • the driving state is then determined in a second stage on the basis of the current driving situation and the driving situations which have been recognized in the past.
  • the currently recognized driving situation the past recognized driving situations and the current driving state are included.
  • software component 2 picks up the data required to determine the driving situation from the CAN bus 1 at suitable time intervals, preferably 0.5 to 2 seconds, and forms a torie v (t), v (t-1), v (t-2) etc. of tapped data.
  • the data of the data history are fed to the perceptrons of the input layer of the three-layer sigmoid network 3, which outputs the calculated current driving situation 4 after parameterization and training of the system.
  • the determined driving situations are fed to a so-called state machine 5, which calculates and outputs the current driving state on the basis of the following regulations from the driving situations output.
  • the different driving states are designated by way of example with A, B, C and D in FIG. 1. This is done continuously using the progressive data history.
  • the sigmoid network is trained for the driving situations which are considered to be expedient by means of the back propagation or gradient descent method. That Certain (typical) input data into the sigmoid network is assigned a specific driving situation and the weightings in the sigmoid network are set in such a way that the output perceptron shows a maximum value that stands for a specific driving situation that corresponds to the assigned driving situation.
  • the state machine 5 assigns a driving state according to the table in FIG. 2 to a history of driving situations. This assignment or table is based on empirical values.
  • the method can be used with various parameters (history, CAN data, etc.). Therefore, here is a general description of the procedure.
  • the procedure depends on the amount of n input parameters, the width of the time window "delta" and the length of the history that is looked back at, k * delta.
  • the procedure is roughly divided into the following steps:
  • the order of the driving situations to be defined applies, i.e. the driving situations are values, e.g. 0, 1, 2, 3, and 4 assigned.
  • the driving state changes. This is done by the state machine by taking the counter reading Z into account accordingly (see above). c. If Z reaches the defined value, the driving state changes and Z is set to zero.
  • the method begins again at step 1. It is clear from the above explanations that the method or system according to the invention enables a reliable determination of the driving situation and the driving state. Ie the actual driving style This is used as input, not the driving environment (eg "Autobahn") and the presumed driving style. Systems that are based on location (“if on the Autobahn (determined via GPS), then the driving situation counts as” Schnellfahr "), are less precise because the actual driving style can be quite different. The method and system described here make it possible to determine the driving situation regardless of the driving environment. If, for example, the driver shows driving behavior on the country road, such as on the freeway, the freeway driving situation is also recognized - regardless of the actual circumstances.
  • the method or system according to the invention can advantageously - but does not have to - on the basis of the standardized CAN data or other data that is already present in the vehicle and that is required in every vehicle without the need for special equipment such as a navigation system with GPS Way to be realized.
  • the method or system according to the invention is easy to parameterize and can thus be flexibly adapted to changing framework conditions (e.g. new vehicle type). Furthermore, it only has low hardware requirements (CPU, memory consumption) and does not require any additional sensors. From this aspect too, it can therefore be made available to the driver at low cost.
  • the method or system according to the invention for driving situation and / or driving state detection can be used for driving situation and / or driving state-dependent adaptation of any correspondingly adaptable vehicle functions or vehicle systems. Examples of this are: adaptive transmission control adaptive chassis "Adaptive Cruise Control” - adjusting the scale of the navigation map on the display of an electronic navigation system depending on the detected driving situation adaptive steering ratio in "Active Front Steering" adaptive headlight range control or adaptive headlamp leveling.
  • Another possible application is the driving situation and / or driving condition-dependent operation of human-machine interfaces to relieve the driver, for example the amount of information passed on to the driver can be based on the current driving condition. Of course, there are numerous other applications that take the current driving condition into account.

Abstract

Die Erfindung betrifft ein Verfahren und ein System zur Ermittlung der Fahrsituation eines Kraftfahrzeugs unter Verwendung von in dem Kraftfahrzeug bereitgestellten Daten, insbesondere auf einem Datenbus (1) des Kraftfahrzeugs, die den Wert min­destens einer Zustandsgrösse (V, ...) des Fahrzeugs angeben. Zur Entlastung des Fahrers wird erfindungsgemäss in einem ersten Schritt ein die Historie der mindes­tens einen Zustandsgrösse angebender Datensatz (V (t3), V (t2), V (t1), V (t0), ) bereit gestellt. In einem zweiten Schritt wird in dem Kraftfahrzeug ein neuronales Netz (3) durch einen entsprechend programmierten Rechner bereit gestellt. Das neuronale Netz (3) weist mindestens eine Eingangs­Schicht und eine Ausgangs Schicht auf, wobei jede der Schichten eine Mehrzahl von Perzeptronen hat. In einem dritten Schritt wird der jeweilige Wert der mindestens einen Zustandsgrösse (V,... ) des betreffenden Zeitpunkts, vorzugsweise ein normierter Wert, jeweils einem Perzeptron des neuronalen Netzes (3) zugeführt. Von den Perzeptronen der Ausgangs-Schicht des neuronalen Netzes wird, nachdem es trainiert worden ist, die aktuelle Fahrsituation (4) ausgegeben.

Description

Verfahren und System zur Ermittlung der Fahrsituation
Die Erfindung betrifft ein Verfahren zur Ermittlung der Fahrsituation eines Kraftfahr- zeugs sowie ein entsprechendes System nach dem Oberbegriff des betreffenden Hauptanspruchs.
Aufgrund der zunehmenden Menge von im Fahrzeug zur Verfügung gestellten Informationen und den damit einhergehenden Anforderungen an den Fahrer, ist es notwendig ihn bei hoher Belastung aufgrund der Verkehrssituation gezielt zu entlasten.
Aufgabe der vorliegenden Erfindung ist ein Verfahren und ein System zur Entlastung des Fahrers.
Diese Aufgabe wird durch die in den betreffenden unabhängigen Ansprüchen genannten Maßnahmen Verfahrens- bzw. vorrichtungsmäßig gelöst. Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
Ein wesentlicher Aspekt des erfindungsgemäßen Verfahrens liegt in der Verwendung von in dem Kraftfahrzeug bereitgestellten Daten die den Wert mindestens einer Zustandsgröße des Fahrzeugs angeben. Diese Daten können zur Durchführung des erfindungsgemäßen Verfahrens beispielsweise über den Datenbus des Kraftfahrzeugs zur Verfügung gestellt werden. In einem ersten Schritt wird ein die Histo- rie der mindestens einen Zustandsgröße angebender Datensatz bereit gestellt. In einem zweiten Schritt wird in dem Kraftfahrzeug ein neuronales Netz durch einen entsprechend programmierten Rechner bereit gestellt. Das neuronale Netz des erfindungsgemäßen Verfahrens weist vorzugsweise mindestens eine Eingangs- Schicht und eine Ausgangs-Schicht auf und jede der Schichten hat eine Mehrzahl von Perzeptronen. In einem dritten Schritt wird der jeweilige Wert der mindestens einen Zustandsgröße des betreffenden Zeitpunkts, vorzugsweise wie alle anderen Werte auch auf den Bereich von 0 bis 1 normiert, jeweils einem Perzeptron des neuronalen Netzes zugeführt wird, und von den Perzeptronen der Ausgangs-Schicht des neuronalen Netzes, nachdem es trainiert worden ist, wird die aktuelle Fahrsituation ausgegeben.
Ein Perzeptron ist eine durch Software gebildete mathematische Funktion (Soft- ware-Funktion), die aus Eingangswerten einen Ausgangswert berechnet, der an verschiedene Perzeptronen weitergeleitet wird. Die Eingangswerte werden gewich- tet und der Ausgangswert des Perzeptrons ist eine Abbildungsfunktion der gewich- teten Eingangswerte gemäß der Software-Funktion.
Nachfolgend werden bevorzugte Ausführungsformen der Erfindung näher erläutert.
Ein bevorzugtes neuronales Netz ist ein Sigmoid-Netz, das vorzugsweise drei Schichten aufweist. Jedes Perzeptron wird in diesem Fall durch die an sich bekannte Sigmoid-Funktion gebildet. Sigmoid-Netze zeichnen sich vorteilhafterweise da- durch aus, dass der Ausgangswert des Perzeptrons bzw. der Software-Funktion weitgehend linear zum Eingangswert ist, was die Weiterverarbeitung vereinfacht.
Bevorzugt wird der gegenwärtige Fahrzustand des Fahrzeugs aus einer zeitlichen Abfolge ermittelter Fahrsituationen festgestellt bzw. festgelegt. Einer zeitlichen Ab- folge von ermittelten Fahrsituationen wird auf der Basis mindestens einer Zuord- nungsvorschrift ein aktueller Fahrzustand zugeordnet. Anstelle des früheren Fahrzustands wird vorzugsweise erst dann ein neuer Fahrzustand festgelegt, wenn der neue Fahrzustand innerhalb eines zurückliegenden Zeitintervalls bereits mehrfach festgestellt bzw. festgelegt worden ist.
Vorzugsweise wird jedem Perzeptron der Ausgangs-Schicht bzw. dessen Ausgangssignal eine andere Fahrsituation zugeordnet. Das maximale Ausgangssignal aller Ausgangssignale der Perzeptronen der Ausgangs-Schicht gibt die aktuelle Fahrsituation des Kraftfahrzeugs an.
Bevorzugt gibt das Ausgangssignal, vorzugsweise das Signal-Maximum, des ersten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Stop & Go" an. Das Ausgangssignal, vorzugsweise das Signal-Maximum, des zweiten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes gibt die Fahrsituation „Stadtverkehr" an. Das Ausgangssignal, vorzugsweise das Signal-Maximum, des dritten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes steht für die Fahrsituation „Cruise". Das Ausgangssignal, vorzugsweise das Signal-Maximum, des vierten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes steht für die Fahrsituation „Sport". Zusammenfassend wird der Eingangs-Schicht des neuronalen Netzes bzw. dem entsprechenden Computer-Programm bei dieser Ausführungsform der Erfindung chronologisch jeweils ein Datensatz mit Zustandsgrößen des Kraftfahrzeugs zugeführt und chronologisch jeweils die Fahrsituation anhand des maximalen Ausgangssignals aller Perzeptronen der Ausgangs-Schicht ermittelt. Es ver- steht sich, dass die ermittelte Fahrsituation auch in mehr oder weniger Klassen („Stop & Go" etc.) eingruppiert werden kann.
Bei einem Ausführungsbeispiel der Erfindung gilt die Fahrsituation als unbestimmt, wenn die Differenz zwischen dem Wert des maximalen Ausgangsignals aller Per- zeptronen der Ausgangs-Schicht und dem Wert des nächst kleineren Ausgangssignals des betreffenden Perzeptrons kleiner als 20 % ist. Dasselbe gilt alternativ oder ergänzend bei einem weiteren Ausführungsbeispiel, wenn der Wert des größten Ausgangssignals aller Perzeptronen der Ausgangs-Schicht kleiner als 10% seines Maximalwertes ist. Durch diese optionalen erfindungsgemäßen Maßnahmen ist es möglich nur solche Fahrsituationen zu berücksichtigen, die mit hinreichender Sicherheit ermittelt worden sind. Dies gilt insbesondere für die Bestimmung des Fahrzustands auf der Basis ermittelter Fahrsituationen.
Bei einer anderen bevorzugten Ausführungsform der Erfindung orientiert sich der Umfang bzw. das Ausmaß der an den Fahrer des Kraftfahrzeugs weitergegebenen Informationen am ermittelten Fahrzustand. Bevorzugt werden dem Fahrer durch das erfindungsgemäße Verfahren bzw. System während eines ihn stark beanspruchenden Fahrzustands, z.B. schnelle Autobahnfahrt, Informationen mit hoher Ablenkung, wie z.B. ein Telefonanruf, zeitweise vorenthalten bzw. zur späteren Anzeige etc. bei einem weniger anstrengenden Fahrzustand gespeichert.
Bei einer erfindungsgemäßen Ausführungsform bzw. einem erfindungsgemäßen Mensch-Maschine-Interface kann der Fahrer auswählen, welche Informationen bzw. welche Summe von Informationen ihm bei dem Fahrzustand einer ersten Klasse, wie z.B. „Stop & Go", bei einer zweiten Klasse, z.B. „Stadtverkehr" etc. angezeigt bzw. ausgegeben werden.
Die Erfindung wird nachfolgend unter Verwendung von Figuren näher erläutert. Es zeigen:
Figur 1 Ein Ablaufdiagramm zur Erläuterung des erfindungsgemäßen Verfahrens zur Ermittlung der Fahrsituation und des Fahrzustands eines Kraftfahrzeugs; und
Figur 2 die Zustandsmaschine der Figur 1 in detaillierterer Form.
Für zukünftige Fahrzeuggenerationen ist es wichtig, die Benutzung der MMI- Systeme (MMI = Mensch-Maschine-Interface) und der Fahrzeugelektronik adaptiv an die Bedürfnisse des Fahrers anzupassen. Dies kann beispielsweise bedeuten, dass die Menge der angebotenen Informationen im MMI des Fahrzeugs in dynamischen Fahrsituationen (z.B. Sport- oder Autobahn-Fahrt) verringert wird, wobei dem Fahrer bei entspanntem oder gar ruhendem Fahren (z.B. Stop & Go) mehr Informationen angeboten werden.
Ein wichtiger Faktor hierbei ist die Fahrsituation, wie beispielsweise schnelles, konzentriertes Fahren auf einer Schnellstrasse oder Autobahn, suchendes Fahren in einem Innenstadtbereich oder entspanntes „Cruisen" auf einer Landstrasse. Diese Fahrsituation gilt es durch ein Software-Verfahren zu „erkennen" - möglichst auf der Basis von allgemein im Fahrzeug verfügbaren Daten. Idealerweise soll es möglich sein, mit im Fahrzeug ohnehin zur Verfügung stehenden Daten, beispielsweise Daten, Nachrichten bzw. Telegramme auf dem CAN-Bus des Fahrzeugs, die Fahrsituation zu erkennen. Ein Problem ist hierbei, dass eine Fahrsituation sehr subjektiv wahrgenommen wird. Außerdem kann man die Fahrsituation nicht punktuell auf- grund eines einzelnen Zeitpunkts bestimmen, sondern muss einen Zeitraum bestimmter Länge in der Vergangenheit berücksichtigen. Eine Vorraussetzung hierfür ist die autonome Erkennung der Fahrsituation durch das Fahrzeug selbst. Das erfindungsgemäße Verfahren wird auf einem erfindungsgemäßen Software- System ausgeführt, das mittels der über das elektronische Fahrzeug-Bussystem (z.B. CAN-Bus) vorwiegend ohnehin bereitgestellten Daten, die aktuelle Fahrsituation erkennt. Die optionale, ausschließliche Verwendung von ohnehin bereitgestellten Daten hat den Vorteil, dass keine zusätzliche Sensorik oder Steuergeräte benötigt werden - auch ein GPS System ist nicht unbedingt erforderlich.
Das erfindungsgemäße Verfahren bzw. System auf der Basis eines neuronalen Netzes, insbesondere eines Sigmoid-Netzes, eignet sich aber auch zur Erkennung von mehr, weniger oder anderen Fahrsituationen, wenn es auf die neuen Fahrsituationen trainiert wird - siehe unten. Im nachfolgend beschriebenen Ausführungsbeispiel werden die folgenden Fahrsituationen anhand von deren Charakteristika unterschieden:
- Die Fahrsituation Stop & Go" ist gekennzeichnet durch Stau bzw. zähfließendem Verkehr bei niedrigen Geschwindigkeiten und oft Stillstand; die Fahrsituation „Stadtverkehr" zeichnet sich aus durch flüssigen Verkehr bei Geschwindigkeiten von ca. 15km/h bis ca. 70 km/h, häufige Lenkbewegungen und manchmal Stillstand; - die Fahrsituation „Cruise" ist gekennzeichnet durch entspanntes Fahren bei Geschwindigkeiten über 70 km/h, wenig Lenkbewegungen und flüssiges Fahren, und die Fahrsituation „Sport" zeichnet sich aus durch sportliches Fahren, höhere Längs- und Querbeschleunigung und häufige Lenkbewegungen.
Ein Aspekt der Erfindung liegt in der „Abschätzung" der Ähnlichkeit der realen Fahrsituation mit den oben definierten Fahrsituationen, weil eine exakte Übereinstimmung so gut wie nie gegeben ist. Ein weiterer Aspekt ist, dass es sich bei Fahrsituationen um Situations-Muster handelt, die - um sie zuverlässig zu erkennen - über eine gewisse Zeitspanne beurteilt werden sollten. Würde man nur die aktuellen Daten, insbesondere CAN-Daten, zum jeweiligen Zeitpunkt verwenden (z.B. alle 500 ms) würde sich die Fahrsituation evtl. alle 500 ms ändern, was nicht erwünscht ist. So würde beispielsweise ein Ampel-Stop oder kurzes Halten bereits als „Stop & Go" klassifiziert, während es sich vielleicht nur um eine kurze Unterbrechung der Fahrsi- tuation „Cruise" handelt. Bevorzugt wird das erfindungsgemäße Verfahren bzw. Sy stem daher mit einer gewissen „Trägheit" versehen.
Das erfindungsgemäße Verfahren bzw. System wird bevorzugt durch eine Software- lösung bzw. eine programmierte Ablaufsteuerung realisiert, die ein neuronales Sig- moid-Netz bildet. Das Sigmoid-Netz gibt nach dem kontinuierlichen Zuführen von Werten, die Zustandsgrößen des Fahrzeugs beschreiben, eine Klassifikation der auf der Basis der Werte ermittelten Fahrsituation aus. Mit anderen Worten: Das neuronale Netz bzw. Sigmoid-Netz liefert einen „Ähnlichkeitswert", der die Ähnlichkeit der zugeführten Daten bzw. Werte mit gespeicherten Daten bzw. Werten angibt, die den o.g. Fahrsituationen entsprechen und im Rahmen eines Trainings des Sigmoid- Netzes bei den genannten Fahrsituationen ermittelt worden sind. Bei hoher Ähnlichkeit wird die den entsprechenden, gespeicherten Werten zugeordnete Fahrsituation als aktuell zutreffend angenommen. Als Eingangsgrößen in das Sigmoid-Netz wer- den in diesem Ausführungsbeispiel standardkonforme CAN-Nachrichten aus dem fahrzeuginternen und standardisierten CAN-Bus verwendet. Diese werden bevorzugt zeitlich diskretisiert und normalisiert. Ggf. können selbstverständlich ergänzend oder alternativ auch Daten eines anderen im Fahrzeug vorgesehenen Daten-Busses zur Bestimmung der Fahrsituation bzw. des Fahrzustands herangezogen werden.
Eine Softwarekomponente greift in regelmäßigen Abständen, z.B. Abstände im Zeitintervall von ca. 500 ms bis ca. 2000 ms, die festgelegten Nachrichtentypen vom CAN-Bus ab und bereitet sie entsprechend auf. Hierbei werden die folgenden bekannten Datentelegramme des CAN-Busses ausgewertet:
CcarSpeed (Geschwindigkeit sowie Längs- und Querbeschleunigung des Fahrzeugs. CAN-Identifier: 416 Geschwindigkeit) CgearBox (eingelegter Gang bzw. Wählhebelstellung. CAN-Identifier: 772 Status Gang) - CsteeringWheelAngle (enthält Positionsinformationen des Lenkrads).
Es versteht sich, dass auch weniger oder mehr Datentelegramme bzw. Daten zur Berechnung der Fahrsituation und des Fahrzustands herangezogen werden können, wenn dies zweckdienlich oder nötig ist. Um die Erfindung leichter verstehen zu können, werden zunächst die Grundzüge des erfindungsgemäßen Verfahrens, ein Kurzabriss eines neuronalen Netzes der Erfindung und dann folgt eine detaillierte Erläuterung des erfindungsgemäßen Ver- fahrens bzw. Systems.
Das erfindungsgemäße Verfahren gliedert sich grob in zwei Teile:
Im ersten Schritt wird das erfindungsgemäße neuronale Netz, insbesondere ein Sigmoid-Netz, parametrisiert. Bei der Parametrisierung wird das neuronale Netz trainiert und die Übergänge und Parameter der „Trägheit" des Systems werden eingestellt.
In einem zweiten Schritt wird eine Berechnung der momentanen Fahrsituation und des aktuellen Fahrzustands im Fahrzeug vorgenommen. Der zweite Schritt gliedert sich in: abgreifen relevanter Fahrzeugdaten vom CAN-BUS in angemessenen Zeitschritten, - Aufbereitung der Daten zur optimalen Auswertung, Berechnung der aktuellen Fahrsituation zum momentanen Zeitpunkt auf Basis aktueller und vergangener CAN-Daten, und Berechnung des aktuellen Fahrzustands.
Neuronale Netze sind bekannte Verfahren bzw. Systeme aus der Informatik, die beispielsweise bei der Bild- oder der Spracherkennung zum Einsatz kommen. Ein neuronales Netz besteht aus einer Menge sog. Perzeptronen. Ein Perzeptron ist eine Softwarefunktion, die eine Menge von Eingabewerten besitzt und daraus einen Ausgabewert berechnet, der an verschiedene Perzeptronen als Eingabe weitergelei- tet wird. Der Ausgabewert eines Perzeptrons ist das Ergebnis einer Abbildungsfunktion der gewichteten Eingangswerte (Inputs) gemäss der folgenden Funktion, bevorzugt die Sigmoid-Funktion: 1
F(Inputs) = 1 . ,A-jJii<≡ΞInputs
,wobei „Inputs" die Menge der gewichteten Eingabekanten ist.
Ein neuronales Netz besteht aus n Schichten, die ihrerseits aus Perzeptronen bestehen, wobei ein Perzeptron der n-ten Schicht alle Perzeptron Ausgänge der (n-1)-ten Schicht als Eingabewerte hat. Bevorzugt wird ein dreischichtiges Sigmoid- Netz bei dem erfindungsgemäßen Verfahren bzw. System verwendet.
Ein wichtiger Aspekt von Neuronalen Netzen besteht darin, dass sie „trainierbar" und damit an die konkrete Aufgabenstellung anpassbar sind. Beim „Training" wird das Netz durch Beispiele mit dem bekannten, sogenannten „Backpropagation"- Verfahren so eingestellt, dass es neue Eingabewerte ähnlich wie „Trainingswerte" klassifiziert.
Beim Training durch das „Backpropagation"-Verfahren wird an der Eingabe-Schicht des Sigmoid-Netzes ein zu erkennendes Signalmuster angelegt. Die Perzeptronen bzw. die entsprechenden Software-Komponenten führen eine Berechnung entsprechend der Sigmoid-Funktion durch. Das Ergebnis der Berechnung wird in Form eines Signalmusters von der Ausgabe-Schicht des Sigmoid-Netzes ausgegeben. Die Parametrisierung der Gewichte der einzelnen Perzeptronen erfolgt mittels bekannter Lernverfahren (Algorithmen), bei denen Beispiele von Eingabemustern angelegt werden und dementsprechende Ausgangsmuster vorgegeben werden. Der Algorithmus stellt dann die Gewichte derart ein, dass zu den vorgegebenen Ein- gangsmustern die vorgegebenen Ausgangsmuster berechnet bzw. gebildet werden.
Beispiel der Erfindung: Das Eingangsmuster ist ein Satz CAN Nachrichten, die der Fahrsituation „Stadtverkehr" entsprechen. Die Gewichte werden derart eingestellt, dass das Ausgangsmuster alle Perzeptronen der Ausgabeschicht liefert den Signal- pegel 0, nur Perzeptron Nummer 2 liefert Signalpegel 1 ist. Signalpegel 1 an Perzeptron 2 sei stellvertretend für die Fahrsituation „Stadtverkehr". Nach Abschluss des Trainings klassifiziert das Sigmoid-Netz der Erfindung reale Fahrsituationen in ähnlicher Weise wie bei den Beispielen des Trainings. Hierbei reicht es, wenn die realen Fahrsituationen bzw. deren Datenmuster den trainierten Fahrsituationen bzw. deren Datenmuster ähnlich sind. Eine volle Übereinstimmung ist zur weitgehend zuverlässigen und richtigen Klassifizierung vorteilhafterweise nicht erforderlich.
Nachfolgend wird das im Fahrzeug vorgesehene erfindungsgemäße Verfahren bzw. System detaillierter beschrieben:
In einer ersten Stufe wird die Fahrsituation in regelmäßigen zeitlichen Abständen aufgrund der momentanen relevanten CAN-Daten und einer bestimmten Datenhistorie dieser Daten mittels des 3-schichtigen neuronalen Netzes, vorzugsweise ein Gradienten- oder Sigmoid-Netz, bestimmt. Beispielsweise wird alle 0,5 Sekunden die aktuelle Fahrsituation unter Verwendung der Geschwindigkeits- und Beschleunigungsdaten zum aktuellen Zeitpunkt t und den Daten zu den Zeitpunkten t - 2 Se- künden und t - 4 Sekunden bestimmt.
Danach wird in einer zweiten Stufe aufgrund der aktuellen Fahrsituation und der vergangenen erkannten Fahrsituationen der Fahrzustand bestimmt. Bei der Bestimmung des Fahrzustands geht die aktuelle erkannte Fahrsituation, die vergange- nen erkannten Fahrsituationen und der momentane Fahrzustand mit ein.
Dies soll an einem Beispiel verdeutlicht werden. Ist der aktuelle Fahrzustand „Stadtverkehr" und wird wiederholt „Stop & Go" als Fahrsituation erkannt, so wird erst nach 8-fach kontinuierlichem Erkennen der Fahrsituation „Stop & Go" auch der Fahrzustand auf „Stop & Go" gesetzt bzw. als gegeben angesehen. Ansonsten würde im Stadtverkehr bereits eine einzige Ampel dazu führen, dass der Fahrzustand auf „Stop & Go" gesetzt wird. Befindet sich das Fahrzeug allerdings im Fahrzustand „Cruise", so wird bevorzugterweise hier ein „Stop & Go" schon nach 3-fach kontinuierlich erkanntem Fahrzustand „Stop & Go" auf „Stop & Go" als Fahrzustand ge- setzt.
Wie im Ablaufdiagramm 100 der Figur 1 dargestellt, greift eine Softwarekomponente 2 die zur Ermittlung der Fahrsituation erforderlichen Daten in geeigneten Zeitabständen, vorzugsweise 0,5 bis 2 Sekunden, vom CAN-Bus 1 ab und bildet eine His- torie v (t), v (t-1), v (t-2) etc. abgegriffener Daten. Die Daten der Datenhistorie werden den Perzeptronen der Eingangsschicht des dreischichtigen Sigmoid-Netzes 3 zugeführt, das nach einer Parametrisierung und eines Trainings des Systems die berechnete momentane Fahrsituation 4 ausgibt. Die ermittelten Fahrsituationen werden einer sogenannten Zustandsmaschine 5 zugeführt, die auf der Basis der nachfolgenden Vorschriften aus den ausgegebenen Fahrsituationen den aktuellen Fahrzustand berechnet und ausgibt. Die unterschiedlichen Fahrzustände sind beispielhaft mit A, B, C, und D in Figur 1 bezeichnet. Dies geschieht fortlaufend unter Verwendung der fortschreitenden Datenhistorie.
Das Sigmoid-Netz wird mittels des Backpropagations- bzw. Gradientenabstiegs- Verfahrens auf die als zweckmäßig erachteten Fahrsituationen trainiert. D.h. bestimmten (typischen) Eingangsdaten in das Sigmoid-Netz wird eine bestimmte Fahrsituation zugeordnet und die Gewichtungen im Sigmoid-Netz derart eingestellt, dass dasjenige Ausgangs-Perzeptron einen Maximalwert zeigt, das für eine bestimmte Fahrsituation steht, die der zugeordneten Fahrsituation entspricht.
Durch die Zustandsmaschine 5 wird einer Historie von Fahrsituationen ein Fahrzustand entsprechend der Tabelle in Figur 2 zugeordnet. Diese Zuordnung bzw. Ta- belle beruht auf Erfahrungswerten.
Die Schritte des Berechnungsverfahrens zur Ermittlung der Fahrsituation und des Fahrzustands wird nachfolgend anhand fiktiver Daten beispielhaft erläutert:
1. Abgreifen der relevanten Telegramme auf dem CAN-Bus in einem bestimmten Zeitintervall - z.B. alle 0,5 bis 2 Sekunden.
2. Aufbereitung der CAN-Daten zu einem Eingabevektor mit den folgenden Parametern: a Geschwindigkeit b Lenkwinkel wird über den Zeitraum des Fensters (t-1 , t) kontinuierlich gemessen und gemittelt c Quer-Beschleunigung wird über den Zeitraum des Fensters (t-1 , t) kontinuierlich gemessen und gemittelt d Längs-Beschleunigung wird über den Zeitraum des Fensters (t-1 , t) kontinuierlich gemessen und gemittelt e Status Gang Anschließend werden alle Daten normalisiert, so dass sie einen Wert zwischen 0 und 1 besitzen.
3. Einspeisen der Eingabevektoren , und in das Sigmoid-Netz. Berechnung des aktuellen Fahrsituation aufgrund der aktuellen und letzten beiden Da- tensätze - also eine Beurteilung auf der Basis der Geschwindigkeit, des Lenkverhaltens und der Schaltung der letzten 6 Sekunden. Folgende Ausgaben der Ausgabeschicht des Sigmoid-Netzes werden verarbeitet: a. Perzeptron 0 ist Maximum: Fahrsituation = Stop & Go b. Perzeptron 1 ist Maximum: Fahrsituation = Stadtverkehr c. Perzeptron 2 ist Maximum: Fahrsituation = Cruise d. Perzeptron 3 ist Maximum: Fahrsituation = Sport e. Ist die Differenz zwischen erstem Maximum und zweitem Maximum < 0.2 oder Maximum ist <0.1 gilt die Fahrsituation als Undefiniert.
4. Die aktuelle Fahrsituation, die alle 2 Sekunden berechnet wird, bestimmt den Fahrzustand folgendermaßen: f. Befindet sich das System zum Zeitpunkt im Fahrzustand A, erkennt Fahrsituation B und es wurde zum Zeitpunkt Fahrsituation C erkannt, so gilt: i. C = Undefiniert, d.h. es bleibt beim noch aktuellen Fahrzustand ii. der der Fahrsituation B zugeordnete Wert ist größer oder gleich dem Wert der der Fahrsituation C zugeordnet ist: Ein Zählerstand Z wird um eins erhöht. Der Wert der betreffenden Fahrsituation sei festgelegt mit: „Stop & Go" = 0, „Stadtverkehr" = 1 , „Cruise" = 2, „Sport"= 3. g. Findet ein Fahrzustandswechsel statt, so wird der Zählerstand Z auf 0 gesetzt. Wird wiederholt die gleiche Fahrsituation erkannt, so verändert sich der ermittelte Fahrzustand. Dies geschieht durch eine Zustandsmaschine, die den Zählerstand in der Weise berücksichtigt, wie in der Tabelle der Figur 2 angegeben. D.h. beispielsweise: wird der Fahrzustand „Sport" 4 mal hintereinander bzw. kontinuierlich über 8 Sekunden erkannt und ist der aktuelle Fahrzustand noch der Fahrzustand „Stop & Go", so gilt der Fahrzustand „ Sport" als aktuell gegeben - wird der Fahrzustand „Cruise" 8 mal hintereinander bzw. kontinuierlich über 18 Sekunden erkannt und ist der aktuelle Fahrzustand noch der Fahrzustand „Stadtverkehr", so gilt der Fahrzustand „Cruise" als aktuell gegeben.
Das Verfahren kann mit verschiedenen Parametern (Historie, CAN-Daten etc.) angewendet werden. Daher folgt hier noch einmal eine allgemeine Beschreibung des Verfahrens.
Das Verfahren hängt von der Menge der n Eingabeparameter, der Breite des Zeit- fensters „delta" und der Länge der Historie, in die zurückgeblickt wird, k * delta, ab. Das Verfahren gliedert sich grob in folgende Schritte:
1. Abgreifen, Diskretisierung und Aufbereitung der s Eingangs-Parameter: a. Abgreifen der Eingangsparameter zum Zeitpunkt t: b. Abgreifen der Eingangsparameter zum Zeitpunkt t+1 = t+delta: c. Bei manchen Signaltypen, die zwischen den Zeittakten t und t+1 schwanken, ist es von Nutzen die Werte zu mittein. Wird das Signal p im Zeitfenstern [t, t+1] n-mal auf dem Bus ausgegeben, so wird berechnet: d. Wiederholen von Schritt 2 k-mal, so dass ein Eingabevektor zur Zeit tO der folgenden Form entsteht: e. Normalisieren der Eingangsparameter, so dass alle Werte f. Eine eventuelle numerische Differenzierung nach t ausgewählter Signale erhöht die Erkennerleistung.
2. Berechnung des Eingabevektors mit Hilfe des dreischichtigen Sigmoid- Netzes Ein Eingabesignalvektor der definierten Form aus 1.d wird in diskreten Zeitabständen delta in das Sigmoid-Netz eingespeist. Hierbei werden die Daten durch den Eingabevektor durchgeschoben („Sliding Window"). a. Für die Berechnung wird ein dreischichtiges Sigmoid-Netz verwendet, das jeweils ein Eingabeperzeptron für jeden zeitlichen Eingangswert hat (also k*n Eingangsperzeptronen). b. Anstelle der numerischen Differenzierung aus Punkt 1.d kann auch ein zwei- ter Hidden layer im Netz verwendet werden. c. Die Anzahl der Ausgabeperzeptronen ist gleich der Anzahl der zu erkennenden Fahrsituationen.
3. Berechnung der Fahrsituation: a. Perzeptron k ist Maximum: Fahrsituation k gilt als gegeben b. Ist die Differenz zwischen erstem Maximum und zweitem Maximum < 0.2 oder Maximum ist <0.1 , so wird als erkannte Fahrsituation „Undefiniert" ausgegeben.
4. Auswertung und Zeitverzögerung durch Zustandsmaschine: Die aktuelle Fahrsituation, die periodisch bzgl. delta berechnet wird, hat nun folgenden Einfluss auf den ermittelten Fahrzustand, a. Befindet sich das System zum Zeitpunkt im Fahrzustand A, erkennt Fahrsituation B und es wurde zum Zeitpunkt Fahrsituation C erkannt, so gilt: i. C = undefined; es bleibt beim aktuellen Fahrzustand ii. Wert der Fahrsituation B größer oder gleich dem Wert der Fahrsituation C: Der Zählerstand Z wird um eins erhöht. Hierbei gilt eine zu definierende Ordnung der Fahrsituationen, d.h. den Fahrsituationen sind Werte, z.B. 0, 1 , 2, 3, und 4 zugeordnet. b. Wurde wiederholt die gleiche Fahrsituation erkannt, so verändert sich der Fahrzustand. Dies geschieht durch die Zustandsmaschine, indem der Zählerstand Z entsprechend berücksichtigt wird (vgl. oben). c. Erreicht Z den definierten Wert, so wechselt der Fahrzustand und Z wird auf Null gesetzt.
Das Verfahren beginnt erneut bei Schritt 1. Aus den vorstehenden Ausführungen wird deutlich, dass das erfindungsgemäße Verfahren bzw. System eine verlässliche Bestimmung der Fahrsituation und des Fahrzustandes ermöglicht. D.h. es wird die tatsächliche Fahrwei- se als Eingabe herangezogen, nicht die Fahrtumgebung (z.B. „Autobahn") und die damit vermutete Fahrweise. Systeme, die auf Ortsbestimmung ba- sieren(„ wenn auf der Autobahn (via GPS bestimmt), dann gilt Fahrsituation als „Schnelles Fahren"), sind ungenauer, weil die tatsächliche Fahrweise durchaus anders sein kann. Durch das hier beschriebene Verfahren und System ist es möglich, die Fahrsituation, unabhängig von der Fahrumgebung zu bestimmen. Wenn der Fahrer z.B. auf der Landstrasse ein Fahrverhalten, wie auf der Autobahn, zeigt, wird auch die Fahrsituation Autobahn erkannt - unabhängig von den tatsächlichen Gegebenheiten.
Das erfindungsgemäße Verfahren bzw. System kann vorteilhafterweise - muss es aber nicht - auf Basis der ohnehin im Fahrzeug vorhandenen standardisierten CAN- Daten oder sonstigen Daten, die in jedem Fahrzeug, ohne dass es einer Sonderausstattung, wie ein Navigationssystem mit GPS, bedarf, in kostengünstiger Weise realisiert werden.
Das erfindungsgemäße Verfahren bzw. System ist leicht parametrisierbar und lässt sich somit flexibel an veränderte Rahmenbedingungen (z.B. neuer Fahrzeugtyp) anpassen. Ferner stellt es nur geringe Hardware-Anforderungen (CPU, Speicher- verbrauch) und benötigt keine zusätzliche Sensorik. Auch unter diesem Aspekt kann es daher dem Fahrer kostengünstig zur Verfügung gestellt werden kann.
Das erfindungsgemäße Verfahren bzw. System zur Fahrsituations- und/oder Fahr- zustandserkennung kann zur fahrsituations- und/oder fahrzustandsabhängigen A- daption jeglicher entsprechend adaptierbarer Fahrzeugfunktionen bzw. Fahrzeugsysteme verwendet werden. Beispiele hierfür sind: adaptive Getriebesteuerung adaptives Fahrwerk „Adaptive Cruise Control" - Anpassung des Maßstabs der Navigationskarte auf dem Display eines elektronischen Navigationssystems je nach erkannter Fahrsituation adaptive Lenkübersetzung beim „Active Front Steering" adaptive Leuchtweitenregulierung bzw. adaptive Leuchtkegelanpassung. Eine weitere mögliche Anwendung ist der fahrsituations- und/oder fahrzustandsab- hängige Betrieb von Mensch-Maschine-Interfaces zur Entlastung des Fahrers, z.B. kann sich die Menge der an den Fahrer weitergeleiteten Informationen am aktuellen Fahrzustand orientieren. Selbstverständlich gibt es zahlreiche weitere Anwendun- gen unter Berücksichtung des aktuellen Fahrzustands.

Claims

Patentansprüche
1. Verfahren zur Ermittlung der Fahrsituation eines Kraftfahrzeugs unter Ver- wendung von in dem Kraftfahrzeug bereitgestellten Daten, insbesondere auf einem Datenbus des Kraftfahrzeugs, die den Wert mindestens einer Zustandsgröße (V,...) des Fahrzeugs angeben, dadurch gekennzeichnet, dass in einem ersten Schritt ein die Historie der mindestens einen Zustandsgröße angebender Datensatz (V (t3), V (t2), V (t1), V (tO), ...) bereit gestellt wird, in einem zweiten Schritt in dem Kraftfahrzeug ein neuronales Netz (3) durch einen entsprechend programmierten Rechner bereitgestellt wird, das neuronale Netz mindestens eine Eingangs-Schicht und eine Ausgangs-Schicht aufweist, wobei jede der Schichten eine Mehrzahl von Perzeptronen aufweist, in einem dritten Schritt der jeweilige Wert der mindestens einen Zustandsgröße (V, ...) des betreffenden Zeitpunkts, vorzugsweise ein normierter Wert, jeweils einem Perzeptron des neuronalen Netzes zugeführt wird, und von den Perzeptronen der Ausgangs-Schicht des neuronalen Netzes, nachdem es trainiert worden ist, die aktuelle Fahrsituation (4) ausgegeben wird.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass das neuronale Netz ein Sigmoid-Netz (3) ist, das vorzugsweise drei Schichten aufweist.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der gegenwärtige Fahrzustand (A, B, C, D) ) des Fahrzeugs aus einer zeitlichen Abfolge ermittelter Fahrsituationen (4) festgestellt bzw. festgelegt wird.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass anstelle des früheren Fahrzustands erst dann ein neuer Fahrzustand festgelegt wird, wenn der neue Fahrzustand innerhalb eines zurückliegenden Zeitintervalls bereits mehrfach festgestellt bzw. festgelegt worden ist, wobei die Festlegung vor- zugsweise durch eine Zustandsmaschine (5) erfolgt.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass einer zeitlichen Abfolge von ermittelten Fahrsituationen (4) auf der Basis mindestens einer Zuordnungsvorschrift (5) ein aktueller Fahrzustand (A, B, C, D) zugeordnet wird.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass jedem Perzeptron der Ausgangs-Schicht bzw. dessen Ausgangssignal eine andere Fahrsituation zugeordnet ist und das maximale Ausgangssignal aller Ausgangssignale der Perzeptronen der Ausgangs-Schicht die aktuelle Fahrsituation des Kraftfahrzeugs angibt, wobei die Ausgangssignale der Perzeptronen vorzugsweise normiert sind.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass das Ausgangs- Signal, vorzugsweise das Signal-Maximum, des ersten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Stop & Go" und/oder das Ausgangssignal, vorzugsweise das Signal-Maximum, des zweiten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Stadtverkehr" und/oder das Ausgangssignal, vorzugsweise das Signal-Maximum, des dritten Perzeptrons der Ausgangs-Schicht des neuronalen Netzes die Fahrsituation „Cruise" und/oder das Ausgangssignal, vorzugsweise das Signal-Maximum, des vierten Perzeptrons der Ausgangs- Schicht des neuronalen Netzes die Fahrsituation „Sport" angibt.
8. Verfahren nach einem der Ansprüche 6 oder 7, dadurch gekennzeichnet, dass die Fahrsituation (4) als unbestimmt gilt, wenn die Differenz zwischen dem Wert des maximalen Ausgangsignals aller Perzeptronen der Ausgangs- Schicht und dem Wert des nächst kleineren Ausgangssignals des betreffenden Perzeptrons kleiner als 20 % und/oder der Wert des größten Ausgangs- Signals aller Perzeptronen der Ausgangs-Schicht kleiner als 10% seines Maximalwertes ist.
9. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeich- net, dass mindestens eine Vorrichtung des Fahrzeugs an die ermittelte Fahrsituation und/oder an den ermittelten Fahrzustand angepasst bzw. adaptiert wird und/oder dass sich der Umfang bzw. das Ausmaß der an den Fahrer des Kraftfahrzeugs weitergebenen Informationen am ermittelten Fahrzustand (A, B, C, D) orientiert.
10. System zur Ermittlung der Fahrsituation eines Kraftfahrzeugs unter Verwendung von in dem Kraftfahrzeug bereitgestellten Daten, insbesondere auf einem Datenbus des Kraftfahrzeugs, die den Wert (V) mindestens einer Zustandsgröße des Fahrzeugs angeben, dadurch gekennzeichnet, dass die System ein Verfahren nach einem der vorstehenden Verfahrens-Ansprüche ausführt.
PCT/EP2004/010704 2003-11-20 2004-09-22 Verfahren und system zur ermittlung der fahrsituation WO2005052883A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP04765557A EP1685546A1 (de) 2003-11-20 2004-09-22 Verfahren und system zur ermittlung der fahrsituation
US11/437,807 US7386389B2 (en) 2003-11-20 2006-05-22 Method and system for determining the driving situation

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10354322.8A DE10354322B4 (de) 2003-11-20 2003-11-20 Verfahren und System zur Ermittlung der Fahrsituation
DE10354322.8 2003-11-20

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US11/437,807 Continuation US7386389B2 (en) 2003-11-20 2006-05-22 Method and system for determining the driving situation

Publications (1)

Publication Number Publication Date
WO2005052883A1 true WO2005052883A1 (de) 2005-06-09

Family

ID=34609167

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2004/010704 WO2005052883A1 (de) 2003-11-20 2004-09-22 Verfahren und system zur ermittlung der fahrsituation

Country Status (4)

Country Link
US (1) US7386389B2 (de)
EP (1) EP1685546A1 (de)
DE (1) DE10354322B4 (de)
WO (1) WO2005052883A1 (de)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1947623A1 (de) * 2007-01-17 2008-07-23 Audi Ag Verfahren und Vorrichtung zur dynamischen Klassifikation von Objekten und/oder Verkehrssituationen
WO2009113386A1 (en) * 2008-03-14 2009-09-17 Aisin Aw Co., Ltd. Traveling information creating device, traveling information creating method and program
WO2017125209A1 (de) * 2016-01-19 2017-07-27 Audi Ag Verfahren zum vollautomatischen führung eines fahrzeugsystems und kraftfahrzeug
WO2018153375A1 (en) * 2017-02-27 2018-08-30 Huawei Technologies Co., Ltd. Planning system and method for controlling operation of autonomous vehicle to navigate planned path
US11182652B2 (en) 2019-08-16 2021-11-23 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and system for inferring perception based on augmented feature maps of a perception network

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11370302B2 (en) 2005-11-17 2022-06-28 Invently Automotive Inc. Electric vehicle power management system
US11325468B2 (en) 2005-11-17 2022-05-10 Invently Automotive Inc. Vehicle power management system
US11279233B2 (en) 2005-11-17 2022-03-22 Invently Automotive Inc. Electric vehicle power management system
US11207981B2 (en) 2005-11-17 2021-12-28 Invently Automotive Inc. Vehicle power management system
US11207980B2 (en) 2005-11-17 2021-12-28 Invently Automotive Inc. Vehicle power management system responsive to traffic conditions
US11390165B2 (en) 2005-11-17 2022-07-19 Invently Automotive Inc. Electric vehicle power management system
US11214144B2 (en) 2005-11-17 2022-01-04 Invently Automotive Inc. Electric vehicle power management system
US11279234B2 (en) 2005-11-17 2022-03-22 Invently Automotive Inc. Vehicle power management system
US11084377B2 (en) 2005-11-17 2021-08-10 Invently Automotive Inc. Vehicle power management system responsive to voice commands from a Gps enabled device
US8712650B2 (en) 2005-11-17 2014-04-29 Invent.Ly, Llc Power management systems and designs
US11186175B2 (en) 2005-11-17 2021-11-30 Invently Automotive Inc. Vehicle power management system
US11351863B2 (en) 2005-11-17 2022-06-07 Invently Automotive Inc. Vehicle power management system
US11225144B2 (en) 2005-11-17 2022-01-18 Invently Automotive Inc. Vehicle power management system
US11254211B2 (en) 2005-11-17 2022-02-22 Invently Automotive Inc. Electric vehicle power management system
US11285810B2 (en) 2005-11-17 2022-03-29 Invently Automotive Inc. Vehicle power management system
US11247564B2 (en) 2005-11-17 2022-02-15 Invently Automotive Inc. Electric vehicle power management system
US11267339B2 (en) 2005-11-17 2022-03-08 Invently Automotive Inc. Vehicle power management system
US11267338B2 (en) 2005-11-17 2022-03-08 Invently Automotive Inc. Electric vehicle power management system
US10882399B2 (en) 2005-11-17 2021-01-05 Invently Automotive Inc. Electric vehicle power management system
US11186173B2 (en) 2005-11-17 2021-11-30 Invently Automotive Inc. Electric vehicle power management system
US11186174B2 (en) 2005-11-17 2021-11-30 Invently Automotive Inc. Vehicle power management system
US11220179B2 (en) 2005-11-17 2022-01-11 Invently Automotive Inc. Vehicle power management system determining route segment length
US11230190B2 (en) 2005-11-17 2022-01-25 Invently Automotive Inc. Electric vehicle power management system
US11345236B2 (en) 2005-11-17 2022-05-31 Invently Automotive Inc. Electric vehicle power management system
US11180025B2 (en) 2005-11-17 2021-11-23 Invently Automotive Inc. Electric vehicle power management system
WO2007107364A1 (de) * 2006-03-22 2007-09-27 Gm Global Technology Operations, Inc. Verfahren zur ermittlung eines kraftfahrzeug- zustands- indexwertes zur steuerung eines kfz-chassis
CN101405176B (zh) * 2006-03-22 2013-01-23 Gm全球科技运作股份有限公司 对驾驶方式敏感的车辆子系统控制方法和装置
JP4311451B2 (ja) * 2007-01-16 2009-08-12 トヨタ自動車株式会社 車両およびその制御方法
GB2470192A (en) * 2009-05-12 2010-11-17 Gm Global Tech Operations Inc Controlling an active vehicle subsystem
WO2012078712A2 (en) 2010-12-07 2012-06-14 Vnomics Corp. System and method for measuring and reducing vehicle fuel waste
CN102556083A (zh) * 2011-12-16 2012-07-11 北京交通大学 一种混合动力调车机车工作状态的识别方法和系统
CN102582637A (zh) * 2011-12-20 2012-07-18 北京交通大学 混合动力调车的运行工况智能识别评价系统
US9116233B2 (en) * 2012-07-10 2015-08-25 Broadcom Corporation Power mode control for sensors
WO2015187679A1 (en) 2014-06-02 2015-12-10 Vnomics Corp Systems and methods for measuring and reducing vehicle fuel waste
DE102014114446A1 (de) 2014-10-06 2016-04-07 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Ereigniserkennung beim Betrieb einer Maschine
DE102015203233A1 (de) * 2015-02-24 2016-08-25 Bayerische Motoren Werke Aktiengesellschaft Server, System und Verfahren zur Bestimmung einer Position eines Stauendes
DE102015211985A1 (de) 2015-06-26 2016-12-29 Init Innovative Informatikanwendungen In Transport-, Verkehrs- Und Leitsystemen Gmbh Verfahren und Vorrichtung zur Bewertung und/oder Beeinflussung des Fahrverhaltens eines Fahrzeugführers
US10395144B2 (en) * 2017-07-24 2019-08-27 GM Global Technology Operations LLC Deeply integrated fusion architecture for automated driving systems
DE102018200283A1 (de) * 2018-01-10 2019-07-11 Zf Friedrichshafen Ag Verfahren und Steuergerät zum Betreiben eines Getriebes
US10737717B2 (en) * 2018-02-14 2020-08-11 GM Global Technology Operations LLC Trajectory tracking for vehicle lateral control using neural network
JP6593560B1 (ja) * 2019-02-15 2019-10-23 トヨタ自動車株式会社 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置
DE102019203205A1 (de) * 2019-03-08 2020-09-10 Audi Ag Verfahren zum Auswerten von Fahrzeugdaten sowie Fahrzeugdatenauswertesystem zum Durchführen eines derartigen Verfahrens
DE102022200553A1 (de) 2022-01-18 2023-07-20 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Erkennen eines Geradeauslaufs eines Fahrzeugs

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5410477A (en) * 1991-03-22 1995-04-25 Hitachi, Ltd. Control system for an automotive vehicle having apparatus for predicting the driving environment of the vehicle
US5566072A (en) * 1993-08-10 1996-10-15 Mitsubishi Jidosha Kogyo Kabushiki Kaisha Method and apparatus for estimating a road traffic condition and method and apparatus for controlling a vehicle running characteristic
US20020128751A1 (en) * 2001-01-21 2002-09-12 Johan Engstrom System and method for real-time recognition of driving patters

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3169635B2 (ja) 1991-07-03 2001-05-28 本田技研工業株式会社 ニューラルネットワーク及びその学習方法
US5991675A (en) 1993-06-02 1999-11-23 Honda Giken Kogyo Kabushiki Kaisha Vehicle control system based on estimation of the driving skill of a vehicle operator
US5751915A (en) * 1993-07-13 1998-05-12 Werbos; Paul J. Elastic fuzzy logic system
DE4425957C1 (de) 1994-07-21 1996-03-14 Daimler Benz Ag Einrichtung zur Regelung der Fahrgeschwindigkeit eines Kraftfahrzeuges
DE19523111A1 (de) 1995-06-26 1997-01-02 Daimler Benz Ag Einrichtung zur Regelung des Abstandes eines Kraftfahrzeuges zu einem vorausfahrenden Fahrzeug
DE19527323A1 (de) 1995-07-26 1997-01-30 Siemens Ag Schaltungsanordnung zum Steuern einer Einrichtung in einem Kraftfahrzeug
JPH09301011A (ja) 1996-05-20 1997-11-25 Honda Motor Co Ltd 車両用運転状況監視装置
DE19818239A1 (de) 1998-04-23 1999-10-28 Volkswagen Ag Vorrichtung zur Einschlafwarnung eines Kraftfahrzeugführers
US6882992B1 (en) * 1999-09-02 2005-04-19 Paul J. Werbos Neural networks for intelligent control
DE10010681A1 (de) 2000-03-04 2001-09-06 Heinz J Theuerkauf Virtueller Drehmomentsensor auf Basis neuronaler Netze (MD-VNS) zur Implementierung in Kraftfahrzeugsteuergeräte
JP2002251597A (ja) * 2001-02-23 2002-09-06 Yamaha Motor Co Ltd 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5410477A (en) * 1991-03-22 1995-04-25 Hitachi, Ltd. Control system for an automotive vehicle having apparatus for predicting the driving environment of the vehicle
US5566072A (en) * 1993-08-10 1996-10-15 Mitsubishi Jidosha Kogyo Kabushiki Kaisha Method and apparatus for estimating a road traffic condition and method and apparatus for controlling a vehicle running characteristic
US20020128751A1 (en) * 2001-01-21 2002-09-12 Johan Engstrom System and method for real-time recognition of driving patters

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
L.A. KLEIN: "Sensor Technologies and Data Requirements for ITS", 2001, ARTECH HOUSE, LONDON, XP002309262 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1947623A1 (de) * 2007-01-17 2008-07-23 Audi Ag Verfahren und Vorrichtung zur dynamischen Klassifikation von Objekten und/oder Verkehrssituationen
WO2009113386A1 (en) * 2008-03-14 2009-09-17 Aisin Aw Co., Ltd. Traveling information creating device, traveling information creating method and program
JP2009223551A (ja) * 2008-03-14 2009-10-01 Aisin Aw Co Ltd 走行情報作成装置、走行情報作成方法及びプログラム
RU2483360C2 (ru) * 2008-03-14 2013-05-27 Аисин Ав Ко., Лтд. Устройство создания информации о перемещении и способ создания информации о перемещении
CN101960500B (zh) * 2008-03-14 2013-06-26 爱信艾达株式会社 行驶信息创建装置、行驶信息创建方法和程序
US8694242B2 (en) 2008-03-14 2014-04-08 Aisin Aw Co., Ltd. Traveling information creating device, traveling information creating method and program
WO2017125209A1 (de) * 2016-01-19 2017-07-27 Audi Ag Verfahren zum vollautomatischen führung eines fahrzeugsystems und kraftfahrzeug
US10474151B2 (en) 2016-01-19 2019-11-12 Audi Ag Method for guiding a vehicle system in a fully automated manner, and motor vehicle
WO2018153375A1 (en) * 2017-02-27 2018-08-30 Huawei Technologies Co., Ltd. Planning system and method for controlling operation of autonomous vehicle to navigate planned path
US10796204B2 (en) 2017-02-27 2020-10-06 Huawei Technologies Co., Ltd. Planning system and method for controlling operation of an autonomous vehicle to navigate a planned path
US11182652B2 (en) 2019-08-16 2021-11-23 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and system for inferring perception based on augmented feature maps of a perception network

Also Published As

Publication number Publication date
US7386389B2 (en) 2008-06-10
EP1685546A1 (de) 2006-08-02
DE10354322A1 (de) 2005-06-23
DE10354322B4 (de) 2022-06-09
US20060271269A1 (en) 2006-11-30

Similar Documents

Publication Publication Date Title
DE10354322B4 (de) Verfahren und System zur Ermittlung der Fahrsituation
DE102016000493B4 (de) Verfahren zum Betrieb eines Fahrzeugsystems und Kraftfahrzeug
EP0870132B1 (de) Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug
EP0813987B1 (de) Verfahren zur Abstandsregelung für ein Kraftfahrzeug
WO2017167790A1 (de) Verfahren zum erzeugen von steuerdaten für ein regelbasiertes unterstützen eines fahrers
WO2017167801A1 (de) Fahrerassistenzsystem zum unterstützen eines fahrers beim führen eines fahrzeugs
DE102014205391A1 (de) Vorrichtung zur Vorhersage von Fahrzustandsübergängen
DE102016121768A9 (de) Verfahren und vorrichtung zur unterscheidung von fahrern basierend auf dem fahrverhalten
DE102019209736A1 (de) Verfahren zur Bewertung möglicher Trajektorien
EP3752401A1 (de) Verfahren zum auswählen eines fahrprofils eines kraftwagens, fahrassistenzsystem und kraftwagen
WO2005025918A1 (de) Verfahren und vorrichtung zur fahrerunterstützung
WO2021058205A1 (de) Verfahren zum betreiben eines fahrzeuges
WO2020212061A1 (de) Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug
DE102019105739A1 (de) Verfahren zum zumindest teilautomatisierten Führen eines Kraftfahrzeugs
DE102020124633A1 (de) Kontextsensitive anpassung einer geländeblickzeit
EP3395634A1 (de) Verfahren zum erzeugen eines fahrverhaltens bei autonomen fahrzeugen
DE102016203522B4 (de) Verfahren und Vorrichtung zum Vorhersagen von Trajektorien eines Kraftfahrzeugs
DE102019217723A1 (de) Fahrsicherheits-steuersystem unter verwendung von umgebungsgeräuschen und steuerverfahren dafür
EP1603766B1 (de) Fahrzeugführungssystem
DE10345948B4 (de) Verfahren zur Bewertung und zeitlichen Stabilisierung von Klassifizierungsergebnissen
WO2019211293A1 (de) Verfahren zum betreiben eines fahrerassistenzsystems eines egofahrzeugs mit wenigstens einem umfeldsensor zum erfassen eines umfelds des egofahrzeugs, computer-lesbares medium, system, und fahrzeug
DE102017217986A1 (de) Verfahren und vorrichtung zum vorhersagen potenzieller kollisionen, fahrerassistenzsystem und fahrzeug
DE102017119317A1 (de) Klassifizierung von Umgebungs-Fahrzeugen für eine Abstandsregeltempomat-Vorrichtung in einem Kraftfahrzeug
DE102022104931A1 (de) Verfahren zum betreiben eines notbremsassistenten eines automatisierten kraftfahrzeugs
DE102020206131A1 (de) Vorrichtung und Verfahren zum Steuern eines Kraftfahrzeugs

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): BW GH GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 2004765557

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 11437807

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 2004765557

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 11437807

Country of ref document: US

WWW Wipo information: withdrawn in national office

Ref document number: 2004765557

Country of ref document: EP