WO2017211482A1 - Verfahren vorrichtung und system zur falschfahrererkennung - Google Patents

Verfahren vorrichtung und system zur falschfahrererkennung Download PDF

Info

Publication number
WO2017211482A1
WO2017211482A1 PCT/EP2017/058617 EP2017058617W WO2017211482A1 WO 2017211482 A1 WO2017211482 A1 WO 2017211482A1 EP 2017058617 W EP2017058617 W EP 2017058617W WO 2017211482 A1 WO2017211482 A1 WO 2017211482A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
wrong
particles
data
way
Prior art date
Application number
PCT/EP2017/058617
Other languages
English (en)
French (fr)
Inventor
Simon GEISLER
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to EP17717382.0A priority Critical patent/EP3465651A1/de
Priority to US16/097,971 priority patent/US10876843B2/en
Priority to JP2018563901A priority patent/JP2019519043A/ja
Priority to CN201780035501.5A priority patent/CN109313848A/zh
Publication of WO2017211482A1 publication Critical patent/WO2017211482A1/de

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/06—Direction of travel
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level

Definitions

  • the invention is based on a device or a method according to the preamble of the independent claims.
  • the subject of the present invention is also a computer program.
  • Navigation device (street class and direction) is too late for most cases, i. the wrong-way driver is already on the wrong lane (at high speed and with a high probability of collision).
  • An example cloud-based forwarder warning can be advantageously realized with a specially adapted to the application detection with a particle filter.
  • a method for detecting wrong-way drivers comprises the following steps: Reading position data via an interface, the position data representing a measured position of a vehicle;
  • a particle represents an assumed position of the vehicle and a weight assigned to the assumed position
  • the vehicle may be a road vehicle.
  • a wrong travel can be understood to mean a journey of the vehicle on a road contrary to a prescribed direction of travel.
  • the measured position may have been measured using a sensor disposed in the vehicle.
  • the plurality of particles may be determined using a method used with known particle filters.
  • the particles may have different assumed positions, which are grouped around the measured position, for example.
  • the current position may represent an estimated position using the particulate filter, which may be assumed to be the actual position of the vehicle. The current position can be used instead of the measured position for detecting a wrong-way of the vehicle.
  • the method may include a step of determining a wrong-way signal using the current position.
  • the wrong-way signal can indicate whether a wrong-way drive of the vehicle is present or not present.
  • the wrong-way signal can be provided only if a wrong-way is assumed.
  • the method may include a step of reading in map data depicting the road network drivable by the vehicle.
  • the step of determining the current position of the vehicle can be determined using the map data.
  • the map data can be used to determine the current position with high accuracy.
  • the position data can be read in via an interface of a computer cloud, a so-called cloud. This enables a cloud-based solution.
  • a plurality of changed particles may be determined based on the plurality of particles using the particulate filter.
  • the current position of the vehicle can be adjusted accordingly
  • Using the plurality of changed particles are determined. For example, a weighting of the particles can be changed by the particle filter, whereby the current position can in turn be determined more accurately.
  • Using a plurality of previous modified particles are determined, which represent certain particles based on a plurality of previous particles using the particle filter. In this way, a history of the movement of the vehicle can be taken into account in the determination of the current position.
  • a corresponding device for identifying wrong-way drivers is set up to execute steps of said method in corresponding units.
  • a device may comprise a read-in device, which is designed to read position data via an interface, have a determination device that is configured to determine a plurality of particles using the position data, and a
  • Determining means configured to determine a current position of the vehicle on a road network drivable by the vehicle based on the plurality of particles using a particulate filter. Accordingly, the device may comprise the particle filter.
  • a corresponding system for detecting wrong-way drivers comprises at least one transmitting device which can be arranged or arranged in a vehicle and is designed to transmit position data, as well as a named one
  • False driver recognition device which is designed to receive the position data transmitted by the at least one transmitting device
  • Another false-driver detection system includes at least one transmitting device locatable or arranged in a vehicle and configured to transmit position data, the position data representing a measured position of a vehicle, and at least one receiving device locatable or arranged in the vehicle and is configured to receive data from a device which, in accordance with the approach for false driver recognition described here, is designed to receive the position data transmitted by the at least one transmission device.
  • the method described may be implemented in software or hardware or in a hybrid of software and hardware, for example in a device.
  • the device can have at least one arithmetic unit for processing signals or data, at least one memory unit for storing signals or data, and / or at least one communication interface for reading in or outputting data that is included in a
  • the arithmetic unit can
  • the memory unit is a flash memory, an EPROM or a
  • the magnetic storage unit can be.
  • the communication interface can be designed to read or output data wirelessly and / or by line, wherein a communication interface that can read or output line-bound data, for example, electrically or optically read this data from a corresponding data transmission line or output to a corresponding data transmission line.
  • a device can be understood as meaning an electrical device which processes sensor signals and outputs control and / or data signals in dependence thereon.
  • the device may have an interface, which may be formed in hardware and / or software.
  • the interfaces can be part of a so-called system ASIC, for example, which contains a wide variety of functions of the device.
  • the interfaces are separate, integrated circuits or at least partially made of discrete components consist.
  • the interfaces may be software modules that are present, for example, on a microcontroller in addition to other software modules.
  • Program code which may be stored on a machine-readable medium or storage medium, such as a semiconductor memory, a hard disk memory or an optical memory, and for carrying out, implementing and / or controlling the steps of the method according to one of the above
  • Program product or program is executed on a computer or a device.
  • Fig. 1 shows a system for Falzablyerkennung according to a
  • FIG. 2 is a flowchart of a method for detecting wrong-way drivers according to an embodiment
  • 3 shows a Hidden Markov Chain Model
  • 4 shows a sequence of a particle filter process according to a
  • Fig. 5 shows a system for wrong driver identification according to a
  • FIG. 6 shows a vehicle according to an embodiment
  • FIG. 7 shows a program sequence according to an embodiment
  • FIG. 8 shows a program sequence of a particle filter according to a
  • Fig. 1 shows a system for wrong driver identification according to a
  • the system includes a vehicle 100 that has a
  • Transmission device 102 which is configured to wirelessly using a at least one sensor device 104 arranged in the sensor 100 measured data 106 wirelessly to a device 110 for
  • the device 110 is designed to prepare the measurement data 106 into prepared data and to further process the processed data using a particle filter
  • False drive signal 112 to generate and send out.
  • the wrong-way signal 112 indicates that the vehicle 100 whose measurement data 106 has been processed currently makes a wrong-way drive.
  • Vehicle 100 is configured to receive the wrong-way signal 112 and, in response to a receipt of the wrong-way signal 112, a
  • Warning device of the respective vehicle 100, 114 to activate the
  • False drive warns or engages according to an embodiment in an at least semi-automatic control, such as a brake system or steering system, the respective vehicle 100, 114.
  • an at least semi-automatic control such as a brake system or steering system, the respective vehicle 100, 114.
  • the transmission device 102 only as
  • Transmitter or be designed as a transceiver device.
  • the measurement data 106 further comprises movement data, which has been acquired, for example, using at least one acceleration sensor of the vehicle 100, and Information about a current movement of the vehicle 100, for example information about a direction of travel, a longitudinal acceleration, a
  • Vehicle axle include.
  • the device 110 is configured to read in map data 116 that maps a road network drivable by the vehicle 100.
  • the map data 116 includes information about road sections of the road network.
  • the map data 116 with respect to each road section further comprises at least one parameter that defines, for example, a driving direction specification for the respective road section or a course of the respective road section. For example, it can be defined via the parameter whether the road section runs in a straight line or describes a curve.
  • the device 110 has a memory device in which the map data 116 are stored.
  • the device is 110 or
  • Function blocks of the device 110 are arranged or realized in a cloud 118.
  • the described approach can be used in addition to or instead of various methods for detecting a wrong-way driver, in which e.g. the use of a video sensor is used to detect the passage of a "forbidden entry" sign or the use of a digital map is used in conjunction with a navigation to detect a detection of a wrong direction of travel on a road section, which is only passable in one direction
  • the approach can be combined with wireless methods that detect wrong-way drivers by means of infrastructure such as beacons in the lane or at the lane.
  • the described approach offers many possibilities of responding to a wrong-way driver. Examples are the warning of the wrong driver himself via a display or acoustic information. Also, procedures can be applied with which other drivers in the Be warned near a wrong-way driver, eg via vehicle-vehicle communication or by mobile radio. Furthermore, the warning of other road users on the roadside established variable traffic signs is possible. An intervention in the engine control or brake of the wrong-traveling vehicle 100 can also take place.
  • the described approach uses for a wrong-way driver detection (Wrong Way Driver Detection) with a client-server solution.
  • a client a device can be seen, located on or in a motor vehicle, which has a
  • the transmission device 102 may be, for example, a smartphone.
  • the transmission device 102 the transmission device 102
  • Sensor device 104 may be integrated.
  • wrong-driver-specific server-client communication can be implemented with a smartphone as an exemplary client.
  • the smartphone can be connected via a mobile radio network with a gateway (PDN_GW) to the Internet, in which the device 110, for example in the form of a server, can be arranged.
  • PDN_GW gateway
  • the device 110 in a nationwide use of this function plays a very important role. In addition to the trip time, cost-efficiency also plays an important part.
  • FIG. 2 shows a flowchart of a method for wrong-way driver recognition according to one exemplary embodiment.
  • the method may, for example, be carried out using devices of the device for false driver recognition shown with reference to FIG.
  • the method comprises a step 201, in which position data are read in via an interface.
  • the position data represents a measured position of a vehicle.
  • a step 203 a plurality of Particles determined using the position data.
  • Each of the particles represents an assumed position of the vehicle and a weight assigned to the assumed position.
  • the assumed positions are distributed around the measured position.
  • a step 205 a current position of the vehicle on a road network accessible by the vehicle is determined using a particle filter which is used to process the particles.
  • the current position is determined using particles that have passed through the particle filters and thereby changed, for example, with regard to their weighting.
  • Previous particles may have been determined in a previous step 203 using previous position data.
  • the particle filter is applicable to systems which are subject to a hidden Markov chain characteristic, ie a Markov chain with unobserved states:
  • Fig. 3 shows a Hidden Markov Chain Model 320 with state x and observation z at time k and k-1.
  • each particle has the weight and the condition
  • Embodiment For this purpose, a hidden Markov Chain Model with the state x and the observation z at time k and k-1 is shown in FIG.
  • Block 401 stands for the particulate filter
  • Fig. 5 shows a system for wrong driver recognition according to a
  • the system comprises devices 102, for example in the form of the transmission means referred to with reference to FIG. 1 and a
  • Embodiment designed as a so-called WDW server.
  • the device 110 is designed to receive data 106 from the device 102,
  • the apparatus includes pre-processing means 530, particulate filter 532, and warning module 534.
  • the particulate filter 532 embeds as shown in FIG.
  • the probability distribution of the position of the car can be approximated.
  • FIG. 6 shows by means of a vehicle 100 values that can be included in the model shown with reference to FIG. 5.
  • the values may, for example, be states in the direction of the longitudinal axis x, the transverse axis y, the vertical axis z, as well as a roll p about the longitudinal axis, a pitch q about the transverse axis and a yaw r about the vertical axis.
  • U k + 1 stand for what the condition (not measured) is, for example the geographic longitude, latitude and altitude, U k + 1 stand for how the car 100 is moving, for example in terms of speed and yaw rates and Z k what can be observed, such as a GPS signal or the environment of the vehicle 100 relevant signal (camera, etc.)
  • Fig. 7 shows a program flow according to an embodiment. The process starts with a block 701. In a block 530, a
  • a block 703 if present, the state is loaded from the previous point.
  • a map matching takes place with the particle filter.
  • a block 707 is a
  • FIG. 8 shows a program flow of a particle filter according to a
  • a block 801 stands for a beginning of the particle filter.
  • a displacement of the particles taking into account the sensor inaccuracy, for example, the sensor device described with reference to FIG. 1 takes place.
  • card-related parameters For example, such a parameter indicates whether a particle is on a road or what its title is.
  • a calculation of the new particle weights takes place.
  • a so-called resampling takes place in which an elimination of the irrelevant regions and / or particles takes place.
  • an interpretation of the individual particles takes place and in a block 813 a return of the possible roads.
  • the particulate filter By using the particulate filter, the following aspects are improved.
  • a sequential (real-time possible) working method is created, which primarily determines the current position on the road network. Furthermore, a robust estimate of the current position on the road network is possible. An uncertainty about the current Estimate can be determined. This makes it possible to delay the decision on a potential wrong-way reliably to a reasonable extent.
  • an exemplary embodiment comprises a "and / or" link between a first feature and a second feature, this is to be read such that the
  • Embodiment according to an embodiment both the first feature and the second feature and according to another embodiment, either only the first feature or only the second feature.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Falschfahrererkennung das einen Schritt des Einlesens von Positionsdaten (106) über eine Schnittstelle umfasst, wobei die Positionsdaten (106) eine gemessene Position eines Fahrzeugs (100) repräsentieren, einen Schritt des Bestimmens einer Mehrzahl von Partikeln unter Verwendung der Positionsdaten (106) umfasst, wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, und einen Schritt des Ermittelns einer aktuellen Position des Fahrzeugs (100) auf einem von dem Fahrzeug (100) befahrbaren Straßennetz basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel-Filters (532) umfasst.

Description

Beschreibung Titel
Verfahren Vorrichtung und System zur Falschfahrererkennung Stand der Technik
Die Erfindung geht aus von einer Vorrichtung oder einem Verfahren nach Gattung der unabhängigen Ansprüche. Gegenstand der vorliegenden Erfindung ist auch ein Computerprogramm.
Falschfahrer („Geisterfahrer") verursachen im Falle eines Unfalls zumindest erheblichen Sachschaden. Die Erkennung alleine auf Basis des
Navigationsgerätes (Straßenklasse und -richtung) ist für die meisten Fälle zu spät, d.h. der Falschfahrer befindet sich bereits (mit hoher Fahrgeschwindigkeit und großer Wahrscheinlichkeit einer Kollision) auf der falschen Fahrbahn.
Offenbarung der Erfindung
Vor diesem Hintergrund werden mit dem hier vorgestellten Ansatz ein Verfahren, weiterhin eine Vorrichtung und ein System zur Falschfahrererkennung, sowie schließlich ein entsprechendes Computerprogramm gemäß den
Hauptansprüchen vorgestellt. Durch die in den abhängigen Ansprüchen aufgeführten Maßnahmen sind vorteilhafte Weiterbildungen und Verbesserungen der im unabhängigen Anspruch angegebenen Vorrichtung möglich.
Eine beispielsweise cloud-basierte Falschfahrerwarnung kann vorteilhafterweise mit einer speziell auf den Anwendungsfall angepassten Erkennung mit einem Partikel- Filter realisiert werden.
Ein Verfahren zur Falschfahrererkennung umfasst die folgenden Schritte: Einlesen von Positionsdaten über eine Schnittstelle, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren;
Bestimmen einer Mehrzahl von Partikeln unter Verwendung der Positionsdaten, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert; und
Ermitteln einer aktuellen Position des Fahrzeugs auf einem von dem Fahrzeug befahrbaren Straßennetz basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel- Filters.
Bei dem Fahrzeug kann es sich um ein Straßenfahrzeug handeln. Unter einer Falschfahrt kann eine Fahrt des Fahrzeugs auf einer Straße entgegen einer vorgeschriebenen Fahrtrichtung verstanden werden. Die gemessene Position kann unter Verwendung eines in dem Fahrzeug angeordneten Sensors gemessen worden sein. Die Mehrzahl von Partikeln können unter Verwendung eines mit bekannten Partikel- Filtern verwendeten Verfahrens bestimmt werden. Die Partikel können dabei unterschiedliche angenommene Positionen aufweisen, die beispielsweise um die gemessene Position gruppiert sind. Die aktuelle Position kann eine unter Verwendung des Partikel- Filters geschätzte Position darstellen, die als tatsächliche Position des Fahrzeugs angesetzt werden kann. Die aktuelle Position kann anstelle der gemessenen Position zur Erkennung einer Falschfahrt des Fahrzeugs verwendet werden.
Das Verfahren kann einen Schritt des Bestimmens eines Falschfahrtsignals unter Verwendung der aktuellen Position umfassen. Dabei kann das Falschfahrtsignal anzeigen, ob eine Falschfahrt des Fahrzeugs vorliegt oder nicht vorliegt.
Beispielsweise kann das Falschfahrtsignal nur dann bereitgestellt werden, wenn eine Falschfahrt angenommen wird.
Das Verfahren kann einen Schritt des Einlesens von Kartendaten umfassen, die das von dem Fahrzeug befahrbare Straßennetz abbilden. Dabei kann im Schritt des Ermitteins die aktuelle Position des Fahrzeugs unter Verwendung der Kartendaten ermittelt werden. Die Kartendaten können verwendet werden, um die aktuelle Position mit einer hohen Genauigkeit bestimmen zu können. Im Schritt des Einlesens können die Positionsdaten über eine Schnittstelle einer Rechnerwolke, einer sogenannten Cloud, eingelesen werden. Dies ermöglicht eine cloud-basierte Lösung.
Im Schritt des Ermitteins kann basierend auf der Mehrzahl von Partikeln unter Verwendung des Partikel- Filters eine Mehrzahl geänderter Partikel bestimmt werden. Die aktuelle Position des Fahrzeugs kann entsprechend unter
Verwendung der Mehrzahl geänderter Partikel ermittelt werden. Beispielsweise kann durch den Partikel- Filter eine Gewichtung der Partikel geändert werden, wodurch die aktuelle Position wiederum exakter ermittelt werden kann.
Dabei kann im Schritt des Ermitteins die aktuelle Position ferner unter
Verwendung einer Mehrzahl vorangegangener geänderter Partikel ermittelt werden, die basierend auf einer Mehrzahl von vorangegangenen Partikeln unter Verwendung des Partikel- Filters bestimmte Partikel repräsentieren. Auf diese Weise kann eine Historie der Bewegung des Fahrzeugs bei der Ermittlung der aktuellen Position berücksichtigt werden.
Eine entsprechende Vorrichtung zur Falschfahrererkennung ist eingerichtet, um Schritte des genannten Verfahrens in entsprechenden Einheiten auszuführen. Beispielsweise kann eine solche Vorrichtung eine Einleseeinrichtung aufweisen, die ausgebildet ist, um Positionsdaten über eine Schnittstelle einzulesen, eine Bestimmungseinrichtung aufweisen, die ausgebildet ist, um eine Mehrzahl von Partikeln unter Verwendung der Positionsdaten zu bestimmen, und eine
Ermittlungseinrichtung aufweisen, die ausgebildet ist, um eine aktuelle Position des Fahrzeugs auf einem von dem Fahrzeug befahrbaren Straßennetz basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel- Filters zu bestimmen. Entsprechend kann die Vorrichtung den Partikel- Filter umfassen.
Ein entsprechendes System zur Falschfahrererkennung umfasst zumindest eine Sendeeinrichtung, die in einem Fahrzeug anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten auszusenden, sowie eine genannte
Vorrichtung zur Falschfahrererkennung, die ausgebildet ist, um die von der zumindest einen Sendeeinrichtung ausgesendeten Positionsdaten zu
empfangen, beispielsweise über eine drahtlose Verbindung. Ein weiteres System zur Falschfahrererkennung umfasst zumindest eine Sendeeinrichtung, die in einem Fahrzeug anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten auszusenden, wobei die Positionsdaten eine gemessene Position eines Fahrzeugs repräsentieren, und zumindest eine Empfangseinrichtung, die in dem Fahrzeug anordenbar oder angeordnet ist und ausgebildet ist, Daten einer Vorrichtung zu empfangen, welche gemäß dem hier beschriebenen Ansatz zur Falschfahrererkennung dazu ausgebildet ist, um die von der zumindest einen Sendeeinrichtung ausgesendeten Positionsdaten zu empfangen.
Das beschriebene Verfahren kann in Software oder Hardware oder in einer Mischform aus Software und Hardware implementiert sein, beispielsweise in einer Vorrichtung.
Hierzu kann die Vorrichtung zumindest eine Recheneinheit zum Verarbeiten von Signalen oder Daten, zumindest eine Speichereinheit zum Speichern von Signalen oder Daten, und/oder zumindest eine Kommunikationsschnittstelle zum Einlesen oder Ausgeben von Daten aufweisen, die in ein
Kommunikationsprotokoll eingebettet sind. Die Recheneinheit kann
beispielsweise ein Signalprozessor, ein Mikrocontroller oder dergleichen sein, wobei die Speichereinheit ein Flash-Speicher, ein EPROM oder eine
magnetische Speichereinheit sein kann. Die Kommunikationsschnittstelle kann ausgebildet sein, um Daten drahtlos und/oder leitungsgebunden einzulesen oder auszugeben, wobei eine Kommunikationsschnittstelle, die leitungsgebundene Daten einlesen oder ausgeben kann, diese Daten beispielsweise elektrisch oder optisch aus einer entsprechenden Datenübertragungsleitung einlesen oder in eine entsprechende Datenübertragungsleitung ausgeben kann.
Unter einer Vorrichtung kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder Datensignale ausgibt. Die Vorrichtung kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen der Vorrichtung beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem Mikrocontroller neben anderen Softwaremodulen vorhanden sind. Von Vorteil ist auch ein Computerprogrammprodukt oder Computerprogramm mit
Programmcode, der auf einem maschinenlesbaren Träger oder Speichermedium wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung, Umsetzung und/oder Ansteuerung der Schritte des Verfahrens nach einer der vorstehend
beschriebenen Ausführungsformen verwendet wird, insbesondere wenn das
Programmprodukt oder Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
Ausführungsbeispiele des hier vorgestellten Ansatzes sind in den Zeichnungen dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:
Fig. 1 ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel; Fig. 2 ein Ablaufdiagramm eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel;
Fig. 3 ein Hidden Markov Chain Model; Fig. 4 einen Ablauf eines Partikel-Filter-Prozesses gemäß einem
Ausführungsbeispiel
Fig. 5 ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel;
Fig. 6 ein Fahrzeug gemäß einem Ausführungsbeispiel;
Fig. 7 einen Programmablauf gemäß einem Ausführungsbeispiel; und Fig. 8 einen Programmablauf eines Partikel- Filters gemäß einem
Ausführungsbeispiel. ln der nachfolgenden Beschreibung günstiger Ausführungsbeispiele der vorliegenden Erfindung werden für die in den verschiedenen Figuren
dargestellten und ähnlich wirkenden Elemente gleiche oder ähnliche
Bezugszeichen verwendet, wobei auf eine wiederholte Beschreibung dieser
Elemente verzichtet wird.
Fig. 1 zeigt ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel. Das System umfasst ein Fahrzeug 100, das eine
Übertragungseinrichtung 102 aufweist, die ausgebildet ist, um unter Verwendung zumindest einer in dem Fahrzeug 100 angeordneten Sensoreinrichtung 104 erfasste Messdaten 106 drahtlos an eine eine Vorrichtung 110 zur
Falschfahrererkennung auszusenden. Die Vorrichtung 110 ist ausgebildet, um die Messdaten 106 zu aufbereiteten Daten aufzubereiten und die aufbereiteten Daten unter Verwendung eines Partikel- Filters weiterzuverarbeiten, um ein
Falschfahrtsignal 112 zu erzeugen und auszusenden. Das Falschfahrtsignal 112 zeigt gemäß einem Ausführungsbeispiel an, dass das Fahrzeug 100 dessen Messdaten 106 verarbeitet wurden, aktuell eine Falschfahrt ausführt. Gemäß diesem Ausführungsbeispiel ist sowohl die Übertragungseinrichtung 102 des Fahrzeugs 100 als auch eine Übertragungseinrichtung 102 eines weiteren
Fahrzeugs 100 ausgebildet, um das Falschfahrtsignal 112 zu empfangen und ansprechend auf einen Empfang des Falschfahrtsignals 112 eine
Warneinrichtung des jeweiligen Fahrzeugs 100, 114 zu aktiveren, die
beispielsweise einen Fahrer des jeweiligen Fahrzeugs 100, 114 vor der
Falschfahrt warnt oder gemäß einem Ausführungsbeispiel in eine zumindest teilautomatische Steuerung, beispielsweise einer Bremsanlage oder Lenkanlage, des jeweiligen Fahrzeugs 100, 114 eingreift. Gemäß unterschiedlicher
Ausführungsbeispiele kann die Übertragungseinrichtung 102 nur als
Sendeeinrichtung oder aber als Sende- Empfangseinrichtung ausgeführt sein.
Gemäß einem Ausführungsbeispiel umfassen die Messdaten 106
Positionsdaten, die unter Verwendung einer Positionsbestimmungseinrichtung des Fahrzeugs 100 erfasst wurden und eine aktuelle Position des Fahrzeugs 100 abbilden. Gemäß einem weiteren Ausführungsbeispiel umfassen die Messdaten 106 ferner Bewegungsdaten, die beispielsweise unter Verwendung zumindest eines Beschleunigungssensors des Fahrzeugs 100 erfasst wurden und Informationen über eine aktuelle Bewegung des Fahrzeugs 100, beispielsweise Informationen über eine Fahrtrichtung, eine Längsbeschleunigung, eine
Querbeschleunigung oder über eine Drehung des Fahrzeugs um eine
Fahrzeugachse umfassen.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 ausgebildet, um Kartendaten 116 einzulesen, die ein von dem Fahrzeug 100 befahrbares Straßennetz abbilden. Gemäß einem Ausführungsbeispiel umfassen die Kartendaten 116 beispielsweise Informationen über Straßenabschnitte des Straßennetzes. Gemäß einem Ausführungsbeispiel umfassen die Kartendaten 116 bezüglich jedes Straßenabschnitts ferner zumindest einen Parameter, der beispielsweise eine Fahrtrichtungsvorgabe für den jeweiligen Straßenabschnitt oder einen Verlauf des jeweiligen Straßenabschnitts definiert. Beispielsweise kann über den Parameter definiert sein, ob der Straßenabschnitt geradlinig verläuft oder eine Kurve beschreibt. Gemäß einer Ausführungsform weist die Vorrichtung 110 eine Speichereinrichtung auf, in der die Kartendaten 116 gespeichert sind.
Gemäß einem Ausführungsbeispiel ist die Vorrichtung 110 oder sind
Funktionsblöcke der Vorrichtung 110 in einer Cloud 118 angeordnet oder realisiert.
Der beschriebene Ansatz kann ergänzend oder anstelle vielfältige Verfahren zur Detektion eines Falschfahrers verwendet werden, bei denen z.B. der Einsatz einer Videosensorik erfolgt, um das Passieren eines„Einfahrt verboten" Schildes zu detektieren oder der Einsatz einer digitalen Karte in Verbindung mit einer Navigation genutzt wird, um ein Detektieren einer falschen Fahrtrichtung auf einem Straßenabschnitt zu erkennen, der nur in einer Richtung befahrbar ist. Weiterhin bekannt sind. Weiterhin kann der Ansatz mit drahtlosen Verfahren kombiniert werden, die mittels Infrastruktur wie z.B. Baken in der Fahrbahn oder am Fahrbahnrand Falschfahrer detektieren.
Neben der Detektion eines Falschfahrers bietet der beschriebene Ansatz viele Möglichkeiten der Reaktion auf einen Falschfahrer. Beispiele hierfür sind die Warnung des Falschfahrers selbst über ein Display oder akustische Hinweise. Auch können Verfahren angewendet werden, mit denen andere Fahrer in der Nähe eines Falschfahrers gewarnt werden, z.B. über Fahrzeug- Fahrzeug- Kommunikation oder mittels Mobilfunk. Weiterhin ist die Warnung anderer Verkehrsteilnehmer über am Straßenrand aufgestellte Wechselverkehrszeichen möglich. Auch kann ein Eingriff in die Motorsteuerung oder Bremse des falsch fahrenden Fahrzeugs 100 erfolgen.
Der beschriebene Ansatz ermöglicht es, einen Falschfahrer zu detektieren und andere Verkehrsteilnehmer in dessen Nähe noch rechtzeitig zu warnen, wofür nur sehr wenig Zeit zur Verfügung steht.
Der beschriebenen Ansatz greift für eine Falschfahrererkennung (Wrong-Way- Driver-Detection) mit einer Client-Server-Lösung. Als Client ist ein Gerät zu sehen, befindlich an oder in einem Kraftfahrzeug, welches über eine
Internetanbindung verfügt und mindestens Zugriff auf Positionskoordinaten hat. Beispielsweise kann es sich dabei um die Übertragungseinrichtung 102 handeln. Bei der Übertragungseinrichtung 102 kann es sich beispielsweise um ein Smartphone handeln. In der Übertragungseinrichtung 102 kann die
Sensoreinrichtung 104 integriert sein. Somit kann eine falschfahrerspezifische Server-Client-Kommunikation mit einem Smartphone als beispielhaften Client umgesetzt werden. Das Smartphone kann über ein Mobilfunknetz mit einem Gateway (PDN_GW) an das Internet angeschlossen sein, in dem die Vorrichtung 110, beispielsweise in Form eines Servers, angeordnet sein kann.
Es ergeben sich aus den möglichen Funktionsweisen einer Falschfahrerwarnung mit einer Client-Server-Lösung folgende Schlüsselproblemfelder für diese Technologie, welche durch den hier beschriebenen Ansatz angegangen werden: a) False- Positive- Reduktion
False- Positives, also Fehldetektionen bei richtiger Fahrweise, müssen bei einer Eigenwarnung und/oder eines aktiven Eingreifens so weit wie möglich vermindert beziehungsweise komplett vermieden werden. Je nach Warnungskonzept müssen die Standards bis zu ASIL-A erfüllen. b) Zeitkritische Ausführung der Auslösekette Um die Gefährdung anderer Verkehrsteilnehmer ausgehend von einem
Falschfahrer so gering wie möglich zu halten, soll ein Eingreifen bzw. Warnen so schnell wie möglich erfolgen. D. h. die komplette Funktionskette von Detektion einer kritischen Situation über das Erkennen eines Falschfahrers bis zum Eingriff bzw. Warnung soll in einer möglichst geringen Zeitspanne durchlaufen werden. Die Auslastung und somit die nötige Leistungsfähigkeit des Servers,
beispielsweise der Vorrichtung 110, bei einem flächendeckenden Einsatz dieser Funktion spielt dabei eine sehr wichtige Rolle. Neben der Auslösezeit stellt auch noch die Wirtschaftlichkeit einen wichtigen Teilaspekt dar. c) Kommunikation, Dateneffizienz und Stromverbrauch
Die Kommunikation und der Stromverbrauch müssen besonders für mobile Geräte so effizient bzw. gering wie möglich sein, um eine akzeptable Akkulaufzeit zu erreichen. Auch die Überlastung einer Mobilfunkzelle oder anderweitigen drahtlosen Kommunikationseinheit muss durch eine dateneffiziente
Kommunikation unterbunden werden. Auch das Datenvolumen und die damit verbunden Kosten sind, soweit es möglich ist einzugrenzen. Die Effizienz der Kommunikation ist aus Rechenleistungsgründen auch serverseitig ein äußerst wichtiger Faktor.
Der beschriebene Ansatz greift vor allem für die Schlüsselfelder a)„False- Positive- Reduktion" und b)„Zeitkritische Ausführung der Auslösekette", aber auch c)„Kommunikation, Dateneffizienz und Stromverbrauch" wird
gegebenenfalls davon beeinflusst. Die Erkennung von Falschfahrern in der Cloud 118, basierend auf handelsüblicher Smartphone-und Connectivity-Control-Unit- Sensorik ist kein triviales Unterfangen.
Fig. 2 zeigt ein Ablaufdiagramm eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel. Das Verfahren kann beispielsweise unter Verwendung von Einrichtungen der anhand von Fig. 1 gezeigten Vorrichtung zur Falschfahrererkennung ausgeführt werden.
Das Verfahren umfasst einen Schritt 201, in dem Positionsdaten über eine Schnittstelle eingelesen werden. Die Positionsdaten stellen eine gemessene Position eines Fahrzeugs dar. In einem Schritt 203 wird eine Mehrzahl von Partikeln unter Verwendung der Positionsdaten bestimmt. Dabei repräsentiert jeder der Partikel je eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung. Dabei verteilen sich die angenommenen Positionen gemäß einem Ausführungsbeispiel um die gemessene Position. In einem Schritt 205 wird eine aktuelle Position des Fahrzeugs auf einem von dem Fahrzeug befahrbaren Straßennetz unter Verwendung eines Partikel- Filters ermittelt, der zur Verarbeitung der Partikel eingesetzt wird.
Gemäß einem Ausführungsbeispiel wird die aktuelle Position dabei unter Verwendung von den Partikel- Filter durchlaufenen und dabei beispielsweise hinsichtlich ihrer Gewichtung geänderten Partikeln ermittelt. Zudem fließen bei der Ermittlung der aktuellen Position gemäß einem Ausführungsbeispiel zusätzlich oder alternativ zu einem vorangegangenen Zeitschritt unter
Verwendung desselben Partikel- Filters geänderte Partikel ein. Diese
vorangegangenen Partikel können auf in einem vorangegangenen Schritt 203 unter Verwendung vorangegangener Positionsdaten bestimmt worden sein.
Für die Falschfahrererkennung ist es nicht ausschlaggebend, welche Route der Falschfahrer gefahren ist. Die benötigte Information ist vor allem, wo sich der Falschfahrer aktuell befindet und ob dieser einen Straße entgegen der
Fahrtrichtung befährt. Für diese Ermittlung wird selbstverständlich die Historie benötigt, doch diese ist nicht Teil der Fragestellung, sondern vielmehr der Weg zum Ergebnis.
Aufgrund dieser Umstände wird ein Verfahren basierend auf einem Partikel- Filter vorgestellt. Der Partikel- Filter ist ähnlich wie der Kaiman-Filter auf Systeme anwendbar, die einer Hidden-Markov-Chain-Charakteristik, also einer Markow- Kette mit unbeobachteten Zuständen, unterliegen:
Fig. 3 zeigt ein Hidden Markov Chain Model 320 mit Zustand x und Beobachtung z zur Zeit k und k-1.
Das heißt, der Zustand eines Systems kann nicht direkt gemessen werden, jedoch aufgrund von anderen Observierungen geschätzt werden. In diesem Fall gilt es, die Position und somit die aktuelle Straße zu schätzen. Dafür muss folgende Gleichung gelöst werden:
Figure imgf000013_0001
Der Zustand zum Zeitpunkt k wird im Folgenden mit xk beschrieben, die vorherigen Zustände werden mit zusammengefasst. Analog
Figure imgf000013_0006
zu x gilt diese Konvention auch für die Steuergrößen u und Observierungen
Figure imgf000013_0008
beschreibt einen Normalisierungsterm, der im Folgenden allerdings keine große Bedeutung hat. Diese Gleichung kann zu folgender Gleichung vereinfacht werden:
Figure imgf000013_0002
Und diese in zwei Schritten beschrieben werden: der Vorhersageschritt
Figure imgf000013_0005
und der Gewichtungsterm:
Figure imgf000013_0003
Bei einem Partikel- Filter wird das Integral über die
Wahrscheinlichkeitsverteilungen mit einer numerischen Näherung
Figure imgf000013_0004
und Monte- Carlo- Methoden gelöst, beschreibt hierbei das Gewicht / die Wahrscheinlichkeit des Partikels. Eine Menge von Partikeln wird mit
Figure imgf000013_0007
Figure imgf000014_0001
beschrieben. Somit hat jeder Partikel das Gewicht und den Zustand
Figure imgf000014_0008
Figure imgf000014_0007
Fig. 4 zeigt den Ablauf eines Partikel- Filter- Prozesses gemäß einem
Ausführungsbeispiel. Dazu ist in Fig. 4 ein Hidden Markov Chain Model mit dem Zustand x und der Beobachtung z zur Zeit k und k - 1 gezeigt.
Ein großer Teil der Arbeit ist eine geeignete Funktion für
Figure imgf000014_0002
und
ZU
finden, die das Problem optimal abbilden. Grundlegen hierfür ist es, die zu schätzenden Zustände x zu definieren.
Der Block 401 steht für den Partikel- Filter
Figure imgf000014_0004
Von dem Block 403 wird solange zu dem Block 405 gesprungen, bis alle Werte durchlaufen sind.
In dem Block 405 wird ein neuer Zustand berechnet:
Figure imgf000014_0005
In dem Block 407 wird das Gewicht berechnet:
Figure imgf000014_0006
Wenn in dem Block 403 alle Werte durchlaufen sind, wird zum Block 409 gesprungen. Von dem Block 409 wird solange zu dem Block 411 gesprungen, bis alle Werte i=l:J durchlaufen sind. In dem Block 411 wird ein ein Wert gemäß gezeichnet.
Figure imgf000015_0002
In dem Block 413 wird zu dem Partikelsatz hinzuaddiert gemäß
Figure imgf000015_0001
Wenn in dem Block 409 alle Werte durchlaufen sind, wird zum Block 415 gesprungen der das Ende Xk darstellt.
Fig. 5 zeigt ein System zur Falschfahrererkennung gemäß einem
Ausführungsbeispiel. Das System umfasst Geräte 102, beispielsweise in Form der anhand von Fig. 1 genannten Übertragungseinrichtungen und eine
Vorrichtung 110 zur Falschfahrererkennung, die gemäß diesem
Ausführungsbeispiel als ein sogenannter WDW-Server ausgeführt ist. Die Vorrichtung 110 ist ausgebildet, um von dem Gerät 102 Daten 106,
beispielsweise die anhand von Fig. 1 beschriebenen Messdaten zu empfangen und basierend auf den Daten 106 eine Warnung 112 bereitstellen und beispielsweise in Form des anhand von Fig. 1 beschriebenen Falschfahrtsignals zurück an die Geräte 102 zu senden.
Die Vorrichtung weist eine Einrichtung 530 zur Vorverarbeitung, einen Partikel- Filter 532 und ein Warnungsmodul 534 auf.
In einer vereinfachten Architektur einer cloud-basierten Falschfahrerwarnung bettet sich der Partikel- Filter 532 wie in Fig. 5 gezeigt ein.
Mit dem Partikel- Filter 532 kann die Wahrscheinlichkeitsverteilung der Position des Autos näherungsweise bestimmt werden.
Fig. 6 zeigt anhand eines Fahrzeugs 100 Werte, die in das anhand von Fig. 5 gezeigte Modell einfließen können. Bei den Werten kann es sich beispielsweise um Zustände in Richtung der Längsachse x, der Querachse y, der Hochachse z sowie ein Rollen p um die Längsachse, ein Nicken q um die Querachse und ein Gieren r um die Hochachse handeln.
Bezüglich eines Kartenabgleichs unter Verwendung des Partikel- Filters gilt für den Bayes-Filter Hierbei kann unter Bezugnahme auf Fig.
Figure imgf000015_0003
dafür stehen, was der Zustand (nicht gemessen) ist, beispielsweise die
Figure imgf000015_0004
geografische Länge, Breite und Höhe, Uk+1 dafür stehen, wie sich das Auto 100 bewegt, beispielsweise hinsichtlich der Geschwindigkeit und Drehraten und Zk dafür stehen, was observiert werden kann, beispielsweise ein G PS-Signal oder ein das Umfeld des Fahrzeugs 100 betreffendes Signal (Kamera, etc.)
Fig. 7 zeigt einen Programmablauf gemäß einem Ausführungsbeispiel. Der Ablauf startet mit einem Block 701. In einem Block 530 wird eine
Datenvorverarbeitung durchgeführt, wie es beispielsweise anhand von Fig. 5 beschrieben ist. In einem Block 703 wird, falls vorhanden, der Zustand vom vorherigen Punkt geladen. In einem Block 705 findet ein Kartenabgleich (map- matching) mit dem Partikel- Filter statt. In einem Block 707 erfolgt eine
Interpretation der Ergebnisse. In einem Block 709 wird geprüft, ob eine
Falschfahrt vorliegt. Wenn dies der Fall ist, wird in einem Block 534 eine Warnung versendet, wie es beispielsweise anhand von Fig. 5 beschrieben ist. Wenn keine Falschfahrt vorliegt, erfolgt das Ende des Programmablaufs mit einem Block 711.
Fig. 8 zeigt einen Programmablauf eines Partikel- Filters gemäß einem
Ausführungsbeispiel. Ein Block 801 steht für einen Beginn des Partikel- Filters. In einem Block 803 erfolgt ein Verschieben der Partikel unter Berücksichtigung der Sensorungenauigkeit, beispielsweise der anhand von Fig. 1 beschriebenen Sensoreinrichtung. In einem Block 805 erfolgt eine Ermittlung der
kartenbezogenen Parameter. Ein solcher Parameter gibt beispielsweise an, ob ein Partikel auf einer Straße liegt oder wie der Titel derselben ist. In einem Block 807 erfolgt eine Berechnung der neuen Partikel-Gewichte. In einem Block 809 erfolgt ein sogenanntes Resampling, bei dem ein Eliminieren der irrelevanten Bereiche und/oder Partikel erfolgt. In einem Block 811 erfolgt eine Interpretation der einzelnen Partikel und in einem Block 813 eine Rückgabe der möglichen Straßen.
Durch die Verwendung des Partikel- Filters werden die im Folgenden genannten Aspekte verbessert. Zum einen wird ein sequenziell (in Echtzeit möglich) arbeitendes Verfahren geschaffen, welches primär die aktuelle Position auf dem Straßennetzwerk ermittelt. Ferner ist eine robuste Schätzung der aktuellen Position auf dem Straßennetzwerk möglich. Eine Unsicherheit über die aktuelle Schätzung ist ermittelbar. Dies ermöglicht es, die Entscheidung über eine potenzielle Falschfahrt zuverlässig, auf ein sinnvolles Maß, verzögern zu können.
Umfasst ein Ausführungsbeispiel eine„und/oder"- Verknüpfung zwischen einem ersten Merkmal und einem zweiten Merkmal, so ist dies so zu lesen, dass das
Ausführungsbeispiel gemäß einer Ausführungsform sowohl das erste Merkmal als auch das zweite Merkmal und gemäß einer weiteren Ausführungsform entweder nur das erste Merkmal oder nur das zweite Merkmal aufweist.

Claims

Ansprüche
1. Verfahren zur Falschfahrererkennung, wobei das Verfahren die
folgenden Schritte umfasst:
Einlesen (201) von Positionsdaten (106) über eine Schnittstelle, wobei die Positionsdaten (106) eine gemessene Position eines Fahrzeugs (100) repräsentieren;
Bestimmen (203) einer Mehrzahl von Partikeln unter Verwendung der Positionsdaten (106), wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position
zugeordnete Gewichtung repräsentiert; und
Ermitteln (205) einer aktuellen Position des Fahrzeugs (100) auf einem von dem Fahrzeug (100) befahrbaren Straßennetz basierend auf der Mehrzahl von Partikeln unter Verwendung eines Partikel- Filters (532).
2. Verfahren gemäß Anspruch 1, mit einem Schritt des Bestimmens eines Falschfahrtsignals (112) unter Verwendung der aktuellen Position, wobei das (112) Falschfahrtsignal anzeigt, ob eine Falschfahrt des Fahrzeugs (100) vorliegt oder nicht vorliegt.
3. Verfahren gemäß einem der vorangegangenen Ansprüche mit einem Schritt des Einlesens von Kartendaten (116), die das von dem Fahrzeug (100) befahrbare Straßennetz abbilden, wobei im Schritt des Ermitteins die aktuelle Position des Fahrzeugs (100) unter Verwendung der Kartendaten (116) ermittelt wird.
4. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Einlesens (201) die Positionsdaten (106) über eine
Schnittstelle einer Rechnerwolke (118) eingelesen werden.
5. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Ermitteins (205) basierend auf der Mehrzahl von Partikeln unter Verwendung des Partikel- Filters (532) eine Mehrzahl geänderter Partikel bestimmt wird, und die aktuelle Position des Fahrzeugs (100) unter Verwendung der Mehrzahl geänderter Partikel ermittelt wird.
6. Verfahren gemäß Anspruch 5, bei dem im Schritt des Ermitteins (205) die aktuelle Position ferner unter Verwendung einer Mehrzahl vorangegangener geänderter Partikel ermittelt wird, die basierend auf einer Mehrzahl von vorangegangenen Partikeln unter Verwendung des Partikel- Filters (532) bestimmte Partikel repräsentieren.
7. Vorrichtung (110) zur Falschfahrererkennung, die eingerichtet ist, um Schritte (201, 203, 205) des Verfahrens gemäß einem der
vorangegangenen Ansprüche in entsprechenden Einheiten (530, 532, 534) auszuführen.
8. System zur Falschfahrererkennung, wobei das System die folgenden Merkmale umfasst: zumindest eine Sendeeinrichtung (102), die in einem Fahrzeug (100) anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten (106) auszusenden, wobei die Positionsdaten (106) eine gemessene Position eines Fahrzeugs (100) repräsentieren; und eine Vorrichtung (110) gemäß Anspruch 7 zur Falschfahrererkennung, die ausgebildet ist, um die von der zumindest einen Sendeeinrichtung (102) ausgesendeten Positionsdaten (106) zu empfangen.
9. System zur Falschfahrererkennung, wobei das System die folgenden
Merkmale umfasst: zumindest eine Sendeeinrichtung (102), die in einem Fahrzeug (100) anordenbar oder angeordnet ist, und ausgebildet ist, um Positionsdaten (106) auszusenden, wobei die Positionsdaten (106) eine gemessene Position eines Fahrzeugs (100) repräsentieren; und zumindest eine Empfangseinrichtung, die in dem Fahrzeug (100) anordenbar oder angeordnet ist und ausgebildet ist, Daten einer Vorrichtung (110) zu empfangen, welche gemäß Anspruch 7 zur Falschfahrererkennung, dazu ausgebildet ist, um die von der zumindest einen Sendeeinrichtung (102) ausgesendeten Positionsdaten (106) zu empfangen.
10. Computerprogramm, das dazu eingerichtet ist, das Verfahren gemäß einem der Ansprüche 1 bis 6auszuführen.
11. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 9 gespeichert ist.
PCT/EP2017/058617 2016-06-07 2017-04-11 Verfahren vorrichtung und system zur falschfahrererkennung WO2017211482A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP17717382.0A EP3465651A1 (de) 2016-06-07 2017-04-11 Verfahren vorrichtung und system zur falschfahrererkennung
US16/097,971 US10876843B2 (en) 2016-06-07 2017-04-11 Method, device and system for wrong-way driver detection
JP2018563901A JP2019519043A (ja) 2016-06-07 2017-04-11 逆走運転者認識のための方法、装置、およびシステム
CN201780035501.5A CN109313848A (zh) 2016-06-07 2017-04-11 用于错路驾驶员识别的方法、设备和系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016210017.3 2016-06-07
DE102016210017.3A DE102016210017A1 (de) 2016-06-07 2016-06-07 Verfahren Vorrichtung und System zur Falschfahrererkennung

Publications (1)

Publication Number Publication Date
WO2017211482A1 true WO2017211482A1 (de) 2017-12-14

Family

ID=58547509

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/058617 WO2017211482A1 (de) 2016-06-07 2017-04-11 Verfahren vorrichtung und system zur falschfahrererkennung

Country Status (6)

Country Link
US (1) US10876843B2 (de)
EP (1) EP3465651A1 (de)
JP (1) JP2019519043A (de)
CN (1) CN109313848A (de)
DE (1) DE102016210017A1 (de)
WO (1) WO2017211482A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016210029A1 (de) * 2016-06-07 2017-12-07 Robert Bosch Gmbh Verfahren Vorrichtung und System zur Falschfahrererkennung

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011120497A1 (de) * 2010-12-13 2012-06-14 Gm Global Technology Operations Llc, ( N.D. Ges. D. Staates Delaware) Systeme und Verfahren zur präzisen Fahrzeugpositionsbestimmung innerhalb einer Fahrspur
US20120290150A1 (en) * 2011-05-13 2012-11-15 John Doughty Apparatus, system, and method for providing and using location information
DE102012208974A1 (de) * 2011-06-01 2012-12-06 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) System und Verfahren zum sensorbasierten Aufbauen eines Umgebungsmodells
US20130304374A1 (en) * 2011-12-22 2013-11-14 Electronics And Telecommunications Research Institute Apparatus and method for recognizing position of moving object

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140008A (ja) * 2007-12-03 2009-06-25 Sumitomo Electric Ind Ltd 危険走行情報提供装置、危険走行判定プログラム及び危険走行判定方法
JP5488076B2 (ja) * 2010-03-15 2014-05-14 オムロン株式会社 対象物追跡装置、対象物追跡方法、および制御プログラム
JP5834933B2 (ja) 2012-01-17 2015-12-24 日産自動車株式会社 車両位置算出装置
DE102014208617A1 (de) * 2013-09-06 2015-03-12 Robert Bosch Gmbh Verfahren und Steuer- und Erfassungseinrichtung zum Plausibilisieren einer Falschfahrt eines Kraftfahrzeugs
JP6525545B2 (ja) * 2014-10-22 2019-06-05 キヤノン株式会社 情報処理装置、情報処理方法及びコンピュータプログラム
DE102015213526A1 (de) * 2015-07-17 2017-01-19 Robert Bosch Gmbh Verfahren und System zum Warnen eines Fahrers eines Fahrzeugs

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011120497A1 (de) * 2010-12-13 2012-06-14 Gm Global Technology Operations Llc, ( N.D. Ges. D. Staates Delaware) Systeme und Verfahren zur präzisen Fahrzeugpositionsbestimmung innerhalb einer Fahrspur
US20120290150A1 (en) * 2011-05-13 2012-11-15 John Doughty Apparatus, system, and method for providing and using location information
DE102012208974A1 (de) * 2011-06-01 2012-12-06 GM Global Technology Operations LLC (n. d. Ges. d. Staates Delaware) System und Verfahren zum sensorbasierten Aufbauen eines Umgebungsmodells
US20130304374A1 (en) * 2011-12-22 2013-11-14 Electronics And Telecommunications Research Institute Apparatus and method for recognizing position of moving object

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
F PEYET ET AL: "Lane-level positioning for cooperative systems using EGNOS and enhanced digital maps", 31 March 2008 (2008-03-31), XP055393844, Retrieved from the Internet <URL:http://www.um.es/gsi/research_lines/its/files/ENC_GNSS08.pdf> [retrieved on 20170726] *
SCHINDLER ANDREAS: "Vehicle self-localization with high-precision digital maps", 2013 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV), IEEE, 23 June 2013 (2013-06-23), pages 141 - 146, XP032502004, ISSN: 1931-0587, [retrieved on 20131010], DOI: 10.1109/IVS.2013.6629461 *
TAO JUNLI ET AL: "Wrong Roadway Detection for Multi-lane Roads", 27 August 2013, NETWORK AND PARALLEL COMPUTING; [LECTURE NOTES IN COMPUTER SCIENCE; LECT.NOTES COMPUTER], SPRINGER INTERNATIONAL PUBLISHING, CHAM, PAGE(S) 50 - 58, ISBN: 978-3-540-76785-5, ISSN: 0302-9743, XP047038828 *

Also Published As

Publication number Publication date
US10876843B2 (en) 2020-12-29
US20190145783A1 (en) 2019-05-16
CN109313848A (zh) 2019-02-05
DE102016210017A1 (de) 2017-12-07
EP3465651A1 (de) 2019-04-10
JP2019519043A (ja) 2019-07-04

Similar Documents

Publication Publication Date Title
WO2017211488A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE102017120707A1 (de) Wassertiefenerkennung zur fahrzeugnavigation
WO2017211492A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
DE102014204892A1 (de) Verfahren zum Erstellen und Verwenden einer lokalen Karte eines Fahrwegs eines Fahrzeugs
WO2008145545A1 (de) Verfahren und vorrichtung zur erkennung von verkehrsrelevanten informationen
DE102014009627A1 (de) Verfahren zur Meldung einer freien Parklücke für ein Fahrzeug
DE102016214045A1 (de) Verfahren und Vorrichtung zum Ermitteln eines Fahrbahnmodells für ein Fahrzeugumfeld
DE112017006506T5 (de) Fahrassistenzsystem und Fahrassistenzvorrichtung
DE102015213538A1 (de) Verfahren und System zum Warnen vor einer Falschfahrt eines Fahrzeugs
DE102012220146A1 (de) Verfahren und Vorrichtung zum Charakterisieren eines Fahrverhaltens eines Fahrers eines Fahrzeugs
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
DE102012200068A1 (de) Verfahren und Vorrichtung zum Betreiben eines Fahrerassistenzsystems eines Fahrzeugs
EP3769042A1 (de) System zur erzeugung von konfidenzwerten im backend
EP3465653A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
DE102018112888A1 (de) Systeme und Verfahren zur Überprüfung von Strassenkrümmungskartendaten
DE102018206667A1 (de) Verfahren und Vorrichtung zum Ermitteln einer Kollisionsgefahr eines Fahrzeugs durch eine Höhe und/oder Breite des Fahrzeugs mit einem Infrastrukturelement
DE102021116510B4 (de) Verfahren und Rechenvorrichtung zum Bereitstellen einer Wegnetzkarte eines Parkhauses
DE102016220581A1 (de) Verfahren und vorrichtung zur bestimmung eines umfeldmodells
WO2020043246A1 (de) Lokalisierungsvorrichtung zur visuellen lokalisierung eines fahrzeugs
WO2017211483A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
EP3465654B1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
DE102021202778A1 (de) Verfahren und System zum Bearbeiten einer digitalen Sicherheitskarte für den Straßenverkehr
DE102017207441A1 (de) Verfahren zum Überprüfen einer digitalen Umgebungskarte für ein Fahrerassistenzsystem eines Kraftfahrzeugs, Rechenvorrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
WO2017211482A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE102019216732A1 (de) Verfahren sowie System zum Plausibilisieren von Kartendaten

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17717382

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018563901

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE