WO2017211488A1 - Verfahren vorrichtung und system zur falschfahrererkennung - Google Patents

Verfahren vorrichtung und system zur falschfahrererkennung Download PDF

Info

Publication number
WO2017211488A1
WO2017211488A1 PCT/EP2017/058957 EP2017058957W WO2017211488A1 WO 2017211488 A1 WO2017211488 A1 WO 2017211488A1 EP 2017058957 W EP2017058957 W EP 2017058957W WO 2017211488 A1 WO2017211488 A1 WO 2017211488A1
Authority
WO
WIPO (PCT)
Prior art keywords
particles
wrong
vehicle
road sections
plausible
Prior art date
Application number
PCT/EP2017/058957
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 CN201780035503.4A priority Critical patent/CN109313849B/zh
Priority to EP17717424.0A priority patent/EP3465652A1/de
Priority to JP2018563797A priority patent/JP6944472B2/ja
Priority to US16/301,094 priority patent/US10916124B2/en
Publication of WO2017211488A1 publication Critical patent/WO2017211488A1/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
    • G08G1/0104—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
    • 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
    • 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
    • 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
    • G08G1/0145—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
    • G08G1/01—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
    • 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

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 in map data representing road sections of a road network accessible by the vehicle Determining a plurality of current particles using a measured current position of the vehicle, wherein 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 map data can for example be read from a digital map.
  • a plausible road section can be understood as a road section from which, after evaluation of the existing data, it is assumed that the vehicle is thereupon.
  • the method may include a step of providing a wrong-way signal using the plurality of filtered particles.
  • 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.
  • a set of preceding plausible road sections can be read, which represents a set of plausible road sections determined in a previous step of determining. Furthermore, a
  • Amount of unsafe road sections can be determined using the plurality of actual particles. Finally, the amount of
  • the method may include a step of determining a traveled distance of the vehicle using the set of plausible road sections.
  • the filtering step the plurality of current ones
  • Particles are filtered based on the distance traveled.
  • the distance traveled for example, the
  • Weighting of the particles to be adjusted.
  • the method may include a step of reading in the measured current position via an interface of a computer cloud, a so-called cloud. This enables a cloud-based solution. A corresponding device for wrong driver identification is set up to
  • such a device may comprise a read-in device which is designed to read in map data which map road sections of a road network accessible by the vehicle, having a determination device which is designed to accommodate a plurality of current particles
  • 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, for example via a wireless connection.
  • 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 may 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 which 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 their own integrated circuits or at least partially consist of discrete components.
  • the interfaces may be software modules that are present, for example, on a microcontroller in addition to other software modules.
  • a computer program product or computer program with program code which can be stored on a machine-readable carrier 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
  • 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
  • FIG. 3 shows a Hidden Markov Chain Model
  • Embodiment FIG. 5 shows a system for identifying wrong-way drivers according to a
  • FIG. 6 shows a vehicle according to an embodiment
  • 7 shows a program sequence according to an embodiment
  • FIG. 8 shows a program sequence of a particle filter according to a
  • Embodiment is an illustration of consideration of a road topology according to an embodiment
  • FIG. 11 is an illustration of consideration of a road topology according to an embodiment.
  • 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 for prepared data and to prepare the processed data
  • the wrong-way signal 112 indicates that the vehicle 100 whose measurement data 106 has been processed currently makes a wrong-way drive. According to this embodiment, both the transmission device 102 of the
  • Vehicle 100 as well as a transmission device 102 of another vehicle 100 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 comprises
  • 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 done to detect the passing of a "forbidden entry" sign or the use of a digital map in conjunction
  • Detecting the direction of travel on a road section which is only passable in one direction. Furthermore, are known. Furthermore, the approach can be combined with wireless methods that can be used by means of infrastructure such as e.g. Beacons in the lane or at the edge of the lane detect wrong-way drivers.
  • 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, methods may be used to warn other drivers in the vicinity of a wrong-way driver, eg via vehicle-to-vehicle communication or via mobile radio. Furthermore, the warning of other road users on the roadside established variable traffic signs 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
  • 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-effectiveness 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 map data are read in, the road sections of a vehicle which can be driven by the vehicle
  • Map road network In a step 203, a plurality of actual particles will be determined using a measured current position of the vehicle.
  • a particle represents an assumed position of the
  • a step 205 a plurality of previously filtered particles are read in:
  • a step 207 a set of plausible road sections using the plurality of actual particles and the plurality
  • the plurality of current particles are based on the set of plausible ones
  • a plurality of filtered particles is determined, which can be read in a temporally subsequent step 205 as a plurality of previously filtered particles.
  • 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.
  • 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.
  • Device 110 is configured to receive data 106 from 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 and a rolling p about the longitudinal axis, a pitch q about the transverse axis and a yaw r about the vertical axis.
  • the condition stand for what the condition is (not measured), such as the geographical longitude, latitude and altitude, stand for how the car 100 moves, for example, in terms of speed and yaw rates and Zk are what can be observed, for example, a GPS signal or a signal (camera, etc.) relating to the environment of the vehicle 100
  • Fig. 7 shows a program flow according to an embodiment.
  • the process starts with a block 701.
  • a block 530 a Data preprocessing performed, as described for example with reference to FIG. 5.
  • 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
  • Warn sent as described for example with reference to FIG. 5. If there is no wrong drive, the end of the program sequence takes place with a block 711.
  • 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.
  • Embodiment The typical application of a particulate filter differs in that in this application, the best possible localization accuracy is not to be achieved, but in all cases, the correct road elements are to be determined. That is, even if the sensor data indicates that a wrong-way is present, a warning of the traffic endangered should only be made if you can really be sure that a true wrong-way is present. An important component here is the consideration of the road topology.
  • observation model ie the calculation of the particle probability, thus also depends on the distance covered or the transition between two road elements, which could also be summarized as a transition probability.
  • FIG. 9 shows a plurality of actual particles 901, that is to say particles from a current calculation cycle (k), and a plurality of previously filtered particles 903, that is to say particles from a previous calculation cycle (k-1).
  • the green connection 911 shows a plausible particle movement
  • the red connection 913 shows a non-plausible particle movement as the path traveled (on the road network) would be far too large for that one time step.
  • the black compound 915 also shows a non-plausible particle movement, since in the known street section no connection of these streets is known (distance is infinite).
  • connections 911, 913, 915 can thus be understood as distances which can be taken into account in the filtering of the particles 901, 903.
  • FIG. 10 shows a program sequence of a method for wrong-way driver recognition according to one exemplary embodiment. The method can be carried out, for example, using the device described with reference to FIG.
  • road elements also called
  • the reading takes place according to an embodiment by an envelope, in the form of a so-called bounding box to particles of the last and this
  • a graph is generated with all the road elements found.
  • a step 1007 all "new" road elements are added to a list of unsafe road elements when intersecting with a polygon, a so-called convex hull of the current particles A corresponding polygon is shown in Figure 11. Referring to Figure 11 will the
  • Road elements 1111, 1113, 1117, 1119 selected as plausible road sections.
  • a further query is made as to whether the "old" road elements intersect the convex hull, in which case the
  • step 1009 adding to plausible road elements occurs when the unsafe road elements are associated with the plausible ones.
  • a so-called "Map States” is calculated, ie a map state.
  • the distance traveled on the road network is calculated. For example, the connections shown with reference to FIG. 9 can be determined.
  • the weights are calculated with additional consideration of the distance traveled.
  • Fig. 11 is an illustration of consideration of a
  • Road topology according to an embodiment. This may be the topology shown in FIG. 9.
  • the envelope 1101 includes and is in accordance with both the current particles 901 and the previously filtered particles 903
  • a first road section 1111 a second one
  • False driver recognition using the envelope 1101 first reads in the road sections 1111, 1113, 1115, 1117, 1119, 1121 as a set of preceding plausible road sections. Subsequently, the road sections 1117, 1119, 1121 cut by the polygon 1103 spanned by the current particles 901 are determined as a set of unsafe road sections. Now, the set of previous plausible road sections 1111, 1113, 1115, 1117, 1119, 1121 with those of the insecure road sections 1117, 1119, 1121, which have a connection to one of the preceding plausible road sections 1111, 1113, 1115, 1117, 1119, 1121, to the set of plausible road sections 1111, 1113, 1115, 1117, 1119, 1121 added.
  • an exemplary embodiment comprises a "and / or" link between a first feature and a second feature, then this is to be read so that the embodiment according to one embodiment, both the first feature and the second feature and according to another embodiment either only first feature or only the second feature.

Abstract

Die Erfindung betrifft ein Verfahren zur Falschfahrererkennung mit einem Schritt des Einlesens von Kartendaten (116), die Straßenabschnitte eines von einem Fahrzeug (100) befahrbaren Straßennetz abbilden, einem Schritt des Bestimmens einer Mehrzahl vonaktuellen Partikeln unter Verwendung einer gemessenen aktuellen Position des Fahrzeugs (100), wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, einem Schritt des Einlesens einer Mehrzahl vorangehend gefilterter Partikeln, die in einem vorangegangenen Schritt des Filterns unter Verwendung eines Partikel-Filters gefilterte Partikel darstellen, einem Schritt des Bestimmens einer Menge von plausiblen Straßenabschnitten unter Verwendung der Mehrzahl von aktuellen Partikeln und der Mehrzahl vorangehend gefilterter Partikeln, und einem Schritt des Filterns der Mehrzahl von aktuellen Partikeln basierend auf der Menge von plausiblen Straßenabschnitten unter Verwendung des Partikel-Filters, um eine Mehrzahl gefilterter Partikel zu bestimmen.

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 Kartendaten, die Straßenabschnitte eines von dem Fahrzeug befahrbaren Straßennetz abbilden; Bestimmen einer Mehrzahl von aktuellen Partikeln unter Verwendung einer gemessenen aktuellen Position des Fahrzeugs, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert;
Einlesen einer Mehrzahl vorangehend gefilterter Partikeln, die in einem vorangegangenen Schritt des Filterns unter Verwendung eines Partikel- Filters gefilterte Partikel darstellen;
Bestimmen einer Menge von plausiblen Straßenabschnitten unter Verwendung der Mehrzahl von aktuellen Partikeln und der Mehrzahl vorangehend gefilterter Partikeln;
Filtern der Mehrzahl von aktuellen Partikeln basierend auf der Menge von plausiblen Straßenabschnitten unter Verwendung des Partikel- Filters, um eine Mehrzahl gefilterter Partikel zu bestimmen.
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 Kartendaten können beispielsweise aus einer digitalen Karte ausgelesen werden. Unter einem plausiblen Straßenabschnitt kann ein Straßenabschnitt verstanden werden, von dem nach Auswertung der vorhandenen Daten angenommen wird, dass sich das Fahrzeug darauf befindet.
Im Schritt des Filterns der Mehrzahl aktueller Partikel können neue
Gewichtungen für die Mehrzahl aktueller Partikel bestimmt werden. Auf diese Weise können plausibel erscheinende Partikel höher gewichtet werden, um das Ergebnis des Verfahrens zu verbessern. Das Verfahren kann einen Schritt des Bereitstellens eines Falschfahrtsignals unter Verwendung der Mehrzahl gefilterter Partikel 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.
Im Schritt des Bestimmens einer Menge von plausiblen Straßenabschnitten kann eine Menge von vorangegangenen plausiblen Straßenabschnitten eingelesen werden, die in eine in einem vorangegangenen Schritt des Bestimmens bestimmte Menge von plausiblen Straßenabschnitten darstellt. Ferner kann eine
Menge von unsicheren Straßenabschnitten unter Verwendung der Mehrzahl von aktuellen Partikeln bestimmt werden. Schließlich kann die Menge von
vorangegangenen plausiblen Straßenabschnitten mit denjenigen der unsicheren Straßenabschnitte, die eine Verbindung zu einem der vorangegangenen plausiblen Straßenabschnitte aufweisen, zu der Menge von plausiblen
Straßenabschnitten ergänzt werden. Auf diese Weise kann die Menge von plausiblen Straßenabschnitten ständig aktualisiert werden.
Das Verfahren kann einen Schritt des Bestimmens einer zurückgelegten Distanz des Fahrzeugs unter Verwendung der Menge von plausiblen Straßenabschnitten umfassen. Dabei kann im Schritt des Filterns die Mehrzahl von aktuellen
Partikeln basierend auf der zurückgelegten Distanz gefiltert werden. Durch die Berücksichtigung der zurückgelegten Distanz kann beispielsweise die
Gewichtung der Partikel angepasst werden.
Das Verfahren kann einen Schritt des Einlesens der gemessenen aktuellen Position über eine Schnittstelle einer Rechnerwolke, einer sogenannten Cloud, umfassen. Dies ermöglicht eine cloud-basierte Lösung. 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 Kartendaten einzulesen, die Straßenabschnitte eines von dem Fahrzeug befahrbaren Straßennetz abbilden, eine Bestimmungseinrichtung aufweisen, die ausgebildet ist, um eine Mehrzahl von aktuellen Partikeln unter
Verwendung einer gemessenen aktuellen Position des Fahrzeugs zu bestimmen, wobei ein Partikel eine angenommene Position des Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung repräsentiert, eine
Einleseeinrichtung aufweisen, die ausgebildet ist, um eine Mehrzahl
vorangehend gefilterter Partikel einzulesen, die in einem vorangegangenen Schritt des Filterns unter Verwendung eines Partikel- Filters gefilterte Partikel darstellen, eine Bestimmungseinrichtung aufweisen, die ausgebildet ist, um eine Menge von plausiblen Straßenabschnitten unter Verwendung der Mehrzahl von aktuellen Partikeln und der Mehrzahl vorangehend gefilterter Partikeln zu bestimmen, und eine eine Filtereinrichtung aufweisen, die ausgebildet ist, um die Mehrzahl von aktuellen Partikeln basierend auf der Menge von plausiblen
Straßenabschnitten unter Verwendung des Partikel- Filters zu filtern, um eine Mehrzahl gefilterter Partikel 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;
Fig. 8 einen Programmablauf eines Partikel- Filters gemäß einem
Ausführungsbeispiel; Fig. 9 eine Veranschaulichung einer Berücksichtigung einer Straßentopologie gemäß einem Ausführungsbeispiel;
Fig. 10 einen Programmablauf eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel; und
Fig. 11 eine Veranschaulichung einer Berücksichtigung einer Straßentopologie gemäß einem Ausführungsbeispiel.
In 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 Kartendaten eingelesen werden, die Straßenabschnitte eines von dem Fahrzeug befahrbaren
Straßennetz abbilden. In einem Schritt 203 wird eine Mehrzahl von aktuellen Partikeln unter Verwendung einer gemessenen aktuellen Position des Fahrzeugs bestimmen. Dabei repräsentiert ein Partikel eine angenommene Position des
Fahrzeugs und eine der angenommenen Position zugeordnete Gewichtung. In einem Schritt 205 wird eine Mehrzahl vorangehend gefilterter Partikel eingelesen: In einem Schritt 207 wird eine Menge von plausiblen Straßenabschnitten unter Verwendung der Mehrzahl von aktuellen Partikeln und der Mehrzahl
vorangehend gefilterter Partikel bestimmt. In einem Schritt 209 wird die Mehrzahl von aktuellen Partikeln basierend auf der Menge von plausiblen
Straßenabschnitten unter Verwendung des Partikel- Filters gefiltert. Dabei wird eine Mehrzahl gefilterter Partikel bestimmt, die in einem zeitlich nachfolgenden Schritt 205 als Mehrzahl vorangehend gefilterter Partikel eingelesen werden können.
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.
Figure imgf000013_0002
Analog zu x gilt diese Konvention auch für die Steuergrößen u und
Observierungen u. η beschreibt einen Normalisierungsterm, der im Folgenden allerdings keine große Bedeutung hat. Diese Gleichung kann zu folgender Gleichung vereinfacht werden:
Figure imgf000014_0001
Und diese in zwei Schritten beschrieben werden: der Vorhersageschritt
Figure imgf000014_0002
und der Gewichtungsterm:
Figure imgf000014_0003
Bei einem Partikel- Filter wird das Integral über die
Wahrscheinlichkeitsverteilungen mit einer numerischen Näherung
Figure imgf000014_0004
und Monte-Carlo-Methoden gelöst.
Figure imgf000014_0007
beschreibt hierbei das Gewicht / die Wahrscheinlichkeit des j-ten Partikels. Eine Menge von Partikeln wird mit
Figure imgf000014_0005
beschrieben. Somit hat jeder Partikel das Gewicht und den Zustand
Figure imgf000014_0006
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 imgf000015_0002
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 imgf000015_0003
Von dem Block 403 wird solange zu dem Block 405 gesprungen, bis alle Werte j=l:J durchlaufen sind. In dem Block 405 wird ein neuer Zustand berechnet:
Figure imgf000015_0004
In dem Block 407 wird das Gewicht berechnet:
Figure imgf000015_0001
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.
In dem Block 413 wird zu dem Partikelsatz hinzuaddiert gemäß
Figure imgf000015_0005
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. 3 Xk
Figure imgf000016_0001
dafür stehen, was der Zustand (nicht gemessen) ist, beispielsweise die geografische Länge, Breite und Höhe,
Figure imgf000016_0002
dafür stehen, wie sich das Auto 100 bewegt, beispielsweise hinsichtlich der Geschwindigkeit und Drehraten und Zk dafür stehen, was observiert werden kann, beispielsweise ein GPS-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.
Fig. 9 zeigt eine Veranschaulichung einer Berücksichtigung einer
Straßentopologie bei dem hier beschriebenen Verfahren gemäß einem
Ausführungsbeispiel. Die typische Anwendung eines Partikel- Filters unterscheidet sich dahingehend, dass in diesem Anwendungsfall nicht die bestmögliche Lokalisierungsgenauigkeit erreicht werden soll, sondern in allen Fällen die richtigen Straßenelemente ermittelt werden sollen. Das heißt, auch wenn die Sensordaten darauf hindeuten, dass eine Falschfahrt vorliegt, sollte eine Warnung des gefährdeten Verkehrs nur erfolgen, wenn man sich wirklich sicher sein kann, dass auch wirklich eine Falschfahrt vorliegt. Ein wichtiger Bestandteil ist hierbei die Berücksichtigung der Straßentopologie.
Das„Observation Model", also die Berechnung der Partikel-Wahrscheinlichkeit, hängt somit auch vom zurückgelegten Weg ab bzw. der Transition zwischen zwei Straßenelementen. Dies könnte auch als Transitionswahrscheinlichkeit zusammengefasst werden.
In Fig. 9 sind eine Mehrzahl von aktuellen Partikeln 901, also Partikeln aus einem aktuellen Berechnungszyklus (k), und eine Mehrzahl vorangehend gefilterter Partikel 903, also Partikeln aus einem vorherigen Berechnungszyklus (k-1) gezeigt.
Was nicht passieren darf und warum die Berücksichtigung der Topologie erforderlich ist, wird in Folgenden Beispielen beschrieben:
Die grüne Verbindung 911 zeigt eine plausible Partikel-Bewegung
Die rote Verbindung 913 zeigt eine nicht-plausible Partikel-Bewegung, da der (auf dem Straßennetzwerk) zurückgelegt Weg für diesen einen Zeitschritt viel zu groß wäre.
Die schwarze Verbindung 915 zeigt ebenfalls eine nicht-plausible Partikel- Bewegung, da im bekannten Straßenausschnitt keine Verbindung dieser Straßen bekannt ist (Distanz ist unendlich).
Die Verbindungen 911, 913, 915 können somit als Distanzen verstanden werden, die bei der Filterung der Partikel 901, 903 berücksichtigt werden kann.
Beispielsweise können die Verbindungen 911, 913, 915 verwendet werden, um die Gewichtungen der Partikel 901, 903 anzupassen. Fig. 10 zeigt einen Programmablauf eines Verfahrens zur Falschfahrererkennung gemäß einem Ausführungsbeispiel. Das Verfahren kann beispielsweise unter Verwendung der anhand von Fig. 1 beschriebenen Vorrichtung ausgeführt werden.
In einem Schritt 1001 des Auslesens werden Straßenelemente, auch als
Straßenabschnitte bezeichnet, aus einer Datenbank ausgelesen. Das Auslesen erfolgt gemäß einem Ausführungsbeispiel durch eine Umhüllende, in Form einer sogenannten Bounding-Box, um Partikel vom letzten und diesem
Berechnungsschritt. Eine entsprechende Umhüllende ist in Fig. 11 gezeigt. Bezug nehmend auf Fig. 11 werden die Straßenelemente 1111, 1113, 1115, 1117, 1119, 1121 ausgewählt.
In einem Schritt 1003 wird ein Graph mit allen gefunden Straßenelementen erzeugt.
In einem Schritt 1005 bilden alle Straßenelemente aus dem vorherigen Schritt plausible Straßenelemente.
In einem Schritt 1007 werden alle„neuen" Straßenelemente zu einer Liste von unsicheren Straßenelementen hinzugefügt, wenn diese mit einem Polygon, einer sogenannten Convex-Hull der aktuellen Partikel schneiden. Ein entsprechendes Polygon ist in Fig. 11 gezeigt. Bezug nehmend auf Fig. 11 werden die
Straßenelemente 1111, 1113, 1117, 1119 als plausible Straßenabschnitte ausgewählt. Optional wird eine weitere Abfrage durchgeführt, ob auch die„alten" Straßenelemente die Convex-Hull schneiden. In diesem Fall werden die
Straßenelemente 1117, 1119 ausgewählt.
In einem Schritt 1009 erfolgt ein Hinzufügen zu plausiblen Straßenelementen, wenn die unsicheren Straßenelemente verbunden mit den plausiblen sind.
In einem Schritt 1011 erfolgt ein Berechnen eines sogenannten„Map States", also eines Kartenzustands. In einem Schritt 1013 erfolgt ein Berechnen der zurückgelegten Distanz auf dem Straßennetzwerk. Beispielsweise können dabei die anhand von Fig. 9 gezeigten Verbindungen bestimmt werden.
In einem Schritt 1015 erfolgt ein Berechnen der Gewichte mit zusätzlicher Berücksichtigung der zurückgelegten Strecke.
Fig. 11 zeigt eine Veranschaulichung einer Berücksichtigung einer
Straßentopologie gemäß einem Ausführungsbeispiel. Dabei kann es sich um die anhand von Fig. 9 gezeigte Topologie handeln.
Gezeigt sind eine Mehrzahl von aktuellen Partikeln 901, also Partikeln aus einem aktuellen Berechnungszyklus (k), und eine Mehrzahl vorangehend gefilterter Partikel 903, also Partikeln aus einem vorherigen Berechnungszyklus (k-1).
Ferner ist eine Umhüllende 1101 sowie ein Polygon 1103 gezeigt. Das Polygon 1103 ist durch die am weitesten außen liegenden der aktuellen Partikel 901 geführt. Die Umhüllende 1101 schließt sowohl die aktuellen Partikel 901 als auch die vorangehend gefilterten Partikel 903 ein und ist gemäß diesem
Ausführungsbeispiel als ein Rechteck ausgeführt, das durch die jeweils am weitesten außen liegenden der Partikel 901, 903 geführt ist.
Ferner sind in Fig. 11 ein erster Straßenabschnitt 1111, ein zweiter
Straßenabschnitt 1113, ein dritter Straßenabschnitt 1115, ein vierter
Straßenabschnitt 1117, ein fünfter Straßenabschnitt 1119 und ein sechster Straßenabschnitt 1121 gezeigt, die alle von der Umhüllenden 1101 geschnitten oder eingeschlossen sind.
Gemäß einem Ausführungsbeispiel werden bei dem Verfahren zur
Falschfahrererkennung unter Verwendung der Umhüllenden 1101 zunächst die Straßenabschnitte 1111, 1113, 1115, 1117, 1119, 1121 als eine Menge von vorangegangenen plausiblen Straßenabschnitten eingelesen. Anschließend werden die Straßenabschnitte 1117, 1119, 1121, die von dem durch die aktuellen Partikel 901 aufgespannten Polygon 1103 geschnitten werden, als eine Menge von unsicheren Straßenabschnitten bestimmen. Nun wird die Menge von vorangegangenen plausiblen Straßenabschnitten 1111, 1113, 1115, 1117, 1119, 1121 mit denjenigen der unsicheren Straßenabschnitte 1117, 1119, 1121, die eine Verbindung zu einem der vorangegangenen plausiblen Straßenabschnitte 1111, 1113, 1115, 1117, 1119, 1121 aufweisen, zu der Menge von plausiblen Straßenabschnitten 1111, 1113, 1115, 1117, 1119, 1121 ergänzt.
Für die Erweiterung ergeben sich im Partikel-Filter-Modell folgende
Anpassungen:
Map-State:
Figure imgf000021_0002
der zurückgelegten Strecke auf dem Straßennetzwerk
Observation-Model:
Figure imgf000021_0001
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 Kartendaten (116), die Straßenabschnitte (1111, 1113, 1115, 1117, 1119, 1121) eines von einem Fahrzeug (100) befahrbaren Straßennetz abbilden;
Bestimmen (203) einer Mehrzahl von aktuellen Partikeln (901) unter Verwendung einer gemessenen aktuellen Position des Fahrzeugs (100), wobei ein Partikel eine angenommene Position des Fahrzeugs (100) und eine der angenommenen Position zugeordnete Gewichtung repräsentiert;
Einlesen (205) einer Mehrzahl vorangehend gefilterter Partikeln (903), die in einem vorangegangenen Schritt des Filterns unter Verwendung eines Partikel- Filters (532) gefilterte Partikel darstellen;
Bestimmen (207) einer Menge von plausiblen Straßenabschnitten (1111, 1113, 1117, 1119) unter Verwendung der Mehrzahl von aktuellen Partikeln (901) und der Mehrzahl vorangehend gefilterter Partikeln (903);
Filtern (209; 1015) der Mehrzahl von aktuellen Partikeln (901) basierend auf der Menge von plausiblen Straßenabschnitten (1111, 1113, 1117, 1119) unter Verwendung des Partikel- Filters (532), um eine Mehrzahl gefilterter Partikel zu bestimmen.
2. Verfahren gemäß Anspruch 1, bei dem im Schritt des Filterns (209;
1015) der Mehrzahl aktueller Partikel (901) neue Gewichtungen für die Mehrzahl aktueller Partikel (901) bestimmt werden.
3. Verfahren gemäß einem der vorangegangenen Ansprüche, mit einem Schritt (1013) des Bestimmens einer zurückgelegten Distanz (911, 913, 915) des Fahrzeugs (100) unter Verwendung der Menge von plausiblen Straßenabschnitten (1111, 1113, 1117, 1119), wobei im Schritt des Filterns (209; 1015) die Mehrzahl von aktuellen Partikeln (901) basierend auf der zurückgelegten Distanz (911, 913, 915) gefiltert werden.
4. Verfahren gemäß einem der vorangegangenen Ansprüche, mit einem
Schritt des Bereitstellens eines Falschfahrtsignals (112) unter
Verwendung der Mehrzahl gefilterter Partikel, wobei das
Falschfahrtsignal (112) anzeigt, ob eine Falschfahrt des Fahrzeugs (100) vorliegt oder nicht vorliegt.
5. Verfahren gemäß einem der vorangegangenen Ansprüche, bei dem im Schritt des Bestimmens (207) einer Menge von plausiblen
Straßenabschnitten eine Menge von vorangegangenen plausiblen Straßenabschnitten eingelesen wird, die in eine in einem
vorangegangenen Schritt des Bestimmens bestimmte Menge von plausiblen Straßenabschnitten darstellt, eine Menge von unsicheren Straßenabschnitten unter Verwendung der Mehrzahl von aktuellen Partikeln (901) bestimmt (1007) wird, und die Menge von
vorangegangenen plausiblen Straßenabschnitten mit denjenigen der unsicheren Straßenabschnitte, die eine Verbindung zu einem der vorangegangenen plausiblen Straßenabschnitte aufweisen, zu der Menge von plausiblen Straßenabschnitten (1111, 1113, 1117, 1119) ergänzt (1009) wird.
6. Verfahren gemäß einem der vorangegangenen Ansprüche, mit einem Schritt des Einlesens der gemessenen aktuellen Position über eine Schnittstelle einer Rechnerwolke (118).
7. Vorrichtung (110) zur Falschfahrererkennung, die eingerichtet ist, um Schritte des Verfahrens gemäß einem der vorangegangenen Ansprüche in entsprechenden Einheiten 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. Computerprogramm, das dazu eingerichtet ist, das Verfahren gemäß einem der vorangegangenen Ansprüche auszuführen.
10. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 9 gespeichert ist.
PCT/EP2017/058957 2016-06-07 2017-04-13 Verfahren vorrichtung und system zur falschfahrererkennung WO2017211488A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201780035503.4A CN109313849B (zh) 2016-06-07 2017-04-13 用于错路驾驶员识别的方法、设备和系统
EP17717424.0A EP3465652A1 (de) 2016-06-07 2017-04-13 Verfahren vorrichtung und system zur falschfahrererkennung
JP2018563797A JP6944472B2 (ja) 2016-06-07 2017-04-13 逆走ドライバを検出するための方法、装置、およびシステム
US16/301,094 US10916124B2 (en) 2016-06-07 2017-04-13 Method, device and system for wrong-way driver detection

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016210025.4A DE102016210025A1 (de) 2016-06-07 2016-06-07 Verfahren Vorrichtung und System zur Falschfahrererkennung
DE102016210025.4 2016-06-07

Publications (1)

Publication Number Publication Date
WO2017211488A1 true WO2017211488A1 (de) 2017-12-14

Family

ID=58547535

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/058957 WO2017211488A1 (de) 2016-06-07 2017-04-13 Verfahren vorrichtung und system zur falschfahrererkennung

Country Status (6)

Country Link
US (1) US10916124B2 (de)
EP (1) EP3465652A1 (de)
JP (1) JP6944472B2 (de)
CN (1) CN109313849B (de)
DE (1) DE102016210025A1 (de)
WO (1) WO2017211488A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018145839A1 (de) * 2017-02-08 2018-08-16 Audi Ag Verfahren zum informieren zumindest eines empfängerfahrzeugs über ein falschfahrerfahrzeug sowie servervorrichtung und kraftfahrzeuge

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200133308A1 (en) * 2018-10-18 2020-04-30 Cartica Ai Ltd Vehicle to vehicle (v2v) communication less truck platooning
DE102019201423A1 (de) 2019-02-05 2020-08-06 Robert Bosch Gmbh Verfahren und Vorrichtung zum Steuern einer Datenübertragung für ein Fahrzeug
FR3095789A1 (fr) * 2019-05-09 2020-11-13 Psa Automobiles Sa Procédé de sécurisation de véhicules en présence d’un véhicule circulant à contre sens
DE102020212037A1 (de) 2020-09-24 2022-03-24 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Erzeugen einer Relevanzkarte für ein Fahrzeug und Verfahren und Vorrichtung zum Bereitstellen eines Positionssignals für eine Falschfahrerkennung
US11335192B1 (en) 2020-12-02 2022-05-17 Here Global B.V. System, method, and computer program product for detecting a driving direction
CN114910081B (zh) * 2022-05-26 2023-03-10 阿波罗智联(北京)科技有限公司 车辆定位方法、装置及电子设备

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 (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8209121B1 (en) * 2007-10-10 2012-06-26 Google Inc. Registration of location data to street maps using hidden markov models, and application thereof
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
JP5666812B2 (ja) * 2010-03-12 2015-02-12 クラリオン株式会社 車両逆走検出装置
CN102081844A (zh) * 2011-01-25 2011-06-01 华中科技大学 一种交通视频行为分析与报警服务器
JP5479398B2 (ja) * 2011-03-29 2014-04-23 アイシン・エィ・ダブリュ株式会社 運転支援装置、運転支援方法及びコンピュータプログラム
JP6169318B2 (ja) * 2012-02-14 2017-07-26 本田技研工業株式会社 ナビゲーションシステム
JP5867176B2 (ja) * 2012-03-06 2016-02-24 日産自動車株式会社 移動物体位置姿勢推定装置及び方法
JP2014169865A (ja) * 2013-03-01 2014-09-18 Hitachi Ltd 目標トラッキング装置、目標トラッキングプログラム及び目標トラッキング方法
JP6036421B2 (ja) * 2013-03-14 2016-11-30 富士通株式会社 道路管理支援方法、道路管理支援装置、及び道路管理支援プログラム
DE102013209502A1 (de) * 2013-05-22 2014-11-27 Robert Bosch Gmbh Verfahren zum automatischen Intervenieren in ein Ego-Fahrzeug bei einer Falschfahrt, insbesondere einer Geisterfahrt
WO2015029565A1 (ja) * 2013-08-28 2015-03-05 アイシン・エィ・ダブリュ株式会社 運転支援システム、方法およびプログラム
JP6511767B2 (ja) * 2014-10-20 2019-05-15 株式会社デンソー 逆走判断装置
CN105448094B (zh) * 2015-12-31 2017-12-05 招商局重庆交通科研设计院有限公司 一种基于车路协同技术的逆行警告与风险规避方法

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 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018145839A1 (de) * 2017-02-08 2018-08-16 Audi Ag Verfahren zum informieren zumindest eines empfängerfahrzeugs über ein falschfahrerfahrzeug sowie servervorrichtung und kraftfahrzeuge

Also Published As

Publication number Publication date
US20190189003A1 (en) 2019-06-20
JP6944472B2 (ja) 2021-10-06
EP3465652A1 (de) 2019-04-10
US10916124B2 (en) 2021-02-09
CN109313849A (zh) 2019-02-05
JP2019519041A (ja) 2019-07-04
CN109313849B (zh) 2021-10-15
DE102016210025A1 (de) 2017-12-07

Similar Documents

Publication Publication Date Title
WO2017211488A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
DE102019114527A1 (de) Intelligente fahrzeugnavigationssysteme, verfahren und steuerlogik zur mehrspurtrennung und trajektorienextraktion von fahrbahnsegmenten
DE102017120707A1 (de) Wassertiefenerkennung zur fahrzeugnavigation
DE102020129456A1 (de) Trajektorienvorhersage aus einer vorberechneten oder dynamisch generierten bank von trajektorien
DE102016224604A1 (de) System und Verfahren zur Verifizierung von Kartendaten für ein Fahrzeug
EP3465656A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
WO2008145545A1 (de) Verfahren und vorrichtung zur erkennung von verkehrsrelevanten informationen
DE102014204892A1 (de) Verfahren zum Erstellen und Verwenden einer lokalen Karte eines Fahrwegs eines Fahrzeugs
DE102016223422A1 (de) Verfahren zur automatischen Ermittlung extrinsischer Parameter einer Kamera eines Fahrzeugs
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
DE102016122338A1 (de) Informations-verarbeitungseinrichtung, informations-verarbeitungsverfahren, steuerungsvorrichtung für ein fahrzeug und steuerungsverfahren für ein fahrzeug
DE102015223656A1 (de) Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung
EP3769042A1 (de) System zur erzeugung von konfidenzwerten im backend
DE102019208192A1 (de) Verkehrszeichen-erkennungssystem
DE102021128041A1 (de) Verbesserung eines neuronalen fahrzeugnetzwerks
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
EP3465653A1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
WO2020043246A1 (de) Lokalisierungsvorrichtung zur visuellen lokalisierung eines fahrzeugs
DE102016220581A1 (de) Verfahren und vorrichtung zur bestimmung eines umfeldmodells
EP3465655A1 (de) Verfahren vorrichtung und system zur falschfahrererkennung
EP3465654B1 (de) Verfahren, vorrichtung und system zur falschfahrererkennung
EP3430357A1 (de) System und verfahren zur navigation eines fahrzeugs sowie fahrzeug

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: 17717424

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018563797

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE